Partnerstwo Ohio State i Microsoft łączy kliniczną AI z pięcioletnim planem chmurowym
Ohio State i Microsoft ogłosiły 10 listopada pięcioletnie partnerstwo, łączące technologie szpitalne, kliniczną AI, infrastrukturę badawczą i edukację pracowników. Partnerstwo Ohio State i Microsoft łączy narzędzia działające już w systemie ochrony zdrowia ze znacznie szerszym programem rozwoju. Zrozumienie tej różnicy jest istotne: porozumienie instytucjonalne wyznacza kierunek, podczas gdy poszczególne wdrożenia wciąż wymagają własnych dowodów.
Główne napięcie ma charakter organizacyjny. Połączenie pracy klinicznej, badań i działalności szpitala obiecuje bardziej użyteczne technologie, ale wymaga też jaśniejszych decyzji dotyczących dostępu do danych, odpowiedzialności i pomiarów. Obowiązki te wykraczają poza zespoły kupujące oprogramowanie. Dotyczą klinicystów weryfikujących wygenerowane notatki, badaczy wnioskujących o informacje i administratorów decydujących, które usprawnienia zasługują na rozszerzenie.
Uniwersytet ogłosił również we wrześniu partnerstwo z Google Cloud. Stanowi ono użyteczny punkt odniesienia dla tej umowy, nie ustanawiając jednak bezpośredniej rywalizacji zastępczej. Pytanie brzmi, w jaki sposób różne relacje instytucjonalne służą konkretnym potrzebom oraz czy powstałe systemy czynią codzienną pracę bardziej niezawodną.
Co faktycznie zmienia partnerstwo Ohio State i Microsoft
Według pięcioletniego partnerstwa partnerów program obejmuje połączone szpitale, infrastrukturę chmurową, współdzielone dane, kliniczną AI i szkolenia.
Platforma inteligentnego szpitala działa już w Richard M. Ross Heart Hospital i James Outpatient Care. Wykorzystuje Azure, platformę chmurową Microsoftu, oraz technologię Internetu Rzeczy, która łączy fizyczne urządzenia i czujniki. Planowane jest rozszerzenie na kolejne placówki.
Ambicją partnerów jest przeniesienie około 70% do 80% zasobów pamięci masowej i mocy obliczeniowej do Azure. Elektroniczna dokumentacja medyczna, czyli cyfrowy zapis danych pacjenta, również jest tam przenoszona na potrzeby kopii zapasowych i ciągłości działania.
Fundament danych wykorzystujący Microsoft Fabric, platformę analityczną, oraz OneLake, jej współdzieloną warstwę pamięci, ukończył projekt wysokiego poziomu. Proponowane zastosowania obejmują prognozy zapotrzebowania na zabiegi chirurgiczne i obsadę personelu.
Klinicyści już korzystają z dokumentacji kontekstowej Dragon Copilot, która zamienia rozmowy podczas wizyt w projekty notatek wymagające przeglądu i zatwierdzenia przez klinicystę. Wspierane przez AI konsylia onkologiczne, czyli wielodyscyplinarne dyskusje nad przypadkami nowotworowymi, pozostają na etapie eksploracji. Częścią umowy są także możliwości szkolenia i certyfikacji.
Ogłoszenie ustanawia skoordynowany program, którego różne komponenty znajdują się na odmiennych etapach rozwoju.
To rozróżnienie zmienia sposób, w jaki czytelnicy powinni oceniać kolejne aktualizacje. Działająca usługa, ukończony projekt i eksploracyjny proces pracy reprezentują postęp. Odpowiadają jednak na różne pytania i powinny wiązać się z różnymi oczekiwaniami.
Działająca usługa rodzi pytania o niezawodność, wykorzystanie i rezultaty. Ukończony projekt rodzi pytania o wdrożenie, uprawnienia i testowanie. Eksploracyjny proces pracy rodzi pytania o jego docelowych użytkowników oraz warunki wymagane przed wdrożeniem.
Połączenie tych etapów pod jednym partnerstwem ma strategiczny sens. Sprawia również, że precyzyjne raportowanie staje się niezbędne. W przeciwnym razie czytelnicy mogą pomylić szeroki zakres umowy z dojrzałością każdej aplikacji w jej ramach.
