Měření podložené výzkumem, navržené pro praktická rozhodnutí.
AI Adoption Pulse propojuje zavedený výzkum zavádění technologií, organizační podpory, psychologické bezpečnosti, odpovědného chování a uspořádání práce s verzovaným deterministickým modelem hodnocení.
Veřejná metodika vysvětluje, z čeho hodnocení vychází, co měří a jak jsou výsledky chráněny. Přesné přiřazení otázek, váhy, prahy a pravidla pro doporučení zůstávají součástí proprietárního modelu bodování společnosti Behaviture.
Než metoda doporučí opatření, propojí kontext lidí, nástrojů, pravidel a rolí.
Hodnocení čerpá z několika vzájemně se doplňujících výzkumných směrů.
Odpovědné zavádění AI v práci nevysvětlí žádná jediná teorie. Zaměstnanci mohou v AI vidět přínos, ale chybí jim přístup, jistota, pokyny, psychologická bezpečnost nebo schválená schopnost vhodná pro daný úkol. AI Adoption Pulse proto používá sociotechnický pohled, který zohledňuje zaměstnance, práci, prostředí nástrojů i organizaci zároveň.
Přijetí technologie a užitečnost
Výzkum přijímání technologií ukazuje, že lidé systém spíše přijmou, pokud věří, že zlepšuje jejich práci a že se dá rozumně snadno používat. AI Adoption Pulse z těchto poznatků vychází při zkoumání vnímaného přínosu, použitelnosti a podmínek pro dlouhodobé používání.
Davis (1989) a navazující výzkum přijímání technologií.Organizační podpora a podpůrné podmínky
Přístup, školení, příklady, podpora nadřízených a funkční procesy mohou zavádění umožnit, nebo zablokovat, i když o ně zaměstnanci mají zájem. Hodnocení proto nezkoumá jen osobní postoje, ale i podmínky, za kterých se AI používá.
UTAUT a výzkum zavádění v organizacích, včetně Venkatesh et al. (2003).Psychologická bezpečnost a ochota ozvat se
Zaměstnanci se spíše ptají, přiznávají nejistotu a hlásí chyby, pokud věří, že je to nevystaví ponížení ani trestu. To je důležité pro učení i pro včasné odhalení rizik.
Výzkum psychologické bezpečnosti v týmech (Edmondson).Jistota a odpovědné jednání
Samotná varování bezpečné chování vytvoří jen zřídka. Lidé potřebují také jistotu, že dokážou rozpoznat riziko, použít ochranné postupy, ověřit výstupy a požádat o pomoc. Hodnocení proto vedle povědomí o rizicích zohledňuje i jistotu v odpovědném používání.
Výzkum vnímané vlastní účinnosti (self-efficacy) a motivace k ochraně.Lidé, nástroje, práce a pravidla jako jeden systém
Zavádění AI není jen vlastností zaměstnance ani funkcí softwaru. Vzniká ze vzájemného působení pracovních nároků, schválených schopností, uspořádání pracovních postupů, pravidel, motivačních pobídek a podpory.
Sociotechnický systémový přístup a současná praxe odpovědné AI.Kontext role a úkolů
Analýza zohledňující role využívá kontext definovaný organizací a ověřené informace o povoláních k odhadu, kde může být AI užitečná, kde zůstává důležitá lidská kontrola a které mezery ve schopnostech si zaslouží pozornost.
Kontext povolání z O*NET nebo ESCO podle nastaveného modulu.Tyto výzkumné základy formují koncepty a interpretaci produktu. Neznamenají, že by celý nástroj AI Adoption Pulse již prošel nezávislou validací. Behaviture rozlišuje mezi ukotvením ve výzkumu a validací produktu.
Strukturovaná cesta od zkušenosti zaměstnanců k opatřením organizace.
Sběr kontextu od zaměstnanců a organizace
Hodnocení zachycuje zkušenosti uváděné zaměstnanci spolu s nastavenými informacemi o rolích, schválených nástrojích, dostupných schopnostech, pravidlech a podpoře.
