Kennisbank

Hvor langt er uddannelsessektoren med AI-modenhed

Uddannelsesorganisationer skiller sig fra de fleste andre sektorer, fordi selve kerneaktiviteten – undervisning, vejledning, bedømmelse – er svær at skille fra de mennesker, der udfører den. Hvor en fabrik eller en butik kan omskrive processer uden at rykke ved arbejdets identitet, berører enhver forandring på en skole eller et uddannelsessted hurtigt relationen mellem lærer og elev. Det gør ikke sektoren langsommere i teknikken, men det gør den mere forsigtig med spørgsmålet om, hvad AI egentlig må gøre, før man taler om at 'overtage'.

Dertil kommer, at uddannelsesinstitutioner ofte består af flere lag, som ikke har samme tempo: en bestyrelse/ledelse, et antal lokationer eller fakulteter, og en stor gruppe lærere med egne arbejdsmåder. Størstedelen af de AI-initiativer, vi møder, starter i et af disse lag, uden at de øvrige lag er blevet taget med. En lærer eksperimenterer med en sprogmodel til feedback, mens IT-afdelingen ikke har overblik over, hvilke data der derved forlader bygningen. En ledelse formulerer en AI-vision, mens datastyringen af elevadministrationssystemer stadig hviler på papir eller løse regneark. Denne mismatch er ikke et spørgsmål om uvilje, men om rækkefølge.

Hvorfor pilotprojekter hænger fast

Et medlem af direktionen, en driftsdirektør eller en IT-chef, der ser AI-pilotprojekter køre fast, genkender ofte det samme mønster: pilotprojektet fungerer i sig selv, men skalerer ikke. Det skyldes sjældent, at teknikken kommer til kort. Oftere mangler et af de fundamentale lag, som er nødvendige for at bære et pilotprojekt: en organisationsstruktur, der kan træffe og placere beslutninger om AI, en IT-infrastruktur, der sikkert kan optage nye anvendelser, og datastyring, der er i orden, før en model kan gøre noget meningsfuldt med den. Først når disse tre står fast, giver det mening at se på de afhængige lag: hvordan mennesker arbejder med det, hvilken indsigt det giver, og hvor intelligent organisationen i sidste ende omgås det.

I uddannelsessektoren spiller dette stærkere end andre steder, fordi de fundamentale lag ofte historisk er groet op omkring pædagogiske valg, ikke omkring tekniske. En skoleadministration er indrettet til at aflægge regnskab til tilsynsmyndigheden, ikke til at levere genanvendelige data til AI-anvendelser. En IT-afdeling er ofte lille og fokuseret på drift, ikke på integration af nye systemer. Det er ikke en mangel, det er en anden prioritet, der er fastlagt for årtier tilbage, og som nu vejer med i, hvor hurtigt AI reelt slår rod.

Hvad modenhedsmålingen viser

Målingen fra hybridresourcing.com ser på syv dimensioner, fordelt over fem niveauer fra baseline til intelligence. For uddannelsesinstitutioner er det påfaldende, at scoren på organisation og datastyring ofte halter bagefter scoren på ambition eller på individuelle anvendelser. Der er ofte allerede en person, der arbejder med AI, nogle gange endda på et avanceret niveau, mens organisationen som helhed stadig står på det første niveau, hvad angår beslutningstagning og datastruktur. Denne spredning bliver synlig i plot-runden, hvor flere personer inden for samme institution scorer separat. Hos uddannelsesorganisationer er denne spredning ofte større end gennemsnitligt, netop fordi ledelse, IT og undervisende personale sjældent arbejder ud fra samme billede.

Denne spredning er i sig selv ikke et problem. Det er information. En leder, der tror, at organisationen er klar til AI i stor skala, og en IT-chef, der ved, at infrastrukturen endnu ikke kan bære det, har begge ret fra deres egen position. Målingen gør denne forskel tydelig, så samtalen kan handle om, hvad der først skal stå, i stedet for om hvem der har ret.

Rækkefølgen, der ikke kan omgås

De syv dimensioner er ikke ligestillede i tid. Organisation, IT-infrastruktur og datastyring er de dimensioner, som de øvrige fire hviler på. En skole, der vil arbejde med indsigt eller intelligens, uden at data er i orden, bygger på sand. Det gælder for uddannelsesinstitutioner lige så meget som for detailhandelsvirksomheder, der kæmper med tilsvarende efterslæb i datastyring eller for restaurationsbranchen, hvor organisationsstrukturer ofte er lige så fragmenterede over afdelinger. Sektoren er forskellig, rækkefølgen er det ikke.

Det gør spørgsmålet 'hvor langt er vi' mindre til et spørgsmål om en score og mere til et spørgsmål om, hvor fundamentet mangler. En institution, der på papiret scorer ambitiøst på AI-brug, men ikke har overblik over sin egen IT-infrastruktur, vil ikke kunne indfri denne ambition uden først at gå tilbage til grundlaget. Det er også, hvad institutioner i IT-sektoren og i den finansielle servicesektor viser: høj ambition på de afhængige dimensioner kompenserer ikke for et svagt fundament.

Hvad der følger efter målingen

Modenhedsmålingen fra hybridresourcing.com er under opbygning. Den, der vil vide, hvordan den egen institution scorer på de syv dimensioner, og hvordan denne score forholder sig til kollegers inden for samme organisation, kan tilmelde sig ventelisten. Der findes endnu ikke et værktøj, man kan bruge i dag; men der er et klart billede af, hvad målingen vil give, så snart den bliver tilgængelig.

Denne side handler om spørgsmålet, om en uddannelsesorganisation kan bære AI: om fundamentet står, før der bygges noget på det. Et andet spørgsmål, som først derefter bliver meningsfuldt, er, hvad AI konkret kan overtage inden for uddannelsessektoren. Til det er arbejdsscanen fra FTE TO AI tiltænkt: den beregner pr. opgave, hvilken del af arbejdet der lader sig overtage af AI, uafhængigt af spørgsmålet om, hvorvidt organisationen som helhed allerede er klar til det. Den, der kombinerer begge spørgsmål, får ikke blot overblik over mulighederne, men også over rækkefølgen, hvori de kan blive til virkelighed.