Baseline er det niveau, hvor de fleste organisationer starter. Der er AI-brug, men den afhænger af enkeltpersoner: nogen på IT-afdelingen, der experimenterer med en sprogmodel, en marketingmedarbejder, der lader tekst generere, en enkelt leder, der spørger, om en proces kan gå hurtigere. Der er ingen fælles tilgang, intet fælles billede af, hvad der fungerer, og ingen struktur, der fastholder det, der læres. Hvis den person forlader organisationen eller får et andet projekt, forsvinder viden med vedkommende.
På baseline mangler ikke viljen, men fundamentet. De syv dimensioner, som modenhedsmålingen skelner mellem — heriblandt organisation, IT-infrastruktur og datamanagement — står på dette niveau stadig løsrevet fra hinanden eller er kun i ringe grad udfyldt. Det er ikke en mangel; det er den tilstand, en organisation befinder sig i, før den bevidst er begyndt at bygge.
Nogle signaler går altid igen på baseline. Der er ikke noget overblik over, hvor AI allerede bruges i organisationen, endsige et fælles billede af, hvad denne brug giver. Beslutninger om AI tages der, hvor spørgsmålet tilfældigvis opstår, ikke på baggrund af en afvejning, der berører hele organisationen. Data ligger spredt i systemer, der ikke kan tale med hinanden, hvilket forsinker ethvert skridt mod noget struktureret. Og der er ikke noget fælles sprog: hvad den ene afdeling kalder AI, er for den anden noget andet.
Plot-runden i modenhedsmålingen gør dette ofte synligt, før der findes ord for det. Når flere personer inden for samme organisation scorer separat, ses der på baseline ofte en stor spredning: den ene respondent ser fremskridt, som den anden ikke genkender. Denne spredning er i sig selv et signal. Den viser, at der endnu ikke findes et fælles billede af, hvor organisationen står, og det er netop, hvad baseline kendetegner.
Vejen fra baseline til det næste niveau begynder ikke med en ny anvendelse, men med de grundlæggende dimensioner. Organisation, IT-infrastruktur og datamanagement går forud for de dimensioner, der afhænger af dem. Det er ikke en præference, det er den rækkefølge, det fungerer i: en organisation, der ønsker at bygge noget på AI, uden at data er i orden, eller uden at det er klart, hvem der beslutter om hvad, bygger på et usikkert fundament.
Konkret betyder det, at der først skal skabes overblik. Hvem i organisationen gør allerede noget med AI, og på baggrund af hvilke data? Hvor ligger data, der er relevante for disse anvendelser, og er de tilgængelige og pålidelige nok at bygge på? Er der en person eller en gruppe, der bærer ansvaret for beslutninger om AI, eller sker det stadig tilfældigt? Disse spørgsmål virker beskedne, men det er netop dem, de grundlæggende dimensioner fokuserer på.
De afhængige dimensioner — der handler om, hvordan AI påvirker selve arbejdet — kommer derefter. På baseline er det stadig for tidligt at sige noget meningsfuldt om dette, fordi fundamentet, som disse dimensioner skal hvile på, mangler.
Overgangen til foundation kræver ikke, at alt kommer i orden samtidig. Den kræver, at organisationen ophører med at lade AI-brug være noget, der tilfældigt opstår hos enkeltpersoner, og begynder at registrere, hvad der findes: hvilke data der eksisterer, hvem der beslutter om hvad, hvilke systemer der skal kunne tale med hinanden. Det er mindre et teknisk forløb end et organisatorisk forløb. Teknikken følger som regel efter, når strukturen først er på plads.
Det er også et forløb, der tager tid, og hvor varigheden afhænger af, hvor meget der allerede findes uformelt. En organisation, hvor en afdeling allerede i et stykke tid har arbejdet bevidst med data, har en kortere vej at gå end en organisation, hvor det ikke er tilfældet nogen steder. Hvad der præcis er nødvendigt for at bevæge sig videre fra foundation, og hvilke dimensioner der først kræver opmærksomhed, er beskrevet på siden, der forklarer hvordan man kommer fra foundation til det næste niveau. Videre i serien, for organisationer der allerede er kommet længere, er der også beskrevet hvordan activation forholder sig til det følgende niveau og hvad insight kræver for at vokse videre til intelligence.
Baseline siger ikke noget om en organisations ambition og intet om kvaliteten af de mennesker, der arbejder der. Det siger noget om fundamentets tilstand på et givet tidspunkt. Organisationer, der seriøst kortlægger dette niveau, opdager ofte, at der allerede findes mere end antaget — løse initiativer, data der alligevel bliver ført et sted, mennesker der allerede tænker længere end deres funktion kræver. Modenhedsmålingen samler dette til et billede, som et næste skridt kan bygges på, uden at fylde det billede med et råd, der ikke passer til organisationen.
Denne side handler om beredskab: om hvad der skal være på plads, før AI kan få en strukturel plads. Det er et andet spørgsmål end, hvilken del af arbejdet AI faktisk kan udføre. Så snart fundamentet tager form, bliver dette andet spørgsmål relevant, og det er netop dér, FTE TO AI's arbejdsscan kommer ind i billedet: den beregner pr. opgave, hvilken del af arbejdet der kan overtages af AI, baseret på opgaverne, som de udføres nu. Den, der vil vide, hvad AI kan overtage, så snart organisationen er klar til det, finder det der — inklusive hvordan det er anderledes, når det handler om agenter, der selvstændigt udfører arbejde eller om kæder, hvor forskellige trin følger hinanden.
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.