IT-отделът е интересна област за AI, защото съчетава два вида работа, които реагират коренно различно на автоматизация. От една страна стоят процеси, които протичат по фиксиран модел: нов служител получава акаунт, резервно копие се изпълнява през нощта, парола се нулира след заявка. От друга страна стои работа, при която резултатът зависи от контекст, оценка на риска и последствия, които не могат да бъдат уловени в скрипт. Нашата таксономия отчита 39 задачи в тази област, и разпределението между трите категории до голяма степен следва тази разделителна линия.
Става дума за задачи с ясен вход, фиксирана процедура и проверим резултат. Подготвянето на работно място, акаунти и права за достъп за нов служител е добър пример за това: длъжностният профил определя какви права са необходими, и тази връзка може да се автоматизира без някой да трябва всеки път отново да размишлява върху конкретното изпълнение. Същото се отнася и за отнемането на достъп при напускане, където рискът от закъсняло действие е по-голям от риска от автоматизация, и за изпълнението и проверката на резервни копия, където система сама може да сигнализира дали задачата е успешна или не. Тези задачи попадат в категория 1, защото нормата е фиксирана: има ясно правилно и грешно, и стъпките между тях не трябва всеки път отново да се преценяват. Това не означава, че вече не е необходим надзор над цялото, но самото изпълнение на задачата не изисква човешка преценка за всеки отделен случай.
Тази категория е голяма в IT-отдела, и това не е случайно. Много задачи имат разпознаваем модел, но резултатът засяга рискове, които човек трябва да прецени. Периодичната проверка на правата за достъп е такава задача: AI може да сигнализира отклонения между длъжност и текущи права, но дали изключение е основателно, изисква оценяващ, който познава контекста и одобрява или отхвърля с причина. Тестването на възстановяване от резервно копие попада в същата категория: самото тестване може да се автоматизира, но заключението дали система действително е достатъчно възстановена, изисква поглед, който отива по-далеко от зелена отметка. Също и настройването на връзка между системи и наблюдението и отстраняването на смущение в нея попадат тук: AI може да ускори изграждането и да открива отклонения, но решението как да се разреши смущение без да се повреди данните, остава преценка, която някой трябва да направи. Моделът в тази категория е винаги един и същ: AI разпознава и предлага, човек оценява и решава.
По-малка част от IT-работата остава добра независимо от колко зряло става AI, защото същината на задачата не се състои от разпознаване на модели, а от интерпретация и отговорност. Ad-hoc анализ на данни е пример за това: отговарянето на конкретен въпрос от организацията изисква някой да разбере какво всъщност се пита, какви данни са релевантни и какво заключение е издържимо. Проверката и почистването на качеството на данни засяга същия проблем, щом отиде по-далеко от откриването на дублирани записи: въпросът кой източник представлява истината при противоречиви данни, изисква познаване на организацията, което не се съдържа в самите данни. Също и управлението на основни данни остава отчасти работа за хора, когато става дума за определяне на дефиниции и договорки между отдели, макар самото въвеждане често да може да се автоматизира. Тези задачи остават работа за хора не защото AI не може да се справи с техниката, а защото отговорността за резултата не може да се делегира на система.
Това разделение се отнася до задачи, не до функции и не до личности. IT-служител обикновено изпълнява задачи от всички три категории, и коя част от неговия набор от задачи се променя, зависи от точното конкретно съдържание на неговата роля. Че задача попада в категория 1, също не казва нищо за какво работодателят прави с това: това е избор, който има свои собствени законови изисквания, например относно съучастие на служителите и трудово право, и който излиза извън обхвата на това разделение. Какво разделението наистина предлага, е фактическа отправна точка: кои задачи вече днес могат да се подпомогнат с AI, кои изискват надзор, и кои остават непроменени. Подобни модели могат да се разпознаят в други области; така каква работа може да поеме AI в отдела по покупки показва, че и там разделителната линия често се намира при въпроса дали резултат има фиксирана норма или изисква преценка, а каква работа може да поеме AI в логистиката илюстрира как привидно операционен отдел все пак има много надзорни задачи, щом грешките стават скъпи.
За да се види колко часове в рамките на една IT-роля в момента могат да се разпределят към една от трите категории, е необходима конкретна инвентаризация на задачите, които някой действително изпълнява, не само на длъжностното наименование. Безплатният quickscan на ftetoai предлага за това първа индикация: дванадесет въпроса, без акаунт, с резултат индикация коя част от часовете в профила днес може да бъде поета от AI. Това е начална точка, не окончателна преценка. Пълният workscan, който по-дълбоко разглежда отделни задачи и обосновката зад тях, все още е в изграждане. Какво следващо измерване след промяна показва, и как то се съотнася с първата инвентаризация, може да се прочете на какво показва повторно измерване.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.