A limpeza é, em grande parte, trabalho de execução no local: limpar espaços, reabastecer material, realizar controlos, comunicar incidentes. Em torno disso existe uma camada de trabalho de planeamento menos visível, mas determinante para os custos: elaborar horários, organizar substitutos, tratar reclamações, agendar controlos de qualidade e reportar aos clientes. As condições no local influenciam fortemente o resultado: um edifício tem uma equipa fixa da manhã com poucas alterações, outro trabalha com equipas variáveis, contratos curtos e muitos substitutos ocasionais. Essa variação determina que parte do trabalho pode ser fixada num padrão e que parte continua dependente do que alguém encontra no local.
Estas duas camadas — execução no local e planeamento à distância — reagem de forma diferente à IA. Não é que uma camada seja "mais inteligente" do que a outra; é que uma se deixa fixar melhor em dados do que a outra.
Dentro da camada de planeamento, é possível observar que parte do trabalho já mudou. Horários com base em padrões fixos, registo de horas, faturação e relatórios básicos de qualidade são tarefas que a IA pode assumir a partir do momento em que os dados subjacentes estão estruturados. Avaliar uma falta de pessoal aguda devido a doença, apreciar uma reclamação que não se encaixa no formato, ou negociar com um cliente uma alteração de contrato: isso continua a ser trabalho humano, ou trabalho em que a IA apresenta uma proposta e um responsável a aprova ou rejeita com fundamento.
No terreno, a situação é diferente. A tecnologia de sensores que assinala quando um espaço foi efetivamente utilizado e precisa, portanto, de ser limpo, é uma forma de apoio de IA que já existe, mas que exige investimento em equipamento e um edifício adequado para tal. Muitos locais não o têm. A limpeza em si continua a ser, à excepção do uso de robôs em ambientes específicos, trabalho humano.
Por que razão isto já funciona assim numa empresa de limpeza e não noutra? A diferença raramente está na própria ambição — quase todas as empresas querem planear com mais eficiência e perder menos tempo com horários manuais. A diferença está no que está subjacente a essa ambição: a empresa já tem as horas, o absentismo por doença e as reclamações num sistema que uma aplicação de IA pode ler, ou isso está ainda na cabeça dos planeadores e em folhas de cálculo dispersas por região.
Uma empresa de limpeza que afirma "queremos automatizar os horários" refere-se, numa organização, a um sistema que gera de forma autónoma um horário completo. Noutra, a uma ferramenta que faz uma primeira proposta, que depois um planeador ajusta. São duas ambições diferentes, com requisitos diferentes quanto aos dados, às competências dos planeadores e ao grau em que os clientes têm de concordar com alterações. Enquanto uma equipa de direção não tiver discutido entre si essa diferença, está a falar de automatização sem saber que variante pretende.
É precisamente aí que uma ambição estruturada em camadas — da visão a um estado-alvo concreto — faz a diferença: obriga a nomear o que muda em quem pode tomar uma decisão, e quem continua responsável por ela. A título de comparação, noutros setores com muito trabalho de execução no local observa-se um padrão semelhante: quem lê como isso se desenrola na construção ou no setor de instalações, reconhece a mesma linha divisória entre trabalho de planeamento e trabalho de execução, com fontes de dados apenas ligeiramente diferentes.
O obstáculo mais mencionado não é a tecnologia, mas o registo. As horas de serviço, o absentismo, as reclamações e o uso de material estão frequentemente dispersos por sistemas regionais, formulários em papel e acordos verbais entre o planeador e o gestor do local. Uma aplicação de IA que assume horários ou controlos de qualidade precisa desses dados numa forma legível. Sem essa base, uma ambição continua a ser uma afirmação sem fundamento.
Além disso, há a questão de quem pode aprovar ou rejeitar uma proposta de IA. Nas empresas onde o planeador tem atualmente poder total sobre as alterações de horários, uma aplicação de IA que já elabora horários por si própria altera, de facto, o papel desse planeador para o de controlador. Isso afeta a forma como as funções estão organizadas e as condições de trabalho; para decisões que afetam o pessoal, aplicam-se requisitos legais próprios, que aqui não são tratados.
A questão que está subjacente a todas as ambições neste setor não é "a IA pode assumir a limpeza", mas "quais das nossas tarefas já estão suficientemente registadas para que uma aplicação de IA as possa ler, e quais ainda não estão". Isso varia por empresa, por região e até por cliente, e não se deixa responder em termos gerais. O que isso significa concretamente, tarefa a tarefa, para a sua organização, é revelado pela análise de trabalho da FTE TO AI: uma visão de que trabalho já se presta hoje a ser assumido, que parte exige supervisão e que parte continua a ser trabalho humano. Quem quiser primeiro compreender como uma ambição se traduz num modelo operacional, encontra isso explicado em o target operating model em linguagem simples, e quem quiser saber quais capabilities uma ambição específica exige, pode ler isso em as capabilities de que a sua organização precisa para esta ambição.
Formular uma ambição para a IA no trabalho de limpeza começa por determinar onde a organização realmente está, não onde a direção espera estar. O teste de preparação gratuito da FTE TO AI consiste em oito perguntas breves, uma por dimensão, e fornece uma imagem de onde a organização está mais avançada e onde ainda há mais passos a dar. O teste de ambição completo, com as quatro camadas e as cinco confidence gates, está em preparação.
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.