L'industria manifatturiera è composta da lavoro che difficilmente si lascia riassumere in un unico tipo di attività. C'è il lavoro di pianificazione: programmare gli ordini, allineare i flussi di materiali, distribuire la capacità tra macchine e turni. C'è il lavoro di qualità: ispezionare, misurare, valutare e documentare le deviazioni. C'è il lavoro di manutenzione: diagnosticare guasti, ordinare componenti, pianificare interventi preventivi. E c'è il lavoro amministrativo che circonda tutto questo: certificati, calcoli a consuntivo, rendicontazione verso clienti ed enti di controllo.
Questi tipi di lavoro differiscono molto per quanto siano prevedibili. Un compito di pianificazione con regole fisse e dati storici si presta all'automazione in modo diverso rispetto alla valutazione di una saldatura che risulta appena fuori norma ma che probabilmente è comunque buona. Quest'ultima valutazione dipende dall'esperienza, da un contesto che non è registrato in nessun sistema, e da una responsabilità che qualcuno deve poter assumersi. Questa differenza determina in gran parte quale ambizione sia realistica per quale parte del lavoro.
Ovunque nell'industria manifatturiera la stessa tripartizione attraversa il lavoro. Una parte può essere rilevata dall'AI: controlli ripetitivi basati su dati dei sensori, la compilazione di rapporti standard, il riconoscimento di pattern di guasto noti. Una parte è parzialmente automatizzabile, con una persona che approva o respinge: valutazioni di qualità in cui un algoritmo formula una proposta e un operatore o un addetto alla qualità conferma o corregge la decisione, motivandola. E una parte resta lavoro umano: risolvere un guasto che nessuno ha mai visto prima in quella forma, negoziare con un fornitore su una consegna anomala, assumersi la responsabilità in caso di incidente sulla sicurezza.
Ciò che oggi in una fabbrica rientra già nella prima categoria, in un'altra fabbrica si trova ancora interamente nella terza. Questa differenza raramente dipende dalla tecnologia in sé. Dipende dal fatto che i dati siano disponibili, che i sensori misurino le cose giuste, che i dipendenti si fidino abbastanza del sistema da lasciargli qualcosa, e che ci sia qualcuno autorizzato ad approvare il risultato senza che il processo si blocchi in attesa di una firma.
Una direzione che afferma "vogliamo un controllo qualità guidato dall'AI" dice con ciò anche qualcosa sull'organizzazione che deve essere in grado di sostenerlo. Deve esserci qualcuno che valuta le segnalazioni di errore del sistema, non solo in teoria ma nel turno quotidiano. Deve essere chiaro chi può ignorare un rifiuto del sistema e su quale base. E deve esserci capacità disponibile per configurare e mantenere il sistema, capacità che spesso è già completamente assorbita dal lavoro in corso.
È qui che molte ambizioni nell'industria manifatturiera si arenano: non sulla domanda se la tecnologia sia in grado di farlo, ma sulla domanda se l'organizzazione abbia già definito il ruolo che deve stare intorno ad essa. Chi decide quando il sistema è incerto? Chi è responsabile se un cliente presenta un reclamo su un prodotto passato attraverso un'ispezione guidata dall'AI? Queste domande toccano responsabilità all'interno dell'organico, e per le decisioni che ne derivano valgono requisiti legali specifici; tale valutazione non è oggetto di questa trattazione.
Due fabbriche con macchinari simili e prodotti simili possono divergere fortemente su quanto l'AI effettivamente sottrae al loro lavoro. Una ha raccolto e strutturato dati dei sensori per anni, l'altra ha gli stessi sensori ma i dati finiscono in log che nessuno ha mai ripulito. Una ha un team qualità che ha tempo settimanale per valutare le deviazioni e correggere il sistema, l'altra ha quel team completamente assorbito dalla produzione in corso. Nessuna delle due è nel torto, ma questo determina quanta parte dell'ambizione sia realizzabile quest'anno e quanta l'anno prossimo.
Queste differenze non sono esclusive dell'industria manifatturiera. La stessa tensione tra ambizione e prontezza si ritrova nel settore dei trasporti, dove pianificazione e scelta del percorso sollevano domande simili, e nei servizi professionali, dove la supervisione sui risultati delle consulenze svolge un ruolo simile al controllo qualità in fabbrica. Anche la domanda su come suddividere un'ambizione in parti che un'organizzazione può effettivamente gestire in un anno ricorre in ogni settore, ed è trattata separatamente in un approfondimento sulla suddivisione in fasi di un'ambizione troppo grande per un anno.
La domanda che sta alla base di tutti questi esempi non è se l'AI possa in generale rilevare questo tipo di lavoro. È quale parte specifica del lavoro, in questa specifica azienda, sia effettivamente trasferibile, dati i dati, i sistemi e le persone attualmente presenti. Questa domanda trova risposta compito per compito con la scansione del lavoro di FTE TO AI, indipendentemente da quale idea se ne faccia la direzione.
Un'ambizione diventa utilizzabile solo quando viene suddivisa in ciò che l'organizzazione deve saper fare, e verificata rispetto a ciò che già sa fare. Quanto velocemente un'organizzazione possa davvero cambiare su questo tipo di aspetti è una domanda indipendente dall'ambizione stessa e viene approfondita separatamente in una riflessione sul reale ritmo di cambiamento delle organizzazioni.
Come primo passo è disponibile un test di prontezza gratuito: otto brevi domande, una per dimensione, che offrono un quadro di dove la vostra organizzazione è più avanti e dove lo è meno. Il test di ambizione completo, con i quattro livelli dalla visione al target state e la traduzione in ruoli e diritti decisionali, è in fase di sviluppo.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.