Baseline è il livello a cui iniziano la maggior parte delle organizzazioni. C'è utilizzo dell'AI, ma si basa sui singoli individui: qualcuno del reparto IT che sperimenta con un modello linguistico, un marketer che fa generare testi, un singolo manager che chiede se un processo può essere più veloce. Non esiste un approccio condiviso, non esiste un'immagine condivisa di ciò che funziona e non esiste una struttura che trattenga ciò che viene apprso. Se quella persona se ne va o riceve un altro progetto, la conoscenza scompare con lei.
A livello baseline non manca la volontà, ma il fondamento. Le sette dimensioni che la misurazione della maturità distingue — tra cui organizzazione, infrastruttura IT e gestione dei dati — a questo livello sono ancora slegate tra loro o sono appena state definite. Non si tratta di una carenza; è lo stato in cui si trova un'organizzazione prima di iniziare a costruire in modo consapevole.
Alcuni segnali ricorrono costantemente a livello baseline. Non esiste una panoramica di dove l'AI viene già utilizzata all'interno dell'organizzazione, tanto meno un'immagine condivisa di ciò che quell'utilizzo produce. Le decisioni sull'AI vengono prese nel punto in cui la domanda emerge per caso, non sulla base di una valutazione che riguarda l'intera organizzazione. I dati sono frammentati in sistemi che non comunicano tra loro, il che ritarda ogni passo verso qualcosa di strutturale. E non esiste un linguaggio comune: ciò che un reparto chiama AI, per un altro è qualcosa di diverso.
Il giro dei plot all'interno della misurazione della maturità spesso rende visibile questo prima che ci siano parole per descriverlo. Quando più persone all'interno della stessa organizzazione compilano il punteggio separatamente, a livello baseline si nota spesso una grande dispersione: un intervistato vede progressi che un altro non riconosce. Quella dispersione è essa stessa un segnale. Mostra che non esiste ancora un'immagine condivisa di dove si trovi l'organizzazione, e questo è esattamente ciò che caratterizza baseline.
Il percorso da baseline al livello successivo non inizia con una nuova applicazione, ma con le dimensioni fondamentali. Organizzazione, infrastruttura IT e gestione dei dati hanno la precedenza sulle dimensioni che ne dipendono. Non è una preferenza, è l'ordine in cui funziona: un'organizzazione che vuole costruire qualcosa sull'AI senza che i dati siano in ordine o senza che sia chiaro chi decide su cosa, costruisce sulle sabbie mobili.
In concreto questo significa che prima deve esserci una panoramica. Chi all'interno dell'organizzazione fa già qualcosa con l'AI, e sulla base di quali dati? Dove si trovano i dati rilevanti per quelle applicazioni, e sono sufficientemente accessibili e affidabili per costruirci sopra? C'è qualcuno o un gruppo che si assume la responsabilità delle scelte sull'AI, o questo avviene ancora per caso? Queste domande sembrano modeste, ma sono esattamente ciò su cui si concentrano le dimensioni fondamentali.
Le dimensioni dipendenti — quelle che riguardano il modo in cui l'AI incide sul lavoro stesso — vengono dopo. A livello baseline è ancora troppo presto per dire qualcosa di sensato su questo, perché manca il fondamento su cui quelle dimensioni possono appoggiarsi.
La transizione a foundation non richiede che tutto sia in ordine contemporaneamente. Richiede che l'organizzazione smetta di considerare l'uso dell'AI come qualcosa che nasce per caso a livello dei singoli individui, e inizi a documentare ciò che esiste: quali dati esistono, chi decide su cosa, quali sistemi devono poter comunicare tra loro. Questo è meno un percorso tecnico che un percorso organizzativo. La tecnologia in genere segue, una volta che la struttura è presente.
È anche un percorso che richiede tempo, e la cui durata dipende da quanto è già presente in modo informale. Un'organizzazione in cui un reparto lavora già consapevolmente con i dati da tempo ha un percorso più breve da fare rispetto a un'organizzazione in cui questo non avviene in nessun punto. Ciò che è precisamente necessario per muoversi da foundation in avanti, e quali dimensioni richiedono attenzione prima, è descritto nella pagina che spiega come passare da foundation al livello successivo. Più avanti nella serie, per le organizzazioni già più avanti, è descritto anche come activation si rapporta al livello successivo e cosa richiede insight per crescere verso intelligence.
Baseline non dice nulla sull'ambizione di un'organizzazione e nulla sulla qualità delle persone che ci lavorano. Dice qualcosa sullo stato del fondamento in un determinato momento. Le organizzazioni che mappano seriamente questo livello scoprono spesso che è già presente più di quanto pensassero — iniziative isolate, dati che vengono comunque tenuti aggiornati da qualche parte, persone che già pensano oltre a quanto richiede la loro funzione. La misurazione della maturità raccoglie tutto questo in un'immagine su cui si può costruire un passo successivo, senza riempire quell'immagine con un consiglio che non si adatta all'organizzazione.
Questa pagina riguarda la prontezza: cosa deve essere in atto prima che l'AI possa ottenere un posto strutturale. È una domanda diversa da quale parte del lavoro l'AI possa effettivamente svolgere. Non appena il fondamento prende forma, quella seconda domanda diventa rilevante, ed è esattamente lì che si collega la scansione del lavoro di FTE TO AI: essa calcola per ogni compito quale parte del lavoro può essere rilevata dall'AI, sulla base dei compiti come vengono svolti ora. Chi vuole sapere cosa può rilevare l'AI non appena l'organizzazione è pronta, lo trova lì — incluso come questo differisce quando si tratta di agenti che svolgono lavoro autonomamente o di catene in cui diversi passaggi si susseguono.
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.