Przemysł wytwórczy składa się z pracy, którą trudno streścić w jednym rodzaju zadania. Jest praca planistyczna: planowanie zleceń, dostosowywanie przepływów materiałowych, rozdzielanie zdolności produkcyjnych między maszyny i zmiany. Jest praca związana z jakością: inspekcja, pomiary, ocena odchyleń i dokumentacja. Jest praca konserwacyjna: diagnozowanie usterek, zamawianie części, planowanie prac prewencyjnych. I jest praca administracyjna wokół tego wszystkiego: certyfikaty, kalkulacja powykonawcza, raportowanie do klientów i organów nadzoru.
Te rodzaje pracy różnią się znacznie pod względem przewidywalności. Zadanie planistyczne oparte na stałych regułach i danych historycznych inaczej nadaje się do automatyzacji niż ocena spoiny spawalniczej, która nieznacznie wykracza poza normę, ale prawdopodobnie mimo to jest dobra. Ta druga ocena zależy od doświadczenia, od kontekstu, którego nie ma w żadnym systemie, oraz od odpowiedzialności, którą ktoś musi umieć ponieść. Ta różnica w dużej mierze określa, jaka ambicja jest realistyczna dla której części pracy.
W całym przemyśle wytwórczym ten sam trójpodział przenika pracę. Część może przejąć AI: powtarzalne kontrole na podstawie danych z czujników, sporządzanie standardowych raportów, rozpoznawanie znanych wzorców usterek. Część odbywa się częściowo, z człowiekiem, który zatwierdza lub odrzuca: oceny jakościowe, w których algorytm przedstawia propozycję, a operator lub pracownik ds. jakości potwierdza lub koryguje decyzję, podając powód. A część pozostaje pracą ludzką: rozwiązywanie usterki, jakiej nikt wcześniej nie widział w tej postaci, negocjowanie z dostawcą w sprawie odbiegającej dostawy, branie odpowiedzialności przy incydencie bezpieczeństwa.
To, co dziś w jednej fabryce mieści się już w pierwszej kategorii, w innej fabryce nadal w pełni należy do trzeciej. Ta różnica rzadko wynika z samej techniki. Wynika z tego, czy dane są dostępne, czy czujniki mierzą właściwe rzeczy, czy pracownicy ufają systemowi na tyle, by coś mu powierzyć, oraz czy jest ktoś, kto może zatwierdzić wynik bez zatrzymywania procesu w oczekiwaniu na podpis.
Zarząd, który mówi „chcemy kontroli jakości sterowanej przez AI”, mówi tym samym coś o organizacji, która musi to udźwignąć. Musi być ktoś, kto ocenia komunikaty o błędach systemu, nie tylko teoretycznie, ale w codziennej pracy zmianowej. Musi być jasność co do tego, kto może uchylić odrzucenie systemu i na jakiej podstawie. I musi być wolna zdolność, by system wdrożyć i utrzymywać - zdolność, która często jest już w pełni przydzielona do bieżącej pracy.
Tu właśnie wiele ambicji w przemyśle wytwórczym utyka: nie na pytaniu, czy technika to potrafi, lecz na pytaniu, czy organizacja wypełniła już rolę wokół tego. Kto decyduje, gdy system ma wątpliwości? Kto odpowiada, gdy klient zgłasza reklamację produktu, który przeszedł przez inspekcję sterowaną przez AI? Te pytania dotyczą odpowiedzialności w ramach personelu, a dla decyzji, które z tego wynikają, obowiązują odrębne wymogi prawne; ta ocena nie jest tu przedmiotem rozważań.
Dwie fabryki o porównywalnych maszynach i porównywalnych produktach mogą się znacznie różnić pod względem tego, co AI faktycznie przejmuje z ich pracy. Jedna gromadziła i strukturyzowała dane z czujników przez wiele lat, druga ma te same czujniki, ale dane znikają w logach, których nikt nigdy nie uporządkował. Jeden zespół ds. jakości ma co tydzień czas na ocenę odchyleń i korygowanie systemu, drugi jest w pełni zajęty bieżącą produkcją. Żadne z tych rozwiązań nie jest błędne, ale to właśnie one określają, ile z ambicji jest osiągalne w tym roku, a ile w przyszłym.
Te różnice nie są unikalne dla przemysłu wytwórczego. To samo napięcie między ambicją a gotowością występuje w sektorze transportu, gdzie planowanie i wybór trasy budzą podobne pytania, oraz w usługach profesjonalnych, gdzie nadzór nad wynikami doradztwa odgrywa podobną rolę jak kontrola jakości na hali. Również pytanie, jak podzielić ambicję na części, które organizacja faktycznie może udźwignąć w ciągu roku, powraca w każdym sektorze i jest omówione osobno w wyjaśnieniu dotyczącym fazowania ambicji zbyt dużej na jeden rok.
Pytanie leżące u podstaw wszystkich tych przykładów nie brzmi, czy AI może w ogóle przejąć tego rodzaju pracę. Chodzi o to, którą konkretną część pracy w tej konkretnej firmie można faktycznie przejąć, biorąc pod uwagę dane, systemy i ludzi, którzy są teraz dostępni. Na to pytanie odpowiada się zadanie po zadaniu za pomocą skanu pracy FTE TO AI, niezależnie od tego, jaki obraz ma sam zarząd.
Ambicja staje się użyteczna dopiero wtedy, gdy zostanie podzielona na to, co organizacja musi umieć, i zweryfikowana wobec tego, co już potrafi. To, jak szybko organizacja może się rzeczywiście zmienić w tego rodzaju punktach, to pytanie odrębne od samej ambicji, opracowane osobno w rozważaniu na temat rzeczywistego tempa zmian w organizacjach.
Jako pierwszy krok dostępny jest bezpłatny test gotowości: osiem krótkich pytań, po jednym na wymiar, które dają obraz tego, gdzie Państwa organizacja jest najdalej, a gdzie jeszcze najmniej. Pełny test ambicji, z czterema warstwami od wizji do stanu docelowego oraz przełożeniem na role i uprawnienia decyzyjne, jest w przygotowaniu.
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.