Sektor rolniczy opiera się na pracy, którą trudno zaplanować, ponieważ decydują o niej warunki zewnętrzne. Prowadzenie uprawy, planowanie zbiorów, sortowanie i kontrola jakości, planowanie transportu do aukcji lub odbiorcy oraz blok administracyjny wokół certyfikatów i zgodności z przepisami: to pozycje, w które wpływa najwięcej godzin. Pogoda, biologiczny zegar rośliny lub zwierzęcia oraz dostępność pracy sezonowej sterują wynikiem bardziej niż intencja planowania. Kto tu dostarcza, dostarcza w warunkach, które mogą się zmienić z tygodnia na tydzień.
Przez lata w tym sektorze wygrywał ten, kto najlepiej radził sobie z niepewnością: rolnik lub firma z największym doświadczeniem, z najostrzejszym wyczuciem prognozy pogody, z najbardziej wprawną ręką przy sortowaniu. To nadal jest istotne. Ale praca, dzięki której to doświadczenie przekłada się na decyzję, zmienia charakter.
W ramach pakietu prac rolniczych przenikają się trzy kategorie, a to, który etap należy do której kategorii, wyjaśnia, dlaczego jedna firma pracuje już inaczej niż druga.
Do całkowitego przejęcia przez AI nadaje się praca składająca się z powtarzalnych wzorców przy wystarczającej ilości danych: prognoza plonów na podstawie historycznych i aktualnych danych z czujników, planowanie nawadniania na podstawie wilgotności gleby i prognozy pogody, oraz wstępne sortowanie produktów na podstawie rozpoznawania obrazu. Firmy z czujnikami w glebie i kamerami na linii sortowniczej pozwalają już, by te etapy przebiegały bez interwencji.
Częściowo, z udziałem człowieka, który zatwierdza lub odrzuca z uzasadnieniem, jest praca, w której model daje rekomendację, ale kontekst jest wciąż zbyt zmienny dla pełnego przekazania: decyzja, czy teraz opryskiwać czy poczekać, wybór między dwoma kanałami zbytu przy różnicy cen, ocena, czy działka jest już gotowa do zbioru. Tutaj system generuje zalecenie z uzasadnieniem, a rolnik lub kierownik firmy je wdraża albo wstrzymuje. Ten nadzór nie jest fazą przejściową; to forma, w jakiej ta praca będzie na razie istnieć, ponieważ odpowiedzialność i lokalna wiedza leżą po stronie człowieka.
Pracą ludzką pozostaje kontakt z odbiorcą, który wymaga rozwiązań na miarę, negocjacje umowy dostawy oraz czynności fizyczne, których nie da się zautomatyzować bez przeorganizowania firmy. Także sporządzanie dokumentacji do audytu certyfikacyjnego pozostaje w istocie pracą ludzką, choć zbieranie danych źródłowych może zostać przyspieszone.
Różnica między firmami nie tkwi w ambicji, lecz w tym, jakie dane i jaka sensoryka są już obecne. Firma z wieloletnimi danymi z czujników dotyczącymi gleby, uprawy i klimatu może zasilić model prognostyczny, który jest użyteczny; firma bez takiej historii zaczyna od pustego modelu. To samo dotyczy rozpoznawania obrazu przy sortowaniu: staje się ono dokładne dopiero po wytrenowaniu na dużej ilości własnych zdjęć produktów. Kto nie ma tej podstawy, dłużej pozostaje zależny od człowieka w przypadku etapów, które gdzie indziej zostały już przejęte. To nie jest zaległość w zaangażowaniu, to różnica w tym, co zostało zbudowane.
Gdy tylko część decyzji o uprawie, sortowanie lub planowanie logistyczne trafia do systemu, przesuwa się to, na czym odbiorca lub aukcja ocenia dostawcę. Czas dostawy i pewność wolumenu były wcześniej funkcją obsady i doświadczenia; jeśli samo planowanie uwzględnia już pogodę, zdolność transportową i okno zbioru, porównanie przenosi się na to, jak konsekwentnie ta prognoza się sprawdza i jak szybko następuje korekta, gdy praktyka od niej odbiega. Spójność jakości była kwestią rzemiosła na linii sortowniczej; przy zautomatyzowanym rozpoznawaniu obrazu staje się kwestią tego, ile danych treningowych i ile warstw kontroli firma zorganizowała. Wymiar, na którym się wygrywa, zachowuje tę samą nazwę, ale pytanie za nim się zmienia.
Ten wzorzec nie jest unikalny dla rolnictwa i ogrodnictwa. To samo przesunięcie od obsady do jakości systemu widoczne jest w sektorze IT, gdzie czas dostawy projektów zmienia się dzięki zautomatyzowanemu planowaniu, w usługach finansowych, gdzie ocena ryzyka jest częściowo dokonywana przez modele oraz w branży rekreacyjnej, gdzie prognoza rezerwacji steruje planowaniem zdolności. Za każdym razem pytanie nie brzmi, czy AI przejmuje pracę, lecz jaką jej część, z jakim nadzorem, i co to oznacza dla porównania z konkurentem.
O decyzjach personalnych, które mogłyby wynikać z tego przesunięcia, ta strona się nie wypowiada; obowiązują tu odrębne wymogi prawne, które nie należą do porównania rynkowego.
Rolnik lub spółdzielnia, którzy twierdzą, że wygrywają na czasie dostawy lub spójności jakości, muszą móc poprzeć to twierdzenie czymś możliwym do zweryfikowania: liczbą, oświadczeniem klienta, certyfikatem. Jak zestawić takie twierdzenie z twierdzeniem konkurenta, nie uzupełniając tego, czego Państwo nie wiedzą, opisano w metodzie oceniania konkurenta bez przyjmowania założeń, a szerszą koncepcję stojącą za tym w wyjaśnieniu, jak porównywać własną firmę z konkurentami. To, jaka praca w Państwa własnej firmie nadaje się już do przejęcia przez AI, a jaka część nadal wymaga nadzoru, to inne pytanie niż to, na czym Państwo wygrywają; na to pierwsze pytanie odpowiada skan pracy FTE TO AI dla poszczególnych zadań.
Proszę określić dla siebie, na których dwóch lub trzech wymiarach uważają Państwo, że wygrywają z firmami w swojej grupie porównawczej. Proszę sprawdzić przy każdym twierdzeniu, czy stoi za nim dowód, który przekonałby osobę z zewnątrz. Bezpłatna kontrola wymiarów pozwala zestawić te twierdzenia obok siebie i pokazuje, które z nich można obronić dowodami. Pełny benchmark, z wynikami dla całej grupy porównawczej i przeszukiwalną matrycą dowodów, jest w przygotowaniu.