Sam Jenkins, řídící partner ve společnosti Punchcard Systems – série rozhovorů

Sam Jenkins, Managing Partner at Punchcard Systems, má více než dvě desetiletí zkušeností s prací na rozhraní technologie, podnikání a organizační transformace. Od založení Punchcard Systems v roce 2016 pomohl společnosti růst a zároveň radil organizacím v oblasti digitální pracovní strategie, přizpůsobeného softwaru, umělé inteligence a nových technologií. Jeho předchozí zkušenosti zahrnují založení Startup Edmonton a Wellnext, vedení obchodního rozvoje a iniciativ Microsoft Workplace Technology v iomer internet solutions a působení v řídících a správních pozicích v technologických, zdravotnických, bezpečnostních a komunitních organizacích. Tato zkušenost mu poskytla širokou perspektivu na to, jak technologie mění způsob, jakým lidé spolupracují, rozhodují a vykonávají svou práci.

Punchcard Systems je kanadský softwarový a technologický partner, který spolupracuje se společnostmi na designu, vývoji a implementaci digitálních řešení spojených s měřitelnými obchodními cíli. Slouží více než 150 klientům v Kanadě a Spojených státech, společnost nabízí schopnosti v oblasti přizpůsobeného webového a mobilního softwaru, umělé inteligence, cloudové infrastruktury, dat a analýz, uživatelského prostředí a pracovních technologií, jako je Microsoft 365, Azure, Copilot, Teams, SharePoint a Power Platform. Punchcard Systems se zaměřuje na pomoc organizacím modernizovat své operace, zlepšit zkušenosti zaměstnanců a zákazníků a integrovat nové technologie do praktických obchodních procesů.

Vaše kariéra sledovala vývoj technologie na pracovišti, od Microsoft SharePoint-based zaměstnaneckých platforem a založení Startup Edmonton až po budování Wellnext a nakonec Punchcard Systems. Jak tato zkušenost ovlivnila váš pohled na přechod od softwaru, který zaměstnanci sami provozují, k agentům umělé inteligence, kteří stále více vykonávají práci za ně?

Když jsem poprvé začal pracovat s digitálními technologiemi na pracovišti, jako je SharePoint (již v roce 2003!), zaměřil jsem se na vytváření lepších způsobů, jak zaměstnanci mohou najít informace, sdílet znalosti a spolupracovat. Na konci dne zaměstnanci stále vykonávali práci: navigovali systémy, produkovali výstupy. Dnes se přesouváme za hranice umělé inteligence jako individuálního produktivního nástroje a do nové éry agentic AI, kde systémy mohou převzít více komplexních, vícekrokových úkolů za zaměstnance.

To je ta část, která se mění. Jako ekosystém se přesouváme od umělé inteligence jako osobního produktivního nástroje do agentic systémů, které přebírají komplexní práci za skutečné lidi. Claude Cowork a ChatGPT Work dělají tento agentic přístup khá mainstream.

Sledoval jsem několik těchto technologických posunů a vzorec platí vždy. Organizace, které vyhrávají, nezacházejí s novou technologií pouze jako s nasazením. Zacházejí s ní jako s příležitostí k předefinování toho, jak lidé, procesy a technologie spolupracují.

ChatGPT Work může shromažďovat informace z propojených aplikací a souborů, dokončovat vícekrokové úkoly a produkovat hotové dokumenty, tabulky a prezentace. Jak tohle změní denní odpovědnosti znalostních pracovníků, kteří dříve sami vytvářeli tyto materiály?

Myslím, že práce se posouvá od “produkce výstupů” k “řízení výsledků”. To fundamentálně mění roli znalostních pracovníků, ale toto neznamená, že se snižuje potřeba lidského úsudku a dohledu. Místo toho se zaměstnanci budou stále více posouvat od vytváření každé části práce sami k řízení, kontrole a orchestraci výstupů generovaných umělou inteligencí.

Velká část opakující se práce se přesune k agentovi: shromažďování informací, vytváření prezentací nebo dokumentů, nebo shrnutí dat. To uvolní lidi pro práci, která skutečně potřebuje člověka: strategii, kreativitu, kritické myšlení a spolupráci.

