IT-osakond on AI jaoks huvitav valdkond, sest see ühendab kahte tüüpi tööd, mis reageerivad automatiseerimisele täiesti erinevalt. Ühel pool on protsessid, mis kulgevad kindla mustri järgi: uus töötaja saab konto, varukoopia tehakse öösel, parool lähtestatakse pärast taotlust. Teisel pool on töö, mille tulemus sõltub kontekstist, riskihinnangust ja tagajärgedest, mida ei saa skripti panna. Meie taksonoomia loeb selles valdkonnas 39 ülesannet ning jaotus kolme kategooria vahel järgib suuresti seda piirjoont.
Siin on tegemist ülesannetega, millel on selge sisend, kindel protseduur ja kontrollitav tulemus. Uue töötaja töökoha, kontode ja juurdepääsuõiguste ettevalmistamine on hea näide: ametiprofiil määrab, milliseid õigusi on vaja, ja seda seost saab automatiseerida ilma, et keegi peaks iga kord uuesti sisu üle mõtlema. Sama kehtib juurdepääsu tühistamise kohta töösuhte lõppemisel, kus liiga hilise tegutsemise risk on suurem kui automatiseerimise risk, ning varukoopiate tegemise ja kontrollimise kohta, kus süsteem saab ise signaliseerida, kas ülesanne õnnestus või mitte. Need ülesanded kuuluvad kategooriasse 1, sest norm on kindel: on selge, mis on õige ja mis vale, ning nendevahelisi samme ei pea iga kord uuesti hindama. See ei tähenda, et tervikuna ei oleks järelevalvet enam vaja, kuid ülesande enda täitmine ei nõua inimhinnangut iga juhtumi puhul.
See kategooria on IT-osakonnas suur ja see ei ole juhus. Paljudel ülesannetel on äratuntav muster, kuid tulemus puudutab riske, mida peab kaaluma inimene. Juurdepääsuõiguste perioodiline hindamine on selline ülesanne: AI saab signaliseerida erinevusi ametikoha ja praeguste õiguste vahel, kuid kas erand on põhjendatud, nõuab hindajat, kes tunneb konteksti ja kes kiidab heaks või lükkab tagasi põhjendusega. Taastamise testimine varukoopiast kuulub samasse kategooriasse: testimist ennast saab automatiseerida, kuid järeldus, kas süsteem on tegelikult piisavalt taastatud, nõuab pilku, mis läheb kaugemale rohelisest linnukesest. Samuti kuuluvad siia süsteemidevahelise ühenduse loomine ning selles esineva rikke jälgimine ja parandamine: AI saab kiirendada ülesehitust ja tuvastada kõrvalekaldeid, kuid otsus selle kohta, kuidas rike lahendada ilma andmeid kahjustamata, jääb kaalutluseks, mille peab tegema inimene. Selle kategooria muster on alati sama: AI tegeleb äratundmise ja ettepanekutega, inimene hindamise ja otsustamisega.
Väiksem osa IT-tööst püsib hästi sõltumatuna sellest, kui küpseks AI muutub, sest ülesande tuum ei seisne mustrite tuvastamises, vaid tõlgendamises ja vastutuses. Ad hoc andmeanalüüs on selle üks näide: organisatsiooni konkreetsele küsimusele vastamine nõuab, et keegi mõistaks, mida tegelikult küsitakse, millised andmed on asjakohased ja milline järeldus on kaitstav. Andmekvaliteedi kontrollimine ja puhastamine puutub samasse probleemi kokku niipea, kui see läheb kaugemale duplikaatkirjete leidmisest: küsimus, milline allikas esindab tõde vastuoluliste andmete korral, nõuab organisatsiooni tundmist, mida andmed ise ei sisalda. Ka baasandmete haldamine jääb osaliselt inimtööks seal, kus tegemist on definitsioonide ja osakondadevaheliste kokkulepete kindlaksmääramisega, kuigi sisestamist ennast saab sageli automatiseerida. Need ülesanded jäävad inimtööks mitte sellepärast, et AI ei tuleks tehniliselt toime, vaid sellepärast, et vastutust tulemuse eest ei saa delegeerida süsteemile.
See jaotus käsitleb ülesandeid, mitte ametikohti ega isikuid. IT-töötaja täidab tavaliselt ülesandeid kõigist kolmest kategooriast ning see, milline osa tema ülesannetest muutub, sõltub tema rolli täpsest sisust. See, et ülesanne kuulub kategooriasse 1, ei ütle ka midagi selle kohta, mida tööandja sellega teeb: see on valik, millel on omad seaduslikud nõuded, näiteks kaasotsustamise ja tööõiguse osas, ning mis jääb selle jaotuse ulatusest välja. Mida jaotus aga pakub, on faktiline lähtepunkt: millised ülesanded on juba täna AI abil toetatavad, millised nõuavad järelevalvet ja millised jäävad muutumatuks. Sarnaseid mustreid võib ära tunda ka teistes valdkondades; nii näitab millist tööd saab AI üle võtta hankeosakonnas, et ka seal jookseb piirjoon sageli küsimusel, kas tulemusel on kindel norm või nõuab see kaalutlust, ning millist tööd saab AI üle võtta logistikas illustreerib, kuidas näiliselt operatiivne osakond sisaldab siiski palju järelevalveülesandeid niipea, kui vead muutuvad kulukaks.
Selleks, et näha, kui palju tunde IT-rollis saab praegu ühte kolmest kategooriast paigutada, on vaja konkreetset inventuuri ülesannetest, mida keegi tegelikult täidab, mitte ainult ametinimetusest. ftetoai tasuta kiirtest annab selleks esmase suuna: kaksteist küsimust, ilma kontota, tulemusega, mis näitab, kui suure osa profiili tundidest saab AI täna üle võtta. See on lähtepunkt, mitte lõplik hinnang. Täielik töökaardistus, mis käsitleb sügavamalt üksikuid ülesandeid ja nende alusloogikat, on veel valmimisel. Mida järgmine mõõtmine pärast muutust näitab ja kuidas see suhestub esimese inventuuriga, on loetav lehel mida näitab kordusmõõtmine.
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.