Ο κλάδος ΤΠΕ έχει ένα προβάδισμα που ταυτόχρονα αποτελεί παγίδα. Ενώ άλλοι κλάδοι πρέπει ακόμη να εξοικειωθούν με την ιδέα της AI, η γνώση σχετικά με μοντέλα, αρχιτεκτονικές και εργαλεία υπάρχει συνήθως ήδη σε αυτόν τον κλάδο. Οι προγραμματιστές πειραματίζονται, οι ομάδες κατασκευάζουν proof-of-concepts, και σπάνια υπάρχει αντίσταση στην τεχνολογία καθαυτή. Αυτό δημιουργεί την εντύπωση ότι ο κλάδος συνολικά βρίσκεται σε προχωρημένο στάδιο. Όμως η τεχνική επάρκεια σε ένα τμήμα του οργανισμού είναι κάτι διαφορετικό από την ωριμότητα του οργανισμού ως σύνολο. Ακριβώς εκεί συχνά κολλάει η διαδικασία.
Σε μια εταιρεία ΙΤ ή σε ένα τμήμα ΙΤ, η υποδομή είναι συνήθως εντάξει: υπάρχει υπολογιστική ισχύς, υπάρχουν περιβάλλοντα ανάπτυξης, υπάρχει εμπειρία στην ανάπτυξη λογισμικού. Αυτή είναι μία από τις θεμελιώδεις διαστάσεις που βαθμολογούνται στη μέτρηση ωριμότητας, και σε αυτό το σημείο ο κλάδος συνήθως σημειώνει υψηλή βαθμολογία. Όμως οι άλλες θεμελιώδεις διαστάσεις — πώς είναι διαρθρωμένος ο οργανισμός γύρω από πρωτοβουλίες AI, και πώς διαχειρίζονται τα δεδομένα εκτός των συστημάτων των ίδιων των προγραμματιστών — δεν εξελίσσονται πάντα με τον ίδιο ρυθμό. Ένα ισχυρό τμήμα ΙΤ δεν σημαίνει ότι ο υπόλοιπος οργανισμός μπορεί να ακολουθήσει τον ίδιο ρυθμό. Πωλήσεις, οικονομικά, ανθρώπινο δυναμικό: αυτές οι λειτουργίες έχουν συχνά διαφορετική σχέση με τα δεδομένα και με την αλλαγή σε σχέση με τους ανθρώπους που κατασκευάζουν τα πιλοτικά προγράμματα AI.
Αυτή η διαφορά εξηγεί ένα μοτίβο που εμφανίζεται συχνότερα σε αυτόν τον κλάδο απ' αλλού: πιλοτικά προγράμματα που λειτουργούν εξαιρετικά από τεχνική άποψη, αλλά δεν αναπτύσσονται σε μια διαρθρωτική θέση εντός της εταιρείας. Όχι επειδή το μοντέλο υπολείπεται, αλλά επειδή ο οργανισμός γύρω του δεν είναι διαρθρωμένος ώστε να απορροφήσει το αποτέλεσμα. Όσοι θέλουν να κατανοήσουν, όσον αφορά τις θεμελιώδεις διαστάσεις, γιατί αυτή η σειρά δεν είναι διαπραγματεύσιμη, θα βρουν περισσότερα σχετικά στο γιατί οι θεμελιώδεις διαστάσεις πρέπει να προηγούνται.
Στον κλάδο ΤΠΕ, η διασπορά μεταξύ των ερωτηθέντων είναι συχνά μεγαλύτερη απ' ό,τι σε κλάδους με πιο ομοιόμορφες λειτουργίες. Ένας προγραμματιστής και ένας υπεύθυνος λογαριασμών εντός της ίδιας εταιρείας μπορούν να τοποθετήσουν τον οργανισμό σε σχεδόν αντίθετα επίπεδα — ο ένας βλέπει καθημερινά προηγμένες εφαρμογές, ο άλλος βλέπει ένα υπολογιστικό φύλλο που ενημερώνεται ακόμη χειροκίνητα. Αυτή η διασπορά αποτελεί από μόνη της πληροφορία. Δείχνει ότι η ωριμότητα AI σε αυτόν τον κλάδο σπάνια είναι ένα δεδομένο σε επίπεδο κλάδου, αλλά εξαρτάται σε μεγάλο βαθμό από το ποιο τμήμα μετριέται και ποιος ερωτάται.
Αυτό κάνει έναν γύρο μέτρησης με πολλούς ερωτηθέντες στον κλάδο ΤΠΕ πιο πολύτιμο απ' αλλού, όχι λιγότερο. Μία μοναδική βαθμολογία από έναν CIO ή έναν CTO ενέχει τον κίνδυνο να γενικεύσει την εικόνα του τεχνικού πυρήνα σε ολόκληρο τον οργανισμό, ενώ οι εξαρτημένες διαστάσεις — όπου η AI ενσωματώνεται πράγματι στις διαδικασίες — μπορούν να σημειώσουν πολύ διαφορετική βαθμολογία.
