75% Uprav Priznava, da Je Njihova Strategija AI Bolj za Videz kot za Resnično Upravljanje

Običajno so zgrajeni na nespremenjenem operativnem modelu, tehnologija se dodaja na stare strukture, in nič se resnično strukturno ne premakne, kar pomeni, da pilotni projekt deluje le tako dobro kot pokvarjen proces, na katerega je bil tiho dodan. Pilotni projekt, ki uspe v nadzorovanem testu, a nikoli ne skalira, je redko tehnološka napaka; skoraj vedno je znak, da temeljne pravice odločanja in delovni tokovi nikoli niso bili na novo oblikovani, da bi resnično uporabili to, kar tehnologija lahko naredi.

Najprej na novo oblikujte operativni model in pravice odločanja ter pilotne projekte izberite posebej zato, ker izkazujejo nekaj, na kar lahko naslednji korak gradi, namesto da bi izbrali pilotni projekt, ki je najbolj impresioniral na predstavitvi. Pilotni projekt, izbran zaradi svoje demonstracijske vrednosti, običajno malo pove o pripravljenosti na produkcijo; pilotni projekt, izbran, ker preizkuša specifično predpostavko operativnega modela, natanko pove, kaj mora biti res, preden se nadaljuje skaliranje.

Večina organizacij uporablja le površinsko raven, generiranje besedila in povzetke, medtem ko aplikacije z višjo vrednostjo, kot so agenti, popolna avtomatizacija in podpora odločanju, ostajajo netestirane, večinoma zato, ker nihče ni na novo oblikoval delovnih tokov, v katere bi te aplikacije morale spadati. Tehnologija, sposobna resničnega donosa, je pogosto že dolgo na voljo; manjka delo na operativnem modelu, potrebno za njeno uporabo.

Vsako nalogo razporedite med štiri vrste zmogljivosti, stalne zaposlene, fleksibilen talent, stroje, agente, glede na to, ali zahteva človeško presojo ali jo je mogoče standardizirati ali avtomatizirati, namesto splošne odločitve o tem, katerih vlog naj se AI dotakne ali ne. Ta razporeditev naloga za nalogo je bolj podrobna, kot jo poskuša večina organizacij, a prav ta razkrije, kje avtomatizacija dodaja vrednost proti temu, kje bi le hitreje formalizirala slab proces.

Večstopenjski agenti, ki dokončajo zaporedja nalog, popolna avtomatizacija procesov, podpora odločanju na podlagi scenarijev, nadzor, ki izpostavi neprebrane signale, že prisotne v obstoječih podatkih, in koordinacija med oddelki so vsi realistični danes, ne eksperimentalni, pa vendar večina organizacij nikoli ne pride onkraj klepetalnega okna za besedilo in povzetke. Vrzel med tem, kar je tehnično na voljo, in tem, kar je dejansko uvedeno, je pogosto vrzel operativnega modela, ne zmogljivosti.

Zgradite povezan pogled, ki združuje načrtovanje delovne sile in strategijo AI, namesto ločenih sestankov, kjer kadrovska služba načrtuje kadrovanje za delo, ki ga vzporedna pobuda AI tiho namerava spremeniti ali odstraniti. Ločevanje teh dveh pogovorov pomeni, da organizacija na koncu načrtuje za dve različni prihodnosti hkrati in neujemanje odkrije šele, ko sta oba načrta že v teku.

Operativni model, ki eksplicitno razporeja delo med zaposlene, fleksibilen talent, stroje in agente, na novo oblikovan pred uporabo avtomatizacije, namesto avtomatiziran znotraj že obstoječe strukture. Korak ponovnega oblikovanja je pomemben, saj le dodajanje AI k nespremenjeni strukturi običajno le vstavi nov instrument v stare delovne tokove, ne da bi dejansko zajel učinkovitost, ki bi jo instrument lahko prinesel.

