AI-modeller är bara så bra som den data de får se. Det är ingen slogan utan ett praktiskt problem: en språkmodell som arbetar med spridd, föråldrad eller odefinierad data producerar svar som är lika spridda, föråldrade och odefinierade. Många organisationer upptäcker detta först efter att en pilot har startats, när det visar sig att de uppgifter som modellen behöver inte finns samlade på ett ställe, eller att ingen längre vet vilken version av en fil som är den rätta. Datahantering är en av de grundläggande dimensionerna: frågan är inte vilka uppgifter AI skulle kunna ta över, utan om det under dessa uppgifter finns ett datalager som är stabilt nog att bygga på.
Datahantering handlar om var data kommer från, vem som är ansvarig för den, i vilket skick den befinner sig och hur lätt den är att hitta och kombinera. Det omfattar bland annat om uppgifter är lagrade centralt eller spritt, om det finns en utsedd ägare per datamängd, om definitioner av begrepp som 'kund' eller 'aktivt projekt' är konsekventa mellan avdelningar, och om det finns insyn i kvaliteten på den data som används dagligen. En organisation kan ha höga poäng på IT-infrastruktur och samtidigt ligga lågt på datahantering: systemen finns på plats, men ingen har någonsin dokumenterat exakt vad som finns i dem eller vem som får ändra något i dem.
På baseline-nivån finns data främst i silos: varje avdelning håller sina egna filer, utan gemensam struktur eller ägarskap. På foundation-nivå finns en början till ordning: det finns överenskommelser om var viss data ska finnas, men genomförandet beror fortfarande på individuella vanor. Vid activation är dataägarskap tilldelat och det finns ett gemensamt begreppsramverk, så att olika avdelningar använder samma term på samma sätt. På insight-nivå mäts och följs datakvalitet upp, och det finns insyn i var de svaga punkterna i datakedjan finns. Nivån intelligence innebär att datahantering är inbäddad i det dagliga arbetssättet: kvalitet, ursprung och åtkomst kontrolleras löpande, inte som ett separat projekt utan som en fast del av hur arbetet utförs.
En praktisk indikator är hur lång tid det tar att besvara en enkel fråga, som hur många kunder som köpt en viss produkt under det senaste året. Om svaret kommer från ett system inom några minuter tyder det på en högre nivå. Om tre personer först måste ringas upp för att ta reda på vilken fil som är aktuell, tyder det på baseline eller foundation. En annan indikator är vad som händer när någon med kunskap om en datamängd slutar: förblir informationen tillgänglig, eller försvinner den med den personen. Också relevant är om det finns någon som bär ansvar för en datamängd, eller om det ansvaret i praktiken inte ligger hos någon.
Inom mognadsmätningen poängsätter inte en person denna dimension, utan flera personer var för sig. En IT-chef kan bedöma datahantering högt eftersom systemen tekniskt sett är i ordning, medan en operativ chef ger låga poäng eftersom data i praktiken inte känns sökbar eller tillförlitlig. Denna spridning blir synlig i grafen och är i sig en signal: en stor avstånd mellan poäng betyder ofta att organisationen är längre på papper än i den dagliga praktiken, eller att olika avdelningar arbetar med olika versioner av sanningen. En smal spridning, även på en lägre nivå, tyder på en realistisk och gemensam bild att arbeta utifrån.
Steget från baseline till foundation kräver ofta inte ny teknik, utan överenskommelser: vem som äger vilken datamängd, och var viss information finns. Steget från foundation till activation kräver ett gemensamt begreppsramverk, så att avdelningar inte definierar vad en 'aktiv kund' eller ett 'avslutat projekt' är på olika sätt. Vad ett specifikt steg kräver i kostnad och tid beror på organisationens storlek och de underliggande systemens skick; detta beskrivs på sidan om vad det kostar att höja organisationen en nivå och sidan om vad det kostar att höja IT-infrastrukturen en nivå, eftersom data och infrastruktur i praktiken ofta utvecklas tillsammans.
Datahantering står inte separat från resten av mätningen. Utan tydliga överenskommelser om vem som får använda vilken data och för vad, uppstår frågor som egentligen hör till integritet och säkerhet. Utan människor som förstår vad datakvalitet innebär och hur de ska vara uppmärksamma på det i sitt arbete, blir dimensionen människor och färdigheter eftersatt. Och utan en blick på vem som beslutar vad som får och inte får göras med data saknas kopplingen till etik. Mätningens sju dimensioner hänger samman; datahantering är en av dem, och vanligtvis inte den sista som förtjänar uppmärksamhet.
Denna mätning visar om grunden under AI-tillämpningar är stabil nog: om data är sökbar, tillförlitlig och har en ägare. Det är en annan fråga än vilken del av arbetet som själva kan tas över av AI. Den frågan besvaras av FTE TO AI:s arbetsscan, som per uppgift beräknar vilken del som är lämplig för överföring till AI, utifrån den datastruktur som finns vid det tillfället. De två mätningarna är avsedda att läsas i följd: först bärkraften, sedan uppgifterna som kan vila på den.
Mognadsmätningen, inklusive dimensionen datahantering, är för närvarande under uppbyggnad. Den som vill genomföra mätningen så snart den blir tillgänglig kan anmäla sig till väntelistan.
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.