Orientace ve výzvách implementace GenAI

Vývoj softwaru s podporou generativní umělé inteligence (GenAI) zlepší produktivitu a efektivitu práce – otázkou je, jak moc? Většina průzkumů trhu na toto téma ukazuje značné zvýšení produktivity. Výzkum z Harvardu zjistil, že specialisté v závislosti na úkolu a senioritě viděli a 43% zvýšení produktivity. Stejně tak zpráva od Goldman Sachs naznačuje, že produktivita by mohla stoupnout 1.5 procentních bodů s GenAI po deseti letech širokého přijetí, což se rovná téměř dvojnásobnému tempu růstu produktivity v USA. I když jsou tato zjištění zasvěcená, většina z těchto zjištění pochází z kontrolovaných nastavení, která nemusí nutně odrážet nuance skutečných případů použití.

Aby bylo možné lépe odpovědět, jak moc může GenAI zvýšit produktivitu při vývoji softwaru, rozhodla se přední společnost poskytující digitální transformaci a produktové inženýrství zaznamenat své praktické poznatky a poznatky z nedávného rozsáhlého projektu implementace GenAI s jedním ze svých klientů. Tento klient chtěl začlenit GenAI do pracovních procesů 10 vývojových týmů napříč třemi pracovními proudy, které zahrnují více než 100 specialistů. Tato zjištění ze skutečného života odhalují různé výzvy, kterým budou podniky na své cestě čelit; navíc zdůrazňují nutnost celopodnikového plánu pro škálování přijetí GenAI.

Řešení negativních postojů a očekávání specialistů  

Mnoho výzev může zpozdit úspěch projektu GenAI, jako např právní a regulační obavy, nedostatečná kapacita zpracování, bezpečnost a soukromí atd. Nejvýznamnější překážkou, se kterou se během této rozsáhlé implementace setkali, však byly postoje a očekávání specialistů ohledně technologií. Během implementace inženýrská společnost zjistila, že specialisté klienta měli určitá očekávání ohledně GenAI a toho, jak rozšíří jejich práci. Když se tato počáteční očekávání neshodovala s výsledky ohledně kvality nebo doby realizace, vyvinuly by se negativní postoje k technologiím. Zejména, když GenAI podle svých slov „udělejte práci za mě“, reagovali poznámkami jako: „Očekával jsem lepší a nechci už ztrácet čas.“

Podniky musí změnit vnímání a přechod na novou pracovní kulturu, která zabrání těmto negativním postojům projevovat se a bránit přijetí a přesnému měření. Průzkumy a hodnocení jsou účinným prostředkem mapování a kategorizace postojů a vnímané angažovanosti svých specialistů. Odtud by společnosti měly seskupit specialisty na základě jejich pocitů vůči GenAI. Poté mohou podniky vytvořit přizpůsobené přístupy řízení změn pro každou skupinu, aby podpořily úspěšnou integraci AI; například nejskeptičtějším specialistům se dostane více pozornosti a péče než neutrálním specialistům.

Účtování o složitosti projektů v reálném světě 

Druhým nejobstruktivnějším problémem bylo přesné měření dopadu GenAI na produktivitu a zároveň zohlednění složitosti reálných podmínek projektu. V kontrolovaných prostředích je snazší změřit vliv GenAI – jak však bylo zmíněno dříve, takové testy neberou v úvahu určité proměnné a nekonzistence. Projekty nestagnují. Neustále se vyvíjejí. Organizace může mít situaci, kdy má rotující specialisty kvůli plánům dovolených a nemocných nebo náhlým změnám priorit. Specialisté také ne vždy pracují na konkrétních projektových aktivitách, kde může být dopad GenAI nejpřínosnější, protože mají schůzky, na které je třeba odpovědět, e-maily, na které je třeba odpovědět, a další úkoly mimo rozsah sprintu, které jsou při měření produktivity často přehlíženy. Tyto nekonzistence a proměnné je třeba vzít v úvahu při objektivním měření dopadu GenAI na vývoj softwaru.

