Google viib AI tehasesse ja lattu

Miks Google sihib tehaseid ja ladusid?

Kui Sa arvasid, et AI-buum tähendab veel üht juturobotit, mis kirjutab Sinu eest LinkedIni postituse, siis Google tahab Sind viisakalt lattu saata. Sõna otseses mõttes. Google Cloud tõi välja uued generatiivse tehisintellekti lahendused tootmisele ja logistikale — ehk sinna, kus iga seisnud masin ja iga kadunud kaubaalus põletab raha kiiremini kui kontori kohvimasin elektrit.

See ei ole enam „vaata, robot kirjutas luuletuse“ ajastu. See on „miks kurat see CNC-pink jälle seisab ja kus mu Poola veok on?“ ajastu. Ja seal muutub AI palju vähem seksikaks, aga palju kasulikumaks. Nagu Excel, mis hakkas järsku rääkima, aru saama ja öövahetuses vigu otsima.

Google’i värske teade, mida saab lugeda Google Cloud Blogi artiklist tootmise ja logistika AI-tööriistade kohta, räägib uutmoodi tööriistadest: ettevõtte enda andmed ühendatakse LLM-idega (suur keelemudel ehk teksti mõistev AI), et ehitada tööstuslikke vestlusliideseid ja AI-agente (digitaalsed abilised, mis teevad samme ise). Turunduskeeles: „töövoogude transformatsioon“. Inimkeeles: „pane süsteem aru saama, kus kaup on, mis katki on ja mida järgmise tunniga teha“.

Miks Google sihib tehaseid?

Sest tehastes on raha. Mitte teoreetiline „kasutajate kaasamise“ raha, vaid päris raha: metall, masinad, tööjõud, elekter, varud, hilinenud tellimused, trahvid ja kliendid, kes ei taha kuulda, et „süsteem ei näita“. Kui kontoritöötaja AI abil 20 minutit kokku hoiab, on tore. Kui tootmisliin seisab 20 minutit vähem, võib see tähendada tuhandeid eurosid.

Google Cloud ei tee seda heategevusest. Pilveplatvormid tahavad, et ettevõtted tooksid oma andmed pilve, jooksutaksid seal mudeleid ja maksaksid inference’i (AI vastuse genereerimine) eest iga kord, kui süsteem midagi analüüsib. See on ilus äri: müüd taristut, müüd tarkvara, müüd mudelit ja kui klient lõpuks sõltuvusse jääb, müüd talle „optimeerimist“. Nagu printeritint, ainult et nüüd on kassas GPU (graafikaprotsessor — AI arvutuste kiip).

Google’i loogika on lihtne. Tootmis- ja logistikaettevõtetel on aastakümneid kogunenud andmeid: hooldusraportid, laoseisud, tarneajad, kvaliteedikontrolli märkmed, töökorraldused, tarnijate meilid, ERP (ettevõtte juhtimistarkvara) väljavõtted ja pildid defektsetest detailidest. Need andmed on tihti nagu vanaema sahver: kõik vajalik on olemas, aga keegi ei tea, millise purgi taga see õige asi on.

Uued lahendused lubavad võtta selle segaduse ja muuta selle kasutatavaks. Mitte nii, et direktor küsib PowerPointis: „Kas meil on AI strateegia?“ Vaid nii, et laojuht küsib vestlusliideselt: „Millised tellimused jäävad täna riskitsooni, kui Tartu tarnija hilineb kaks tundi?“ Ja süsteem ei vasta luuletusega, vaid näitab konkreetseid tellimusi, alternatiivseid tegevusi ja põhjuseid.

Mida Google tegelikult müüb?

Ametlikult müüb Google Cloud generatiivset AI-d tootmise ja logistika töövoogude automatiseerimiseks. Praktikas müüb ta kolme asja: andmete ühendamist, töövoogude automatiseerimist ja sõltuvust pilvest. Kõlab küüniliselt? Jah. Aga see ei tähenda, et toode oleks halb. Paljud head tehnoloogiad ongi ehitatud väga kasumlikule ärimudelile. Vastasel juhul oleksid need hobi, mitte kvartalitulemuste osa.

Google’i teates on oluline sõna „agentpõhine“. AI-agendid (digitaalsed töötegijad kindla ülesandega) ei tähenda lihtsalt juturobotit, kes ütleb: „Jah, ma saan aru.“ Agent peaks tegema järgmise sammu. Näiteks leidma, milline varuosa on laos, koostama hoolduspileti, andma ostuosakonnale märguande või pakkuma tarneahela ümberplaneerimist. See on nagu praktikant, kes ei küsi iga kolme minuti järel, kus printer on — vähemalt ideaalis.

Aga siin tuleb pidur peale. Iga kord, kui suur tehnoloogiafirma ütleb „agent“, kuula sõna „vastutus“. Kui AI soovitab vale tarnija, tellib vale varuosa või tõlgendab hooldusandmeid valesti, siis kes vastutab? Mudel? Pilvepakkuja? Tootmisjuht? See vaene inimene, kes vajutas „kinnita“? Juristid juba hõõruvad käsi. Mitte rõõmust. Tunnitasu pärast.