Najtrafniejsza interpretacja jest więc konkretna: Ohio State i Microsoft ustanowiły ramy łączące pracę przekraczającą granice działów. Ich wartość będzie zależeć od tego, co umożliwią te połączenia i jak instytucja oceni wyniki.
Dla nabywców rozwiązań dla przedsiębiorstw umowa jest przez to istotna także poza ochroną zdrowia. Szeroka relacja technologiczna nabiera znaczenia, gdy zmienia sposób, w jaki zespoły koordynują realizację, zarządzają informacjami i biorą odpowiedzialność za niepowodzenia.
Samo ogłoszenie partnerstwa nie może rozstrzygnąć tych kwestii. Tworzy strukturę, dzięki której organizacje mogą zajmować się nimi z czasem.
Zespoły szpitalne przejmują pracę stojącą za integracją
Natychmiastowa presja spada na osoby odpowiedzialne za przekształcenie współdzielonej infrastruktury w niezawodne codzienne procesy pracy.
Dla liderów technologicznych wyzwaniem jest właściwa kolejność działań. Przenoszenie informacji, zmiana aplikacji i wprowadzanie AI mogą oddziaływać na tych samych pracowników poprzez różne projekty. Każdy projekt wymaga wykonalnego przejścia, nawet gdy szerszy program ma wspólny cel.
Oddział kliniczny nie może na przykład oceniać narzędzia do dokumentacji wyłącznie na podstawie jakości generowanego tekstu. Jego przydatność zależy również od tego, kiedy pojawia się projekt, gdzie wprowadzane są poprawki i jak końcowy zapis trafia do ustalonego procesu pracy.
Ta sama zasada dotyczy działalności szpitala. Jaśniejszy obraz wykorzystania zasobów staje się wartościowy wtedy, gdy ktoś może na jego podstawie działać. Lepsza widoczność bez uprawnień, personelu lub określonej reakcji może pozostawić podstawowy proces bez zmian.
Są to analityczne konsekwencje umowy, a nie zgłoszone problemy wdrożeniowe w Ohio State. Wyjaśniają, dlaczego szerokość partnerstwa zwiększa znaczenie koordynacji.
Rozważmy prognozę harmonogramu. Użyteczna predykcja musi dotrzeć do osoby podejmującej decyzję kadrową, zanim zmiana tej decyzji stanie się trudna. Potrzebuje również wystarczającego kontekstu, aby osoba ta rozumiała jej ograniczenia.
Jeśli prognoza wskazuje dodatkowe zapotrzebowanie, pytanie operacyjne dotyczy tego, co organizacja może dostosować. Dostępne sale, dostępność specjalistów i usługi wsparcia mogą ograniczać reakcję, nawet gdy sama predykcja jest trafna.
Ten przykład pokazuje, dlaczego miara wydajności technicznej nie może stanowić całej oceny. Model może tworzyć trafne oszacowanie, podczas gdy otaczający go proces pracy uniemożliwia znaczącą poprawę.
Zespoły kliniczne mierzą się z podobnym problemem w przypadku generowanej dokumentacji. Przegląd projektu wymaga uwagi, a sam przegląd powinien należeć do każdej oceny obciążenia pracą. Liczenie wytworzonego tekstu bez liczenia weryfikacji dawałoby niepełny obraz.
Zespoły badawcze spotykają się z inną wersją tego samego problemu. Łatwiejszy dostęp do informacji staje się użyteczny tylko wtedy, gdy badacze potrafią ustalić, co te informacje reprezentują. Definicje, praktyki gromadzenia danych i brakujące obserwacje wpływają na pytania, na które zbiór danych może odpowiedzieć.
Dla pracowników umysłowych to połączenie jest znajome. Przeszukiwalna baza wiedzy pomaga, gdy ludzie potrafią zidentyfikować właściwy materiał i ocenić jego przydatność. Informacje kliniczne wymagają dodatkowych kontroli instytucjonalnych, lecz podstawowy problem informacyjny pozostaje rozpoznawalny.
Program klinicznej AI Ohio State rozkłada zatem obowiązki związane z realizacją między wiele grup. Personel technologiczny zarządza systemami, liderzy kliniczni definiują akceptowalne procesy pracy, a menedżerowie operacyjni ustalają, czy informacje zmieniają decyzję.
Wspólny program może pomóc tym grupom działać na rzecz zgodnych celów. Jego sukces nadal wymaga wyraźnego przypisania odpowiedzialności w punkcie, w którym wynik techniczny staje się ludzkim działaniem.
