AI-modeller er kun så gode som de data, de får at se. Det er ikke et slogan, men et praktisk problem: en sprogmodel, der arbejder med spredte, forældede eller udefinerede data, producerer svar, der er lige så spredte, forældede og udefinerede. Mange organisationer bemærker først dette efter et pilotprojekt er startet, når det viser sig, at de data, modellen har brug for, ikke findes på ét sted, eller at ingen længere ved, hvilken version af en fil der er den korrekte. Datastyring er en af de fundamentale dimensioner: spørgsmålet er ikke, hvilke opgaver AI kunne overtage, men om der under disse opgaver ligger et datalag, der er solidt nok til at bygge videre på.
Datastyring handler om, hvor data kommer fra, hvem der er ansvarlig for dem, i hvilken tilstand de er, og hvor let de er at finde og kombinere. Det omfatter blandt andet, om data er centralt eller decentralt opbevaret, om der er udpeget en ejer for hvert datasæt, om definitioner af begreber som 'kunde' eller 'aktivt projekt' er konsistente mellem afdelinger, og om der er overblik over kvaliteten af de data, der bruges dagligt. En organisation kan score højt på IT-infrastruktur og alligevel score lavt på datastyring: systemerne er til stede, men ingen har nogensinde registreret, hvad der præcist står i dem, eller hvem der må ændre noget deri.
På niveauet baseline eksisterer data primært i siloer: hver afdeling holder sine egne filer, uden fælles struktur eller ejerskab. På foundation-niveau er der en begyndende ordning: der er aftaler om, hvor bestemte data skal ligge, men udførelsen afhænger stadig af individuelle vaner. Ved activation er dataejerskab tildelt, og der er en fælles begrebsramme, så forskellige afdelinger bruger samme term på samme måde. På insight-niveau måles og følges datakvalitet, og der er overblik over, hvor de svage punkter i datakæden befinder sig. Niveauet intelligence betyder, at datastyring er indlejret i den daglige arbejdsmåde: kvalitet, oprindelse og adgang kontrolleres løbende, ikke som et separat projekt, men som en fast del af, hvordan der arbejdes.
En praktisk indikator er spørgsmålet om, hvor lang tid det tager at besvare et simpelt spørgsmål, såsom hvor mange kunder der har købt et bestemt produkt i det forløbne år. Hvis svaret kommer fra ét system inden for få minutter, tyder det på et højere niveau. Hvis der først skal ringes til tre personer for at finde ud af, hvilken fil der er aktuel, tyder det på baseline eller foundation. En anden indikator er, hvad der sker, når en person med viden om et datasæt forlader organisationen: forbliver informationen tilgængelig, eller forsvinder den med denne person. Det er også relevant, om der er en person, der bærer ansvaret for et datasæt, eller om dette ansvar reelt ikke ligger hos nogen.
Inden for modenhedsmålingen scorer ikke én person denne dimension, men flere personer hver for sig. En IT-chef kan vurdere datastyring højt, fordi systemerne teknisk er i orden, mens en driftschef scorer lavt, fordi data i praksis ikke føles findbare eller troværdige. Denne spredning bliver synlig i plottet og er i sig selv et signal: en stor afstand mellem scorer betyder ofte, at organisationen er længere fremme på papiret end i den daglige praksis, eller at forskellige afdelinger arbejder med forskellige versioner af sandheden. En smal spredning, også på et lavere niveau, tyder på et realistisk og fælles billede at arbejde videre fra.
Skridtet fra baseline til foundation kræver ofte ikke ny teknologi, men aftaler: hvem ejer hvilket datasæt, og hvor ligger hvilken information. Skridtet fra foundation til activation kræver en fælles begrebsramme, så afdelinger ikke definerer, hvad en 'aktiv kunde' eller et 'afsluttet projekt' er, hver for sig. Hvad et specifikt skridt kræver i omkostninger og tid, afhænger af organisationens størrelse og de underliggende systemers tilstand; det er uddybet på siden om hvad det koster at få organisationen til at stige et niveau og siden om hvad det koster at få IT-infrastrukturen til at stige et niveau, fordi data og infrastruktur i praksis ofte flytter sig sammen.
Datastyring står ikke isoleret fra resten af målingen. Uden klare aftaler om, hvem der må bruge hvilke data og til hvad, opstår spørgsmål, der egentlig hører til under privacy og sikkerhed. Uden mennesker, der forstår, hvad datakvalitet betyder, og hvordan de tager højde for det i deres arbejde, halter dimensionen mennesker og færdigheder bagefter. Og uden et blik på, hvem der beslutter, hvad der må og ikke må gøres med data, mangler forbindelsen til etik. De syv dimensioner i målingen er forbundne; datastyring er en af dem, og som regel ikke den sidste, der er værd at have fokus på.
Denne måling viser, om grunden under AI-anvendelser er solid nok: om data er findbare, troværdige og har en ejer. Det er et andet spørgsmål end, hvilken del af arbejdet der selv kan overtages af AI. Det spørgsmål besvares af arbejdsscanningen fra FTE TO AI, som for hver opgave beregner, hvilken del der er egnet til overdragelse til AI, ud fra den datastruktur der er til stede på det tidspunkt. De to målinger er tænkt til at blive læst efter hinanden: først bæreevnen, dernæst de opgaver der kan hvile på den.
Modenhedsmålingen, inklusive dimensionen datastyring, er i øjeblikket under opbygning. Den, der ønsker at gennemføre målingen så snart den er tilgængelig, kan tilmelde sig ventelisten.
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.