Hvorfor landbruk trenger en egen vertikal
Et generisk CRM forstår kunder og avtaler. En gård trenger å forstå steder, sesonger og biologiske forhold. Det sentrale er ikke bare hvem som gjorde en oppgave, men hvor den ble gjort, på hvilken parsell, etter hvilket vær, med hvilken behandling og hva som skjedde etterpå.
Olivia er derfor ikke tenkt som en chatbot lagt oppå et regneark. Produktretningen er et operativsystem der gårdens egne entities og historikk er selve kjernen.
Den fysiske lokasjonen er en del av datamodellen
Et bilde av et oliventre er langt mer nyttig hvis systemet vet hvor bildet ble tatt. GEO-merking kan knytte bilder og observasjoner til riktig område eller parsell, slik at samme tregruppe kan følges over tid.
- Bilder kan knyttes til sted og parsell.
- Observasjoner kan lagres sammen med tidspunkt og sesong.
- Feltagenten kan bruke historikk fra samme område.
- Senere analyser kan sammenligne utvikling fremfor å vurdere hvert bilde isolert.
Dokumenter og årshjul må ligge sammen med driften
Gårdsdrift består av mer enn feltarbeid. Fakturaer, notater, bilder, behandlinger, sertifisering, produksjonsdata og sesongplaner henger sammen.
Olivia utvikles derfor med et sentralt dokumentlag og et sesongbasert årshjul. Når en aktivitet godkjennes i planleggingen, skal den kunne bli en faktisk oppgave med tidspunkt og kontekst i stedet for å bli liggende som et løst notat.
Vann, regn og sensorer gir bedre kontekst
Vanning og vær er konkrete eksempler på data som kan gjøre AI-vurderinger bedre. En observasjon av stress i et tre bør ikke analyseres uten å vite om det nylig har regnet, om området er vannet eller hvilke temperaturforhold som har vært registrert.
Retningen er å koble inn sensorer og målinger der det gir praktisk verdi, blant annet regn, jordfuktighet, temperatur og vannforbruk. Sensorer skal ikke samles inn for å «ha IoT», men fordi de forbedrer en konkret beslutning.
Feltagent og beskjæringsekspert skal lære – og kunne si «jeg er usikker»
Et problem med enkle bildeanalyser er at modellen ofte gjetter på sort, sykdom eller tiltak. Olivia bygges med motsatt mål: systemet skal bruke gårdens egen historikk og spørre når datagrunnlaget er for svakt.
Det er spesielt viktig for beskjæring og sortsidentifikasjon. AI kan foreslå hva den ser og hvilke observasjoner som mangler, men den bør ikke presentere usikre vurderinger som sikre agronomiske fakta.
Hva som er bygget og hva som fortsatt utvikles
Olivia er et pågående produktcase. Arbeidsflaten og flere moduler er bygget, mens deler av sensorintegrasjon, geografisk hukommelse og den mer avanserte feltintelligensen fortsatt videreutvikles. Det er bevisst synlig på denne siden fordi vi ikke ønsker å presentere roadmap som ferdig funksjonalitet.
Hva Olivia kan lære av RealtyFlow og Nexus
Den tekniske læringen fra RealtyFlow er nyttig: delt kjerne, dokumenter, roller, oppgaver, signaler, historikk og AI-vurderinger kan være generelle byggeklosser. Men Olivia trenger helt andre entities og beslutninger.
Markedspotensialet ligger i vertikalen, ikke bare i gården
Olivia er utviklet rundt oliven fordi problemet er konkret der. Men prinsippet kan være relevant for andre flerårige kulturer og gårder som trenger stedfestet historikk, sesongplan, dokumentasjon og sensorstøtte.
En kommersiell versjon må likevel bygges rundt et tydelig segment. Et godt SaaS-produkt bør ikke være «alt for alle bønder», men løse en definert driftsjobb bedre enn generiske verktøy.
Hva caset viser
- Vertikal AI blir bedre når den kjenner de fysiske og faglige entities som faktisk betyr noe.
- GEO og historikk kan gjøre bildegjenkjenning mer nyttig enn enkeltstående analyser.
- Sensorer gir bare verdi når de kobles til en beslutning eller arbeidsflyt.
- AI bør uttrykke usikkerhet fremfor å late som den kjenner sort eller tiltak.
- Et system som bygges for egen drift kan avdekke et større markedsproblem, men produktisering krever tydelig segment og standardisering.