Žemės ūkio sektorius remiasi darbu, kurį sunku planuoti, nes rezultatą lemia sąlygos. Auginimo priežiūra, derliaus nuėmimo planavimas, rūšiavimas ir kokybės kontrolė, transporto planavimas iki aukciono ar pirkėjo, ir administracinis blokas, susijęs su sertifikatais ir atitikties reikalavimais – tai tos pozicijos, kur suplaukia daugiausia valandų. Oras, augalo ar gyvūno biologinis laikrodis ir sezoninės darbo jėgos prieinamumas nulemia rezultatą labiau nei planavimo ketinimai. Kas tiekia šiame sektoriuje, tiekia sąlygomis, kurios per savaitę gali visiškai pasikeisti.
Metų metais šiame sektoriuje laimėjo tas, kas geriausiai sugebėjo susitvarkyti su neapibrėžtumu: augintojas ar įmonė su didžiausia patirtimi, aštriausiu žvilgsniu į orų prognozes, sumaniausia ranka rūšiuojant. Tai vis tiek yra svarbu. Tačiau darbas, kuriuo ta patirtis verčiama į sprendimą, keičia savo pobūdį.
Žemės ūkio darbo pakete persipina trys kategorijos, ir tai, kuris žingsnis patenka į kurią kategoriją, paaiškina, kodėl viena įmonė šiandien dirba kitaip nei kita.
Visiškai AI perimamas darbas – tai darbas, susidedantis iš pasikartojančių šablonų su pakankamu duomenų kiekiu: derliaus prognozavimas remiantis istoriniais ir aktualiais sensorių duomenimis, drėkinimo planavimas remiantis dirvos drėgme ir orų prognoze, ir pirminis produktų rūšiavimas pagal vaizdo atpažinimą. Įmonės, turinčios sensorius dirvoje ir kameras ant rūšiavimo linijos, šiuos žingsnius jau vykdo be žmogaus įsikišimo.
Dalinai, kai žmogus patvirtina arba atmeta su pagrindimu, yra darbas, kur modelis pateikia patarimą, bet kontekstas yra vis dar per kaprizingas visiškam perdavimui: sprendimas dabar purkšti ar palaukti, pasirinkimas tarp dviejų pardavimo kanalų kainų skirtumo atveju, įvertinimas, ar sklypas jau tinkamas derliaus nuėmimui. Čia sistema sugeneruoja rekomendaciją su pagrindimu, o augintojas ar įmonės vadovas jai duoda leidimą arba ją sustabdo. Šis priežiūros elementas nėra pereinamoji fazė; tai forma, kuria šis darbas kol kas tebeegzistuoja, nes atsakomybė ir vietinės žinios lieka žmogaus rankose.
Žmogaus darbu išlieka kontaktas su pirkėju, kuris prašo individualaus sprendimo, derybos dėl tiekimo sutarties, ir fiziniai veiksmai, kurių neįmanoma automatizuoti nepertvarkant įmonės. Taip pat sertifikato audito dokumentų paketo sudarymas iš esmės lieka žmogaus darbu, nors pagrindinių duomenų rinkimą galima paspartinti.
Skirtumas tarp įmonių slypi ne ambicijose, o tame, kokie duomenys ir jutikliai jau yra sukaupti. Įmonė, turinti daugiametę sensorių duomenų istoriją apie dirvą, augalą ir klimatą, gali paruošti naudingą prognozavimo modelį; įmonė, neturinti tokios istorijos, pradeda nuo tuščio modelio. Tas pats taikoma vaizdo atpažinimui rūšiuojant: jis tampa tikslus tik po mokymo naudojant didelį kiekį nuosavų produktų nuotraukų. Kas neturi šio pagrindo, ilgiau priklauso nuo žmogaus tose srityse, kur kitur jau įvyko perdavimas. Tai nėra pastangų atsilikimas, tai skirtumas tame, kas buvo sukaupta.
Kai dalis auginimo sprendimo, rūšiavimo ar logistikos planavimo atsiduria sistemos rankose, keičiasi tai, kuo pirkėjas ar aukcionas vertina tiekėją. Tiekimo laikas ir kiekio garantija anksčiau buvo darbo krūvio ir patirties funkcija; kai patį planavimą jau atsižvelgia į orus, transporto pajėgumus ir derliaus nuėmimo langą, palyginimas persikelia į tai, kaip nuosekliai tas prognozavimas pasitvirtina ir kaip greitai koreguojama, kai praktika nuo jo nutolsta. Kokybės nuoseklumas buvo amatininkystės klausimas ant rūšiavimo linijos; su automatizuotu vaizdo atpažinimu tai tampa klausimu, kiek mokymo duomenų ir kiek kontrolės sluoksnių įmonė yra įdiegusi. Dimensija, kuria laimima, išlaiko tą pačią pavadinimą, tačiau klausimas už jos slypintis pasikeičia.
Šis modelis nėra unikalus žemės ir sodo ūkiui. Tas pats poslinkis nuo darbo krūvio prie sistemos kokybės vyksta IT sektoriuje, kur projektų tiekimo laikas kinta dėl automatizuoto planavimo, finansinių paslaugų sektoriuje, kur rizikos vertinimą dalinai atlieka modeliai, ir poilsio pramonės sektoriuje, kur rezervacijų prognozavimas nulemia pajėgumų planavimą. Visais atvejais klausimas nėra tas, ar AI perima darbą, bet kokią dalį, su kokia priežiūra, ir ką tai reiškia palyginimui su konkurentu.
Apie personalo sprendimus, kurie galėtų kilti dėl šio poslinkio, šis puslapis nepasisako; tam taikomi atskiri teisiniai reikalavimai, ir jie nepriklauso rinkos palyginimui.
Augintojas ar kooperatyvas, kuris sako laimintis tiekimo laiku ar kokybės nuoseklumu, turi galėti tą pretenziją pagrįsti kažkuo patikrinamu: skaičiumi, kliento pareiškimu, sertifikatu. Kaip tokią pretenziją pastatyti šalia konkurento pretenzijos, neužpildant to, ko nežinote, aprašyta metode, kaip įvertinti konkurentą neduodant prielaidų, o platesnis šios metodikos pagrindas – paaiškinime, kaip lyginti savo įmonę su konkurentais. Kokį darbą jūsų pačios įmonėje jau galima perduoti AI, ir kokia dalis vis tiek reikalauja priežiūros, yra kitas klausimas nei tas, kuo jūs laimite; į pirmąjį klausimą atsako FTE TO AI darbo skenavimas kiekvienai užduočiai.
Apibrėžkite sau, kuriomis dviem ar trimis dimensijomis manote laimintis prieš įmones savo pramonės grupėje. Pagal kiekvieną pretenziją patikrinkite, ar už jos slypi įrodymas, kuris įtikintų pašalinį žmogų. Nemokamas dimensijų patikrinimas leidžia palyginti šias pretenzijas vieną prie kitos ir parodo, kurią iš jų galima apginti įrodymais. Visas etalonas, su balais visai pramonės grupei ir ieškoma įrodymų matrica, yra kuriamas.