Kennisbank

Ludzie i umiejętności: wymiar, którego nie rozwiązuje się szkoleniem

Dlaczego ten wymiar jest wyjątkowy

Z siedmiu wymiarów w pomiarze dojrzałości, ludzie i umiejętności to najczęściej wymieniany powód, dla którego pilotaż AI nie rozwija się dalej. Nie dlatego, że ludzie nie chcą, ale dlatego, że umiejętność to coś innego niż wiedza. Ktoś może wiedzieć, co to jest model językowy, a mimo to nie wiedzieć, kiedy można zaufać wynikowi. Ta przepaść między wiedzieć a umieć zastosować jest właśnie tym, co mierzy ten wymiar.

Ten wymiar jest powiązany z innymi fundamentalnymi wymiarami. Umiejętności rozwijają się z trudem, jeśli sama organizacja nie jest przystosowana do uczenia się z AI, a ćwiczenie z zastosowaniami AI słabo działa, jeśli infrastruktura IT nie zapewnia środowiska do bezpiecznego eksperymentowania. Kto myśli tylko w kategoriach budżetu szkoleniowego, przeoczy tę kolejność.

Co pięć poziomów oznacza w praktyce

Na poziomie baseline niewielka grupa ludzi pracuje z narzędziami AI z własnej inicjatywy, poza zasięgiem wzroku organizacji. Nie istnieje wspólny obraz tego, co działa, a co nie, a to, czego się uczy ktoś, pozostaje u tej osoby. To, co baseline oznacza w praktyce, to więc nie brak zainteresowania, lecz brak struktury pozwalającej wykorzystać to zainteresowanie.

Na poziomie foundation istnieje pierwsza wspólna podstawa: pewna liczba osób zbudowała porównywalne umiejętności, powstało wspólne słownictwo, a pojedyncze doświadczenia są od czasu do czasu wymieniane. To, co foundation oznacza w praktyce, to krok od indywidualnego użycia do czegoś, co zaczyna przypominać zespół rozumiejący to samo.

Na poziomie activation ludzie stosują AI strukturalnie w ramach swoich własnych zadań i rozpoznają, do czego jest odpowiednia, a do czego nie. Na poziomie insight punkt ciężkości się przesuwa: ludzie nie tylko potrafią używać AI, ale też ocenić, czy wynik jest prawidłowy i dlaczego. Na poziomie intelligence ta ocena nie jest już odrębnym krokiem, lecz częścią tego, jak normalnie wykonuje się pracę, rozpowszechnioną w organizacji, a nie skupioną u kilku pionierów.

Skąd pochodzi rozproszenie w rundzie wykresu

Przy tym wymiarze często powstaje największa różnica między tym, co ocenia CIO, a tym, co ocenia kierownik zespołu. CIO widzi szkolenia, które zostały zorganizowane, i uznaje to za postęp. Kierownik zespołu widzi, że to szkolenie niewiele zmieniło w tym, jak praca faktycznie się odbywa, i ocenia niżej. Obie obserwacje są prawidłowe; mierzą tylko inną część tego samego wymiaru. Oferta i zastosowanie to nie to samo, a runda wykresu właśnie tę różnicę obnaża, zamiast ją uśredniać.

Od czego zależy podniesienie o poziom

Wzrost o poziom w zakresie ludzi i umiejętności nie zależy przede wszystkim od budżetu na kursy. Zależy od powtórzeń: ludzi, którzy nadal stosują AI do rzeczywistej pracy, a nie do przećwiczonych przykładów. Zależy od czasu, który jest faktycznie dostępny obok regularnych zadań, a nie jest przypisany tylko na papierze. I zależy od środowiska, w którym popełnianie błędów podczas nauki nie jest powodem, by wrócić do starego sposobu pracy.

Oprócz tego krok ten zależy od tego, czy umiejętność staje się widoczna i jest przekazywana dalej. Osoba, która dobrze uczy się kontrolować wynik AI, pomaga organizacji posunąć się do przodu tylko wtedy, gdy ten sposób pracy trafia gdzieś, skąd inni mogą go przejąć. Bez takiego mechanizmu każdy postęp pozostaje związany z jedną osobą i zanika w chwili, gdy ta osoba zmienia funkcję.

To od razu ukazuje, dlaczego ten wymiar rzadko da się naprawić samodzielnie. To, jak się uczy, czy ktoś wykonał pracę dobrze, i czy ta nauka jest rozpoznawana i nagradzana, wiąże się bezpośrednio z tym, jak dojrzałe jest zarządzanie wynikami. A umiejętność rozwija się też wolniej, jeśli dane, na których ludzie ćwiczą, są niewiarygodne, co jest powodem, dla którego ten wymiar rzadko jest oddzielony od tego, jak dojrzałe jest zarządzanie danymi.

Na co to nie odpowiada

Ten wymiar pokazuje, czy ludzie w organizacji są gotowi do pracy z AI na poziomie odpowiadającym ambicji. Nie pokazuje, jaką część konkretnej funkcji może przejąć AI, a jaka część musi pozostać przy człowieku. To inne pytanie, na które odpowiada się dla każdego zadania osobno, a nie dla całej organizacji. Skan pracy FTE TO AI wylicza, jaka część pracy w danej roli jest odpowiednia do przekazania AI, zadanie po zadaniu. Podczas gdy ta strona opisuje, czy ludzie są gotowi, aby prowadzić to przekazanie, skan pracy pokazuje, co dokładnie można przekazać — a to ma sens tylko wtedy, gdy strona przekazująca, jak opisano tutaj, stoi na solidnym fundamencie.