Η διαχείριση απόδοσης είναι η διάσταση που μετρά αν ένας οργανισμός βλέπει τι αποδίδει η AI, και αν αυτή η πληροφορία καταλήγει κάπου. Όχι αν υπάρχει ένα dashboard, αλλά αν κάποιος κοιτάζει τι μεταβάλλει μια εφαρμογή AI στον χρόνο διεκπεραίωσης, στην ποιότητα ή στο περιθώριο σφάλματος, και αν αυτό το αποτέλεσμα επηρεάζει την επόμενη απόφαση. Ένα επίπεδο υψηλότερα δεν κοστίζει ένα σταθερό ποσό, επειδή η απόσταση μεταξύ επιπέδων διαφέρει ανά οργανισμό. Ένας οργανισμός που δεν μετρά ακόμη τίποτα πρέπει να στήσει κάτι διαφορετικό από έναν οργανισμό που μετρά ήδη αλλά δεν χρησιμοποιεί τα αποτελέσματα πουθενά. Αυτό όμως είναι σταθερό: το κόστος σπάνια βρίσκεται στο λογισμικό. Βρίσκεται στον χρόνο, στην επανάληψη και στη διάθεση να λαμβάνονται τα αποτελέσματα στα σοβαρά, ακόμη και όταν είναι απογοητευτικά.
Η διάσταση εξετάζει τρία πράγματα. Πρώτον, αν έχει οριστεί ένα αποτέλεσμα πριν ξεκινήσει μια εφαρμογή AI — τι πρέπει να βελτιωθεί, και πώς αυτό θα γίνεται ορατό. Δεύτερον, αν αυτό το αποτέλεσμα μετριέται πράγματι με τον χρόνο, αντί να θεωρείται δεδομένο. Τρίτον, αν η μέτρηση έχει κάποια συνέπεια: προσαρμόζεται, επεκτείνεται ή διακόπτεται μια εφαρμογή με βάση αυτό που μετρήθηκε, ή παραμένει το αποτέλεσμα ένας αριθμός σε μια αναφορά που κανείς δεν ξανανοίγει. Πολλοί οργανισμοί έχουν χαμηλή βαθμολογία όχι επειδή δεν μετρούν, αλλά επειδή η μέτρηση δεν έχει θέση σε καμία απόφαση.
Στο επίπεδο baseline δεν υπάρχει περιγραφή του τι σημαίνει επιτυχία πριν ξεκινήσει μια εφαρμογή AI. Εξετάζεται εκ των υστέρων αν κάτι «φαινόταν καλύτερο», χωρίς σταθερό κριτήριο. Τι σημαίνει αυτό στην πράξη για έναν οργανισμό που βρίσκεται σε αυτό το επίπεδο περιγράφεται στη σελίδα σχετικά με τι σημαίνει το επίπεδο baseline στην πράξη.
Στο επίπεδο foundation έχει μεν οριστεί ένα αποτέλεσμα, αλλά η μέτρηση γίνεται μία φορά ή τυχαία. Κάποιος ελέγχει μετά από λίγες εβδομάδες αν λειτουργεί, αλλά δεν υπάρχει επανάληψη ούτε σταθερή μορφή. Η σελίδα σχετικά με τι σημαίνει το επίπεδο foundation στην πράξη δείχνει πώς αυτή η κατάσταση διαφοροποιείται από το baseline και από το επόμενο επίπεδο.
Από το επίπεδο activation και μετά, η μέτρηση γίνεται συνήθεια αντί για εξαίρεση: το ίδιο κριτήριο επανεξετάζεται σε σταθερές χρονικές στιγμές. Στο επίπεδο insight, αυτό το αποτέλεσμα συνδέεται με μια απόφαση — μια εφαρμογή που δεν αποδίδει όσα αναμενόταν εκ των προτέρων προσαρμόζεται ή διακόπτεται. Στο επίπεδο intelligence, η μέτρηση είναι ενσωματωμένη σε έναν ευρύτερο ρυθμό: οι αποδόσεις των εφαρμογών AI παραβάλλονται και συγκρίνονται μεταξύ τους, έτσι ώστε ο οργανισμός να μαθαίνει ποιος τύπος εφαρμογής αποδίδει και ποιος όχι.
