Przemysł wytwórczy charakteryzuje się podziałem, który występuje w niewielu innych sektorach. Z jednej strony znajduje się technika operacyjna: systemy sterowania, sensory, predictive maintenance i kontrola jakości z rozpoznawaniem obrazu. Te systemy są zazwyczaj formalnie zakupione, wbudowane w maszyny lub linie produkcyjne i podlegają istniejącym procedurom inżynieryjnym i bezpieczeństwa. Z drugiej strony znajduje się środowisko biurowe i sztabowe: zakupy, planowanie, wsparcie inżynieryjne, kontakt z klientem i administracja. Tam AI generatywna pojawia się w taki sam sposób jak w każdej innej organizacji — poprzez przeglądarkę, pojedyncze konto, pojedynczą subskrypcję.
Relacja między tymi dwiema warstwami determinuje, jak należy zorganizować podejście do governance. O ile technika operacyjna jest relatywnie dobrze dokumentowana, ponieważ jest częścią inwestycji kapitałowych i umów serwisowych, warstwa biurowa często nigdzie nie jest udokumentowana. Kto patrzy jedynie na linię produkcyjną, widzi jedynie fragment tego, co w organizacji jest wykorzystywane w zakresie AI.
Przegląd zatwierdzonego oprogramowania rzadko przedstawia całą historię. Inżynier, który zleca podsumowanie rysunku technicznego, planista, który używa narzędzia AI do zmiany harmonogramów dostaw, osoba zajmująca się zakupami, która porównuje oferty za pomocą zewnętrznego modelu — to często dzieje się bez złożenia wniosku czy zarejestrowania licencji. Nie jest to zaniedbanie; to praktyczny skutek presji czasu i dostępności darmowych lub tanich narzędzi.
Ta cień-AI jest dla zarządu lub risk managera właściwym punktem uwagi. Pytanie nie brzmi jedynie, co organizacja zakupiła, ale co jest codziennie wykorzystywane do szybszego wykonywania pracy. Ustalenie tego wymaga innego podejścia niż audyt techniczny: wymaga, aby ludzie byli gotowi powiedzieć, co używają, bez poczucia, że ta rozmowa jest obowiązkiem rozliczenia się. Kto pyta „kto tutaj użył czegoś bez zgody”, nie otrzyma odpowiedzi. Kto pyta „z czego korzysta Pan/Pani, aby wykonać swoją pracę”, otrzyma odpowiedź.
Nie każde użycie AI w przemyśle wytwórczym ma taką samą wagę. Zastosowanie AI, które współuczestniczy w walidacji projektu lub kontroli jakości produktu końcowego, dotyka bezpieczeństwa i odpowiedzialności w inny sposób niż narzędzie, które redaguje e-mail do dostawcy. System wpływający na planowanie produkcji może mieć konsekwencje dla terminów dostaw i zobowiązań kontraktowych; narzędzie podsumowujące wewnętrzne notatki zazwyczaj nie.
Ta różnicowanie jest podstawą klasyfikacji: nie każde użycie AI musi otrzymać taki sam nadzór, ale rozróżnienie musi zostać dokonane, i to na podstawie tego, co system robi i na co wpływa — nie na podstawie tego, gdzie został zakupiony. Narzędzie pobrane przez indywidualnego pracownika może mieć taki sam wpływ na wynik dostarczany klientowi jak system zakupiony w ramach formalnego procesu.
Przemysł wytwórczy rzadko działa samodzielnie. Dostawcy, podwykonawcy i klienci są częścią tego samego procesu, a użycie AI u jednej z tych stron może wpływać na to, co organizacja sama dostarcza. Jeśli dostawca wykorzystuje AI do interpretacji specyfikacji lub generowania raportów jakościowych, powstaje zależność, która nie jest widoczna we własnych systemach, ale jest istotna dla tego, kto ponosi odpowiedzialność za produkt końcowy.
Jest to różnica względem sektorów, w których proces podstawowy odbywa się w dużej mierze we własnych murach. Podejście do AI-governance w przemyśle wytwórczym powinno więc nie tylko mapować użycie wewnętrzne, ale również tworzyć obraz tego, gdzie w łańcuchu dostaw AI odgrywa rolę w decyzjach, które ostatecznie dotyczą organizacji.
Większość firm produkcyjnych ma już struktury zarządzania ryzykiem: dla bezpieczeństwa produktów, dla zarządzania jakością, dla oceny dostawców. AI-governance działa lepiej, gdy nawiązuje do tego, co już istnieje, a nie staje się nowym, izolowanym procesem. Klasyfikacja zastosowań AI według poziomu ryzyka może na przykład zostać powiązana z istniejącymi kryteriami oceny dostawców lub z systemem zarządzania jakością, tak aby raportowanie do zarządu lub rady nadzorczej nie stanowiło odrębnego procesu obok istniejących linii odpowiedzialności, lecz zostało w nie włączone.
Jak dokładnie wygląda to powiązanie, różni się w zależności od organizacji i zależy od istniejącej struktury governance. Inne sektory znają podobne zagadnienia wynikające z innej struktury: w sektorze transportowym występuje podobne napięcie między systemami operacyjnymi a użyciem biurowym, w sektorze agrarnym zależność w łańcuchu dostaw jest często jeszcze bardziej bezpośrednio zauważalna, a w usługach biznesowych warstwa operacyjna w dużej mierze nie istnieje, w związku z czym cień-AI jest tam praktycznie jedyną warstwą do zmapowania.
Inwentaryzacja użycia AI i klasyfikacja według ryzyka dają organizacji wgląd w to, co się dzieje i gdzie potrzebny jest nadzór. To pytanie leży w naturalnym przedłużeniu innego pytania, które stawia sobie wiele firm produkcyjnych: jaką część samej pracy, na poziomie poszczególnych zadań, można właściwie przekazać AI. Tam gdzie governance mapuje to, co się dzieje i kto za to odpowiada, werkscan FTE TO AI wylicza dla każdego zadania, jaka część faktycznie kwalifikuje się do przejęcia — pytanie, na które można dobrze odpowiedzieć jedynie wtedy, gdy najpierw jasne jest, co już funkcjonuje.
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.