Fremstillingsindustrien har en opdeling, som få andre sektorer har. På den ene side står den operationelle teknik: styresystemer, sensorer, predictive maintenance og kvalitetskontrol med billedgenkendelse. Disse systemer er ofte formelt indkøbt, indbygget i maskiner eller produktionslinjer, og underlagt eksisterende engineering- og sikkerhedsprocedurer. På den anden side står kontor- og stabsmiljøet: indkøb, planlægning, engineering-support, kundekontakt og administration. Der viser generativ AI sig på samme måde som i enhver anden organisation — via en browser, en løs konto, et løst abonnement.
Forholdet mellem disse to lag bestemmer, hvordan en governance-tilgang skal indrettes. Hvor den operationelle teknik er relativt godt dokumenteret, fordi den er en del af kapitalinvesteringer og servicekontrakter, er kontorlaget ofte ikke registreret nogen steder. Den, der kun kigger på produktionslinjen, ser en brøkdel af, hvad der bruges af AI i organisationen.
Et overblik over godkendt software fortæller sjældent hele historien. En ingeniør, der får en tegning sammenfattet, en planlægger, der bruger et AI-værktøj til at omlægge leveringsplaner, en indkøber, der får tilbud sammenlignet af en ekstern model — det sker ofte, uden at der er indgivet en anmodning eller registreret en licens. Det er ikke forsømmelse; det er en praktisk konsekvens af tidspres og tilgængeligheden af gratis eller billige værktøjer.
Denne skygge-AI er for en direktør eller risikomanager det egentlige opmærksomhedspunkt. Spørgsmålet er ikke kun, hvad organisationen har indkøbt, men hvad der dagligt bruges til at udføre arbejdet hurtigere. At finde det ud af kræver en anden tilgang end en teknisk audit: det kræver, at folk er villige til at fortælle, hvad de bruger, uden at denne samtale opleves som en ansvarliggørelse. Den, der spørger "hvem har brugt noget her uden tilladelse", får intet svar. Den, der spørger "hvad bruger du til at udføre dit arbejde", får derimod et svar.
Ikke al brug af AI i fremstillingsindustrien har samme vægt. En AI-anvendelse, der medvirker til designvalidering eller kvalitetskontrol af et færdigt produkt, berører sikkerhed og ansvar på en anden måde end et værktøj, der udarbejder en e-mail til en leverandør. Et system, der påvirker produktionsplanlægningen, kan have konsekvenser for leveringstider og kontraktlige forpligtelser; et værktøj, der sammenfatter interne notater, gør det for det meste ikke.
Denne differentiering er grundlaget for klassificering: ikke al AI-brug behøver samme tilsyn, men forskellen skal alligevel drages, og det på grundlag af, hvad systemet gør og hvad det påvirker — ikke på grundlag af, hvor det blev indkøbt. Et værktøj, der blev downloadet af en enkelt medarbejder, kan have lige så meget indflydelse på det, der leveres til en kunde, som et system, der er indkøbt via et formelt forløb.
Fremstillingsindustrien arbejder sjældent isoleret. Underleverandører, underentreprenører og kunder er en del af samme proces, og AI-brug hos en af disse parter kan påvirke, hvad en organisation selv leverer. Hvis en underleverandør bruger AI til at tolke specifikationer eller generere kvalitetsrapporter, opstår en afhængighed, der ikke er synlig i egne systemer, men som er relevant for den, der bærer ansvaret for det færdige produkt.
Dette er en forskel fra sektorer, hvor den primære proces i vid udstrækning finder sted inden for egne mure. En governance-tilgang for fremstillingsindustrien bør derfor ikke kun kortlægge intern brug, men også danne et billede af, hvor i kæden AI spiller en rolle i beslutninger, som organisationen i sidste ende vedkommer.
De fleste fremstillingsvirksomheder har allerede risikostrukturer: for produktsikkerhed, for kvalitetsledelse, for leverandørvurdering. AI-governance fungerer bedre, når den kobles til det, der allerede findes, i stedet for at blive en ny, isoleret proces. En klassificering af AI-anvendelser efter risikoniveau kan for eksempel kobles til eksisterende vurderingskriterier for leverandører eller til kvalitetsledelsessystemet, så rapportering til direktionen eller bestyrelsen ikke bliver et separat forløb ud over eksisterende ansvarslinjer, men indgår i dem.
Hvordan denne tilslutning konkret formes, varierer fra organisation til organisation og afhænger af den eksisterende governance-indretning. Andre sektorer har lignende spørgsmål fra en anden struktur: i transportsektoren ses en lignende spænding mellem operationelle systemer og kontorbrug, i landbrugssektoren er kædeafhængigheden ofte endnu mere direkte mærkbar, og i den forretningsmæssige servicesektor mangler det operationelle lag i vid udstrækning, hvilket gør skygge-AI til stort set det eneste lag, der skal kortlægges.
Et inventar af AI-brug og en klassificering efter risiko giver en organisation overblik over, hvad der foregår, og hvor tilsyn er nødvendigt. Dette spørgsmål ligger i forlængelse af et andet spørgsmål, mange fremstillingsvirksomheder stiller sig selv: hvilken del af arbejdet selv, på niveau af individuelle opgaver, egentlig kan overtages af AI. Hvor governance kortlægger, hvad der sker og hvem der bærer ansvaret for det, beregner arbejdsscanningen fra FTE TO AI pr. opgave, hvilken del der faktisk er egnet til overtagelse — et spørgsmål, der først kan besvares ordentligt, når det først er klart, hvad der allerede kører.
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.