A baseline az öt szint közül az első a hybridresourcing érettségmérésében. Ez nem negatív ítélet. Olyan szervezetet ír le, ahol a hét dimenzió — köztük a szervezet, az IT-infrastruktúra és az adatmenedzsment — még nem rendelkezik olyan struktúrával, amely az AI-t hordozni tudná. Lehet, hogy már kísérleteztek AI-val. Futnak pilótaprojektek, licenceket vásároltak, valaki a csapatban nyelvi modellt használ jelentésekhez. Ez nem változtat a szinten. A baseline arról szól, mi áll fenn, nem arról, mit próbáltak már ki.
Baseline szinten hiányzik a közös kép arról, ki miért felelős, amikor AI-ról van szó. A döntéseket az eszközökről osztályszinten hozzák meg, anélkül, hogy bárkinek is átlátása lenne arról, mi minden fut. Az IT-infrastruktúra az AI előtti munkafolyamatokra van berendezve: olyan rendszerek, amelyek nem kommunikálnak egymással, nincs központi hely, ahol az adatok összefutnak, nincs elképzelés arról, mi szükséges ahhoz, hogy a modellek a szervezet adataival működjenek. Az adatmenedzsment névleg létezik — van archívum, CRM, intranet —, de senki sem tudja biztosan megmondani, hol milyen adat található, ki férhet hozzá, és hogy azok az adatok helyesek-e.
Az alapvető dimenziók megelőzik a függő dimenziókat, és ezt ezen a szinten érzi a legkeményebben. Egy pilótaprojekt, amely önmagában jól működik, elakad, amint skálázni kellene, mert az alatta lévő infrastruktúra nem bírja el. Egy csapat, amely lelkesen tesztel egy AI-alkalmazást, felfedezi, hogy a szükséges adat sehol sincs strukturáltan elérhető. Ezek nem incidensek. Ezek egy még el nem készült alap előre látható következményei.
A baseline nem jelenti azt, hogy a szervezet áll, vagy hogy az emberek nem akarnak. Gyakran az ellenkezője igaz: van mozgás, vannak kezdeményezések, van felszabadított költségvetés. Ami hiányzik, az nem a motiváció, hanem az összhang. Elszigetelt pilóták közös infrastruktúra nélkül, elszigetelt adathasználat központi kezelés nélkül, elszigetelt döntések közös tulajdonjog nélkül. Az energia megvan. A struktúra, amely ezt az energiát felfogná, még nincs meg.
Azt sem jelenti, hogy ennek a szintnek sokáig kell tartania, vagy hogy valami baj van egy szervezettel, amely itt kezd. A legtöbb szervezet, amely komolyan foglalkozik az AI-val, baseline szinten vagy éppen afölött kezd. A szint egy fénykép, nem ítélet.
Az érettségmérés plot-fordulójában több ember pontoz külön-külön, és baseline-szervezeteknél gyakran feltűnik valami sajátos: a válaszadók közötti szórás nagy. Míg egy IT-felelős azt látja, hogy az infrastruktúrában még nagy hiányosságok vannak, egy osztályvezető talán azt gondolja, hogy minden rendben van, mert az általa használt eszközök megfelelően működnek. Ez a szórás önmagában is jelzés. Megmutatja, hogy még nincs közös kép arról, hol áll a szervezet — és ez a közös kép hiánya pontosan az, ami a baseline-t jellemzi.
A baseline-ből a következő szintre való átmenet nem több AI-projektet igényel. Azt igényli, hogy valami megelőzze a többit: egyértelmű felelősségeket, olyan infrastruktúrát, amely képes adatokat gyűjteni és hozzáférhetővé tenni, és olyan adatmenedzsmentet, amely elég megbízható ahhoz, hogy erre lehessen építeni. E nélkül az alap nélkül minden következő lépés átmeneti marad, mert homokra épül.
Hogy ez az átmenet konkrétan mit jelent az Ön szervezete számára, helyzetenként eltérő — ez az ágazattól, a mérettől és attól függ, hogy a hét dimenzió közül melyik marad el leginkább. A Hogyan jut el a baseline-ból a következő szintre leírja, milyen lépések tartoznak ehhez. Összehasonlításképpen érdemes azt is látni, hova vezet a lépés: a mit jelent a foundation szint a gyakorlatban megmutatja, hogyan néz ki egy alap, amint a alapstruktúra már megvan. Azok számára, akik a következő lépésnél tovább szeretnének tekinteni, a mit jelent az insight szint a gyakorlatban leírja, hogyan fejlődik tovább az érettség, amint az adatok és az infrastruktúra rendben vannak.
A hybridresourcing érettségmérése azt a kérdést vizsgálja, hogy egy szervezet képes-e hordozni az AI-t: megvan-e az alap, áll-e a struktúra, van-e közös kép a felelősségekről és az adatokról. Ez más kérdés, mint az, hogy a munka mely része alkalmas magára az AI-ra. Egy baseline szintű szervezetnek lehetnek olyan munkafolyamatai, amelyekben sok feladat alkalmas lenne az AI általi átvételre — csak még hiányzik a struktúra ahhoz, hogy ezt tartós módon meg lehessen tenni. Aki azt szeretné tudni, mennyi a munkából, feladatonként, átvehető az AI által, azt a választ nem az érettségmérésben találja meg, hanem az FTE TO AI munkaszkennjében. Az feladatonként kiszámolja, mely rész alkalmas az AI-ra, függetlenül attól, hogy a szervezet erre már felkészült-e. A két válasz együtt — felkészült-e a szervezet, és felkészült-e a munka — adja a teljes képet, mielőtt bárhová is befektetne.
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.