AI-anvendelser regner med data. Ikke med de data, De forestiller Dem at De har, men med data som de faktisk er opbevaret, defineret og vedligeholdt. Datamanagement er derfor en af de fundamentale dimensioner inden for modenhedsmålingen: sammen med organisation og IT-infrastruktur afgør det, om der er noget at bygge på. En organisation kan score højt på mennesker og færdigheder eller på præstationsstyring og alligevel konstatere, at hver AI-anvendelse går i stå, fordi ingen med sikkerhed kan sige, hvilken version af et kunderegister der er den korrekte. Denne rækkefølge er ikke et valg fra vores side; det er den rækkefølge, hvori det fungerer.
Datamanagement handler om tilstanden af de data, en organisation bruger til at arbejde og beslutte. Er definitioner fastlagt, eller betyder "aktiv kunde" noget forskelligt i hver afdeling. Er der en udpeget ejer for hvert datasæt, eller ved ingen, hvem der er ansvarlig, når et felt har været forkert i årevis. Registreres data én gang og hentes overalt fra samme sted, eller findes der tre eksporter, som nu afviger fra hinanden. Spørgsmålene i målingen handler ikke om mængden af data eller typen af system, men om pålideligheden og oprindelsen af det, der findes.
De fem niveauer går fra baseline til intelligence, og ved datamanagement er forskellen mellem disse niveauer ofte mere konkret at mærke end ved andre dimensioner. På baseline findes data primært lokalt: i regneark, i hovedet på en kollega, i et system, som ingen længere har fuldt overblik over. På foundation er de vigtigste datasæt navngivet, og der er en begyndende form for ejerskab, selv om definitioner stadig varierer. Hvad dette foundation-niveau betyder i praksis, også for andre dimensioner, er beskrevet på hvad betyder niveauet foundation i praksis, og det samme gælder for selve udgangspunktet på hvad betyder niveauet baseline i praksis. På activation er definitioner i vid udstrækning delt, og der findes en proces til at opdage afvigelser. På insight bruges data aktivt til at understøtte beslutninger, med indblik i kvalitet og oprindelse. På intelligence er datamanagement ikke længere et separat forløb, men en fast egenskab ved den måde, organisationen arbejder på.
Plot-runden viser, om denne vurdering holder. Når CIO'en placerer datamanagement på activation, og de teams, der arbejder med det dagligt, placerer det på baseline, siger denne spredning mere om den faktiske situation end gennemsnittet af de to scorer. Ofte viser det sig, at systemerne er indrettet på et niveau højere end den adfærd, der findes i dem: der er et centralt system, men folk arbejder stadig sideløbende i deres egne filer, fordi de ikke har tillid til systemet.
Hvad det kræver at gå fra baseline til foundation, afhænger af, hvor fragmenteret dataene er nu, og hvor mange afdelinger der bruger deres egen version af sandheden. Arbejdet ligger da primært i at udpege ejerskab og fastlægge definitioner, ikke i ny teknologi. At gå fra foundation til activation kræver oftere et teknisk skridt: at udpege én kilde, afskaffe andre eller kun lade dem være læsbare. At gå fra activation til insight forskyder vægten mod governance: hvem må ændre hvad, hvordan kontrolleres kvalitet, hvad sker der, når en fejl opdages. Hvor langt og hvor omfattende dette forløb er, afhænger af organisationens størrelse, antallet af systemer, der registrerer data, og i hvilken grad folk allerede er vant til at betragte én kilde som gældende. Det kan ikke indfanges i et fast beløb eller en fast tidshorisont; det afhænger af, hvor spredningen i Deres plot-runde koncentrerer sig.
Datamanagement står sjældent alene. En organisation, der ikke har tillid til sine data, vil også have svært ved hvad kræver det at hæve privacy og sikkerhed et niveau, fordi man ikke kan sikre det, man ikke har kortlagt. Omvendt kan stærk datamanagement lægge et fundament, hvorpå hvad kræver det at hæve præstationsstyring et niveau er lettere at besvare, for præstationsstyring har brug for pålidelige data for at kunne måle noget. Også spørgsmålet hvad kræver det at hæve etik et niveau berører datamanagement direkte: ansvarlig omgang med data begynder med at vide, hvad man har, og hvor det kommer fra. Den, der behandler disse dimensioner isoleret fra hinanden, risikerer, at arbejde med den ene dimension bliver bremset af en efterslæb i en anden.
Denne måling viser, om organisationen har de data, systemer og mennesker, der er nødvendige for at bære AI. Det er et andet spørgsmål end, hvilken del af arbejdet AI faktisk kan overtage. Så snart det er klart, hvor de fundamentale dimensioner står, herunder datamanagement, bliver det meningsfuldt at se opgave for opgave på, hvad AI kan gøre, og hvad den ikke kan. Det er domænet for arbejdsscanen fra FTE TO AI: den beregner for hver opgave, hvilken del af arbejdet der kan overtages, ud fra de data og systemer, der faktisk foreligger på det pågældende tidspunkt.
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.