Chatovací okno, ve kterém někdo položí otázku a dostane odpověď, vypadá jednoduše. To, co se pod tím musí odehrát, jednoduché není. Podpora rozhodování s AI znamená, že systém kombinuje údaje z více zdrojů, dává jim správný kontext a formuluje odpověď, na jejímž základě se někdo odváží jednat. Každý krok v tomto řetězci klade na organizaci nárok, který předchází otázce, jaký model nebo jakou platformu zvolit.
Model, který podporuje rozhodování, je jen tak dobrý jako údaje, které vidí. To znamená, že čísla z různých systémů musí používat stejnou definici, že historické údaje musí být přístupné, aniž by je někdo nejprve musel ručně exportovat, a že musí být jasné, který zdroj je autoritativní, pokud si dva systémy odporují. Organizace, které to ještě nemají vyřešené, si to všimnou až v okamžiku, kdy odpověď systému nesouhlasí s tím, co lidé v provozu už dávno věděli.
Podpora rozhodování se často odehrává na styčném bodě více oddělení: okamžik, kdy musí informace přejít z jednoho místa na druhé, aby z toho vzešlo dobré rozhodnutí. Proto je relevantní, jak funguje koordinace mezi odděleními ve vaší organizaci, protože systém, který vydá doporučení, které pak zůstane ležet mezi dvěma odděleními, nepřinesl nic. Stejná logika platí pro zdroje, z nichž je doporučení napájeno: pokud tyto zdroje tvoří dokumenty, které je nutné nejprve přečíst a shrnout, než se s nimi dá cokoli dělat, je otázka co si žádá čtení a shrnování dokumentů od organizace přímo ovlivňuje rychlost a spolehlivost doporučení, které z toho vzejde.
Část podpory rozhodování nespočívá v odpovídání na otázku, kterou někdo aktivně položí, ale v signalizaci něčeho, co si zaslouží pozornost, dříve než se na to někdo zeptá. To klade jiné nároky než chatovací okno: musí existovat něco, co neustále sleduje situaci, rozpoznává prahové hodnoty a rozlišuje mezi šumem a signálem, na kterém skutečně záleží. To, co si to žádá od monitorování a signalizace, je otázka, na kterou je třeba odpovědět samostatně, a kdo chce zjistit, co si žádá monitorování a signalizace od organizace, zjistí, že nejde jen o technologii, ale i o to, kdo signály přijímá a co se s nimi dál děje.
Mnoho rozhodnutí se připravuje v rozhovorech: s klienty, s dodavateli, mezi kolegy. Pokud tyto rozhovory nejsou zaznamenány způsobem, který je znovu využitelný, chybí systému, který má podpořit rozhodnutí, přesně ten materiál, který byl podnětem. To ukazuje, co si zaznamenávání a sledování rozhovorů žádá od organizace, téma, které se přímo dotýká otázky, zda podpora rozhodování může stavět na něčem, nebo na ničem. Kdo se chce dozvědět více o tom, co si žádá zaznamenávání a sledování rozhovorů, uvidí souvislost s kvalitou každého doporučení, které se z těchto rozhovorů později odvodí.
Není neobvyklé, že jeden tým, s jedním datovým souborem a jedním případem užití, předvede funkční verzi podpory rozhodování. To dokazuje, že to je možné, ne že to je možné v celé organizaci. Jakmile se chce připojit druhé oddělení s jinými systémy, jinými vlastníky dat a jinými definicemi, často se ukáže, že první verze byla vytvořena na míru přesně pro ten jeden tým. Proč pilotní projekt, který funguje jen ve svém koutku, nic nepřináší, tedy není otázkou zklamání z techniky, ale základu, který nikdy nebyl vytvořen širší. Kdo si o tom chce přečíst více: proč pilotní projekt, který funguje jen ve svém koutku, nic nepřináší vysvětluje, co chybí mezi ukázkou a organizačně širokým nasazením.
Systém může vydat sebelépe podložené doporučení a přesto se nic nezmění, pokud nikdo nenese odpovědnost za to, aby s ním pracoval. To je organizační bod, ne technický bod: kdo je vlastníkem doporučení, kdo posuzuje, zda je dodržováno, a kdo vysvětluje, proč se jednou nedodrželo. Bez tohoto vlastníka podpora rozhodování zapadne do kategorie zajímavých experimentů. Proč ukázka bez vlastníka nic nepřináší, souvisí s tímtéž bodem, a kdo chce sledovat přesnou úvahu, ji najde na proč ukázka bez vlastníka nic nepřináší.
Nároky, které podpora rozhodování klade, se z velké části týkají toho, co musí být zajištěno už předtím, než chatovací okno může dělat něco smysluplného: čistá a přístupná data, funkční předávání mezi odděleními, strukturované zaznamenávání rozhovorů a dokumentů a jasný vlastník toho, co systém přinese. Přesně proto se měření vyspělosti od hybridresourcing dívá na fundamentální dimenze dříve, než se řeší ty závislé: organizace, IT infrastruktura a datový management určují, zda vůbec existuje něco, na čem se dá podpora rozhodování vybudovat.
Otázka, zda organizace toto unese, je oddělená od otázky, jakou část práce může skutečně převzít AI. To druhé vypočítává pracovní scan od FTE TO AI pro každou úlohu: jaká část práce se dá převzít a za jakých podmínek. Zatímco tato stránka popisuje, co musí být zajištěno, než může podpora rozhodování fungovat, pracovní scan popisuje, co se, jakmile je tento základ přítomen, konkrétně změní v samotné práci.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.