Az egészségügy más viszonyban áll a kockázat és a tempó között, mint a legtöbb szektor. Ahol másutt egy pilot elbukhat anélkül, hogy ennek következményei lennének a saját szervezeten kívül, egy hiba az egészségügyi folyamatban közvetlenül egy beteget vagy klienst érint. Ez a viszony nem csak lassítja az AI bevezetését, hanem meg is változtatja a sorrendet, amelyben a dolgoknak állniuk kell. Egy szervezet az egészségügyben nem kísérletezhet egy feladattal, amíg az adatok, amelyeken az a feladat alapszik, nem megbízhatóan visszakövethetők, és nem skálázhat, amíg az IT-infrastruktúra egymástól elszigetelt szigeteket tart fenn egész helyett.
Ehhez hozzájárul, hogy az egészségügy több világból áll, amelyek ritkán haladnak azonos ütemben. Egy backoffice, amely számlákat és tervezést kezel, adatkezelés szempontjából már sokkal fejlettebb lehet, mint az ellátás maga, ahol a rendszereket gyakran osztályonként vagy szakterületenként alakították ki. Ez az egyenetlenség egyetlen szervezeten belül pontosan az oka annak, hogy egy érettségi mérés nem elégedhet meg egyetlen osztállyal. Aki csak a támogató szolgáltatásokat méri, más képet lát, mint aki az ellátást is bevonja, és mindkét kép hiányos a másik nélkül.
A hybridresourcing mérése öt szinttel dolgozik: baseline, foundation, activation, insight és intelligence. Az egészségügyben feltűnő, hogy sok szervezet a szervezet dimenzióban már eléri a foundation vagy activation szintet — van szabályzat, vannak a digitális kezdeményezések felelősei, van vezetői figyelem az AI iránt. Az adatkezelésen azonban a kép rendszeresen a baseline vagy foundation szinten marad, mert a betegadatokat, elektronikus dossziékat és operatív rendszereket nem mindig úgy építették, hogy másra is felhasználhatók legyenek, mint amire eredetileg rögzítették őket.
Ez a dimenziók közötti különbség nem véletlen. A dimenziók fejlődésének sorrendje rögzített: a szervezetnek, az IT-infrastruktúrának és az adatkezelésnek előbb kell állnia, mielőtt az ezektől függő dimenziók — mint az AI-alapú döntéshozatal — tovább léphetnek. Egy egészségügyi intézmény, amely intelligens irányítópultba fektet be, mielőtt az alapul szolgáló adatok konzisztensek lennének, olyan alapra épít, amelynek még ki kell szilárdulnia. Ez magyarázza azoknak a piloteknek egy részét, amelyek jól kezdődnek, majd megakadnak: nem azért, mert az alkalmazás nem működik, hanem mert az alatta lévő réteg nem viseli el a terhelést.
A mérés hét dimenziója pozíciót ad egy szervezetnek, de a plot-kör olyasmit mutat, ami az egészségügyben különösen releváns: rálátást a szórásra. Amikor egy vezető, egy IT-vezető és egy ellátási osztályvezető külön-külön pontoz ugyanazokon a dimenziókon, gyakran kiderül, hogy a képeik eltérnek egymástól. A vezető egy készen álló szervezetet lát, az ellátási osztály még egymástól elkülönítve működő rendszereket lát. Ez a szórás önmagában is adat. Megmutatja, hol kell még lefolytatni a beszélgetést a szervezeten belül, mielőtt egy beruházási döntés bármire is támaszkodhatna.
Ez a szórás nem egyedi az egészségügyben, de a következményei másképp esnek latba. Egy nagykereskedésben vagy gyártó vállalatnál a felkészültség téves felmérése egy késleltetett projekthez vezet; az egészségügyben olyan rendszer bevezetéséhez vezet, amelyet olyan alapra telepítenek, amely nem tartja meg, olyan emberekre kihatva, akiknek nem volt választásuk ebben a folyamatban. Aki tudni szeretné, hogy ez a mérlegelés más szektorokban hogyan alakul, összehasonlíthatja azzal, hogyan pontoz a feldolgozóipar az AI-érettségen, vagy az üzleti szolgáltatások helyzetével, ahol egy hiba kockázatai általában kisebbek, de az alapok éppúgy gyakran hiányoznak.
A hybridresourcing mérése nem ír le ideális képet, és nem ír elő kötelező növekedési utat. Egy pozíciót ír le hét dimenzión, egy adott pillanatban, több szemszögből nézve. Egy egészségügyi intézmény számára ez főként azt jelenti, hogy a kérdés nem az, hogy készen áll-e az AI-ra általánosságban, hanem hogy melyik dimenzióba kell először beruháznia, mielőtt a következő lépés bármit is hozna. Egyik intézménynél ez az osztályokat összekötő IT-infrastruktúra, egy másiknál az adatkezelés, amely az adatokat eredeti céljukon túl is felhasználhatóvá teszi.
Az egészségügy ezt a kérdést más szektorokkal osztja, amelyek komplex, széttagolt rendszerekkel dolgoznak. A közlekedési szektor és annak AI-érettsége vagy az oktatás és az AI-felkészültség helyzete mutatja, hogy a rendszerek és folyamatok széttagoltsága mindenhol másképp jelenik meg, de az alapvető dimenzióktól a függő dimenziók felé haladó sorrend mindig ugyanazt a mintát követi.
A hybridresourcing érettségi mérése arra a kérdésre ad választ, hogy egy szervezet elviseli-e az AI-t: hogy a szervezet, az infrastruktúra és az adatok készen állnak-e arra, hogy valamit rájuk építsenek. Nem válaszolja meg azt a kérdést, hogy melyik munkát veheti valójában át az AI. Erre a kérdésre az FTE TO AI munkaszkennere ad választ, amely feladatonként kiszámítja, hogy a munka mely része alkalmas az átvételre. Egy szervezet, amely az érettségi mérés révén tudja, hol áll az alapja, ezt a munkaszkennert felhasználva ezután megnézheti, milyen munka épülhet arra, és milyen munka nincs még arra készen.
Az érettségi mérés fejlesztés alatt áll. Aki követni szeretné a fejlődést, vagy elsők között szeretné megmérni, hogyan pontoz a saját szervezete a hét dimenzión, 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.