Landbrugssektoren kører på arbejde, der er svært at planlægge, fordi forholdene bestemmer det. Dyrkningsvejledning, høstplanlægning, sortering og kvalitetskontrol, transportplanlægning til auktion eller aftager, og den administrative blok omkring kvalitetsmærker og compliance: det er de poster, hvor de fleste timer strømmer ind. Vejret, den biologiske klokke i afgrøden eller dyret, og tilgængeligheden af sæsonarbejdskraft styrer resultatet mere end planlægningens intention. Den, der leverer her, leverer under forhold, der kan skifte fra uge til uge.
I mange år vandt man i denne sektor på, hvem der bedst kunne håndtere usikkerheden: dyrkeren eller virksomheden med mest erfaring, det skarpeste blik på vejrbilledet, den mest snarrådige hånd ved sortering. Det er stadig relevant. Men det arbejde, hvormed den erfaring omsættes til en beslutning, ændrer karakter.
Inden for den agrariske arbejdspakke løber tre kategorier ind i hinanden, og hvilket trin der falder i hvilken kategori, forklarer, hvorfor den ene virksomhed allerede arbejder anderledes end den anden.
Det arbejde, der kan overtages fuldt ud af AI, er det, der består af gentagelige mønstre med tilstrækkelig data: udbytteforudsigelse baseret på historisk og aktuel sensordata, irrigationsplanlægning baseret på jordfugtighed og vejrudsigt, og den første sortering af produkter ved billedgenkendelse. Virksomheder med sensorer i jorden og kameraer på sorteringslinjen lader allerede disse trin køre uden indgriben.
Delvist, med et menneske der godkender eller afviser med begrundelse, er det arbejde, hvor modellen giver et råd, men konteksten er lige lidt for uforudsigelig for fuld overdragelse: beslutningen om at sprøjte nu eller vente, valget mellem to afsætningskanaler ved en prisforskel, vurderingen af, om en parcel allerede er høstklar. Her genererer systemet en anbefaling med begrundelse, og dyrkeren eller driftslederen sætter den i værk eller stopper den. Dette tilsyn er ikke en overgangsfase; det er den form, hvori dette arbejde fortsat vil eksistere, fordi ansvaret og den lokale viden ligger hos mennesket.
Menneskeligt arbejde forbliver kontakten med aftageren, der beder om skræddersyet løsning, forhandlingen om en leveringskontrakt, og de fysiske handlinger, der ikke kan automatiseres uden en omorganisering af virksomheden. Også udarbejdelsen af dossieret til en audit af kvalitetsmærke forbliver i kernen menneskeligt arbejde, selvom indsamlingen af underliggende data godt kan blive hurtigere.
Forskellen mellem virksomheder ligger ikke i ambition, men i, hvad der allerede findes af data og sensorteknologi. En virksomhed med mange års sensordata om jord, afgrøde og klima kan fodre en forudsigelsesmodel, der er brugbar; en virksomhed uden denne historie starter med en tom model. Det samme gælder billedgenkendelse ved sortering: den er kun skarp efter træning på store mængder egne produktbilleder. Den, der ikke har dette fundament, forbliver længere afhængig af mennesket for trin, der andre steder allerede er overtaget. Det er ikke en efterslæb i indsats, det er en forskel i, hvad der er opbygget.
Så snart en del af dyrkningsbeslutningen, sorteringen eller den logistiske planlægning ligger hos et system, forskydes det, som en aftager eller auktion bedømmer en leverandør på. Leveringstid og volumensikkerhed var tidligere en funktion af bemanding og erfaring; hvis planlægningen selv allerede tager højde for vejr, transportkapacitet og høstvindue, forskydes sammenligningen til, hvor konsekvent den forudsigelse holder, og hvor hurtigt der bliver justeret, når praksis afviger. Kvalitetskonsistens var et spørgsmål om fagmandskab på sorteringslinjen; med automatiseret billedgenkendelse bliver det et spørgsmål om, hvor meget træningsdata og hvor mange kontrollag en virksomhed har indrettet. Den dimension, der vindes på, bevarer samme navn, men spørgsmålet bag det ændrer sig.
Dette mønster er ikke unikt for land- og gartneribrug. Den samme forskydning fra bemanding til systemkvalitet gør sig gældende i IT-sektoren, hvor leveringstid for projekter ændres af automatiseret planlægning, i finansielle tjenesteydelser, hvor risikovurdering delvist udføres af modeller, og i rekreationsbranchen, hvor bookingforudsigelse styrer kapacitetsplanlægningen. Spørgsmålet er altid ikke, om AI overtager arbejdet, men hvilken del, med hvilket tilsyn, og hvad det betyder for sammenligningen med konkurrenten.
Om personalebeslutninger, der kunne følge af denne forskydning, udtaler denne side sig ikke; dertil gælder egne lovkrav, og de hører ikke til en markedssammenligning.
En dyrker eller kooperativ, der siger at vinde på leveringstid eller kvalitetskonsistens, skal kunne underbygge den påstand med noget efterprøveligt: et tal, en kundeerklæring, en certificering. Hvordan De stiller en sådan påstand op mod en konkurrents uden at udfylde det, De ikke ved, er beskrevet i en metode til at score en konkurrent uden at gøre antagelser, og den bredere opsætning bag dette i en forklaring af, hvordan De benchmarker Deres virksomhed mod konkurrenter. Hvilket arbejde i Deres egen virksomhed, der allerede kan overtages af AI, og hvilken del der stadig kræver tilsyn, er et andet spørgsmål end hvorpå De vinder; det første spørgsmål besvarer arbejdsscanen fra FTE TO AI pr. opgave.
Definér for Dem selv, på hvilke to eller tre dimensioner De tror, De vinder over virksomhederne i Deres peer group. Gennemgå for hver påstand, om der ligger et bevisstykke bag, som en udenforstående ville finde overbevisende. Den gratis dimensionscheck lader Dem stille disse påstande op side om side og viser, hvilke af dem der kan forsvares med bevis. Den fulde benchmark, med scores over hele peer group'en og en søgbar bevismatrix, er under opbygning.