Współdzielona infrastruktura łączy koordynację i zależność
Łączenie systemów może ograniczać rozproszoną pracę, jednocześnie zwiększając znaczenie wspólnych zasad i niezawodnego odzyskiwania.
To zasadniczy kompromis stojący za migracją Ohio State do Azure. Bardziej skoncentrowane środowisko techniczne zapewnia miejsce do koordynowania aplikacji i informacji. Sprawia jednak również, że decyzje dotyczące dostępu, odzyskiwania i kontroli instytucjonalnej mają większe znaczenie.
Nie oznacza to, że architektura jest niebezpieczna ani że konsolidacja jest niepożądana. Oznacza to, że wybory infrastrukturalne wymagają oceny wykraczającej poza liczbę przeniesionych obciążeń.
Kamień milowy migracji może pokazywać, że aplikacja została pomyślnie przeniesiona. Nie pokazuje jednak automatycznie, że użytkownicy mogą odzyskać swoją pracę po zakłóceniu. Są to powiązane, lecz odrębne twierdzenia operacyjne.
To samo rozróżnienie dotyczy kopii zapasowych. Przechowywanie kopii możliwej do odzyskania jest częścią planowania ciągłości działania. Instytucja musi także rozumieć, jak przywracanie wpisuje się w pracę, którą pracownicy muszą wykonywać podczas zakłócenia.
Dla czytelników oceniających przyszłe ogłoszenia ćwiczenia odtwarzania zapewniłyby bardziej użyteczne dowody niż ogólne zapewnienia o odporności. Takie ćwiczenia mogą ujawnić zależności niewidoczne podczas zwykłych operacji.
Integracja danych stanowi inne wyzwanie. Umieszczenie informacji we wspólnym środowisku nie sprawia, że każde pole staje się spójne. Działy mogą używać podobnych terminów dla różnych pojęć lub różnych terminów dla pojęć blisko związanych.
Współdzielona platforma potrzebuje zatem wspólnej interpretacji. Ktoś musi zdecydować, które definicje obowiązują, kto może je zmieniać i jak użytkownicy korzystający z danych dowiadują się o tych zmianach.
To punkt, w którym infrastruktura staje się polityką instytucjonalną. Ustawienia dostępu wyrażają decyzje o tym, kto powinien widzieć informacje. Ustawienia retencji wyrażają decyzje o tym, jak długo informacje powinny pozostawać dostępne. Konfiguracje techniczne zawierają oceny organizacyjne.
Federalne wytyczne dotyczące chmury w ochronie zdrowia dostarczają istotnego kontekstu. HHS opisuje obowiązki organizacji ochrony zdrowia i dostawców usług chmurowych obsługujących chronione informacje, w tym odpowiednie umowy i analizę ryzyka. Korzystanie z usługi chmurowej nie eliminuje tych obowiązków.
Wytyczne te nie oceniają tego partnerstwa ani nie certyfikują jego wdrożenia. Ustanawiają, dlaczego zarządzanie powinno towarzyszyć architekturze w każdej poważnej dyskusji o informatyce w ochronie zdrowia.
Dla nabywców rozwiązań dla przedsiębiorstw szersza lekcja dotyczy zależności. Decyzje integracyjne powinny uwzględniać sposób, w jaki informacje pozostają dostępne, gdy aplikacje się zmieniają, umowy ewoluują lub usługa staje się niedostępna.
Pytania te są szczególnie ważne, gdy kilka procesów pracy korzysta z tych samych usług bazowych. Wspólny fundament może upraszczać koordynację, jednocześnie wymagając lepszego zrozumienia konsekwencji zakłóceń.
Migrację Ohio State do Azure należy zatem oceniać przez pryzmat gotowości operacyjnej, a także postępów wdrożenia. Użyteczne dowody wyjaśniałyby, co przeniesiono, co pozostało zależne od innych systemów oraz jak zespoły zweryfikowały ciągły dostęp.
Istotny kompromis jest możliwy do zarządzania, lecz nie może zniknąć w ogólnym twierdzeniu, że adopcja chmury oznacza modernizację. Modernizacja nabiera znaczenia, gdy instytucja potrafi wyjaśnić, co się poprawiło i skąd to wie.
Kliniczna AI potrzebuje dowodów wykraczających poza wygenerowaną notatkę
Stworzenie użytecznego projektu i poprawa dnia pracy klinicysty to różne rezultaty.