Dovednost, která se stává stále cennější, je vědět, jak dobře řídit umělou inteligenci, poskytovat jí správný kontext a rozpoznávat, kdy odpověď vypadá správně, ale není.

Vy jste popsali rostoucí potřebu “řídících AI”. Co by tato role zahrnovala v praxi a jak by se lišila od odpovědností IT administrátora, produktového manažera nebo tradičního manažera lidí?

Rídící AI budou hrát důležitou roli v pomoci organizacím přijmout umělou inteligenci zodpovědně a účinně. Jejich odpovědností bude řídit a spravovat výstupy AI, zajišťovat, že práce generovaná umělou inteligencí je přesná, spolehlivá a alignovaná s obchodními cíli.

To je jiná práce než tradiční IT, které vlastní infrastrukturu a technické systémy, nebo produktový manažer, který se zaměřuje na vývoj a zlepšování produktů. Každé oddělení bude potřebovat někoho, kdo rozumí, jak umělá inteligence aplikuje na jejich konkrétní oblasti, ať už se jedná o finance, právní záležitosti, HR nebo operace.

Skutečný posun je ve vlastnictví. V současné době většina organizací nemá jasně určenou osobu, která je zodpovědná za to, zda tyto systémy dodávají hodnotu a zůstávají uvnitř přijatelného rizika. Tato mezera, co se týče určení přímo zodpovědných osob, je to, co tyto typy rolí budou vyplňovat.

KPMG Canada zjistila, že agenti umělé inteligence již ovlivňují, jak organizace najímají jak začínající, tak zkušené zaměstnance. Jaké dovednosti se stanou cennějšími, když zaměstnavatelé začnou hodnotit uchazeče o práci podle jejich schopnosti delegovat práci umělým inteligencím, vyhodnocovat jejich výstupy a zasahovat, když je to nutné?

Dovednosti, které se stanou stále cennějšími, jsou ty, které zůstávají jedinečně lidské, jako je kritické myšlení, úsudek, komunikace, kreativita, řešení problémů a vedení.

Technická gramotnost umělé inteligence bude pokračovat v tom, aby měla význam, ale zaměstnavatelé hledají lidi, kteří rozumí, jak umělá inteligence zapadá do širšího obchodního prostředí. To zahrnuje dovednosti, jako je změna managementu, řízení rizik a strategické myšlení.

Linie mezi technickými a netechnickými rolemi se rozostřuje. Organizace se přesouvají od najímání pouze pro dovednosti, které někdo již má, k lidem, kteří jsou ochotni učit se, přizpůsobovat se a neustále zvyšovat své dovednosti. Nejvíce cennými zaměstnanci budou ti, kteří mohou využívat schopnosti umělé inteligence, zatímco rozumí, kde lidský úsudek zůstává nezbytný.

Mnozí zaměstnanci tradičně vyvinuli profesionální úsudek dokončením opakujících se entry-level úkolů. Pokud agenti umělé inteligence absorbují velkou část této základny práce, jak mohou organizace přestavět výcvik a kariérní rozvoj, aby mladší zaměstnanci získali zkušenosti potřebné k tomu, aby se stali efektivními rozhodčími?

To je pravda, která mě trochu znepokojuje. Lidé dříve budovali úsudek a zkušenosti dokončením entry-level úkolů. Pokud agenti dělají tuto práci, žebřík ztrácí několik příček.

Organizace budou muset být více úmyslné než kdykoli dříve při budování junior talentu prostřednictvím mentorství, koučování, cvičení rozhodování a vystavení vyšších hodnot projektů dříve v kariéře někoho.

Existuje také příležitost pro reverzní mentorství, kde mladší zaměstnanci, kteří jsou více seznámeni s nástroji umělé inteligence, mohou pomoci týmům pochopit, jak tyto technologie lze aplikovat, zatímco zkušenější zaměstnanci budou pokračovat v poskytování obchodního kontextu a úsudku, který umělá inteligence nemůže replikovat.