Kartirajte vsako nalogo in odločite, kaj zahteva človeško presojo, kaj se lahko standardizira in kaj lahko AI v celoti obravnava, avtomatizacija slabo zasnovanega procesa ga le pripelje do hitrejšega, obsežnejšega neuspeha, kot takrat, ko so ljudje še ročno popravljali napake. Ta vaja kartiranja pogosto razkrije, da velik del nalog v določenem delovnem toku dejansko ni treba opravljati tako, kot se opravlja zdaj, avtomatizirano ali ne.

Merjeno z oceno zrelosti na 7 dimenzijah in 5 ravneh, ki pokrivajo organizacijo, IT infrastrukturo, upravljanje podatkov, etiko, zasebnost in varnost, ljudi in kompetence ter upravljanje uspešnosti, namesto splošnega vtisa, temelječega na tem, koliko orodij AI se že uporablja nekje v poslovanju. Sprejemanje orodij in resnična organizacijska pripravljenost sta pogosto precej različni stvari, in ocena je posebej zasnovana za njuno ločevanje.

Vsako dimenzijo ocenite v delovni seji z naročnikom, preverjeno glede na podrobne opise ravni, tako da ocena dejansko nekaj pomeni, namesto anketa za samooceno, izpolnjena neodvisno od tega, kdo je po naključju na voljo. Podrobni opisi ravni so pomembni, saj se ocena zrelosti brez jasne, deljene definicije, kako dejansko izgleda vsaka raven, nagiba k drsenju proti najbolj priročni številki za poročanje.

Lastništvo odločitev naredite eksplicitno kot del ponovnega oblikovanja operativnega modela, odgovornost brez avtoritete je glavni vzrok zataknjenih uvedb AI, kjer se od nekoga pričakuje, da dostavi rezultate iz sistema, nad katerim nima resnične moči spremembe ali upravljanja. Poimenovanje specifičnega odgovornega z resničnimi pravicami odločanja nad določeno aplikacijo AI je pogosto edina sprememba, ki odklene zataknjeno uvedbo iz navidezno nepovezanih razlogov.

Opredelite, kaj lahko agent odloči, katere vire lahko uporabi, kako utemelji svoje odgovore, kdaj eskalira k osebi in kako se uporaba beleži in spremlja, z obravnavo tega kot vajo oblikovanja upravljanja namesto tehnične konfiguracije v zadnjem trenutku. Agent z resničnim prostorom odločanja brez teh eksplicitno opredeljenih meja se nagiba k nepredvidljivemu vedenju natanko v mejnih primerih, kjer je predvidljivost najpomembnejša.

Zmogljivost izvedbe naredite vidno prek ocene zrelosti, namesto abstraktnega razpravljanja o tempu, kar pogovor spremeni v nekaj konkretnega, nadomeščajoč subjektivno nesoglasje o ambiciji s specifično, na dokazih temelječo sliko tega, kar organizacija dejansko lahko dostavi in do kdaj. Uprave se običajno bolje odzovejo na verodostojno omejitev zmogljivosti kot na splošen občutek, da gre smer prepočasi.

Najprej uredite temeljne dimenzije zrelosti, nato dodajte pilotne projekte, izbrane posebej za izkazovanje tega, kar naslednja faza potrebuje, namesto da bi začeli z najbolj privlačno ali razburljivo uporabo, ne da bi upoštevali, ali temeljna zmogljivost že obstaja za njeno podporo. Tako zgrajena časovnica prvo leto običajno izgleda manj impresivna in drugo leto bistveno bolj trajna.

Uporabite razvojno platformo, kjer rezultati učenja pripadajo posamezniku in ga spremljajo, z vgrajeno zasebnostjo od zasnove, namesto korporativnega programa usposabljanja, katerega evidence izginejo, takoj ko nekdo zamenja vlogo ali zapusti podjetje. Individualno lastniške evidence učenja se tudi nagibajo k ustvarjanju bolj poštene vključenosti, saj zaposleni ne gradijo profila kompetenc, ki koristi le njihovemu trenutnemu delodajalcu.