Egy workforce leader — aki gyakran a személyzeti tervezésért, a kapacitásmenedzsmentért vagy a HR és a business közötti híd szerepéért felelős — megkapja az AI feladatát anélkül, hogy előre elmagyarázták volna neki, mit jelent ez a létszámra nézve. A kérdés felülről érkezik: kevesebb beáramlás, más profilok, rugalmasabb skálázás. A workforce leadernek erre választ kell adnia, míg maga sem tudja, hogy a szervezet rendelkezik-e azokkal az alapfeltételekkel, amelyek szükségesek ahhoz, hogy ezt a választ valóra váltsa.
A kérdés nem az, hogy az AI érinti-e a funkciókat. Erre a kérdésre már mások válaszoltak, magasabban a szervezetben. A kérdés, amelyet egy workforce leader magának feltesz, más: milyen feltevések alapján igazítják most a személyzeti tervezést, és mennyire szilárdak ezek a feltevések? Ha a kapacitásforgatókönyvek egy olyan AI-ígéretre épülnek, amely jó adatokat, működő infrastruktúrát és az eredményekkel dolgozni tudó csapatokat feltételez, és ezek az alapfeltételek nincsenek meg, akkor a tervezés nem lesz helyes. Ezt nem ma veszi észre. Azt akkor veszi észre, amikor a beáramlás már lelassult, és az eredmény nem jön.
Az a workforce leader, aki a személyzeti tervezését egy nem bekövetkező AI-hatásra alapozza, magára marad. A létszámtervet ekkor már módosították, a betöltetlen állásokat leállították vagy éppen megnyitották, és a business egy kapacitásra számít, amely a valóságban nincs meg. A helyreállítás olyan időt vesz igénybe, amellyel a személyzeti tervezés nem rendelkezik — a beáramlásnak átfutási ideje van, és egy túl későn felismert hiányt nem lehet gombnyomásra betölteni. Ez a kockázat nem a technológiában rejlik. Abban a feltevésben rejlik, hogy a technológia már működik egy olyan szervezetben, amely erre még nem áll készen.
Ha a workforce leader tervezés előtt tudja, mennyire érett a szervezet, megváltozik a helyzete. Meg tudja különböztetni azt a kapacitásforgatókönyvet, amely rövid távon reális, attól, amely olyan alapokra épül, amelyeket még ki kell építeni. A businessnek olyan ütemtervet adhat, amely helytálló, nem pedig olyat, amely csak reménykedik. Ez nem garancia a jó eredményre, de olyan tervezés, amely nem omlik össze, amint az első feltevés nem valósul meg.
Amit egy workforce leader nem fogad el, az egy AI-útiterv, amely jövőbeli kapacitásról beszél anélkül, hogy meghatározná, minek kell ehhez előbb megvalósulnia. Az „az AI idővel helyettesíti a beáramlás egy részét” nem tervezési alap, ha senki nem tudja megmondani, hogy az adatmenedzsment, az IT-infrastruktúra és a szervezeti struktúra már készen áll-e erre. Nem fogad el olyan számot sem, amely csak egy lelkes szponzor megérzésén alapul. Amire szüksége van, az egy kép arról, hol áll valójában a szervezet, dimenziónként, azzal a szórással együtt, hogy a szervezet különböző embereinek mi a véleménye erről — mert ez a szórás önmagában is információ arról, mennyire stabil egy kapacitásfeltevés.
A hybridresourcing érettségmérése egy szervezetet öt szinten értékel — baseline, foundation, activation, insight, intelligence — hét dimenzión keresztül. Az alapvető dimenziók, mint a szervezeti struktúra, az IT-infrastruktúra és az adatmenedzsment megelőzik a függő dimenziókat, nem azért, mert ez preferencia, hanem mert ez az a sorrend, amelyben ez működik: működő infrastruktúra és megbízható adatok nélkül az AI-nak kevés van, amire alapozzon, bármilyen jól is áll már a szervezeti struktúra. Egy plot-körben több ember pontoz külön-külön, így láthatóvá válik, hol egyezik a szervezetről kialakult kép, és hol tér el egymástól. Egy workforce leader számára ez a szórás gyakran a leghasználhatóbb jelzés: az adatmenedzsmenten mutatkozó nagy szórás azt jelenti, hogy senki nem biztos abban, hogy az alapok megvannak, és éppen ez az az alap, amelyre a kapacitásforgatókönyvek épülnek.
Ez a megközelítés más szerepköröket is érint a szervezetben, mindegyiket a saját érdekéből: egy CEO, aki a megakadt AI-pilotokra keresi a választ, egy COO, akinek az operatív felkészültséget kell megítélnie, és egy CHRO, aki az AI-érettség szervezeti oldalát felügyeli. Ágazatonként is eltér a kép, ahogy az látható abból, hogy az építőipar hol áll az AI alapjaival, és ez hogyan viszonyul a beruházási ágazat aktuális helyzetéhez.
Az érettségmérés a teherviselő oldalról mond valamit: elviseli-e ez a szervezet az AI-t, megvannak-e az alapok, rendben van-e az adat, felkészült-e rá az infrastruktúra. Semmit nem mond arról, hogy a munka mely része vehető át magától az AI-tól. Ez egy másik kérdés, más eszközzel. Amint megvan a felkészültség képe, a logikus következő lépés az utána felmerülő kérdés: a munka mely része, feladatonként vizsgálva, valóban átadható. Ezt az FTE TO AI munkaszkennere számolja ki — feladatonként, a munka tartalma alapján, nem a szervezet egészéről szóló feltevés alapján.
Az érettségmérés jelenleg épül. Most nem rendelhető hozzá jelentés, és nincs tanácsadó, aki eljönne végigvenni a dimenziókat. Aki használni szeretné a mérést, amint elérhető lesz, 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.