Lantbrukssektorn drivs av arbete som är svårt att planera eftersom omständigheterna bestämmer utfallet. Odlingsbegledning, skördeplanering, sortering och kvalitetskontroll, transportplanering till auktion eller köpare, och det administrativa blocket kring kvalitetsmärkningar och compliance: det är posterna där de flesta timmarna hamnar. Vädret, grödans eller djurets biologiska klocka, och tillgången på säsongsarbetskraft styr utfallet mer än planeringens avsikt. Den som levererar här levererar under förhållanden som kan förändras från vecka till vecka.
I åratal vann man i denna sektor på vem som bäst kunde hantera osäkerheten: odlaren eller företaget med mest erfarenhet, den skarpaste blicken på väderläget, den skickligaste handen vid sortering. Det är fortfarande relevant. Men arbetet genom vilket den erfarenheten omsätts till ett beslut förändrar karaktär.
Inom det agrariska arbetspaketet löper tre kategorier in i varandra, och vilket steg som hamnar i vilken kategori förklarar varför det ena företaget redan nu arbetar annorlunda än det andra.
Helt möjligt att låta AI ta över är arbete som består av repeterbara mönster med tillräckligt med data: avkastningsprognos baserad på historisk och aktuell sensordata, bevattningsplanering baserad på markfuktighet och väderprognos, och den första sorteringen av produkter genom bildigenkänning. Företag med sensorer i marken och kameror på sorteringslinjen låter redan dessa steg köra utan mänsklig inblandning.
Delvis, med en människa som godkänner eller avvisar med motivering, är arbetet där modellen ger ett råd men sammanhanget är alltför oberäkneligt för fullständig överlämning: beslutet att spruta nu eller vänta, valet mellan två avsättningskanaler vid en prisskillnad, bedömningen om ett fält redan är skördemoget. Här genererar systemet en rekommendation med underlag, och odlaren eller driftsledaren för den vidare eller stoppar den. Den övervakningen är inget övergångsstadium; det är den form i vilken detta arbete tills vidare fortsätter att existera, eftersom ansvaret och den lokala kunskapen ligger hos människan.
Mänskligt arbete förblir kontakten med köparen som efterfrågar skräddarsydda lösningar, förhandlingen om ett leveranskontrakt, och de fysiska handlingar som inte kan automatiseras utan en omorganisation av verksamheten. Även sammanställningen av underlaget för en kvalitetsmärkningsrevision förblir i grunden mänskligt arbete, även om insamlingen av underliggande data visst kan påskyndas.
Skillnaden mellan företag ligger inte i ambition utan i vad som redan finns av data och sensorik. Ett företag med flerårig sensordata om mark, gröda och klimat kan mata en prognosmodell som är användbar; ett företag utan den historiken börjar med en tom modell. Detsamma gäller bildigenkänning vid sortering: den blir först skarp efter träning på stora mängder egna produktbilder. Den som saknar den grunden förblir längre beroende av människan för steg som redan har övertagits på andra håll. Det är inget eftersläpande i insats, det är en skillnad i vad som har byggts upp.
Så snart en del av odlingsbeslutet, sorteringen eller den logistiska planeringen ligger hos ett system, förskjuts det som en köpare eller auktion bedömer en leverantör på. Leveranstid och volymsäkerhet var tidigare en funktion av bemanning och erfarenhet; om planeringen själv redan tar hänsyn till väder, transportkapacitet och skördefönster, förflyttas jämförelsen till hur konsekvent den prognosen slår in och hur snabbt man justerar när praktiken avviker. Kvalitetskonsekvens var en fråga om yrkesskicklighet på sorteringslinjen; med automatiserad bildigenkänning blir det en fråga om hur mycket träningsdata och hur många kontrollnivåer ett företag har inrättat. Dimensionen man vinner på behåller samma namn, men frågan bakom den förändras.
Detta mönster är inte unikt för jordbruk och trädgårdsodling. Samma förskjutning från bemanning till systemkvalitet sker i IT-sektorn, där leveranstid för projekt förändras genom automatiserad planering, i finansiella tjänster, där riskbedömning delvis görs av modeller, och i besöksnäringen, där bokningsprognoser styr kapacitetsplaneringen. Frågan är alltid inte om AI övertar arbetet, utan vilken del, med vilken övervakning, och vad det betyder för jämförelsen med konkurrenten.
Om personalbeslut som skulle kunna följa av denna förskjutning uttalar sig denna sida inte; för det gäller egna lagstadgade krav och de hör inte hemma i en marknadsjämförelse.
En odlare eller ett kooperativ som säger sig vinna på leveranstid eller kvalitetskonsekvens måste kunna underbygga det påståendet med något spårbart: en siffra, ett kundintyg, en certifiering. Hur ni ställer ett sådant påstående mot en konkurrents utan att fylla i det ni inte vet, beskrivs i ett arbetssätt för att bedöma en konkurrent utan att göra antaganden, och den bredare uppläggningen bakom det i en förklaring av hur ni benchmarkar ert företag mot konkurrenter. Vilket arbete i ert eget företag som redan går att låta AI ta över, och vilken del som fortsatt kräver mänsklig övervakning, är en annan fråga än var ni vinner; den första frågan besvarar FTE TO AI:s arbetsscan per uppgift.
Fastställ för er själva på vilka två eller tre dimensioner ni tror att ni vinner mot företagen i er peer group. Gå igenom varje påstående och kontrollera om det finns ett bevis bakom som skulle övertyga en utomstående. Den kostnadsfria dimensionskontrollen låter er ställa dessa påståenden bredvid varandra och visar vilka av dem som går att försvara med bevis. Den fullständiga benchmarken, med poäng över hela peer-gruppen och en sökbar bevismatris, är under uppbyggnad.