Zemědělský sektor stojí na práci, kterou se obtížně plánuje, protože o ní rozhodují podmínky. Péče o plodiny, plánování sklizně, třídění a kontrola kvality, plánování dopravy na aukci nebo k odběrateli a administrativní blok kolem certifikátů a compliance: to jsou položky, kam plyne nejvíce hodin. Počasí, biologické hodiny plodiny nebo zvířete a dostupnost sezónní pracovní síly určují výsledek více než záměr plánování. Kdo zde dodává, dodává za podmínek, které se mohou týden od týdne obrátit.
Léta jste v tomto sektoru vyhrávali tím, kdo dokázal nejlépe zvládnout nejistotu: pěstitel nebo firma s nejvíce zkušenostmi, nejostřejším pohledem na vývoj počasí, nejšikovnější rukou při třídění. To je stále relevantní. Ale práce, kterou se tato zkušenost přeměňuje v rozhodnutí, mění svůj charakter.
V rámci zemědělského balíčku práce se prolínají tři kategorie, a to, která fáze spadá do které kategorie, vysvětluje, proč jedna firma pracuje jinak než druhá.
Zcela na AI lze převést práci, která sestává z opakovatelných vzorců s dostatkem dat: predikce výnosu na základě historických a aktuálních senzorových dat, plánování zavlažování na základě vlhkosti půdy a předpovědi počasí, a první třídění produktů pomocí rozpoznávání obrazu. Firmy se senzory v půdě a kamerami na třídicí lince tyto kroky již nechávají probíhat bez zásahu.
Částečně, s člověkem, který schvaluje nebo zamítá s odůvodněním, probíhá práce, kde model dává doporučení, ale kontext je stále příliš proměnlivý pro úplné předání: rozhodnutí, zda nyní postříkat nebo počkat, volba mezi dvěma odbytovými kanály při cenovém rozdílu, odhad, zda je pozemek již zralý na sklizeň. Zde systém generuje doporučení s odůvodněním a pěstitel nebo vedoucí podniku ho buď potvrdí, nebo zastaví. Tento dohled není přechodná fáze; je to forma, v jaké tato práce prozatím zůstává, protože odpovědnost a místní znalosti zůstávají u člověka.
Lidskou prací zůstává kontakt s odběratelem, který žádá zakázkové řešení, vyjednávání o dodavatelské smlouvě a fyzické úkony, které se nedají automatizovat bez přeuspořádání podniku. Také sestavení dokumentace pro audit certifikátu zůstává v jádru lidskou prací, i když shromažďování podkladových dat lze urychlit.
Rozdíl mezi firmami nespočívá v ambicích, ale v tom, co už je k dispozici z dat a senzoriky. Firma s dlouholetými senzorovými daty o půdě, plodině a klimatu může nakrmit predikční model, který je použitelný; firma bez této historie začíná s prázdným modelem. Totéž platí pro rozpoznávání obrazu při třídění: to je přesné až po trénování na velkém množství vlastních fotografií produktů. Kdo tento základ nemá, zůstává déle závislý na člověku pro kroky, které jinde už byly převzaty. Není to zaostávání v úsilí, je to rozdíl v tom, co bylo vybudováno.
Jakmile je část rozhodnutí o pěstování, třídění nebo logistickém plánování v rukou systému, posouvá se to, podle čeho odběratel nebo aukce hodnotí dodavatele. Dodací lhůta a jistota objemu byly dříve funkcí obsazenosti a zkušenosti; pokud plánování samo už počítá s počasím, přepravní kapacitou a sklizňovým oknem, přesouvá se srovnání na to, jak konzistentně se tato předpověď naplňuje a jak rychle se koriguje, když se praxe odchýlí. Konzistence kvality byla otázkou řemeslné zručnosti na třídicí lince; s automatizovaným rozpoznáváním obrazu se stává otázkou, kolik trénovacích dat a kolik kontrolních vrstev si firma zavedla. Dimenze, na které se vyhrává, si zachovává stejný název, ale otázka za ní se mění.
Tento vzorec není jedinečný pro zemědělství a zahradnictví. Stejný posun od obsazenosti ke kvalitě systému se odehrává v ICT sektoru, kde se dodací lhůta projektů mění díky automatizovanému plánování, ve finančních službách, kde je posuzování rizik částečně prováděno modely a v rekreačním odvětví, kde predikce rezervací řídí plánování kapacity. Stále platí, že otázkou není, zda AI přebírá práci, ale která část, s jakým dohledem, a co to znamená pro srovnání s konkurencí.
O personálních rozhodnutích, která by z tohoto posunu mohla vyplynout, tato stránka nevynáší žádný soud; pro ně platí vlastní zákonné požadavky a ty do tržního srovnání nepatří.
Pěstitel nebo družstvo, které tvrdí, že vyhrává na dodací lhůtě nebo konzistenci kvality, musí toto tvrzení umět podložit něčím ověřitelným: číslem, prohlášením zákazníka, certifikací. Jak takové tvrzení postavit vedle tvrzení konkurenta, aniž byste doplňovali to, co nevíte, je popsáno v postupu, jak ohodnotit konkurenta bez domněnek, a širší koncept za tím ve vysvětlení, jak porovnat svou firmu s konkurencí. Která práce ve vaší vlastní firmě už je převoditelná na AI a která část stále vyžaduje dohled, je jiná otázka než na čem vyhráváte; na tu první otázku odpovídá pracovní scan FTE TO AI podle jednotlivých úkolů.
Určete si sami, na kterých dvou nebo třech dimenzích si myslíte, že vyhráváte nad firmami ve své srovnávací skupině. U každého tvrzení ověřte, zda za ním stojí důkaz, který by přesvědčil někoho zvenčí. Bezplatná kontrola dimenzí vám umožní tato tvrzení postavit vedle sebe a ukáže, které z nich lze obhájit důkazem. Kompletní benchmark se skóre napříč celou srovnávací skupinou a prohledávatelnou maticí důkazů se připravuje.