Utbildningsorganisationer skiljer sig från de flesta andra sektorer genom att kärnverksamheten själv – undervisning, handledning, bedömning – är svår att skilja från de människor som utför den. Där en fabrik eller en butik kan skriva om processer utan att rubba arbetets identitet, berör varje förändring i en skola eller högskola snabbt relationen mellan lärare och student. Det gör inte sektorn långsammare i tekniken, men det gör den mer försiktig med frågan om vad AI egentligen får göra innan man talar om att 'ta över'.
Därtill kommer att utbildningsinstitutioner ofta består av flera lager som inte har samma hastighet: en styrelse, ett antal lokaler eller fakulteter, och en stor grupp lärare med egna arbetssätt. Den största delen av de AI-initiativ vi möter startar i ett av dessa lager utan att de andra lagren har tagits med. En lärare experimenterar med en språkmodell för feedback, medan IT-avdelningen inte har någon bild av vilken data som därmed lämnar byggnaden. En styrelse formulerar en AI-vision, medan datahanteringen i elevuppföljningssystemen fortfarande vilar på papper eller lösa kalkylblad. Den missmatchningen är inte en fråga om ovilja, utan om ordningsföljd.
En styrelseledamot, verksamhetschef eller IT-chef som ser AI-pilotprojekt fastna, känner ofta igen samma mönster: piloten fungerar i sig, men skalar inte. Det beror sällan på att tekniken brister. Oftare saknas ett av de fundamentala lager som behövs för att bära en pilot: en organisationsstruktur som kan fatta och förlägga beslut om AI, en IT-infrastruktur som säkert kan ta emot nya tillämpningar, och datahantering som är i ordning innan en modell kan göra något meningsfullt med den. Först när dessa tre står stadigt är det meningsfullt att titta på de beroende lagren: hur människor arbetar med det, vilken insikt det ger, och hur intelligent organisationen i slutändan hanterar det.
Inom utbildning gör detta sig starkare gällande än på andra håll, eftersom de fundamentala lagren ofta har vuxit fram historiskt kring pedagogiska val, inte kring tekniska. En skoladministration är inrättad för redovisning till tillsynsmyndigheten, inte för återanvändbar data för AI-tillämpningar. En IT-avdelning är ofta liten och inriktad på drift, inte på integration av nya system. Det är ingen brist, det är en annan prioritering som fastställdes decennier sedan och som nu påverkar hur snabbt AI verkligen slår rot.
Mätningen från hybridresourcing.com tittar på sju dimensioner, fördelade över fem nivåer från baseline till intelligence. För utbildningsinstitutioner sticker det ut att poängen på organisation och datahantering ofta ligger efter poängen på ambition eller på enskilda tillämpningar. Det finns regelbundet redan någon som arbetar med AI, ibland redan på en avancerad nivå, medan organisationen som helhet fortfarande befinner sig på den första nivån vad gäller beslutsfattande och datainrättning. Den spridningen blir synlig i plot-omgången, där flera personer inom samma institution poängsätter separat. Hos utbildningsorganisationer är den spridningen ofta större än genomsnittet, precis därför att styrelse, IT och undervisande personal sällan arbetar utifrån samma bild.
Den spridningen är i sig inget problem. Den är information. En styrelseledamot som tror att organisationen är redo för AI i stor skala, och en IT-chef som vet att infrastrukturen ännu inte klarar det, har båda rätt utifrån sin egen position. Mätningen gör den skillnaden explicit, så att samtalet kan handla om vad som måste stå på plats först, i stället för om vem som har rätt.
De sju dimensionerna är inte likvärdiga i tid. Organisation, IT-infrastruktur och datahantering är de dimensioner som de andra fyra vilar på. En skola som vill arbeta med insikt eller intelligens utan att datan är i ordning, bygger på lös grund. Det gäller för utbildningsinstitutioner precis så hårt som för detaljhandelsföretag som brottas med jämförbara eftersläpningar inom datahantering eller för restaurangbranschen, där organisationsstrukturer ofta är precis lika splittrade mellan enheter. Sektorn skiljer sig, ordningsföljden gör det inte.
Det gör frågan 'hur långt har vi kommit' mindre en fråga om en poäng och mer en fråga om var grunden saknas. En institution som på pappret poängsätter ambitiöst på AI-användning, men saknar överblick över sin egen IT-infrastruktur, kommer inte att kunna infria den ambitionen utan först att gå tillbaka till grunden. Det är också vad institutioner inom IT-sektorn och inom finansiella tjänster visar: hög ambition på de beroende dimensionerna kompenserar inte för en svag grund.
Mognadsmätningen från hybridresourcing.com är under uppbyggnad. Den som vill veta hur den egna institutionen poängsätter på de sju dimensionerna, och hur den poängen förhåller sig till kollegors inom samma organisation, kan anmäla sig till väntelistan. Det finns ännu inget verktyg att använda idag; det finns dock en tydlig bild av vad mätningen kommer att ge när den blir tillgänglig.
Denna sida handlar om frågan om en utbildningsorganisation kan bära AI: om grunden står på plats innan något byggs på den. En annan fråga, som först därefter blir meningsfull, är vad AI konkret kan ta över inom utbildningen. Det är vad arbetsanalysen från FTE TO AI är avsedd för: den räknar ut per uppgift vilken del av arbetet som lämpar sig för att tas över av AI, oberoende av frågan om organisationen som helhet redan är redo för det. Den som kombinerar båda frågorna får inte bara överblick över möjligheterna, utan också över den ordningsföljd i vilken de kan bli verklighet.
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.