Sarah Philipp, Globální vedoucí implementace a přijetí AI ve společnosti Altimetrik – Rozhovor

Sarah Philipp, Globální vedoucí implementace a přijetí AI ve společnosti Altimetrik, se zaměřuje na pomoc organizacím překlenout propast mezi rychlým inovacím AI a skutečnou adopcí ve světě práce. Její práce se soustředí na vytváření programů pro AI gramotnost, strategie pro implementaci workflow a role-based tréninkové iniciativy, které pomáhají zaměstnancům a manažerům integrovat generativní AI do každodenního provozu. Ve společnosti Altimetrik pomohla vytvořit programy pro adopci podniků kolem technologií, jako je ChatGPT Enterprise, OpenAI Agents SDK a podnikové workflow AI, a také spolu vytvořila “LAByrinth”, projektový simulátor pro generativní AI, určený pro inženýry a technické manažery. Předtím, než se připojila k Altimetrik, strávila roky vedením zákaznického vzdělávání a implementačních iniciativ na platformách SaaS, jako je Nudge Coach, což jí dalo silný základ v učebních systémech, behaviorální enablement a digitální transformace. Její kariéra odráží rostoucí trend v podnikovém AI, kde úspěch stále více závisí nejen na nasazení modelů, ale také na tom, aby zaměstnanci byli sebevědomí, schopní a produktivní s nástroji AI ve své denní práci.

Altimetrik je společnost pro digitální inženýrství a datové řešení, která se zaměřuje na pomoc podnikům modernizovat zastaralé systémy a škálovat generativní AI napříč obchodními operacemi. Společnost působí v různých odvětvích, včetně finančních služeb, zdravotnictví, výroby, maloobchodu a životních věd, a kombinuje produktové inženýrství, modernizaci cloudu, datové infrastruktury a nasazení AI. Altimetrik se umístila jako hlavní partner pro implementaci podnikového AI prostřednictvím spolupráce s OpenAI, se silným zaměřením na agentic AI, orchestraci workflow, governance a produkční systémy AI. Její ALTI AI Lab slouží jako interní inovační centrum, kde společnost prototypuje podnikové aplikace AI, od inteligentních asistentů po multimodální workflow a AI-rodinné obchodní operace. V posledních letech Altimetrik expandovala agresivně prostřednictvím partnerství a akvizic, posilujíc tak svou globální inženýrskou stopu a schopnosti dodávat podnikové AI.

Jste kariéru postavila na průsečíku podnikové transformace, návrhu učení a vznikajících technologií — co bylo tím zásadním zážitkem, který vás přesvědčil, že zodpovědná adopce AI bude záviset stejně na lidské enablement jako na technické schopnosti?

Obvykle končím jako docela pozdní přijímač věcí. Mám tendenci být skeptická vůči hype a tvrdohlavá, pokud jde o držení se způsobu, jakým dělám věci. To bylo pravda i u AI. Byla jsem pozdní přijímačka a pohybovala se velmi pomalu na začátku.

Co se změnilo pro mě, když jsem slyšela, v velmi lidském a ne-technickém jazyce, jak ostatní lidé skutečně používali AI ve svém denním životě a práci. Jakmile jsem mohla spojit to s reálnými a osobními třecími body, následovala zvědavost.

Ten zážitek potvrdil něco, co jsem viděla napříč každým transformačním úsilím, jehož jsem byla součástí: adopce zřídka začíná pouze s kapacitou. Začíná s relevancí, důvěrou a významem. Lidé potřebují nejdříve vidět sami sebe ve změně a to je důvod, proč zodpovědná adopce AI závisí stejně na lidském enablement jako na technické připravenosti.

V roli globálního vedoucího implementace AI ve společnosti Altimetrik, jak definujete úspěšnou adopci podnikového rozsahu generativní AI za hranicemi pilotních projektů a experimentů?