To rozróżnienie stawia przed pracami Ohio State nad kliniczną AI konkretne wyzwanie ewaluacyjne. System dokumentacji może pomagać w części spotkania, pozostawiając inne obowiązki administracyjne bez zmian.
Niezależne badania stanowią użyteczne ostrzeżenie. Badanie dokumentacji klinicznej oceniało wcześniejsze wdrożenie DAX Copilot w Atrium Health. Główne analizy nie wykazały statystycznie istotnej poprawy w korzystaniu z elektronicznej dokumentacji ani wskaźników finansowych.
Analizy eksploracyjne sugerowały korzyści dla niektórych grup klinicystów i określonych wzorców użycia. Badanie miało charakter obserwacyjny, a jego autorzy wskazali ograniczenia. Nie przesądza ono o wynikach obecnego wdrożenia na Ohio State.
Jego znaczenie dotyczy problemu pomiaru. Wiarygodny mechanizm oszczędzania czasu nie gwarantuje mierzalnej poprawy w całym procesie pracy klinicznej.
Klinicysta może poświęcać mniej czasu na tworzenie notatki, ale więcej na sprawdzanie jej struktury lub poprawianie szczegółów. Inny może uznać szkic za pomocny, ponieważ zmniejsza wysiłek poznawczy, nawet jeśli zarejestrowany czas pracy niewiele się zmienia.
Te możliwości wymagają różnych miar. Czas dokumentowania, praca po godzinach, obciążenie poprawkami i doświadczenie klinicysty ujawniają odrębne aspekty. Ich nieostrożne łączenie może zaciemnić obraz tego, kto odnosi korzyści i w jakich warunkach.
Doświadczenie pacjenta również zasługuje na osobną uwagę. Zadowolenie klinicysty z narzędzia nie przesądza o tym, jak pacjenci odbierają jego użycie. Ich zrozumienie, komfort i możliwość zadawania pytań powinny należeć do oceny.
Żadna z tych kwestii nie dowodzi, że określony problem wystąpił na Ohio State. Wskazują one, jakich dowodów potrzeba, aby uczciwie ocenić zamierzone korzyści partnerstwa.
Weryfikacja przez człowieka jest szczególnie ważna, gdy wygenerowany tekst trafia do trwałej dokumentacji. Szkic może wyglądać płynnie, a jednocześnie pomijać zastrzeżenie lub przypisywać informację niewłaściwej osobie. Weryfikacja musi dotyczyć znaczenia, a nie tylko czytelności.
Szkolenia powinny zatem obejmować rozpoznawanie sytuacji, w których wynik wymaga poprawy lub odrzucenia. Znajomość interfejsu jest przydatna, lecz nie zastępuje profesjonalnego osądu.
Eksploracyjne prace nad przypadkami onkologicznymi wskazują na dalsze rozróżnienie. Organizowanie informacji dla specjalistów różni się od rekomendowania leczenia. Każdy przyszły opis powinien wyjaśniać rolę systemu, nie zacierając tych granic.
Czytelnicy powinni również odróżniać dowody dotyczące przepływu pracy od dowodów dotyczących wyników leczenia pacjentów. Szybsze przygotowanie do dyskusji odpowiadałoby na pytanie operacyjne. Lepsze wyniki kliniczne wymagałyby oceny zaprojektowanej tak, by potwierdzić inne twierdzenie.
Ogłoszenie nie potwierdza poprawy wyników leczenia nowotworów, trafnych decyzji terapeutycznych ani nowej korzyści dotyczącej badań klinicznych. Nie należy wyciągać takich wniosków z zakresu partnerstwa.
Wiarygodna ocena powinna pozostawiać miejsce na mieszane wyniki. Niektóre specjalizacje mogą uznać dany proces pracy za użyteczny, podczas gdy inne będą wymagały zmian. Część korzyści może dotyczyć doświadczenia, a nie szybkości.
Nadal byłaby to cenna informacja. Konkretne wyniki mogą skuteczniej kierować wdrażaniem niż szerokie twierdzenie o sukcesie, które ukrywa różnice między użytkownikami i zadaniami.
Google zapewnia kontekst dla szerszej strategii AI Ohio State
Relacje Ohio State z dostawcami należy oceniać według ich deklarowanych celów i zweryfikowanych wyników, bez zakładania, że jedna umowa zastępuje drugą.
