Δύο οργανισμοί περιγράφουν την ίδια εργασία. Στον έναν προκύπτει η κατηγορία 'η AI μπορεί να αναλάβει την εργασία', στον άλλον 'παραμένει ανθρώπινη εργασία'. Αυτό δεν είναι ασυνέπεια της μεθόδου, αλλά αποτέλεσμα της μεθόδου. Το αποτέλεσμα δεν εξαρτάται μόνο από το τι περιλαμβάνει μια εργασία, αλλά από τις συνθήκες υπό τις οποίες εκτελείται αυτή η εργασία. Αυτή η σελίδα εξηγεί ποιοι παράγοντες προκαλούν αυτή τη διαφορά και τι σημαίνει αυτό για την αξιοπιστία μιας εκτίμησης.
Εμείς δεν αξιολογούμε ποτέ μια εργασία με βάση ένα μόνο χαρακτηριστικό. Κάθε εργασία βαθμολογείται σε οκτώ άξονες: δομή της εισόδου, περιθώριο κρίσης, ευαισθησία επαφής με πελάτες, φυσική συνιστώσα, δημιουργικότητα, κόστος σφάλματος, ευαισθησία συμμόρφωσης και όγκο/επανάληψη. Δύο οργανισμοί με 'ίδιο' πακέτο εργασιών μπορούν να διαφέρουν σημαντικά σε αυτούς τους άξονες. Μια εργασία προγραμματισμού με σταθερή είσοδο και υψηλό όγκο καταλήγει διαφορετικά από την ίδια εργασία προγραμματισμού όταν η είσοδος είναι μεταβλητή και οι εξαιρέσεις είναι ο κανόνας. Δεν πρόκειται λοιπόν για τον τίτλο της εργασίας, αλλά για τον συνδυασμό των βαθμολογιών πίσω από αυτόν.
Σε χαμηλούς όγκους, τα περιστατικά ζυγίζουν περισσότερο απ' ό,τι σε υψηλούς όγκους. Μια εργασία που εμφανίζεται πέντε φορές τον χρόνο προσφέρει λίγη βάση για την αναγνώριση ενός μοτίβου· μια εργασία που εμφανίζεται εκατοντάδες φορές την ημέρα δείχνει πιο γρήγορα πού η AI αποδίδει σταθερά και πού όχι. Ο υψηλός όγκος συχνά κάνει μια εκτίμηση πιο συγκεκριμένη, επειδή υπάρχει περισσότερη επανάληψη για να ελεγχθεί. Ο χαμηλός όγκος κάνει μια εκτίμηση ευρύτερη, όχι επειδή η εργασία είναι ασαφής, αλλά επειδή απλώς υπάρχουν λιγότερα στοιχεία για γενίκευση. Αυτό παίζει ρόλο, για παράδειγμα, στο ερώτημα αν η AI μπορεί να αναλάβει την παρακολούθηση προόδου στόχων και έργων: με μια χούφτα έργα τον χρόνο, το εύρος είναι ευρύτερο απ' ό,τι με ένα χαρτοφυλάκιο εκατοντάδων εν εξελίξει πρωτοβουλιών.
Μια εργασία που εκτελείται εξ ολοκλήρου σε δομημένα συστήματα αξιολογείται διαφορετικά από μια εργασία που βρίσκεται κυρίως σε μυαλά, email και μεμονωμένα έγγραφα. Όχι επειδή η ίδια η εργασία αλλάζει, αλλά επειδή ο βαθμός στον οποίο η AI έχει πρόσβαση σε αξιόπιστες, επίκαιρες πληροφορίες διαφέρει σημαντικά. Στην παρακολούθηση προϋπολογισμού αυτό φαίνεται καθαρά: το αν η AI μπορεί να αναλάβει την παρακολούθηση προϋπολογισμού και τη σήμανση αποκλίσεων εξαρτάται σε μεγάλο βαθμό από το αν τα υποκείμενα στοιχεία είναι ήδη δομημένα και επίκαιρα διαθέσιμα, ή αν πρέπει πρώτα να συλλεχθούν και να ερμηνευτούν χειροκίνητα. Ίδια εργασία, διαφορετική δομή συστήματος, διαφορετικό αποτέλεσμα.