Úspěšná adopce podnikového rozsahu neexistuje v izolaci. Jedním z nejčastějších vzorců, které vidíme, je kompartmentalizovaná adopce. Jeden tým se stává velmi pokročilým ve své AI zralosti, zatímco jiný tým ve stejné organizaci nemá jasnou strategii a může dokonce používat fragmentované nástroje nebo osobní účty. Takový nerovnoměrná adopce vytváří nekonzistenci a riziko.

Skutečný úspěch přichází, když organizace buduje sdílené návyky, sdílené standardy a propojené způsoby práce. To vyžaduje jak top-down, tak bottom-up změnu. Top-down, vedení musí stanovit směr, stanovit governance a vytvořit jasnost kolem toho, co znamená zodpovědná a hodnotná adopce. Bottom-up, zaměstnanci potřebují pochopit, jak AI zapadá do jejich denní práce, kde řeší skutečné problémy a jak ji používat sebevědomě ve své roli.

Skutečným znamením zralosti je, když workflow běží hladce od začátku do konce a napříč týmy, ne pouze v izolovaných kapsách.

Mnohé organizace investují do nástrojů generativní AI, ale bojují s jejich operacionalizací. Jaké jsou nejčastější mezery v provádění, které vidíte mezi ambicí a měřitelným obchodním dopadem?

Vlastnictví governance je často nejasné. Kdo je zodpovědný za dokumentování toho, co se používá, verzování promptů nebo workflow, monitorování kvality a sledování toho, kde se AI skutečně objevuje v podniku? Bez té jasnosti organizace končí s rozptýleným použitím a velmi málo operační disciplínou.

Mnohé organizace nerozhodly, jaký typ použití AI chtějí podporovat. Cílí na role-specifické promptovací návyky, individuální produktivitu, jako je brainstorming a návrh, nebo účelově vytvořené agenty vázané na definované workflow? Pokud to není jasné, enablement zůstává vágní a dopad se stává těžko měřitelným.

Často existuje také propast mezi nasazením a skutečnou prací. Společnosti investují do nástrojů, než identifikují okamžiky, kdy AI může odstranit tření, zlepšit kvalitu nebo urychlit provedení významným způsobem. Ambice je snadná, ale operacionalizace vyžaduje specificitu.

Pracujete úzce s týmy výkonných manažerů — co vypadá efektivní AI gramotnost na úrovni C-suite a jak chování vedení ovlivňuje adopci napříč organizací?

Vypadá to jako modelování, zvědavost a začínající myšlení. Vypadá to jako vedení, které je zranitelné v místnosti s lidmi, kteří jim reportují.

Vedoucí, kteří dělají největší rozdíl, jsou ti, kteří demonstrují začínající myšlení. Jsou ochotni se učit veřejně. Jsou pohodlní říkat: “Já také stále učím.” Taková zranitelnost má větší význam, než si lidé uvědomují, protože dává všem ostatním povolení zapojit se bez toho, aby se museli cítit jako odborníci.

Chování vedení nastavuje tón. Pokud výkonní manažeři zacházejí s AI jako se stranou experimentu, organizace také. Pokud modelují uvážlivé použití, kladou praktické otázky a viditelně investují do učení, adopce se stává kulturně bezpečnější. Sebevědomí je stejně důležité jako kapacita, pokud jde o škálování AI v podniku.

Co vypadá strukturovaný experimentální rámec pro generativní AI v praxi a jak mohou společnosti podporovat inovace bez vytváření fragmentace nebo rizika?

Chceme začít s reálnými bolestivými body workflow, ne náhodnými návrhy. Týmy by měly být povzbuzeny k identifikaci opakujících se úkolů, rozhodovacích uzlů nebo existujících znalostních mezer. Odtud mohou organizace prioritizovat experimenty na základě obchodního významu, proveditelnosti a rizika.

Nejzdravější prostředí je tam, kde lidé mohou bezpečně zkoušet, sdílet, co funguje, a vyhnout se opětovnému vynálezům kola v izolaci.

