Inom transport och logistik sitter AI ofta inte i ett separat system med ett namn och en ägare, utan är invävt i verksamheten själv: ruttplanering, lastoptimering, prediktiva underhållssystem, efterfrågeprognoser och de algoritmer som avgör vilken chaufför som får vilken körning. En del av detta kommer in via programvara från transportörer, speditörer eller plattformar, och fungerar därmed med beslutsregler som den egna organisationen inte själv har ställt in och ibland inte fullt ut kan se. Förhållandet mellan vad planeringsavdelningen själv har anskaffat och vad som kommer in via kedjepartners eller inbyggd funktionalitet förändras ständigt. Det gör inventering i denna sektor inte enklare än på andra håll, men annorlunda: frågan är inte bara vem som har installerat ett AI-verktyg, utan också vilka automatiserade beslut som redan fanns i befintliga system innan någon kallade dem AI.
En översikt över godkänd programvara berättar sällan hela historien. Planerare som använder ett AI-verktyg för att optimera rutter, kundtjänst som sätter in en chatbot för spårning, eller en lagermedarbetare som använder en applikation för att göra lagerprognoser: den här typen av tillämpningar uppstår ofta lokalt, drivet av tidspress eller en konkret uppgift, utan att någon har lämnat in en ansökan. Den som vill kartlägga detta måste fråga de personer som utför arbetet, och det lyckas bara om att ställa frågor inte omedelbart leder till en korrigering. En organisation som vill hitta skugg-AI måste först göra klart att en anmälan inte innebär någon risk.
En inventering som går längre än IT-listan visar vilka AI-tillämpningar som faktiskt används, var i processen de sitter och vem som knyter beslut till dem. Inom transport och logistik innebär det ofta en distinktion mellan system som enbart ger råd, system som planerar automatiskt utan mänsklig inblandning, och system som har effekt på personer utanför organisationen, till exempel chaufförer eller kunder som får en leveranstid presenterad baserat på en prognos. Denna distinktion är relevant eftersom risknivån förändras därmed: ett verktyg som bara ger en planerare ett förslag kräver en annan form av tillsyn än ett system som självständigt fastställer scheman eller rutter.
Efter inventeringen kommer frågan om vad varje tillämpning exakt gör och för vem. Ett system som förutspår när underhåll behövs har en annan påverkan än ett system som avgör vilken chaufför som tilldelas en körning baserat på prestationsdata. Klassificering innebär här inte att tillämpa en fast mall, utan att ordna det som påträffats: vilken tillämpning rör beslut om människor, vilken rör enbart logistisk optimering, och vilken fungerar rent stödjande. Den aktuella lagstiftningen som avgör vilka skyldigheter som hör till vilken risknivå finns beskriven på annat håll; här handlar det om den struktur som behövs för att kunna tillämpa dessa regler senare, oavsett vad texten exakt föreskriver.
Transportföretag arbetar vanligtvis redan med riskhantering kring säkerhet, planering och regelefterlevnad. AI-styrning behöver inte vara en ny apparat vid sidan av det befintliga systemet; det fungerar bättre om klassificeringen av AI-tillämpningar ansluter till kategorier som redan finns, så att en styrelseledamot eller riskansvarig inte behöver hålla två separata översikter. Det kräver en governance-uppsättning som anger vem som förvaltar en tillämpning, vem som är ansvarig för den, och vilken kontroll som finns över den, i en form som passar det som redan finns i termer av rapporterings- och ansvarsstruktur.
En styrelseledamot eller General Counsel som ombeds förklara vilka AI-system som är aktiva i organisationen måste kunna underbygga detta med mer än en lista från inköpssystemet. Påvisbarhet innebär att det finns en aktuell översikt över tillämpningar, deras klassificering och status på tillsynen av dem, och att denna översikt håller även när någon ställer följdfrågor. Andra sektorer har liknande frågeställningar, som framgår av AI-styrning inom detaljhandeln, AI-styrning inom jordbrukssektorn och AI-styrning inom IT-sektorn, varje gång med ett eget förhållande mellan vad som är centralt anskaffat och vad som har uppstått lokalt.
Responsible AI Scan som samlar denna inventering, klassificering och governance-struktur är under uppbyggnad. Den som vill arbeta med detta kan anmäla sig till väntelistan; det finns för närvarande ingen färdig produkt att beställa, och det framställs inte som något annat här.
Så snart det är klart vilka AI-tillämpningar som körs i transportkedjan och vilken risknivå som hör till dem, uppstår en följdfråga som inte besvaras genom inventering: hur mycket av det arbete som planerare, chaufförer eller kundtjänstmedarbetare nu utför som faktiskt kan tas över av dessa tillämpningar. Den frågan ligger nära governance, men är inte identisk med den, och besvaras av arbetsscanen från FTE TO AI, som per uppgift beräknar vilken del av arbetet som kan tas över av 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.