„Meie eesmärk on viia generatiivne tehisintellekt tööstuse päris töövoogudesse, kus see aitab inimestel kiiremini otsustada ja keerulisi protsesse automatiseerida.“

See mõte on ilus. Aga iga ilus AI-lubadus peab läbima tehase põranda testi. Kas süsteem töötab siis, kui andmed on poolikud? Kas see saab aru eesti-, inglise- ja saksa segakeelsetest hooldusmärkmetest? Kas see eristab „pump teeb häält“ ja „pump on kohe suremas“? Kas see küsib kinnitust enne, kui midagi kallist käivitab? Need on vähem glamuursed küsimused kui „kas AI võtab maailma üle“, aga ettevõtte jaoks palju tähtsamad.

Kus kasu päriselt tekib?

Tootmise ja logistika AI puhul on suurim väärtus harva „üks maagiline supermudel“. Väärtus tuleb väikestest, igavatest ja korduvatest töödest, mida inimesed vihkavad, aga firma vajab. Näiteks raportite kokkuvõtmine, defektide mustrite leidmine, varude prognoosimine, hoolduse planeerimine ja tarneprobleemide ennetamine.

Võtame lihtsa näite. Sul on tootmisettevõte, kus masinate hooldusinfo on kirjas kolmes kohas: meilis, Excelis ja ühe meistri peas. Klassika. Kui meister on puhkusel, muutub ettevõte korraks arheoloogiaeksperimendiks. Generatiivne AI võib need märkmed läbi lugeda, mustrid kokku võtta ja öelda: „Selle masina laagrite rike kipub tulema 12–16 päeva pärast seda vibratsioonimärget.“ See ei ole Hollywoodi robot. See on väga hea sekretär, kellel on mälu ja kes ei lähe kell 17.00 koju.

Logistikas on sama lugu. Tarneahel pole enam sirge tee. See on nagu Tallinna liiklus reede pärastlõunal: kõik liiguvad, keegi pole päris kindel miks, ja lõpuks seisab keegi ristmikul, kuigi roheline tuli põleb. AI saab võrrelda tellimusi, vedajate ajalugu, ilmastikuandmeid, laoseisu ja klientide prioriteete. Kui see on hästi ühendatud, võib ta pakkuda ümberplaneerimist enne, kui probleem eskaleerub.

Aga rõhk on sõnal „hästi“. Halb AI-projekt tööstuses on nagu kallis tõstuk, mille keegi ostis, aga mille aku on alati tühi. Kui andmed ei liigu, protsessid pole kirjeldatud ja vastutajad pole selged, siis saad Sa lihtsalt uue digitaalse segaduse. Ainult et nüüd on selle nimi „innovatsioon“.

Euroopa paneb sildi külge

Eesti ja Euroopa ettevõtete jaoks on teine suur teema EL-i AI-määrus. See ei ole lihtsalt järjekordne Brüsseli PDF, mida keegi avab ainult siis, kui audiitor ähvardab. Kui AI hakkab tegema otsuseid või soovitusi tööstuslikes protsessides, mis võivad mõjutada ohutust, töökorraldust või kriitilisi süsteeme, tuleb mõelda riskiklassile, dokumentatsioonile ja inimjärelevalvele.

Kõrge riskiga süsteemid tähendavad, et „me panime AI tööle ja loodame parimat“ ei ole enam strateegia. See on lotopilet. Ja lotopilet pole vastavusplaan. Ettevõte peab suutma näidata, mis andmetega mudelit kasutatakse, mida süsteem teeb, kus inimene kinnitab, kuidas vigu jälgitakse ja kuidas otsuseid auditeeritakse. Eriti siis, kui AI mõjutab tööohutust, kvaliteeti või inimeste töötingimusi.

Siin tekib huvitav pinge. Google ja teised suurplatvormid tahavad müüa kiiret kasutuselevõttu. Euroopa regulaatorid tahavad kontrollitavust. Ettevõte tahab kasumit. Töötaja tahab, et uus süsteem ei muudaks teda lihtsalt nupuvajutajaks, kelle süü on kõik, mida mudel valesti pakkus. See on vähem „AI muudab maailma“ ja rohkem „kes kirjutab protseduurijuhendi ümber?“

GenAI4EU ja Euroopa digirahastus annavad sellele kõigele lisatausta. Euroopa tahab, et AI ei jääks ainult Ameerika pilvehiiglaste mängumaaks. Tore mõte. Aga praktikas vajab Eesti ettevõte kahte asja: raha ja kompetentsi. Raha saab vahel toetusest. Kompetents tuleb tavaliselt valusalt, läbi esimese projekti, kus selgub, et „meil on andmed olemas“ tähendas tegelikult „keegi eksportis 2019. aastal CSV-faili“.

Eesti ettevõtte nurk

Eesti tootmis- ja logistikaettevõtted ei peaks seda uudist vaatama kui kauget Silicon Valley paraadi. Väiksem ettevõte ei pea ehitama kohe agentide armeed ega nimetama laohoidjat „AI-operatsioonide juhiks“. Aga ta peab küsima: kus meil praegu raha lekib?

