Sektor agrarny składa się z kilku rodzajów pracy, które mają ze sobą niewiele wspólnego. Jest praca fizyczna w stajni, szklarni lub na polu, związana z porą roku, pogodą i procesami biologicznymi, których nie można przyspieszyć. Jest praca administracyjna wokół rejestracji, wniosków o dotacje, księgowości gnojowicowej i zgodności z przepisami, które różnią się w zależności od uprawy, zwierzęcia lub regionu. I jest trzecia warstwa: planowanie, zakupy, wybór uprawy oraz ocena danych z czujników, zdjęć satelitarnych i cen rynkowych. Ta trzecia warstwa rośnie, podczas gdy pierwsza warstwa pozostaje ograniczona w skalowaniu z powodu samej natury tej pracy.
Okoliczności, które kierują wynikiem, nie są jednolite. Przedsiębiorstwo rolnicze z dużą ilością otwartych danych o gruncie i pogodzie ma inne punkty zaczepienia dla automatyzacji niż gospodarstwo hodowlane, w którym nadzór nad dobrostanem zwierząt jest ustawowo zarezerwowany dla ludzi. Przedsiębiorstwo ogrodnicze z komputerami klimatycznymi już od lat kieruje się na podstawie danych z czujników; rolnik uprawiający pole, który decyduje ręcznie dla każdej działki, tego nie robi. Ta różnica determinuje, gdzie AI już dziś przejmuje zadania, a gdzie to jeszcze odległa perspektywa.
Trzy kategorie przenikają pracę w tym sektorze. Po pierwsze, zadania, które AI może wykonywać samodzielnie: interpretacja danych z czujników do irygacji, rozpoznawanie objawów chorobowych na podstawie materiału obrazowego, tworzenie pierwszych wersji raportów do wniosków o dotacje. Po drugie, zadania, w których AI przedstawia propozycję, a człowiek zatwierdza lub odrzuca ją z uzasadnieniem: porada dotycząca uprawy, która jest weryfikowana wobec lokalnej wiedzy, propozycja zakupowa, która jest oceniana pod względem ryzyka dostawy. Po trzecie, praca, która pozostaje pracą ludzką: fizyczny nadzór nad dobrostanem zwierząt, ocena jakości gruntu na miejscu, negocjacje z odbiorcą dotyczące długoterminowego kontraktu.
Ten podział nie jest jednorazowym ujęciem, które przesuwa się wszędzie równo. Przedsiębiorstwa, które już pracują z danymi z czujników i oprogramowaniem wspomagającym podejmowanie decyzji, widzą wzrost pierwszej kategorii, ponieważ struktura danych jest już na miejscu. Przedsiębiorstwa, które wciąż działają na podstawie doświadczenia i ręcznej rejestracji, widzą powstawanie przede wszystkim drugiej kategorii, ponieważ tam najpierw ktoś musi ustalić, co jest wystarczająco wiarygodne, aby przekazać systemowi. Różnica między przedsiębiorstwami nie leży więc w ambicji, lecz w stopniu, w jakim praca podstawowa jest już zapisana w formie, którą system może odczytać.
Strategia, która wychodzi z założenia o ustalonej potrzebie personalnej do zadań administracyjnych lub monitorujących, opiera się na założeniu, którego nikt nie nazwał wprost: że tę pracę może wykonywać tylko człowiek, w określonym tempie i za określony koszt. Gdy AI przejmuje lub wspiera część tej pracy, założenie to nie wygasa wraz z ogłoszeniem. Wygasa stopniowo, podczas gdy plan na papierze pozostaje niezmieniony.
Jest to wzorzec, który ten sektor dzieli z innymi sektorami, w których AI dotyka poziomu zadań, a nie poziomu funkcji. Podobne przesunięcia zachodzą w sektorze ICT, gdzie AI częściowo przejmuje pracę programistyczną i testową, w usługach finansowych, gdzie nadzór nad zautomatyzowanymi ocenami zyskuje nową rolę, oraz w branży rekreacyjnej, gdzie planowanie i kontakt z klientem są dzielone inaczej między system i człowieka. Sektor agrarny ma swoje własne tempo, wyznaczone przez porę roku i regulacje, ale mechanizm jest ten sam: założenie, które kiedyś było prawdziwe, nie jest wycofywane, po prostu nie jest już weryfikowane.
Nie chodzi tu o to, czy przedsiębiorstwo powinno ograniczyć liczbę pracowników lub inaczej ich zatrudniać. Ta decyzja podlega własnym wymogom prawnym dotyczącym prawa pracy i współdecydowania, a obowiązują dla niej przepisy, które tutaj nie są omawiane. Chodzi o coś, co jest wcześniejsze: wiedzę o tym, jaka praca jest dziś faktycznie wykonywana przez AI, jaka praca jest wykonywana pod nadzorem, a jaka praca pozostaje pracą ludzką. To jest kwestia faktyczna, nie decyzja personalna.
Na pytanie, jaka praca w tym przedsiębiorstwie może być rzeczywiście przejęta przez AI, odpowiada się za pomocą skanu pracy FTE TO AI, zadanie po zadaniu, tak aby założenia o zdolności produkcyjnej nie opierały się już na szacunkach. Kto chce dokładniej wiedzieć, czym właściwie jest strategiczne założenie, znajdzie to wyjaśnione w omówieniu tego, czym jest strategiczne założenie i jak Państwo sprawdzają, czy wciąż się ono broni, a kto chce wiedzieć, jak bieżącą strategię odnosi się do obecnej sytuacji, przeczyta o tym w wyjaśnieniu na temat testowania istniejącej strategii.
Pierwszym krokiem nie jest w pełni zrewidowany plan, lecz krótka inwentaryzacja założeń, na których opiera się obecny plan. FTE TO AI oferuje w tym celu bezpłatną kontrolę założeń: krótką sesję, w której Państwo określają swoje najważniejsze założenia i przy każdym z nich widzą, kiedy zostało ono ostatnio potwierdzone. Nie daje to oceny samej strategii, ale daje wgląd w to, które elementy wymagają uwagi, zanim zostaną skorygowane. Pełny test odpornościowy, z zewnętrznym obrazem obok samooceny kierownictwa, jest w budowie.
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.