Mezera znalostí, kterou vytváří umělá inteligence, je novou bezpečnostní mezerou. Zde je vysvětleno, jak ji uzavřít.

Technologické společnosti dělají známou sázku: že umělá inteligence může udělat práci rychleji a levněji než lidé. Zatímco v mnoha případech toto může být pravda, je také využívána jako snadný způsob, jak provést propouštění.

V zprávě PwC, která byla zveřejněna na počátku tohoto roku, 56% CEO uvedlo, že dosud neviděli žádný významný finanční přínos z jejich investic do umělé inteligence, a pouze 12% uvedlo, že viděli úspory nákladů a růst příjmů z umělé inteligence. Kromě toho studie Národního úřadu pro ekonomický výzkum z února zjistila, že téměř 90% firem uvedlo, že umělá inteligence neměla žádný dopad na zaměstnanost nebo produktivitu za posledních tři roky. To vše podtrhuje zjevnou skutečnost: mnoho organizací dosud nevidělo očekávané příjmy a produktivitu slibované umělou inteligencí, a aby pokryly své ztráty, pokračují ve snižování počtu zaměstnanců.

Ale tady je to, co výdělkové hovory neříkají: když odstraníte account manažera, který má deset let zkušeností a znalostí vztahů, nebo QA inženýra, jehož institucionální znalosti jsou jediné, co chytí defekty, než se dostanou k zákazníkům, nevyřazujete tuk. Vyřazujete nosné zdi. Náklady na opětovnou práci, odchod zákazníků, selhání kvality, které následují, se zřídka objevují ve stejné prezentaci, která oslavovala snížení počtu zaměstnanců. Tyto náklady se tiše absorbují do budoucích čtvrtletí, připisují se tržním podmínkám a zapomínají. Mezera mezi tím, co slibuje restrukturalizace poháněná umělou inteligencí, a tím, co skutečně dodává, je skutečná, roste a pro mnoho organizací zůstává zcela neuznaná.

Skutečné náklady na tento cyklus se neukládají na jedno místo. Rozkládají se napříč všemi týmy, které zůstaly po propouštění. Vývojáři absorbují pracovní zatížení inženýrů, kteří odešli, zatímco zároveň dostávají nástroje umělé inteligence, které jsou stále příliš nezralé, aby kompenzovaly ztracený počet zaměstnanců. Produktové týmy ztrácí kontext, který držel plány v zemi zákaznické reality. Podpůrné organizace jsou napjaté a kvalita odpovědí se zhoršuje, protože zákazníci okamžitě rozpoznají “slop” odpovědi na jejich tikety. Břemeno není koncentrované, je rozložené, a tato difuze je součástí toho, co dělá tak snadné ji ignorovat v čtvrtletní zprávě. Ale v rámci tohoto širšího rozložení se IT týmy potýkají se zvláštním a kumulativním problémem. Nedělají pouze více s méně. Jsou požádáni, aby spravovali infrastrukturu, která byla postavena rychle, bez institucionálních znalostí, které jí daly smysl, zatímco zároveň provádějí odchodu odcházejících kolegů a nástupu jejich náhradníků, protože společnosti tiše mění směr na propouštění, které veřejně oslavily.

Jak pokračujeme v roce a organizace se snaží splnit sliby umělé inteligence, je čas si uvědomit, že existuje mnohem více než příjmy, které se ztratí, když se sníží lidská odbornost ve jménu efektivity umělé inteligence. Dobrou zprávou je, že můžete mít nejlepší z obou světů. Ale to vyžaduje přijetí praktičtějšího, pragmatičtějšího přístupu k umělé inteligenci. Ten, který drží lidi v centru vaší strategie.

Co se ztratí, když znalosti odejdou ze dveří

Kritická provozní znalost žije v lidech a je aplikována prostřednictvím lidského úsudku, ne systémy. Když tito lidé odejdou, znalost odejde s nimi. Bez ohledu na to, jak sofistikované je model, umělá inteligence nemůže vyplnit tuto mezeru dnes.

I když se schopnosti umělé inteligence rozšiřují, automatizace bez nuancovaného kontextu vytváří nebezpečné slepé skvrny v kritických oblastech:

• Úsudek a strategie: Intuice, institucionální znalosti a povědomí o trhu nežijí pěkně v datových sadách, ani v nestrukturovaných.
• Kontext a situační povědomí: Lidé rozpoznávají nuance, záměr a mohou navigovat šedé oblasti, kde rigidní pravidla mohou selhat.
• Empatie a důvěra: Vysoký dopad nebo emocionálně nabité momenty (zejména ty, které zahrnují zákazníky nebo zaměstnance) vyžadují lidskou odpověď.
• Dozor a odpovědnost: Někdo musí být pověřen identifikací selhání, zkreslení nebo předcházet dezinformacím. Prostě říkat: “Máte pravdu, zkuste to znovu,” po poskytnutí zcela nesprávných informací nestačí.
• Institucionální paměť a systémový kontext: Pochopení, proč týmy postavily infrastrukturu určitým způsobem (nebo ne), co se již pokusili, a které hraniční případy existují, které nikdo nedokumentoval.
• Vedení a správa: Definice politiky, tolerance rizik a dodržování etických hranic zůstává základní lidskou odpovědností.

