Vinster:
- Överväga artificiell intelligens-kompetens på tre nivåer (expert, översättare, användare) och se den mest förbisedda översättaren och utbredda läskunnighetsklyftan
- Möjlighet att välja den som lämpar sig för institutionen bland centrala, distribuerade och hub-and-spoke organisationsmodeller
- Förmåga att täppa till kompetensklyftor med balansen mellan tåg-rekrytera-partner och införliva utbredd läskunnighet och retention i strategin
Även den bästa strategin finns kvar på pappret utan människor som kan implementera den. Den vanligaste flaskhalsen för AI-transformation är inte teknik, utan brist på kompetens (kunskap, färdigheter och erfarenhet som krävs för att utföra ett jobb) och organisation (hur jobbet är uppbyggt, vem gör vad). På den här enheten får du lära dig hur en senior chef kan etablera rätt teamstruktur, talangstrategi och kompetensutveckling för AI. Målet är att omvandla en snäv syn, som "låt oss anställa några datavetare", till ett företagsomfattande kompetensförhållningssätt.
Kompetens är inte en enskild roll
En vanlig missuppfattning är att delegera AI till ett litet antal experter som kallas "dataforskare". I verkligheten kräver AI-transformation treskiktad kompetens:
lager
vem
Vad behöver den
expert
Datavetare, ML-ingenjör
Modell, data, infrastrukturdjup
översättare
Produkt/affärsanalytiker
Att förvandla ett affärsproblem till en AI-lösning
Användare
Alla anställda
Använda fordon säkert, effektivt och ansvarsfullt
Det kritiska och ofta förbisedda lagret är uppenbart: AI-översättaren är den person som översätter affärsspråk till tekniskt språk och vice versa, och bygger bron till "vilket affärsproblem löses med vilken AI-lösning." De dyraste felen orsakas ofta inte av brist på experter, utan av brist på översättare: det tekniska teamet bygger en perfekt modell men för fel problem.
Tips: När du budgeterar för AI-talanger, tänk inte bara på experter utan också översättarnas roll och alla anställdas grundläggande läskunnighet. De flesta institutioner investerar för mycket i experter och för lite i översättare och masskunskap; Det är dock i allmänhet de två sista som låser värdet.
Organisationsmodeller
AI-talang kan organiseras i företaget på tre huvudsakliga sätt:
- Centraliserat: Alla AI-experter i ett team. Fördel: djup, konsistens. Nackdel: avskildhet från arbetet.
- Distribuerat: Experter är inbäddade i affärsenheter. Fördel: närhet, hastighet. Nackdel: inkonsekvens, upprepning.
- Hub-and-spoke: Ett centralt Center of Excellence (CoE; kärnteam som definierar och sprider standarder, verktyg och bästa praxis) + praktiker inbäddade i affärsenheter. Den mest balanserade modellen för de flesta medelstora till stora organisationer.
CoE; tillhandahåller vanliga verktyg, säkerhetsstandarder, utbildning och återanvändbara komponenter; Affärsenheter sköter sina egna användningsområden. Denna modell upprätthåller både konsekvens och närhet.
Bygg, köp, partner
Det finns tre sätt att minska kompetensgapet, vanligtvis alla tre:
- Bygga: Utbilda befintliga medarbetare. Mest hållbart men långsammast.
- Hyra (köp): Anlita externa experter. Snabbt men dyrt och konkurrenskraftigt.
- Partner: Arbete med konsult/leverantör. Snabbstart men risk för missbruk.
Smart strategi: utbilda/hyra kritiska och permanenta kompetenser, möta tillfälliga eller mycket specifika behov i partnerskap.
Steg för steg: upprätta en kompetensstrategi
1. Kartlägg kompetensgapet. Var är vi på de tre lagren (expert, översättare, användare), vart ska vi gå?
2. Välj din organisationsmodell. Centraliserad, distribuerad eller hub-and-spoke; den som lämpar sig för institutionen.
3. Upprätta balansen mellan bygg-köp-partner. Bestäm den optimala vägen för varje mellanrum.
4. Starta ett icke-formellt läskunnighetsprogram. Grundläggande, säker, ansvarsfull användningsutbildning för alla anställda.
5. Vårda retention och kultur. Att locka till sig talanger räcker inte; Behåll med meningsfullt arbete, lärande och kultur.
tre minifodral
Fall 1 — Översättargap. Ett industriföretag anställde tre dyra datavetare, men det fanns inga översättarroller för att överbrygga affärsenheter. Experter producerade projekt som var tekniskt imponerande men affärsmässigt oviktiga; Inget påtagligt värde uppstod på ett år. När två "AI-översättare" (erfarna affärsanalytiker) utsågs, kom samma experter fram till tre värdefulla användningsfall på 6 månader. Klyftan låg inte i expertis, utan i bridge.
Fall 2 – CoE konsekvens. I ett konglomerat använde varje företag sitt eget AI-verktyg med sina egna regler: återkommande kostnader, inkonsekvent säkerhet. När väl ett spetsforskningscenter har etablerats och gemensamma verktyg, standarder och utbildning tillhandahålls; Licenskostnaderna sjönk med 30 %, säkerheten blev konsekvent och det ett företag lärde sig spred sig snabbt till nästa.
