Vzdelávacie organizácie sa od väčšiny ostatných sektorov líšia tým, že samotná hlavná činnosť – vyučovanie, sprevádzanie, hodnotenie – sa len ťažko oddeľuje od ľudí, ktorí ju vykonávajú. Kde továreň alebo obchod môže prepísať procesy bez toho, aby narušil identitu práce, každá zmena v škole alebo na vysokej škole sa rýchlo dotýka vzťahu medzi učiteľom a študentom. To nerobí sektor pomalším v technike, ale robí ho opatrnejším v otázke, čo AI vlastne môže robiť, skôr než sa začne hovoriť o 'prevzatí'.
K tomu sa pridáva skutočnosť, že vzdelávacie inštitúcie sa často skladajú z viacerých vrstiev, ktoré nemajú rovnakú rýchlosť: vedenie, viacero lokalít alebo fakúlt a veľká skupina učiteľov s vlastnými pracovnými metódami. Väčšina AI-iniciatív, s ktorými sa stretávame, začína na jednej z týchto vrstiev bez toho, aby boli zapojené ostatné vrstvy. Učiteľ experimentuje s jazykovým modelom na spätnú väzbu, zatiaľ čo IT oddelenie nemá prehľad o tom, aké dáta pri tom opúšťajú budovu. Vedenie formuluje AI-víziu, zatiaľ čo dátový manažment systémov na sledovanie žiakov sa ešte opiera o papier alebo samostatné tabuľky. Tento nesúlad nie je otázkou neochoty, ale poradia.
Člen vedenia, riaditeľ pre podnikové operácie alebo vedúci IT, ktorý vidí, že AI-pilotné projekty stagnujú, často rozpozná ten istý vzor: pilotný projekt funguje sám osebe, ale neškáluje sa. To sa zriedka stáva preto, že technika zaostáva. Častejšie chýba jedna z fundamentálnych vrstiev potrebných na to, aby pilotný projekt uniesla: organizačná štruktúra, ktorá môže prijímať a zverovať rozhodnutia o AI, IT-infraštruktúra, ktorá môže bezpečne prijať nové aplikácie, a dátový manažment, ktorý je v poriadku skôr, než z toho model môže vyťažiť niečo zmysluplné. Až keď tieto tri stoja, má zmysel pozerať sa na závislé vrstvy: ako s tým ľudia pracujú, aký prehľad to prináša, a ako inteligentne s tým organizácia nakoniec zaobchádza.
V školstve to hraje silnejšiu úlohu ako inde, pretože fundamentálne vrstvy sa často historicky vyvinuli okolo pedagogických rozhodnutí, nie okolo technických. Školská administratíva je zariadená na zodpovednosť voči inšpekcii, nie na opakovane využiteľné dáta pre AI-aplikácie. IT oddelenie je často malé a zamerané na správu, nie na integráciu nových systémov. To nie je nedostatok, je to iná priorita stanovená pred desiatkami rokov, ktorá teraz spolurozhoduje o tom, ako rýchlo AI skutočne zapustí korene.
Meranie hybridresourcing.com sa pozerá na sedem dimenzií, rozdelených do piatich úrovní od baseline po intelligence. Pri vzdelávacích inštitúciách vyniká, že skóre v oblasti organizácie a dátového manažmentu často zaostáva za skóre v oblasti ambícií alebo individuálnych aplikácií. Pravidelne už existuje niekto, kto s AI pracuje, niekedy už na pokročilej úrovni, zatiaľ čo organizácia ako celok sa v rozhodovaní a nastavení dát ešte nachádza na prvej úrovni. Tento rozptyl sa stáva viditeľným v plotovacom kole, v ktorom viacero ľudí v rámci tej istej inštitúcie skóruje samostatne. Pri vzdelávacích organizáciách je tento rozptyl často väčší ako priemer, presne preto, že vedenie, IT a pedagogický personál málokedy vychádzajú z rovnakého obrazu.
Tento rozptyl sám osebe nie je problém. Je to informácia. Riaditeľ, ktorý si myslí, že organizácia je pripravená na AI vo veľkom rozsahu, a IT manažér, ktorý vie, že infraštruktúra to ešte neunesie, majú obaja pravdu zo svojej vlastnej pozície. Meranie robí tento rozdiel explicitným, aby sa diskusia mohla viesť o tom, čo musí stáť najprv, a nie o tom, kto má pravdu.
Sedem dimenzií nie je časovo rovnocenných. Organizácia, IT-infraštruktúra a dátový manažment sú dimenzie, na ktorých spočívajú ostatné štyri. Škola, ktorá chce pracovať na prehľade alebo inteligencii bez toho, aby mala dáta v poriadku, stavia na piesku. To platí pre vzdelávacie inštitúcie rovnako silno ako pre maloobchodné podniky, ktoré zápasia s podobnými nedostatkami v dátovom manažmente alebo pre gastronómiu, kde sú organizačné štruktúry často rovnako rozdrobené medzi pobočkami. Sektor sa líši, poradie nie.
To robí otázku 'ako daleko sme' menej otázkou o skóre a viac otázkou o tom, kde chýbajú základy. Inštitúcia, ktorá na papieri dosahuje ambiciózne skóre v používaní AI, ale nemá prehľad o vlastnej IT-infraštruktúre, nebude schopná túto ambíciu naplniť bez toho, aby sa najprv vrátila k základom. To isté ukazujú aj inštitúcie v ICT sektore a vo finančných službách: vysoká ambícia na závislých dimenziách nekompenzuje slabé základy.
Meranie vyspelosti hybridresourcing.com sa ešte vyvíja. Kto chce vedieť, ako vlastná inštitúcia skóruje v siedmich dimenziách a ako sa toto skóre porovnáva so skóre kolegov v rámci tej istej organizácie, môže sa prihlásiť na čakaciu listinu. Ešte neexistuje nástroj, ktorý by sa dal použiť už dnes; existuje však jasná predstava o tom, čo meranie prinesie, keď bude dostupné.
Táto stránka sa venuje otázke, či vzdelávacia organizácia môže uniesť AI: či základy stoja skôr, než sa na nich niečo postaví. Ďalšia otázka, ktorá má zmysel až potom, je, čo môže AI v školstve konkrétne prevziať. Na to slúži pracovný skener FTE TO AI: ten pre každú úlohu vypočíta, aká časť práce sa hodí na prevzatie AI, nezávisle od otázky, či je na to organizácia ako celok už pripravená. Kto skombinuje obe otázky, získa nielen prehľad o možnostiach, ale aj o poradí, v akom sa môžu stať skutočnosťou.
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.