Seitsemästä kypsyysmittauksen ulottuvuudesta ihmiset ja taidot on useimmin mainittu syy, miksi AI-pilotti ei kasva eteenpäin. Ei siksi, että ihmiset eivät haluaisi, vaan koska taito on eri asia kuin tieto. Joku voi tietää, mikä kielimalli on, ja silti ei tiedä, milloin tulosta voi luottaa. Tämä kuilu tietämisen ja soveltamisen välillä on juuri se, mitä tämä ulottuvuus mittaa.
Ulottuvuus liittyy muihin perustavanlaatuisiin ulottuvuuksiin. Taidot kehittyvät vaivalloisesti, jos organisaatio itse ei ole järjestetty oppimaan AI:n kanssa, ja AI-sovellusten harjoittelu toimii huonosti, jos IT-infrastruktuuri ei tarjoa turvallista ympäristöä kokeiluun. Se, joka ajattelee vain koulutusbudjettia, jää vaille tätä järjestystä.
Baseline-tasolla pieni joukko ihmisiä työskentelee omasta aloitteestaan AI-työkalujen kanssa, organisaation näkymättömissä. Ei ole jaettua käsitystä siitä, mikä toimii ja mikä ei, ja se, mitä joku oppii, jää vain hänelle itselleen. Mitä baseline tarkoittaa käytännössä ei siis tarkoita kiinnostuksen puutetta, vaan rakenteen puutetta hyödyntää tätä kiinnostusta.
Foundation-tasolla on ensimmäinen jaettu perusta: osa ihmisistä on rakentanut vertailukelpoisia taitoja, on syntynyt yhteinen sanasto, ja yksittäisiä kokemuksia jaetaan satunnaisesti. Mitä foundation tarkoittaa käytännössä on askel yksilöllisestä käytöstä johonkin, joka alkaa muistuttaa tiimiä, joka ymmärtää samalla tavalla.
Activation-tasolla ihmiset soveltavat AI:ta rakenteellisesti omissa tehtävissään ja tunnistavat, mihin se sopii ja mihin ei. Insight-tasolla painopiste siirtyy: ihmiset osaavat AI:n käytön lisäksi arvioida, pitääkö tulos paikkansa ja miksi. Intelligence-tasolla tämä arviointi ei ole enää erillinen vaihe, vaan osa sitä, miten työtä normaalisti tehdään, levittyneenä koko organisaatioon muutaman edelläkävijän sijaan.
Tässä ulottuvuudessa syntyy usein suurin ero sen välillä, mitä CIO pisteyttää ja mitä tiiminvetäjä pisteyttää. CIO näkee järjestetyt koulutukset ja laskee sen edistykseksi. Tiiminvetäjä näkee, että koulutus on muuttanut vain vähän sitä, miten työ todellisuudessa tehdään, ja antaa alemman pisteen. Molemmat havainnot ovat oikeita; ne mittaavat vain eri osaa samasta ulottuvuudesta. Tarjonta ja soveltaminen eivät ole sama asia, ja plot-kierros paljastaa juuri tämän kuilun sen sijaan, että se tasoittaisi sen pois.
Yhden tason nousu ihmisissä ja taidoissa ei riipu ensisijaisesti koulutusbudjetista. Se riippuu toistosta: ihmisistä, jotka jatkavat AI:n soveltamista todelliseen työhön, ei harjoiteltuihin esimerkkeihin. Se riippuu ajasta, joka on todellisuudessa käytettävissä varsinaisten tehtävien lisäksi, eikä ole vain paperilla varattua. Ja se riippuu ympäristöstä, jossa virheiden tekeminen oppimisen aikana ei ole syy palata vanhaan työskentelytapaan.
Lisäksi askel riippuu siitä, tehdäänkö taito näkyväksi ja jaetaanko se. Joku, joka oppii hyvin tarkistamaan AI-tuloksen, auttaa organisaatiota eteenpäin vain, jos tämä työskentelytapa päätyy jonnekin, mistä muut voivat ottaa sen käyttöön. Ilman tätä mekanismia kaikki edistys jää sidoksiin yhteen henkilöön ja häviää, kun tämä henkilö vaihtaa tehtävää.
Tämä tekee samalla näkyväksi, miksi tätä ulottuvuutta harvoin voi korjata yksinään. Se, miten opitaan, onko joku suoriutunut hyvin, ja tunnistetaanko ja palkitaanko tätä oppimista, liittyy suoraan siihen, kuinka kypsä suorituksenhallinta on. Ja taito kehittyy myös hitaammin, jos tiedot, joilla ihmiset harjoittelevat, ovat epäluotettavia, minkä takia tämä ulottuvuus harvoin on erillinen siitä, kuinka kypsä datahallinta on.
Tämä ulottuvuus näyttää, ovatko organisaation ihmiset valmiita työskentelemään AI:n kanssa tasolla, joka vastaa tavoitetta. Se ei näytä, minkä osan tietystä toiminnasta AI voi ottaa haltuunsa ja minkä osan täytyy pysyä ihmisellä. Se on eri kysymys, joka vastataan tehtäväkohtaisesti eikä organisaatiokohtaisesti. FTE TO AI:n työscan laskee, mikä osa roolin työstä sopii siirrettäväksi AI:lle, tehtävä tehtävältä. Missä tämä sivu kuvaa, ovatko ihmiset valmiita ohjaamaan tätä siirtoa, työscan näyttää, mitä tarkalleen voidaan siirtää — ja se on merkityksellinen kysymys vain, kun kantava puoli, kuten tässä kuvattu, on kunnossa.
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.