Baseline je úroveň, na ktorej väčšina organizácií začína. AI sa už používa, ale stojí na jednotlivcoch: niekto z IT oddelenia experimentuje s jazykovým modelom, marketér necháva generovať text, jeden manažér sa spýta, či sa nejaký proces nemôže urýchliť. Neexistuje spoločný prístup, spoločný obraz toho, čo funguje, ani štruktúra, ktorá by udržala to, čo sa naučí. Keď táto osoba odíde alebo prejde na iný projekt, poznanie zmizne s ňou.
Na úrovni baseline nechýba vôľa, ale základ. Sedem dimenzií, ktoré rozlišuje meranie vyspelosti — vrátane organizácie, IT infrastruktúry a manažmentu dát — sú na tejto úrovni ešte navzájom oddelené alebo sú vyplnené len minimálne. To nie je nedostatok; je to stav, v akom sa organizácia nachádza predtým, ako začne vedome stavať.
Na úrovni baseline sa opakovane objavuje niekoľko signálov. Neexistuje prehľad o tom, kde sa AI v rámci organizácie už používa, nieto ešte spoločný obraz o tom, čo toto používanie prináša. Rozhodnutia o AI sa prijímajú tam, kde sa otázka náhodou objaví, nie na základe zváženia, ktoré sa dotýka celej organizácie. Dáta sú rozdrobené v systémoch, ktoré medzi sebou nekomunikujú, čo spomaľuje každý krok k niečomu štruktúrovanému. A neexistuje spoločný jazyk: to, čo jedno oddelenie nazýva AI, je pre druhé niečo iné.
Kolo hodnotenia v rámci merania vyspelosti to často zviditeľní ešte predtým, než sa na to nájdu slová. Keď viacero ľudí v rámci tej istej organizácie hodnotí samostatne, na úrovni baseline sa často objaví veľký rozptyl: jeden respondent vidí pokrok, ktorý druhý nerozpoznáva. Tento rozptyl je sám osebe signálom. Ukazuje, že ešte neexistuje spoločný obraz o tom, kde organizácia stojí, a to je presne to, čo charakterizuje baseline.
Cesta od baseline k ďalšej úrovni nezačína novou aplikáciou, ale základnými dimenziami. Organizácia, IT infrastruktúra a manažment dát idú pred dimenziami, ktoré od nich závisia. Nie je to otázka preferencie, je to poradie, v ktorom to funguje: organizácia, ktorá chce niečo postaviť na AI bez toho, aby mala dáta v poriadku, alebo bez toho, aby bolo jasné, kto o čom rozhoduje, stavia na piesku.
Konkrétne to znamená, že najprv musí vzniknúť prehľad. Kto v rámci organizácie už niečo robí s AI, a na základe akých údajov? Kde sa nachádzajú dáta relevantné pre tieto aplikácie, a sú dostatočne prístupné a dôveryhodné na to, aby sa na nich dalo stavať? Existuje osoba alebo skupina, ktorá nesie zodpovednosť za rozhodnutia o AI, alebo sa to ešte deje náhodne? Tieto otázky pôsobia skromne, ale presne na ne sa zameriavajú základné dimenzie.
Závislé dimenzie — tie, ktoré súvisia s tým, ako AI ovplyvňuje samotnú prácu — prichádzajú neskôr. Na úrovni baseline je ešte príliš skoro na to, aby sa o nich povedalo niečo zmysluplné, pretože chýba základ, na ktorom by tieto dimenzie mohli stáť.
Prechod na foundation nevyžaduje, aby bolo všetko naraz v poriadku. Vyžaduje, aby organizácia prestala pristupovať k používaniu AI ako k niečomu, čo náhodne vzniká pri jednotlivcoch, a začala zaznamenávať to, čo existuje: aké dáta existujú, kto o čom rozhoduje, ktoré systémy musia byť schopné medzi sebou komunikovať. Je to menej technický a viac organizačný proces. Technika väčšinou nasleduje, keď je štruktúra už zavedená.
Je to tiež proces, ktorý si vyžaduje čas, a jeho dĺžka závisí od toho, koľko toho už je informálne prítomné. Organizácia, kde jedno oddelenie už dlhšie vedome pracuje s dátami, má kratšiu cestu než organizácia, kde to nikde neplatí. Čo presne je potrebné na to, aby sa organizácia posunula od foundation ďalej, a ktoré dimenzie si pri tom vyžadujú pozornosť ako prvé, je popísané na stránke, ktorá vysvetľuje ako sa dostanete od foundation k ďalšej úrovni. Ďalej v sérii, pre organizácie, ktoré sú už ďalej, je popísané aj ako sa activation vzťahuje k nasledujúcej úrovni a čo si insight vyžaduje na to, aby sa posunul k intelligence.
Baseline nič nehovorí o ambíciách organizácie a nič o kvalite ľudí, ktorí v nej pracujú. Hovorí niečo o stave základu v danom okamihu. Organizácie, ktoré túto úroveň dôkladne zmapujú, často zistia, že toho už je prítomné viac, než si mysleli — samostatné iniciatívy, dáta, ktoré sa niekde napriek tomu vedú, ľudia, ktorí už uvažujú ďalej, než ich funkcia vyžaduje. Meranie vyspelosti to spája do obrazu, na ktorom sa dá postaviť ďalší krok, bez toho, aby bol tento obraz doplnený odporúčaním, ktoré organizácii nesedí.
Táto stránka sa zaoberá pripravenosťou: tým, čo musí byť zavedené, aby AI mohla získať štrukturálne miesto. To je iná otázka než to, akú časť práce môže AI skutočne vykonávať. Keď sa základ začne formovať, táto druhá otázka sa stáva relevantnou, a presne na to nadväzuje pracovný scan od FTE TO AI: ten pre každú úlohu vypočíta, akú časť práce môže prevziať AI, na základe úloh tak, ako sa v súčasnosti vykonávajú. Kto chce vedieť, čo AI môže prevziať, keď na to bude organizácia pripravená, nájde to tam — vrátane toho, ako sa to líši, keď ide o agentov, ktorí samostatne vykonávajú prácu alebo o reťazce, v ktorých na seba nadväzujú jednotlivé kroky.
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.