Baseline on taso, jolla useimmat organisaatiot aloittavat. AI-käyttöä on, mutta se pyörii yksilöiden varassa: joku IT-osastolla kokeilee kielimallia, markkinoija generoi tekstiä, yksittäinen esimies kysyy, voisiko prosessi olla nopeampi. Ei ole yhteistä lähestymistapaa, ei yhteistä käsitystä siitä, mikä toimii, ja ei rakennetta, joka pitäisi kiinni siitä, mitä opitaan. Kun kyseinen henkilö lähtee tai saa toisen projektin, tieto katoaa hänen mukanaan.
Baseline-tasolla ei puutu tahtoa, vaan perusta. Seitsemän ulottuvuutta, jotka kypsyysmittaus erottaa toisistaan — mukaan lukien organisaatio, IT-infrastruktuuri ja tiedonhallinta — ovat tällä tasolla vielä toisistaan irrallisia tai tuskin täytettyjä. Se ei ole puute; se on tila, jossa organisaatio on ennen kuin se on alkanut tietoisesti rakentaa.
Muutama merkki toistuu baseline-tasolla poikkeuksetta. Ei ole yleiskuvaa siitä, missä AI:ta jo käytetään organisaation sisällä, puhumattakaan yhteisestä käsityksestä siitä, mitä tuo käyttö tuottaa. Päätökset AI:sta tehdään siellä, missä kysymys sattuu syntymään, ei koko organisaatiota koskevan harkinnan perusteella. Data on hajallaan järjestelmissä, jotka eivät kommunikoi keskenään, mikä hidastaa jokaista askelta kohti jotain rakenteellista. Ja yhteistä kieltä ei ole: se, mitä yksi osasto kutsuu AI:ksi, on toiselle jotain muuta.
Kypsyysmittauksen plot-kierros tekee tämän usein näkyväksi ennen kuin sille on sanoja. Kun useat ihmiset samassa organisaatiossa pisteyttävät erikseen, baseline-tasolla erottuu usein suuri hajonta: yksi vastaaja näkee edistystä, jota toinen ei tunnista. Tämä hajonta on itsessään merkki. Se osoittaa, että yhteistä käsitystä siitä, missä organisaatio on, ei vielä ole olemassa, ja juuri se on baseline-tason tunnusmerkki.
Tie baseline-tasolta seuraavalle tasolle ei ala uudesta sovelluksesta, vaan perustavanlaatuisista ulottuvuuksista. Organisaatio, IT-infrastruktuuri ja tiedonhallinta menevät niistä riippuvaisten ulottuvuuksien edelle. Tämä ei ole mieltymys, se on järjestys, jossa se toimii: organisaatio, joka haluaa rakentaa jotain AI:n varaan silloin, kun data ei ole kunnossa tai kun ei ole selvää, kuka päättää mistä, rakentaa hiekalle.
Käytännössä tämä tarkoittaa, että ensin on saatava yleiskuva. Kuka organisaatiossa tekee jo jotain AI:lla, ja millaisen datan perusteella? Missä sijaitsee näille sovelluksille olennainen data, ja on se riittävän saatavilla ja luotettava, jotta sen päälle voi rakentaa? Onko olemassa henkilö tai ryhmä, joka kantaa vastuun AI:ta koskevista valinnoista, tai tapahtuuko se yhä sattumanvaraisesti? Nämä kysymykset vaikuttavat vaatimattomilta, mutta juuri niihin perustavanlaatuiset ulottuvuudet tarkentuvat.
Riippuvaiset ulottuvuudet — jotka liittyvät siihen, miten AI koskettaa itse työtä — tulevat sen jälkeen. Baseline-tasolla on liian aikaista sanoa niistä mitään mielekästä, koska perusta, jonka päälle ne ulottuvuudet voisivat levätä, puuttuu.
Siirtymä foundation-tasoon ei vaadi, että kaikki tulee kuntoon yhtä aikaa. Se vaatii, että organisaatio lopettaa AI-käytön kohtelun asiana, joka syntyy sattumanvaraisesti yksilöiden kautta, ja alkaa kirjata ylös, mitä on olemassa: mitä dataa on, kuka päättää mistä, mitkä järjestelmät on saatava kommunikoimaan keskenään. Tämä on vähemmän tekninen matka kuin organisatorinen matka. Tekniikka seuraa yleensä perässä, kun rakenne on kerran paikallaan.
Se on myös matka, joka vaatii aikaa, ja jonka kesto riippuu siitä, kuinka paljon jo on epämuodollisesti olemassa. Organisaatiolla, jossa yksi osasto on jo pitkään työskennellyt tietoisesti datan kanssa, on lyhyempi matka kulkea kuin organisaatiolla, jossa niin ei ole missään. Se, mitä täsmälleen tarvitaan siirtyäksesi foundation-tasosta eteenpäin, ja mitkä ulottuvuudet vaativat ensimmäisenä huomiota, on kuvattu sivulla, joka selittää miten pääsette foundation-tasosta seuraavalle tasolle. Sarjan jatkossa, organisaatioille, jotka ovat jo pidemmällä, kuvataan myös miten activation-taso suhteutuu sitä seuraavaan tasoon ja mitä insight vaatii kasvaakseen intelligence-tasoon.
Baseline ei kerro mitään organisaation ambitiosta eikä mitään sen työntekijöiden laadusta. Se kertoo jotain perustan tilasta annetulla hetkellä. Organisaatiot, jotka kartoittavat tämän tason vakavasti, huomaavat usein, että enemmän on jo olemassa kuin luultiin — irrallisia aloitteita, dataa, jota jossain kuitenkin ylläpidetään, ihmisiä, jotka jo ajattelevat pidemmälle kuin heidän toimenkuvansa vaatii. Kypsyysmittaus yhdistää tämän kuvaksi, jonka päälle seuraava askel voidaan rakentaa, täyttämättä sitä kuvaa neuvolla, joka ei sovi organisaatioon.
Tämä sivu käsittelee valmiutta: sitä, mitä on oltava paikallaan ennen kuin AI voi saada rakenteellisen paikan. Se on eri kysymys kuin se, minkä osan työstä AI todella pystyy suorittamaan. Kun perusta alkaa muodostua, tuosta toisesta kysymyksestä tulee olennainen, ja juuri siihen liittyy FTE TO AI:n työskannaus: se laskee tehtäväkohtaisesti, minkä osan työstä AI voi ottaa vastuulleen, perustuen tehtäviin sellaisina kuin ne nyt suoritetaan. Se, joka haluaa tietää, mitä AI voi ottaa vastuulleen sitten kun organisaatio on siihen valmis, löytää sen sieltä — mukaan lukien se, miten se eroaa, kun kyse on agenteista, jotka suorittavat työtä itsenäisesti tai ketjuista, joissa eri vaiheet seuraavat toisiaan.
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.