Budování AI-Native Pracovního Prostředí: Lekce z Prvních Linií

Co byste dělali, kdyby jste běželi 10K závod a snažili se dostat nahoru po strmém kopci, a najednou se změnily pravidla závodu? Co kdyby řidiči začali brát běžce do aut a poté závodili proti sobě až do cíle? Bylo by lepší pokračovat v běhu, vědět, že skončíte na konci pelotonu, nebo nastoupit do auta, rozjet se a bojovat o hlavní cenu?

V dnešním podnikání je umělá inteligence tím autem, které mění způsob, jakým společnosti fungují. Společnosti si stále mohou vybrat, zda budou postupovat podle svých osvědčených postupů, vytvářet dlouhodobé plány, dodržovat procesy a nutit zaměstnance, aby pracovali tvrději než kdykoli předtím, aby uspěli v stále více konkurenčním prostředí. Ale umělá inteligence mění povahu závodu. Poskytuje společnostem nové vozidlo, aby se mohly pohybovat rychleji a poskytovat zaměstnancům nové cesty, aby se mohli vyhnout problémům. Každá společnost, která se neřídí touto změnou a nezapojí umělou inteligenci do své pracovní síly, bude zanechána pozadu na dlouhém a strmém kopci.

Přijetí Budoucnosti Stáním se Manažerem AI

Zde v Cockroach Labs jsme se rychle naučili, že generativní umělá inteligence může pomoci nám dělat věci, o kterých jsme si nikdy nemysleli, že jsou možné. Používáme ji po celé společnosti pro generativní vyhledávání, systémy doporučení a semantické vyhledávání.

Jedním z nejlepších příkladů toho, jak umělá inteligence může transformovat pracovní proces, je naše vzdělávací oddělení. Naši tým používá umělou inteligenci k urychlení vývoje osnov, které pomáhají zákazníkům, partnerům a našim vlastním zaměstnancům stát se odborníky na provoz našich databázových produktů.

Nedávno jsme vytvořili kurz, který zahrnoval 21 praktických cvičení a 20 slide decků s podrobnými poznámky studentů. Předtím, než jsme začali projekt, jsme odhadovali, že pomocí našeho standardního vývojového procesu – s ohledem na odhady průmyslu, kolik času potřebují vývojáři k vytvoření jedné hodiny obsahu – by to trvalo tři až pět měsíců.

Co se stalo? Díky začlenění generativní umělé inteligence do našich stávajících procesů jsme byli schopni dokončit úkol za pět týdnů.

Během procesu jsme se naučili řadu lekcí.

• Jsme všichni manažery AI. Každý z nás má příležitost myslet velmi odlišně pomocí umělé inteligence. Každý z nás by se měl chovat jako manažer, ať už má přímé podřízené nebo ne, protože spravujeme prakticky neomezenou zásobu inteligentní kapacity, kterou můžeme využít pro náročné projekty. Kolik můžete automatizovat? Jak kreativní můžete být? Jak efektivní můžete být při zadávání úkolů umělé inteligenci, při zpochybňování jejích výsledků a při nasazení nového modelu, který vygeneruje? Můžete ji ovládat. Můžete ji spravovat. Můžete dělat prakticky cokoli, co vám dovolí vaše vlastní kapacita.
• Nečekejte, že AI udělá všechno. Existují úkoly, pro které není vhodná. Ale můžete ji zadat úkoly, které by pracovníci již neměli dělat – práce, které jsou časově náročné, ale stále vyžadují určitou úroveň inteligence.
• Neberte výsledky, které vyprodukuje, za bernou minci. Zkontrolujte, zkontrolujte a zkontrolujte znovu. Důvěřujte technologii, ale vždy ověřte – protože přesnost mění předpoklady v úspěchy.

Postupný Proces Nasazení AI pro Správu Úkolů

Zde je rychlý souhrn některých způsobů, jak nám umělá inteligence pomohla dostat se nahoru po kopci, až do cíle, mnohem rychleji, než jsme očekávali.

