Kompetensgapet inom AI: Så överbryggar organisationer och ledare det
Kulturförändring: Att överbrygga kompetensgapet inom AI kräver att man hanterar kulturella frågor i stället för att bara erbjuda utbildning.
Specifika direktiv: Effektiva AI-direktiv behöver tydlighet i verksamheten och beskriva arbetsflöden samt ansvar för ett framgångsrikt införande.
Skräddarsytt lärande: Rollspecifik utbildning med fokus på omedelbara tillämpningar främjar AI-införande och beteendeförändring i team.
Fokus på möjliggörande: AI bör ses som en möjliggörande funktion som förbättrar effektiviteten, inte som en ersättning för befintliga roller.
Resultatmätning: Vid bedömning av AI-införandet måste kvaliteten på det arbete som produceras prioriteras framför enbart användningsmått.
Över branschgränser brottas organisationer med samma obekväma verklighet: de har investerat i AI-verktyg, utfärdat direktiv om att använda dem och ändå sett AI-användningen stanna av.
Problemet är inte tekniken. Det är gapet mellan tillgång och faktisk förmåga — och den växande insikten om att det krävs mer än ett mandat för att sluta det.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Ledare i frontlinjen för detta arbete tänker om kring hur färdigheter byggs upp, hur användning mäts och vad det faktiskt innebär att integrera AI i hur team arbetar. För att förstå hur organisationer hanterar detta i praktiken talade jag med ledare inom verksamhetsdrift och projektledning om deras metoder för att minska detta aldrig tidigare skådade gap i arbetskraftens beredskap.
Det verkliga problemet är kulturen, inte bara utbildningen
Det är förståeligt att man instinktivt behandlar kompetensgapet inom AI som ett kunskapsproblem, men yrkesverksamma säger att det missar grundorsaken. Moe Rosenfeld, CIO på eCopier Solutions, uttrycker det direkt: "Användning är i grunden ett kulturproblem som klätt ut sig till ett utbildningsproblem."
Det som ser ut som brist på kompetens är ofta brist på psykologisk trygghet, otydliga förväntningar eller en ledningsmiljö som skickar motstridiga signaler. Rosenfeld fortsätter: "Företagen som har problem med detta kräver vanligtvis AI-användning uppifrån samtidigt som de gör människor nervösa över att använda den. Man kan inte göra båda sakerna." När användning blir ett prestationsmått innan den blir en stöttad arbetsmetod lär sig människor att se upptagna ut i stället för att lära sig arbeta annorlunda.
Graham Mann, grundare av SEOTakeoff, förstärker detta: "Kunskapsgapet inom AI blir större när organisationer behandlar det som verktygsutbildning. Den användbara utbildningen är utbildning i arbetsflöden." Att lära någon hur man använder en plattform är inte samma sak som att lära dem var den passar in i hur de utför sitt arbete.
Kunskapsgapet inom AI blir större när organisationer behandlar det som verktygsutbildning. Den användbara utbildningen är utbildning i arbetsflöden.
Varför vaga AI-mandat misslyckas — och hur operativa mandat ser ut
Även organisationer med ett genuint engagemang för AI-användning undergräver ofta sig själva med direktiv som är för breda för att kunna genomföras. Mann varnar specifikt för detta: "Jag skulle undvika generella AI-mandat som 'Alla måste använda AI.' De skapar skenbar användning." Meta satte faktiskt ett ansikte på skenbar AI-användning när företaget nyligen blev viralt på grund av sin läckta interna 'token-topplista'."
När standarden är vag uppfyller människor dess ordalydelse utan att förändra något meningsfullt. Ilya Margolin, strategisk konsult inom AI och dataarbetsflöden, beskriver vad ett verkligt mandat kräver: "AI-mandat behöver ett operativt språk. 'Använd AI' är för vagt. Ett seriöst mandat anger arbetsflödena, de tillåtna verktygen, de begränsade uppgifterna, granskningsstandarden och den ansvariga ägaren." Den typen av specificitet omvandlar ett direktiv till något som människor faktiskt kan agera utifrån.
