Las aplicaciones de IA cuentan con datos. No con los datos que usted se imagina que tiene, sino con los datos tal como están efectivamente almacenados, definidos y mantenidos. La gestión de datos es, por tanto, una de las dimensiones fundamentales dentro de la medición de madurez: junto con la organización y la infraestructura de TI, determina si hay algo sobre lo que construir. Una organización puede puntuar bien en personas y competencias o en gestión del rendimiento y, aun así, constatar que cada aplicación de IA se atasca porque nadie puede decir con certeza qué versión de una base de datos de clientes es la correcta. Ese orden no es una elección nuestra; es el orden en el que funciona.
La gestión de datos trata sobre el estado de los datos que una organización utiliza para trabajar y decidir. Si las definiciones están fijadas, o si "cliente activo" significa algo distinto en cada departamento. Si hay un propietario designado por cada conjunto de datos, o si nadie sabe quién es responsable cuando un campo lleva años erróneo. Si los datos se registran una vez y se obtienen de un único lugar, o si existen tres exportaciones que ya difieren entre sí. Las preguntas de la medición no tratan sobre la cantidad de datos o el tipo de sistema, sino sobre la fiabilidad y la procedencia de lo que hay.
Los cinco niveles van de baseline a intelligence, y en la gestión de datos la diferencia entre esos niveles suele notarse de forma más concreta que en otras dimensiones. En baseline, los datos existen sobre todo de forma local: en hojas de cálculo, en la cabeza de un compañero, en un sistema que ya nadie comprende del todo. En foundation, los conjuntos de datos más importantes están identificados y hay un inicio de propiedad, aunque las definiciones aún difieran. Lo que significa ese nivel foundation en la práctica, también para otras dimensiones, está descrito en qué significa el nivel foundation en la práctica, y lo mismo aplica al propio punto de partida en qué significa el nivel baseline en la práctica. En activation, las definiciones se comparten en gran medida y existe un proceso para señalar desviaciones. En insight, los datos se utilizan activamente para fundamentar decisiones, con visión sobre la calidad y la procedencia. En intelligence, la gestión de datos ya no es un proyecto aparte, sino una característica fija de cómo funciona la organización.
La ronda de plot revela si esa estimación es correcta. Cuando el CIO sitúa la gestión de datos en activation y los equipos que trabajan con ella a diario la sitúan en baseline, esa dispersión dice más sobre la situación real que el promedio de ambas puntuaciones. A menudo resulta que los sistemas están configurados para un nivel superior al del comportamiento que hay en ellos: existe un sistema central, pero la gente sigue trabajando en paralelo con sus propios archivos porque no confía en el sistema.
Lo que cuesta pasar de baseline a foundation depende de cuán fragmentados estén ahora los datos y de cuántos departamentos manejen su propia versión de la verdad. El trabajo se concentra entonces sobre todo en designar la propiedad y fijar definiciones, no en nueva tecnología. Pasar de foundation a activation exige con más frecuencia un paso técnico: designar una única fuente, eliminar las demás o dejarlas solo en modo de lectura. Pasar de activation a insight desplaza el peso hacia la gobernanza: quién puede modificar qué, cómo se controla la calidad, qué ocurre cuando se detecta un error. Cuánto dura ese trayecto y cuán exigente es depende del tamaño de la organización, del número de sistemas que mantienen datos y del grado en que las personas ya están acostumbradas a considerar una fuente como la referencia principal. Esto no se puede resumir en un importe fijo o un plazo fijo; depende de dónde se concentre la dispersión en su ronda de plot.
La gestión de datos rara vez existe de forma aislada. Una organización que no confía en sus datos también tendrá dificultades con cuánto cuesta subir un nivel en privacidad y seguridad, porque no se puede proteger lo que no se tiene mapeado. A la inversa, una gestión de datos sólida puede sentar una base sobre la que cuánto cuesta subir un nivel en gestión del rendimiento resulte más fácil de responder, ya que la gestión del rendimiento necesita datos fiables para poder medir algo. También la pregunta cuánto cuesta subir un nivel en ética afecta directamente a la gestión de datos: manejar los datos de forma responsable empieza por saber qué se tiene y de dónde procede. Quien aborda estas dimensiones por separado corre el riesgo de que el trabajo en una dimensión se vea frenado por un rezago en otra.
Esta medición muestra si la organización cuenta con los datos, los sistemas y las personas para sostener la IA. Esa es una pregunta distinta de qué parte del trabajo puede asumir realmente la IA. En cuanto queda claro dónde se encuentran las dimensiones fundamentales, incluida la gestión de datos, resulta útil examinar tarea por tarea qué puede hacer la IA y qué no. Ese es el ámbito del escáner de trabajo de FTE TO AI: calcula, para cada tarea, qué parte del trabajo se puede asumir, partiendo de los datos y sistemas que efectivamente existen en ese momento.
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.