Spojení souvisejících signálů
Související odpovědi se vyhodnocují společně a vytvářejí strukturovaný profil zavádění, přínosu, jistoty, vhodnosti nástrojů, odpovědného používání, jasnosti pravidel, důvěry a poptávky po schopnostech.
Odhalení významných nesouladů
Systém hledá kombinace, které naznačují problém s podporou – například vysoký vnímaný přínos při slabé vhodnosti schválených nástrojů, vysokou poptávku po schopnostech při omezeném pokrytí schválenými nástroji nebo jistotu, která převyšuje jasnost pravidel.
Převedení zjištění na opatření
Zprávy stanovují priority praktických změn v nástrojích, školení, pravidlech, komunikaci, uspořádání pracovních postupů nebo řízení AI a určují, co se má vyhodnotit v dalším pulsu.
Hodnocení zkoumá podmínky, na kterých závisí odpovědné používání AI.
Konkrétní otázky se liší podle verze dotazníku a zapnutých modulů. Základní puls pokrývá tyto oblasti.
Zavádění a používání
Jak často se AI používá, zda je používání trvalé a zda ji zaměstnanci dokážou začlenit do skutečné práce.
Vnímaný přínos
Zda AI podle všeho zlepšuje rychlost, kvalitu, řešení problémů nebo rozsah práce, kterou zaměstnanec zvládne.
Jistota a učení
Zda se zaměstnanci cítí schopni AI efektivně používat, kontrolovat výstupy a rozvíjet své dovednosti.
Vhodnost schválených nástrojů
Zda dostupné nástroje, licence, funkce, povolená data a způsoby přístupu odpovídají praktickým potřebám zaměstnanců.
Jasnost pravidel a odpovědné používání
Zda zaměstnanci rozumějí přijatelnému používání, hranicím pro citlivá data, očekáváním ohledně ověřování a postupům eskalace.
Psychologická bezpečnost a podpora
Zda zaměstnanci mohou požádat o pomoc, přiznat nejistotu a upozornit na chyby nebo nenaplněné potřeby, aniž by se obávali trestu.
Role a poptávka po schopnostech
Které schopnosti AI se jeví jako užitečné pro danou práci, které se už používají a kde může schválená cesta chybět nebo být obtížně schůdná.
Tlak externích nástrojů
Zda omezení nástrojů, těžkopádná pravidla, překážky v přístupu nebo potřeby pracovních postupů mohou zaměstnance vést k používání osobních nebo neoficiálních nástrojů.
Volitelné moduly připravenosti
Volitelné moduly mohou přidat otázky ke gramotnosti v AI podle role, k připravenosti agentních pracovních postupů, dohledu, autonomii nebo řízení AI.
Skóre je reprodukovatelné. Postup výpočtu je proprietární.
Závazná fakta ve zprávě vytváří deterministický model bodování se správou verzí. Když se stejné platné odpovědi zpracují podle stejné verze dotazníku a bodování, systém dospěje ke stejným podkladovým výsledkům.
Odpovědi se přiřazují k definovaným oblastem měření, upravují se podle směru otázky a škály, ověřuje se, zda je k dispozici dostatek informací, a kombinují se podle zdokumentovaných interních pravidel. Volitelné nebo nedostupné informace se zpracovávají tak, aby chybějící odpověď nebyla považována za negativní.
Verzované
Každý zveřejněný dotazník i model bodování má jednoznačnou verzi, aby bylo možné změny posoudit a starší zprávy správně interpretovat.
Více otázek
Důležitá zjištění vycházejí ze souvisejících signálů, nikoli z jediné odpovědi, kdykoli to návrh hodnocení umožňuje.
Kontrola kvality
Systém před zobrazením skóre nebo srovnání ověří, zda je k dispozici dostatek relevantních informací.
Auditovatelné
Zprávy uchovávají verzi dotazníku a bodování i strukturovaná fakta, ze kterých interpretace vznikla.
