Baseline ir līmenis, no kura sāk lielākā daļa organizāciju. AI izmantošana pastāv, bet tā balstās uz atsevišķiem indivīdiem: kāds IT nodaļā, kas eksperimentē ar valodas modeli, mārketinga speciālists, kas ģenerē tekstu, viens menedžeris, kas jautā, vai procesu var padarīt ātrāku. Nav kopīgas pieejas, nav kopīga skatījuma uz to, kas darbojas, un nav struktūras, kas nostiprinātu apgūto. Ja šī persona aiziet vai saņem citu projektu, zināšanas pazūd līdz ar viņu.
Baseline līmenī nav trūkuma gribā, bet trūkst pamata. Septiņas dimensijas, ko izšķir brieduma mērījums — tostarp organizācija, IT infrastruktūra un datu pārvaldība — šajā līmenī vēl ir nesaistītas cita ar citu vai gandrīz nav aizpildītas. Tas nav nepilnība; tā ir stāvoklis, kurā organizācija atrodas, pirms tā apzināti sākusi būvēt.
Baseline līmenī pastāvīgi atkārtojas vairākas pazīmes. Nav pārskata par to, kur organizācijā AI jau tiek izmantots, nemaz nerunājot par kopīgu skatījumu uz to, ko šī izmantošana nes. Lēmumi par AI tiek pieņemti tur, kur jautājums nejauši radies, nevis, izvērtējot ietekmi uz visu organizāciju. Dati ir izkaisīti sistēmās, kas nesarunājas viena ar otru, kas kavē katru soli virzībā uz kaut ko strukturētu. Un nav kopīgas valodas: to, ko viena nodaļa sauc par AI, cita nodaļa saprot pavisam citādi.
Brieduma mērījuma plot-kārta to bieži atklāj, pirms tam ir vārdi. Kad vairāki cilvēki vienā organizācijā vērtē atsevišķi, baseline līmenī bieži atklājas liela izkliede: viens respondents redz progresu, ko cits neatzīst. Šī izkliede pati par sevi ir signāls. Tā parāda, ka vēl nepastāv kopīgs skatījums uz to, kur organizācija atrodas, un tas ir tieši tas, kas raksturo baseline.
Ceļš no baseline uz nākamo līmeni nesākas ar jaunu pielietojumu, bet ar fundamentālajām dimensijām. Organizācija, IT infrastruktūra un datu pārvaldība ir prioritāras salīdzinājumā ar dimensijām, kas no tām ir atkarīgas. Tā nav izvēle, tā ir secība, kādā tas darbojas: organizācija, kas grib būvēt kaut ko uz AI bāzes, bez sakārtotiem datiem vai bez skaidrības par to, kurš par ko lemj, būvē uz smiltīm.
Konkrēti tas nozīmē, ka vispirms ir nepieciešams pārskats. Kurš organizācijā jau kaut ko dara ar AI, un uz kādu datu pamata? Kur atrodas dati, kas attiecas uz šiem pielietojumiem, un vai tie ir pietiekami pieejami un uzticami, lai uz tiem būvētu? Vai ir persona vai grupa, kas uzņemas atbildību par lēmumiem par AI, vai tas joprojām notiek nejauši? Šie jautājumi izklausās pieticīgi, bet tie ir tieši tas, uz ko pievēršas fundamentālās dimensijas.
Atkarīgās dimensijas — tās, kas saistītas ar to, kā AI ietekmē pašu darbu — nāk pēc tam. Baseline līmenī vēl ir pārāk agri par tām spriest saprātīgi, jo trūkst pamata, uz kura šīs dimensijas var balstīties.
Pāreja uz foundation neprasa, lai viss vienlaikus tiktu sakārtots. Tā prasa, lai organizācija pārtrauc uzskatīt AI izmantošanu par kaut ko, kas nejauši rodas atsevišķu indivīdu darbā, un sāk fiksēt to, kas pastāv: kādi dati eksistē, kurš par ko lemj, kurām sistēmām jāspēj sarunāties viena ar otru. Tas ir mazāk tehnisks process, vairāk organizatorisks process. Tehnoloģija parasti seko, kad struktūra jau ir ieviesta.
Tas ir arī process, kas prasa laiku, un tā ilgums ir atkarīgs no tā, cik daudz jau pastāv neformāli. Organizācijai, kur viena nodaļa jau kādu laiku apzināti strādā ar datiem, priekšā ir īsāks ceļš nekā organizācijai, kur tas nekur nav sastopams. Tas, kas precīzi nepieciešams, lai virzītos tālāk no foundation, un kuras dimensijas šajā procesā prasa pirmšķirtu uzmanību, ir aprakstīts lapā, kas izklāsta kā jūs varat pāriet no foundation uz nākamo līmeni. Tālāk sērijā, organizācijām, kas jau tikušas tālāk, ir aprakstīts arī kā activation saistās ar nākamo līmeni un ko insight prasa, lai izaugtu līdz intelligence.
Baseline neko nesaka par organizācijas ambīcijām un neko par tur strādājošo cilvēku kvalitāti. Tas norāda uz pamata stāvokli konkrētā brīdī. Organizācijas, kas šo līmeni nopietni izkartē, bieži atklāj, ka jau pastāv vairāk, nekā domāts — atsevišķas iniciatīvas, dati, kas kaut kur tomēr tiek uzturēti, cilvēki, kas jau domā tālāk, nekā prasa viņu funkcija. Brieduma mērījums to visu apkopo attēlā, uz kura var būvēt nākamo soli, neaizpildot šo attēlu ar padomu, kas organizācijai neder.
Šī lapa runā par gatavību: par to, kam jābūt ieviestam, pirms AI var iegūt strukturālu vietu. Tas ir citādāks jautājums nekā tas, kuru daļu darba AI faktiski var izpildīt. Tiklīdz pamats iegūst formu, šis otrais jautājums kļūst nozīmīgs, un tieši tur pieskaras FTE TO AI darba skanēšana: tā katrai uzdevumam aprēķina, kuru darba daļu var pārņemt AI, pamatojoties uz uzdevumiem tā, kā tie tiek veikti šobrīd. Kas grib zināt, ko AI var pārņemt, tiklīdz organizācija tam ir gatava, to atradīs tur — ieskaitot to, kā tas atšķiras, kad runa ir par agentiem, kas patstāvīgi veic darbu vai par ķēdēm, kurās dažādi soļi seko cits citam.
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.