Umělá inteligence může poskytnout přehledy, doporučovat akce a urychlit provádění, ale nemůže nahradit institucionální paměť, která brání katastrofám, nebo nabídnout odpovědnost, která chytí chyby, než se stanou katastrofálními.

Co dělají chytré organizace jinak

Organizace, které úspěšně využívají umělou inteligenci, neodstraňují lidi z rovnice. Používají umělou inteligenci k zefektivnění rutinních, opakujících se procesů, které přidávají tření do každodenních operací. Uvolňují lidi, aby věnovali čas a další kritické zdroje jinde, aby našli nové kreativní způsoby, jak pohonout větší obchodní přínosy. Používají umělou inteligenci jako “závod s” nástroj, aby donutili amplifikaci. Zvažte svět IT operací. Tyto týmy jsou již napjaté, spravují rozsáhlou infrastrukturu s omezenými prostředky. Umělá inteligence, nebo spíše strojové učení (ML), může dodat skutečnou hodnotu zde. Umělá inteligence/ML může automatizovat dříve časově náročné, rutinní úkoly, které pohřbívají cenné, odborné znalosti v operačním špinavém práci: testování a výzkum, klasifikace tiketů, generování pracovních postupů, objevování a mapování rizik.

Tyto úkoly tvoří základ IT operací, ale spotřebují obrovské množství času (zejména když se organizace digitálně rozšiřují, vulnerabilitní krajina se mění a zaměstnanci stále více očekávají pozitivní digitální zkušenosti se zařízeními, které používají k práci). Když týmy selžou v základních úkolech (správě nebo monitorování těchto schopností a procesů) kvůli tomu, že jsou pod vodou, důsledky jsou tvrdé: výpadek, ztráta zákazníků, úniky dat, bezpečnostní incidenty.

Na druhé straně, když použijete umělou inteligenci dobře k zefektivnění práce v těchto oblastech, dáváte IT personálu čas na to, co umělá inteligence nemůže: odstranění technického dluhu, zlepšení stávajících systémů a procesů, přestavbu pro odolnost a uchování institucionálních znalostí, které udržují kritické systémy v chodu. To je více než jen efektivita. Je to řízení rizik. A to vytváří pevnější základ pro dlouhodobý růst.

Získání správné adopce umělé inteligence

Organizace, které začínají s promyšlenou aplikací a adopcí umělé inteligence, zatímco zároveň priorizují zabezpečenou a efektivní aktivaci, budou vidět (a budou pokračovat ve vidění) větší výhry ze svých strategií umělé inteligence. Optimalizace nepřichází z odstranění lidí.Přichází z investic do nich, přepracování pracovních postupů a vzdělávání týmů o tom, jak nejlépe používat umělou inteligenci.

Toto vlastně není nic nového. Technologie prošla generačními cykly po staletí. Každýkrát opakujeme stejné chyby. Přehánějíme a snažíme se udělat konkrétní pokrok univerzálním lékem na vše, co nás trápí. Není nedostatek prodejců hadích olejů, kteří budou využívat tuto zoufalost, slibovat více, než mohou dodat, a mizet, než mohou být měřeny výsledky. Realita je, že umělá inteligence/strojové učení může dělat to, co počítače vždy dělaly; provádět určité úkoly s vyšší rychlostí a přesností než člověk. Ti, kteří najdou tyto příležitosti a aplikují umělou inteligenci v pragmatičtějším, “závod s” způsobu, uvidí velmi rychlé návraty na investice. Prakticky to znamená:

• Využití umělé inteligence k odstranění úkonů s nízkou hodnotou, ne úsudku s vysokou hodnotou
• Navrhování lidských pracovních postupů pro de-riskování rozhodnutí s vysokým dopadem
• Definice jasných eskalačních cest, když systémy umělé inteligence selžou nebo produkují nejisté výsledky
• Přiřazení explicitního vlastnictví pro rozhodnutí poháněná umělou inteligencí
• Školení týmů, aby zkoumaly výstup umělé inteligence, ne slepě přijímaly

Skutečné náklady na to, že se tohle pokazí

Současný cyklus technologického průmyslu masivních propouštění následovaný tichým opětovným najímáním není talentovým posunem. Je to přenos rizika. Organizace obchodují s desetiletími institucionální paměti za několik měsíců automatizované rychlosti, a IT lídři jsou ti, kdo drží pytel, když se jedná o řízení následků.

Umělá inteligence nabízí skutečné zisky, ale ty znamenají nejvíce, když použijete umělou inteligenci k uchování a amplifikaci odbornosti, ne k jejímu nahrazení. Společnosti, které budou pokračovat v prosperitě v éře umělé inteligence, nejsou ty, které propouštějí nejhluběji nebo nasazují nejvíce nástrojů umělé inteligence. Jsou to ty, které přemýšlejí o tom, jak použít umělou inteligenci k automatizaci monotónnosti a zvýšení lidské kreativity, spolupráce a odbornosti.

Protože když selže další systém, nebo dojde k dalšímu výpadku nebo kybernetickému incidentu, nechcete mít robota nebo stroj na čele systémové nápravy nebo zákaznické komunikace. Tam budete chtít (a budete potřebovat) osobu s hlubokým historickým kontextem a znalostmi, která je stále v budově.

Pokud chceme odemknout plný potenciál umělé inteligence, je zásadní soustředit se na využití umělé inteligence pro úkoly, které jsou zapleteny do nudnosti, a přestat ji používat jako omluvu pro špatný obchodní výkon.