A baseline az a szint, ahonnan a legtöbb organizáció elindul. Van AI-használat, de az egyénekre épül: valaki az IT-osztályon egy nyelvi modellel experimentál, egy marketinges szöveget generáltat, egy-egy vezető megkérdezi, hogy egy folyamat lehet-e gyorsabb. Nincs közös megközelítés, nincs közös kép arról, mi működik, és nincs olyan struktúra, amely megőrizné azt, amit ezalatt megtanulnak. Ha az illető távozik vagy másik projektet kap, a tudás vele együtt eltűnik.
A baseline szinten nem az akarat hiányzik, hanem az alapok. A hét dimenzió, amelyet az érettségmérés megkülönböztet — köztük az organizáció, az IT-infrastruktúra és az adatmenedzsment — ezen a szinten még elszigetelten állnak egymástól, vagy alig vannak kidolgozva. Ez nem hiányosság; ez az az állapot, amelyben egy organizáció van, mielőtt tudatosan elkezd építeni.
Néhány jel a baseline szinten mindig visszatér. Nincs áttekintés arról, hol használnak már AI-t az organizáción belül, nemhogy közös kép arról, mit hoz az a használat. Az AI-ról szóló döntéseket ott hozzák meg, ahol a kérdés véletlenül felmerül, nem egy olyan megfontolás alapján, amely az egész organizációt érinti. Az adatok szétszórtan helyezkednek el olyan rendszerekben, amelyek nem kommunikálnak egymással, ami minden lépést lassít valami strukturáltabb felé. És nincs közös nyelv: amit az egyik osztály AI-nak nevez, az a másik számára valami más.
Az érettségmérés plot-fordulója ezt gyakran láthatóvá teszi, még mielőtt szavakba lehetne önteni. Amikor több ember ugyanazon organizáción belül külön-külön pontoz, a baseline szinten gyakran feltűnik egy nagy szórás: az egyik válaszadó előrelépést lát, amit a másik nem ismer fel. Ez a szórás önmagában is jel. Megmutatja, hogy még nincs közös kép arról, hol áll az organizáció, és ez pontosan a baseline jellemzője.
A baseline-től a következő szintig vezető út nem egy új alkalmazásnál kezdődik, hanem az alapvető dimenzióknál. Az organizáció, az IT-infrastruktúra és az adatmenedzsment megelőzi azokat a dimenziókat, amelyek ezektől függenek. Ez nem preferencia kérdése, ez az a sorrend, amelyben működik: egy organizáció, amely AI-ra akar építeni anélkül, hogy az adatai rendben lennének, vagy anélkül, hogy tiszta lenne, ki dönt miről, ingoványra épít.
Konkrétan ez azt jelenti, hogy elsőként áttekintésre van szükség. Ki foglalkozik már az organizáción belül AI-val, és milyen adatok alapján? Hol találhatók az ezekhez az alkalmazásokhoz releváns adatok, és elég hozzáférhetők és megbízhatók-e ahhoz, hogy azokra építsenek? Van-e valaki vagy egy csoport, aki felelősséget visel az AI-val kapcsolatos döntésekért, vagy ez még véletlenszerűen történik? Ezek a kérdések szerénynek tűnnek, de pontosan ezekre fókuszálnak az alapvető dimenziók.
A függő dimenziók — amelyek azzal foglalkoznak, hogy az AI hogyan érinti magát a munkát — ezután következnek. A baseline szinten még túl korai lenne ezekről bármi értelmeset mondani, mert hiányzik az alap, amelyre ezek a dimenziók támaszkodhatnának.
A foundation felé való átmenet nem azt követeli, hogy minden egyszerre kerüljön rendbe. Azt követeli, hogy az organizáció felhagyjon azzal, hogy az AI-használatot valami véletlenül egyéneknél felmerülő dologként kezeli, és elkezdje rögzíteni, mi is van: milyen adatok léteznek, ki dönt miről, mely rendszereknek kell tudniuk kommunikálni egymással. Ez kevésbé technikai, inkább organizatorikus folyamat. A technika többnyire követi, ha a struktúra egyszer megvan.
Ez egy olyan folyamat is, amely időt igényel, és amelynek hossza attól függ, mennyi van már informálisan jelen. Egy organizáció, ahol egy osztály már egy ideje tudatosan foglalkozik az adatokkal, rövidebb utat kell megjárnia, mint egy organizáció, ahol ez sehol nincs meg. Az, hogy pontosan mire van szükség a foundation-től való továbblépéshez, és mely dimenziók igénylik ekkor elsőként a figyelmet, azon az oldalon van leírva, amely elmagyarázza, hogyan lehet eljutni a foundation-től a következő szintig. A sorozat további részében, azok számára, akik már tovább jutottak, az is le van írva, hogyan viszonyul az activation a rákövetkező szinthez és mit igényel az insight ahhoz, hogy tovább nőjön az intelligence felé.
A baseline semmit nem mond egy organizáció ambíciójáról, és semmit az ott dolgozó emberek minőségéről. Egy adott pillanatban az alapok állapotáról mond valamit. Az organizációk, amelyek ezt a szintet alaposan feltérképezik, gyakran felfedezik, hogy már több van meg, mint gondolták — elszórt kezdeményezések, adatok, amelyeket valahol mégis nyilvántartanak, emberek, akik már túlgondolkodnak a funkciójukon. Az érettségmérés ezt egy olyan képpé rendezi össze, amelyre a következő lépés épülhet, anélkül hogy ezt a képet egy olyan tanáccsal töltené ki, amely nem illik az organizációhoz.
Ez az oldal a felkészültségről szól: arról, hogy mi kell legyen meg, mielőtt az AI strukturális helyet kaphat. Ez más kérdés, mint hogy a munka mely részét tudja az AI valójában elvégezni. Amint az alap formát ölt, ez a második kérdés relevánssá válik, és pontosan ide kapcsolódik a FTE TO AI munkaszkennere: az feladatonként kiszámítja, mely rész vehető át AI által, a jelenleg elvégzett feladatok alapján. Aki azt akarja tudni, mit vehet át az AI, amint az organizáció készen áll rá, azt ott találja meg — beleértve azt is, hogy ez miben tér el, amikor önállóan munkát végző agentekről vagy olyan láncokról van szó, amelyekben az egyes lépések követik egymást.
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.