Okno za klepet, v katerem nekdo zastavi vprašanje in dobi odgovor, je videti preprosto. Kar se mora zgoditi pod tem, ni preprosto. Odločitvena podpora z AI pomeni, da sistem združuje podatke iz več virov, jih postavi v pravi kontekst in oblikuje odgovor, na podlagi katerega si nekdo upa ravnati. Vsak korak v tej verigi postavlja organizaciji zahtevo, ki je pomembnejša od vprašanja, kateri model ali platforma bo izbrana.
Model, ki podpira odločitve, je dober toliko, kolikor so dobri podatki, ki jih vidi. To pomeni, da morajo številke iz različnih sistemov uporabljati isto definicijo, da so zgodovinski podatki dostopni brez tega, da jih mora nekdo najprej ročno izvoziti, in da je jasno, kateri vir je avtoritativen, kadar si dva sistema nasprotujeta. Organizacije, ki tega še nimajo urejenega, to opazijo šele v trenutku, ko odgovor sistema ne ustreza temu, kar so ljudje na terenu že vedeli.
Odločitvena podpora pogosto leži na stičišču več oddelkov: v trenutku, ko morajo informacije potovati z enega mesta na drugo, da lahko pride do dobre odločitve. To pomeni, da je pomembno, kako deluje koordinacija med oddelki v vaši organizaciji, saj sistem, ki poda priporočilo, ki nato obstane med dvema oddelkoma, ni prinesel ničesar. Enaka logika velja za vire, iz katerih se priporočilo hrani: če ti viri obsegajo dokumente, ki jih je treba najprej prebrati in povzeti, preden se lahko z njimi kaj naredi, potem je vprašanje, kaj branje in povzemanje dokumentov zahteva od organizacije, neposredno pomembno za hitrost in zanesljivost priporočila, ki iz tega izhaja.
Del odločitvene podpore ne obsega odgovarjanja na vprašanje, ki ga nekdo aktivno zastavi, temveč zaznavanje nekaj, kar si zasluži pozornost, še preden nekdo o tem vpraša. To postavlja druge zahteve kot okno za klepet: nekaj mora neprekinjeno spremljati dogajanje, prepoznavati mejne vrednosti in razlikovati med šumom in signalom, ki je resnično pomemben. Kaj to zahteva od spremljanja in signaliziranja, je vprašanje, na katerega je treba odgovoriti posebej, in kdor želi izvedeti, kaj spremljanje in signaliziranje zahteva od organizacije, ugotovi, da ne gre le za tehnologijo, temveč tudi za to, kdo prejema signale in kaj se z njimi zgodi.
Veliko odločitev se pripravlja v pogovorih: s strankami, z dobavitelji, med sodelavci. Če ti pogovori niso zapisani na način, ki jih omogoča ponovno uporabo, sistemu, ki naj bi podprl odločitev, primanjkuje ravno tistega gradiva, ki je bilo povod zanjo. To razkriva, kaj zapisovanje in spremljanje pogovorov zahteva od organizacije – temo, ki neposredno vpliva na vprašanje, ali lahko odločitvena podpora gradi na nečem ali na ničemer. Kdor želi izvedeti več o tem, kaj zapisovanje in spremljanje pogovorov zahteva, vidi povezavo s kakovostjo vsakega priporočila, ki bo pozneje izpeljano iz teh pogovorov.
Ni nenavadno, da ena ekipa, z enim naborom podatkov in enim primerom uporabe, pokaže delujočo verzijo odločitvene podpore. To dokazuje, da je mogoče, ne pa, da je mogoče v celotni organizaciji. Ko se želi priključiti drugi oddelek z drugimi sistemi, drugimi lastniki podatkov in drugimi definicijami, se pogosto izkaže, da je bila prva verzija narejena po meri prav za tisto eno ekipo. Zakaj pilotni projekt, ki deluje le v svojem kotičku, ne prinese ničesar, torej ni vprašanje razočaranja nad tehnologijo, temveč vprašanje temelja, ki ni bil nikoli zasnovan širše. Za tiste, ki želijo o tem izvedeti več: zakaj pilotni projekt, ki deluje le v svojem kotičku, ne prinese ničesar razloži, kaj manjka med demonstracijo in aplikacijo, ki deluje v celotni organizaciji.
Sistem lahko poda najbolje utemeljeno priporočilo, pa vseeno nič ne spremeni, če nihče ne nosi odgovornosti za delo s tem priporočilom. To je organizacijsko vprašanje, ne tehnično: kdo je lastnik priporočila, kdo presoja, ali se ga upošteva, in kdo pojasni, zakaj se ga nekoč ni upoštevalo. Brez tega lastnika odločitvena podpora izgine v kategorijo zanimivih poskusov. Zakaj demonstracija brez lastnika ne prinese ničesar, je povezano s prav tem vprašanjem, in kdor želi slediti natančnemu razmišljanju, ga lahko najde na zakaj demonstracija brez lastnika ne prinese ničesar.
Zahteve, ki jih postavlja odločitvena podpora, se v veliki meri nanašajo na to, kaj mora biti urejeno, preden okno za klepet lahko naredi kaj smiselnega: čisti in dostopni podatki, delujoč prenos med oddelki, strukturirano zapisovanje pogovorov in dokumentov, ter jasen lastnik za to, kar sistem prinese. Prav zato meritev zrelosti podjetja hybridresourcing najprej pogleda temeljne dimenzije, preden pride na vrsto tisto, kar je od njih odvisno: organizacija, IT-infrastruktura in upravljanje podatkov določajo, ali obstaja nekaj, na čemer je mogoče zgraditi odločitveno podporo.
Vprašanje, ali lahko organizacija to nosi, je ločeno od vprašanja, kateri del dela dejansko lahko prevzame AI. To zadnje izračuna delovni pregled FTE TO AI po posamezni nalogi: kateri del dela je mogoče prevzeti in pod kakšnimi pogoji. Kjer ta stran opisuje, kaj mora biti urejeno, preden lahko odločitvena podpora deluje, delovni pregled opisuje, kaj se, ko je ta temelj že vzpostavljen, konkretno premakne v samem delu.
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.