I andra änden av spektrumet beskriver Alexander Debelov, grundare och vd för Go X, en organisation som har skalat ned mandatet till dess tydligast möjliga form: "mandatet är enkelt: om en uppgift kan utföras av en agent bör den göra det." Medan vissa organisationer fortfarande diskuterar huruvida de ska införa AI har andra gjort antagandet att AI kommer att användas till standard och bygger vidare utifrån det.
AI-mandat behöver ett operativt språk. 'Använd AI' är för vagt.
Faran i mellanläget — där det finns uppmuntran utan struktur — är det som Margolin pekar ut som den tysta risken med ohanterade experiment: "Dolda individuella experiment skapar ojämn kvalitet och dataexponering. Gemensamma operativa standarder gör AI till en upprepningsbar förmåga."
Rollspecifikt lärande nära besluten
Ett av de tydligaste mönstren bland ledare som har sett AI-utbildning lyckas är att den är specifik — specifik för rollen, specifik för beslutet och specifik för arbetsflödet.
Stein Janssen, operativ chef på Poki, beskriver hur detta ser ut i praktiken: "En projektledares behov av kunskap handlar till exempel om hur man tillämpar AI på aktiviteter för avgränsning, överlämningsprocesser och ärendehantering, medan en verksamhetsledares behov av kunskap handlar om hur man använder AI för konsekvens genom hela utformningen av eskaleringsprocessen."
Generella program för AI-kompetens kan öka medvetenheten, men de förändrar sällan beteenden eftersom de inte är förankrade i de problem som människor faktiskt försöker lösa. Janssen är tydlig med varför närheten spelar roll: "Den här typen av lärande måste ligga mycket nära platsen där beslut fattas, eftersom lärandet blir teoretiskt och kanske inte leder till någon beteendeförändring om det ligger för långt från dessa beslutsprocesser."
Testet för all utbildning är om den märks i hur någon arbetar följande måndag — och det är mycket mer sannolikt när utbildningen bygger på de beslut som personen redan fattar.
Så strukturerar organisationer program för AI-utbildning
Organisationer använder olika metoder för att bygga upp AI-kapacitet i stor skala, och de mest effektiva brukar kombinera grundläggande kompetens med djupare, självstyrd utveckling.
Aniket Ghonge, senior chef för försörjningskedjan på Amazon, beskriver grunden: "På alla nivåer i organisationen har de någon form av AI-baserad utbildning. Det är mycket grundläggande utbildning, som att förklara vilka olika typer av AI som finns. Den är tillgänglig för alla och obligatorisk." Den gemensamma kunskapsnivån spelar roll — den skapar ett gemensamt ordförråd och säkerställer att ingen behöver ta sig an AI-samtal helt från noll.
På alla nivåer i organisationen har de någon form av AI-baserad utbildning. Det är mycket grundläggande utbildning, som att förklara vilka olika typer av AI som finns. Den är tillgänglig för alla och obligatorisk.
För dem som vill gå vidare har Amazon byggt upp en väg: "Amazon började också erbjuda certifieringar och kurser inom maskininlärning utan kostnad för Amazons medarbetare", berättar Ghonge. "Så jag är faktiskt inskriven på en av de kurserna, och det är en miljö där man studerar i egen takt och faktiskt kan lära sig om maskininlärning och olika koncept."
På teamnivå bygger ledare också upp sin egen infrastruktur. Jeff Chamberlain, chef för bredbandstjänster och PMO vid Frederick County Government, har valt en gräsrotsinriktad metod: "Jag har faktiskt startat en liten AI-arbetsgrupp i mitt team, en grupp projektledare från hela världen som verkligen brinner för att fortsätta utveckla våra AI-metoder." Sådana interna gemenskaper — människor som bryr sig tillräckligt mycket för att driva arbetet framåt utan att bli tillsagda — tenderar att röra sig snabbare och med större trovärdighet än enbart toppstyrda program.
