Kmetijski sektor sloni na delu, ki ga je težko načrtovati, ker o njem odločajo razmere. Vodenje pridelave, načrtovanje žetve, sortiranje in kontrola kakovosti, načrtovanje prevoza do dražbe ali kupca, ter administrativni sklop okoli certifikatov in skladnosti: to so postavke, kamor priteka največ ur. Vreme, biološka ura pridelka ali živali, in razpoložljivost sezonske delovne sile bolj določajo izid kot namen načrtovanja. Kdor dobavlja na tem področju, dobavlja pod pogoji, ki se lahko iz tedna v teden obrnejo.
Leta in leta se je v tem sektorju zmagovalo s tem, kdo je negotovost najbolje obvladal: pridelovalec ali podjetje z največ izkušnjami, z najostrejšim pogledom na vremensko sliko, z najspretnejšo roko pri sortiranju. To je še vedno relevantno. Toda delo, s katerim se ta izkušnja pretvarja v odločitev, spreminja značaj.
Znotraj kmetijskega delovnega paketa se prepletajo tri kategorije, in prav to, katera stopnja spada v katero kategorijo, pojasnjuje, zakaj eno podjetje že zdaj dela drugače kot drugo.
V celoti mogoče prevzeti z AI je delo, ki obsega ponovljive vzorce z dovolj podatkov: napoved donosa na podlagi zgodovinskih in aktualnih senzorskih podatkov, načrtovanje namakanja na podlagi vlažnosti tal in vremenske napovedi, ter prvo sortiranje izdelkov na podlagi prepoznavanja slik. Podjetja s senzorji v tleh in kamerami na sortirni liniji te korake že prepuščajo brez posredovanja.
Delno, s človekom, ki odobri ali zavrne z razlogom, je delo, kjer model poda priporočilo, a je kontekst preveč nepredvidljiv za popolno prenos: odločitev, ali zdaj škropiti ali počakati, izbira med dvema prodajnima kanaloma ob razliki v ceni, ocena, ali je parcela že zrela za žetev. Tu sistem generira priporočilo z utemeljitvijo, pridelovalec ali vodja podjetja pa ga potrdi ali zaustavi. Ta nadzor ni prehodna faza; je oblika, v kateri to delo za zdaj ostaja, ker odgovornost in lokalno znanje ostajata pri človeku.
Človekovo delo ostaja stik s kupcem, ki zahteva izdelavo po meri, pogajanje o dobavni pogodbi, in fizična opravila, ki jih ni mogoče avtomatizirati brez preureditve podjetja. Tudi sestava dokumentacije za presojo certificiranja v jedru ostaja človekovo delo, čeprav je zbiranje podatkov, na katerih temelji, mogoče pospešiti.
Razlika med podjetji ni v ambiciji, temveč v tem, kaj že obstaja od podatkov in senzorike. Podjetje z večletnimi senzorskimi podatki o tleh, pridelku in podnebju lahko napaja napovedni model, ki je uporaben; podjetje brez te zgodovine začne s praznim modelom. Enako velja za prepoznavanje slik pri sortiranju: to postane natančno šele po urjenju na velikih količinah lastnih fotografij izdelkov. Kdor te osnove nima, ostaja dlje odvisen od človeka pri korakih, ki so drugje že prevzeti. To ni zaostanek v vloženem trudu, temveč razlika v tem, kaj je bilo zgrajeno.
Brž ko del odločitve o pridelavi, sortiranju ali logističnem načrtovanju leži pri sistemu, se premakne tudi to, na čem kupec ali dražba ocenjuje dobavitelja. Dobavni rok in zanesljivost obsega sta bila prej funkcija zasedenosti in izkušenj; ko načrtovanje samo že upošteva vreme, prevozno zmogljivost in okno žetve, se primerjava premakne na to, kako dosledno se ta napoved uresniči in kako hitro se prilagodi, ko praksa odstopa. Doslednost kakovosti je bila stvar mojstrstva na sortirni liniji; z avtomatiziranim prepoznavanjem slik postane stvar tega, koliko učnih podatkov in koliko kontrolnih plasti je podjetje vzpostavilo. Dimenzija, na kateri se zmaguje, obdrži isto ime, a vprašanje za njo se spreminja.
Ta vzorec ni edinstven za kmetijstvo in vrtnarstvo. Enak premik od zasedenosti k sistemski kakovosti se dogaja v IT-sektorju, kjer se dobavni rok projektov spreminja zaradi avtomatiziranega načrtovanja, v finančnih storitvah, kjer oceno tveganja deloma opravljajo modeli, in v rekreacijski panogi, kjer napoved rezervacij usmerja načrtovanje zmogljivosti. Vedno je vprašanje ne, ali AI prevzame delo, temveč kateri del, s kakšnim nadzorom, in kaj to pomeni za primerjavo s konkurentom.
O kadrovskih odločitvah, ki bi lahko izhajale iz tega premika, ta stran ne poda izjave; zanje veljajo lastne zakonske zahteve, ki ne spadajo v tržno primerjavo.
Pridelovalec ali zadruga, ki trdi, da zmaguje na dobavnem roku ali doslednosti kakovosti, mora to trditev podpreti z nečim sledljivim: s številko, izjavo stranke, certifikatom. Kako takšno trditev postavite ob trditev konkurenta, ne da bi si izmišljali, česar ne veste, je opisano v pristopu za ocenjevanje konkurenta brez domnev, širša zasnova, ki stoji za tem, pa v razlagi, kako primerjati vaše podjetje s konkurenti. Katero delo v vašem lastnem podjetju je že mogoče v celoti prevzeti z AI in kateri del še vedno zahteva nadzor, je drugo vprašanje kot to, na čem zmagujete; na prvo vprašanje odgovarja delovna analiza FTE TO AI po posamezni nalogi.
Za sebe opredelite, na katerih dveh ali treh dimenzijah menite, da zmagujete nad podjetji v svoji primerjalni skupini. Za vsako trditev preverite, ali za njo stoji dokaz, ki bi prepričal zunanjega opazovalca. Brezplačni preizkus dimenzij vam omogoča, da te trditve postavite drugo ob drugo in pokaže, katera od njih se z dokazi da braniti. Celotni benchmark, z ocenami za celotno primerjalno skupino in preiskovalno matriko dokazov, je v izdelavi.