Η διαχείριση απόδοσης εξαρτάται από διαστάσεις που προηγούνται στη σειρά. Χωρίς έναν οργανισμό που γνωρίζει ποιος είναι υπεύθυνος για ένα αποτέλεσμα, η μέτρηση παραμένει ένας αριθμός χωρίς ιδιοκτήτη — αυτό ξεκινά από το ερώτημα πόσο ώριμος είναι ο οργανισμός όσον αφορά την AI, στο οποίο απαντά η διάσταση οργανισμού. Χωρίς υποδομή που επιτρέπει την καταγραφή δεδομένων σχετικά με τη χρήση και το αποτέλεσμα, δεν υπάρχει τίποτα να μετρηθεί — βλέπε η διάσταση υποδομής πληροφορικής. Και χωρίς διαχείριση δεδομένων που καθορίζει ποια δεδομένα είναι αρκετά αξιόπιστα για να βασιστεί κανείς σε αυτά, μια μέτρηση μπορεί να αποδώσει έναν αριθμό αλλά όχι στήριγμα — βλέπε η διάσταση διαχείρισης δεδομένων. Όποιος θέλει να ανεβάσει τη διαχείριση απόδοσης χωρίς να έχει τακτοποιήσει αυτά τα θεμέλια, μετρά κάτι, αλλά όχι κάτι πάνω στο οποίο μπορεί να χτίσει.
Το βήμα από το baseline στο foundation απαιτεί κυρίως μια συμφωνία: να οριστεί, πριν ξεκινήσει μια εφαρμογή, τι σημαίνει επιτυχία, και να καταγράφεται αυτό σε ένα σημείο όπου μπορεί να βρεθεί ξανά αργότερα. Αυτό δεν είναι επένδυση σε τεχνολογία, αλλά σε συνήθεια.
Το βήμα από το foundation στο activation απαιτεί επανάληψη: το ίδιο κριτήριο να επανεξετάζεται σε σταθερές χρονικές στιγμές, αντί για μια εφάπαξ ματιά. Αυτό απαιτεί χρόνο από κάποιον που το βάζει στην ημερήσια διάταξη και συνεχίζει να ρωτά σχετικά.
Το βήμα προς το insight απαιτεί κάτι πιο δύσκολο: τη διάθεση να ανακαλέσει ή να προσαρμόσει κανείς μια εφαρμογή αν η μέτρηση είναι απογοητευτική, ακόμη και αν έχουν ήδη γίνει επενδύσεις σε αυτήν. Αυτό είναι λιγότερο ζήτημα κόστους και περισσότερο ζήτημα κουλτούρας.
Το βήμα προς το intelligence απαιτεί τελικά μια σύγκριση μεταξύ των εφαρμογών, έτσι ώστε ο οργανισμός να μη μαθαίνει ανά περίπτωση αλλά να βλέπει μοτίβα. Αυτό απαιτεί ένα σταθερό σημείο όπου γίνεται αυτή η σύγκριση, και ανθρώπους που τους δίνεται χρόνος για αυτό.
Η μέτρηση ωριμότητας της hybridresourcing δείχνει αν ένας οργανισμός είναι σε θέση να στηρίξει αυτό που αποδίδει η AI — αν τα θεμέλια υπάρχουν, και αν η διαχείριση απόδοσης μπορεί να χτίσει πάνω σε αυτά. Δεν λέει τίποτα για ποιες εργασίες εντός της ίδιας της δουλειάς είναι κατάλληλες να ανατεθούν στην AI, και σε ποιο βαθμό. Σε αυτό το ερώτημα απαντά η σάρωση εργασίας (werkscan) της FTE TO AI, η οποία υπολογίζει ανά εργασία ποιο μέρος της μπορεί να μεταφερθεί στην AI. Όποιος γνωρίζει πλέον πού βρίσκεται ο οργανισμός σε αυτή τη διάσταση, έχει έτσι και μια ένδειξη αν τα αποτελέσματα μιας τέτοιας σάρωσης εργασίας θα καταλήξουν κάπου, ή θα χαθούν σε μια αναφορά που κανείς δεν ξανανοίγει.
Η μέτρηση ωριμότητας, με τον γύρο plot όπου πολλά άτομα βαθμολογούν ξεχωριστά και γίνεται ορατή η διασπορά μεταξύ των απαντήσεών τους, βρίσκεται ακόμη υπό ανάπτυξη. Όποιος θέλει να χρησιμοποιήσει τη μέτρηση μόλις γίνει διαθέσιμη, μπορεί να εγγραφεί στη λίστα αναμονής.
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.