Η σχέση μεταξύ τεχνολογίας και οργάνωσης εμφανίζεται διαφορετικά σε άλλους κλάδους. Στις χρηματοπιστωτικές υπηρεσίες, η έμφαση δίνεται συχνά στη ρυθμιστική συμμόρφωση και τη διαχείριση κινδύνου ως επιβραδυντικό παράγοντα· αυτή η εικόνα περιγράφεται στο πόσο προχωρημένες είναι οι χρηματοπιστωτικές υπηρεσίες στην ωριμότητα AI. Στον κατασκευαστικό κλάδο, αντίθετα, η διάσταση διαχείρισης δεδομένων αποτελεί συχνά το σημείο συμφόρησης, καθώς τα δεδομένα σχετικά με έργα και υλικά είναι κατακερματισμένα μεταξύ φορέων· αυτό επεξηγείται στο πόσο προχωρημένος είναι ο κατασκευαστικός κλάδος στην ωριμότητα AI. Στον κλάδο ΤΠΕ, το πρόβλημα σπάνια είναι έλλειψη τεχνικής γνώσης ή δεδομένων — το πρόβλημα βρίσκεται συχνότερα στη διάσταση της οργάνωσης: ποιος αποφασίζει ποιο πιλοτικό πρόγραμμα κλιμακώνεται, και βάσει τίνος.
Η μέτρηση ωριμότητας απεικονίζει αυτή τη διάκριση σε επτά διαστάσεις και πέντε επίπεδα, από το baseline έως το intelligence. Για έναν οργανισμό ΤΠΕ, το αποτέλεσμα σπάνια είναι μια ευθεία γραμμή: η υποδομή και η τεχνική επάρκεια βρίσκονται συνήθως σε υψηλότερο επίπεδο απ' ό,τι η οργάνωση και η λήψη αποφάσεων. Αυτή η ανισότητα είναι ακριβώς το σημείο όπου η μέτρηση είναι χρήσιμη — όχι για να επιβεβαιώσει ότι ο κλάδος «τα πάει καλά», αλλά για να δείξει ποια διάσταση υπολείπεται και ποια, ως εκ τούτου, δεν μπορεί να προχωρήσει, ανεξάρτητα από το πόσο προηγμένα είναι τα μοντέλα που ήδη λειτουργούν.
Ένα στοιχείο που συχνά υποτιμάται σε αυτόν τον κλάδο είναι η καταγραφή των αποφάσεων: ποιος έλαβε ποια επιλογή σχετικά με ποια πρωτοβουλία AI, και βάσει ποιας πληροφορίας. Χωρίς αυτή την απογραφή, είναι δύσκολο να εντοπιστεί γιατί ένα πιλοτικό πρόγραμμα κλιμακώθηκε ή όχι. Τι πρέπει να περιλαμβάνεται σε αυτή, περιγράφεται στο τι πρέπει να περιλαμβάνεται σε μια απογραφή αποφάσεων.
Αυτή η μέτρηση αναφέρεται στον οργανισμό ως σύνολο: υπάρχει ένα θεμέλιο πάνω στο οποίο μπορούν να βασιστούν πρωτοβουλίες AI, και είναι αυτό το θεμέλιο εξίσου στέρεο σε όλη την εταιρεία, ή μόνο στους ανθρώπους που βρίσκονται πλησιέστερα στην τεχνολογία. Αυτή η ερώτηση προηγείται μιας άλλης ερώτησης, δηλαδή ποιο μέρος της ίδιας της εργασίας είναι κατάλληλο για AI. Αυτό είναι ένας διαφορετικός τύπος μέτρησης. Για οργανισμούς που θέλουν να γνωρίζουν ποιο μέρος της εργασίας, καθήκον προς καθήκον, μπορεί να αναληφθεί από την AI, υπάρχει η μέτρηση εργασίας (werkscan) του FTE TO AI — μια μέτρηση που δεν εξετάζει τον οργανισμό ως σύνολο, αλλά την ίδια την εργασία, θέση προς θέση και καθήκον προς καθήκον.
Η μέτρηση ωριμότητας βρίσκεται υπό ανάπτυξη. Όσοι θέλουν να γνωρίζουν πότε θα γίνει διαθέσιμη η μέτρηση, μπορούν να εγγραφούν στη λίστα αναμονής και θα ενημερωθούν μόλις το εργαλείο είναι έτοιμο για χρήση.
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.