Az üzleti szolgáltatások — ügyvédi praxis, könyvvizsgálat, tanácsadás, HR-szolgáltatások, jogi és adótanácsadás — a lényegét tekintve valamit ad el, amit nehéz vita nélkül automatizálni: ítélőképességet. Ahol egy gyár egy folyamatot optimalizál és egy bolt egy választékot kezel, ez a szektor olyan emberek szakértelmét adja el, akik valamit tudnak, amit az ügyfél nem tud. Ez másképp alakítja az ambíció és a felkészültség viszonyát, mint máshol. Az AI iránti érdeklődés nagy, gyakran nagyobb, mint a kevesebb tudásmarzsú szektorokban. De az a kérdés, hogy a szervezet elviseli-e ezt az érdeklődést, rendszeresen elakad olyan elemeknél, amelyeknek semmi köze az AI-hoz.
Az üzleti szolgáltatások szektorában sok kantoor a partner, a senior tanácsadó, az az ember körül nőtt fel, akinek megvan a hálózata és a memóriája. A tudás fejekben van, levelezésekben, ügyfelenként vagy ügyenként felépített dossziékban, nem összekapcsolt, megosztott rendszerekben. Ez jól működik, amíg az emberek ott maradnak. Problémává válik, amint valamit fel akar építeni, amelynek erre a tudásra kell tudnia támaszkodni. Az AI, amelynek dossziékkal, precedensekkel vagy ügyfélkorrespondenciával kell dolgoznia, szükségel valamit, amire ráépülhet: egy struktúrát, amelyben az információ megtalálható és összehasonlítható. Ez a struktúra a szektor egyes részeiben még hiányzik, nem a hozzáállás miatt, hanem mert a munka maga sosem kérte ezt a struktúrát.
A mérés öt szintje — baseline, foundation, activation, insight, intelligence — ebben a szektorban dimenziónként változó képet mutat, és ez a kép ritkán egyenletes. Egyes kantoorok rendben tartják az adatkezelésüket: a dossziék strukturáltak, a hozzáférési jogok rendezettek, van elképzelés arról, mi hol található. De a mögötte lévő IT-infrastruktúra elavult, vagy szétdarabolódott önálló alkalmazásokra, amelyek nem beszélnek egymással. Más kantooroknál pont fordított a helyzet: modern rendszerek, de szervezetileg nincs tisztázva, ki dönt miről, ki hagyhat jóvá egy AI-alkalmazást, vagy ki felelős, ha valami elromlik. Mindkét helyzet ugyanarra az eredményre vezet — egy pilot, amely önmagában jól működik, de nem skálázható, mert az alapvető dimenziók nincsenek egy szinten. Ez a sorrend az, amit a mérés feltár: a szervezetnek, az infrastruktúrának és az adatkezelésnek előbb valamilyen szintet kell elérnie, mielőtt a függő dimenziók, mint az automatizált tesztelés vagy a folyamatos optimalizálás, hasznot hoznának.
A plot-forduló, amelyben több ember külön-külön pontoz, az üzleti szolgáltatásokban gyakran egy sajátos mintát mutat: a partner vagy az igazgató magasabbra pontozza a szervezetet, mint az a tanácsadó, aki naponta a dossziékkal dolgozik. Ez a különbség valamit jelent. Jelentheti, hogy az AI-döntéseket vezetői szinten hozzák, anélkül, hogy eljutnának a munkapadig, vagy azt, hogy a munkapad már régóta küzd egy rendszerrel, amelyet felülről elégségesnek ítélnek. Mindkét értelmezés hasznos, és mindkettő csak úgy tehető láthatóvá, hogy különböző embereket külön-külön pontoztatunk, nem úgy, hogy egyetlen benyomást kérünk attól, aki a jelentést összeállítja.
Ami ezt a szektort megkülönbözteti például a kiskereskedelemtől vagy a horeca-szektortól, az az adatok érzékenysége maga. Egy ügyvédi vagy könyvvizsgáló kantoor olyan információkkal dolgozik, amelyekre titoktartási kötelezettség vonatkozik, fegyelmi jog, olyan szabályok, amelyek nem érvényesek egy bolti készletre vagy egy étlapra. Ez közvetlenül érinti az adatkezelés dimenzióját: nem csak azt, hogy az adat megtalálható-e, hanem azt, hogy azt olyan módon tárolják és védik-e, amely lehetővé teszi az AI-használatot a titoktartás megsértése nélkül. Ez más tempót kíván, mint azokban a szektorokban, ahol az adat kevésbé terhelt, és ez a tempókülönbség látható ennek a dimenziónak a pontszámaiban.
A nagy ambíció és a hiányos alap egymás mellett létezésének mintája nem egyedi az üzleti szolgáltatások szektorára. Az IKT-szektorban gyakran a fordított probléma jelentkezik — erős infrastruktúra szervezeti tisztázottság nélkül — és a pénzügyi szolgáltatásokban a késés gyakran olyan szabályozásnál keresendő, amely gyorsabban változik, mint amit a rendszerek követni tudnak. Az összehasonlítás célja nem az, hogy egy szektort jobbá vagy rosszabbá tegyen egy másiknál, hanem hogy megmutassa: a sorrend — először az alapvető dimenziók, majd a függők — mindenhol ugyanaz, még ha a megvalósítás szektoronként másképp is néz ki.
Ez a mérés nem mond semmit arról, hogy egy kantooron belül mely feladatokat lehetne átadni az AI-nak, és mennyi időt szabadítana ez fel. Ez egy másik kérdés, amely más nézőpontot kíván: nem a szervezetet mint egészet, hanem a munkát magát, feladatonként. Aki e mérés után szeretné tudni, hogy a jelenlegi felkészültséget tekintve valójában milyen munka jön szóba az AI számára, azt a FTE TO AI munkaszkennerénél találja, amely feladatonként számítja ki, mekkora rész vehető át.
Az eszköz, amely az érettségmérést és a plot-fordulót végzi, még épülő fázisban van. Aki ezt szeretné használni, amint elérhetővé válik, feliratkozhat a várólistára.
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.