IT-sektoren har et forspring, der samtidig er en fælde. Hvor andre sektorer stadig skal vænne sig til tanken om AI, er kendskabet til modeller, arkitekturer og tooling i denne sektor for det meste allerede til stede. Udviklere experimenterer, teams bygger proof-of-concepts, og der er sjældent modstand mod selve teknikken. Det giver indtryk af, at sektoren som helhed er langt fremme. Men teknisk dygtighed hos en del af organisationen er noget andet end modenhed i organisationen som helhed. Præcis dér går det ofte skævt.
I en IT-virksomhed eller en IT-afdeling er infrastrukturen som regel i orden: der er regnekraft, der er udviklingsmiljøer, der er erfaring med at rulle software ud. Det er én af de fundamentale dimensioner, der scores i modenhedsmålingen, og på dette punkt scorer sektoren som regel højt. Men de andre fundamentale dimensioner — hvordan organisationen er indrettet omkring AI-initiativer, og hvordan data forvaltes uden for udviklernes egne systemer — følger ikke altid samme tempo. En stærk IT-afdeling betyder ikke, at resten af organisationen kan følge samme tempo. Sales, finance, HR: disse funktioner har ofte en anden relation til data og til forandring end de mennesker, der bygger AI-pilotprojekterne.
Den forskel forklarer et mønster, som forekommer oftere i denne sektor end andre steder: pilotprojekter, der fungerer teknisk fremragende, men som ikke vokser sig ind i en struktureret plads i virksomheden. Ikke fordi modellen ikke er god nok, men fordi organisationen omkring den ikke er indrettet til at optage resultatet. Den, der for de fundamentale dimensioner vil forstå, hvorfor denne rækkefølge ikke er til forhandling, finder mere om det i hvorfor de fundamentale dimensioner skal komme først.
I IT-sektoren er spredningen mellem respondenter ofte større end i sektorer med mere uniforme funktioner. En udvikler og en account manager inden for samme virksomhed kan placere organisationen på næsten modsatte niveauer — den ene ser dagligt avancerede anvendelser, den anden ser et regneark, der stadig opdateres manuelt. Denne spredning er i sig selv information. Den viser, at AI-modenhed i denne sektor sjældent er et sektorbredt fænomen, men i høj grad afhænger af, hvilken afdeling der måles, og hvem der bliver spurgt.
Det gør en plot-runde med flere respondenter i IT-sektoren snarere mere værdifuld end andre steder, ikke mindre. En enkelt score fra en CIO eller en CTO risikerer at generalisere billedet af den tekniske kerne til hele organisationen, mens de afhængige dimensioner — hvor AI faktisk bliver optaget i processer — kan score helt anderledes.
Forholdet mellem teknik og organisation ser anderledes ud i andre sektorer. I den finansielle sektor ligger vægten ofte på regulering og risikostyring som forsinkende faktor; det billede er beskrevet i hvor langt er den finansielle sektor med AI-modenhed. I byggeriet er det derimod ofte datamanagement-dimensionen, der er flaskehalsen, fordi data om projekter og materialer er spredt ud over parter; det gennemgås i hvor langt er byggeriet med AI-modenhed. I IT-sektoren er problemet sjældent mangel på teknisk viden eller på data — problemet ligger oftere i organisationsdimensionen: hvem beslutter, hvilket pilotprojekt der skal skaleres, og på hvilket grundlag.
Modenhedsmålingen kortlægger denne skelnen over syv dimensioner og fem niveauer, fra baseline til intelligence. For en IT-organisation er resultatet sjældent en flad linje: infrastruktur og teknisk dygtighed ligger som regel højere end organisation og beslutningstagning. Denne ulighed er præcis dér, hvor målingen er nyttig — ikke for at bekræfte, at sektoren "er godt på vej", men for at vise, hvilken dimension der halter bagefter, og hvilken dimension der derfor ikke kan komme videre, uanset hvor avancerede de modeller er, der allerede kører.
Et element, der ofte undervurderes i denne sektor, er registreringen af beslutninger: hvem har taget hvilket valg om hvilket AI-initiativ, og på baggrund af hvilken information. Uden denne oversigt er det svært at spore, hvorfor et pilotprojekt er blevet skaleret eller ikke. Hvad der hører til dér, er beskrevet i hvad hører der til i en beslutningsoversigt.
Denne måling siger noget om organisationen som helhed: er der et fundament, som AI-initiativer kan hvile på, og er dette fundament lige solidt overalt i virksomheden, eller kun hos de mennesker, der står tættest på teknikken. Dette spørgsmål går forud for et andet spørgsmål, nemlig hvilken del af arbejdet selv der kommer i betragtning til AI. Det er en anden slags måling. For organisationer, der vil vide, hvilken del af arbejdet, opgave for opgave, der kan overtages af AI, findes der arbejdsscanen fra FTE TO AI — en måling, der ikke ser på organisationen som helhed, men på arbejdet selv, funktion for funktion og opgave for opgave.
Modenhedsmålingen er under udvikling. Den, der vil vide, hvornår målingen bliver tilgængelig, kan tilmelde sig ventelisten og får besked, så snart værktøjet er klar til brug.
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.