Kennisbank

Hur mogna är era medarbetare och färdigheter när det gäller AI

AI-pilotprojekt strandar sällan på tekniken. De strandar på vad människor kan, vågar och vet – eller inte. En organisation kan ha utmärkta data och en solid infrastruktur och ändå köra fast, eftersom ingen riktigt vet vad AI gör och inte gör, när misstro är berättigad och när den inte är det, och vem som har vilken roll när en modell levererar något som en människa måste bedöma. Den här sidan handlar om just den dimensionen: människor och färdigheter, en av de sju dimensioner som hybridresourcing mognadsmätning kartlägger.

Vad denna dimension omfattar

Människor och färdigheter handlar om tre lager som ofta behandlas separat trots att de hänger ihop. Det första lagret är kunskap: förstår medarbetarna vad ett AI-system gör, var gränserna går och vilka fel som är typiska för den typ av tillämpning de använder. Det andra lagret är färdighet: kan människor faktiskt bedöma ett AI-resultat, justera det eller ställa det mot sitt eget omdöme. Det tredje lagret är attityd: finns det utrymme att prova AI, rapportera fel och göra justeringar, eller dominerar rädsla eller blint förtroende. En organisation som bara investerar i utbildning men inte tar itu med attityden fastnar ofta på samma nivå, även efter år av kurser.

Eftersom denna dimension i hög grad beror på enskilda individer mäter hybridresourcing den inte med ett enda värde utan med en plot-omgång: flera inblandade personer poängsätter var för sig, och spridningen mellan deras svar blir synlig. En stor spridning är i sig ett resultat. Den visar att organisationen på pappret verkar ligga på en nivå, medan verkligheten på golvet upplevs annorlunda än av ledningen.

De fem nivåerna

På baseline-nivå finns det ingen gemensam bild av vad AI är eller gör. Enskilda personer experimenterar, men det saknas ett gemensamt språk och en struktur för att dela erfarenheter. På foundation-nivå finns grundläggande kunskap, oftast hos en begränsad grupp, medan resten av organisationen följer på avstånd. Activation-nivå innebär att en betydande del av de berörda medarbetarna vet vad AI innebär för deras eget arbete och kan hantera det praktiskt. Insight-nivå lägger till att människor kan bedöma AI-resultat kritiskt och vet när de bör tvivla. På intelligence-nivå är den färdigheten spridd genom hela organisationen, förankrad i hur människor arbetar och inte beroende av ett fåtal early adopters.

Var en organisation befinner sig på denna skala är aldrig en fråga om intuition. Det beror på hur många människor som faktiskt arbetar med AI, hur varierande deras erfarenheter är och om dessa erfarenheter samlas någonstans. Det är just därför plot-omgången ger mer information än en enkät med en enda respondent per team.

Vad som visar var ni står

Ett antal signaler pekar på en låg nivå. Om frågor om AI alltid hamnar hos samma få personer är kunskapen inte spridd. Om ingen vågar avvisa ett AI-resultat eftersom man inte känner till logiken bakom det, saknas förmågan att bedöma. Om AI-projekt startas utan att de människor som ska arbeta med dem har involverats, saknas den förankring som krävs för att lyfta något förbi pilotfasen.

En högre nivå känns igen på motsatsen: diskussioner om AI-resultat som är sakliga snarare än principiella, medarbetare som själva föreslår var AI kan och inte kan hjälpa till, och en organisation där tvivel om ett AI-resultat ses som en normal del av arbetet, inte som ett tecken på att projektet har misslyckats.

Vad som krävs för att nå en nivå högre

Vägen till en högre nivå börjar sällan med mer teknik. Den börjar med att synliggöra vad människor redan vet och var luckorna finns, och med att organisera tillfällen där erfarenheter delas istället för att stanna isolerade vid enskilda experiment. Vad detta konkret kostar, i tid och uppmärksamhet, varierar starkt mellan organisationer och utgångsnivåer; den som vill ha en indikation på det hittar det på sidan som beräknar vad det kostar att höja organisationen en nivå.

Människor och färdigheter står för övrigt inte fristående från de andra dimensionerna. Den som vill bedöma AI måste också förstå hur den bedömningen dokumenteras och används, vilket berör prestationsstyrning när det gäller AI. Den som vill våga rapportera fel måste veta att integritet och säkerhet är i ordning, något som hänger samman med vad det kostar att höja integritet och säkerhet en nivå. Och den som vill bygga förtroende för AI-resultat stöter förr eller senare på frågor som hör samman med vad det kostar att höja etik en nivå.

Gränsen för denna mätning

Denna sida beskriver om människorna i er organisation kan bära AI: förstå, bedöma och justera den. Den beskriver inte vilken del av arbetet som själv kan tas över av AI. Det är en annan fråga, med ett annat verktyg. FTE TO AI:s arbetsscan beräknar per uppgift vilken del av arbetet som är lämpad för AI, givet uppgiftens karaktär och det sammanhang där den utförs. Det resultatet blir först meningsfullt när den bärande sidan, inklusive de människor som ska arbeta med resultaten, redan har uppnått en viss nivå. Den som vill veta var organisationen står just nu kan anmäla sig till väntelistan för mognadsmätningen, som fortfarande är under uppbyggnad.