L'industria manifatturiera presenta una divisione che pochi altri settori conoscono. Da un lato c'è la tecnologia operativa: sistemi di controllo, sensori, predictive maintenance e controllo qualità con riconoscimento delle immagini. Questi sistemi sono spesso acquisiti formalmente, integrati in macchine o linee di produzione, e soggetti a procedure di ingegneria e sicurezza esistenti. Dall'altro lato c'è l'ambiente di ufficio e di staff: acquisti, pianificazione, supporto ingegneristico, contatto con i clienti e amministrazione. Lì l'AI generativa appare nello stesso modo in cui appare in qualsiasi altra organizzazione — tramite un browser, un account isolato, un abbonamento isolato.
Il rapporto tra questi due livelli determina come deve essere impostato un approccio di governance. Mentre la tecnologia operativa è relativamente ben documentata perché fa parte di investimenti di capitale e contratti di manutenzione, il livello d'ufficio spesso non viene registrato da nessuna parte. Chi guarda solo alla linea di produzione vede una frazione di quanto AI viene effettivamente utilizzata nell'organizzazione.
Un elenco di software approvati raramente racconta l'intera storia. Un ingegnere che fa riassumere un disegno, un pianificatore che utilizza uno strumento AI per riorganizzare i calendari di consegna, un responsabile acquisti che fa confrontare le offerte da un modello esterno — questo accade spesso senza che sia stata presentata una richiesta o registrata una licenza. Non si tratta di negligenza; è una conseguenza pratica della pressione del tempo e della disponibilità di strumenti gratuiti o economici.
Questa AI ombra è, per un amministratore o un risk manager, il vero punto di attenzione. La domanda non è solo cosa l'organizzazione ha acquistato, ma cosa viene utilizzato quotidianamente per svolgere il lavoro più velocemente. Scoprirlo richiede un approccio diverso da un audit tecnico: richiede che le persone siano disposte a raccontare cosa utilizzano, senza che questa conversazione venga percepita come un obbligo di rendere conto. Chi chiede "chi ha usato qualcosa qui senza autorizzazione" non riceve risposta. Chi chiede "cosa usa per svolgere il suo lavoro" riceve invece una risposta.
Non ogni utilizzo di AI nell'industria manifatturiera ha lo stesso peso. Un'applicazione AI che contribuisce alla validazione della progettazione o al controllo qualità di un prodotto finito incide sulla sicurezza e sulla responsabilità in un modo diverso rispetto a uno strumento che redige un'email a un fornitore. Un sistema che influisce sulla pianificazione della produzione può avere conseguenze sui tempi di consegna e sugli obblighi contrattuali; uno strumento che riassume note interne solitamente no.
Questa differenziazione è alla base della classificazione: non tutto l'utilizzo di AI deve ricevere lo stesso livello di supervisione, ma la distinzione va comunque fatta, e sulla base di ciò che il sistema fa e su cosa influisce — non sulla base di dove è stato acquisito. Uno strumento scaricato da un singolo collaboratore può avere altrettanta influenza sull'output verso un cliente quanto un sistema acquistato tramite un percorso formale.
L'industria manifatturiera raramente opera in isolamento. Fornitori, subcontraenti e clienti fanno parte dello stesso processo, e l'utilizzo di AI da parte di una di queste parti può influire su ciò che l'organizzazione stessa fornisce. Se un fornitore utilizza AI per interpretare specifiche o generare rapporti di qualità, si crea una dipendenza che non è visibile nei propri sistemi, ma che è comunque rilevante per chi porta la responsabilità del prodotto finale.
Questa è una differenza rispetto ai settori in cui il processo primario si svolge in gran parte entro le proprie mura. Un approccio di governance per l'industria manifatturiera deve quindi non solo mappare l'utilizzo interno, ma anche formarsi un'idea di dove, nella catena di fornitura, l'AI gioca un ruolo nelle decisioni che alla fine riguardano l'organizzazione.
La maggior parte delle aziende manifatturiere dispone già di strutture di rischio: per la sicurezza dei prodotti, per la gestione della qualità, per la valutazione dei fornitori. L'AI-governance funziona meglio quando si collega a ciò che esiste già, invece di diventare un processo nuovo e isolato. Una classificazione delle applicazioni AI per livello di rischio può ad esempio essere collegata ai criteri di valutazione esistenti per i fornitori o al sistema di gestione della qualità, in modo che la rendicontazione alla direzione o al consiglio di sorveglianza non diventi un percorso separato accanto alle linee di responsabilità esistenti, ma venga integrata in esse.
Come si concretizza esattamente questo collegamento varia per organizzazione e dipende dall'impostazione di governance già esistente. Altri settori conoscono questioni simili a partire da una struttura diversa: in il settore dei trasporti si riscontra una tensione simile tra sistemi operativi e utilizzo d'ufficio, in il settore agricolo la dipendenza dalla catena di fornitura è spesso ancora più direttamente evidente, e in i servizi professionali alle imprese il livello operativo è per lo più assente, il che fa dell'AI ombra praticamente l'unico livello da mappare.
Un inventario dell'utilizzo di AI e una classificazione per rischio offrono a un'organizzazione una visione di ciò che accade e di dove è necessaria la supervisione. Questa domanda si collega a un'altra domanda che molte aziende manifatturiere si pongono: quale parte del lavoro stesso, a livello di singoli compiti, può effettivamente essere ripresa dall'AI. Mentre la governance mappa cosa accade e chi ne porta la responsabilità, la scansione del lavoro di FTE TO AI calcola per ciascun compito quale parte è effettivamente idonea per essere ripresa — una domanda a cui si può rispondere bene solo quando è già chiaro cosa è già in funzione.
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.