En organisation med flere lokationer har som regel ikke mangel på AI-anvendelse, men mangel på overblik. Hver lokation træffer egne valg, tegner egne abonnementer eller lader teams selv finde ud af, hvad der er praktisk. Resultatet er en samling af anvendelser, som ingen steder er skrevet ned i sin helhed. Før der er noget at klassificere eller rapportere, skal denne samling først findes som en liste — med de samme faste oplysninger for hver anvendelse, uanset hvilken lokation der indberetter.
For hver anvendelse registrerer De i princippet: navn og leverandør, den lokation eller afdeling hvor den bruges, hvem der administrerer eller har indkøbt anvendelsen, hvad den bruges til, hvilke data der indtastes i den, og om anvendelsen selvstændigt træffer beslutninger eller kun understøtter. Sidstnævnte skelnen afgør i vidt omfang risikoniveauet: et værktøj, der omskriver tekst, skal bedømmes anderledes end et system, der udvælger jobansøgere eller vurderer kreditansøgninger.
Ved flere lokationer kommer der et ekstra felt til: om anvendelsen er indkøbt lokalt eller udrullet centralt. Denne skelnen er nødvendig for at se, om samme risiko er opstået uafhængigt på flere steder, eller om én beslutning har spredt sig over hele organisationen.
Det første sted, De ville søge, er IT-afdelingen, og den liste er et godt udgangspunkt — men ikke slutpunktet. Hvorfor IT-listen ikke er korrekt i en organisation med flere lokationer forklarer, at centralt administrerede licenser kun dækker en del af anvendelsen. Lokationer, der selv bruger et kreditkort til et abonnement, eller teams, der anvender en gratis version af et værktøj, optræder ingen steder i en central administration. Det overblik, De opbygger, skal derfor kombinere flere kilder, ikke bare én.
Udover IT-listen giver finansielle data en anden slags signal. Hvad indkøbs- og licensdata afslører i en organisation beskriver, hvordan fakturaer, abonnementer og kreditkortudgifter pr. lokation giver indikationer om anvendelser, der er tegnet uden om det centrale indkøb. Dette er særligt relevant ved flere lokationer: lokalt indkøb foregår ofte via andre kanaler end central IT, og netop dér opstår den største del af det ufuldstændige billede.
Ingen liste — teknisk eller finansiel — fortæller Dem, hvad en anvendelse i virkeligheden bruges til. Det ved kun de mennesker, der arbejder med den dagligt. Hvordan De spørger medarbejderne uden konsekvenser i en organisation går i dybden med den forudsætning, der afgør, om dette skridt lykkes eller mislykkes: den, der oplever, at et svar kan have konsekvenser, svarer ufuldstændigt eller ikke. Ved flere lokationer er dette ekstra vigtigt, fordi lokale vaner kan variere meget, og en landsdækkende undersøgelse let udjævner disse forskelle.
Udover samtaler og fakturaer indeholder det eksisterende IT-miljø ofte allerede indikationer, som ingen har genkendt som sådan: netværkstrafik til bestemte domæner, nye browserudvidelser, eller API-forbindelser, der er sat op et sted. Hvilke IT-signaler er brugbare i en organisation med flere lokationer viser, hvilke af disse signaler siger noget om AI-anvendelse, og hvilke der er baggrundsstøj. For en organisation med flere lokationer er dette en måde at se, om det samme mønster gentager sig på forskellige steder, uden at hver lokation er blevet spurgt separat.
Når oplysningerne pr. anvendelse er indsamlet — oprindelse, anvendelsesformål, involverede data, administrator, lokation — kan klassificeringen begynde. Ikke hver anvendelse fortjener samme opmærksomhed: et værktøj, der opsummerer interne mødenotater, vejer anderledes end et system, der har indflydelse på kunder eller medarbejdere. Denne vægtning afhænger af, hvad anvendelsen gør, ikke af hvor mange mennesker der bruger den, eller hvornår den er indkøbt.
Denne kortlægning er en løbende proces, ikke et øjebliksbillede. Lokationer tilføjer anvendelser, leverandører ændrer funktioner, og hvad der i dag er understøttende, kan i morgen træffe selvstændige beslutninger. Det overblik, De opbygger, skal derfor kunne gentages: de samme spørgsmål, de samme felter, hver gang igen hos de samme lokationer.
Responsible AI Scan er tænkt til at strukturere denne kortlægning: de samme faste felter pr. anvendelse, kombineret med IT-signaler, indkøbsdata og samtaler med medarbejdere, og resulterende i en klassificering, der passer til organisationens eksisterende risikostruktur. Scanningen er under udvikling. Den, der ønsker at arbejde med den, så snart den er tilgængelig, kan tilmelde sig ventelisten.
Så snart det er klart, hvilke anvendelser der kører pr. lokation og hvad de gør, ligger det næste spørgsmål ligetil: hvilken del af det arbejde, disse anvendelser understøtter, kan egentlig overtages af AI. Det er et andet spørgsmål end governance — det handler ikke om risiko og dokumenterbarhed, men om opgaveindhold. Arbejdsscanningen fra FTE TO AI beregner pr. opgave, hvilken del af arbejdet der kan overtages af AI, og knytter dermed an til det overblik, De har opbygget med denne kortlægning.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.