Il performance management è la dimensione che misura se un'organizzazione vede cosa produce l'AI, e se questa informazione trova un posto da qualche parte. Non se esiste una dashboard, ma se qualcuno guarda a cosa cambia un'applicazione AI in termini di tempi di attraversamento, qualità o margine di errore, e se quel risultato influisce sulla decisione successiva. Un livello superiore non ha un costo fisso, perché la distanza tra i livelli varia da organizzazione a organizzazione. Un'organizzazione che ancora non misura nulla deve allestire qualcosa di diverso rispetto a un'organizzazione che già misura ma non usa i risultati da nessuna parte. Ciò che è certo: i costi raramente stanno nel software. Stanno nel tempo, nella ripetizione e nella disponibilità a prendere sul serio i risultati anche quando sono deludenti.
La dimensione guarda a tre aspetti. Primo, se un risultato viene definito prima che un'applicazione AI parta — cosa deve migliorare, e come si vede. Secondo, se quel risultato viene effettivamente misurato dopo un certo tempo, invece di essere presunto. Terzo, se la misurazione ha una conseguenza: un'applicazione viene adattata, estesa o interrotta sulla base di ciò che è stato misurato, oppure il risultato resta un numero in un rapporto che nessuno riapre più. Molte organizzazioni ottengono un punteggio basso non perché non misurano, ma perché la misurazione non trova posto in una decisione.
Al livello baseline non esiste una descrizione di cosa significhi successo prima che un'applicazione AI inizi. Si guarda a posteriori se qualcosa "si è sentito meglio", senza un parametro fisso. Cosa significhi questo in pratica per un'organizzazione che si trova a questo livello è descritto nella pagina su cosa significa in pratica il livello baseline.
Al livello foundation viene sì indicato un risultato, ma la misurazione avviene una sola volta o per caso. Qualcuno controlla dopo qualche settimana se funziona, ma non c'è ripetizione né una forma fissa. La pagina su cosa significa in pratica il livello foundation mostra come questa situazione si distingua dal baseline e dal livello successivo.
A partire da activation, misurare diventa un'abitudine invece di un'eccezione: lo stesso parametro viene riconsiderato in momenti fissi. A livello insight, quel risultato viene collegato a una decisione — un'applicazione che non offre ciò che era stato previsto in anticipo viene adattata o interrotta. A livello intelligence la misurazione è incorporata in un ritmo più ampio: le prestazioni delle applicazioni AI vengono messe a confronto tra loro, in modo che l'organizzazione apprenda quale tipo di applicazione funziona e quale no.
Il performance management dipende dalle dimensioni che lo precedono nell'ordine. Senza un'organizzazione che sappia chi è responsabile di un risultato, una misurazione resta un numero senza proprietario — questo inizia con la domanda su quanto sia matura l'organizzazione in materia di AI, a cui si risponde tramite la dimensione organizzativa. Senza un'infrastruttura che consenta di registrare i dati su utilizzo e risultato, non c'è nulla da misurare — vedi la dimensione dell'infrastruttura IT. E senza una gestione dei dati che stabilisca quali dati sono sufficientemente affidabili su cui basarsi, una misurazione può forse produrre un numero ma non un punto di riferimento — vedi la dimensione della gestione dei dati. Chi vuole far salire il performance management senza avere questi fondamenti in ordine, misura qualcosa, ma non qualcosa su cui costruire.
Il passo da baseline a foundation richiede soprattutto un accordo: definire, prima che un'applicazione parta, cosa significa successo, e fissarlo in un luogo dove sia possibile ritrovarlo in seguito. Non è un investimento in tecnologia, ma in abitudine.
Il passo da foundation a activation richiede ripetizione: lo stesso parametro deve tornare in momenti fissi, invece di un'osservazione unica. Questo richiede il tempo di qualcuno che lo metta all'ordine del giorno e continui a chiederne conto.
Il passo verso insight richiede qualcosa di più difficile: la disponibilità a ritirare o adattare un'applicazione se la misurazione risulta deludente, anche se ci si è già investito. Questa è meno una voce di costo che una questione culturale.
Il passo verso intelligence richiede infine un confronto tra le applicazioni, in modo che l'organizzazione non apprenda caso per caso ma veda dei pattern. Questo richiede un luogo fisso dove avvenga tale confronto, e persone a cui venga dato il tempo per farlo.
La misurazione della maturità di hybridresourcing mostra se un'organizzazione è in grado di sostenere ciò che l'AI produce — se i fondamenti sono presenti, e se il performance management può costruire su di essi. Non dice nulla su quali compiti, all'interno del lavoro stesso, siano adatti a essere affidati all'AI, e in quale misura. A questa domanda risponde lo scan del lavoro di FTE TO AI, che calcola per ogni compito quale parte di esso può essere trasferita all'AI. Chi conosce già la posizione dell'organizzazione su questa dimensione ha anche un'indicazione se i risultati di un simile scan del lavoro troveranno poi un posto, o finiranno per svanire in un rapporto che nessuno riapre più.
La misurazione della maturità, con il round di plot in cui più persone attribuiscono un punteggio separatamente e diventa visibile la dispersione tra le loro risposte, è ancora in fase di sviluppo. Chi desidera utilizzare 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.