Kennisbank

Insight: AI prohlédli jste, ale ještě ne všude na ni řídíte

Podle čeho poznáte insight

Na úrovni insight se změnilo něco, co přesahuje jednotlivé experimenty. Organizace nechápe jen to, že AI něco dělá, ale i proč to na jednom místě funguje a na jiném ne. Vznikl jazyk, kterým se o tom dá mluvit: lidé mluví o kvalitě dat, o odpovědnosti za chyby, o tom, které procesy se pro automatizaci hodí a které ne. To je jiný rozhovor než o rok dříve, kdy hlavní otázka byla, zda pilotní projekt něco přinesl.

Co je pro tuto úroveň charakteristické: vhled existuje, ale ještě není zakotven ve všech rozhodovacích procesech. Jedno oddělení má jasnou představu o tom, jaká data potřebuje a jaká chybí. Jiné oddělení v dobré víře pokračuje za pilotním projektem, aniž by kdokoli ověřil, zda to podkladová infrastruktura vydrží. Insight tedy není rovnoměrná vrstva rozprostřená po celé organizaci. Je to spíše soubor míst, kde se rozsvítilo, s úseky mezi nimi, které zůstávají ve tmě.

Co ještě chybí

Krok k další úrovni, intelligence, vyžaduje, aby se tento vhled přetavil v řízení. Ne příležitostně – jako reakce na vzniklý problém – ale strukturálně, jako součást toho, jak organizace běžně funguje. To se týká stejných zásadních dimenzí, které byly rozhodujícím faktorem už na předchozích úrovních: je datový management uspořádán tak, že rozhodnutí na základě výstupů AI lze zdůvodnit? Je IT infrastruktura zařízena tak, že nové aplikace nezačínají pořád znovu od nuly? Je samotná organizace uspořádána tak, že odpovědnost za AI řízené procesy leží někde konkrétně, a ne rozptýleně všude trochu?

Na úrovni insight často vidíte, že tyto otázky byly položeny, ale odpověď se u jednotlivých dimenzí liší. Jedna dimenze je už tak daleko, že řízení je možné; jiná se ještě táhne za jednotlivými iniciativami. Tento rozdíl v tempu je přesně to, co se ukazuje v rozptylu při kole hodnocení: pokud více lidí hodnotí zvlášť, ukáže se, že jeden respondent považuje organizaci v oblasti datového managementu za už docela pokročilou, zatímco jiný tutéž dimenzi ještě zařazuje do foundation. Tento rozptyl není šum. Ukazuje, která dimenze si zaslouží pozornost jako první a která musí následovat.

Pořadí, které to určuje

Na této úrovni je lákavé zaměřit pozornost na dimenze, které jsou nejvíc vidět – často závislé dimenze, blízké běžné práci. Ale zásadní dimenze mají přednost. Pokud datový management není v pořádku, každé řízení na základě výstupů AI zůstává vratké, ať byl vybudován jakýkoli vhled. Pokud je IT infrastruktura fragmentovaná, každá aplikace zůstává izolovaným ostrovem, i když o ní organizace uvnitř umí už dobře mluvit.

Toto není jiné pořadí než to, které platilo na předchozích úrovních. Je to stejné pořadí, jen v bodě, kde jsou náklady na jeho přeskočení viditelnější. U baseline a foundation šlo chybějící základ ještě skrýt za skutečnost, že se toho dělo málo. U insight je už v pohybu více věcí, a to slabou zásadní dimenzi dělá citelnější: řízení, které nedrží, rozhodnutí, která se zpětně nedají dohledat, aplikace, které se zastaví, jakmile překročí hranici jednoho oddělení.

Co vyžaduje krok k intelligence

Přechod na intelligence není otázkou nasazení více AI. Je to otázka dostat zásadní dimenze do takového pořádku, aby na nich závislé dimenze mohly strukturálně stavět. To se u jednotlivých organizací velmi liší: jedna organizace musí především konsolidovat svůj datový management, jiná má IT infrastrukturu, kterou je třeba nejprve spojit, než bude možné řídit v širším měřítku. Co to bude, závisí na tom, kde je rozptyl v kole hodnocení největší – to je místo, na které čeká další úroveň.

Kdo se chce podívat za intelligence, najde na stránce o úrovni po intelligence popis toho, co vzniká, když řízení není jen strukturální, ale i samo se učí. Kdo hledá poznání dříve v procesu, může si u activation přečíst, jak fáze vypadala předtím, než vhled vznikl, nebo zjistit, co znamená, jakmile agenti, kteří vykonávají práci začnou hrát roli vedle řídicí vrstvy, která se na této úrovni budují.

Další otázka

Insight vám říká, kde organizace stojí ve své schopnosti unést AI: které dimenze jsou pevné a které ještě volné. To je jiná otázka než to, jaká část práce samotné je skutečně přenositelná na AI. Jakmile je nosná stránka jasnější, stává se relevantní ta druhá otázka: jaká část úkolů v rámci procesu se skutečně dá převzít. Přesně na to je určen pracovní scan od FTE TO AI – výpočetní metoda, která u jednotlivých úkolů určuje, jaká část práce přichází v úvahu pro převzetí, takže rozhovor o intelligence se nevede jen o připravenosti, ale i o tom, co je, jakmile tato připravenost existuje, skutečně možné získat.