Fall 3 — Effekterna av utbredd läskunnighet. Ett tjänsteföretag lämnade AI till bara ett team av experter; De 300 anställda på fältet använde verktygen antingen inte alls eller felaktigt (i strid med sekretess). Företaget lanserade ett grundläggande läskunnighetsprogram (3 timmars utbildning för säker användning för alla); Både säker användning ökade och dussintals värdefulla användningsidéer kom från fältet. Värdet låg inte hos experterna, utan hos den kompetenta skaran.
Fyra kopierbara mallar
1) Karta över kompetensgapet:
Din roll: AI-talangkonsult. Utvärdera vår organisation i tre lager: expert (data/ML), översättare (affärsteknisk brygga), användare (alla anställda). Skriv typiska luckor och prioriterade åtgärder för varje lager. Sammanhang: [text]
2) Förslag på organisationsmodell:
Jämför centraliserade, distribuerade och hub-and-spoke-modeller för [organisationens storlek och struktur]. Skriv vilken du rekommenderar för vår situation och varför, och vilket ansvar ett Center of Excellence tar på sig.
3) Bygg-köp-partner-beslut:
För var och en av följande kompetensluckor [lista], skriv en motivering för vilket av tåg-/hyr-/partneralternativen du rekommenderar. Separera bestående och kritiska kompetenser från tillfälliga behov.
4) Icke-formellt läskunnighetsprogram:
Förbered ett 3-timmars "säker och effektiv användning av artificiell intelligens" utbildningsutkast för icke-tekniska anställda: grundläggande begrepp, korrekt/felaktig användning, integritet och autentisering, praktiska exempel. Ange titel och varaktighet modul för modul.
Svag prompt / Stark prompt
Svag: "Vilken typ av team ska jag bygga för AI?"
Resultat: En allmän lista över roller; blind för institutets storlek, mognad och luckor.
Stark: "Vi är ett tillverkningsföretag med 500 anställda och tre affärsenheter; vi har låg mognad, inga datavetare, men starka affärsanalytiker. Föreslå en organisationsmodell för AI (centraliserad/distribuerad/hub-and-spoke), en make-buy-partner-balans för att täppa till vårt kompetensgap på varje lager och läskunnig/expertplanerare (expert/expert), första året."
Resultat: En organisationsspecifik, skiktad, realistisk och tillämpbar talangstrategi.
Vanliga misstag
- Investerar bara i experter. Utan översättare och utbredd läskunnighet kan experter inte producera värde.
- Hoppa över översättarrollen. Om det inte finns någon brygga mellan affär och teknik, kommer även den bästa experten att arbeta med fel problem.
- Försummar utbredd läskunnighet. Den outbildade skaran använder antingen inte fordonet alls eller använder det i riskzonen.
- Förlitar sig enbart på rekrytering. Att köpa avel utan avel är dyrt, ömtåligt och ohållbart.
- Att glömma kultur och retention. Om du inte attraherar talanger och levererar meningsfullt arbete och lärande kommer du snabbt att förlora på det.
Varning: AI kan föreslå ett organisationsschema eller utbildningsöversikt; Men det är personen som bestämmer vilken modell som passar institutionens kultur och verklighet, vem som ska spela vilken roll och retentionsdynamiken. Personalbeslut har stor effekt och kan inte överlåtas enbart till en algoritm.
Sammanfattningsvis
Den vanligaste flaskhalsen för AI-transformation är inte teknik utan kompetens och organisation. Kompetensen är treskiktad: expert, översättare och användare; Det mest överhoppade och värdelåsande lagret är utbredd läskunnighet hos översättaren. Organisationen kan vara centraliserad, distribuerad eller hub-and-spoke (ett Center of Excellence + inbäddade praktiker); För de flesta organisationer är det senare balanserat. Töj luckorna med en blandning av tåg, rekrytering och partner; Behåll kritiska och varaktiga kompetenser. I nästa enhet kommer vi att ta upp hur man smart köper outsourcade AI-lösningar.
Applikationsuppgift
Utvärdera din organisation i tre lager (expert, översättare, användare) och skriv ner den största luckan i varje lager. 2. Bestäm den organisationsmodell som passar dig med mallen. Skriv skäl för dina beslut om att utbilda/anställa/partner för de två mest kritiska lediga jobben. Slutligen, beskriv huvudämnena i ett icke-formellt läskunnighetsprogram för alla anställda.
checklista
- [ ] Jag kartlade kompetensgapet i tre lager.
- [ ] Jag kontrollerade om rollen översättare finns.
- [ ] Jag valde en organisationsmodell lämplig för institutionen.
- [ ] Jag tog ett bygg-köp-partner-beslut för varje ledig tjänst.
- [ ] Jag planerade det icke-formella läskunnighetsprogrammet.
- [ ] Jag införlivade retention och kultur i strategin.
- [ ] Jag lämnade inte personalbeslut enbart till algoritmen.