Το κόστος ενός σφάλματος δεν είναι καθολικό. Μια λανθασμένη ερμηνεία σε μια εσωτερική επισκόπηση έχει διαφορετικές συνέπειες από μια λανθασμένη ερμηνεία σε επικοινωνία με πελάτη ή σε αναφορά συμμόρφωσης. Με υψηλό κόστος σφάλματος, το αποτέλεσμα μετατοπίζεται νωρίτερα προς την κατηγορία δύο — η AI παρέχει μια πρόταση, ένας άνθρωπος εγκρίνει ή απορρίπτει — ακόμη και αν η εργασία στους άλλους άξονες θα υποδείκνυε ανάληψη από την AI. Αυτός είναι ένας από τους λόγους για τους οποίους ποτέ δεν διατυπώνουμε κρίση αποκλειστικά με βάση 'τι περιλαμβάνει η εργασία': το πλαίσιο στο οποίο καταλήγει ένα σφάλμα μετράει εξίσου βαρύ.
Ένα εύρος δεν είναι ασάφεια, αλλά μια ειλικρινής απεικόνιση αυτού που δεν γνωρίζουμε με βεβαιότητα. Σε εργασίες με μεγάλο περιθώριο κρίσης — όπου ακόμη και δύο έμπειροι εργαζόμενοι θα διαφωνούσαν μεταξύ τους — κάθε εκτίμηση είναι εξ ορισμού ευρύτερη. Σε εργασίες με έντονη επαφή με πελάτες, παίζει ρόλο το ότι η ανοχή για αλληλεπίδραση με AI διαφέρει ανά κλάδο και ανά ομάδα πελατών, κάτι που δεν μπορούμε να μετρήσουμε χωρίς τα δικά σας στοιχεία. Και σε εργασίες π��υ μόλις έχουν οργανωθεί ή μόλις άλλαξαν σύστημα, απλώς δεν υπάρχει ακόμη σταθερό μοτίβο για να βασιστούμε. Σε όλες αυτές τις περιπτώσεις επιλέγουμε ένα ευρύτερο εύρος αντί για έναν ακριβή αριθμό που υποδηλώνει περισσότερη βεβαιότητα από όση μπορούμε να τεκμηριώσουμε.
Υπάρχουν καταστάσεις όπου μια μεμονωμένη μέτρηση έχει μικρή αξία: σε μια διαδικασία που μόλις άλλαξε, σε μια εργασία που σπάνια εμφανίζεται, ή σε έναν οργανισμό που βρίσκεται ακόμη σε μετάβαση προς νέα συστήματα. Μια βαθμολογία σε τέτοια στιγμή είναι στιγμιότυπο, όχι πρόβλεψη. Γι' αυτό είναι επίσης σχετική μια επαναμέτρηση: η ίδια εργασία, μετρημένη αργότερα, μπορεί να δώσει διαφορετικό αποτέλεσμα επειδή οι συνθήκες έχουν αλλάξει, όχι επειδή η πρώτη μέτρηση ήταν λανθασμένη.
Αυτή η μέθοδος λέει κάτι για τις εργασίες, όχι για τους ανθρώπους ή τις θέσεις εργασίας. Ένα αποτέλεσμα δεν αποτελεί τεκμηρίωση για μια απόφαση σχετικά με προσωπικό· για αποφάσεις που αφορούν την εργασιακή σχέση ισχύουν δικές τους νομικές απαιτήσεις και αυτές τις ελέγχετε ξεχωριστά. Εμείς παρέχουμε γεγονότα σχετικά με εργασίες, εσείς εξάγετε τα συμπεράσματα που ταιριάζουν στον οργανισμό σας. Ενδεικτικά: ακόμη και μια εργασία όπως η διεύθυνση συναντήσεων δεν μπορεί να αξιολογηθεί ομοιόμορφα, όπως φαίνεται στο ερώτημα αν η AI μπορεί να αναλάβει την καθοδήγηση της εβδομαδιαίας ομαδικής συνάντησης — η απάντηση διαφέρει ανά ομάδα, ανά κουλτούρα συναντήσεων και ανά βαθμό περιθωρίου λήψης αποφάσεων σε αυτές τις συναντήσεις.
Αν θέλετε μια πρώτη εντύπωση για το πώς αυτό εξελίσσεται στη δική σας περίπτωση, μπορείτε να συμπληρώσετε το δωρεάν quickscan του ftetoai: δώδεκα ερωτήσεις, χωρίς λογαριασμό, με μια ένδειξη ποιο μέρος των ωρών στο προφίλ σας μπορεί σήμερα να αναληφθεί από την AI. Η πλήρης werkscan, η οποία εξετάζει βαθύτερα τους οκτώ άξονες ανά εργασία, βρίσκεται ακόμη υπό κατασκευή — δεν υπάρχει ακόμη αυτή τη στιγμή, και προτιμούμε να το πούμε ειλικρινά παρά να την προσφέρουμε.
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.