A teljesítménymenedzsment az a dimenzió, amely azt méri, hogy egy szervezet látja-e, mit hoz az AI, és hogy ez az információ landol-e valahol. Nem az, hogy áll-e egy dashboard, hanem hogy néz-e valaki arra, mit változtat egy AI-alkalmazás az átfutási időn, a minőségen vagy a hibaarányon, és hogy ennek az eredménynek van-e hatása a következő döntésre. Egy szinttel feljebb nem egy fix összeget kíván, mert a szintek közötti távolság szervezetenként eltér. Egy szervezetnek, amely még semmit nem mér, mást kell felépítenie, mint egy szervezetnek, amely már mér, de az eredményeket sehol nem használja. Amit biztosan tudunk: a költségek ritkán a szoftverben rejlenek. Az időben, az ismétlésben és abban a hajlandóságban rejlenek, hogy az eredményeket komolyan vegyük, akkor is, ha kedvezőtlenek.
A dimenzió három dologra néz. Először, hogy van-e definiált eredmény, mielőtt egy AI-alkalmazás elindul — mi kell jobban menjen, és hogyan látható ez. Másodszor, hogy azt az eredményt idővel valóban megmérik-e, ahelyett hogy feltételeznék. Harmadszor, hogy a mérésnek van-e következménye: módosítanak, kiterjesztenek vagy leállítanak-e egy alkalmazást a mért eredmények alapján, vagy az eredmény csak egy szám marad egy jelentésben, amit senki nem nyit meg többé. Sok szervezet nem azért kap alacsony pontszámot, mert nem mér, hanem mert a mérésnek nincs helye egy döntésben.
Az alapszinten (baseline) nincs leírás arról, mit jelent a siker, mielőtt egy AI-alkalmazás elindul. Utólag néznek arra, hogy valami "jobban érződött", fix mérce nélkül. Amit ez a gyakorlatban jelent egy olyan szervezet számára, amely ezen a szinten áll, azt a mit jelent a baseline szint a gyakorlatban oldal írja le.
Az alapozó szinten (foundation) már van megnevezett eredmény, de a mérés egyszeri vagy véletlenszerű. Valaki néhány hét után ellenőrzi, hogy működik-e, de nincs ismétlés és nincs fix forma. A mit jelent a foundation szint a gyakorlatban oldal megmutatja, miben különbözik ez a helyzet a baseline szinttől és az azt követő szinttől.
Az activation szinttől kezdve a mérés szokássá válik a kivétel helyett: ugyanazt a mércét fix pillanatokban újra megnézik. Az insight szintnél ezt az eredményt egy döntéshez kapcsolják — egy alkalmazást, amely nem hozza azt, amit előre vártak, módosítanak vagy leállítanak. Az intelligence szintnél a mérés egy tágabb ritmusba van beágyazva: az AI-alkalmazások teljesítményét egymás mellé teszik és összehasonlítják, így a szervezet megtanulja, milyen típusú alkalmazás működik jól és melyik nem.
A teljesítménymenedzsment olyan dimenzióktól függ, amelyek korábban állnak a sorrendben. Anélkül, hogy a szervezet tudná, ki felelős egy eredményért, a mérés egy szám marad gazda nélkül — ez a kérdésnél kezdődik, mennyire érett a szervezet az AI tekintetében, amire a szervezeti dimenzió ad választ. Anélkül, hogy legyen olyan infrastruktúra, amely lehetővé teszi a használatra és eredményre vonatkozó adatok rögzítését, nincs mit mérni — lásd az IT-infrastruktúra dimenziót. És anélkül, hogy legyen olyan adatmenedzsment, amely meghatározza, mely adatok elég megbízhatóak ahhoz, hogy építeni lehessen rájuk, a mérés talán ad egy számot, de nem ad támpontot — lásd az adatmenedzsment dimenziót. Aki a teljesítménymenedzsmentet szeretné feljebb emelni anélkül, hogy ezek az alapok rendben lennének, valamit mér, de nem olyat, amire lehet építeni.
A baseline-ból foundation-be lépés mindenekelőtt egy megállapodást kíván: nevezze meg, mielőtt egy alkalmazás elindul, mit jelent a siker, és rögzítse ezt egy olyan helyen, ahol később megtalálható. Ez nem technológiai beruházás, hanem szokásbeli.
A foundation-ből activation-be lépés ismétlést kíván: ugyanazt a mércét fix pillanatokban visszahozni, egyszeri pillantás helyett. Ez idejét veszi valakinek, aki ezt napirendre teszi, és ezt is folyamatosan rákérdez.
Az insight-ba lépés valami nehezebbet kíván: a hajlandóságot egy alkalmazás visszavonására vagy módosítására, ha a mérés kedvezőtlen, akkor is, ha már beruháztak bele. Ez kevésbé költségtétel, inkább kultúrakérdés.
Az intelligence-be lépés végül alkalmazások közötti összehasonlítást kíván, hogy a szervezet ne esetenként tanuljon, hanem mintákat lásson. Ez egy fix helyet kíván, ahol ez az összehasonlítás megtörténik, és embereket, akik erre időt kapnak.
A hybridresourcing érettségmérése megmutatja, hogy egy szervezet képes-e hordozni azt, amit az AI hoz — hogy állnak-e az alapok, és hogy a teljesítménymenedzsment tud-e ezekre építeni. Nem mond semmit arról, hogy a munkán belül mely feladatok alkalmasak arra, hogy az AI átvegye, és milyen mértékben. Ezt a kérdést az FTE TO AI munkaszkennere válaszolja meg, amely feladatonként kiszámítja, mekkora rész adható át az AI-nak. Aki egyszer megtudja, hol áll a szervezet ezen a dimenzión, ezzel egyúttal jelzést is kap arról, hogy egy ilyen munkaszkenner eredményei majd landolnak-e valahol, vagy elsüllyednek egy jelentésben, amit senki nem nyit meg többé.
Az érettségmérés, a plot-fordulóval, amelyben több ember külön pontoz, és láthatóvá válik a válaszaik közötti szórás, még fejlesztés alatt áll. 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.