A gestão de desempenho é uma das sete dimensões com que a hybridresourcing mede a maturidade de uma organização em relação à IA. Esta dimensão trata de algo específico: consegue determinar se o trabalho apoiado ou assumido por IA se torna, de facto, melhor, mais rápido ou mais económico? Muitas organizações iniciam projetos-piloto sem conseguir responder a essa pergunta, e por isso permanecem numa fase de experimentação sem poder demonstrar o que isso rendeu.
A gestão de desempenho só pode tornar-se madura se outras dimensões já disponibilizarem algo sobre o qual construir. Sem dados fiáveis provenientes da gestão de dados, uma medição de desempenho é uma estimativa. Sem responsabilidades claras a partir da dimensão organizacional, tal como é detalhado na página sobre o que custa subir um nível na organização, ninguém pode ser responsabilizado pelo resultado. E sem uma infraestrutura de TI capaz de registar e repetir medições, tal como discutido na página sobre o que custa subir um nível na infraestrutura de TI, cada medição permanece pontual. É por isso que esta dimensão, na medição, só pode avançar para um nível mais elevado quando as dimensões fundamentais já sustentam algo.
Baseline. Não existe uma forma fixa de avaliar se o trabalho apoiado por IA tem um desempenho melhor do que a forma antiga de trabalhar. As avaliações são incidentais e dependem da pessoa. Se alguém sai, desaparece também a única visão que existia.
Foundation. Existem medições avulsas, geralmente por projeto ou por piloto. Raramente são comparadas, e não há um momento fixo em que alguém verifique se o efeito pretendido realmente ocorreu. A medição existe, mas não funciona como processo de aprendizagem.
Activation. Existe um ritmo recorrente: as medições são repetidas em momentos fixos e comunicadas às pessoas que fazem o trabalho. A organização começa a ver padrões, ainda que estes não sejam ainda registados ou comparados sistematicamente entre departamentos.
Insight. As medições são usadas para ajustar, não apenas para relatar. Existe uma visão partilhada sobre o que funciona e o que não funciona, e essa visão leva a ajustes na forma como a IA é aplicada. Diferentes equipas conseguem comparar os seus resultados entre si porque a forma de medir é a mesma.
Intelligence. A gestão de desempenho está incorporada na forma como as decisões sobre IA são tomadas. Os resultados de aplicações anteriores alimentam diretamente as escolhas para novas aplicações. A organização consegue fundamentar por que razão algo é ou não escalado, em vez de basear isso em intuição ou em quem mais defende com veemência o próximo piloto.
O nível desta dimensão não reside apenas num instrumento ou num painel de controlo. Reside no comportamento em torno disso: há uma reflexão após um piloto, ou passa-se imediatamente ao próximo? Alguém na sua organização consegue mostrar, a pedido, o que uma aplicação de IA realmente produziu, independentemente de uma suposição prévia? Um resultado insatisfatório é discutido, ou silenciosamente esquecido? Estas não são perguntas técnicas. Trata-se de saber se surgiu o hábito de observar, e não apenas de fazer.
Dentro desta dimensão surge frequentemente uma grande dispersão entre quem preenche a ronda de avaliação. Um gestor operacional vê diariamente as medições avulsas da fase de activation e classifica a organização mais alto do que a realidade justifica, porque essas medições são tangíveis para ele. Um CFO que só vê o relatório trimestral classifica mais baixo, porque não tem uma visão contínua do que foi medido entretanto. Ambas as perceções são verdadeiras para quem as dá. A dispersão em si é a informação: mostra que não existe uma visão partilhada e transversal à organização sobre o desempenho, o que, por si só, já constitui uma afirmação sobre o nível.
Um passo de baseline para foundation exige, sobretudo, disciplina: escolher um momento fixo para olhar para trás e não deixar que esse momento desapareça sob a pressão do próximo piloto. Um passo para activation exige um processo repetível, o que, por sua vez, se relaciona com a maturidade da infraestrutura subjacente. Um passo para insight ou intelligence exige que as medições sejam suficientemente fiáveis para se poder navegar por elas, o que remete de volta para a qualidade dos dados e para quem, dentro da organização, tem competência para ajustar com base nessas medições. Também dimensões como a ética e a privacidade e segurança desempenham aqui um papel: uma medição de desempenho que ignora a questão de saber se um resultado foi obtido de forma responsável é uma medição incompleta. O que um passo custa exatamente, em tempo, atenção ou recursos, varia por organização e depende de onde as outras dimensões se encontram. Por isso, a hybridresourcing trabalha com uma ronda de avaliação em vez de um plano de etapas fixo: primeiro tornar visível onde está e onde as opiniões divergem, antes de se estabelecer o que é necessário.
Esta página trata de saber se a sua organização consegue determinar o que a IA proporciona, independentemente de qual trabalho exatamente afeta. Essa é uma questão diferente de saber quais tarefas se deixam assumir e em que medida. Quem quiser saber isso, tarefa por tarefa e com base no que o próprio trabalho envolve, encontra isso na análise de trabalho da FTE TO AI. A gestão de desempenho e a análise de trabalho complementam-se: uma mede se consegue avaliar um resultado, a outra calcula que parte do trabalho existe para ser avaliada.
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.