Inte: har vi mycket data. Inte: har vi en datastrategi på papper. Frågan som räknas är smalare och mer obekväm: är den data som hör till en specifik uppgift fullständig, aktuell och tillgänglig nog för att den uppgiften ska kunna överföras till AI, helt eller med mänskligt toezicht.
Det är en annan fråga per uppgift. En uppgift där AI sammanfattar text från en välstrukturerad databas kräver något annat än en uppgift där AI förbereder ett beslut utifrån uppgifter som är noterade olika i tre system. Ambitionen nämner ofta bara det första fallet högt och förutsätter det andra.
AI tar över arbetsuppgifter. För en del av uppgifterna kan det ske helt, för en del bara med mänskligt toezicht som godkänner eller avslår med motivering, och för en del förblir det människors arbete. Den fördelningen går tvärs igenom varje avdelning och förändras inte därför att året förändras, utan därför att den underliggande datan förändras.
Skillnaden mellan företag som redan testar detta väl och företag som ännu inte gör det, ligger sällan i mängden data. Den ligger i frågan om någon kan peka ut vilken data som hör till vilken uppgift, vem som äger den, och hur man skulle märka att den datan inte stämmer. Företag där den frågan är en vana ser relativt snabbt, per uppgift, om AI-övertagande är ett reellt samtal. Företag där frågan är ny upptäcker datagapen först i det ögonblick AI redan har levererat något fel.
Testet frågar inte efter ett dataklassificeringsdokument. Det frågar efter tre saker som ni kan peka ut, inte beskriva:
Bevis som räknas: ett stickprov där tre personer oberoende av varandra konsulterar samma datakälla och kommer till samma resultat. Bevis som inte räknas: ett nöjdhetsomdöme om "vår datainfrastruktur" på en ledningsgruppens offsite.
En uppgift som får låg poäng på datadimensionen är inte per definition en uppgift som inte frigör kapacitet. Det betyder att ordningen förändras: först datan i ordning, sedan överföringen. Det är en tidslinje, inte ett nej.
Det betyder heller inte att det är något fel på de personer som nu förvaltar datan. Testet mäter arbetets beredskap, inte medarbetarnas kvalitet, och säger ingenting om befattningar eller antal. Om ett resultat berör personalbeslut gäller egna lagkrav för det; det bedömer ni separat, inte utifrån ett beredskapstest.
Vad som däremot är användbart: resultatet visar om problemet ligger i datan själv, i de personer som arbetar med den, eller hos leverantörerna som levererar systemen. Den skillnaden avgör nästa steg. Beror det på hur medarbetare hanterar data, berör det hur ni testar om era medarbetare klarar det. Beror det på tredje parts system som levererar eller tillgängliggör datan, är hur ni testar om era leverantörer kan hänga med relevant. Och om ambitionen själv inte hade formulerat databehovet, ligger orsaken ofta snarare i formuleringen än i datan: då hjälper hur ni gör en vag vision konkret.
Bakom "är vår data bra nog" finns en större fråga: vilket arbete i detta företag är, givet den data som finns nu, verkligen möjligt att överföra till AI, och vilket arbete är det inte. Den frågan besvaras per uppgift med FTE TO AI:s arbetsscan, inte med ett omdöme om organisationen som helhet.
Ni kan testa datadimensionen separat, men den står inte ensam. Beredskap för AI-övertagande består av åtta dimensioner, och data är en av dem, vid sidan av till exempel människor, leverantörer och skärpan i själva ambitionen. Ett resultat på en dimension säger lite utan de andra sju.
Den kostnadsfria beredskapskontrollen ger den överblicken i åtta korta frågor, en per dimension, med en bild av var ni ligger längst fram och var ni ligger minst långt fram. Ingen rapport, ingen skyldighet, men en ärlig utgångspunkt. Det fullständiga ambitionstestet, med de fyra lagren från vision till target state och översättningen till roller och beslutsrätter, är under uppbyggnad.
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.