Prolomení cyklu: Jak se organizace mohou vyhnout zkáze a dosáhnout úspěchu

Od svého teoretického konceptu v 50. letech 20. století vydláždila umělá inteligence (AI) cestu pro podniky k lepším příležitostem a produktivitě prostřednictvím různých technik, zejména systémů strojového učení. Tyto nástroje/technologie zlepšily prognózování a rozhodování a položily základy pro budoucí technický pokrok. V nedávné době generativní AI slibuje převrátit vše, co víme o práci, a demokratizovala zážitek z AI. Uživatelé nyní interagují s modely AI, jako je ChatGPT, prostřednictvím „promptingu“, kdy člověk interaguje s modelem AI tam a zpět. Tyto výhody však přicházejí i s novou výzvou: doompromptingem. To je ekvivalent doom scrollingu online obsahu bez definovaného cíle, který uvězní uživatele v králičí noře. U AI však králičí nora mluví zpět. Tento akt neustálého zdokonalování promptingu AI pro generativní i agentní modely, poháněný ambicí dosáhnout dokonalého výstupu (a někdy i promptingem bez jakéhokoli konkrétního cíle), vede ke zvýšeným nákladům a klesajícím výnosům. Vytváří hlavní překážku úspěchu a maří účel používání samotné technologie AI.

Vzhledem k tomu, že firmy zvyšují své rozpočty související s umělou inteligencí, osoby s rozhodovací pravomocí musí pochopit cestu ke skutečné návratnosti svých investic a jakou hodnotu to generuje. Zpráva organizace IEEE z roku 2025, Skryté náklady umělé inteligence: Jak se malé neefektivity hromadí„…“ ukazuje, jak se drobné úpravy mohou hromadit ve značnou ekonomickou zátěž. Aby se organizace nestaly součástí tohoto nákladného boje, musí zdokonalit školení svých zaměstnanců pomocí LLM, aby dosáhly plného potenciálu svých investic do umělé inteligence.

Generativní umělá inteligence slibuje optimalizaci a efektivitu. Pokud se však týmy ocitnou v pasti nekonečného zdokonalování (nebo bloudění bez radaru), neefektivita tento základ podkopává.

Úklid „pracovní plochy“

Jedním z důvodů, proč týmy neustále zdokonalují výstupy, aby generovaly perfektní odpověď, je pracovní složitost. Poprvé popsána v Harvard Business Review, pracovní složitost zahrnuje „pracovní obsah generovaný umělou inteligencí, který se maskuje jako dobrá práce, ale postrádá podstatu pro smysluplné posunutí daného úkolu vpřed.“

Tato „balast“ produkovaná umělou inteligencí je prvním dominem v dlouhé řadě, která vytváří cyklus zkázy. I když je důležité upravovat podřadný obsah iteracemi nebo úpravami, je třeba pochopit, kdy přestat, než se situace dostane do klesajícího trendu. Organizace musí k časově náročnému školení umělé inteligence přistupovat s křehkou rovnováhou. Na jedné straně by si týmy měly být vědomy požadované kvality, na druhé straně by měly vědět, kdy je jí příliš. Hodilo by se také školení zaměstnanců v inteligentnějším používání modelů umělé inteligence prostřednictvím optimálního podněcování a jasných cílů.

Využití agentní umělé inteligence k zamezení zkázy

V posledních letech firmy výrazně zvýšily svůj zájem a investice do agentní umělé inteligence, která je uznávána pro svou schopnost zlepšit provozní efektivitu. Agentní umělá inteligence dokáže převzít složité úkoly, koordinovat s více agenty (včetně RAG a akčních agentů) rozhodnutí o průběhu akcí a provádět úkoly autonomně, aby dokončila celý úkol.

Tyto vlastnosti mohou pomoci umělé inteligenci zmírnit nepředvídatelné události nebo se jim zcela vyhnout. To může odstranit potřebu instruovat rozhraní GenAI prostřednictvím více pokynů k dokončení úkolu. Příkladem toho jsou IT operace poháněné umělou inteligencí neboli AIOps, které modernizují IT začleňováním umělé inteligence do každodenních úkolů. Týmy tradičně tráví čas ručním nastavováním systémů. Oddělení 21. století využívají umělou inteligenci k autonomnímu řešení kritických funkcí, jako je řešení problémů, reakce na incidenty a alokace zdrojů.

