Kennisbank

Jak daleko je školství s AI-vyspělostí

Vzdělávací organizace se od většiny ostatních sektorů liší tím, že samotnou hlavní činnost – výuku, doprovázení, hodnocení – lze jen těžko oddělit od lidí, kteří ji vykonávají. Zatímco továrna nebo obchod může přepsat procesy bez narušení identity práce, každá změna ve škole nebo na vysoké škole se rychle dotýká vztahu mezi vyučujícím a studentem. To sektor nedělá pomalejším v technice, ale činí ho opatrnějším v otázce, co AI vlastně může dělat, než se začne mluvit o „převzetí“.

K tomu se přidává, že vzdělávací instituce se často skládají z několika vrstev, které nemají stejné tempo: vedení, řada poboček nebo fakult a velká skupina vyučujících s vlastními způsoby práce. Většina AI-iniciativ, se kterými se setkáváme, začíná na jedné z těchto vrstev, aniž by byly zapojeny ostatní vrstvy. Vyučující experimentuje s jazykovým modelem pro zpětnou vazbu, zatímco IT oddělení nemá představu, jaká data přitom opouštějí budovu. Vedení formuluje AI-vizi, zatímco datový management systémů pro sledování žáků se stále opírá o papír nebo samostatné tabulky. Tento nesoulad není otázkou neochoty, ale pořadí.

Proč pilotní projekty zůstávají uvíznuté

Člen vedení, ředitel provozu nebo vedoucí IT, který vidí, že AI-pilotní projekty se zastavují, rozpozná často stejný vzorec: pilotní projekt funguje sám o sobě, ale nedá se rozšířit. To málokdy způsobuje technika. Častěji chybí jedna ze základních vrstev nutných k tomu, aby pilotní projekt unesl: organizační struktura, která umí rozhodnutí o AI přijímat a přidělovat, IT-infrastruktura, která umí nové aplikace bezpečně přijmout, a datový management, který je v pořádku předtím, než s ním model dokáže dělat něco smysluplného. Až když tyto tři stojí, má smysl dívat se na závislé vrstvy: jak s tím lidé pracují, jaký přehled to přináší a jak inteligentně s tím organizace nakonec zachází.

Ve školství to hraje silnější roli než jinde, protože základní vrstvy zde často historicky vyrostly kolem pedagogických rozhodnutí, ne kolem technických. Školní administrativa je uspořádána pro vykazování inspekci, ne pro znovupoužitelná data pro AI-aplikace. IT oddělení je často malé a zaměřené na správu, ne na integraci nových systémů. To není nedostatek, je to jiná priorita, která byla stanovena před desítkami let a nyní se promítá do toho, jak rychle AI skutečně zapadá.

Co ukazuje měření vyspělosti

Měření hybridresourcing.com se dívá na sedm dimenzí, rozdělených do pěti úrovní od baseline až po intelligence. U vzdělávacích institucí je patrné, že skóre v oblasti organizace a datového managementu často zaostává za skóre v oblasti ambice nebo jednotlivých aplikací. Pravidelně už existuje někdo, kdo s AI pracuje, někdy již na pokročilé úrovni, zatímco organizace jako celek stojí ještě na první úrovni, co se týče rozhodování a uspořádání dat. Tento rozptyl se projeví v plot-kole, ve kterém více lidí v rámci téže instituce skóruje samostatně. U vzdělávacích organizací je tento rozptyl často větší než průměrný, právě proto, že vedení, IT a pedagogičtí pracovníci jen zřídka vycházejí ze stejného obrazu.

Tento rozptyl sám o sobě není problém. Je to informace. Vedoucí pracovník, který si myslí, že organizace je připravena na AI ve velkém měřítku, a IT-manažer, který ví, že infrastruktura to ještě nezvládne, mají oba pravdu ze své vlastní pozice. Měření tento rozdíl zviditelňuje, aby se rozhovor mohl vést o tom, co musí stát jako první, místo o tom, kdo má pravdu.

Pořadí, které nelze obejít

Sedm dimenzí není v čase rovnocenných. Organizace, IT-infrastruktura a datový management jsou dimenze, na kterých se opírají ostatní čtyři. Škola, která chce pracovat na přehledu nebo inteligenci, aniž by byla data v pořádku, staví na písku. To platí pro vzdělávací instituce stejně silně jako pro maloobchodní podniky, které se potýkají s podobným zpožděním v datovém managementu nebo pro gastronomii, kde jsou organizační struktury často stejně roztříštěné mezi jednotlivými pobočkami. Sektor se liší, pořadí ne.

To dělá z otázky „jak daleko jsme“ méně otázku po skóre a více otázku po tom, kde chybí základ. Instituce, která na papíře ambiciózně skóruje v používání AI, ale nemá přehled o vlastní IT-infrastruktuře, tuto ambici nedokáže naplnit, aniž by se nejprve vrátila k základům. To ukazují i instituce v ICT sektoru a ve finančních službách: vysoká ambice na závislých dimenzích nekompenzuje slabý základ.

Co následuje po měření

Měření vyspělosti hybridresourcing.com je ve výstavbě. Kdo chce vědět, jak vlastní instituce skóruje v sedmi dimenzích a jak se toto skóre poměřuje se skóre kolegů v rámci téže organizace, může se přihlásit na čekací listinu. Zatím neexistuje nástroj, který by šlo použít dnes; existuje ale jasná představa o tom, co měření přinese, jakmile bude k dispozici.

Tato stránka se zabývá otázkou, zda vzdělávací organizace může AI unést: zda základ stojí, než se na něm začne něco stavět. Jiná otázka, která má smysl až potom, je, co může AI ve vzdělávání konkrétně převzít. K tomu je určen work scan FTE TO AI: ten pro každý úkol vypočítá, jaká část práce se hodí k tomu, aby ji převzala AI, bez ohledu na to, zda je na to organizace jako celek už připravena. Kdo kombinuje obě otázky, získá nejen přehled o možnostech, ale i o pořadí, ve kterém se mohou stát skutečností.