Agrarni sektor funkcionira na poslu koji se teško planira jer ga određuju uvjeti. Vođenje uzgoja, planiranje žetve, sortiranje i kontrola kvalitete, planiranje transporta do aukcije ili kupca, i administrativni blok oko certifikata i usklađenosti: to su stavke gdje se ulijeva najviše sati. Vrijeme, biološki sat usjeva ili životinje, i dostupnost sezonske radne snage određuju rezultat više nego namjera planiranja. Onaj tko ovdje isporučuje, isporučuje pod uvjetima koji se mogu promijeniti iz tjedna u tjedan.
Godinama se u ovom sektoru pobjeđivalo na tome tko je najbolje mogao apsorbirati neizvjesnost: uzgajivač ili tvrtka s najviše iskustva, najoštrijim pogledom na vremensku prognozu, najvještijom rukom u sortiranju. To je i dalje relevantno. Ali posao kojim se to iskustvo pretvara u odluku, mijenja karakter.
Unutar agrarnog radnog paketa isprepliću se tri kategorije, i to koji korak spada u koju kategoriju objašnjava zašto jedna tvrtka već sada radi drugačije od druge.
Potpuno preuzimanje od strane AI moguće je za posao koji se sastoji od ponovljivih uzoraka s dovoljnom količinom podataka: predviđanje uroda na temelju povijesnih i aktualnih podataka senzora, planiranje irigacije na temelju vlažnosti tla i vremenske prognoze, te prvo sortiranje proizvoda putem prepoznavanja slike. Tvrtke sa senzorima u tlu i kamerama na liniji za sortiranje već te korake prepuštaju bez posredovanja.
Djelomično, s osobom koja odobrava ili odbija s razlogom, je posao gdje model daje savjet ali je kontekst previše nepredvidiv za potpuno prenošenje: odluka da se sada prska ili čeka, izbor između dva prodajna kanala kod razlike u cijeni, procjena je li parcela već zrela za žetvu. Ovdje sustav generira preporuku s obrazloženjem, a uzgajivač ili voditelj tvrtke je prihvaća ili odbija. Taj ljudski nadzor nije prijelazna faza; to je oblik u kojem ovaj posao za sada nastavlja postojati, jer odgovornost i lokalno znanje leže kod čovjeka.
Ljudski rad ostaje kontakt s kupcem koji traži prilagođeno rješenje, pregovori o ugovoru o isporuci, i fizičke radnje koje se ne mogu automatizirati bez preustroja tvrtke. Također i sastavljanje dosjea za audit certifikata u srži ostaje ljudski rad, iako se prikupljanje temeljnih podataka može ubrzati.
Razlika između tvrtki nije u ambiciji nego u tome što je već prisutno od podataka i senzorike. Tvrtka s dugogodišnjim podacima senzora o tlu, usjevu i klimi može hraniti prediktivni model koji je upotrebljiv; tvrtka bez te povijesti počinje s praznim modelom. Isto vrijedi za prepoznavanje slike kod sortiranja: ono postaje precizno tek nakon treninga na velikim količinama vlastitih fotografija proizvoda. Tko nema tu osnovu, dulje ostaje ovisan o čovjeku za korake koji su drugdje već preuzeti. To nije zaostatak u trudu, to je razlika u tome što je izgrađeno.
Čim se dio odluke o uzgoju, sortiranju ili logističkom planiranju prepusti sustavu, mijenja se ono na čemu kupac ili aukcija ocjenjuje dobavljača. Vrijeme isporuke i sigurnost volumena prije su bili funkcija popunjenosti i iskustva; ako samo planiranje već uzima u obzir vrijeme, transportni kapacitet i prozor žetve, usporedba se preusmjerava na to koliko je to predviđanje dosljedno i koliko se brzo prilagođava kad se praksa razlikuje. Dosljednost kvalitete bila je pitanje majstorstva na liniji za sortiranje; s automatiziranim prepoznavanjem slike to postaje pitanje koliko je puno podataka za trening i koliko slojeva kontrole tvrtka postavila. Dimenzija na kojoj se pobjeđuje ostaje istog naziva, ali pitanje iza njega se mijenja.
Ovaj obrazac nije jedinstven za poljoprivredu i vrtlarstvo. Isti pomak od popunjenosti prema kvaliteti sustava vidljiv je u IT sektoru, gdje se vrijeme isporuke projekata mijenja zbog automatiziranog planiranja, u financijskim uslugama, gdje se procjena rizika djelomično radi putem modela, i u rekreacijskoj branši, gdje predviđanje rezervacija usmjerava planiranje kapaciteta. Pitanje uvijek nije preuzima li AI posao, nego koji dio, s kakvim nadzorom, i što to znači za usporedbu s konkurencijom.
O odlukama o osoblju koje bi mogle proizaći iz ovog pomaka, ova stranica ne izriče stav; za to vrijede vlastiti zakonski zahtjevi koji ne spadaju u tržišnu usporedbu.
Uzgajivač ili zadruga koja tvrdi da pobjeđuje na vremenu isporuke ili dosljednosti kvalitete, mora tu tvrdnju moći potkrijepiti nečim provjerljivim: brojkom, izjavom klijenta, certifikacijom. Kako takvu tvrdnju postaviti nasuprot tvrdnji konkurenta bez popunjavanja onoga što ne znate, opisano je u metodi za ocjenjivanje konkurenta bez pretpostavki, i širi pristup iza toga u objašnjenju kako benchmarkirati svoju tvrtku prema konkurentima. Koji posao u vašoj vlastitoj tvrtki AI već može preuzeti, i koji dio i dalje zahtijeva nadzor, drugo je pitanje od onoga na čemu pobjeđujete; na to prvo pitanje odgovara skeniranje posla FTE TO AI po zadatku.
Odredite za sebe na kojim dvije ili tri dimenzije mislite da pobjeđujete nad tvrtkama u svojoj peer grupi. Za svaku tvrdnju provjerite postoji li dokaz koji bi uvjerio nekog izvana. Besplatna provjera dimenzija omogućuje vam da te tvrdnje postavite jednu uz drugu i prikazuje koju od njih možete braniti dokazima. Potpuni benchmark, s ocjenama za cijelu peer grupu i pretraživom matricom dokaza, je u izradi.