Lauksaimniecības nozare balstās uz darbu, ko grūti plānot, jo apstākļi to nosaka. Audzēšanas vadība, ražas novākšanas plānošana, šķirošana un kvalitātes kontrole, transporta plānošana uz izsoli vai pircēju, un administratīvais bloks ap kvalitātes zīmēm un atbilstības prasībām: tie ir posteņi, kur ienāk lielākā daļa stundu. Laikapstākļi, auga vai dzīvnieka bioloģiskais pulkstenis un sezonas darbaspēka pieejamība nosaka iznākumu vairāk nekā plānošanas nodoms. Kas šeit piegādā, tas piegādā apstākļos, kas var mainīties katru nedēļu.
Gadiem ilgi šajā nozarē uzvarēja tas, kurš vislabāk spēja tikt galā ar nenoteiktību: audzētājs vai uzņēmums ar visvairāk pieredzes, asāko skatu uz laikapstākļu ainu, veiklāko roku šķirošanā. Tas joprojām ir aktuāli. Taču darbs, ar kura palīdzību šī pieredze tiek pārvērsta lēmumā, maina savu raksturu.
Lauksaimniecības darba pakotnē savijas trīs kategorijas, un tas, kurš solis kurā kategorijā iekrīt, izskaidro, kāpēc viens uzņēmums jau tagad strādā citādi nekā otrs.
Pilnībā AI pārņemams ir darbs, kas sastāv no atkārtojamiem modeļiem ar pietiekamiem datiem: ražas prognozēšana, balstoties uz vēsturiskiem un aktuāliem sensoru datiem, apūdeņošanas plānošana, balstoties uz augsnes mitrumu un laikapstākļu prognozi, un produktu sākotnējā šķirošana ar attēlu atpazīšanu. Uzņēmumi ar sensoriem augsnē un kamerām šķirošanas līnijā jau šos soļus veic bez cilvēka iesaistes.
Daļēji, ar cilvēku, kas apstiprina vai noraida, pamatojot to, ir darbs, kur modelis sniedz ieteikumu, bet konteksts ir pārāk mainīgs pilnīgai nodošanai: lēmums tagad smidzināt vai gaidīt, izvēle starp diviem noieta kanāliem cenu starpības gadījumā, novērtējums, vai lauks jau ir gatavs ražas novākšanai. Šeit sistēma ģenerē ieteikumu ar pamatojumu, un audzētājs vai uzņēmuma vadītājs to izmanto vai aptur. Šī uzraudzība nav pārejas fāze; tā ir forma, kādā šis darbs pagaidām turpina pastāvēt, jo atbildība un vietējās zināšanas paliek pie cilvēka.
Cilvēka darbs paliek kontakts ar pircēju, kas prasa individuālu pieeju, sarunas par piegādes līgumu, un fiziskās darbības, ko nevar automatizēt bez uzņēmuma pārkārtošanas. Arī dosjē sagatavošana kvalitātes zīmes auditam būtībā paliek cilvēka darbs, lai gan pamatdatu vākšanu var paātrināt.
Atšķirība starp uzņēmumiem nav ambīcijās, bet gan tajā, kas jau pastāv datu un sensoru ziņā. Uzņēmums ar gadiem ilgiem sensoru datiem par augsni, kultūraugu un klimatu var apgādāt prognozēšanas modeli, kas ir lietderīgs; uzņēmums bez šīs vēstures sāk ar tukšu modeli. Tas pats attiecas uz attēlu atpazīšanu šķirošanā: tā kļūst precīza tikai pēc apmācības uz lielu daudzumu pašu produkta fotogrāfiju. Kam nav šī pamata, tas ilgāk paliek atkarīgs no cilvēka soļos, kas citur jau ir pārņemti. Tā nav atpalicība centienos, bet gan atšķirība tajā, kas ir uzbūvēts.
Tiklīdz daļa no audzēšanas lēmuma, šķirošanas vai loģistikas plānošanas nonāk sistēmas rokās, mainās tas, pēc kā pircējs vai izsole vērtē piegādātāju. Piegādes laiks un apjoma drošība agrāk bija kapacitātes un pieredzes funkcija; ja pati plānošana jau ņem vērā laikapstākļus, transporta kapacitāti un ražas novākšanas logu, salīdzinājums pāriet uz to, cik konsekventi šī prognoze piepildās un cik ātri tiek koriģēts, ja prakse atšķiras. Kvalitātes konsekvence bija amatprasmes jautājums pie šķirošanas līnijas; ar automatizētu attēlu atpazīšanu tas kļūst par jautājumu, cik daudz apmācības datu un cik daudz kontroles līmeņu uzņēmums ir izveidojis. Dimensija, pēc kuras tiek gūts pārsvars, saglabā to pašu nosaukumu, taču aiz tās esošais jautājums mainās.
Šis modelis nav unikāls lauksaimniecībai un dārzkopībai. Tā pati pāreja no kapacitātes uz sistēmas kvalitāti notiek IKT nozarē, kur projektu piegādes laiku maina automatizēta plānošana, finanšu pakalpojumu nozarē, kur riska novērtēšanu daļēji veic modeļi, un atpūtas nozarē, kur rezervāciju prognozēšana virza kapacitātes plānošanu. Vienmēr jautājums nav par to, vai AI pārņem darbu, bet gan kuru daļu, ar kādu uzraudzību, un ko tas nozīmē salīdzinājumā ar konkurentu.
Par personāla lēmumiem, kas varētu izrietēt no šīs pārmaiņas, šī lapa neko neapgalvo; tiem ir savas juridiskās prasības, un tās nepieder pie tirgus salīdzinājuma.
Audzētājam vai kooperatīvam, kas apgalvo, ka gūst pārsvaru piegādes laika vai kvalitātes konsekvences ziņā, jāspēj šo apgalvojumu pamatot ar kaut ko izsekojamu: skaitli, klienta apliecinājumu, sertifikāciju. Kā jūs šādu apgalvojumu izvērtējat pretstatā konkurenta apgalvojumam, neaizpildot to, ko nezināt, ir aprakstīts darba metodē, kā novērtēt konkurentu bez pieņēmumiem, un plašāks skaidrojums par to atrodams skaidrojumā par to, kā salīdzināt savu uzņēmumu ar konkurentiem. Tas, kāds darbs jūsu paša uzņēmumā jau ir pārņemams ar AI un kura daļa joprojām prasa uzraudzību, ir cits jautājums nekā tas, ar ko jūs gūstat pārsvaru; uz šo pirmo jautājumu atbild FTE TO AI darba skenēšana pa uzdevumiem.
Nosakiet sev, pēc kurām divām vai trim dimensijām, jūsuprāt, gūstat pārsvaru pār uzņēmumiem savā salīdzināmajā grupā. Pārbaudiet katram apgalvojumam, vai aiz tā stāv pierādījums, kas pārliecinātu kādu no malas. Bezmaksas dimensiju pārbaude ļauj jums salikt šos apgalvojumus blakus un parāda, kurus no tiem var aizstāvēt ar pierādījumiem. Pilnā etalonanalīze, ar rezultātiem visai salīdzināmajai grupai un meklējamu pierādījumu matricu, tiek gatavota.