29 września uczelnia ogłosiła partnerstwo z Google Cloud, skoncentrowane na badaniach, dostępie do technologii na kampusie i kompetencjach AI. Ogłoszenie opisywało przestrzeń AI na kampusie, współpracę z Google DeepMind oraz możliwości badawcze dla studentów.
Ta wcześniejsza umowa zapewnia istotny kontekst konkurencyjny dla listopadowego ogłoszenia Microsoftu. Obie firmy dążą do relacji instytucjonalnych wykraczających poza zakup pojedynczego oprogramowania. Ich deklarowane programy pokrywają się w obszarach edukacji i badań, choć różnią się akcentami.
Publiczne ogłoszenia nie potwierdzają wyniku bezpośredniego postępowania zakupowego. Nie pokazują też, że uczelnia przypisała wszystkie obciążenia robocze jednemu dostawcy.
Dla czytelników użyteczne porównanie dotyczy ról organizacyjnych. Jedna relacja może podkreślać środowisko badań kampusowych, podczas gdy inna koncentruje się na operacjach systemu ochrony zdrowia. Zrozumienie tych ról jest ważniejsze niż ogłaszanie ogólnego zwycięzcy.
Ten kontekst zmienia również sposób komercyjnej interpretacji partnerstwa. Duża umowa instytucjonalna pokazuje miejsce dostawcy w programie. Nie potwierdza jednak wyłącznej kontroli nad szerszą strategią technologiczną instytucji.
Partnerstwo Ohio State z Microsoftem daje jednak Microsoftowi możliwość połączenia infrastruktury, aplikacji i rozwoju kompetencji pracowników w ramach wspólnej relacji. To połączenie ma znaczenie, ponieważ wdrożenie zależy od tego, czy ludzie rozumieją, jak narzędzia wpisują się w ich pracę.
Szkolenia mogą pomóc wypełnić lukę między dostępnością a kompetentnym użyciem. Udział w kursie i praktyczna zdolność pozostają jednak odrębnymi rezultatami. Ukończenie szkolenia nie dowodzi, że pracownik potrafi bezpiecznie poradzić sobie z niejednoznacznym wynikiem.
Dla klinicysty użyteczna kompetencja obejmuje wiedzę, kiedy zakwestionować wygenerowaną dokumentację. Dla badacza oznacza rozumienie ograniczeń dostępnych informacji. Dla administratora obejmuje rozpoznawanie sytuacji, w których prognoza nie powinna przesądzać o decyzji.
To przykłady umiejętności, które szerszy program powinien wspierać, a nie twierdzenia dotyczące opublikowanego programu nauczania. Pokazują, dlaczego rozwój kompetencji pracowników należy uwzględniać w analizie.
Wiele relacji z dostawcami rodzi również pytania o koordynację. Instytucje potrzebują jasnych zasad dotyczących zatwierdzonych zastosowań, postępowania z informacjami i wsparcia. W przeciwnym razie pracownicy mogą doświadczać niepewności, nawet gdy każda pojedyncza usługa działa zgodnie z założeniami.
To ogólne wyzwanie instytucjonalne, a nie dowód na zamieszanie na Ohio State. Ogłoszenia czynią je istotnym, ponieważ ich ambicje obejmują różne społeczności i role zawodowe.
Dla innych uczelni i nabywców korporacyjnych ten przypadek warto śledzić jako przykład organizowania wdrażania AI wokół relacji instytucjonalnych. Jego ostateczne wnioski będą zależeć od szczegółów realizacji.
Analiza konkurencyjna powinna pozostać równie konkretna. Najważniejsze pytania dotyczą tego, które procesy pracy wspiera każdy dostawca, jak instytucja je ocenia oraz czy użytkownicy doświadczają zamierzonych usprawnień.
Szeroki zakres oferty dostawcy może wspierać koordynację. Dowody z konkretnych procesów pracy nadal muszą wykazać, czy ten zakres przekłada się na użyteczne rezultaty instytucjonalne.
Obserwuj kamienie milowe wdrożenia, obciążenie pracą kliniczną i praktyczne umiejętności
Kolejne użyteczne aktualizacje powinny ułatwić ocenę poszczególnych części programu.
W nadchodzących miesiącach czytelnicy powinni najpierw obserwować kamienie milowe wdrożenia, następnie dowody dotyczące klinicznych procesów pracy, a na trzecim miejscu praktyczne wyniki szkoleń. Są to priorytety obserwacji, a nie ogłoszone terminy.