Cílem by mělo být přestavět proces učení pro pracoviště, kde lidé a umělá inteligence spolupracují.

Punchcard Systems má rozsáhlé zkušenosti s implementací Microsoft 365 a souvisejících pracovních technologií. Jak ChatGPT Work mění konkurenční krajinu pro Microsoft Copilot a Google Gemini, a jaké faktory by organizace měly zvážit při výběru platformy umělé inteligence pro každodenní práci?

Krajina se rychle vyvíjí a organizace mají více možností než kdykoli dříve. Rozhodnutí by mělo být založeno na tom, které řešení nejlépe alignuje s existujícím technologickým prostředím, pracovními postupy, bezpečnostními požadavky a obchodními cíli organizace.

Pro organizace, které již investovaly do Microsoft 365, mohou nástroje, jako je Copilot, poskytnout výhody prostřednictvím integrace s existujícími aplikacemi a daty. Jiné organizace mohou najít, že jiné platformy lépe vyhovují jejich potřebám.

Myslím, že klíčová otázka, kterou by měli lídři klást, není “jaký nástroj?”, ale “jaký problém řešíme a která platforma nám pomáhá řešit jej zodpovědně?”

To, co jsme se naučili z první ruky, je, že úspěšná adopce je o více než o nástroji. Implementovali jsme firemní platformy umělé inteligence s přizpůsobenými modely, které jsou přizpůsobeny tomu, jak skutečně pracujeme. Každý zaměstnanec ji používá, ale to nepřišlo z výběru správného produktu, ale z silných základů dat, governance a budování umělé inteligence do toho, jak společnost funguje.

Modelový výkon často dominuje konverzacím o umělé inteligenci na pracovišti, ale organizace také potřebují zvážit oprávnění, přístup k datům, auditovatelnost a odpovědnost. Jaké kontrolní mechanismy by měly být stanoveny předtím, než bude agent umělé inteligence povolen k provozu napříč e-mailem, dokumenty, interními databázemi a obchodními aplikacemi?

Jedna z největších chyb, které organizace dělají, je, že považují governance umělé inteligence za dopočet. Když systémy umělé inteligence se stávají více schopnými a propojenými s obchodními daty, organizace potřebují stanovit jasná pravidla pro to, jak tyto nástroje jsou používány, než je budou široce nasazovat.

To začíná pochopením, jaké informace systémy umělé inteligence mohou přístup, zajišťováním, že oprávnění jsou vhodně rozložena, a stanovením kontrol pro monitorování a odpovědnost.

Organizace také potřebují jasná směrnice pro to, kde umělá inteligence může fungovat nezávisle a kde je vyžadován lidský dohled.

Stavěním správných základů kolem dat a bezpečnosti na začátku mohou podniky odemknout hodnotu umělé inteligence, zatímco spravují rizika, která přicházejí s stále více autonomními systémy.

Jakmile agenti umělé inteligence začnou provádět akce místo toho, aby pouze poskytli odpovědi, chyby mohou mít provozní důsledky. Jak by podniky měly ověřovat práci generovanou agenty, určit, které akce vyžadují lidské schválení, a přiřadit odpovědnost, když agent produkuje nepřesné výsledky nebo provede neočekávanou akci?

Když umělá inteligence přechází z odpovědí na akce, mění se profil rizika. Ne každá úloha nese stejné důsledky, takže laťka pro lidské schválení by se měla měnit s tím, co je na výsledku.

Jednoduše řečeno, to vyžaduje jasnou odpovědnost. Umělá inteligence by měla podporovat rozhodování, ne nahrazovat odpovědnost. Organizace potřebují definovat, kdo monitoruje výkon umělé inteligence, ověřuje výstupy a je v konečném důsledku zodpovědný za výsledky. Cílem je kombinovat efektivitu umělé inteligence s lidským úsudkem, vytvářet systémy, které jsou jak škálovatelné, tak důvěryhodné.

Mnohé organizace experimentují s umělou inteligencí, aniž by ji dosud propojily s měřitelnými obchodními výsledky. Jak by lídři měli identifikovat smysluplné agentic použití, měřit návratnost investic a určit, zda je pilotní projekt připraven k nasazení napříč celou organizací?