Mezi další osvědčené postupy patří integrace nástrojů pro správu úloh do pracovních postupů, abyste viděli, jak dlouho úkoly zůstávají v jednotlivých stavech, abyste mohli určit produktivitu a efektivitu netechnických specialistů. Podobně mohou řešení business intelligence automaticky shromažďovat datové body, což snižuje chyby a šetří čas. Kromě toho mohou organizace zmírnit složitost podmínek projektu v reálném světě a zajistit přesnější vyhodnocení dopadu GenAI na produktivitu tím, že použijí postupy důkladného čištění dat.

Plán pro celou společnost: Přesné měření 

Tato rozsáhlá implementace GenAI také zdůraznila hodnotu celopodnikového plánu, který označuje začátek a konec integrace. Podniky by si měly uvědomit, že zásadním prvkem tohoto plánu je definování metrik, které budou používat pro základní a závěrečné fáze vykazování. Desítky různých metrik mohou pomoci posoudit dopad GenAI na produktivitu, včetně, ale nejen, rychlosti v čase, propustnosti, průměrné doby přepracování a kontroly kódu, míry selhání kontroly kódu a míry přijetí, času stráveného opravou chyb atd.

Po definování těchto metrik by je společnosti měly roztřídit do objektivních a subjektivních kategorií. Firmy mohou také používat data z nástrojů pro sledování úkolů, jako je Jira, pro objektivní metriky. Stejně tak musí udržovat a dodržovat toky kvality, včasné aktualizace úkolů a důkladné dokončení etap. Připomeňme, že subjektivní metriky, jako jsou odborné a pilotní průzkumy, pomohou podnikům porozumět úrovním přijetí a korelacím s objektivními měřeními. Z hlediska frekvence by měření měla být rutinní a plánovaná, nikoli řídká a náhodná. Kromě toho zjištění projektu zdůrazňují užitečnost metrik, jako je průměrný denní dopad, vnímaná odbornost, změny výkonu, pracovní pokrytí, používání nástrojů umělé inteligence a nepřetržitý pracovní postup pro měření postupu přijetí.

Pokračování celopodnikového plánu: Rozvoj vzdělávání a kultury ve velkém měřítku 

Kromě efektivního měření dopadu GenAI je další důležitou součástí úspěšného plánu to, že podporuje průběžné učení a plynulost umělé inteligence prostřednictvím různých školicích a koučovacích strategií. Tyto iniciativy v konečném důsledku podpoří celopodnikovou kulturu vzdělávání, která umožní přijetí umělé inteligence v celém podniku. Různé strategie zahrnují vytváření pracovních skupin, které se zaměřují na to, kde a jak může společnost využít GenAI, a také povzbuzování jednotlivců, aby sdíleli to, co funguje a co nefunguje. Je také užitečné nastavit priority růstu a rozvoje doprovázené vzdělávacími cestami na individuální a týmové úrovni.

Dalším způsobem, jak mohou společnosti vybudovat kulturu, která snadno přijme nové technologie GenAI, je zdůraznění případů rychlého použití. Ty budou demonstrovat sílu GenAI větší organizaci a neochotným skeptikům. Podniky by také měly stanovit bezpečnostní pokyny a pravidla pro spolupráci s umělou inteligencí, aby týmy mohly experimentovat a zkoumat nové přístupy, aniž by společnost vystavovaly riziku. Podobně musí organizace prosazovat dodržování průmyslových standardů a dalších osvědčených postupů a zároveň řešit řízení změn mezi jednotlivci a týmy na úrovni úkolů a nástrojů.

Udržet lidi v centru 

Dva nejdůležitější poznatky z této implementace v reálném světě jsou: za prvé, GenAI může vést k podstatnému zvýšení produktivity v mezích správné strategie a plánu; za druhé, taková integrace má nepopiratelný lidský prvek, který musí společnosti odpovídajícím způsobem řešit. GenAI navždy změní způsob, jakým tito specialisté provádějí každodenní úkoly. Je také pravděpodobné, že GenAI může způsobit, že se někteří specialisté budou cítit ohroženi technologií, která může způsobit odpor k přijetí. Klíčem k úspěšné implementaci GenAI nakonec zůstává jednoznačně lidský. Pro podniky je klíčové, aby pochopili hloubku tohoto problému, protože jsou to lidé, kdo provozuje technologii a odemyká její praktickou hodnotu.