Insight līmenī ir mainījies kaut kas, kas pārsniedz atsevišķus eksperimentus. Organizācija saprot ne tikai to, ka AI dara kaut ko, bet arī kāpēc tas vienā vietā darbojas un citā ne. Ir izveidojusies valoda, lai par to runātu: cilvēki runā par datu kvalitāti, par atbildību kļūdu gadījumā, par tem, kuri procesi ir un kuri nav piemēroti automatizācijai. Tas ir citādāks saruna nekā gadu iepriekš, kad jautājums galvenokārt bija, vai pilotprojekts kaut ko deva.
Šim līmenim raksturīgi ir tas, ka izpratne ir klātesoša, bet tā vēl nav visur nostiprināta lēmumu pieņemšanā. Vienai nodaļai ir skaidrs priekšstats par to, kādi dati tai nepieciešami un kādi trūkst. Cita nodaļa vēl labā ticībā seko pilotprojektam, bez tam, ka kāds noteicis, vai pamatā esošā infrastruktūra to iztur. Insight tātad nav vienmērīgs slānis pār visu organizāciju. Tā drīzāk ir vietu kopums, kur ir iedegusies gaisma, ar starp tiem vēl daļām, kas atrodas tumsā.
Solis uz nākamo līmeni, intelligence, prasa, lai šī izpratne pārtaptu vadībā. Nevis gadījuma rakstā — kā reakcija uz problēmu, kas rodas — bet strukturēti, kā daļa no tā, kā organizācija parasti darbojas. Tas skar tās pašas fundamentālās dimensijas, kas arī iepriekšējos līmeņos bija izšķirošais faktors: vai datu pārvaldība ir tā iekārtota, ka lēmumus, kas balstīti uz AI rezultātiem, var pamatot? Vai IT infrastruktūra ir tā izveidota, ka jauni pielietojumi katru reizi nesākas no nulles? Vai organizācija pati ir tā veidota, ka atbildība par AI vadītiem procesiem atrodas kādā konkrētā vietā, nevis izkaisīta pa visur nedaudz?
Insight līmenī bieži redzat, ka šie jautājumi ir uzdoti, bet atbilde katrā dimensijā atšķiras. Viena dimensija jau ir tik tālu, ka vadība ir iespējama; cita vēl seko atsevišķām iniciatīvām. Šī atšķirība tempā ir tieši tā, kur plot-kārtā parādās izkliede: ja vairāki cilvēki novērtē atsevišķi, var redzēt, ka viens respondents uzskata, ka organizācija datu pārvaldībā jau ir tikusi tālu, kamēr cits to pašu dimensiju vēl novieto pie foundation. Šī izkliede nav troksnis. Tā rāda, kura dimensija vispirms panes uzmanību un kurai dimensijai jāsekos vēlāk.
Kārdinājums šajā līmenī ir vērst uzmanību uz dimensijām, kas ir visredzamākās — bieži tās ir atkarīgās dimensijas, kas atrodas tuvu ikdienas darbam. Tomēr fundamentālās dimensijas ir prioritāras. Ja datu pārvaldība nav sakārtota, katra uz AI rezultātiem balstīta vadība paliek nestabila, lai cik daudz izpratnes arī būtu uzkrāts. Ja IT infrastruktūra ir fragmentēta, katrs pielietojums paliek nošķirts, arī tad, ja organizācija par to iekšēji jau spēj labi runāt.
Tā nav citāda secība kā tā, kas noteicās iepriekšējos līmeņos. Tā ir tā pati secība, taču punktā, kur tās izlaišanas izmaksas kļūst redzamākas. Pie baseline un foundation pamata trūkumu vēl varēja noslēpt par to, ka notika maz. Insight līmenī jau ir vairāk kustības, un tas padara vājo fundamentālo dimensiju agrāk sajūtamu: vadība, kas neturas, lēmumi, kurus pēc tam nevar izsekot, pielietojumi, kas apstājas, tiklīdz tie pārsniedz vienas nodaļas robežu.
Pāreja uz intelligence nav vairāk AI pielietošanas jautājums. Tas ir jautājums par to, lai fundamentālās dimensijas tiktu sakārtotas tik tālu, ka atkarīgās dimensijas var uz tām strukturēti balstīties. Tas ļoti atšķiras katrā organizācijā: viena organizācija galvenokārt jāconsolidē savu datu pārvaldību, citai ir IT infrastruktūra, kas vispirms jāsavieno, pirms var plašāk vadīt. Kas tas būs, ir atkarīgs no tā, kur plot-kārtā izkliede ir vislielākā — tā ir vieta, kur nākamais līmenis gaida.
Tie, kas vēlas skatīties tālāk par intelligence, lapā par līmeni pēc intelligence atrod aprakstu par to, kas rodas, kad vadība vairs nav tikai strukturēta, bet arī pati sevi mācoša. Tie, kas ceļa sākumā vēlas rast atpazīstamību, activation lapā var izlasīt, kā izskatījās fāze pirms izpratnes rašanās, vai izpētīt, ko nozīmē, tiklīdz agenti, kas veic darbu sāk ieņemt lomu līdzās vadošajam slānim, kas šajā līmenī tiek veidots.
Insight jums parāda, kur organizācija atrodas savā spējā nest AI: kuras dimensijas ir stabilas un kuras vēl nav sakārtotas. Tas ir citādāks jautājums nekā tas, kura darba daļa pati ir nododama AI. Tiklīdz nesošā puse ir skaidrāk redzama, otrs jautājums kļūst nozīmīgs: kuru uzdevumu daļu procesā faktiski var pārņemt. Tieši tam ir izveidots FTE TO AI darba skenējums — aprēķina metode, kas katram uzdevumam nosaka, kura darba daļa ir piemērota pārņemšanai, tā, lai saruna par intelligence nebūtu tikai par gatavību, bet arī par to, ko, tiklīdz šī gatavība ir sasniegta, faktiski var iegūt.
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.