Le pulizie sono in gran parte lavoro esecutivo sul posto: pulire spazi, rifornire materiale, effettuare controlli, segnalare incidenti. Attorno a questo si trova uno strato di lavoro di pianificazione meno visibile ma determinante per i costi: fare i turni, organizzare sostituzioni, gestire reclami, pianificare i controlli di qualità e riferire ai committenti. Le condizioni sul posto influenzano fortemente il risultato: un edificio ha una squadra fissa del mattino con pochi avvicendamenti, un altro lavora con squadre variabili, contratti brevi e molti sostituti occasionali. Questa variazione determina quale parte del lavoro si lascia catturare in uno schema e quale parte rimane dipendente da ciò che qualcuno trova sul posto.
Questi due strati — esecuzione sul posto e pianificazione a distanza — reagiscono in modo diverso all'AI. Non è che uno strato sia "più intelligente" dell'altro; è che uno si lascia catturare meglio in dati rispetto all'altro.
Nello strato di pianificazione si vede che una parte del lavoro si è già spostata. I turni basati su schemi fissi, la registrazione delle ore, la fatturazione e la reportistica di qualità di base sono compiti che l'AI può assumere non appena i dati sottostanti sono strutturati. Valutare una carenza acuta di personale per malattia, giudicare un reclamo che non rientra nel formato, o negoziare con un committente una modifica contrattuale: questo rimane lavoro umano, o lavoro in cui l'AI formula una proposta e un responsabile la approva o la respinge motivandola.
Sul campo la situazione è diversa. La tecnologia dei sensori che segnala quando uno spazio è effettivamente stato utilizzato e quindi deve essere pulito è una forma di supporto AI che già esiste, ma richiede investimenti in apparecchiature e un edificio adatto a tale scopo. Molte sedi non lo hanno. La pulizia stessa rimane, a parte l'impiego di robot in ambienti specifici, lavoro umano.
Perché questo funziona già così presso un'impresa di pulizie e non presso un'altra? La differenza raramente sta nell'ambizione stessa — quasi ogni impresa vuole pianificare in modo più efficiente e perdere meno tempo in turni manuali. La differenza sta in ciò che sta alla base di quell'ambizione: l'impresa ha già ore, assenze per malattia e reclami in un sistema che un'applicazione AI può leggere, oppure questo si trova ancora nella testa dei pianificatori e in fogli di calcolo separati per regione.
Un'impresa di pulizie che afferma "vogliamo automatizzare i turni" intende con questo, in un'organizzazione: un sistema che genera autonomamente un turno completo. In un'altra: uno strumento che formula una prima proposta, che un pianificatore poi adatta. Sono due ambizioni diverse con requisiti diversi in termini di dati, di competenze dei pianificatori e del grado in cui i committenti devono approvare le modifiche. Finché un team dirigenziale non ha discusso tra sé questa differenza, si parla di automazione senza sapere quale variante si intende.
È esattamente qui che un'ambizione articolata su più livelli — dalla visione a uno stato target concreto — fa la differenza: costringe a definire cosa cambia in chi può prendere una decisione, e chi ne rimane responsabile. A titolo di confronto, in altri settori con molto lavoro esecutivo sul posto si osserva uno schema simile: chi legge come questo si traduce in l'edilizia o nel settore degli impiantisti, ritrova la stessa linea di demarcazione tra lavoro di pianificazione e lavoro esecutivo, con fonti di dati leggermente diverse.
L'ostacolo più citato non è la tecnologia ma la registrazione. Le ore lavorate, le assenze, i reclami e l'uso dei materiali sono spesso distribuiti su sistemi regionali, moduli cartacei e accordi verbali tra pianificatore e responsabile di sede. Un'applicazione AI che assume i turni o i controlli di qualità ha bisogno di quei dati in una forma leggibile. Senza questa base, un'ambizione rimane un'affermazione senza fondamento.
Inoltre c'è la questione di chi può approvare o respingere una proposta AI. Nelle imprese dove il pianificatore ha attualmente pieno controllo sulle modifiche ai turni, un'applicazione AI che pianifica autonomamente cambia di fatto il ruolo di quel pianificatore in quello di controllore. Questo riguarda il modo in cui sono strutturate le funzioni e le condizioni di lavoro; per le decisioni che riguardano il personale valgono requisiti di legge specifici, che qui non vengono trattati.
La domanda che sta alla base di tutte le ambizioni in questo settore non è "l'AI può assumere le pulizie" ma "quali dei nostri compiti sono già registrati in modo tale che un'applicazione AI possa leggerli, e quali no ancora". Questo varia per impresa, per regione e persino per committente, e non si lascia rispondere in termini generali. Cosa questo significhi concretamente per la vostra organizzazione, compito per compito, lo mostra la scansione del lavoro di FTE TO AI: una panoramica di quale lavoro si presta già oggi a essere assunto, quale parte richiede supervisione e quale parte rimane lavoro umano. Chi vuole prima capire come un'ambizione si traduce in un modello operativo, lo trova spiegato in il target operating model in parole semplici, e chi vuole sapere quali capabilities richiede una specifica ambizione, lo legge in le capabilities di cui la vostra organizzazione ha bisogno per questa ambizione.
Formulare un'ambizione per l'AI nel lavoro di pulizia inizia con l'accertare dove l'organizzazione si trova realmente, non dove la direzione spera di trovarsi. Il test di preparazione gratuito di FTE TO AI consiste in otto brevi domande, una per dimensione, e offre un quadro di dove l'organizzazione è più avanti e dove restano ancora i passi maggiori da compiere. Il test di ambizione completo, con i quattro livelli e i cinque confidence gate, 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.