Modely a platformy AI
Index Andus Labs řadí rozrůstání pilotních projektů AI a nedostatky v pracovních postupech mezi hlavní rizika podniků
Andus Labs řadí rozrůstání pilotních projektů AI a povrchní využívání asistentů mezi hlavní překážky pro podniky a upozorňuje na rozdíl mezi používáním nástrojů a změnou provozu.

Klíčové bodyPouhý přístup k nástrojům nevytváří provozní model, který dokáže AI efektivně využívat.
Zobrazit více
- Pouhý přístup k nástrojům nevytváří provozní model, který dokáže AI efektivně využívat.
- Pilotní projekty bez sdílené otázky nebo rozhodovacího pravidla přinášejí aktivitu, nikoli měřitelnou změnu.
- Dohled selhává, když týmy mohou AI zavést, ale nedokážou kolem ní přepracovat práci.
Podniky mohou působit, jako by se kolem AI hodně dělo, aniž by se změnil způsob jejich fungování. Právě před tím varuje nejnovější index Ground Truth Index od Andus Labs, který ve svém listopadovém žebříčku překážek v organizacích řadí na přední místa překrývající se experimenty a povrchní využívání asistentů AI.
Třetí vydání, zveřejněné 18. listopadu, vymezuje 25 prioritních vzorců. Zjištění nepředstavují reprezentativní průzkum zavádění AI v podnicích ani měření finančních ztrát. Jde o diagnostický rámec sestavený na základě terénních pozorování Andus, hodnocení s pomocí AI a úsudku výzkumníků. Jeho nejpřínosnějším prvkem je rozlišení, které přehledy zavádění AI často zastírají: přístup k nástrojům AI není totéž co provozní model, který je dokáže účinně využívat.
Když se experimentování stává provozním problémem
Andus řadí Nekontrolovaný rozmach na první místo a Strop kopilotů na druhé. První z těchto vzorců popisuje experimenty zahajované bez společného základu pro hodnocení výsledků. Druhý se týká organizací, v nichž se asistenti stávají běžnými nástroji pro psaní návrhů a shrnování, ale zásadně nemění pracovní postupy v podniku.
Andus v oznámení o zveřejnění uvádí, že čtyři z osmi nejvýše hodnocených vzorců se týkají institucionální soudržnosti, tedy kategorie, která zachycuje, zda organizační struktury a výdaje podporují zamýšlené změny. Zbývající dva jsou Nafukování výstupů, které se umístilo na šestém místě, a Sprint v oddělených týmech, který skončil osmý. Popisují přetížení kontrolou kvůli výstupům AI, jež působí propracovaně, a nespolupracující týmy, které vytvářejí podobné schopnosti.
Praktickým problémem není to, že by experimentování bylo samo o sobě plýtváním. Pilotní projekt může přinést odpověď na důležitou otázku, i když tato odpověď zní, že se má zastavit. Problém nastává, když se týmy neshodnou na otázce, výchozím stavu ani pravidle pro rozhodování. Vysoké využívání může svědčit o zvědavosti nebo pohodlí, ale neprokazuje, že se proces po započtení nákladů na kontrolu a integraci zrychlil, stal spolehlivějším nebo zlevnil.
Například dvě oddělení, která testují různé asistenty pro práci s dokumenty, mohou obě hlásit vysokou míru zapojení. Stále však zůstává nezodpovězeno, zda se nástroje navzájem neduplikují, zda některý z nich zkracuje celkovou dobu vyřízení od začátku do konce a kdo by odpovídal za společné nasazení. Jde o organizační rozhodnutí, nikoli o problém výběru modelu.
Odpovědnost musí odpovídat pravomocím AI
Na dalších třech místech žebříčku jsou Prázdné židle, Učení v zahlcení a Stínová autonomie. Těmito označeními Andus popisuje chybějící dohled nad rozhodnutími AI, školení přidané k již tak přeplněným pracovním povinnostem a neschválené využívání AI zahrnující citlivé obchodní informace. Devět z 25 vzorců v tomto vydání je nových; 16 se objevilo už dříve.
Tyto obavy spojuje otázka odpovědnosti. Tým může mít povolení zavést nástroj, ale nemusí mít pravomoc přepracovat postup, který s ním souvisí. Od zaměstnanců se může očekávat, že se naučí nové metody, a přitom budou nadále hodnoceni podle nezměněného pracovního vytížení. Systému může být dovoleno vydávat doporučení, aniž by byla určena konkrétní osoba odpovědná za posouzení výjimek.
Náprava tohoto nesouladu vyžaduje víc než přidání dalšího schvalovacího kroku. Užitečný kontrolní mechanismus by měl určit, o jaké rozhodnutí jde, kdo za něj odpovídá, jaké podklady tato osoba potřebuje a za jakých okolností musí zasáhnout. Jinak se může i samotný dohled stát další frontou, která spotřebuje čas, jenž měl nástroj AI ušetřit.
Jak se index sestavuje
Andus uvádí, že její knihovna vzorců vychází z 2 100 schůzek a rozhovorů v 700 organizacích a nyní obsahuje 332 vzorců. Pět analytických agentů AI je nezávisle hodnotí z různých profesních hledisek. Hodnoticí kritéria jsou závažnost, rychlost, blízkost, vývoj a pravděpodobnost rozšíření. Výchozí hodnotu tvoří medián skóre; výzkumníci poté posoudí 50 nejvýše hodnocených vzorců a před zveřejněním 25 priorit rozhodnou o sporných případech.
Metodika zahrnuje také zpravodajství v angličtině, finanční výkazy velkých amerických společností a signály od regulačních orgánů. Tyto podklady rozšiřují kontext, nemění však rozhovory, z nichž se vychází, v náhodný vzorek. Žebříček je proto třeba chápat jako hodnocení priorit ze strany Andus, nikoli jako údaj o procentu podniků, které se s jednotlivými problémy potýkají. Ani použití mediánu několika hodnocení AI nedokazuje, že jsou tato hodnocení nezávisle přesná.
Od zavádění nástrojů k měřitelným změnám
Pro vedoucí pracovníky podniků nabízí index užitečný způsob, jak kriticky posoudit portfolio AI, aniž by předpokládali, že každé nasazení selhává. Klíčová otázka zní, co se v práci změnilo: který předávací krok odpadl, které rozhodnutí se zlepšilo, jaká zátěž spojená s kontrolou se snížila nebo která nová odpovědnost se vyjasnila.
Důvěryhodné rozhodnutí o rozšíření nasazení musí vycházet z těchto provozních důkazů stejně jako z údajů o využívání. Totéž platí pro důvěryhodné rozhodnutí o ukončení. Nejnovější žebříček Andus přesouvá pozornost od počtu experimentů, které podnik financuje, k otázce, zda je dokáže porovnat, poučit se z nich a převzít odpovědnost za to, co bude následovat.












