Tilbake til Nyheter
EnterpriseAI Understanding orientering

Scale AI sier at Qatar-programmet trente 240 offentlige fagfolk i AI-flyt

Scale AI rapporterer at ALIF-programmet leverte 15 kohorter for 240 myndighetspersoner i Qatar mellom januar og juni 2026, med gjennomsnittlig vurderingsscore som steg fra 57 % til 77 %.

5 min readRead the primary source
Primary-source image accompanying Scale AI says its Qatar program trained 240 government professionals in AI fluency
PrimærkildedokumentKilde registrert
Utgiver
scale.com
Kilde lenke
scale.comhttps://scale.com/blog/alif-building-ai-fluency-one-cohort-at-a-time
Kildetype
Primærdokument – en offisiell kunngjøring, papir, arkivering eller førstepartsside vi leser direkte.
KontekstForstå dette på 60 sekunder

Start her

Nøkkelord

RAG (Retrieval-Augmented Generation)
En metode som henter ekstern kunnskap og mater den inn i generering på slutningstidspunkt.
Generativ KI
AI-systemer som produserer nytt innhold som tekst, bilder, lyd, video eller kode.
Rekkverk
Regler, kontroller og kontroller som begrenser usikker eller uønsket modelladferd.
Test deg selvAI Training Quiz

Hva skjedde

Scale AI sier at deres ALIF Foundations-program trente 240 offentlige fagpersoner fra mer enn 40 Qatari-enheter i 15 kohorter mellom januar og juni 2026. Selskapet beskriver programmet som en arabisk-første, offentlig sektor-fokusert læreplan levert gjennom Qatar Digital Academy og informasjonsteknologidepartementet i Qatar.

Kilden til Scale AI beskriver ALIF som flaggskipet Foundations-program for offentlige fagfolk i tekniske og ikke-tekniske roller. Navnet refererer til Alif, den første bokstaven i det arabiske alfabetet, og til et arabisk verb knyttet til å bli kjent med noe. Scale sier at programmet først ble lansert i Qatar i desember 2025 av departementet for kommunikasjon og informasjonsteknologi, i samarbeid med Scale AI, og leveres gjennom Qatar Digital Academy.

Læreplanen er utformet rundt statlig arbeid i stedet for generell AI-bevissthet. Scale sier at den inkluderer arabisk, regionale brukstilfeller og offentlig sektor fra begynnelsen. Selskapet beskriver øvelser basert på lærdom fra sine produksjons-AI-engasjementer, inkludert scenarier som involverer policyutforming med sikkerhetsrekkverk og delegering av arbeidsflyter til AI-agenter. Den sier at målet er å hjelpe deltakerne med å identifisere hvor AI kan støtte deres eget arbeid og bruke det på en ansvarlig måte.

ALIF har to spor. ALIF Core er en en-dags, instruktørledet workshop for forretnings- og policy-fagfolk som dekker AI-fundamenter, sikker evaluering av utdata og bruks-tilfelle-identifikasjon. Deltakerne produserer et AI Opportunity Canvas, beskrevet som et offentlig sektorspesifikt forslag for teamene deres. ALIF Tech er en to-dagers workshop for profesjonelle innen informasjons- og kommunikasjonsteknologi som dekker teknisk grunnlag, multimodal generativ AI, modellopplæring, gjenfinningsforsterket generasjon og arkitekturen, risikoene og styringen av AI-agenter.

I følge Scale leverte programmet 15 kohorter og trente 240 fagpersoner fra mer enn 40 enheter mellom januar og juni 2026. De navngitte organisasjonene inkluderer departementet som samarbeidet om programmet, Qatars generelle skattemyndighet, Qatars væpnede styrker, Amiri Diwan, statsministerens kontor, sosialdepartementet, departementet for helse, Hamadfair og Utenriksdepartementet. Saksorganisasjon og Qatar Rail. Disse tallene og institusjonelle eksemplene er påstander fremsatt av Scale AI i kilden og er ikke uavhengig verifisert her.

Kildedetaljer: scale.com ↗

Hvorfor det betyr noe

Programmet illustrerer en praktisk barriere for offentlig AI-adopsjon: organisasjoner kan trenge arbeidsstyrkeopplæring, redesign av arbeidsflyt, styring og lederstøtte sammen med tekniske systemer. De rapporterte gevinstene er begrenset til læringsvurderinger, men initiativet retter seg mot tjenestemenn som arbeider innen områder som skatt, helsevesen, utenrikssaker, jernbane og nasjonal sikkerhet.

Kunngjøringen er viktig fordi den behandler AI-adopsjon som et problem med organisasjonsevne i stedet for bare en beslutning om programvarekjøp. Offentlige etater opererer under formelle krav til ansvarlighet og håndterer ofte sensitiv informasjon. Opplæring av tjenestemenn i å evaluere resultater, identifisere passende brukstilfeller og forstå risikoer kan påvirke hvorvidt AI-verktøy distribueres forsiktig eller brukes uformelt uten tilstrekkelige kontroller.