Mezera obvykle stopuje zpět k sekvenci. Týmy si vyberou technologii jako první a pak hledají místo, kam ji umístit, když trvalejší výhry přicházejí z počátku s pracovním postupem, který je již bolestivý a drahý, a zeptají se, zda je agent skutečně správným nástrojem.

Nejlepším filtrem je variabilita. Pokud je proces dostatečně předvídatelný pro pravidlový stroj, nepotřebujete agenta. Pokud je příliš otevřený, aby nikdo nemohl popsat dobrý výsledek, agent bude mít potíže a nebudete moci mu důvěřovat. Hodnota sedí mezi nimi, v práci, která potřebuje úsudek napříč několika systémy, ale stále běží uvnitř ohraničených, auditovatelných pravidel.

Dal bych jeden screeningový dotaz, který mění profil rizika více než cokoliv jiného. Je cena špatné akce omezená a reverzibilní? Kde ano, dejte agentovi jednat a pohybujte se rychle. Kde chyba je drahá nebo těžko zrušitelná, držte člověka v rozhodnutí.

Při návratu je běžnou chybou měření špatné věci příliš pozdě. Ušetřené hodiny jsou výchozím metrikem, ale to podceňuje dopad. Vyšší návraty se objevují jako komprese cyklu, nižší míry chyb a kapacita, která byla dříve omezena, se stává dostupnou. Podpora týmu, který mohl dosáhnout pouze poloviny svých tiketů, se stává jiným podnikem, když může dosáhnout všech z nich. Zachyťte čistou základnu předtím, než pilotní projekt začne, protože bez ní budete uvízli v argumentech o anekdotách. A když budete počítat náklady, počítайте celý obrázek. Práce na integraci a dohledu času jsou skutečné položky, a dohled je chronicky podceňován.

Rozhodnutí, zda nasadit, je tam, kde disciplína záleží nejvíce, a je to krok, který týmy spěchají. Demo na čistých vstupních datech vám řekne málo. Pilotní projekt je připraven, když vydrží na dlouhém ocasu skutečných, špinavých vstupů, když jsou režimy selhání pochopitelné a ohraničené, když je v místě observability, aby tiché selhání bylo chyceno, a ne objeveno zákazníkem, a když je v produkci jmenovaná osoba zodpovědná.

Proveďte kontrolu unitové ekonomiky, protože náklady na agenta se mění se spotřebou způsobem, který sedadla softwaru nedělají.

Agentic systémy selhávají jinak než tradiční software. Selhávají pravděpodobnostně a často tiše, takže organizace, které táhnou dopředu, staví hodnocení a monitoring z day one, spíše než bolt-on poté, co něco rozbité.

Punchcard Systems pomáhá organizacím přesunout se od experimentování s umělou inteligencí k její integraci do skutečných obchodních procesů. Jak hodnotíte připravenost organizace na umělou inteligenci, identifikujete pracovní postupy, kde může dodat měřitelnou hodnotu, a pomáháte týmům implementovat tyto systémy zodpovědně, aniž by narušily stávající operace?

Je důležité začít s pochopením současného stavu organizace. Jedním z největších mýtů je, že adopce umělé inteligence je pouze o výběru správného nástroje. Ve skutečnosti úspěšná implementace závisí na silných základech: kvalitních datech, jasných procesech a definovaném vlastnictví.

Od té doby pomáháme organizacím identifikovat, kde umělá inteligence může vytvořit největší hodnotu, často v pracovních postupech, které spotřebují nepřiměřené množství času ve srovnání s jejich dopadem, nebo v rozhodnutích, která jsou učiněna bez správných informací.

Organizace musí přemýšlet o tom, jak role a rozhodování se budou vyvíjet spolu s technologií. Kombinováním správné technologie s přijetím zaměstnanců a změnou managementu mohou podniky integrovat umělou inteligenci způsobem, který vytváří měřitelnou hodnotu, aniž by narušily to, co již funguje.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Punchcard Systems.