Et projekt får en startdato, et budget og som regel en præsentation med en kurve, der peger opad. Det, et projekt næsten aldrig får, er et øjeblik hvor nogen fastslår, at det har gjort det, det skulle. Ikke: leveret. Gjort. Arbejdet flyttet, adfærden ændret, den gamle måde at arbejde på ikke længere nødvendig.
Det skel har altid været vanskeligt. Det bliver skarpere nu, hvor en del af forbedringen består af AI, der overtager opgaver. Ved et nyt system eller en ny procedure kan De stadig gå ud fra, at folk vil bruge det, fordi det er obligatorisk. Ved AI-arbejde er den antagelse ikke selvfølgelig: nogen skal fortsat kontrollere resultatet, nogen skal turde stole på et udfald, der ikke selv er skrevet, og nogen skal have beføjelsen til at godkende eller afvise det udfald. Er de tre ting ikke organiseret, kører systemet, men der lander intet.
Der er målinger, som er pålidelige, fordi de er faktuelle. Hvor mange timers arbejde der flytter fra en opgave til tilsyn med den opgave. Hvor mange af udfaldene der godkendes af et menneske uden ændring, hvor mange der afvises, og af hvilken grund. Om tiden mellem levering og beslutning bliver kortere. Om antallet af eskaleringer til en senior medarbejder falder, fordi den første vurdering holder.
Dette er kapacitet, ikke et løfte. Frigjorte timer er et faktum, så snart De tæller dem; hvad en organisation gør med den frigjorte kapacitet, er et separat spørgsmål, med egne juridiske rammer så snart det berører personalemæssige konsekvenser. At holde de to spørgsmål adskilt er en forudsætning for en troværdig måling, ikke en bisag.
En brugsprocent fortæller, at folk trykker på en knap. Den fortæller intet om, hvorvidt de også tror på resultatet. Et team kan godkende et AI-udfald pro forma og reelt ikke gøre noget med det, eller omvendt overtage alt uden at kigge nærmere — begge former for adfærd ser identiske ud i et dashboard som "adoption 80%". Det er grunden til, at en enkelt procent uden fortolkning ikke er brugbar: den beskriver en handling, ikke en ændring i, hvordan arbejdet udføres.
Der er også et tidsproblem. En forbedring, der måler godt den første måned, kan falde tilbage i den fjerde måned, fordi undtagelserne hober sig op, og ingen har planlagt for det. Omvendt kan en forbedring, der starter langsomt, blive stabil efter et halvt år, netop når de mennesker, der skal godkende, har fået tillid til den. En måling på ét tidspunkt er derfor per definition ufuldstændig; det, der kræves, er en række målinger, der viser om kurven gentager sig eller flader ud.
Den ene virksomhed ser AI-arbejde lande inden for et kvartal, den anden tester stadig efter et år. Den forskel ligger sjældent i teknikken. Den ligger i, hvem der er trænet til at vurdere et AI-udfald, hvem der har beslutningsretten til at lade det udfald gå videre, og om den beslutningsret er fastlagt eller stadig ligger hos en enkelt person, der "lige tager det med". Mere om, hvem der reelt skal udfylde den rolle, står beskrevet i hvem er nødvendig for at lade arbejde udført af AI lykkes.
En anden almindelig årsag: projektet forbliver teknisk vellykket, men organisatorisk isoleret. AI'en fungerer, pilotforsøget kører, men ingen uden for IT-afdelingen bruger udfaldet systematisk. Hvorfor det sker, og hvordan De genkender det mønster, står beskrevet i hvordan De undgår, at et AI-projekt bliver hængende i IT-afdelingen.
Og nogle gange er forsinkelsen ikke et organisatorisk problem, men et juridisk eller compliance-spørgsmål, der ikke er blevet indregnet i planlægningen; den situation er beskrevet særskilt i hvad De skal gøre, når ambitionen kan, men compliance ikke kan.
Grunden til, at én KPI aldrig er tilstrækkelig, er, at parathed i sig selv ikke kan rummes i ét tal. Noget lander først, når det holder på flere dimensioner samtidig: de mennesker, der skal vurdere, er uddannet, dataene er brugbare, processen anerkender undtagelsen, og beslutningsretten er eksplicit tildelt. Fejler én, måler De fremskridt på de øvrige syv, og alligevel ingen landing. Det er uddybet i hvorfor parathed ikke er et tal, men en række spørgsmål.
Det underliggende spørgsmål — hvilket arbejde i denne virksomhed reelt kan overtages af AI, og hvilken del der forbliver menneskeligt arbejde — besvares opgave for opgave med arbejdsscanningen fra FTE TO AI.
Ingen måling er komplet uden en tidsdimension, et årsagstjek og en adskillelse mellem brug og tillid. Konkret betyder det: mål ikke kun om noget bliver brugt, men om udfaldet holder uden korrektion. Mål ikke én gang, men på faste tidspunkter efter start. Og spørg ved hver afvisning om årsagen, for den årsag fortæller Dem mere end selve scoren.
Hvis ambitionen er for stor til at afprøve på én gang, er en faseopdelt tilgang ofte mere realistisk end en årsplan; hvordan den faseopdeling fungerer, står i hvordan De faser en ambition, der er for stor til et år. Og for spørgsmålet om, hvor meget tempo en organisation reelt kan bære, uden at målingen selv forårsager forsinkelsen, er der hvor hurtigt kan en organisation reelt forandre sig.
En pålidelig måling begynder ikke ved et dashboard, men ved spørgsmålet om, hvor Deres organisation reelt står lige nu. Den gratis parathedscheck stiller otte korte spørgsmål, ét pr. dimension, og giver et billede af, hvor De er kommet længst, og hvor endnu ikke. Den fuldstændige ambitionstest, med de fire lag og fem confidence gates, er under udarbejdelse.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.