Az AI-pilótaprojektek ritkán a technikán buknak el. Azon buknak el, hogy az emberek mit tudnak, mernek és ismernek, és mit nem. Egy szervezetnek lehet kiváló adata és szilárd infrastruktúrája, mégis elakadhat, mert senki sem tudja pontosan, mit tesz és mit nem tesz az AI, mikor jogos a bizalmatlanság és mikor nem, és kinek milyen szerepe van, ha egy modell olyasmit ad ki, amit egy embernek kell megítélnie. Ez az oldal erről a dimenzióról szól: emberek és készségek, amely a hét dimenzió egyike, amelyet a hybridresourcing érettségmérése feltérképez.
Az emberek és készségek dimenzió három réteget érint, amelyeket gyakran egymástól elszigetelten kezelnek, miközben összefüggenek. Az első réteg a tudás: értik-e a munkatársak, mit tesz egy AI-rendszer, hol vannak a határai, és milyen hibák jellemzőek arra a típusú alkalmazásra, amelyet használnak. A második réteg a készség: képesek-e az emberek ténylegesen megítélni, korrigálni vagy a saját véleményük mellé állítani egy AI-eredményt. A harmadik réteg a hozzáállás: van-e tér arra, hogy kipróbálják az AI-t, jelezzék a hibákat és korrigáljanak, vagy inkább a bizalmatlanság vagy a vak bizalom uralkodik. Egy szervezet, amely csak képzésekbe fektet be, de a hozzáállással nem foglalkozik, gyakran ugyanazon a szinten ragad, még évekig tartó kurzusok után is.
Mivel ez a dimenzió erősen függ az egyéni emberektől, a hybridresourcing nem egyetlen pontszámmal méri, hanem egy plot-körrel: több érintett külön-külön pontoz, és láthatóvá válik a válaszaik közötti szórás. A nagy szórás önmagában is eredmény. Megmutatja, hogy a szervezet papíron egy adott szinten állónak tűnik, miközben a munkapadló mást tapasztal, mint a vezetőség.
A baseline szinten nincs közös kép arról, mi az AI és mit tesz. Egyes emberek kísérleteznek, de nincs közös nyelv és nincs struktúra a tapasztalatok megosztására. A foundation szinten alapszintű tudás van jelen, jellemzően egy szűk körben, és a szervezet többi része távolról követi ezt. Az activation szint azt jelenti, hogy az érintett munkatársak jelentős része tudja, mit jelent az AI a saját munkájában, és gyakorlatban tud vele bánni. Az insight szint ehhez hozzáteszi, hogy az emberek kritikusan tudják megítélni az AI-eredményeket, és tudják, mikor kell kételkedniük. Az intelligence szinten ez a készség elterjedt a szervezetben, beépült abba, ahogyan az emberek dolgoznak, és nem néhány korai alkalmazótól függ.
Hogy egy szervezet hol áll ezen a skálán, sosem intuíció kérdése. Attól függ, hányan dolgoznak ténylegesen az AI-val, mennyire eltérőek a tapasztalataik, és hogy ezek a tapasztalatok valahol összefutnak-e. Pontosan ezért ad többet a plot-kör, mint egy csapatonként egy válaszadós felmérés.
Számos jel utal alacsony szintre. Ha az AI-val kapcsolatos kérdések mindig ugyanannál a néhány embernél kötnek ki, a tudás nincs elterjedve. Ha senki sem mer elutasítani egy AI-eredményt, mert nem ismeri a mögötte lévő logikát, hiányzik a megítéléshez szükséges készség. Ha AI-projekteket indítanak anélkül, hogy bevonnák azokat az embereket, akiknek dolgozniuk kell velük, hiányzik az a támogatottság, amely ahhoz szükséges, hogy valami túljusson a pilóta fázison.
A magasabb szintet az ellenkezőjéről ismeri fel: tartalmi, nem elvi vitákról az AI-eredményekről, munkatársakról, akik maguk javasolják, miben segíthet és miben nem az AI, és egy olyan szervezetről, ahol az AI-eredménnyel kapcsolatos kétely a munka normális részének számít, nem pedig annak jeleként, hogy a projekt megbukott.
A magasabb szinthez vezető út ritkán a technikánál kezdődik. Azzal kezdődik, hogy láthatóvá tesszük, mit tudnak már az emberek és hol vannak a hiányosságok, valamint olyan alkalmak megszervezésével, amikor a tapasztalatok megosztásra kerülnek, ahelyett hogy elszigetelt kísérletekben maradnának. Hogy ez konkrétan mibe kerül, időben és figyelemben, szervezetenként és kiindulási szintenként erősen eltér; aki erről szeretne egy becslést kapni, azt megtalálja azon az oldalon, amely kiszámítja, mibe kerül egy szervezetnek egy szinttel feljebb lépni.
Az emberek és készségek dimenzió egyébként nem áll elszigetelten a többi dimenziótól. Aki meg akarja ítélni az AI-t, annak azt is meg kell értenie, hogyan rögzítik és használják ezt a megítélést, ami kapcsolódik a teljesítménymenedzsmenthez az AI terén. Aki mer hibákat jelenteni, annak tudnia kell, hogy az adatvédelem és a biztonság rendben van, ami összefügg azzal, mibe kerül az adatvédelmet és a biztonságot egy szinttel feljebb lépni. És aki bizalmat akar építeni az AI-eredményekben, az előbb-utóbb olyan kérdésekbe ütközik, amelyek ahhoz tartoznak, mibe kerül az etikát egy szinttel feljebb lépni.
Ez az oldal azt írja le, hogy az Önök szervezetében dolgozó emberek képesek-e hordozni az AI-t: megérteni, megítélni és korrigálni. Nem írja le, hogy a munka mekkora része vehető át magával az AI-val. Ez egy másik kérdés, egy másik eszközzel. Az FTE TO AI munkaszkennelése feladatonként kiszámítja, a munka mekkora része jöhet szóba AI-ra, a feladat jellege és a végrehajtás kontextusa alapján. Ez az eredmény csak akkor válik jelentőségteljessé, ha a hordozó oldal, beleértve azokat az embereket is, akiknek az eredményekkel kell dolgozniuk, már elért egy bizonyos szintet. Aki tudni szeretné, hol áll jelenleg a szervezete, feliratkozhat az érettségmérés várólistájára, amely még kialakítás alatt áll.
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.