Gamybos pramonę sudaro darbas, kurio sunku apibendrinti vienu užduočių tipu. Yra planavimo darbas: užsakymų planavimas, medžiagų srautų derinimas, pajėgumų paskirstymas tarp įrenginių ir pamainų. Yra kokybės darbas: tikrinimas, matavimas, nuokrypių vertinimas ir dokumentavimas. Yra priežiūros darbas: gedimų diagnostika, dalių užsakymas, prevencinio darbo planavimas. Ir yra administracinis darbas aplink visa tai: sertifikatai, papildomi skaičiavimai, ataskaitos klientams ir priežiūros institucijoms.
Šios darbo rūšys labai skiriasi pagal tai, kaip nuspėjamos jos yra. Planavimo užduotis su fiksuotomis taisyklėmis ir istoriniais duomenimis automatizavimui tinka kitaip nei suvirinimo siūlės vertinimas, kai ji tik truputį neatitinka normos, bet tikriausiai vis tiek yra gera. Pastarasis vertinimas priklauso nuo patirties, nuo konteksto, kurio nėra sistemoje, ir nuo atsakomybės, kurią kažkas turi galėti prisiimti. Šis skirtumas daugiausia lemia, kokia ambicija yra realistiška kuriai darbo daliai.
Visoje gamybos pramonėje darbą kerta ta pati trilypė takoskyra. Dalį gali perimti AI: pasikartojantys patikrinimai pagal jutiklių duomenis, standartinių ataskaitų sudarymas, žinomų gedimų modelių atpažinimas. Dalis vyksta iš dalies, kai žmogus patvirtina arba atmeta: kokybės vertinimai, kai algoritmas pateikia pasiūlymą, o operatorius ar kokybės specialistas patvirtina arba pataiso sprendimą, nurodydamas priežastį. Ir dalis lieka žmogaus darbu: gedimo, kokio niekas anksčiau nematė, sprendimas, derybos su tiekėju dėl nukrypusios tiekimo partijos, atsakomybės prisiėmimas saugumo incidento atveju.
Kas vienoje gamykloje šiandien jau patenka į pirmąją kategoriją, kitoje gamykloje dar visiškai priskiriama trečiajai. Šis skirtumas retai kyla iš pačios technologijos. Jis kyla dėl to, ar duomenys yra sutvarkyti, ar jutikliai matuoja tinkamus dalykus, ar darbuotojai pasitiki sistema tiek, kad galėtų jai kažką perleisti, ir ar yra kas nors, kuris gali patvirtinti rezultatą, kad procesas nesustotų laukiant parašo.
Vadovybė, sakanti „mes norime AI valdomos kokybės kontrolės“, tuo pačiu sako kažką ir apie organizaciją, kuri turi galėti tai palaikyti. Turi būti žmogus, kuris vertina sistemos klaidų pranešimus, ne tik teoriškai, bet ir kasdienėje pamainoje. Turi būti aišku, kas gali panaikinti sistemos atmetimo sprendimą ir kokiu pagrindu. Ir turi būti laisvų pajėgumų sistemai įdiegti ir prižiūrėti, pajėgumų, kurie dažnai jau visiškai priskirti vykdomam darbui.
Būtent čia daugelis ambicijų gamybos pramonėje strigsta: ne dėl klausimo, ar technologija tai sugeba, o dėl klausimo, ar organizacija jau užpildė vaidmenį aplink tai. Kas nusprendžia, kai sistema neaišku dėl ko svyruoja? Kas atsakingas, kai klientas turi nusiskundimą dėl produkto, praėjusio AI valdomą patikrą? Šie klausimai susiję su atsakomybėmis darbuotojų viduje, o sprendimams, kylantiems iš to, taikomi savi teisiniai reikalavimai; toks vertinimas šiame tekste nepateikiamas.
Dvi gamyklos su panašiais įrenginiais ir panašiais produktais gali labai skirtis tuo, kiek AI iš tikrųjų perima jų darbo. Viena metų metus rinko ir struktūravo jutiklių duomenis, kita turi tuos pačius jutiklius, bet duomenys dingsta žurnaluose, kurių niekas niekada nesutvarkė. Viena turi kokybės komandą, kuri savaitę turi laiko įvertinti nuokrypius ir koreguoti sistemą, kita tą komandą turi visiškai užimtą vykdoma gamyba. Nė vienas variantas nėra blogas, bet tai nulemia, kiek ambicijos galima pasiekti šiais metais, o kiek kitais.
Šie skirtumai nėra unikalūs gamybos pramonei. Ta pati įtampa tarp ambicijos ir pasirengimo pasireiškia transporto sektoriuje, kur planavimas ir maršruto pasirinkimas kelia panašius klausimus, ir verslo paslaugų sektoriuje, kur priežiūra konsultacijų rezultatams atlieka panašų vaidmenį kaip kokybės kontrolė ceche. Taip pat klausimas, kaip ambiciją padalinti į dalis, kurias organizacija iš tiesų gali įgyvendinti per metus, kartojasi kiekviename sektoriuje ir atskirai aptariamas paaiškinime apie ambicijos, kuri per didelė vieniems metams, etapų sudarymą.
Klausimas, slypintis už visų šių pavyzdžių, nėra tas, ar AI iš principo gali perimti tokį darbą. Tai klausimas, kurią konkrečią darbo dalį šioje konkrečioje įmonėje iš tikrųjų galima perimti, atsižvelgiant į duomenis, sistemas ir žmones, kurie yra dabar. Į šį klausimą pagal kiekvieną užduotį atsakoma FTE TO AI darbo skanuoju (workscan), nepaisant to, kokį vaizdą apie tai turi vadovybė.
Ambicija tampa naudinga tik tada, kai ji padalinama į tai, ką organizacija turi mokėti, ir palyginama su tuo, ką ji jau moka. Klausimas, kaip greitai organizacija iš tiesų gali pasikeisti tokiais aspektais, nepriklauso nuo ambicijos pačios ir yra atskirai nagrinėjamas apžvalgoje apie organizacijų tikrąjį pokyčių tempą.
Kaip pirmasis žingsnis siūlomas nemokamas pasirengimo patikrinimas: aštuoni trumpi klausimai, po vieną kiekvienai dimensijai, kurie parodo, kur jūsų organizacija toliausiai pasistūmusi, o kur – mažiausiai. Visas ambicijos testas, apimantis keturis sluoksnius nuo vizijos iki tikslinės būsenos ir jų pritaikymą vaidmenims bei sprendimų teisėms, dar kuriamas.
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.