IT nodaļa ir AI ziņā interesants domēns, jo tā apvieno divus darba veidus, kas pilnīgi atšķirīgi reaģē uz automatizāciju. No vienas puses ir procesi, kas norit pēc fiksēta modeļa: jaunam darbiniekam tiek izveidots konts, dublēšana notiek naktī, parole tiek atiestatīta pēc pieprasījuma. No otras puses ir darbs, kura rezultāts ir atkarīgs no konteksta, riska novērtējuma un sekām, kuras nav iespējams ietvert skriptā. Mūsu taksonomija satur 39 uzdevumus šajā domēnā, un sadalījums pa trim kategorijām lielā mērā seko šai šķirtnei.
Te runa ir par uzdevumiem ar skaidru ievadi, fiksētu procedūru un pārbaudāmu rezultātu. Darba vietas, kontu un piekļuves tiesību sagatavošana jaunam darbiniekam ir tam labs piemērs: amata profils nosaka, kādas tiesības ir nepieciešamas, un šo sasaisti var automatizēt, lai nevienam nebūtu ik reizi no jauna jāpārdomā konkrētais risinājums. Tas pats attiecas uz piekļuves atsaukšanu darba attiecību izbeigšanas gadījumā, kur pārāk lēnas rīcības risks ir lielāks nekā automatizācijas risks, un uz dublējumkopiju izveidi un pārbaudi, kur sistēma pati var signalizēt, vai uzdevums ir izpildīts vai nē. Šie uzdevumi ietilpst 1. kategorijā, jo norma ir fiksēta: pastāv skaidrs pareizi un nepareizi, un starpsoļi nav ik reizi no jauna vērtējami. Tas nenozīmē, ka pār visu procesu vairs nav nepieciešama uzraudzība, bet paša uzdevuma izpilde neprasa cilvēka vērtējumu katrā konkrētā gadījumā.
Šī kategorija IT nodaļā ir liela, un tas nav nejaušība. Daudziem uzdevumiem gan ir atpazīstams modelis, taču rezultāts skar riskus, kas jāsvēr cilvēkam. Piekļuves tiesību periodiska pārbaude ir tāds uzdevums: AI var signalizēt par atšķirībām starp amatu un pašreizējām tiesībām, taču tas, vai izņēmums ir pamatots, prasa vērtētāju, kas pārzina kontekstu un apstiprina vai noraida ar pamatojumu. Atjaunošanas testēšana no dublējumkopijas ietilpst tajā pašā kategorijā: pati testēšana ir automatizējama, taču secinājums, vai sistēma faktiski ir atjaunota pietiekamā apjomā, prasa skatu, kas sniedzas tālāk par zaļu ķeksīti. Šeit ietilpst arī savienojuma starp sistēmām izveide un tajā radušos traucējumu uzraudzība un novēršana: AI var paātrināt izbūvi un atklāt novirzes, taču lēmums par to, kā traucējumu novērst, nebojājot datus, paliek izvērtējums, kas jāizdara cilvēkam. Modelis šajā kategorijā ir vienmēr viens un tas pats: AI veic atpazīšanu un piedāvā risinājumu, cilvēks veic vērtēšanu un pieņem lēmumu.
Mazāka daļa IT darba paliek labi neatkarīgi no tā, cik nobriedusi kļūst AI, jo uzdevuma kodols nav modeļu atpazīšana, bet interpretācija un atbildība. Ad hoc datu analīze ir tam piemērs: lai atbildētu uz konkrētu jautājumu no organizācijas, kādam ir jāsaprot, ko īsti tiek jautāts, kuri dati ir relevanti un kurš secinājums ir noturīgs. Datu kvalitātes kontrole un tīrīšana skar to pašu problēmu, tiklīdz tā sniedzas tālāk par dublēto ierakstu atrašanu: jautājums, kurš avots pretrunīgu datu gadījumā pārstāv patiesību, prasa organizācijas zināšanas, kas nav ietvertas pašos datos. Arī pamatdatu pārvaldība daļēji paliek cilvēku darbs, kur runa ir par definīciju un vienošanos noteikšanu starp nodaļām, kaut arī pati ievade bieži ir automatizējama. Šie uzdevumi paliek cilvēku darbs nevis tāpēc, ka AI netiek galā ar tehnisko pusi, bet tāpēc, ka atbildība par rezultātu nav deleģējama sistēmai.
Šis iedalījums attiecas uz uzdevumiem, nevis uz amatiem un nevis uz personām. IT darbinieks parasti veic uzdevumus no visām trim kategorijām, un tas, kāda daļa viņa uzdevumu kopuma mainīsies, ir atkarīgs no viņa lomas precīzā satura. Tas, ka uzdevums ietilpst 1. kategorijā, arī nekādi neliecina par to, ko darba devējs ar to dara: tas ir izvēles jautājums, kam ir savas juridiskās prasības, piemēram, saistībā ar darbinieku pārstāvību un darba tiesībām, un tas ir ārpus šī iedalījuma tvēruma. Šis iedalījums piedāvā faktisku sākumpunktu: kuri uzdevumi šodien jau ir atbalstāmi ar AI, kuriem nepieciešama uzraudzība un kuri paliek nemainīgi. Līdzīgus modeļus var atpazīt citos domēnos; piemēram, kādu darbu var pārņemt AI iepirkumā parāda, ka arī tur šķirtne bieži ir jautājums, vai rezultātam ir fiksēta norma vai ir nepieciešams izvērtējums, un kādu darbu var pārņemt AI loģistikā ilustrē, kā šķietami operatīvā nodaļā tomēr ir daudz uzraudzības uzdevumu, tiklīdz kļūdas kļūst dārgas.
Lai redzētu, cik stundu IT amatā šobrīd ir attiecināmas uz kādu no trim kategorijām, ir nepieciešama konkrēta inventarizācija uzdevumiem, kurus persona faktiski veic, ne tikai amata nosaukumam. Bezmaksas īsā pārbaude no ftetoai šim nolūkam dod pirmo norādi: divpadsmit jautājumi, bez konta, ar rezultātā iegūtu norādi, kāda daļa stundu profilā šodien ir pārņemama ar AI. Tas ir sākumpunkts, nevis galīgs spriedums. Pilnā darba pārbaude, kas dziļāk aplūko atsevišķus uzdevumus un to pamatojumu, joprojām tiek izstrādāta. To, ko rāda nākamais mērījums pēc izmaiņām un kā tas saistās ar pirmo inventarizāciju, var izlasīt ko rāda atkārtots mērījums.
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.