A gestão de desempenho é a dimensão que mede se uma organização vê o que a IA produz, e se essa informação chega a algum lugar. Não se há um painel instalado, mas se alguém observa o que uma aplicação de IA altera no tempo de processamento, na qualidade ou na margem de erro, e se esse resultado influencia a decisão seguinte. Subir um nível não custa um valor fixo, porque a distância entre níveis varia de organização para organização. Uma organização que ainda não mede nada precisa montar algo diferente de uma organização que já mede mas não usa os resultados em lugar nenhum. O que é certo é que os custos raramente estão no software. Estão no tempo, na repetição e na disposição de levar os resultados a sério mesmo quando são decepcionantes.
A dimensão observa três coisas. Primeiro, se um resultado é definido antes de uma aplicação de IA começar — o que deve melhorar, e como isso é visível. Segundo, se esse resultado é efetivamente medido ao longo do tempo, em vez de simplesmente assumido. Terceiro, se a medição tem consequência: uma aplicação é ajustada, expandida ou interrompida com base no que foi medido, ou o resultado permanece um número num relatório que ninguém volta a abrir. Muitas organizações têm uma pontuação baixa não porque não medem, mas porque a medição não tem lugar numa decisão.
No nível baseline, não há uma descrição do que significa sucesso antes de uma aplicação de IA começar. Verifica-se posteriormente se algo "pareceu melhor", sem um critério fixo. O que isso significa na prática para uma organização que está neste nível está descrito na página sobre o que o nível baseline significa na prática.
No nível foundation, já existe um resultado definido, mas a medição acontece uma única vez ou por acaso. Alguém verifica após algumas semanas se está a funcionar, mas não há repetição nem uma forma fixa. A página sobre o que o nível foundation significa na prática mostra como essa situação se distingue do baseline e do nível seguinte.
A partir do activation, medir torna-se um hábito em vez de uma excepção: o mesmo critério é revisto em momentos fixos. No insight, esse resultado é ligado a uma decisão — uma aplicação que não entrega o que se esperava é ajustada ou interrompida. No intelligence, a medição está integrada num ritmo mais amplo: os desempenhos de aplicações de IA são comparados entre si, para que a organização aprenda que tipo de aplicação funciona e qual não funciona.
A gestão de desempenho depende de dimensões que a antecedem na sequência. Sem uma organização em que se sabe quem é responsável por um resultado, uma medição permanece um número sem dono — isso começa pela pergunta sobre o grau de maturidade da organização em relação à IA, a ser respondida através da dimensão organizacional. Sem uma infraestrutura que permita registar dados sobre uso e resultado, não há nada para medir — ver a dimensão da infraestrutura de TI. E sem uma gestão de dados que determine quais dados são suficientemente fiáveis para basear decisões, uma medição pode até gerar um número, mas não um ponto de apoio — ver a dimensão da gestão de dados. Quem quiser fazer subir a gestão de desempenho sem ter estes fundamentos em ordem está a medir algo, mas não algo sobre o qual se pode construir.
O passo de baseline para foundation exige, sobretudo, um acordo: definir, antes de uma aplicação começar, o que significa sucesso, e registar isso num local onde possa ser encontrado mais tarde. Isso não é um investimento em tecnologia, mas em hábito.
O passo de foundation para activation exige repetição: o mesmo critério a ser revisitado em momentos fixos, em vez de um olhar único. Isso custa tempo de alguém que coloca isso na agenda e continua a perguntar por isso.
O passo para insight exige algo mais difícil: a disposição de recuar ou ajustar uma aplicação se a medição for decepcionante, mesmo quando já houve investimento nela. Isso é menos uma questão de custo do que uma questão de cultura.
O passo para intelligence exige, por fim, uma comparação entre aplicações, para que a organização não aprenda caso a caso, mas veja padrões. Isso exige um local fixo onde essa comparação aconteça, e pessoas que tenham tempo dedicado para isso.
A medição de maturidade da hybridresourcing mostra se uma organização é capaz de sustentar o que a IA produz — se os fundamentos estão presentes, e se a gestão de desempenho pode construir sobre eles. Não diz nada sobre quais tarefas dentro do próprio trabalho são adequadas para serem transferidas para a IA, e em que medida. Essa pergunta é respondida pelo scan de trabalho da FTE TO AI, que calcula, por tarefa, qual parte dela pode ser transferida para a IA. Quem já sabe onde a organização está nesta dimensão tem, com isso, também uma indicação de se os resultados desse scan de trabalho vão chegar a algum lugar, ou desaparecer num relatório que ninguém volta a abrir.
A medição de maturidade, com a ronda de plotagem em que várias pessoas pontuam separadamente e se torna visível a dispersão entre as respostas, ainda está em desenvolvimento. Quem quiser usar a medição assim que estiver disponível pode inscrever-se na lista de espera.
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.