A feldolgozóipar egy megosztottsággal jellemezhető, amilyen kevés más szektorban fordul elő. Egyik oldalon áll az operatív technika: besturingsrendszerek, sensoren, predictive maintenance en kwaliteitscontrole beeldherkenning segítségével. Ezek a rendszerek gyakran formálisan lettek beszerezve, gépekbe vagy gyártósorokba beépítve, és meglévő engineering- és biztonsági eljárások hatálya alá tartoznak. Másik oldalon áll az irodai és staf környezet: beszerzés, tervezés, engineering-támogatás, ügyfélkapcsolat és ügyvitel. Ott a generatív AI ugyanúgy jelenik meg, mint bármely más szervezetben — egy böngészőn keresztül, egy különálló fiókkal, egy különálló előfizetéssel.
Ezen két réteg egymáshoz viszonyított aránya határozza meg, hogyan kell egy governance-megközelítést kialakítani. Míg az operatív technika viszonylag jól dokumentált, mivel tőkeinvesztíciók és karbantartási szerződések részét képezi, az irodai réteg gyakran sehol nincs rögzítve. Aki csak a gyártósorra néz, annak csak töredékét látja annak, amit a szervezetben AI-ként használnak.
A jóváhagyott szoftverek áttekintése ritkán mondja el a teljes történetet. Egy mérnök, aki egy rajzot összefoglaltat, egy tervező, aki egy AI-eszközt használ a szállítási ütemtervek átrendezésére, egy beszerző, aki ajánlatokat hasonlít össze egy külső modellel — ez gyakran anélkül történik, hogy egy kérelmet nyújtottak volna be, vagy egy licencet regisztráltak volna. Ez nem gondatlanság; ez az időnyomás és az ingyenes vagy olcsó eszközök elérhetőségének gyakorlati következménye.
Ez a shadow AI a vezető vagy kockázatmenedzser számára a valódi figyelmet igénylő pont. A kérdés nem csak az, mit szerzett be a szervezet, hanem az, mit használnak naponta a munka gyorsabb elvégzéséhez. Ennek feltárása más megközelítést igényel, mint egy technikai audit: azt igényli, hogy az emberek hajlandóak legyenek elmondani, mit használnak, anélkül, hogy ez a beszélgetés elszámolási kötelezettségnek tűnne. Aki azt kérdezi: "ki használt itt engedély nélkül valamit", az nem kap választ. Aki azt kérdezi: "mit használ a munkája elvégzéséhez", az kap választ.
Nem minden AI-használat hordoz azonos súlyt a feldolgozóiparban. Egy AI-alkalmazás, amely részt vesz a végprodukt ontwerpvalidatie of kwaliteitscontrole folyamatában, más módon érinti a biztonságot és a felelősséget, mint egy eszköz, amely egy e-mailt fogalmaz meg egy beszállítónak. Egy rendszer, amely befolyásolja a gyártástervezést, hatással lehet a szállítási időkre és a szerződéses kötelezettségekre; egy eszköz, amely belső feljegyzéseket foglal össze, általában nem.
Ez a megkülönböztetés a besorolás alapja: nem minden AI-használatnak kell ugyanazt a felügyeletet kapnia, de a megkülönböztetést meg kell tenni, és annak alapján, mit tesz a rendszer és mire van hatással — nem annak alapján, honnan lett beszerezve. Egy eszköz, amelyet egy egyéni munkatárs töltött le, ugyanolyan hatással lehet az ügyfélnek szánt kimenetre, mint egy rendszer, amelyet formális eljáráson keresztül szereztek be.
A feldolgozóipar ritkán működik önmagában. Beszállítók, alvállalkozók és ügyfelek ugyanazon folyamat részei, és az AI-használat ezen felek egyikénél hatással lehet arra, amit a szervezet maga szállít le. Ha egy beszállító AI-t használ specifikációk interpretálására vagy kvalitásjelentések generálására, olyan függőség keletkezik, amely nem látható a saját rendszerekben, de mégis releváns azoknak, akik felelősséget viselnek a végprodukt felett.
Ez különbség azokhoz a szektorokhoz képest, ahol az elsődleges folyamat nagyrészt a saját falakon belül zajlik. Egy feldolgozóiparra szabott governance-megközelítésnek ezért nem csak a belső használatot kell feltérképeznie, hanem képet kell alkotnia arról is, hol játszik szerepet az AI a láncban olyan döntéseknél, amelyek végül a szervezetet érintik.
A legtöbb feldolgozóipari vállalatnak már vannak kockázati struktúrái: termékbiztonságra, kvalitásmenedzsmentre, beszállítói értékelésre. Az AI-governance jobban működik, ha ezekhez csatlakozik, ahelyett hogy egy új, elszigetelt folyamattá válna. Az AI-alkalmazások kockázati szint szerinti besorolása például kapcsolható a beszállítókra vonatkozó meglévő értékelési kritériumokhoz vagy a kvalitásmenedzsment-rendszerhez, így az igazgatóságnak vagy felügyelőbizottságnak való jelentés nem különálló folyamatként áll a meglévő elszámolási vonalak mellett, hanem beépül azokba.
Az, hogy ez a csatlakozás pontosan hogyan alakul, szervezetenként eltér, és a meglévő governance-felépítéstől függ. Más szektorokban hasonló kérdések merülnek fel más struktúrából kiindulva: a szállítási szektorban hasonló feszültség van az operatív rendszerek és az irodai használat között, az agrárszektorban a láncfüggőség gyakran még közvetlenebbül érzékelhető, és az üzleti szolgáltatások szektorában az operatív réteg nagyrészt hiányzik, így ott a shadow AI majdnem az egyetlen réteg, amit fel kell térképezni.
Az AI-használat áttekintése és a kockázat szerinti besorolás rálátást ad a szervezetnek arra, mi zajlik, és hol van szükség felügyeletre. Ez a kérdés egy másik kérdés folytatása, amelyet sok feldolgozóipari vállalat feltesz magának: a munka mely részét, egyéni feladatok szintjén, lehet valójában átvenni az AI-val. Míg a governance feltérképezi, mi történik és ki viseli érte a felelősséget, az FTE TO AI werkscan feladatonként kiszámítja, mely rész valóban alkalmas az átvételre — egy kérdés, amelyre csak akkor lehet jól válaszolni, ha előbb tisztázódott, mi zajlik már most is.
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.