Kennisbank

Koliko je obrazovanje daleko s AI-zrelošću

Obrazovne organizacije razlikuju se od većine drugih sektora time što se sama ključna djelatnost – predavanje, mentorstvo, ocjenjivanje – teško odvaja od ljudi koji je izvode. Gdje fabrika ili trgovina može redizajnirati procese bez utjecaja na identitet posla, svaka promjena u školi ili visokoj školi brzo dotiče odnos između nastavnika i studenta. To sektor ne čini sporijim u tehnologiji, ali ga čini opreznijim u pitanju što AI zapravo može preuzeti prije nego što se govori o 'preuzimanju'.

Uz to, obrazovne institucije često se sastoje od više razina koje nemaju istu brzinu: upravno tijelo, nekoliko lokacija ili fakulteta, i velika skupina nastavnika s vlastitim načinima rada. Najveći dio AI-inicijativa s kojima se susrećemo počinje na jednoj od tih razina, bez da su druge razine uključene. Nastavnik eksperimentira s jezičnim modelom za povratne informacije, dok IT-odjel nema uvid u to koji podaci pri tome napuštaju zgradu. Upravno tijelo formulira AI-viziju, dok se upravljanje podacima sustava za praćenje učenika još oslanja na papir ili odvojene proračunske tablice. Ta nepodudarnost nije pitanje nevoljkosti, već redoslijeda.

Zašto pilot-projekti zastaju

Član upravnog odbora, direktor poslovanja ili voditelj IT-a koji vidi da AI pilot-projekti zastaju, prepoznaje često isti obrazac: pilot funkcionira sam za sebe, ali se ne širi. To rijetko proizlazi iz nedostatka tehnologije. Češće nedostaje jedna od temeljnih razina potrebnih za nošenje pilot-projekta: organizacijska struktura koja može donositi i dodjeljivati odluke o AI-ju, IT-infrastruktura koja može sigurno prihvatiti nove primjene, i upravljanje podacima koje je uređeno prije nego što model s njima može učiniti nešto smisleno. Samo kada te tri razine stoje, ima smisla razmatrati ovisne dimenzije: kako ljudi s time rade, kakav uvid to donosi, i koliko inteligentno organizacija time konačno upravlja.

U obrazovanju to igra veću ulogu nego drugdje, jer su temeljne razine često povijesno izrasle oko pedagoških izbora, ne oko tehničkih. Školska administracija uređena je za odgovornost prema inspekciji, ne za podatke koji se mogu ponovno koristiti za AI-primjene. IT-odjel je često malen i usmjeren na održavanje, ne na integraciju novih sustava. To nije manjkavost, to je drugačiji prioritet utvrđen desetljećima ranije koji sada utječe na to koliko brzo AI zapravo zaživi.

Što pokazuje mjerenje zrelosti

Mjerenje hybridresourcing gleda na sedam dimenzija, podijeljenih u pet razina od baseline do intelligence. Za obrazovne institucije upada u oči da rezultat na organizaciji i upravljanju podacima često zaostaje za rezultatom na ambiciji ili individualnim primjenama. Redovito već postoji netko tko radi s AI-jem, ponekad već na naprednoj razini, dok organizacija kao cjelina još stoji na prvoj razini u pogledu donošenja odluka i uređenja podataka. Ta raspršenost postaje vidljiva u plot-krugu, u kojem više ljudi unutar iste institucije zasebno postiže rezultate. Kod obrazovnih organizacija ta raspršenost je često veća od prosjeka, upravo zato što upravno tijelo, IT i nastavno osoblje rijetko djeluju iz iste slike.

Ta raspršenost sama po sebi nije problem. To je informacija. Rukovoditelj koji smatra da je organizacija spremna za AI u velikom obimu, i IT-menadžer koji zna da infrastruktura to još ne može podnijeti, oboje imaju pravo iz svoje pozicije. Mjerenje tu razliku čini eksplicitnom, tako da razgovor može biti o tome što prvo treba postaviti, umjesto o tome ko je u pravu.

Redoslijed koji se ne može izbjeći

Sedam dimenzija nisu jednake u vremenu. Organizacija, IT-infrastruktura i upravljanje podacima dimenzije su na kojima se temelje ostale četiri. Škola koja želi raditi na uvidu ili inteligenciji bez uređenih podataka, gradi na pijesku. To vrijedi za obrazovne institucije jednako čvrsto kao i za trgovačka poduzeća koja se muče sa sličnim zaostajanjima u upravljanju podacima ili za ugostiteljstvo, gdje su organizacijske strukture često podjednako fragmentirane po lokacijama. Sektor je različit, redoslijed nije.

To pitanje 'koliko smo daleko' čini manje pitanjem rezultata, a više pitanjem gdje nedostaje temelj. Institucija koja na papiru ambiciozno postiže rezultat na korištenju AI-ja, ali nema uvid u vlastitu IT-infrastrukturu, neće moći ostvariti tu ambiciju bez da se prvo vrati na osnove. To je ono što institucije u IT-sektoru i u financijskim uslugama također pokazuju: visoka ambicija na ovisnim dimenzijama ne kompenzira slab temelj.

Što slijedi nakon mjerenja

Mjerenje zrelosti hybridresourcing još je u izradi. Tko želi znati kako vlastita institucija postiže rezultat na sedam dimenzija, i kako se taj rezultat odnosi na rezultate kolega unutar iste organizacije, može se prijaviti na listu čekanja. Još ne postoji alat koji se može koristiti danas; postoji jasna slika o tome što će mjerenje donijeti kada bude dostupno.

Ova stranica govori o pitanju može li obrazovna organizacija nositi AI: stoji li temelj prije nego što se na njemu nešto izgradi. Drugo pitanje, koje postaje smisleno tek nakon toga, jest što AI unutar obrazovanja konkretno može preuzeti. Za to je namijenjen radni scan FTE TO AI: taj po zadatku izračunava koji dio posla se pogodan da ga preuzme AI, bez obzira na pitanje je li organizacija kao cjelina za to već spremna. Tko kombinira oba pitanja, dobiva ne samo uvid u mogućnosti, već i u redoslijed kojim mogu postati stvarnost.