Kaksi organisaatiota kuvaa saman tehtävän. Yhdellä siitä tulee kategoria 'AI voi ottaa tehtävän hoitaakseen', toisella 'se pysyy ihmistyönä'. Tämä ei ole epäjohdonmukaisuutta menetelmässä, vaan menetelmän tulos. Lopputulos ei riipu ainoastaan siitä, mitä tehtävä sisältää, vaan olosuhteista, joissa tehtävä suoritetaan. Tällä sivulla selitämme, mitkä tekijät aiheuttavat tämän eron ja mitä se merkitsee arvion luotettavuuden kannalta.
Emme koskaan arvioi tehtävää yhden ominaisuuden perusteella. Jokainen tehtävä saa pisteet kahdeksalla akselilla: syötteen jäsentyneisyys, harkintavara, asiakaskontaktin herkkyys, fyysinen osuus, luovuus, virhekustannukset, compliance-herkkyys ja volyymi/toistuvuus. Kaksi organisaatiota, joilla on 'sama' tehtäväkokonaisuus, voivat poiketa näillä akseleilla huomattavasti toisistaan. Suunnittelutehtävä, jossa syöte on vakio ja volyymi korkea, saa erilaisen lopputuloksen kuin sama suunnittelutehtävä, jossa syöte vaihtelee ja poikkeukset ovat sääntö. Kyse ei siis ole tehtävän nimikkeestä, vaan sen takana olevien pisteiden yhdistelmästä.
Alhaisilla volyymeilla poikkeamat painavat enemmän kuin korkeilla volyymeilla. Tehtävä, joka esiintyy viidesti vuodessa, tarjoaa vähän perustaa kaavan tunnistamiseen; tehtävä, joka toistuu satoja kertoja päivässä, näyttää nopeammin, missä AI toimii vakaasti ja missä ei. Korkea volyymi tekee arviosta usein täsmällisemmän, koska toistoa on enemmän testattavaksi. Alhainen volyymi tekee arviosta laajemman, ei siksi, että tehtävä olisi epäselvä, vaan koska yleistettävää on yksinkertaisesti vähemmän. Tämä vaikuttaa esimerkiksi kysymykseen, voiko AI ottaa tavoitteiden ja projektien etenemisen seurannan hoitaakseen: kun projekteja on vuodessa vain kourallinen, vaihteluväli on laajempi kuin salkussa, jossa on satoja meneillään olevia hankkeita.
Tehtävä, joka tapahtuu kokonaan jäsennellyissä järjestelmissä, on eri tavalla arvioitavissa kuin tehtävä, joka sijaitsee suurelta osin ihmisten päissä, sähköpostissa ja irrallisissa asiakirjoissa. Ei siksi, että tehtävä itsessään muuttuisi, vaan koska se, missä määrin AI:lla on pääsy luotettavaan, ajantasaiseen tietoon, vaihtelee suuresti. Budjettivalvonnassa tämä näkyy hyvin: se, voiko AI ottaa budjetin valvonnan ja poikkeamien havaitsemisen hoitaakseen, riippuu vahvasti siitä, ovatko taustalla olevat luvut jo saatavilla jäsennellyssä ja ajantasaisessa muodossa, tai onko ne kerättävä ja tulkittava ensin manuaalisesti. Sama tehtävä, erilainen järjestelmärakenne, erilainen lopputulos.
Virheen kustannukset eivät ole universaaleja. Väärä tulkinta sisäisessä yhteenvedossa aiheuttaa erilaisia seurauksia kuin väärä tulkinta asiakasviestinnässä tai compliance-raportoinnissa. Korkeiden virhekustannusten kohdalla lopputulos siirtyy helpommin kohti toista kategoriaa — AI tuottaa ehdotuksen, ihminen hyväksyy tai hylkää sen — vaikka tehtävä muilla akseleilla viittaisi AI:n täysimääräiseen omaksumiseen. Tämä on yksi syy, miksi emme koskaan tee lausuntoa yksinomaan sen perusteella, 'mitä tehtävä sisältää': asiayhteys, johon virhe päätyy, painaa yhtä paljon.
Vaihteluväli ei ole epämääräisyyttä, vaan rehellinen kuvaus siitä, mitä emme tiedä varmuudella. Tehtävissä, joissa harkintavaraa on paljon — joissa kaksi kokenutta työntekijää päätyisivät myös eri tulokseen — jokainen arvio on määritelmällisesti laajempi. Tehtävissä, joissa on paljon asiakaskontaktia, vaikuttaa se, että sietokyky AI-vuorovaikutukselle vaihtelee toimialan ja asiakasryhmän mukaan, mitä emme voi mitata ilman teidän omia lukujanne. Ja tehtävissä, jotka on juuri organisoitu uudelleen tai joiden järjestelmä on juuri vaihtunut, ei yksinkertaisesti ole vielä vakaata kaavaa, jonka varaan tukeutua. Kaikissa näissä tapauksissa valitsemme laajemman vaihteluvälin sen sijaan, että antaisimme täsmällisen luvun, joka viestisi enemmän varmuutta kuin voimme perustella.
On tilanteita, joissa yksittäisellä mittauksella on vähän arvoa: prosessin ollessa juuri muuttunut, tehtävän esiintyessä harvoin, tai organisaation ollessa vielä siirtymässä uusiin järjestelmiin. Tuolloin tehty pisteytys on tilannekuva, ei ennuste. Tästä syystä uusintamittaus on merkityksellinen: sama tehtävä, myöhemmin mitattuna, voi antaa erilaisen lopputuloksen, koska olosuhteet ovat muuttuneet, ei koska ensimmäinen mittaus oli väärä.
Tämä menetelmä kertoo tehtävistä, ei ihmisistä tai toimenkuvista. Lopputulos ei ole perusta henkilöstöä koskevalle päätökselle; työsuhdetta koskeviin päätöksiin sovelletaan omia lakisääteisiä vaatimuksia, ja niitä arvioitte erikseen. Me toimitamme tosiasioita tehtävistä, te tehtte niistä johtopäätökset, jotka soveltuvat organisaatioonne. Havainnollistukseksi: myöskään palaverin johtamista koskevaa tehtävää ei voi arvioida yhdenmukaisesti, mikä käy ilmi kysymyksestä, voiko AI ottaa viikoittaisen tiimipalaverin johtamisen hoitaakseen — vastaus vaihtelee tiimin, palaverikulttuurin ja näissä palavereissa käytettävissä olevan päätöksentekotilan mukaan.
Jos haluatte ensivaikutelman siitä, miten tämä pätee omaan tilanteeseenne, voitte täyttää ftetoain ilmaisen pikakartoituksen: kaksitoista kysymystä, ei vaadi tiliä, ja tuloksena arvio siitä, kuinka suuren osan profiilinne tunneista AI voisi ottaa hoitaakseen tänä päivänä. Täydellinen työkartoitus, joka käsittelee kahdeksaa akselia tehtäväkohtaisesti syvemmin, on vielä rakenteilla — sitä ei ole tällä hetkellä olemassa, ja kerromme sen mieluummin rehellisesti kuin tarjoaisimme sitä.
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.