No septiņām dimensijām gatavības līmeņa mērījumā cilvēki un prasmes ir visbiežāk minētais iemesls, kāpēc AI izmēģinājuma projekts neizaugt lielāks. Nevis tāpēc, ka cilvēki nevēlas, bet tāpēc, ka prasme ir kas citāds nekā zināšanas. Kāds var zināt, kas ir valodas modelis, un tomēr nezināt, kad rezultātam var uzticēties. Šī plaisa starp zināšanu un pratību pielietot ir tieši tas, ko šī dimensija mēra.
Šī dimensija ir saistīta ar citām pamatdimensijām. Prasmes attīstās gausi, ja pati organizācija nav iekārtota mācīšanai ar AI, un vingrināšanās ar AI pielietojumiem norit slikti, ja IT infrastruktūra nenodrošina vidi, kur droši eksperimentēt. Kas domā vienīgi apmācības budžeta kategorijās, nepamana šo secību.
Baseline līmenī neliels skaits cilvēku strādā ar AI rīkiem pēc savas iniciatīvas, ārpus organizācijas redzesloka. Nav kopīga priekšstata par to, kas darbojas un kas nē, un tas, ko kāds iemācās, paliek pie tās personas. Ko baseline nozīmē praksē tātad nav interesses trūkums, bet gan struktūras trūkums, lai šo interesi izmantotu.
Foundation līmenī veidojas pirmais kopīgais pamats: vairāki cilvēki ir attīstījuši līdzīgas prasmes, ir izveidojies kopīgs vārdu krājums, un atsevišķa pieredze reizēm tiek dalīta. Ko foundation nozīmē praksē ir solis no individuālas lietošanas uz kaut ko, kas sāk līdzināties komandai, kura saprot vienu un to pašu.
Activation līmenī cilvēki strukturēti pielieto AI savos uzdevumos un atpazīst, kur tas ir un kur nav piemērots. Insight līmenī uzsvars maina virzienu: cilvēki spēj ne tikai lietot AI, bet arī novērtēt, vai rezultāts ir korekts un kāpēc. Intelligence līmenī šis novērtējums vairs nav atsevišķs solis, bet daļa no tā, kā darbs normāli tiek darīts, izplatīts pa visu organizāciju, nevis koncentrēts pie pāris agrīnajiem lietotājiem.
Šajā dimensijā parasti veidojas vislielākā atšķirība starp to, ko novērtē CIO, un to, ko novērtē komandas vadītājs. CIO redz organizētās apmācības un uzskata to par progresu. Komandas vadītājs redz, ka šī apmācība maz ko mainījusi tajā, kā darbs faktiski notiek, un vērtē zemāk. Abi novērojumi ir pareizi; tie vienkārši mēra citu daļu no tās pašas dimensijas. Piedāvājums un pielietojums nav viens un tas pats, un plot-kārta tieši šo plaisu atklāj, nevis izlīdzina to vidējā vērtībā.
Līmeņa pieaugums cilvēku un prasmju jomā nav galvenokārt atkarīgs no kursu budžeta. Tas ir atkarīgs no atkārtošanas: cilvēkiem, kuri turpina pielietot AI reālam darbam, nevis vingrinājumu piemēriem. Tas ir atkarīgs no laika, kas faktiski ir pieejams papildus regulārajiem uzdevumiem, un nav tikai formāli piešķirts uz papīra. Un tas ir atkarīgs no vides, kurā kļūdu pieļaušana mācīšanās procesā nav iemesls atkrist atpakaļ uz veco darba veidu.
Tāpat šis solis ir atkarīgs no tā, vai prasme tiek padarīta redzama un dalīta. Kāds, kurš labi iemācās pārbaudīt AI rezultātu, palīdz organizācijai virzīties uz priekšu tikai tad, ja šī darba metode nonāk kaut kur, kur citi to var pārņemt. Bez šāda mehānisma katrs progress paliek saistīts ar vienu personu un pazūd, tiklīdz šī persona nomaina funkciju.
Tas tūlīt padara redzamu, kāpēc šo dimensiju reti var izlabot pašu par sevi. Tas, kā cilvēki mācās, vai kāds ir strādājis labi, un vai šī mācīšanās tiek atpazīta un atalgota, ir tieši saistīts ar to, cik gatavs ir sniegumu vadības process. Un prasme attīstās lēnāk arī tad, ja dati, ar kuriem cilvēki vingrinās, ir neuzticami, un tas ir iemesls, kāpēc šī dimensija reti ir atsevišķa no tā, cik gatavs ir datu pārvaldības process.
Šī dimensija parāda, vai organizācijas cilvēki ir gatavi strādāt ar AI līmenī, kas atbilst ambīcijai. Tā neparāda, kādu daļu no konkrētas funkcijas AI var pārņemt un kādai daļai jāpaliek pie cilvēka. Tas ir cits jautājums, uz kuru atbild par katru uzdevumu, nevis par katru organizāciju. FTE TO AI darba skenēšana (werkscan) aprēķina, kāda daļa no darba kādā lomā ir piemērota nodošanai AI, uzdevums pēc uzdevuma. Kur šī lapa aprakstīta, vai cilvēki ir gatavi šo nodošanu vadīt, darba skenēšana parāda, ko precīzi var nodot — un tas ir jēgpilns jautājums tikai tad, ja saņemšanas puse, kā aprakstīts šeit, ir uz stabila pamata.
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.