Jag har faktiskt startat en liten AI-arbetsgrupp i mitt team, en grupp projektledare från hela världen som verkligen brinner för att fortsätta utveckla våra AI-metoder.
AI som möjliggörare, inte ersättare — och så ser det ut i praktiken
En av de mest konsekventa omformuleringarna från yrkesverksamma är en förändring i hur själva AI kategoriseras. Chamberlain beskriver vad hans arbetsgrupp hela tiden återkommer till: "AI är inte ett verktyg. Det är inte en metod. Det är en möjliggörande funktion. I grunden är det en möjliggörande metod som gör att vi kan göra saker snabbare, bättre och starkare. Det är inte avsett att ersätta någonting. Det ska möjliggöra snabbhet och kvalitet. Men det kräver fortfarande människor."
Den inramningen är viktig eftersom den förändrar vad organisationer försöker bygga mot — inte ersättning, utan förstärkning. Debelov ger ett konkret exempel på hur detta ser ut när tillståndet att använda AI fullt ut faktiskt ges. Hans organisation distribuerade nio digitala agenter för att ringa AI-röstsamtal till mer än 100 lokala företag: "De [agenterna] bokade 15 partnermöten, och 15 av dessa blev nya partner på plats. Den totala kostnaden för agenternas samtal uppgick till cirka $50. Senast vi gjorde samma uppsökande arbete med människor kostade det oss ungefär $1,500 att boka samma antal möten."
Tekniken var inte ny. Det nya var beslutet att använda den. Debelovs syn på vad som faktiskt håller de flesta organisationer tillbaka är entydig: "Gapet är inte tekniskt. Det handlar om tillstånd."
Mäta införandet på rätt sätt
Om målet är genuin förmåga snarare än synlig efterlevnad måste mätningen återspegla det. Margolin beskriver sin egen standard: "Jag mäter AI-införande genom kvaliteten på det arbete som produceras, inte genom antalet uppmaningar eller verktygsinloggningar." Antalet inloggningar och användningsmått är lätta att manipulera och säger väldigt lite om huruvida AI faktiskt gör arbetet bättre.
Jag mäter AI-införande genom kvaliteten på det arbete som produceras, inte genom antalet uppmaningar eller verktygsinloggningar.
Mann föreslår ett liknande resultatinriktat test: "Blev processen snabbare, tydligare eller mindre felbenägen utan att kvaliteten försämrades? Om inte är AI-lagret förmodligen bara brus." Frågan är inte om AI användes. Det handlar om huruvida arbetet förbättrades. Organisationer som mäter det förstnämnda samtidigt som de hävdar att de bryr sig om det sistnämnda kommer att fortsätta producera samma resultat — ett ytligt införande som aldrig blir en verklig förmåga.
Överbrygga gapet på rätt sätt
Att överbrygga gapet i AI-kompetens är inte främst en teknisk utmaning eller ens en utbildningsutmaning. Det är en ledarskapsutmaning. De organisationer som gör verkliga framsteg är inte de med de mest sofistikerade verktygen eller de mest aggressiva kraven — det är de som har varit ärliga om de kulturella förutsättningar som krävs för att införandet ska få fäste, tydliga med vad användning av AI faktiskt innebär i varje roll och disciplinerade när det gäller att mäta resultat snarare än aktivitet.
Gapet är verkligt, men det är också vägen framåt. Beslutet att använda AI har redan fattats. Det som återstår är det svårare arbetet — att bygga den kultur, tydlighet och de mätstandarder som omvandlar det beslutet till något som faktiskt fäster sig. Vill du ha fler insikter som dessa? Registrera dig för ett kostnadsfritt DPM-konto för att höra från fler experter som dessa.