Fokuset på offentlig sektor er også viktig fordi kilden identifiserer arbeidsflyter knyttet til skatteadministrasjon, levering av helsetjenester, utenrikssaker, transport og nasjonal sikkerhet. Feil eller dårlig styrte systemer i disse innstillingene kan få konsekvenser utover ordinær ineffektivitet på arbeidsplassen. En læreplan som tar for seg datasensitivitet, ansvarlighetsstrukturer, gjenfinningssystemer og AI-agentrisiko er derfor mer praktisk relevant enn en generisk introduksjon til chatbots, i det minste i prinsippet.

Scale rapporterer at gjennomsnittlig vurderingspoeng økte fra 57 % før programmet til 77 % etterpå, en gevinst på 20 prosentpoeng. Den sier også at nesten åtte av 10 deltakere forbedret resultatene sine, og at en tilsvarende andel oppfylte kravene til et digitalt kompetansebevis. Disse resultatene indikerer kortsiktig læringsfremgang målt av programmet, men de fastslår ikke at deltakerne ble mer nøyaktige, tryggere eller mer produktive i virkelige statlige operasjoner.

Tiltakets bredere verdi vil avhenge av overgang fra opplæring til praksis. Scale selv identifiserer arbeidsplassapplikasjoner som neste mål på effekt, inkludert om nyutdannede fremmer levedyktige brukssaker, anvender ansvarlig AI-praksis og deler læringen sin med kolleger. Kilden rapporterer ikke fullførte distribusjoner, tidsbesparelser, kostnadsreduksjoner, tjenesteforbedringer eller dokumenterte sikkerhetsresultater, så den praktiske effekten forblir et viktig åpent spørsmål.

Interactive Mechanism

Interaktiv mekanisme: Hvordan det faktisk fungerer

Utforsk den underliggende teknologien bak denne utviklingen interaktivt.

Agent Lifecycle Stage:
1
User Intent & Planning: "Audit customer refund request #4092 and settle payment."
2
Tool Calling: Emits structured JSON call crm_get_transaction(id='4092').
3
Guardrail & Verification:🛡️ Paused: High-value action requires human operator sign-off.
4
Final Settlement: Refund recorded, email receipt dispatched, and audit log stored.
Core takeaway: An AI agent is not just a language model—it is a closed loop of planning, tool invocation, and environment feedback. Production systems require self-healing retries and strict human approval guardrails.
Interaktiv konseptsjekk+10 Points
AI Training Quiz

Which training-log entry describes one completed epoch?

Hva du skal se neste

Nøkkeltesten vil være om deltakerne bruker opplæringen til reelle offentlige arbeidsflyter. Scale sier at den utvikler avanserte moduler for prompte, gjenfinning-utvidet generasjon og AI-agenter, samt en læringsplattform i eget tempo, men kilden gir ikke lanseringsdatoer, adopsjonstall, uavhengig evaluering eller bevis på operasjonelle forbedringer.

Det første punktet å se er om de rapporterte vurderingsgevinstene vedvarer og omsettes til arbeid. Kilden gir ingen detaljer om vurderingsspørsmålene, skåringsmetode, prøvesammensetning, instruksjonsbetingelser eller oppfølgingsperiode. Den sammenligner heller ikke deltakere med en kontrollgruppe eller forklarer om sertifikatet representerer demonstrert arbeidsplasskompetanse eller gjennomføring av programkrav.

Scale sier at veikarten for 2026 inkluderer avanserte moduler for prompting i produksjonsgrad, sikker henting-utvidet generasjonsrørledninger og flertrinns agentarbeidsflyter. Disse emnene er konsekvente fordi systemer som henter intern informasjon eller utfører flere handlinger kan skape nye personvern-, sikkerhet-, autorisasjons- og ansvarlighetsrisikoer. Kilden spesifiserer ikke sikkerhetstiltak, tekniske miljøer, tilsynsregler eller testprosedyrer som vil bli brukt i disse modulene.

Selskapet bygger også et læringsstyringssystem i eget tempo med live-lekeplasser der elever kan bygge, bryte og avgrense forespørsler og agenter i et kontrollert miljø. Dette kan utvide læringen utover korte instruktørledede kohorter, men kilden gir ingen utgivelsesdato, tilgangspolicy, kostnader, infrastrukturdetaljer eller informasjon om hvordan elevaktivitet vil bli overvåket. Det beskrives derfor som planlagt utvikling i stedet for et tilgjengelig produkt.

Til slutt bør programmets utvidelse vurderes opp mot Qatars uttalte mål for digital kapasitet og mot bevis fra deltakende byråer. Skala knytter ALIF til et Digital Agenda 2030-mål om å øke profesjonelle ansattes digitale kompetanse med 10 % og til et nasjonalt utviklingsmål for at mer enn 46 % av arbeidsstyrken skal inneha dyktige eller høyt kvalifiserte roller. Kilden fastslår ikke hvordan ALIFs 240 deltakere passer inn i de nasjonale tiltakene, om programmet vil utvide seg utenfor Qatar, eller om uavhengige offentlige organer vil evaluere resultatene.

Relaterte guider og quizer

AI treningKI-etikkAI-agenterPrompt EngineeringTest det du vet – prøv en gratis AI-quizSlå opp et AI-begrep i ordlisten vårFølg AI-finansieringssporeren
Fant du dette nyttig?