Pierwszym sygnałem będzie jaśniejszy opis postępu wdrożenia. Użyteczna aktualizacja wskazałaby, które systemy zostały uruchomione, które nadal są rozwijane oraz jaka weryfikacja towarzyszyła przejściu.
W przypadku migracji Ohio State do Azure oznacza to odróżnienie przeniesionych obciążeń roboczych od szerszych ambicji. Opisy wdrożenia powinny wyjaśniać zakres na tyle jasno, by czytelnicy rozumieli, co się zmieniło.
Ten sam standard dotyczy połączonych operacji szpitalnych. Wskazanie dodatkowych wdrożeń potwierdziłoby rozszerzenie. Raportowanie zdefiniowanego wskaźnika operacyjnego pomogłoby ustalić, czy rozszerzenie przyniosło zamierzoną wartość.
Takie sygnały wzmocniłyby argument za skoordynowaną infrastrukturą, gdyby pokazywały niezawodną realizację i mierzalną poprawę operacyjną. Ogólne stwierdzenia o postępach pozostawiłyby kluczowe pytania otwarte.
Drugim sygnałem są dowody dotyczące obciążenia pracą kliniczną. Użyteczne raportowanie wyjaśniałoby, kto korzystał z narzędzia, jaką pracę wspierało i jak instytucja oceniła to doświadczenie.
Ocena powinna uwzględniać weryfikację i poprawki, obok czasu poświęconego na tworzenie dokumentacji. Powinna też odróżniać stałych użytkowników od osób, które krótko wypróbowały system.
Wyniki wskazujące na trwałe użycie przy akceptowalnej jakości dokumentacji i mniejszym obciążeniu pracą wzmocniłyby argument za rozszerzeniem. Wyniki ograniczone do wybranych zadań uzasadniałyby węższy wniosek.
Mieszane ustalenia również miałyby znaczenie. Mogłyby wskazać, gdzie konieczne są zmiany w procesach pracy albo gdzie narzędzie lepiej odpowiada określonym użytkownikom niż innym.
W przypadku eksploracyjnych zastosowań klinicznych wyraźnie zdefiniowana rola sama w sobie stanowiłaby użyteczny postęp. Czytelnicy powinni szukać wyjaśnienia, w czym system pomaga, co pozostawia specjalistom i jak oceniana jest jego skuteczność.
Trzecim sygnałem jest to, czy szkolenia tworzą praktyczną zdolność działania. Liczby uczestników opisywałyby zasięg. Dowody, że uczestnicy potrafią zastosować odpowiedni osąd, powiedziałyby więcej o gotowości.
Znacząca aktualizacja mogłaby wyjaśniać, jak nauka łączy się z faktycznymi obowiązkami. Ułatwiłoby to ocenę komponentu edukacyjnego bardziej niż ogólny opis możliwości uzyskania certyfikacji.
Te sygnały zapewniają też rozsądny sposób interpretowania ciszy. Brak krótkoterminowych danych o rezultatach nie potwierdzałby porażki pięcioletniego programu. Oznaczałby, że wnioski dotyczące korzyści pozostają przedwczesne.
Partnerstwo Ohio State z Microsoftem zasługuje na uwagę, ponieważ łączy decyzje, które instytucje często oceniają osobno. Informatyka, dokumentacja, dostęp do badań i kompetencje pracowników wzajemnie na siebie wpływają, nawet jeśli ich harmonogramy wdrażania się różnią.
Śledź poszczególne wdrożenia równie uważnie jak całą umowę. Pytaj, czy każda aktualizacja opisuje dostępność, wdrożenie, poprawę operacyjną czy dowody kliniczne, ponieważ te twierdzenia wymagają odmiennego potwierdzenia. Porównuj deklarowany cel z faktycznie raportowaną miarą i szukaj wyjaśnień różnic między zespołami. Dla instytucji rozważających podobne porozumienia to partnerstwo powinno być przypadkiem do obserwowania, a nie gotowym modelem do skopiowania. Najmocniejsze wnioski wiąż z najmocniejszymi dowodami i weryfikuj je ponownie wraz z postępem wdrożenia. Która część programu jako pierwsza opublikuje wystarczająco dużo szczegółów, by pokazać, jak połączona infrastruktura zmienia codzienną pracę?



