A szállítás és logisztika olyan munka keverékéből áll, amely jellegében erősen eltér egymástól. A tervezés és útvonaltervezés, a rendelésfeldolgozás, a határon átnyúló szállításnál a dokumentumkezelés, a track-and-trace kommunikáció az ügyfelekkel, a járműanyagok karbantartástervezése és a fuvarok és számlák adminisztratív lebonyolítása együttesen az irodai órák jelentős részét teszik ki. Emellett ott van maga a vezetői és kivitelező munka: rakodás, kirakodás, vezetés, a rakomány fizikai ellenőrzése. Ez a két világ nem reagál ugyanúgy arra, amit az AI át tud venni. A dokumentumfeldolgozás és a tervezés digitális és ismétlődő jellegű; a fizikai munka gyakran nem az, vagy csak jelentős beruházások után szenzorokba és járműtechnológiába.
Az eredményt meghatározó körülmények nem mindenhol egyformák. Egy vállalat, amely főleg belföldön és állandó útvonalakon szállít, más tervezési komplexitással néz szembe, mint egy vállalat, amely váltakozó nemzetközi rakományokkal és vámformalitásokkal dolgozik. Egy járműpark, amely szenzoradatokat szolgáltat a járművekből, ad valamit az AI-nak, amin taníthat; egy járműpark ezen adatok nélkül nem. A vezetési és pihenőidőkre, a vámkezelésre és a veszélyes anyagokra vonatkozó szabályozás emellett olyan tényező, amelyhez az AI-alkalmazásoknak alkalmazkodniuk kell, ami lassítja a bevezetést ott, ahol ezeket a szabályokat szigorúan betartatják.
A tervezésben és az útvonal-optimalizálásban sok helyen már látható, hogy a számítási munka nagy részét szoftver végzi, míg egy tervező az eredményt értékeli és korrigálja olyan tudás alapján, amellyel a rendszer nem rendelkezik: egy sofőr, aki éppen most tért vissza szabadságáról, egy ügyfél, aki nem szereti a kora reggeli látogatást. Ez a középső a három mintázat közül, amelyek végigfutnak az egész ágazaton: az AI a munka nagy részét végzi, egy ember jóváhagy vagy elutasít indoklással. A nemzetközi szállítmányoknál a dokumentumellenőrzés hasonló tempóban tolódik el, ahol a rendszerek jelzik az eltéréseket, és egy munkatárs kezeli a kivételeket.
Az ügyfelekkel folytatott, a szállítmány státuszáról szóló kommunikáció számos vállalatnál már nagyrészt automatizált: egy rendszer jelzi az eltéréseket anélkül, hogy egy ember minden üzenetet megfogalmazna. A járműanyagok karbantartástervezése más mintázatot követ: a szenzoradatokon alapuló prediktív karbantartás jelezheti, mikor van szüksége figyelemre egy járműnek, de annak megítélése, hogy a karbantartásnak most kell-e megtörténnie, vagy várhat egy tervezett leállásig, emberi feladat marad, amíg egy hibás becslés következményei jelentősek. A jármű vezetése maga pedig az ágazat túlnyomó részében emberi munka marad, még ott is, ahol autonóm technológiát tesztelnek.
A különbség azon vállalatok között, amelyek ezt már így szervezik, és azok között, amelyek nem, ritkán az ambícióban rejlik. Abban rejlik, hogy milyen adatok állnak rendelkezésre, mennyi rutin van a folyamatban a kivételekhez képest, és hogyan van szabályozva a felelősség hibák esetén. Egy tervezési osztály, amelynek évekre visszamenő fuvaradatai vannak, tud olyan rendszert tanítani, amelyet egy ilyen előzményekkel nem rendelkező osztály nem tud felépíteni. Ez nem egy választás, amelyet valaki meghoz, hanem egy kiindulási helyzet, amellyel valaki rendelkezik, vagy nem.
A szállítási és logisztikai stratégia gyakran olyan feltételezésre épül, hogy hol vannak a költségelőnyök és a szűk keresztmetszetek: például hogy a tervezés szűkös és költséges, vagy hogy a határon átnyúló dokumentumkezelésnek fix átfutási ideje van, amelyet a versenytársak sem tudnak lerövidíteni. Ha az AI megnöveli ezt a tervezési kapacitást, vagy lerövidíti ezt az átfutási időt az ágazat egy részénél, akkor a játéktér bejelentés nélkül eltolódik. A terv papíron továbbra is fennáll, miközben a mögötte lévő feltételezés már nem helytálló.
Ez pontosan az a minta, amely más ágazatokban is jelentkezik, saját tempóban és saját okkal: hogyan néz szembe az üzleti szolgáltatási szektor az elmozduló tanácsadási feladatokkal és adminisztratív ügyintézéssel, hogyan kezeli a kiskereskedelem az automatizált készletirányítást és ügyfélkapcsolatot, és mit jelent egy stratégia számára, ha egy feltételezés bejelentés nélkül érvényét veszti. A mögöttes mechanizmus mindig ugyanaz: az AI nem egy külön projekt kezdési dátummal, hanem egy változás bizonyos feladatok költségszerkezetében és sebességében, amely egy adott pillanatban kihúzza a mögöttes feltételezést.
Ez nem állásfoglalás arról, hogy egy adott vállalatnak mit kellene tennie a személyi állományával. A funkciókról és a létszámról (fte) szóló döntések a munkáltató hatáskörébe tartoznak, és ha ezek a döntések átszervezéssel függnek össze, azokra saját jogi követelmények vonatkoznak, függetlenül attól, ami itt le van írva. Ez az oldal arról szól, hogy ténylegesen mely munka vehető át, mely munka vehető át részben, felügyelet mellett, vagy mely munka marad emberi feladat, és mit jelent ez azoknak a feltételezéseknek, amelyekre egy stratégia épül.
Arra a kérdésre, hogy az Ön vállalatánál mely munka vehető át ténylegesen AI által, nem lehet ágazati szinten választ adni. Ehhez szükséges megvizsgálni a saját folyamatot, a saját adatokat és a saját kivételeket; ezt méri fel feladatonként az FTE TO AI munkaszkennere. Egy első lépés, amely szélesebb körű, mint pusztán a munkamegosztás, az, hogy a saját maga által elvégezhető, a változások horizontját feltérképező módszert alkalmazza a saját stratégiájára. Aki inkább közvetlenül magukkal a feltételezésekkel kezdené, elvégezheti az ingyenes feltételezés-ellenőrzést: egy rövid kört, amelyben megnevezi a stratégiája mögötti legfontosabb feltételezéseket, és feltételezésenként láthatja, mikor erősítették meg utoljára. A teljes nyomáspróba, ágazati adatokkal, az igazgatóság saját elhelyezésével és egy folyamatosan vezetett feltételezés-listával, jelenleg készül.
Stel uw vraag. Vaak zit de echte vraag een laag dieper — daar mag ik naar vragen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.