I transport og logistik befinder AI sig ofte ikke i et separat system med et navn og en ejer, men er flettet ind i selve driften: ruteplanlægning, laste-optimering, prædiktive vedligeholdelsessystemer, efterspørgselsprognoser, og de algoritmer der afgør hvilken chauffør der får hvilken tur. En del af dette kommer ind via software fra transportører, speditører eller platforme, og fungerer dermed med beslutningsregler som organisationen selv ikke har indstillet, og som den nogle gange ikke fuldt ud kan se. Forholdet mellem hvad planlægningsafdelingen selv har anskaffet, og hvad der kommer ind via kædepartnere eller indbygget funktionalitet, forskyder sig konstant. Det gør kortlægning i denne sektor ikke enklere end andre steder, men anderledes: spørgsmålet er ikke kun hvem der har installeret et AI-værktøj, men også hvilke automatiserede beslutninger der allerede fandtes i eksisterende systemer, før nogen betegnede dem som AI.
Et overblik over godkendt software fortæller sjældent hele historien. Planlæggere der bruger et AI-værktøj til at optimere ruter, kundeservice der anvender en chatbot til track-and-trace, eller en lagermedarbejder der bruger en applikation til at udarbejde lagerprognoser: den slags anvendelser opstår ofte lokalt, drevet af tidspres eller en konkret opgave, uden at nogen har indgivet en anmodning. Den der vil kortlægge dette, må spørge de mennesker der udfører arbejdet, og det lykkes kun hvis det at stille spørgsmål ikke straks fører til en korrektion. En organisation der vil finde skygge-AI, må først gøre klart at det ikke er risikofrit at melde det.
En kortlægning der går videre end IT-listen, viser hvilke AI-anvendelser der faktisk er i brug, hvor i processen de befinder sig, og hvem der knytter beslutninger til dem. I transport og logistik betyder det ofte en sondring mellem systemer der udelukkende rådgiver, systemer der planlægger automatisk uden indgriben, og systemer der har effekt på mennesker uden for organisationen, såsom chauffører eller kunder der forespejles en leveringstid baseret på en forudsigelse. Denne sondring er relevant fordi risikoniveauet dermed ændrer sig: et værktøj der kun giver en planlægger et forslag, kræver en anden form for tilsyn end et system der selvstændigt fastlægger vagtplaner eller ruter.
Efter kortlægningen kommer spørgsmålet om hvad hver anvendelse præcist gør, og for hvem. Et system der forudsiger hvornår vedligeholdelse er nødvendig, har en anden påvirkning end et system der afgør hvilken chauffør der tildeles en tur baseret på præstationsdata. Klassificering betyder her ikke anvendelse af en fast skabelon, men ordning af det man har fundet: hvilken anvendelse berører beslutninger om mennesker, hvilken berører kun logistisk optimering, og hvilken fungerer rent understøttende. Den aktuelle lovgivning, der bestemmer hvilke forpligtelser der hører til hvilket risikoniveau, står andetsteds; her handler det om den struktur der er nødvendig for at kunne anvende disse regler senere, uanset hvad teksten præcist foreskriver.
Transportvirksomheder arbejder som regel allerede med risikostyring omkring sikkerhed, planlægning og compliance. AI-governance behøver ikke være et nyt apparat ved siden af dette eksisterende system; det fungerer bedre hvis klassificeringen af AI-anvendelser tilsluttes kategorier der allerede findes, så en direktør eller risikomanager ikke skal føre to separate overblik. Det kræver et governance-sæt der angiver hvem der administrerer en anvendelse, hvem der er ansvarlig for den, og hvilken kontrol der findes med den, i en form der passer til den rapporterings- og ansvarsstruktur der allerede er til stede.
En direktør eller General Counsel der bliver bedt om at forklare hvilke AI-systemer der er aktive i organisationen, skal kunne underbygge det med mere end en liste fra indkøbssystemet. Dokumenterbarhed betyder at der findes et aktuelt overblik over anvendelser, deres klassificering og status for tilsynet med dem, og at dette overblik også holder når nogen spørger nærmere ind. Andre sektorer har sammenlignelige problemstillinger, som det ses ved AI-governance i detailhandlen, AI-governance i landbrugssektoren og AI-governance i IT-sektoren, hver gang med sit eget forhold mellem hvad der er centralt anskaffet, og hvad der er opstået lokalt.
Responsible AI Scan, der samler denne kortlægning, klassificering og governance-struktur, er under udvikling. Den der ønsker at arbejde med dette, kan tilmelde sig ventelisten; der findes i øjeblikket ikke et færdigt produkt at bestille, og det fremstilles ikke anderledes her.
Så snart det er klart hvilke AI-anvendelser der kører i transportkæden, og hvilket risikoniveau der hører til, opstår et opfølgende spørgsmål der ikke besvares ved kortlægning: hvor meget af det arbejde planlæggere, chauffører eller kundeservicemedarbejdere udfører nu, der faktisk kan overtages med disse anvendelser. Dette spørgsmål ligger tæt på governance, men er ikke identisk med det, og besvares af arbejdsscanningen fra FTE TO AI, der for hver opgave beregner hvilken del af arbejdet der kan overtages af AI.
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.