Tērzēšanas logs, kurā kāds uzdod jautājumu un saņem atbildi, izskatās vienkārši. Tas, kam apakšā jānotiek, tāds nav. Lēmumu atbalsts ar AI nozīmē, ka sistēma apkopo datus no vairākiem avotiem, ievieto tos pareizajā kontekstā un formulē atbildi, uz kuras kāds uzdrošinās rīkoties. Katrs solis šajā ķēdē izvirza organizācijai prasību, kas rodas vēl pirms jautājuma par to, kurš modelis vai platforma tiek izvēlēts.
Modelis, kas atbalsta lēmumus, ir tik labs, cik labi ir dati, ko tas redz. Tas nozīmē, ka cipariem no dažādām sistēmām jāievēro viena un tā pati definīcija, ka vēsturiskajiem datiem jābūt pieejamiem, bez tā, ka kādam tie vispirms manuāli jāeksportē, un ka ir skaidrs, kurš avots ir noteicošais, ja divas sistēmas viena otrai pretrunā. Organizācijas, kurām šis vēl nav sakārtots, to pamana tikai brīdī, kad sistēmas atbilde nesakrīt ar to, ko cilvēki uz vietas jau zināja.
Lēmumu atbalsts bieži atrodas vairāku nodaļu krustpunktā: brīdī, kad informācijai jāpārvietojas no vienas vietas uz otru, lai no tā izrietētu labs lēmums. Tas padara nozīmīgu to, kā koordinācija starp nodaļām darbojas jūsu organizācijā, jo sistēma, kas sniedz padomu, kurš pēc tam paliek nogaidīšanā starp divām nodaļām, nav devusi neko. Tā pati loģika attiecas uz avotiem, ar kuriem padoms tiek barots: ja šie avoti sastāv no dokumentiem, kas vispirms jāizlasa un jāapkopo, pirms ar tiem var kaut ko iesākt, tad jautājums, ko dokumentu lasīšana un apkopošana prasa no organizācijas, tieši ietekmē no tā izrietošā padoma ātrumu un uzticamību.
Daļa lēmumu atbalsta nav atbildēšana uz jautājumu, ko kāds aktīvi uzdod, bet gan tāda signalizēšana par kaut ko, kas prasa uzmanību, pirms kāds par to jautā. Tas izvirza citas prasības nekā tērzēšanas logs: jābūt kaut kam, kas nepārtraukti seko līdzi, atpazīst sliekšņa vērtības un nošķir troksni no signāla, kam patiešām ir nozīme. Ko tas prasa no monitoringa un signalizācijas, ir jautājums, uz kuru jāatbild atsevišķi, un tas, kurš vēlas uzzināt, ko monitorings un signalizācija prasa no organizācijas, redz, ka runa nav tikai par tehnoloģiju, bet arī par to, kurš saņem signālus un kas ar tiem notiek.
Daudzi lēmumi tiek sagatavoti sarunās: ar klientiem, ar piegādātājiem, starp kolēģiem. Ja šīs sarunas netiek fiksētas tādā veidā, kas ir atkārtoti izmantojams, sistēmai, kurai jāatbalsta lēmums, pietrūkst tieši tā materiāla, kas bija ierosinājums. Tas atklāj, ko sarunu fiksēšana un uzraudzība prasa no organizācijas — temats, kas tieši saistīts ar jautājumu, vai lēmumu atbalsts var būvēt uz kaut kā, vai uz nekā. Tas, kurš vēlas vairāk uzzināt par to, ko sarunu fiksēšana un uzraudzība prasa, redz saistību ar kvalitāti katram padomam, kas vēlāk no šīm sarunām tiek atvasināts.
Nav nekas neparasts, ka viena komanda, ar vienu datu kopu un vienu izmantošanas gadījumu, parāda darbojošos lēmumu atbalsta versiju. Tas pierāda, ka tas ir iespējams, nevis to, ka tas iespējams visā organizācijā. Tiklīdz otra nodaļa ar citām sistēmām, citiem datu īpašniekiem un citām definīcijām vēlas pievienoties, bieži izrādās, ka pirmā versija bija pielāgota tieši tai vienai komandai. Kāpēc pilotprojekts, kas darbojas tikai savā stūrī, neko nesniedz, tāpēc nav vis neveiksmīgas tehnoloģijas jautājums, bet gan pamata, kas nekad nav bijis izveidots plašāk. Kam par to vēlas uzzināt vairāk: kāpēc pilotprojekts, kas darbojas tikai savā stūrī, neko nesniedz izskaidro, kas pietrūkst starp demonstrāciju un organizācijas mēroga pielietojumu.
Sistēma var sniegt visrūpīgāk pamatoto padomu un tomēr neko nemainīt, ja neviens neuzņemas atbildību ar to strādāt. Tas ir organizatorisks, nevis tehnisks jautājums: kurš ir padoma īpašnieks, kurš vērtē, vai tam tiek sekots, un kurš izskaidro, kāpēc tam kādreiz netika sekots. Bez šāda īpašnieka lēmumu atbalsts pazūd interesantu eksperimentu kategorijā. Kāpēc demonstrācija bez īpašnieka neko nesniedz, saistīts ar to pašu jautājumu, un tas, kurš vēlas izsekot precīzajai argumentācijai, to var atrast kāpēc demonstrācija bez īpašnieka neko nesniedz.
Prasības, ko izvirza lēmumu atbalsts, lielākoties skar to, kam jau jābūt kārtībā, pirms tērzēšanas logs var paveikt kaut ko nozīmīgu: tīri un pieejami dati, funkcionāla nodošana starp nodaļām, strukturēta sarunu un dokumentu fiksēšana, un skaidrs īpašnieks tam, ko sistēma sniedz. Tieši tāpēc hybridresourcing briedības mērījums vispirms pievēršas fundamentālajām dimensijām, pirms tiek aplūkotas atkarīgās: organizācija, IT infrastruktūra un datu pārvaldība nosaka, vai ir kaut kas, uz kā var būvēt lēmumu atbalstu.
Jautājums, vai organizācija to var iznest, ir atsevišķs no jautājuma, kādu daļu darba AI faktiski var pārņemt. Šo otro FTE TO AI darba skenēšana aprēķina katram uzdevumam: kādu daļu darba var pārņemt un ar kādiem nosacījumiem. Kur šī lapa apraksta, kam jābūt kārtībā, pirms lēmumu atbalsts var funkcionēt, darba skenēšana apraksta, kas — tiklīdz šis pamats ir izveidots — konkrēti maina pašā darbā.
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.