Tillverkningsindustrin består av arbete som är svårt att sammanfatta i en enda typ av uppgift. Det finns planeringsarbete: order som ska schemaläggas, materialflöden som ska samordnas, kapacitet som ska fördelas över maskiner och skift. Det finns kvalitetsarbete: inspektera, mäta, bedöma avvikelser och dokumentera. Det finns underhållsarbete: diagnostisera störningar, beställa delar, planera förebyggande arbete. Och det finns administrativt arbete kring allt detta: certifikat, efterkalkylering, rapportering till kunder och tillsynsmyndigheter.
Dessa typer av arbete skiljer sig kraftigt åt i hur förutsägbara de är. En planeringsuppgift med fasta regler och historisk data lämpar sig annorlunda för automatisering än bedömningen av en svetsfog som ligger precis utanför normen men förmodligen ändå är bra. Den sistnämnda bedömningen beror på erfarenhet, på kontext som inte finns i något system, och på ansvar som någon måste kunna bära. Den skillnaden avgör till stor del vilken ambition som är realistisk för vilken del av arbetet.
Överallt inom tillverkningsindustrin löper samma tredelning genom arbetet. En del kan AI ta över: repetitiva kontroller baserade på sensordata, sammanställning av standardrapporter, igenkänning av kända störningsmönster. En del görs delvis, med en människa som godkänner eller underkänner: kvalitetsbedömningar där en algoritm ger ett förslag och en operatör eller kvalitetsmedarbetare bekräftar eller korrigerar beslutet, med motivering. Och en del förblir mänskligt arbete: att lösa en störning som ingen tidigare sett på det sättet, att förhandla med en leverantör om en avvikande leverans, att ta ansvar vid en säkerhetsincident.
Det som idag redan faller in i den första kategorin i en fabrik står i en annan fabrik fortfarande helt i den tredje. Den skillnaden beror sällan på tekniken i sig. Den beror på om datan finns på plats, om sensorerna mäter rätt saker, om medarbetarna litar tillräckligt på systemet för att överlåta något till det, och om det finns någon som får godkänna utfallet utan att processen stannar upp i väntan på en underskrift.
En ledning som säger "vi vill ha AI-styrd kvalitetskontroll" säger därmed också något om den organisation som måste kunna bära det. Det måste finnas någon som bedömer systemets felmeddelanden, inte bara teoretiskt utan i det dagliga skiftarbetet. Det måste finnas tydlighet om vem som får överpröva en underkännande från systemet och på vilken grund. Och det måste finnas ledig kapacitet för att bygga upp och underhålla systemet, kapacitet som ofta redan är fullt fördelad på löpande arbete.
Det är här många ambitioner inom tillverkningsindustrin kör fast: inte på frågan om tekniken klarar det, utan på frågan om organisationen redan har fyllt rollen runt omkring. Vem beslutar när systemet tvekar? Vem är anträffbar när en kund har ett klagomål om en produkt som gått igenom en AI-styrd inspektion? Dessa frågor rör ansvar inom personalstyrkan, och för beslut som följer därav gäller egna lagstadgade krav; den bedömningen görs inte här.
Två fabriker med jämförbara maskiner och jämförbara produkter kan skilja sig kraftigt åt i vad AI faktiskt tar över av deras arbete. Den ena har under flera år samlat in och strukturerat sensordata, den andra har samma sensorer men datan försvinner i loggar som ingen någonsin har rensat. Den ena har ett kvalitetsteam som varje vecka har tid att bedöma avvikelser och justera systemet, den andra har det teamet helt upptaget av den löpande produktionen. Ingetdera är fel, men det avgör hur mycket av ambitionen som är genomförbar i år och hur mycket nästa år.
Dessa skillnader är inte unika för tillverkningsindustrin. Samma spänning mellan ambition och beredskap återfinns inom transportsektorn, där planering och ruttval väcker liknande frågor, och inom affärstjänster, där tillsyn över rådgivningsutfall spelar en liknande roll som kvalitetskontroll på golvet. Även frågan om hur man delar upp en ambition i delar som en organisation faktiskt kan hantera under ett år återkommer inom varje sektor, och behandlas separat i en genomgång av att fasa in en ambition som är för stor för ett år.
Frågan som ligger under alla dessa exempel är inte om AI i allmänhet kan ta över den här typen av arbete. Det är vilken specifik del av arbetet i just detta specifika företag som faktiskt går att ta över, givet den data, de system och de människor som finns där nu. Den frågan besvaras uppgift för uppgift med arbetsscannen från FTE TO AI, oavsett vilken bild ledningen själv har av det.
En ambition blir först användbar när den har delats upp i vad organisationen måste kunna, och testats mot vad den redan kan. Hur snabbt en organisation verkligen kan förändras på den typen av punkter är en fråga som står fristående från själva ambitionen och behandlas separat i en genomgång av organisationers verkliga förändringstakt.
Som ett första steg finns en kostnadsfri beredskapskontroll: åtta korta frågor, en per dimension, som ger en bild av var er organisation ligger längst fram och var minst. Den fullständiga ambitionstesten, med de fyra lagren från vision till målläge och översättningen till roller och beslutsrätter, är under uppbyggnad.
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.