Co jazykové modely smějí a co ne
Jazykový model lze použít k převedení ověřených faktů ze zprávy do srozumitelnějšího vysvětlujícího textu, pokud je tato funkce zapnutá a výstup prochází kontrolou. Nepočítá závazná skóre, nemění podkladová měření a nevytváří nepodložená zjištění.
Behaviture nezveřejňuje váhy otázek, prahy bodování, hranice vzorců ani pravidla pro doporučení. Jsou součástí proprietárního modelu hodnocení a mohou se vyvíjet prostřednictvím řízených aktualizací verzí.
Nízká míra zavádění nemusí znamenat slabou podporu – a vysoká míra zavádění nemusí znamenat dobrou vhodnost.
Různé role mají různé příležitosti, omezení, citlivost dat a potřeby. AI Adoption Pulse může doplnit kontext rolí a schopností, aby vedení neporovnávalo všechny zaměstnance se stejným očekáváním.
Vstupní podklady
- Role a pracovní kontext definované organizací
- Poptávka po schopnostech a zkušenosti uváděné zaměstnanci
- Nastavení schválených nástrojů a schopností
- Ověřené informace o povoláních a úkolech
Odvozená podpůrná fakta
- Odhadovaná příležitost role
- Pokrytí schválenými schopnostmi
- Podmínky zavádění podle rolí
- Priority školení a pokynů
Podle modulu a regionu zákazníka může Behaviture využívat ověřené informace ze zdrojů o povoláních, jako jsou O*NET nebo ESCO. Kontext rolí definovaný organizací a práce popsaná zaměstnanci zůstávají důležité, protože veřejná data o povoláních nemohou plně popsat konkrétní pracoviště.
Lidé poskytují lepší informace, když hodnocení není skrytým posuzováním výkonu.
AI Adoption Pulse je navržen tak, aby zaměstnancům přinášel soukromý užitek a reporting pro organizaci omezil na souhrnné vzorce. Správa kampaně a diagnostická interpretace jsou oddělené, takže vedení může řídit účast, aniž by dostávalo individuální skóre nebo odpovědi zaměstnanců.
Soukromé zprávy pro zaměstnance
Správci firmy nedostávají individuální koučovací profily.
Souhrnný reporting pro organizaci
Přehledy pro vedení se zaměřují na skupiny splňující prahy a na vzorce za celou organizaci.
Skrývání malých skupin
Výsledky se nezobrazí, pokud je skupina nebo kombinace filtrů pro bezpečný reporting příliš malá.
Omezená interpretace
S otevřenými odpověďmi a citlivými informacemi se zachází podle nastavených pravidel produktu a ochrany soukromí.
Jazyk, který netrestá
Zprávy se zaměřují na podporu, schválené cesty a podmínky v systému, nikoli na nálepkování zaměstnanců.
Zprávy pro organizaci se zobrazují jen za skupiny, které splňují nastavený práh ochrany soukromí.
Prohlédnout architekturu ochrany soukromí →Ukotvení ve výzkumu je začátkem validace, ne jejím koncem.
Návrh vycházející z výzkumu
Oblasti měření a interpretace vycházejí ze zavedeného akademického výzkumu, oficiálních zdrojů o povoláních, doporučení pro odpovědnou AI a z výzkumu zakladatele v rámci magisterského studia zaměřeného na stínovou AI na pracovišti.
Implementováno a otestováno
Verze dotazníků, pravidla bodování, ochrana soukromí a generování zpráv jsou verzovány a testovány na konzistentní chování softwaru.
Vyhodnocení v pilotech
První piloty slouží k posouzení kvality odpovědí, vnitřní konzistence, užitečnosti, míry dokončení, relevance doporučení a dopadu na rozhodování zákazníků.
Externí validace a benchmarking
Širší tvrzení, normativní srovnávací hodnoty a silnější prediktivní interpretace vyžadují větší a rozmanitější vzorky, transparentní analýzu a odpovídající externí posouzení.
