Tootmistööstuses on jaotus, mida vähestel teistel sektoritel on. Ühel pool on operatiivne tehnika: juhtimissüsteemid, sensorid, ennustav hooldus ja kvaliteedikontroll pilditöötlusega. Need süsteemid on tavaliselt formaalselt hangitud, integreeritud masinatesse või tootmisliinidesse ning kuuluvad olemasolevate tehnika- ja ohutusprotseduuride alla. Teisel pool on kontori- ja tugipersonali keskkond: hankimine, planeerimine, tehnikatoetus, kliendisuhtlus ja haldus. Seal ilmub generatiivne AI samamoodi kui igas teises organisatsioonis — läbi brauseri, üksiku konto, üksiku tellimuse kaudu.
Suhe nende kahe tasandi vahel määrab, kuidas governance-lähenemist tuleks ülesehitada. Kui operatiivne tehnika on suhteliselt hästi dokumenteeritud, kuna see on osa kapitaliinvesteeringutest ja hoolduslepingutest, siis kontoritasand ei ole tihti kuskil kirja pandud. Kes vaatab ainult tootmisliini, näeb vaid murdosa sellest, kui palju AI-d organisatsioonis tegelikult kasutatakse.
Heaks kiidetud tarkvara ülevaade ei annab kunagi tervet pilti. Insener, kes laseb joonise kokku võtta, planeerija, kes kasutab AI-tööriista tarnegraafikute ümberkorraldamiseks, hankespetsialist, kes laseb pakkumisi võrrelda välise mudeliga — see toimub tihti ilma, et taotlust oleks esitatud või litsentsi registreeritud. See ei ole hooletus; see on praktiline tagajärg ajapressist ja tasuta või odavate tööriistade kättesaadavusest.
See varju-AI on juhi või riskijuhi jaoks tegelik tähelepanupunkt. Küsimus ei ole ainult selles, mida organisatsioon on hankinud, vaid mida igapäevaselt kasutatakse töö kiiremaks teostamiseks. Selle väljaselgitamine eeldab teistsugust lähenemist kui tehniline audit: see eeldab, et inimesed on valmis rääkima, mida nad kasutavad, ilma et see vestlus tunduks vastutuse võtmisena. Kes küsib "kes on siin kasutanud midagi luba küsimata", ei saa vastust. Kes küsib "mida te kasutate oma töö tegemiseks", saab vastuse.
Mitte igal AI kasutusel tootmistööstuses ei ole sama kaal. AI-rakendus, mis osaleb lõpptoote projekti valideerimises või kvaliteedikontrollis, mõjutab ohutust ja vastutust teisel viisil kui tööriist, mis koostab e-kirja tarnijale. Süsteem, mis mõjutab tootmisplaneerimist, võib omada tagajärgi tarneaegadele ja lepingulistele kohustustele; tööriist, mis võtab kokku sisemisi märkmeid, tavaliselt mitte.
See diferentseerimine on klassifikatsiooni aluseks: kogu AI kasutus ei pea saama sama järelevalve, kuid vahet peab tegema, ja seda lähtuvalt sellest, mida süsteem teeb ja mida see mõjutab — mitte lähtuvalt sellest, kust see hangitud on. Tööriist, mille üksik töötaja alla laadis, võib mõjutada kliendile suunatud väljundit sama palju kui süsteem, mis hangiti formaalse protsessi kaudu.
Tootmistööstus tegutseb harva iseseisvalt. Tarnijad, allhankijad ja kliendid on osa samast protsessist, ja AI kasutamine ühe nende poole poolt võib mõjutada seda, mida organisatsioon ise tarnib. Kui tarnija kasutab AI-d spetsifikatsioonide tõlgendamiseks või kvaliteediaruannete genereerimiseks, tekib sõltuvus, mis ei ole nähtav organisatsiooni omadest süsteemidest, kuid on siiski oluline sellele, kes kannab vastutust lõpptoote eest.
See on erinevus sektoritest, kus peamine protsess toimub suures osas ettevõtte enda seinte vahel. Tootmistööstuse governance-lähenemine peab seetõttu kaardistama mitte ainult sisemist kasutust, vaid kujundama ka pildi sellest, kus tarneahelas mängib AI rolli otsuste tegemisel, mis organisatsiooni lõpuks mõjutavad.
Enamikul tootmisettevõtetel on juba olemas riskistruktuurid: toote ohutuse, kvaliteedijuhtimise, tarnijate hindamise jaoks. AI-governance töötab paremini, kui see ühendub olemasolevaga, mitte kui sellest saab uus, isoleeritud protsess. AI-rakenduste klassifitseerimine riskitaseme järgi võib näiteks olla seotud olemasolevate tarnijate hindamiskriteeriumidega või kvaliteedijuhtimissüsteemiga, nii et aruandlus juhatusele või nõukogule ei muutu eraldi protsessiks kõrvuti olemasolevate vastutusliinide kõrval, vaid lülitatakse nende hulka.
Kuidas see ühendamine täpselt kuju võtab, erineb organisatsiooniti ja sõltub olemasolevast governance-ülesehitusest. Teistes sektorites esineb sarnaseid küsimusi teistsugusest struktuurist lähtuvalt: transpordisektoris esineb sarnane pinge operatiivsete süsteemide ja kontorikasutuse vahel, põllumajandussektoris on tarneahela sõltuvus tihti veel otsesemalt tunnetatav, ja ärilistes teenustes puudub operatiivne tasand enamasti, mistõttu varju-AI on seal peaaegu ainus tasand, mida kaardistada.
AI kasutuse inventuur ja riskiklassifikatsioon annavad organisatsioonile ülevaate sellest, mis toimub ja kus on järelevalvet vaja. See küsimus on tihedalt seotud teise küsimusega, mida paljud tootmisettevõtted endale esitavad: kui suur osa tööst — üksikute ülesannete tasandil — on tegelikult AI poolt üle võetav. Kui governance kaardistab, mis toimub ja kes selle eest vastutab, arvutab FTE TO AI töökaardistus iga ülesande kohta välja, kui suur osa sellest tegelikult ülevõtmiseks sobib — küsimus, millele saab hästi vastata alles siis, kui on selge, mis juba käib.
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.