Transport och logistik består av en blandning av arbete som skiljer sig kraftigt till sin natur. Planering och ruttoptimering, orderhantering, dokumenthantering vid gränsöverskridande transport, track-and-trace-kommunikation med kunder, underhållsplanering av materiel och den administrativa hanteringen av körningar och fakturor tar tillsammans upp en stor del av kontorstimmarna. Därutöver finns själva det körande och utförande arbetet: lastning, lossning, körning, fysisk kontroll av last. Dessa två världar reagerar inte på samma sätt på vad AI kan ta över. Dokumenthantering och planering är digitala och repetitiva; det fysiska arbetet är det ofta inte, eller först efter betydande investeringar i sensorer och fordonsteknik.
De omständigheter som styr utfallet är inte likartade överallt. Ett företag som huvudsakligen kör inrikes och på fasta rutter har en annan planeringskomplexitet än ett företag med varierande internationella laster och tullformaliteter. Ett fordonspark med sensordata från fordonen ger AI något att träna på; ett fordonspark utan den datan gör det inte. Regelverk kring kör- och vilotider, tull och farliga ämnen är dessutom något som AI-tillämpningar måste anpassa sig till, vilket bromsar utrullningen på platser där dessa regler efterlevs strikt.
Inom planering och ruttoptimering syns det på många håll redan att programvara utför merparten av beräkningsarbetet, medan en planerare bedömer utfallet och justerar det utifrån kunskap som systemet inte har: en förare som just kommit tillbaka från semester, en kund som inte vill ha besök tidigt på morgonen. Det är det mellersta av de tre mönster som löper genom hela sektorn: AI utför merparten av arbetet, en människa godkänner eller avslår med motivering. Dokumentkontroll vid internationella försändelser förskjuts i jämförbar takt, där system signalerar avvikelser och en medarbetare hanterar undantagen.
Kundkommunikation om sändningsstatus är i flera företag redan till stor del automatiserad: ett system som meddelar avvikelser utan att en människa formulerar varje meddelande. Underhållsplanering av materiel följer ett annat mönster: prediktivt underhåll baserat på sensordata kan indikera när ett fordon behöver åtgärdas, men bedömningen av om underhållet ska ske nu eller kan vänta till ett planerat stopp förblir mänskligt arbete så länge konsekvenserna av en felaktig bedömning är stora. Och att köra fordonet självt förblir i den övervägande delen av sektorn mänskligt arbete, även där autonom teknik testas.
Skillnaden mellan företag som redan organiserar detta på detta sätt och företag som inte gör det ligger sällan i ambition. Den ligger i vilken data som finns tillgänglig, i hur mycket rutin som finns i processen jämfört med hur många undantag, och i hur ansvaret vid fel är reglerat. En planeringsavdelning med flera års körningsdata kan träna ett system som en avdelning utan den historiken inte kan bygga. Det är inget val man gör, det är en utgångsposition man har eller inte har.
En strategi för transport och logistik vilar ofta på ett antagande om var kostnadsfördelarna och flaskhalsarna finns: till exempel att planering är begränsad och kostsam, eller att dokumenthantering vid gränsöverskridande transport har en fast genomloppstid som konkurrenter heller inte kan förkorta. Om AI ökar den planeringskapaciteten eller förkortar den genomloppstiden hos en del av sektorn, förskjuts spelplanen utan att någon föregående annonsering sker. Planen står kvar på papper, medan antagandet bakom det redan inte längre stämmer.
Detta är precis det mönster som också gäller i andra sektorer, med sin egen takt och sin egen anledning: hur affärstjänster hanterar förskjutna rådgivningsuppgifter och administrativ hantering, hur detaljhandeln hanterar automatiserad lagerstyrning och kundkontakt, och vad det innebär för en strategi när ett antagande upphör utan förvarning. Den underliggande mekaniken är alltid densamma: AI är inget separat projekt med ett startdatum, det är en förändring i kostnadsstruktur och hastighet för vissa uppgifter som vid någon punkt drar undan antagandet som ligger under.
Detta är inget uttalande om vad ett enskilt företag borde göra med sin personalstyrka. Beslut om funktioner och antal heltidstjänster ligger hos arbetsgivaren, och om dessa val hänger samman med en omorganisation gäller där egna lagkrav, oberoende av vad som beskrivs här. Vad denna sida handlar om är frågan om vilket arbete som faktiskt kan tas över, delvis kan tas över med tillsyn, eller förblir mänskligt arbete, och vad det innebär för de antaganden som en strategi är byggd på.
Frågan om vilket arbete i ert företag som faktiskt kan tas över av AI går inte att besvara på sektornivå. För det krävs att man tittar på den egna processen, den egna datan och de egna undantagen; det är det arbetsscanen från FTE TO AI kartlägger per uppgift. Ett första steg, bredare än bara arbetsfördelning, är att tillämpa metoden för att själv kartlägga en horisont av förändringar på den egna strategin. Den som hellre börjar direkt med antagandena själva kan göra den kostnadsfria antagandekontrollen: en kort runda där ni identifierar de viktigaste antagandena bakom er strategi och per antagande ser när det senast bekräftades. Den fullständiga tryckprövningen, med sektordata, en självplottning av ledningsgruppen och en löpande antagandelista, är under uppbyggnad.
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.