Behaviture nebude prezentovat koncept vycházející z výzkumu jako validovaný benchmark, dokud pro to nebude dostatek důkazů. Tvrzení o metodice mají postupovat od navrženého přes implementované a ověřené v pilotech a teprve potom k validovanému.
Kde jsou hranice analytiky zavádění.
Metoda může podpořit
- Odhalení vzorců zavádění a podpory za celou organizaci
- Nalezení pravděpodobných mezer v nástrojích, schopnostech, pravidlech, školení nebo důvěře
- Srovnání skupin rolí nebo oddělení, které splňují prahy
- Stanovení priorit opatření k posouzení
- Plánování gramotnosti v AI a řízení AI
- Výběr otázek pro navazující puls
- Sledování směru změn napříč kompatibilními verzemi dotazníku
Metoda sama o sobě nedokáže
- Prokázat, že jeden faktor způsobil jiný
- Měřit pracovní výkon jednotlivců
- Určit, zda zaměstnanec porušil pravidla
- Předpovědět, že role bude nahrazena
- Certifikovat soulad s právními nebo regulatorními požadavky
- Ověřit skutečná technická opatření v každém systému
- Zaručit finanční návratnost
- Nahradit posouzení ze strany bezpečnosti, právního oddělení, HR nebo vedení
Upozornění na rozhodnutí se závažnými důsledky: AI Adoption Pulse by neměl být jediným podkladem pro rozhodnutí o přijetí, povýšení, kázeňském opatření, ukončení pracovního poměru, odměňování nebo snižování počtu zaměstnanců.
Vybrané výzkumné zdroje
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.
Proč je to důležité: Základní výzkum přijímání technologií zaměřený na vnímanou užitečnost a snadnost použití.
Externí odkaz open_in_newVenkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
Proč je to důležité: Dokládá roli očekávaného výkonu, očekávaného úsilí, sociálního vlivu a podpůrných podmínek.
Externí odkaz open_in_newEdmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383.
Proč je to důležité: Dokládá význam prostředí, ve kterém se lidé mohou ptát a hlásit chyby.
Externí odkaz open_in_newBandura, A. (1997). Self-Efficacy: The Exercise of Control. W. H. Freeman.
Proč je to důležité: Poskytuje základ pro posouzení jistoty při provádění náročného nebo ochranného chování.
Rogers, R. W. (1975). A protection motivation theory of fear appeals and attitude change. The Journal of Psychology, 91(1), 93–114.
Proč je to důležité: Přispívá k rozlišení mezi povědomím o riziku a důvěrou ve vlastní schopnost účinně reagovat.
Externí odkaz open_in_newNational Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST Framework Publication.
Proč je to důležité: Poskytuje oficiální rámec pro řízení rizik AI prostřednictvím správy, kontextu, měření a řízení.
Externí odkaz open_in_newO*NET Database, U.S. Department of Labor, Employment and Training Administration (USDOL/ETA). This product incorporates information from the O*NET Database, used under the CC BY 4.0 license. O*NET® is a trademark of USDOL/ETA. Occupational information and task data.
Proč je to důležité: Poskytuje strukturovaný kontext povolání, který může podpořit analýzu rolí a úkolů.
Externí odkaz open_in_newVan Prooyen, T. (2026). Shadow AI in the Workplace: Balancing Productivity Gains and Organizational Risk. Master’s thesis, Prague University of Economics and Business.
Proč je to důležité: Poskytuje výzkumný kontext zakladatele pro netrestající interpretaci stínové AI, vnímanou užitečnost, pravidla, rozdíly mezi nástroji, riziko a jistotu zaměstnanců.
Z těchto zdrojů metodika vychází. Neznamenají podporu ani doporučení společnosti Behaviture či AI Adoption Pulse.
Otázky k metodice
Začněte zaměřeným snapshotem zavádění AI s důrazem na soukromí.
Dejte zaměstnancům soukromý přínos a vedení strukturovaný přehled o zavádění, vhodnosti nástrojů, jasnosti pravidel, poptávce po schopnostech a dalších krocích.