Baseline är den nivå där de flesta organisationer börjar. Det finns AI-användning, men den drivs av individer: någon på IT-avdelningen som experimenterar med en språkmodell, en marknadsförare som låter text genereras, en enskild chef som frågar om en process kan gå snabbare. Det finns ingen gemensam approach, ingen gemensam bild av vad som fungerar och ingen struktur som håller fast vid det som lärs. Om den personen slutar eller får ett annat projekt, försvinner kunskapen med denne.
På baseline saknas inte viljan, men fundamentet. De sju dimensionerna som mognadsmätningen urskiljer — bland annat organisation, IT-infrastruktur och datahantering — står på denna nivå fortfarande separerade från varandra eller är knappt utformade. Det är ingen brist; det är det tillstånd en organisation befinner sig i innan den medvetet börjat bygga.
Några signaler återkommer konsekvent på baseline. Det finns ingen överblick över var AI redan används inom organisationen, än mindre en gemensam bild av vad den användningen ger. Beslut om AI fattas där frågan råkar uppstå, inte utifrån en avvägning som berör hela organisationen. Data ligger spridd i system som inte pratar med varandra, vilket fördröjer varje steg mot något strukturerat. Och det finns inget gemensamt språk: vad en avdelning kallar AI, är för en annan något annat.
Plotomgången inom mognadsmätningen synliggör detta ofta innan det finns ord för det. När flera personer inom samma organisation skattar separat, framträder på baseline ofta en stor spridning: den ena respondenten ser framsteg som den andra inte känner igen. Den spridningen är i sig en signal. Den visar att det ännu inte finns en gemensam bild av var organisationen står, och det är precis det som kännetecknar baseline.
Vägen från baseline till nästa nivå börjar inte med en ny tillämpning, utan med de grundläggande dimensionerna. Organisation, IT-infrastruktur och datahantering går före de dimensioner som är beroende av dem. Det är ingen preferens, det är den ordning i vilken det fungerar: en organisation som vill bygga något på AI utan att datan är i ordning eller utan att det är klart vem som beslutar om vad, bygger på lös grund.
Konkret betyder detta att det först måste komma en överblick. Vem inom organisationen gör redan något med AI, och baserat på vilka uppgifter? Var finns data som är relevant för dessa tillämpningar, och är den tillgänglig och tillförlitlig nog att bygga vidare på? Finns det någon eller en grupp som bär ansvar för beslut om AI, eller sker det fortfarande av slump? Dessa frågor kan verka blygsamma, men det är precis där de grundläggande dimensionerna zoomar in.
De beroende dimensionerna — som handlar om hur AI påverkar själva arbetet — kommer därefter. På baseline är det fortfarande för tidigt att säga något meningsfullt om det, eftersom fundamentet som dessa dimensioner kan vila på saknas.
Övergången till foundation kräver inte att allt kommer i ordning samtidigt. Den kräver att organisationen slutar behandla AI-användning som något som råkar uppstå hos individer, och börjar dokumentera vad som finns: vilken data som existerar, vem som beslutar om vad, vilka system som måste kunna kommunicera med varandra. Det är mindre ett tekniskt projekt än ett organisatoriskt projekt. Tekniken följer oftast, när strukturen väl finns.
Det är också ett projekt som tar tid, och vars längd beror på hur mycket som redan finns informellt. En organisation där en avdelning redan under en tid medvetet arbetat med data har en kortare väg att gå än en organisation där det inte är fallet någonstans. Vad som exakt behövs för att röra sig vidare från foundation, och vilka dimensioner som då kräver uppmärksamhet först, beskrivs på sidan som förklarar hur ni kommer från foundation till nästa nivå. Längre fram i serien, för organisationer som redan är längre framme, beskrivs också hur activation förhåller sig till nivån därefter och vad insight kräver för att växa vidare till intelligence.
Baseline säger inget om en organisations ambition och inget om kvaliteten hos de människor som arbetar där. Det säger något om fundamentets tillstånd vid ett givet ögonblick. Organisationer som kartlägger denna nivå på allvar upptäcker ofta att det redan finns mer än de trodde — lösa initiativ, data som trots allt förs någonstans, människor som redan tänker längre än vad deras roll kräver. Mognadsmätningen samlar det till en bild som ett nästa steg kan byggas på, utan att fylla i den bilden med ett råd som inte passar organisationen.
Denna sida handlar om beredskap: om vad som måste finnas på plats innan AI kan få en strukturell roll. Det är en annan fråga än vilken del av arbetet AI faktiskt kan utföra. Så snart fundamentet tar form, blir den andra frågan relevant, och det är precis där FTE TO AI:s arbetsscan ansluter: den räknar per uppgift ut vilken del av arbetet som kan tas över av AI, utifrån de uppgifter som de nu utförs. Den som vill veta vad AI kan ta över så snart organisationen är redo för det, hittar det där — inklusive hur det skiljer sig när det gäller agenter som självständigt utför arbete eller kedjor där olika steg följer på varandra.
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.