Vytvořila jste LAByrinth, simulátor projektů generativní AI, který poskytuje inženýrům praktické zkušenosti s nástroji AI v bezpečném, řízeném prostředí. Co inspirovalo jeho vytvoření a jak simulace-založené učení urychluje skutečnou schopnost AI?

Mám vždy rád formy praktického, zkušenostního učení. Konkrétně, takový “přes rameno” mentoring, který existuje v uměleckých studiích.

Když Martin Gaida a já začali házet nápady pro tento typ tréninkové struktury, celý projekt skončil jako hodně zábavy. Cítili jsme, že vytváříme puzzle pro lidi, aby je vyřešili. To bylo znamení, že jsme na správné cestě. Lidé jsou více ochotni zapojit se do nového materiálu, když ho považují za zajímavé a cítí se podporováni.

Simulace-založené učení urychluje schopnost, protože uzavírá mezeru mezi teorií a aplikací. Poskytuje jim bezpečné místo, kde mohou cvičit úsudek, ne pouze pamatovat si koncepty. A s AI to má enormní význam, protože skutečná schopnost není pouze vědět, co může nástroj udělat, ale také vědět, jak ho použít uvážlivě a bezpečně.

Jak by měly podniky přistupovat k vzdělávání pracovníků jinak v éře generativní AI ve srovnání s předchozími vlnami digitální transformace?

Spolupracovně a tvořivě. S nástroji, jako je Notebook LM a Figma make, existuje tolik způsobů, jak vytvořit atraktivní a čerstvé obsah. Milujeme slide deck, ale také milujeme vytvářet interaktivní workshopy, animované videa a další metody doručování kurikula.

Osobně se učím nejlépe s infografikami a jinými vizuály.

Zodpovědná AI je často rámcována kolem governance a compliance. Z pohledu enablement, co vypadá zodpovědná adopce v denním workflow?

Konzultujte s lidmi, kteří skutečně používají nástroje, na to, co je činí užitečnými, a pak zajistěte, aby všichni, kteří používají nástroje, věděli, co politika skutečně znamená. Jak to překládá do toho, jak používají AI v denním workflow?

Zodpovědná adopce znamená model “člověk na palubě”. AI může pomoci s návrhem, shrnutím, analýzou nebo urychlením, ale lidé stále vlastní úsudek, kontrolu kvality a konečná rozhodnutí. Tato lidská zodpovědnost je klíčová.

Stejně důležité je, že zodpovědná adopce závisí na sebevědomí. Rozlišování pochází z experiencia. To je důvod, proč organizace potřebují nízkoriziková, ne-oznámená místa, kde zaměstnanci mohou cvičit a budovat skutečnou fluenci. Když lidé získají dostatečné praktické zkušenosti, aby mohli učinit uvážená rozhodnutí, zodpovědné použití přestává být abstraktní a začíná být zvykem.

Jak mohou organizace navrhnout programy enablement, které zůstanou přizpůsobivé, a nebudou zastaralé během měsíců?

Je to výzva, ale existuje mnoho skvělých nástrojů.

Největší chyba je budování enablementu výhradně kolem současné krajiny nástrojů.

Často se nás ptají, zda nabízíme nástrojově-agnostic trénink, a odpověď je ano. Rozhodně. Zaměřujeme se na trvanlivé AI dovednosti a poté učíme lidi, jak aplikovat tyto dovednosti v rámci nástrojů, které organizace používá dnes. Tento přístup dává programům mnohem delší životnost.

Přizpůsobivé enablement také musí být modulární. Fraktální. Místo toho, aby se trénink považoval za jednorázovou událost, organizace by měly myslet ve vrstvách: zakládající gramotnost, role-based aplikace, pokročilé experimenty a pokračující aktualizace, jak se mění nástroje a priority.

Pohledem vpřed, jaké posuny věříte, že budou definovat další fázi podnikové adopce AI v příštích dvou letech?

Role-based a agentic. Podniky již přijímají použití agentů. Tyto organizace chtějí zajistit, aby jejich technické týmy byly vyškoleny ve všech nezbytných způsobech, aby postavily a spravovaly tento typ použití AI.

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