A sorozat eddigi anyagai egy megalkotott eszközt írtak le. Az ilyen eredmény minősítése két szempontból történik, a belső következetesség és a gyakorlati hasznosság oldaláról, az utóbbi pedig csak mérésből derül ki.
Hipotézisek
Hat ellenőrizhető hipotézis
A módszertan állításai ellenőrizhetők. Az alábbi hipotézisek mérhető előrejelzést adnak, és mindegyikhez tartozik egy elvégezhető vizsgálat.
H1. Eszközszintű használat mellett a végponttól végpontig mért átfutási idő nem javul érdemben, miközben az egyéni mért időmegtakarítás jelentős. Vizsgálat, ugyanazon folyamat egyéni és folyamatszintű mérése a bevezetés előtt és után, szakaszos bevezetéssel.
H2. A folyamatszintű átszervezés hatása nagyobb, mint az eszközhasználat kiterjesztésének hatása, azonos ráfordítás mellett. Vizsgálat, két hasonló egység összevetése, az egyikben a hozzáférés kiterjesztése, a másikban a folyamat újratervezése történik.
H3. A bevezetés eredménye erősebben függ a felhasznált adattermékek minőségi állapotától, mint a választott modell képességétől. Vizsgálat, azonos folyamat futtatása eltérő adatállapot és eltérő modell mellett, a hibaarány összevetésével.
H4. Az átadási pontok számának csökkentése erősebben csökkenti az átfutási időt, mint az egyes lépések gyorsítása. Vizsgálat, két átalakítási változat összevetése ugyanazon folyamaton.
H5. A vizsgálati készlettel és írott elfogadási kritériummal működő folyamatok hibaaránya alacsonyabb, és a modellváltás kevésbé rontja a teljesítményüket. Vizsgálat, modellváltás előtti és utáni mérés készlettel rendelkező és nem rendelkező folyamatokon.
H6. A képesség határán kívül eső feladatoknál a gépi segítség a döntés minőségét rontja, és a romlás a felhasználó tapasztalatával összefügg. Vizsgálat, kontrollált feladatsor határon belüli és kívüli feladatokkal, eltérő tapasztalatú résztvevőkkel.
Korlátok
A módszertan korlátai
Négy korlátot érdemes kimondani. A módszertan a tudásmunkára készült, fizikai folyamatokra közvetlenül nem alkalmazható. Fázisonkénti időigény a szervezet méretétől és adatállapotától erősen függ, a megadott értékek tájékoztató jellegűek. A technológiai alap változása miatt a képességekre vonatkozó megállapítások rövidebb érvényűek, mint a szervezési elvek, ezért a mérési rendszer a módszertan legtartósabb eleme. Végül az érettségi modell önértékelésre használva felülértékel, ezért külső felmérés vagy dokumentumalapú ellenőrzés javasolt.
Kivitelezés
Egy vállalaton belüli vizsgálat kivitelezése
A felsorolt hipotézisek nagy része vállalati keretben is vizsgálható, laboratóriumi körülmények nélkül. Négy döntés határozza meg, hogy az eredmény értelmezhető lesz vagy sem.
Az első az esetszám. Egy folyamatmutató változásának megállapításához nem kell nagy minta, a tapasztalat szerint néhány száz eset elég, ha a mérés egységes. A hibaarány becslése ennél érzékenyebb, ritka hiba kimutatásához arányosan több eset kell, ezért alacsony hibaarány mellett a mintavétel nem elég, és a teljes körű gépi kapu a használható eszköz.
A második az időszak. Az alapérték felvétele legalább egy teljes üzleti ciklust fogjon át, hogy a szezonalitás ne mozgassa az eredményt. A bevezetés utáni mérés első két hetét érdemes kihagyni az értékelésből, mert ekkor a tanulás és a figyelem hatása erősebb, mint a folyamaté.
A harmadik az adatgyűjtés helye. Önbevallás helyett a folyamat saját nyomát kell olvasni, vagyis a naplózott időpontokat, a verifikáló jelölését és a visszautasítások rögzítését. Ahol ez nem áll rendelkezésre, ott a mérés megteremtése az első lépés, nem a bevezetés.
A negyedik a torzítások kezelése. A megfigyelt csoport önmagában is jobban teljesít, ezért a visszatartott vagy a később átálló csoport nélkül a javulás nem tulajdonítható a beavatkozásnak. Ugyanígy torzít, ha a bevezetést a legjobb munkatársakkal indítják, és az eredményt a teljes szervezetre vetítik.
Következtetés
Következtetések
A gépi kogníció vállalati haszna nem a technológia birtoklásából, hanem a munka logikájának újraírásából származik. Mai munkaszervezésünk az emberi figyelem drágaságára, az információ mozgatásának költségére és a koordináció lassúságára adott válasz, és éppen ezek a költségek estek össze. A gyárak villamosítása ugyanezt mutatta meg, a motor beszerelése önmagában kevés volt, a hozamot az alaprajz felszabadítása adta.
A kutatás három állítható eredményt ad. Az első a tervezési alapfeltételek és a belőlük levezetett elvek rendszere, amely megadja, mi alapján kell újraszervezni a munkát. A második az érettségi modell, amely mérhető kritériummal határolja el az eszközszintű, a folyamatszintű és a rendszerszintű működést, és ezzel operatív tartalmat ad az AI first és az AI native megnevezésnek. Harmadikként a nyolcfázisú eljárás áll, amely egy kiválasztott értékfolyamon végigvezet az értékfolyam leképezésétől a tanulási hurok intézményesítéséig.
A módszertan két ponton nem engedékeny. Az értéklánc összekötése nélkül a gépi kogníció gyorsított siló működést ad, ahol a lokális nyereség az átadási pontokon elveszik. Alkalmas adat nélkül pedig a folyékony kimenet a hibát is hitelesnek látszó állítássá formálja, ezért a kár nagyobb lesz, mint automatizálás nélkül. Mindkét feltétel szervezeti és nem technológiai munka, és mindkettő időigényes, ebből származik a bevezetések türelemigénye.
A legfontosabb vezetői következtetés a figyelem tárgyának megválasztása. Korai szakaszban nem a használati arány és nem a megtakarított idő önbevallása mutatja az előrehaladást, hanem a komplementer vagyon felépülése, vagyis az írott elfogadási kritériumok, a gondozott kontextuscsomagok, a minőségi vállalással kiadott adattermékek és a bővülő vizsgálati készletek állapota. Ez a vagyon a modellváltásokon átvihető, és minden következő lépés költségét csökkenti.
Hivatkozások
Hivatkozott források
Az anyag állításai az alábbi szakirodalomra épülnek.
- Hevner, A. R., March, S. T., Park, J., Ram, S. (2004). Design Science in Information Systems Research. MIS Quarterly, 28(1), 75-105.
- Brynjolfsson, E., Rock, D., Syverson, C. (2021). The Productivity J-Curve. How Intangibles Complement General Purpose Technologies. American Economic Journal, Macroeconomics, 13(1), 333-372.
- Dell'Acqua, F., McFowland, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper, 24-013.
- Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942.
- Noy, S., Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187-192.
- March, J. G. (1991). Exploration and Exploitation in Organizational Learning. Organization Science, 2(1), 71-87.