AI-pilotit kaatuvat harvoin tekniikkaan. Ne kaatuvat siihen, mitä ihmiset osaavat, uskaltavat ja tietävät, ja mitä eivät. Organisaatiolla voi olla erinomainen data ja vakaa infrastruktuuri ja se voi silti juuttua paikoilleen, koska kukaan ei tiedä kunnolla, mitä AI tekee ja mitä ei, milloin epäluottamus on aiheellista ja milloin ei, ja kenellä on mikä rooli, kun malli toimittaa jotain, jonka ihmisen on arvioitava. Tämä sivu käsittelee juuri tätä ulottuvuutta: ihmiset ja taidot, yksi seitsemästä ulottuvuudesta, jotka hybridresourcingin kypsyysmittaus kartoittaa.
Ihmiset ja taidot koskee kolmea kerrosta, joita usein käsitellään erillään toisistaan, vaikka ne liittyvät toisiinsa. Ensimmäinen kerros on tieto: ymmärtävätkö työntekijät, mitä AI-järjestelmä tekee, missä rajat kulkevat ja mitkä virheet ovat tyypillisiä sen tyyppiselle sovellukselle, jota he käyttävät. Toinen kerros on taito: kykenevätkö ihmiset todella arvioimaan, korjaamaan tai vertaamaan AI:n tuottamaa tulosta omaan arvioonsa. Kolmas kerros on asenne: onko tilaa kokeilla AI:ta, ilmoittaa virheistä ja korjata kurssia, vai hallitseeko varautuneisuus tai sokea luottamus. Organisaatio, joka panostaa vain koulutuksiin puuttumatta asenteeseen, jää usein junnaamaan samalle tasolle, myös vuosien koulutusten jälkeen.
Koska tämä ulottuvuus riippuu vahvasti yksittäisistä ihmisistä, hybridresourcing ei mittaa sitä yhdellä pisteytyksellä, vaan plot-kierroksella: useat osallistujat arvioivat erikseen, ja heidän vastaustensa hajonta tulee näkyväksi. Suuri hajonta on itsessään jo tulos. Se osoittaa, että organisaatio näyttää paperilla olevan yhdellä tasolla, kun työntekijät kokevat asian eri tavalla kuin johto.
Baseline-tasolla ei ole yhteistä käsitystä siitä, mitä AI on tai tekee. Yksittäiset ihmiset kokeilevat, mutta yhteistä kieltä ja rakennetta kokemusten jakamiseen ei ole. Foundation-tasolla perustietoa on olemassa, tavallisesti rajatulla ryhmällä, ja muu organisaatio seuraa etäältä. Activation-taso tarkoittaa, että merkittävä osa osallistuvista työntekijöistä tietää, mitä AI tarkoittaa heidän omassa työssään ja osaa käsitellä sitä käytännössä. Insight-taso lisää tähän sen, että ihmiset osaavat arvioida AI:n tuloksia kriittisesti ja tietävät, milloin epäilyyn on syytä. Intelligence-tasolla tämä taito on levinnyt läpi organisaation, juurtunut siihen, miten ihmiset työskentelevät, eikä riippuvainen muutamista varhaisista omaksujista.
Se, missä organisaatio sijaitsee tällä asteikolla, ei ole koskaan intuition kysymys. Se riippuu siitä, kuinka moni ihminen todella työskentelee AI:n kanssa, kuinka moninaisia heidän kokemuksensa ovat ja kohtaavatko kokemukset toisensa jossain. Juuri tästä syystä plot-kierros tuottaa enemmän tietoa kuin kysely, jossa on yksi vastaaja per tiimi.
Muutamat signaalit viittaavat matalaan tasoon. Jos AI:ta koskevat kysymykset päätyvät aina samoille muutamille ihmisille, tieto ei ole levinnyt. Jos kukaan ei uskalla hylätä AI:n tuottamaa tulosta, koska sen taustalla olevaa logiikkaa ei tunneta, arviointitaito puuttuu. Jos AI-hankkeita käynnistetään ottamatta mukaan niitä ihmisiä, joiden on työskenneltävä niiden kanssa, puuttuu tuki, joka tarvitaan viemään asia pilottivaihetta pidemmälle.
Korkeamman tason tunnistaa päinvastaisesta: AI:n tuloksia koskevat keskustelut ovat sisällöllisiä eikä periaatteellisia, työntekijät ehdottavat itse, missä AI voi auttaa ja missä ei, ja organisaatiossa AI-tuloksen kyseenalaistamista pidetään normaalina osana työtä, ei merkkinä siitä, että hanke on epäonnistunut.
Tie korkeammalle tasolle alkaa harvoin lisätekniikasta. Se alkaa siitä, että tehdään näkyväksi, mitä ihmiset jo tietävät ja missä ovat aukot, ja siitä, että järjestetään hetkiä, joissa kokemusta jaetaan sen sijaan, että se jää eristyksiin yksittäisiin kokeiluihin. Mitä tämä konkreettisesti maksaa aikana ja huomiona, vaihtelee suuresti organisaation ja lähtötason mukaan; se, joka haluaa siitä arvion, löytää sen sivulta, joka laskee, mitä maksaa organisaation tason nostaminen yhdellä.
Ihmiset ja taidot ei muuten ole erillään muista ulottuvuuksista. Sen, joka haluaa arvioida AI:ta, on myös ymmärrettävä, miten tämä arviointi kirjataan ja käytetään, ja se liittyy suorituksen johtamiseen AI:n suhteen. Sen, joka haluaa uskaltaa ilmoittaa virheistä, on tiedettävä, että tietosuoja ja turvallisuus ovat kunnossa, mikä liittyy siihen, mitä maksaa tietosuojan ja turvallisuuden tason nostaminen yhdellä. Ja sen, joka haluaa rakentaa luottamusta AI:n tuloksiin, on ennemmin tai myöhemmin kohdattava kysymyksiä, jotka liittyvät siihen, mitä maksaa etiikan tason nostaminen yhdellä.
Tämä sivu kuvaa, kykenevätkö organisaationne ihmiset kantamaan AI:ta: ymmärtämään, arvioimaan ja korjaamaan sitä. Se ei kuvaa, mikä osa työstä itsessään on siirrettävissä AI:lle. Se on toinen kysymys, jolle on toinen työkalu. FTE TO AI:n työscan laskee tehtäväkohtaisesti, mikä osa työstä soveltuu AI:lle, ottaen huomioon tehtävän luonteen ja sen suoritusympäristön. Tämä tulos on merkityksellinen vasta, kun kantava puoli, mukaan lukien ihmiset, joiden on työskenneltävä tulosten kanssa, on saavuttanut jonkin tason. Se, joka haluaa tietää, missä organisaatio tällä hetkellä on, voi ilmoittautua kypsyysmittauksen jonotuslistalle, joka on vielä rakenteilla.
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.