Kui Sul on ladu, siis vaata varude täpsust, komplekteerimisvigu, tagastusi ja seisvat kaupa. Kui Sul on tootmine, vaata seisakuid, kvaliteedivigu, hoolduse planeerimist ja käsitsi täidetavaid raporteid. Kui Sul on eksport, vaata tarneaega, tarnijate usaldusväärsust ja kliendile lubatud kuupäevi. AI ei pea alustama suurelt. Ta peab alustama valusast kohast.

Hea esimene projekt on selline, mille tulemust saab mõõta. Näiteks: kas hooldusraportite kokkuvõtmine vähendab meistri haldustööd kaks tundi nädalas? Kas AI-abiga varude prognoos vähendab puudujääke 10 protsenti? Kas tarneprobleemide varajane hoiatus vähendab hilinenud saadetisi? Kui tulemust ei saa mõõta, on see tõenäoliselt demo, mitte projekt.

Ja jah, ka Eesti keele tugi on päris küsimus. Paljud rahvusvahelised tööriistad saavad eesti keelest aina paremini aru, kuid tööstuskeel on omaette loom. „Võll vilistab“, „lint käib raskelt“, „kummaline klõbin“ — need pole alati ilusad standardterminid. Kui süsteem töötab ainult ingliskeelse ideaalandmega, aga Sinu päriselu on segu eesti keelest, lühenditest ja töökoja slängist, siis tuleb seda testida. Mitte uskuda müügivideot, kus kõik inimesed kannavad valgeid kiivreid ja naeratavad serveririiuli poole.

Ära osta hype’i pimesi

Google’i uudis on oluline, sest see näitab suunda: generatiivne AI kolib päris protsessidesse. Tehas, ladu ja tarneahel on järgmine lahinguväli. Mitte sellepärast, et see kõlab laval ägedalt, vaid sellepärast, et seal on ebaefektiivsus kallis. Suurkorporatsioonid järgivad raha lõhna sama kindlalt nagu kass konservikarbi heli.

Samas ei tähenda see, et iga ettevõte peaks homme Google Cloudi lepingu lauale panema. Pilv võib olla õige valik. Võib ka mitte olla. Oluline on mitte ajada segamini tööriista ja strateegiat. AI-strateegia ei ole „võtame Google’i asja“. AI-strateegia on „me teame, millist äriprobleemi lahendame, mis andmeid kasutame, kes vastutab ja kuidas tulemust mõõdame“.

Kui müüja räägib Sulle „autonoomsetest agentidest“, küsi kolm tüütut küsimust. Esiteks: milliseid konkreetseid süsteeme see puudutab? Teiseks: kas agent teeb otsuse või ainult soovitab? Kolmandaks: kus on logi ehk jälg sellest, miks ta midagi pakkus? Kui vastus on udusem kui novembrikuu Tallinn, siis hoia rahakott taskus.

Ja veel: ära lase AI-projekti juhtida ainult IT-osakonnal. Tootmise AI peab sündima koos tootmisjuhi, laojuhi, kvaliteedijuhi, hooldusmeeskonna ja andmekaitse inimesega. Vastasel juhul saad ilusa tööriista, mida päris kasutajad vihkavad. See on tehnoloogia klassika: süsteem töötab demopäeval, aga sureb esmaspäeval kell 8.17, kui esimene päris probleem sisse tuleb.

Mida see Sulle tähendab?

Kui oled Eesti tootmis-, logistika- või hulgiettevõtte juht, siis tänane uudis on märguanne: AI ei ole enam ainult turunduse mänguasi. Ta liigub protsessidesse, mis mõjutavad marginaali, tarnekindlust ja kliendirahu. Aga ära osta „AI-agenti“ nagu jõulukuuske — et näeb ilus välja ja pärast jaanuari vedeleb nurgas.

Tee järgmist. Esiteks vali üks kitsas protsess, kus probleem on kallis ja mõõdetav. Teiseks korista selle protsessi andmed piisavalt ära, et inimenegi aru saaks. Kolmandaks tee piloot 6–8 nädalaga, mitte 18-kuulise „digitransformatsiooni programmiga“, mille lõpuks on pool tiimi vahetunud. Neljandaks dokumenteeri riskid kohe, sest EL-i AI-määrus ei hooli sellest, et Sul oli kiire.

Kui tahad laiemat tausta, loe ka meie varasemaid lugusid: AI kolib tehasesse ja raamatupidamisse, AI kolib kontorisse, tehasesse ja haiglasse ning AI läheb Euroopas kontrolli alla. Kui Sinu fookus on müük ja pakkumised, siis vaata ka AI-hankeassistenti B2B müügile. Need teemad hakkavad varsti kokku jooksma: tootmine, müük, ladu, hind ja vastavus — kõik ühe suure andmelaua taga.

Lõplik soovitus on lihtne. Ära küsi: „Kas meil peaks olema AI?“ Küsi: „Milline korduv jama maksab meile iga kuu raha?“ Kui vastus on käes, siis AI võib olla tööriist. Kui vastust ei ole, siis on AI lihtsalt kallis uus viis vanu probleeme peita.