Predelovalna industrija poznа delitev, kakršno ima le malo drugih sektorjev. Na eni strani stoji operativna tehnika: krmilni sistemi, senzorji, predictive maintenance in kontrola kakovosti s prepoznavanjem slike. Ti sistemi so pogosto formalno nabavljeni, vgrajeni v stroje ali proizvodne linije, in podvrženi obstoječim inženirskim in varnostnim postopkom. Na drugi strani stoji pisarniško in podporno okolje: nabava, planiranje, inženirska podpora, stik s strankami in administracija. Tam se generativni AI pojavlja na enak način kot v vsaki drugi organizaciji — prek brskalnika, ločenega računa, ločene naročnine.
Razmerje med tema dvema plastema določa, kako je treba zasnovati pristop upravljanja. Kjer je operativna tehnika razmeroma dobro dokumentirana, ker je del kapitalskih naložb in vzdrževalnih pogodb, pisarniška plast pogosto ni nikjer zapisana. Kdor gleda le proizvodno linijo, vidi le del tega, kar se v organizaciji dejansko uporablja od AI.
Pregled odobrene programske opreme redko pove celotno zgodbo. Inženir, ki naj mu nekdo povzame risbo, planer, ki uporablja orodje AI za preureditev dobavnih shem, nabavnik, ki naj zunanji model primerja ponudbe — to se pogosto zgodi, ne da bi bila vložena zahteva ali registrirana licenca. To ni malomarnost; je praktična posledica časovnega pritiska in razpoložljivosti brezplačnih ali cenenih orodij.
Ta senčni AI je za vodstvo ali upravljavca tveganj dejansko glavna točka pozornosti. Vprašanje ni le, kaj je organizacija nabavila, temveč kaj se vsak dan uporablja za hitrejše opravljanje dela. Da bi to ugotovili, je potreben drugačen pristop kot tehnična revizija: potreben je, da so ljudje pripravljeni povedati, kaj uporabljajo, ne da bi se ta pogovor počutil kot obveznost odgovarjanja. Kdor vpraša »kdo je tu nekaj uporabil brez dovoljenja«, ne bo dobil odgovora. Kdor vpraša »kaj uporabljate za opravljanje svojega dela«, bo odgovor dobil.
Ne vsaka uporaba AI v predelovalni industriji nosi enako težo. Aplikacija AI, ki sodeluje pri validaciji zasnove ali kontroli kakovosti končnega izdelka, se dotika varnosti in odgovornosti na drugačen način kot orodje, ki sestavlja e-poštno sporočilo dobavitelju. Sistem, ki vpliva na proizvodno planiranje, lahko vpliva na dobavne roke in pogodbene obveznosti; orodje, ki povzema interne zapiske, večinoma ne.
Ta diferenciacija je temelj klasifikacije: ni potrebno, da vsa uporaba AI dobi enak nadzor, vendar je razliko treba narediti, in sicer na podlagi tega, kaj sistem počne in na kaj vpliva — ne na podlagi tega, kje je bil nabavljen. Orodje, ki ga je prenesel posamezen zaposleni, ima lahko enak vpliv na izhod, ki gre stranki, kot sistem, kupljen po formalnem postopku.
Predelovalna industrija redko deluje sama zase. Dobavitelji, podizvajalci in stranke so del istega procesa, in uporaba AI pri enem od teh deležnikov lahko vpliva na to, kar organizacija sama dobavi. Če dobavitelj uporablja AI za razlago specifikacij ali generiranje poročil o kakovosti, nastane odvisnost, ki ni vidna v lastnih sistemih, a je vseeno pomembna za tistega, ki nosi odgovornost za končni izdelek.
To je razlika glede na sektorje, kjer se osnovni proces v veliki meri odvija znotraj lastnih zidov. Pristop upravljanja AI za predelovalno industrijo mora zato ne le mapirati notranjo uporabo, temveč tudi oblikovati sliko o tem, kje v verigi AI igra vlogo pri odločitvah, ki na koncu zadevajo organizacijo.
Večina podjetij v predelovalni industriji že ima strukture za obvladovanje tveganj: za varnost izdelkov, za upravljanje kakovosti, za ocenjevanje dobaviteljev. Upravljanje AI deluje bolje, kadar se naveže na to, kar že obstaja, namesto da postane nov, izoliran proces. Klasifikacija aplikacij AI po ravni tveganja se lahko na primer poveže z obstoječimi merili za ocenjevanje dobaviteljev ali s sistemom upravljanja kakovosti, tako da poročanje upravnemu odboru ali nadzornemu svetu ne postane ločen postopek poleg obstoječih poročevalskih linij, temveč se vanje vključi.
Kako se ta navezava natančno izoblikuje, je odvisno od organizacije in obstoječe ureditve upravljanja. Drugi sektorji poznajo podobna vprašanja, izhajajoč iz drugačne strukture: v transportnem sektorju obstaja podobna napetost med operativnimi sistemi in pisarniško uporabo, v kmetijskem sektorju je odvisnost od verige pogosto še bolj neposredno opazna, v poslovnih storitvah pa operativna plast v veliki meri manjka, zaradi česar je senčni AI tam skoraj edina plast, ki jo je treba mapirati.
Inventar uporabe AI in klasifikacija po tveganju organizaciji omogočita vpogled v to, kaj se dogaja in kje je potreben nadzor. To vprašanje se navezuje na drugo vprašanje, ki si ga zastavlja veliko podjetij v predelovalni industriji: kateri del dela samega, na ravni posameznih nalog, je pravzaprav mogoče prevzeti z AI. Kjer upravljanje mapira, kaj se dogaja in kdo za to nosi odgovornost, delovni scan podjetja FTE TO AI za posamezno nalogo izračuna, kateri del dejansko pride v poštev za prevzem — vprašanje, na katero je mogoče dobro odgovoriti šele, ko je najprej jasno, kaj že poteka.
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.