Gevinster:
- Vurdere kunstig intelligens-kompetanse på tre lag (ekspert, oversetter, bruker) og se den mest oversette oversetteren og utbredt leseferdighetsgap
- Evne til å velge den som passer for institusjonen blant sentrale, distribuerte og hub-and-spoke organisasjonsmodeller
- Evne til å tette kompetansegap med balansen mellom tog-rekrutt-partner og inkludere utbredt leseferdighet og oppbevaring i strategien
Selv den beste strategien forblir på papiret uten folk til å implementere den. Den vanligste flaskehalsen ved AI-transformasjon er ikke teknologi, men mangel på kompetanse (kunnskap, ferdigheter og erfaring som kreves for å gjøre en jobb) og organisering (hvordan jobben er strukturert, hvem gjør hva). I denne enheten lærer du hvordan en seniorleder kan etablere riktig teamstruktur, talentstrategi og kompetanseutvikling for AI. Målet er å transformere et snevert syn, for eksempel «la oss ansette noen få dataforskere», til en kompetansetilnærming for hele virksomheten.
Kompetanse er ikke en enkeltrolle
En vanlig misforståelse er å henvise AI til et lite antall eksperter kalt «dataforskere». I virkeligheten krever AI-transformasjon tre-lags kompetanse:
lag
hvem
Hva trenger den
ekspert
Dataforsker, ML-ingeniør
Modell, data, infrastrukturdybde
oversetter
Produkt/forretningsanalytiker
Gjør om et forretningsproblem til en AI-løsning
Bruker
Alle ansatte
Bruke kjøretøy på en sikker, effektiv og ansvarlig måte
Det kritiske og ofte oversett laget er åpenbart: AI-oversetteren er personen som oversetter forretningsspråk til fagspråk og omvendt, og bygger broen av "hvilket forretningsproblem løses av hvilken AI-løsning." De dyreste feilene er ofte ikke forårsaket av mangel på eksperter, men av mangel på oversettere: det tekniske teamet bygger en perfekt modell, men for feil problem.
Tips: Når du budsjetterer for AI-talent, bør du vurdere ikke bare eksperter, men også rollen til oversettere og den grunnleggende leseferdigheten til alle ansatte. De fleste institusjoner investerer for mye i eksperter og for lite i oversettere og massekompetanse; Imidlertid er det vanligvis de to siste som låser verdien.
Organisasjonsmodeller
AI-talent kan organiseres i bedriften på tre hovedmåter:
- Sentralisert: Alle AI-eksperter i ett team. Fordel: dybde, konsistens. Ulempe: løsrivelse fra arbeidet.
- Distribuert: Eksperter er innebygd i forretningsenheter. Fordel: nærhet, hastighet. Ulempe: inkonsekvens, repetisjon.
- Hub-and-spoke: Et sentralt senter for fremragende forskning (CoE; kjerneteam som definerer og formidler standarder, verktøy og beste praksis) + praktikere innebygd i forretningsenheter. Den mest balanserte modellen for de fleste mellomstore til store organisasjoner.
CoE; gir vanlige verktøy, sikkerhetsstandarder, opplæring og gjenbrukbare komponenter; Forretningsenheter styrer sine egne bruksområder. Denne modellen opprettholder både konsistens og nærhet.
Bygg, kjøp, partner
Det er tre måter å lukke ferdighetsgapet på, vanligvis alle tre:
- Bygg: Lære opp eksisterende ansatte. Mest bærekraftig, men tregest.
- Leie (kjøp): Ansette eksterne eksperter. Rask, men dyr og konkurransedyktig.
- Partner: Arbeid med konsulent/leverandør. Rask start men risiko for avhengighet.
Smart strategi: trene/leie inn kritisk og permanent kompetanse, møte midlertidige eller helt spesifikke behov i partnerskap.
Steg for steg: etablere en kompetansestrategi
1. Kartlegg kompetansegapet. Hvor er vi på de tre lagene (ekspert, oversetter, bruker), hvor skal vi gå?
2. Velg din organisasjonsmodell. Sentralisert, distribuert eller hub-and-spoke; den som passer for institusjonen.
3. Etabler balansen mellom bygge-kjøp-partner. Bestem den optimale banen for hvert gap.
4. Start et ikke-formelt leseferdighetsprogram. Grunnleggende opplæring i trygg og ansvarlig bruk for alle ansatte.
5. Ta vare på oppbevaring og kultur. Det er ikke nok å tiltrekke seg talent; Behold med meningsfylt arbeid, læring og kultur.
tre minisaker
Tilfelle 1 — Oversetter gap. Et industriselskap hyret inn tre dyre dataforskere, men det var ingen oversetterroller for å bygge bro mellom forretningsenheter. Eksperter produserte prosjekter som var teknisk imponerende, men forretningsmessig uvesentlige; Ingen konkrete verdier dukket opp på et år. Da to "AI-oversettere" (erfarne forretningsanalytikere) ble utnevnt, kom de samme ekspertene med tre verdifulle use cases på 6 måneder. Gapet var ikke i ekspertise, men i bridge.
Case 2 – CoE-konsistens. I et konglomerat brukte hvert selskap sitt eget AI-verktøy med sine egne regler: gjentakende kostnader, inkonsekvent sikkerhet. Når et kompetansesenter er etablert og felles verktøy, standarder og opplæring tilbys; Lisenskostnadene falt med 30 %, sikkerheten ble konsistent, og det ett selskap lærte spredte seg raskt til det neste.
