W transporcie i logistyce AI często nie znajduje się w odrębnym systemie z nazwą i właścicielem, lecz jest wplecione w samą operację: planowanie trasy, optymalizację ładunku, systemy predykcyjnego utrzymania, prognozowanie popytu oraz algorytmy, które decydują, który kierowca dostanie który kurs. Część tego wchodzi za pośrednictwem oprogramowania przewoźników, spedytorów lub platform, i działa więc na podstawie reguł decyzyjnych, których organizacja sama nie ustaliła i czasem nie jest w stanie w pełni zobaczyć. Relacja między tym, co dział planowania sam zakupił, a tym, co wchodzi za pośrednictwem partnerów w łańcuchu lub wbudowanej funkcjonalności, nieustannie się zmienia. To sprawia, że inwentaryzacja w tym sektorze nie jest łatwiejsza niż w innych, ale jest inna: pytanie nie dotyczy tylko tego, kto zainstalował narzędzie AI, ale również jakie automatyczne decyzje już istniały w istniejących systemach, zanim ktoś nazwał je AI.
Przegląd zatwierdzonego oprogramowania rzadko przedstawia pełny obraz. Planiści korzystający z narzędzia AI do optymalizacji trasy, obsługa klienta stosująca chatbota do śledzenia przesyłek, czy pracownik magazynu wykorzystujący aplikację do prognozowania zapasów: tego rodzaju zastosowania powstają często lokalnie, pod wpływem presji czasu lub konkretnego zadania, bez tego, że ktokolwiek złożył wniosek. Kto chce to zmapować, musi zapytać osoby, które wykonują tę pracę, a to udaje się tylko wtedy, gdy zadawanie pytań nie skutkuje natychmiastową korektą. Organizacja, która chce znaleźć shadow AI, musi najpierw wyjaśnić, że zgłoszenie nie stanowi ryzyka.
Inwentaryzacja, która wykracza poza listę IT, ukazuje, jakie zastosowania AI są faktycznie w użyciu, gdzie w procesie się znajdują i kto łączy z nimi decyzje. W transporcie i logistyce oznacza to często rozróżnienie między systemami, które wyłącznie doradzają, systemami, które automatycznie planują bez interwencji, oraz systemami, które mają wpływ na osoby poza organizacją, takie jak kierowcy lub klienci, którym przedstawia się czas dostawy na podstawie prognozy. To rozróżnienie jest istotne, ponieważ zmienia poziom ryzyka: narzędzie, które daje planiście jedynie sugestię, wymaga innej formy nadzoru niż system, który samodzielnie ustala grafiki lub trasy.
Po inwentaryzacji następuje pytanie, co dokładnie robi każde zastosowanie i dla kogo. System, który przewiduje, kiedy potrzebne jest utrzymanie, ma inny wpływ niż system, który decyduje, który kierowca zostanie przydzielony do kursu na podstawie danych o wydajności. Klasyfikacja nie oznacza tu zastosowania stałego szablonu, lecz uporządkowanie tego, co zostało znalezione: które zastosowanie dotyka decyzji o ludziach, które dotyczy jedynie optymalizacji logistycznej, a które funkcjonuje czysto wspierająco. Aktualne przepisy określające, jakie obowiązki wiążą się z jakim poziomem ryzyka, są opisane gdzie indziej; tutaj chodzi o strukturę potrzebną, aby te przepisy można było później zastosować, niezależnie od tego, co dokładnie przewiduje ich treść.
Firmy transportowe zazwyczaj już pracują z zarządzaniem ryzykiem dotyczącym bezpieczeństwa, planowania i zgodności. AI-governance nie musi być nowym aparatem obok tego istniejącego systemu; działa lepiej, gdy klasyfikacja zastosowań AI nawiązuje do kategorii, które już istnieją, tak aby członek zarządu lub risk manager nie musiał prowadzić dwóch odrębnych przeglądów. To wymaga zestawu governance, który wskazuje, kto zarządza danym zastosowaniem, kto za nie odpowiada i jaka kontrola nad nim istnieje, w formie odpowiadającej istniejącej strukturze raportowania i odpowiedzialności.
Członek zarządu lub General Counsel, którego proszą o wyjaśnienie, jakie systemy AI działają w organizacji, musi to móc udokumentować czymś więcej niż listą z systemu zakupowego. Wykazywalność oznacza, że istnieje aktualny przegląd zastosowań, ich klasyfikacji oraz statusu nadzoru nad nimi, i że ten przegląd wytrzymuje próbę, gdy ktoś zadaje dodatkowe pytania. Inne sektory znają podobne zagadnienia, co widać w przypadku AI-governance w handlu detalicznym, AI-governance w sektorze agrarnym oraz AI-governance w sektorze ICT, każdorazowo z własną relacją między tym, co zostało zakupione centralnie, a tym, co powstało lokalnie.
Responsible AI Scan, który łączy tę inwentaryzację, klasyfikację i strukturę governance, jest w trakcie budowy. Kto chce z tym zacząć, może zapisać się na listę oczekujących; obecnie nie ma gotowego produktu do zamówienia i taki obraz nie jest tu przedstawiany.
Gdy jasne jest, jakie zastosowania AI działają w łańcuchu transportowym i jaki poziom ryzyka im odpowiada, powstaje pytanie kolejne, na które nie odpowiada inwentaryzacja: jaką część pracy, którą obecnie wykonują planiści, kierowcy lub pracownicy obsługi klienta, można faktycznie przejąć za pomocą tych zastosowań. To pytanie jest bliskie governance, lecz nie jest z nim identyczne, i odpowiada na nie skan pracy FTE TO AI, który dla każdego zadania obliczą, jaką część pracy można przejąć przy użyciu 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.