• Různé modely: Různé modely mají různé silné stránky. Stejně jako výrobci používají nejlepší komponenty, když staví řešení, můžete měnit modely, aby využili těchto silných stránek. Použili jsme Claude Sonnet 3.5 k vytvoření prvního návrhu cvičení, protože vynikal v vytváření zajímavého textu a pokynů. Použili jsme ChatGPT 4o&”o modely jako technické recenzenty k vylepšení příkazů a zajištění technické přesnosti ve druhém návrhu.
• Opakovatelné výsledky: Při provádění vysoce technických úkolů jsme chtěli být schopni vynutit jasná technická omezení a produkovat strukturované výstupy, které podporují opakovatelné výsledky. K tomu jsme poskytli explicitní požadavky na strukturu a formát.
• Příkazy pro vysoce technické úkoly: Buďte velmi specifické ohledně toho, co chcete, aby AI udělala –

jinak může dělat divné věci. Jasně stanovte předpoklady o vstupních datech nebo podmínkách prostředí a požádejte model, aby zpracoval neočekávané případy.

• Vylepšené příkazy: Je důležité povzbudit nástroje AI, aby kladly уточňující otázky. První příkazy nebudou perfektní, takže očekávejte několik kol. Zahrňte jakékoli vylepšení nebo kroky, které model navrhuje, zpět do základního příkazu, a iterujte s AI a svými kolegy.
• Testování, testování, testování: Kontrola konzistence je kritická. Jedním ze způsobů, jak měřit účinnost vašeho příkazu, je zajistit konzistentní výstup. Takže jsme testovali často, abychom se ujistili, že vkládáme stejný vstup a že výstup zůstává stejný.

Lidská Odbornost na Mostě: Základní Role Dozoru AI

Zatímco AI odstraňuje časově náročné úkoly z denního pracovního postupu, neznamená to, že je úplně odstraňuje. Lidé stále hrají kritické role ve vývoji našich osnov a musí být začleněni do procesů řízených AI, aby zajistili, že procesy uspějí.

Dobrým příkladem je to, jak naše vzdělávací tým provádí inženýrství příkazů. Lidé jsou odpovědní za vytvoření počátečního příkazu, včetně kontextu z relevantních zdrojů. Poté, co nástroj generativní AI provede příkaz, lidský recenzent kontroluje výstup nástroje. Je zásadní, aby tato osoba byla odborníkem na danou oblast, který může chyby odhalit brzy v procesu. Kolegové pokračují ve spolupráci s nástrojem a iterují, dokud nejsou spokojeni s tím, že příkaz je připraven k publikaci.

Zatímco tato spolupráce mezi lidmi a AI se ukázala jako efektivní, vyžaduje to, aby člověk spravoval kontext a přechody mezi modely.

Bez lidí v procesu by týmy byly na milosti nástrojů AI, které mohou být notoricky nespolehlivé. Když jsme poprvé začali s našim projektem osnov, nástroje fungovaly dobře při shrnutí nebo vysvětlení konceptů, daných správným kontextem. Ale často si vymýšlely. Dnes jsou modely lepší v rozumném uvažování, ale člověk stále potřebuje spravovat proces. Nyní mohou lidé soustředit na kontrolu a kreativitu a ne pouze na správu procesu.

V budoucnu budou agenti AI hrát větší roli v procesu. Místo toho, aby lidé ručně shromažďovali kontext z zdrojů, vytvářeli příkazy s kontextem, přesouvali práci mezi modely AI a kontrolovali a vylepšovali výstupy, vyvíjíme agenti, kteří mohou provádět mnoho z těchto úkolů – s trochou pomoci. Agent může autonomně shromažďovat a zpracovávat zdrojové materiály jako kontext, generovat taxonomie dovedností a osnovy, spouštět naše zavedené pracovní postupy a prezentovat pouze klíčová rozhodnutí odborníkům.

Závěr

Zatímco rychlé běhy jsou skvělé pro udržení kondice, auta dávno změnily lidskou schopnost dostat se tam, kam potřebují. AI poskytuje stejné výhody na pracovišti – pomáhá společnostem zlepšovat procesy a generovat lepší výsledky. Ti, kteří ji přijmou a využijí její souběžné ziskové efekty, budou nechávat konkurenty pozadu.