Az IKT-szektornak van egy előnye, amely egyben csapda is. Míg más szektoroknak még hozzá kell szokniuk az AI gondolatához, a modellekkel, architektúrákkal és eszközökkel kapcsolatos tudás ebben a szektorban jellemzően már megvan. A fejlesztők kísérleteznek, a csapatok proof-of-conceptokat építenek, és ritkán van ellenállás a technikával szemben magával. Ez azt a benyomást kelti, hogy a szektor egészében messze van. De egy szervezet egy részének technikai jártassága más, mint a szervezet egészének érettsége. Pontosan itt akad el gyakran a folyamat.
Egy IT-vállalatnál vagy egy IT-részlegnél az infrastruktúra általában rendben van: van számítási kapacitás, vannak fejlesztői környezetek, van tapasztalat a szoftverek üzembe helyezésével. Ez az egyik alapvető dimenzió, amelyet az érettségmérés pontoz, és ezen a ponton a szektor jellemzően magasan pontoz. De a másik alapvető dimenziók — hogyan van felépítve a szervezet az AI-kezdeményezések körül, és hogyan kezelik az adatokat a fejlesztők saját rendszerein kívül — nem mindig haladnak ugyanabban a tempóban. Egy erős IT-részleg nem jelenti azt, hogy a szervezet többi része ugyanazt a tempót tudja tartani. Sales, finance, HR: ezeknek a funkcióknak gyakran másfajta kapcsolatuk van az adatokkal és a változással, mint azoknak, akik az AI-pilotokat építik.
Ez a különbség megmagyaráz egy mintázatot, amely ebben a szektorban gyakrabban jelentkezik, mint máshol: technikailag kiválóan működő pilotok, amelyek nem nőnek túl egy strukturális helyre a vállalatban. Nem azért, mert a modell hibás, hanem mert a körülötte lévő szervezet nincs úgy felépítve, hogy fel tudja venni az eredményt. Aki az alapvető dimenziók kapcsán meg akarja érteni, miért nem alkuképes ez a sorrend, arról bővebben olvashat itt: miért kell az alapvető dimenzióknak elsőnek lenniük.
Az IKT-szektorban a válaszadók közötti szórás gyakran nagyobb, mint az egységesebb funkciókkal rendelkező szektorokban. Egy fejlesztő és egy account manager ugyanazon vállalaton belül a szervezetet gyakorlatilag ellentétes szintekre helyezheti — az egyik naponta lát fejlett alkalmazásokat, a másik egy táblázatot lát, amelyet még kézzel frissítenek. Ez a szórás önmagában is információ. Megmutatja, hogy az AI-érettség ebben a szektorban ritkán szektorszintű adat, hanem erősen függ attól, melyik részleget mérik és kit kérdeznek.
Ez teszi egy több válaszadós plot-fordulót az IKT-szektorban inkább értékesebbé, nem kevésbé. Egy egyetlen CIO vagy CTO pontszáma kockázatot jelent, hogy a technikai mag képét az egész szervezetre általánosítja, míg a függő dimenziók — ahol az AI valóban beépül a folyamatokba — teljesen másképp pontozhatnak.
A technika és a szervezet közötti viszony más szektorokban másképp néz ki. A pénzügyi szolgáltatásokban a hangsúly gyakran a szabályozáson és a kockázatkezelésen van, mint lassító tényezőn; ezt a képet írja le mennyire áll előrehaladva a pénzügyi szolgáltatási szektor az AI-érettségben. Az építőiparban éppen az adatkezelési dimenzió a gyakori szűk keresztmetszet, mert a projektekkel és materiálokkal kapcsolatos adatok szétaprózódnak a felek között; ezt magyarázza mennyire áll előrehaladva az építőipar az AI-érettségben. Az IKT-szektorban a probléma ritkán a technikai tudás vagy az adatok hiánya — a probléma gyakrabban a szervezeti dimenzióban rejlik: ki dönt arról, melyik pilotot skálázzák fel, és mi alapján.
Az érettségmérés ezt a különbséget hét dimenzió és öt szint mentén térképezi fel, a baseline-tól az intelligence szintig. Egy IKT-szervezet esetében a kimenet ritkán egy egyenes vonal: az infrastruktúra és a technikai jártasság jellemzően magasabban áll, mint a szervezet és a döntéshozás. Ez az egyenetlenség pontosan az, ahol a mérés hasznos — nem azért, hogy megerősítse, hogy a szektor „jól áll”, hanem hogy megmutassa, melyik dimenzió marad el, és melyik nem tud ezért előrehaladni, függetlenül attól, mennyire fejlettek a már működő modellek.
Egy olyan összetevő, amelyet ebben a szektorban gyakran alábecsülnek, a döntések rögzítése: ki hozott milyen döntést melyik AI-kezdeményezésről, és milyen információ alapján. Ez a leltár nélkül nehéz visszavezetni, miért skálázódott fel vagy nem egy pilot. Ami ide tartozik, arról bővebben itt olvashat: mi tartozik egy döntés-leltárba.
Ez a mérés a szervezet egészéről mond valamit: van-e olyan alap, amelyre az AI-kezdeményezések épülhetnek, és ez az alap mindenhol a vállalatban ugyanolyan stabil-e, vagy csak azoknál, akik a legközelebb állnak a technikához. Ez a kérdés megelőz egy másik kérdést, nevezetesen, hogy a munka mely része jön szóba egyáltalán az AI számára. Ez egy másfajta mérés. Azoknak a szervezeteknek, akik szeretnék tudni, hogy a munka mely része vehető át, feladatról feladatra, az AI által, ott van az FTE TO AI munkaszkennere — egy mérés, amely nem a szervezetet nézi egészében, hanem a munkát magát, funkcióról funkcióra és feladatról feladatra.
Az érettségmérés fejlesztés alatt áll. Aki szeretné tudni, mikor lesz elérhető a mérés, feliratkozhat a várólistára, és értesítést kap, amint az eszköz használatra kész.
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.