Kennisbank

Kako daleč je izobraževanje z AI-volwassenostjo

Izobraževalne organizacije se razlikujejo od večine drugih sektorjev, ker se osrednja dejavnost sama – poučevanje, spremljanje, ocenjevanje – težko loči od ljudi, ki jo izvajajo. Kjer lahko tovarna ali trgovina prepiše procese brez poseganja v identiteto dela, vsaka sprememba v šoli ali visoki šoli hitro poseže v odnos med učiteljem in učencem. To sektorja ne dela počasnejšega pri tehnologiji, temveč previdnejšega pri vprašanju, kaj AI sploh lahko počne, preden se govori o 'prevzemanju'.

Poleg tega izobraževalne ustanove pogosto sestavlja več plasti, ki nimajo enake hitrosti: vodstvo, več lokacij ali fakultet ter velika skupina učiteljev z lastnimi delovnimi metodami. Večina AI-pobud, s katerimi se srečujemo, se začne na eni od teh plasti, ne da bi bile vključene tudi druge. Učitelj eksperimentira z jezikovnim modelom za povratne informacije, medtem ko IT-oddelek nima predstave, kateri podatki pri tem zapuščajo stavbo. Vodstvo oblikuje AI-vizijo, medtem ko upravljanje podatkov iz sistemov za spremljanje učencev še sloni na papirju ali ločenih preglednicah. Ta neusklajenost ni vprašanje nevoljnosti, temveč vrstnega reda.

Zakaj pilotni projekti obtičijo

Član vodstva, direktor poslovanja ali vodja IT, ki opazuje, da AI-pilotni projekti obtičijo, pogosto prepozna isti vzorec: pilotni projekt deluje sam po sebi, vendar se ne razširi. To redko izhaja iz pomanjkljivosti tehnologije. Pogosteje manjka ena od temeljnih plasti, potrebnih za nosilnost pilotnega projekta: organizacijska struktura, ki lahko sprejema in dodeljuje odločitve o AI, IT-infrastruktura, ki lahko varno vključi nove aplikacije, in upravljanje podatkov, ki je urejeno, preden lahko model z njim naredi kaj smiselnega. Šele ko so te tri plasti vzpostavljene, ima smisel pogledati odvisne plasti: kako ljudje z njimi delajo, kakšen vpogled to prinaša in kako intelligentno se organizacija sčasoma s tem spopada.

V izobraževanju je to izrazitejše kot drugod, ker so temeljne plasti pogosto zgodovinsko izoblikovane okoli pedagoških odločitev, ne tehničnih. Šolska administracija je urejena za poročanje inšpekciji, ne za ponovno uporabne podatke za AI-aplikacije. IT-oddelek je pogosto majhen in usmerjen v vzdrževanje, ne v integracijo novih sistemov. To ni pomanjkljivost, temveč druga prioriteta, določena pred desetletji, ki zdaj vpliva na to, kako hitro se AI dejansko udejanji.

Kaj pokaže meritev zrelosti

Meritev hybridresourcing.com obravnava sedem dimenzij, razdeljenih na pet ravni od izhodišča do intelligence. Pri izobraževalnih ustanovah izstopa, da ocena pri organizaciji in upravljanju podatkov pogosto zaostaja za oceno pri ambiciji ali posameznih aplikacijah. Pogosto že obstaja nekdo, ki dela z AI, včasih že na napredni ravni, medtem ko je organizacija kot celota še na prvi ravni glede odločanja in ureditve podatkov. Ta razpršenost se pokaže v krogu risanja, v katerem več ljudi znotraj iste ustanove oceni ločeno. Pri izobraževalnih organizacijah je ta razpršenost pogosto večja od povprečja, prav zato, ker vodstvo, IT in učno osebje redko delujejo iz iste slike.

Ta razpršenost sama po sebi ni problem. Je informacija. Vodstveni delavec, ki meni, da je organizacija pripravljena na AI v velikem obsegu, in IT-vodja, ki ve, da infrastruktura tega še ne zmore, imata oba prav s svojega položaja. Meritev to razliko naredi izrecno, tako da se lahko pogovor osredotoči na to, kaj mora biti vzpostavljeno najprej, namesto na to, kdo ima prav.

Vrstni red, ki se ne da zaobiti

Sedem dimenzij ni enakovrednih v času. Organizacija, IT-infrastruktura in upravljanje podatkov so dimenzije, na katerih temeljijo druge štiri. Šola, ki želi delati na vpogledu ali intelligenci brez urejenih podatkov, gradi na majavih tleh. To velja za izobraževalne ustanove prav tako trdno kot za podjetja v trgovini na drobno, ki se borijo s podobnimi zaostanki pri upravljanju podatkov ali za gostinstvo, kjer so organizacijske strukture pogosto prav tako razdrobljene po lokacijah. Sektor je drugačen, vrstni red ni.

To vprašanje 'kako daleč smo' spremeni manj v vprašanje ocene in bolj v vprašanje, kje manjka temelj. Ustanova, ki na papirju dosega ambiciozne rezultate pri uporabi AI, vendar nima vpogleda v lastno IT-infrastrukturo, te ambicije ne bo mogla izpolniti, ne da bi se najprej vrnila k osnovam. To kažejo tudi ustanove v IT-sektorju in v finančnih storitvah: visoka ambicija pri odvisnih dimenzijah ne odtehta šibkega temelja.

Kaj sledi po meritvi

Meritev zrelosti hybridresourcing.com je v izdelavi. Kdor želi izvedeti, kako lastna ustanova ocenjuje sedem dimenzij in kako se ta ocena odraža glede na oceno sodelavcev znotraj iste organizacije, se lahko prijavi na čakalni seznam. Orodja, ki bi ga bilo mogoče uporabiti že danes, še ni; obstaja pa jasna slika o tem, kaj bo meritev prinesla, ko bo na voljo.

Ta stran obravnava vprašanje, ali lahko izobraževalna organizacija nosi AI: ali je temelj vzpostavljen, preden se na njem kaj zgradi. Drugo vprašanje, ki postane smiselno šele nato, je, kaj lahko AI znotraj izobraževanja konkretno prevzame. Za to je namenjen delovni pregled FTE TO AI: ta za posamezno nalogo izračuna, kateri del dela se ponuja za prevzem s strani AI, ne glede na to, ali je organizacija kot celota za to že pripravljena. Kdor združi obe vprašanji, dobi ne le vpogled v možnosti, temveč tudi v vrstni red, v katerem lahko postanejo resničnost.