Dalším vhodným příkladem je, jak agentní systémy umělé inteligence dokáží autonomně zvládat složitý incident. Tito agenti spolu s IT-tops jsou schopni pochopit problém kontextově, koordinovat s uvažujícími agenty rozhodnutí o dalším postupu, používat akční agenty k provádění poslední opravy IT systémů a nakonec využívat učící se agenty k pochopení řešení a jeho efektivnějšímu uplatnění v budoucích incidentech.

Inteligentní automatizace od Agentic AI pomáhá s menší interakcí s lidmi a vykonává úkoly autonomně. Aby bylo možné splnit vyvíjející se obchodní požadavky, měly by být opakující se úkoly a operace předány autonomní AI. Toto delegování eliminuje cyklus opakovaného nastavování a opakovaného zdokonalování, které často vede k neúspěchům. Autonomní operace umožňují modelům AI průběžně optimalizovat a reagovat na měnící se proměnné bez manuálního zásahu, což vede k rychlejším výsledkům s minimálním lidským zásahem.

I když vyškolení profesionálové budou i nadále hrát klíčovou roli v každodenním provozu díky přístupu „člověk v cyklu“, jejich čas bude lépe využit při skenování za účelem ověření výsledků. Tento přístup minimalizuje riziko vzniku chyb nebo nadměrného nastavování.

Role správy věcí veřejných v prevenci zkázy

V poslední průzkum McKinsey88 % respondentů uvedlo, že využívá umělou inteligenci alespoň v jedné obchodní funkci. To byl nárůst o 10 % oproti roku 2024 a ohromujících 33 % oproti roku 2023. U umělé inteligence Agentic byl tento nárůst ještě výraznější. Z pouhých 33 % v roce 2023 na téměř 80 % v roce 2025.

Toto široké přijetí vede firmy k hledání nových řešení pro předcházení zkáze. Jedním z takových nástrojů jsou robustní rámce pro správu a řízení. Ty by měly být pečlivě navrženy tak, aby se zajistilo, že projekty umělé inteligence zůstanou v souladu s obchodními cíli a nestanou se obětí nekonečného valčíku optimalizace. Při vývoji těchto rámců by týmy měly zvážit:

• Stanovení směrnicDatové toky do a z modelů umělé inteligence se stávají stále složitějšími. Pro zjednodušení by směrnice pro umělou inteligenci měly vytvořit rámec pro týmy, aby mohly zodpovědně nakládat s daty, činit rozhodnutí a spravovat výstupy umělé inteligence.
• Školení uživatelů: Správné školení v oblasti rychlého používání může pomoci dosáhnout optimální produktivity
• Použití specializovaných modelů: Modely umělé inteligence specifické pro dané odvětví a účel pravděpodobně poskytnou kontextové a smysluplné výstupy rychleji.
• Trénování modelů umělé inteligence: Trénování modelů umělé inteligence s daty specifickými pro dané odvětví/úkoly/organizace (kdekoli je to možné) může vést k menší pracovní tísni a rychlejšímu získání vhodnějších výstupů.
• Vývoj pravidelNávrh a implementace jasného souboru pravidel je zásadní pro řízení vývoje a nasazení umělé inteligence. Když týmy stanoví provozní hranice, zajistí, aby přijaté systémy byly v souladu s cíli organizace, etickými standardy a regulačními požadavky.

Zatímco míra zavádění řešení umělé inteligence roste, správa věcí veřejných nikoli. Podle zprávy PEX Industry Report z roku 2025méně než polovina mají zavedenou politiku správy a řízení umělé inteligence. Mezitím pouze 25 % z nich ji zavádělo a téměř třetina neměla zavedenou žádnou politiku správy a řízení umělé inteligence. Tyto rámce mohou být určujícím faktorem, který pomůže firmám stanovit jasné hranice toho, co představuje přijatelný výkon.

Únik ze smyčky Doomprompting

Aby se firmy vyhnuly pádu do cyklu předvídání zkázy, musí přijmout strategie umělé inteligence, které upřednostňují výsledky před dokonalostí. Využití rychlého školení, účelově specifických modelů umělé inteligence a modelů trénovaných na kontextových podnikových datech může snížit potřebu rozsáhlého opětovného předávání informací. Firmy, které využívají agentní umělou inteligenci, autonomní IT operace a silné rámce správy a řízení, mohou realokovat kritické zdroje k dosažení svých obchodních cílů, aniž by se musely zahlcovat nekonečnými optimalizačními cykly. Úspěch se dostaví, když týmy změní své myšlení od neustálého zdokonalování k zaměření na realizaci a měřitelné výsledky.