Jeden model referencyjny AI, dwadzieścia lokalnych kontekstów: jak adaptować, nie tracąc porównywalności

Takie zapytanie pojawia się niemal zawsze w tej samej kolejności. Najpierw pada: „chcemy wiedzieć, na jakim etapie jesteśmy w obszarze AI, wszędzie”. Potem, kilka tygodni później, gdy napływają pierwsze oceny: „tego nie da się porównać, nasze spółki zależne nie zajmują się tym samym”. Oba zdania są prawdziwe jednocześnie i w tym tkwi cały problem.

Zarząd grupy potrzebuje liczby, którą da się odczytać jednolicie dla wszystkich jednostek. Lokalny odpowiedzialny potrzebuje diagnozy, która mówi o jego realiach. Odpowiedzenie na jedną potrzebę kosztem drugiej jest łatwe, a oba sposoby popełnienia błędu są symetryczne.

Pierwszy polega na narzuceniu jednego modelu referencyjnego, opracowanego w centrali, identycznego wszędzie. Daje on wyniki w pełni porównywalne i w pełni bezużyteczne: spółka zależna, która nie ma dedykowanego działu prawnego, odpowiada „nie” na pytanie dotyczące ładu organizacyjnego, które jej po prostu nie dotyczy, i zostaje ukarana za organizację, która jest właściwa dla jej skali. Po dwóch cyklach nikt już nie wypełnia tego poważnie.

Drugi błąd polega na pozwoleniu każdej jednostce na adaptację modelu referencyjnego. Każda z nich otrzymuje wówczas rzetelną diagnozę, a grupa otrzymuje dwadzieścia diagnoz, których nie może zsumować. Panel wskaźników pokazuje wyniki obok siebie, sugerując, że są porównywalne, co jest bardziej niebezpieczne niż niepokazywanie niczego.

Warto precyzyjnie nazwać to, co się różni, bo lista jest krótsza, niż się wydaje. Po pierwsze, ramy regulacyjne: jednostka działająca w Unii stosuje unijne rozporządzenie w sprawie AI, jednostka spoza Unii stosuje je tylko wtedy, gdy wprowadza systemy na rynek europejski. Po drugie, punkt startowy: trzyosobowy zespół prowadzący eksperymenty nie znajduje się w tym samym miejscu co dwustuosobowy dział systemów informatycznych. Po trzecie, przypadki użycia: wykrywanie usterek na linii produkcyjnej i redagowanie odpowiedzi dla klientów nie stawiają tych samych pytań w zakresie kontroli.

Spora część modelu referencyjnego się jednak nie zmienia. To, jakie systemy AI działają w organizacji, kto za nie odpowiada, na jakich danych się opierają, jak mierzy się ich jakość, co dzieje się, gdy się mylą: te pytania pojawiają się identycznie w Hamburgu, w Lyonie i w Porto. Stanowią one rdzeń.

Stąd jedyna konstrukcja, która spina oba końce. Warstwa wspólna, ustalona raz, identyczna dla wszystkich jednostek, niosąca porównywalność. Warstwa lokalna, dodawana przez każdą jednostkę, niosąca trafność. Wyniki rdzenia są porównywalne, konsolidowane, zasilają sterowanie na poziomie grupy. Wyniki warstwy lokalnej nie są porównywalne i nikt od nich tego nie wymaga.

Zasada, która czyni ten mechanizm uczciwym, jest prosta: warstwa lokalna dodaje obszary tematyczne, nigdy nie usuwa niczego z rdzenia. Jednostka, która uzna jakieś pytanie rdzenia za nieadekwatne, nie usuwa go, lecz odpowiada na nie i dokumentuje, dlaczego znajduje się na danym poziomie. Często właśnie tam kryje się najbardziej użyteczna informacja dla grupy.

Druga zasada, mniej oczywista: rdzeń musi być krótki. Im bardziej się rozrasta, tym silniejsza pokusa jego omijania i tym mocniej jednostki naciskają, by wprowadzić do niego swoje specyfiki, co pozbawia go sensu. Rdzeń mieszczący się w około trzydziestu pytaniach jest wart więcej niż wyczerpujący rdzeń, którego nikt nie wypełnia dwa razy.

Naturalnym odruchem jest myślenie, że porównywanie służy do klasyfikowania. To najmniej interesująca interpretacja i ta, która zniechęca zespoły. Porównywanie służy przede wszystkim do wychwycenia, gdzie jedna jednostka już rozwiązała to, z czym zmaga się inna, a następnie do przekazania rozwiązania dalej. Spółka zależna, która stworzyła rejestr swoich systemów AI, wytworzyła zasób możliwy do przeniesienia; wynik służy do jego odnalezienia, a nie do nagradzania.

A najbardziej użyteczne porównanie nie jest między jednostkami, lecz z samym sobą. Wynik porównany z wynikiem sprzed roku, z wyznaczonym celem i zapisanym planem działania mówi coś, czego żaden ranking nie powie: czy zainwestowane środki przyniosły oczekiwany efekt. To jedyna miara, która interesuje komitet inwestycyjny.

Punkt wejścia zależy od tego, które pytanie jest najpilniejsze. Jeśli termin ma charakter regulacyjny, unijne ramy dotyczące AI wyznaczają zakres i harmonogram, a diagnoza służy do ustalenia, co już jest wdrożone. Jeśli pytanie ma charakter organizacyjny, model referencyjny systemu zarządzania AI porządkuje ład organizacyjny w dłuższej perspektywie. Jeśli pytanie jest bardziej otwarte, ocena dojrzałości AI po prostu wskazuje, na jakim etapie znajduje się organizacja, zanim podejmie jakiekolwiek działania.

We wszystkich trzech przypadkach podejście jest takie samo: zmierzyć stan obecny, nazwać cel, oszacować lukę, a następnie wdrożyć. Model referencyjny nie jest celem, lecz instrumentem pomiarowym. Liczy się to, co się z nim później zrobi, oraz możliwość powtórzenia tego pomiaru w kolejnym roku według tej samej zasady.