Tilfelle 3 — Virkningen av utbredt leseferdighet. Ett serviceselskap overlot AI til bare ett team med eksperter; De 300 ansatte i felten brukte verktøyene enten ikke i det hele tatt eller feil (i strid med taushetsplikten). Selskapet lanserte et grunnleggende leseferdighetsprogram (3 timer med opplæring i sikker bruk for alle); Både sikker bruk økte og dusinvis av verdifulle bruksideer kom fra feltet. Verdien lå ikke i ekspertene, men i den kompetente mengden.
Fire kopierbare maler
1) Kart over kompetansegap:
Din rolle: AI-talentkonsulent. Evaluer vår organisasjon i tre lag: ekspert (data/ML), oversetter (forretningsteknisk bro), bruker (alle ansatte). Skriv typiske hull og prioritert handling for hvert lag. Kontekst: [tekst]
2) Forslag til organisasjonsmodell:
Sammenlign sentraliserte, distribuerte og hub-and-spoke-modeller for [organisasjonens størrelse og struktur]. Skriv hvilken du anbefaler for vår situasjon og hvorfor, og hvilket ansvar et kompetansesenter vil påta seg.
3) Bygg-kjøp-partnerbeslutning:
For hvert av følgende kompetansegap [liste], skriv en begrunnelse for hvilket av tog-/leie-/partneralternativene du anbefaler. Skille varige og kritiske kompetanser fra midlertidige behov.
4) Ikke-formelt leseferdighetsprogram:
Utarbeide et 3-timers «sikker og effektiv bruk av kunstig intelligens» opplæringsutkast for ikke-tekniske ansatte: grunnleggende konsepter, riktig/feil bruk, personvern og autentisering, praktiske eksempler. Gi tittel og varighet modul for modul.
Svak forespørsel / Sterk forespørsel
Svak: "Hva slags lag bør jeg bygge for AI?"
Resultat: En generell liste over roller; blind for institusjonens størrelse, modenhet og hull.
Strong: "Vi er et produksjonsselskap med 500 ansatte, tre forretningsenheter; vi har lav modenhet, ingen dataforskere, men sterke forretningsanalytikere. Foreslå en organisasjonsmodell for AI (sentralisert/distribuert/hub-and-spoke), en make-buy-partner-balanse for å tette kompetansegapet vårt på hvert lag og en ekspert/ekspert/ekspert, det første året."
Resultat: En organisasjonsspesifikk, lagdelt, realistisk og anvendelig talentstrategi.
Vanlige feil
- Invester kun i eksperter. Uten oversettere og utbredt leseferdighet kan ikke eksperter produsere verdi.
- Hopp over oversetterrollen. Hvis det ikke er noen bro mellom virksomhet og teknikk, vil selv den beste eksperten jobbe med feil problem.
- Forsømmelse av utbredt leseferdighet. Den uutdannede mengden bruker enten ikke kjøretøyet i det hele tatt eller bruker det i faresonen.
- Stoler kun på rekruttering. Å kjøpe avl uten avl er dyrt, skjørt og uholdbart.
- Å glemme kultur og oppbevaring. Hvis du ikke tiltrekker deg talent og leverer meningsfylt arbeid og læring, vil du raskt tape på det.
Forsiktig: AI kan foreslå et organisasjonskart eller treningsoversikt; Men det er personen som bestemmer hvilken modell som passer institusjonens kultur og virkelighet, hvem som skal spille hvilken rolle, og retensjonsdynamikken. Menneskelige ressursbeslutninger har stor innvirkning og kan ikke overlates til en algoritme alene.
Oppsummert
Den vanligste flaskehalsen ved AI-transformasjon er ikke teknologi, men kompetanse og organisasjon. Kompetansen er tredelt: ekspert, oversetter og bruker; Det hyppigst hoppede og verdilåsende laget er utbredt leseferdighet hos oversetteren. Organisasjonen kan være sentralisert, distribuert eller hub-and-spoke (et Center of Excellence + embedded practitioners); For de fleste organisasjoner er sistnevnte balansert. Lukk hullene med en blanding av tog, rekrutt og partner; Hold kritiske og varige kompetanser inne. I neste enhet vil vi dekke hvordan du smart kjøper outsourcede AI-løsninger.
Søknadsoppgave
Evaluer organisasjonen din i tre lag (ekspert, oversetter, bruker) og skriv ned det største gapet i hvert lag. 2. Bestem organisasjonsmodellen som passer deg med malen. Skriv begrunnelser for tog-/ansettelses-/partnerbeslutninger for de to mest kritiske ledige stillingene. Til slutt, skisserer hovedtemaene i et ikke-formelt leseferdighetsprogram for alle ansatte.
sjekkliste
- [ ] Jeg kartla kompetansegapet i tre lag.
- [ ] Jeg sjekket om oversetterrollen eksisterer.
- [ ] Jeg valgte en organisasjonsmodell egnet for institusjonen.
- [ ] Jeg tok en bygge-kjøp-partner-beslutning for hver ledig stilling.
- [ ] Jeg planla det ikke-formelle leseferdighetsprogrammet.
- [ ] Jeg inkorporerte oppbevaring og kultur i strategien.
- [ ] Jeg overlot ikke personalavgjørelser utelukkende til algoritmen.