Landbrugssektoren har en struktur, som få andre sektorer har: en individuel virksomhed, et kooperativ eller en afsætningsorganisation, en leverandør af maskiner eller såsæd, og ofte en forarbejder eller detailhandler, der stiller krav til, hvad der sker på gårdspladsen. AI-anvendelser kommer ikke kun indefra. En stor del leveres sammen med udstyr, sensorer eller software fra tredjeparter. Den, der er ansvarlig for governance, skal derfor ikke kun se på, hvad den egen virksomhed indkøber, men også på, hvad der kommer ind via maskiner, rådgivningstjenester og kædepartnere. Dette forhold — egne valg versus medfølgende systemer — er større end i sektorer, hvor IT indkøbes centralt.
I landbrugssektoren anvendes AI til vidt forskellige opgaver: billedgenkendelse ved afgrødebedømmelse, forudsigelse af udbytte eller sygdomstryk, styring af fodrings- og klimasystemer samt administrativ behandling af tilskudsansøgninger eller kæderapportering. Nogle af disse anvendelser er fast indbygget i maskiner og er svære at skille fra hardwaren. Andre er selvstændige værktøjer, som en dyrkningsrådgiver, indkøber eller driftsleder selv er begyndt at bruge, ofte uden at dette er registreret noget sted. Governance skal derfor kortlægge to typer AI: de systemer, der er kommet med teknikken, og de systemer, som folk selv er begyndt at bruge.
I mange landbrugsvirksomheder og kooperativer findes der ingen central IT-afdeling, der administrerer al software. Indkøb af maskiner, rådgivningstjenester og datatools sker ofte pr. virksomhedsdel eller pr. person. Det betyder, at en kortlægning, der kun starter hos IT eller indkøb, går glip af en stor del af det, der faktisk bruges. En dyrkningsrådgiver, der bruger et AI-værktøj til at genkende sygdomsbilleder, eller en planlægger, der rådfører sig med en chatbot om logistiske valg, gør det ofte på eget initiativ. For at få overblik over dette kræves der mere end at bede om en liste: det handler om at stille spørgsmål til de mennesker, der udfører arbejdet, på en måde, der ikke føles som kontrol. Hvordan dette fungerer i praksis, er beskrevet på siden om hvordan De forhindrer, at medarbejdere bruger et værktøj, som ingen har godkendt. En anden risiko, der ofte falder sammen med AI-brug i denne sektor, er deling af forretningsfølsomme data, såsom udbyttetal eller kontraktvilkår, i et offentligt chatvindue; fremgangsmåden for det findes på siden om hvordan De forhindrer, at virksomhedsdata ender i et gratis chatvindue.
En AI-anvendelse, der bedømmer en afgrøde for sygdom, har en anden effekt end et værktøj, der udkaster en e-mail til en leverandør. Den første påvirker en operationel beslutning, der kan have finansielle og nogle gange fødevaresikkerhedsmæssige konsekvenser; den anden er administrativt understøttende. Governance i denne sektor kræver en klassificering, der skelner mellem systemer, der påvirker beslutninger om dyr, afgrøder eller sikkerhed, og systemer, der kun understøtter tekst eller planlægning. Denne opdeling bestemmer, hvilket niveau af tilsyn og dokumentation der er nødvendigt, og om en anvendelse falder under strengere regler. Det præcise regelindhold og de tilhørende frister hører ikke til på denne side; de holdes ved andre steder. Her handler det om mekanismen: at vide, hvad der kører, vide hvilken rolle det spiller, og at kunne dokumentere det.
Landbrugssektoren deler med andre sektorer, at AI spredes gennem individuel brug, ikke gennem en central beslutning. Dette mønster ses også i den måde, hvorpå IT-sektoren håndterer AI-governance, hvor selvstændige udviklingsværktøjer spredes lige så hurtigt som rådgivningsværktøjer på gårdspladsen. Forskellen ligger i afhængigheden af fysisk udstyr og kædekrav: hvor den finansielle sektor primært har at gøre med modeller i software, og energisektoren med styring af netværk og anlæg, kombinerer landbrugssektoren begge: AI, der er indbygget i maskiner, og AI, der bruges løsrevet til administration eller rådgivning. Governance skal derfor omfatte både maskinleverandøren og brugeren på gulvet.
En direktør eller kooperativbestyrelse, der skal stå til ansvar for AI-brug, har brug for noget at bygge på: en kortlægning, der er blevet holdt ved, en klassificering, der er anvendt, og et overblik over, hvem der bruger hvilken anvendelse og til hvad. Uden dette overblik er enhver udtalelse om AI-brug et skøn. Med et governance-sæt, der passer til virksomhedens eller kooperativets eksisterende risikostruktur, bliver denne rapportering et spørgsmål om løbende opfølgning i stedet for efterfølgende rekonstruktion.
Så snart det er klart, hvilke AI-anvendelser der findes og hvilken rolle de spiller, følger der naturligt et andet spørgsmål: hvilken del af det arbejde, der stadig udføres manuelt, der egentlig kan overtages af AI. FTE TO AI's arbejdsscan beregner dette pr. opgave, baseret på hvad arbejdet faktisk indebærer, og viser, hvilken del af det der er egnet til automatisering.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.