I modelli di AI sono tanto validi quanto i dati che ricevono in input. Non è uno slogan ma un problema pratico: un modello linguistico che lavora con dati sparsi, obsoleti o non definiti produce risposte altrettanto sparse, obsolete e non definite. Molte organizzazioni se ne accorgono solo dopo aver avviato un progetto pilota, quando risulta che i dati necessari al modello non si trovano in un unico posto, o che nessuno sa più quale versione di un file sia quella corretta. La gestione dei dati è una delle dimensioni fondamentali: la domanda non è quali compiti l'AI potrebbe assumere, ma se sotto quei compiti c'è uno strato di dati sufficientemente solido su cui costruire.
La gestione dei dati riguarda da dove provengono i dati, chi ne è responsabile, in che stato si trovano e quanto sono facili da trovare e combinare. Questo comprende, tra l'altro, se i dati sono archiviati in modo centralizzato o disperso, se è stato designato un responsabile per ciascun set di dati, se le definizioni di concetti come 'cliente' o 'progetto attivo' sono coerenti tra i reparti, e se c'è visibilità sulla qualità dei dati utilizzati quotidianamente. Un'organizzazione può ottenere un punteggio elevato sull'infrastruttura IT e nonostante ciò risultare bassa sulla gestione dei dati: i sistemi sono presenti, ma nessuno ha mai stabilito con precisione cosa contengono o chi può modificarli.
Al livello baseline i dati esistono soprattutto in silos: ogni reparto mantiene i propri file, senza struttura o proprietà condivisa. Al livello foundation c'è un inizio di ordine: esistono accordi su dove deve trovarsi un certo dato, ma l'esecuzione dipende ancora dalle abitudini individuali. Nell'activation la proprietà dei dati è assegnata e c'è un quadro concettuale condiviso, in modo che reparti diversi utilizzino lo stesso termine nello stesso modo. Al livello insight la qualità dei dati viene misurata e monitorata, e c'è visibilità su dove si trovano i punti deboli nella catena dei dati. Il livello intelligence significa che la gestione dei dati è integrata nel modo di lavorare quotidiano: qualità, provenienza e accesso vengono controllati continuamente, non come progetto separato ma come parte fissa del modo di lavorare.
Un indicatore pratico è quanto tempo occorre per rispondere a una domanda semplice, ad esempio quanti clienti hanno acquistato un determinato prodotto nell'ultimo anno. Se la risposta arriva da un unico sistema in pochi minuti, ciò indica un livello più alto. Se prima bisogna chiamare tre persone per scoprire quale file è aggiornato, ciò indica baseline o foundation. Un altro indicatore è cosa succede quando qualcuno con conoscenze su un set di dati se ne va: le informazioni restano accessibili, oppure scompaiono con quella persona. È rilevante anche se esiste qualcuno che porta la responsabilità di un set di dati, o se quella responsabilità di fatto non è di nessuno.
Nella misurazione della maturità questa dimensione non viene valutata da una sola persona, ma da più persone separatamente. Un responsabile IT potrebbe valutare la gestione dei dati come elevata perché i sistemi sono tecnicamente in ordine, mentre un manager operativo assegna un punteggio basso perché nella pratica i dati non risultano reperibili o affidabili. Questa dispersione diventa visibile nel grafico ed è di per sé un segnale: una grande distanza tra i punteggi spesso significa che l'organizzazione è più avanti sulla carta che nella pratica quotidiana, oppure che reparti diversi lavorano con versioni diverse della verità. Una dispersione ristretta, anche a un livello più basso, indica un'immagine realistica e condivisa da cui partire.
Il passaggio da baseline a foundation spesso non richiede nuova tecnologia, ma accordi: chi è proprietario di quale set di dati, e dove si trova quale informazione. Il passaggio da foundation ad activation richiede un quadro concettuale condiviso, in modo che i reparti non definiscano in modo divergente cosa sia un 'cliente attivo' o un 'progetto concluso'. Ciò che un passo specifico richiede in termini di costi e tempo dipende dalle dimensioni dell'organizzazione e dallo stato dei sistemi sottostanti; questo è approfondito nella pagina su quanto costa far salire di un livello l'organizzazione e nella pagina su quanto costa far salire di un livello l'infrastruttura IT, perché dati e infrastruttura nella pratica spesso avanzano insieme.
La gestione dei dati non è separata dal resto della misurazione. Senza accordi chiari su chi può usare quali dati e per quali finalità, sorgono domande che in realtà appartengono a privacy e sicurezza. Senza persone che capiscono cosa significhi la qualità dei dati e come prestarvi attenzione nel proprio lavoro, la dimensione persone e competenze resta indietro. E senza uno sguardo su chi decide cosa si può e cosa non si può fare con i dati, manca il collegamento con l'etica. Le sette dimensioni della misurazione sono collegate tra loro; la gestione dei dati è una di queste, e di solito non è l'ultima a meritare attenzione.
Questa misurazione mostra se il terreno sotto le applicazioni di AI è sufficientemente solido: se i dati sono reperibili, affidabili e di proprietà di qualcuno. Questa è una domanda diversa da quale parte del lavoro possa effettivamente essere assunta dall'AI. A questa domanda risponde la scansione del lavoro di FTE TO AI, che calcola per ciascun compito quale parte è adatta al trasferimento all'AI, partendo dalla struttura dei dati presente in quel momento. Le due misurazioni sono pensate per essere lette in sequenza: prima la capacità portante, poi i compiti che possono basarsi su di essa.
La misurazione della maturità, inclusa la dimensione della gestione dei dati, è attualmente in fase di sviluppo. Chi desidera effettuare la misurazione non appena sarà disponibile può iscriversi alla lista d'attesa.
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.