A teljesítménymenedzsment egy a hét dimenzió közül, amellyel a hybridresourcing egy szervezet érettségét méri, ha AI-ról van szó. Ez a dimenzió valami konkrétról szól: meg tudja állapítani, hogy az AI által támogatott vagy átvett munka valóban jobbá, gyorsabbá vagy olcsóbbá válik? Sok szervezet pilóta projekteket indít anélkül, hogy erre a kérdésre választ tudna adni, és ezért egy olyan fázisban marad, ahol próbálkoznak, de nem tudják bemutatni, mit eredményezett ez.
A teljesítménymenedzsment csak akkor válhat éretté, ha más dimenziók már valamit letettek az asztalra, amire lehet építeni. Megbízható adatok nélkül a adatmenedzsmentből egy teljesítménymérés csak becslés. Világos felelősségek nélkül a szervezeti dimenzióból, amint az kifejtésre kerül a mennyibe kerül a szervezetet egy szinttel feljebb léptetni oldalon, senki nem vonható felelősségre az eredményért. És egy olyan IT-infrastruktúra nélkül, amely méréseket tud rögzíteni és megismételni, amint arról a mennyibe kerül az IT-infrastruktúrát egy szinttel feljebb léptetni oldalon szó van, minden mérés egyszeri marad. Ez az oka annak, hogy ez a dimenzió a mérésben csak akkor tud magasabb szintre lépni, ha az alapvető dimenziók már hordoznak valamit.
Baseline. Nincs rögzített módja annak megítélésére, hogy az AI-támogatott munka jobban teljesít-e, mint a régi munkamódszer. A megítélések eseti jellegűek és személyhez kötöttek. Ha valaki távozik, eltűnik az egyetlen betekintés is, amely addig létezett.
Foundation. Vannak elszigetelt mérések, többnyire projektenként vagy pilótánként. Ezeket ritkán hasonlítják össze, és nincs rögzített pillanat, amikor valaki visszatekintene arra, hogy a kívánt hatás valóban bekövetkezett-e. A mérés létezik, de nem működik tanulási folyamatként.
Activation. Van egy visszatérő ritmus: a méréseket rögzített időpontokban megismétlik, és visszajelzik azoknak, akik a munkát végzik. A szervezet elkezdi meglátni a mintákat, még ha ezeket még nem is rögzítik és hasonlítják össze szisztematikusan az osztályok között.
Insight. A méréseket nem csak jelentéskészítésre, hanem irányváltásra is használják. Van egy megosztott kép arról, mi működik és mi nem, és ez a kép módosításokhoz vezet abban, hogyan alkalmazzák az AI-t. A különböző csapatok összehasonlíthatják eredményeiket egymással, mert a mérés módja azonos.
Intelligence. A teljesítménymenedzsment be van ágyazva abba, ahogyan az AI-ról szóló döntéseket hozzák. A korábbi alkalmazások eredményei közvetlenül alakítják az új alkalmazásokkal kapcsolatos döntéseket. A szervezet meg tudja alapozni, miért skálázódik fel valami, vagy miért nem, helyette, hogy ez zsigeri érzésen vagy azon alapulna, ki lobbizik a leghangosabban a következő pilótáért.
Ez a dimenzió szintje nem csak egy eszközben vagy egy irányítópultban rejlik. Az azt körülvevő viselkedésben van: van-e visszatekintés egy pilóta után, vagy azonnal tovább lépnek a következőre? Tud-e valaki az Ön szervezetében kérésre megmutatni, mit hozott tényszerűen egy AI-alkalmazás, függetlenül egy előzetes feltételezéstől? Megbeszélnek-e egy kiábrándító eredményt, vagy szó nélkül elfelejtik? Ezek nem technikai kérdések. Arról szólnak, hogy kialakult-e a szokás a nézésre, nem csak a cselekvésre.
Ebben a dimenzióban gyakran nagy szórás keletkezik azok között, akik kitöltik a plot-fordulót. Egy operatív vezető naponta látja az activation-fázisból származó elszigetelt méréseket, és magasabbra pontozza a szervezetet, mint amit a valóság igazol, mert ezek a mérések számára tapinthatóak. Egy CFO, aki csak a negyedéves jelentést látja, alacsonyabbra pontoz, mert nincs folyamatos képe arról, mit mértek közben. Mindkét kép igaz annak, aki adja. A szórás önmagában az információ: megmutatja, hogy nincs megosztott, szervezeti szintű átfogó kép a teljesítményről, ami önmagában már állít valamit a szintről.
A baseline-ból foundation-be lépés elsősorban fegyelmet igényel: egy rögzített időpontot kiválasztani a visszatekintésre, és nem hagyni, hogy ez az időpont eltűnjön a következő pilóta zsúfoltsága alatt. Az activation-ba lépés megismételhető folyamatot igényel, ami viszont az alatta fekvő infrastruktúra érettségét érinti. Az insight vagy intelligence felé lépés azt igényli, hogy a mérések elég megbízhatóak legyenek ahhoz, hogy azokra lehessen alapozni, és ez visszavezet az adatminőséghez, valamint ahhoz, hogy ki jogosult a szervezeten belül ezen mérések alapján irányt módosítani. Olyan dimenziók is szerepet játszanak ebben, mint az etika és a adatvédelem és biztonság: egy teljesítménymérés, amely elmegy a mellett a kérdés mellett, hogy egy eredmény felelősségteljesen jött-e létre, hiányos mérés. Mit pontosan mibe kerül egy lépés, időben, figyelemben vagy eszközökben, szervezetenként eltér, és attól függ, hol állnak a többi dimenzió. Ezért dolgozik a hybridresourcing plot-fordulóval, egy rögzített lépéssorozat helyett: először láthatóvá tenni, hol áll Ön, és hol térnek el a vélemények, mielőtt bármit is rögzítenének arról, mi szükséges.
Ez az oldal arról szól, hogy szervezete meg tudja-e állapítani, mit eredményez az AI, függetlenül attól, mely munkát érinti pontosan. Ez más kérdés, mint hogy mely feladatok vehetők át, és milyen mértékben. Aki ezt szeretné tudni, feladatonként és a munka tartalma alapján, az az FTE TO AI munkaelemzésében találja meg. A teljesítménymenedzsment és a munkaelemzés összekapcsolódnak: az egyik méri, hogy Ön tudja-e megítélni egy eredményt, a másik kiszámítja, mekkora részt lehet megítélni a munkából.
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.