AI-tillämpningar förlitar sig på data. Inte på de data ni föreställer er att ni har, utan på data som de faktiskt är lagrade, definierade och underhållna. Datahantering är därför en av de fundamentala dimensionerna inom mognadsmätningen: tillsammans med organisation och IT-infrastruktur avgör den om det finns något att bygga vidare på. En organisation kan score högt på människor och kompetenser eller på prestationsstyrning och ändå konstatera att varje AI-tillämpning kör fast eftersom ingen med säkerhet kan säga vilken version av ett kundregister som är den rätta. Den ordningen är inte vårt val; det är den ordning i vilken det fungerar.
Datahantering handlar om tillståndet hos de data en organisation använder för att arbeta och besluta. Är definitionerna fastställda, eller betyder "aktiv kund" olika saker på varje avdelning. Finns det en utpekad ägare per datamängd, eller vet ingen vem som är ansvarig när ett fält har varit felaktigt i flera år. Registreras data en gång och hämtas från samma källa, eller finns det tre exporter som numera skiljer sig från varandra. Frågorna i mätningen handlar inte om datamängden eller typen av system, utan om tillförlitligheten och ursprunget hos det som finns.
De fem nivåerna sträcker sig från baseline till intelligence, och när det gäller datahantering är skillnaden mellan nivåerna ofta mer konkret märkbar än vid andra dimensioner. På baseline finns data främst lokalt: i kalkylblad, i en kollegas huvud, i ett system som ingen längre helt förstår. På foundation är de viktigaste datamängderna namngivna och det finns en begynnande ägarskapsstruktur, även om definitionerna fortfarande skiljer sig åt. Vad den foundation-nivån innebär i praktiken, även för andra dimensioner, beskrivs på vad innebär nivån foundation i praktiken, och detsamma gäller startpunkten själv på vad innebär nivån baseline i praktiken. På activation är definitionerna till stor del delade och det finns en process för att upptäcka avvikelser. På insight används data aktivt för att underbygga beslut, med insyn i kvalitet och ursprung. På intelligence är datahantering inte längre ett separat spår utan en fast egenskap i hur organisationen arbetar.
Plot-omgången synliggör om denna bedömning stämmer. När CIO:n placerar datahantering på activation och de team som arbetar med det dagligen på baseline, säger den spridningen mer om den faktiska situationen än genomsnittet av de två poängen. Ofta visar det sig att systemen är inrättade på en nivå högre än beteendet i dem: det finns ett centralt system, men människor arbetar fortfarande parallellt i egna filer eftersom de inte litar på systemet.
Vad det kostar att gå från baseline till foundation beror på hur splittrade data är just nu och hur många avdelningar som tillämpar en egen version av sanningen. Arbetet ligger då främst i att fastställa ägarskap och registrera definitioner, inte i ny teknik. Från foundation till activation krävs oftare ett tekniskt steg: att utse en källa, avveckla andra eller göra dem enbart läsbara. Från activation till insight förskjuts tyngdpunkten mot styrning (governance): vem får ändra vad, hur kontrolleras kvalitet, vad händer när ett fel upptäcks. Hur lång och hur omfattande den processen är beror på organisationens storlek, antalet system som håller data och i vilken grad människor redan är vana att se en källa som styrande. Det går inte att fånga i ett fast belopp eller en fast tidsram; det beror på var spridningen i er plot-omgång koncentreras.
Datahantering står sällan för sig själv. En organisation som inte litar på sina data kommer även att ha svårt med vad kostar det att höja integritet och säkerhet en nivå, eftersom man inte kan säkra det man inte har kartlagt. Omvänt kan stark datahantering lägga en grund som gör vad kostar det att höja prestationsstyrning en nivå lättare att besvara, eftersom prestationsstyrning behöver tillförlitliga data för att kunna mäta något. Även frågan vad kostar det att höja etik en nivå berör datahantering direkt: ansvarsfull hantering av data börjar med att veta vad man har och varifrån det kommer. Den som hanterar dessa dimensioner separat riskerar att arbete med en dimension hålls tillbaka av en eftersläpning i en annan.
Denna mätning visar om organisationen har de data, system och människor som krävs för att bära AI. Det är en annan fråga än vilken del av arbetet AI faktiskt kan ta över. Så snart det är klart var de fundamentala dimensionerna står, inklusive datahantering, blir det meningsfullt att per uppgift undersöka vad AI kan göra och vad den inte kan göra. Det är domänen för FTE TO AI:s arbetsscan: den beräknar per uppgift vilken del av arbetet som kan tas över, utifrån de data och system som faktiskt finns på plats vid det tillfället.
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.