Názor
Nejhorší první práce, kterou můžete přidělit agentovi, je ta viditelná
Přidejte Unite.AI mezi své preferované zdroje na Google
Společnosti obvykle vybírají první práci agenta stejným způsobem. Někdo se zeptá, co by mohlo udělat pro nás, a místnost se shodne na práci, kterou si každý může představit: napsat naše blogové příspěvky, odpovědět na naše zákazníky, zpracovat naše příchozí poštu. Je to nejviditelnější práce v budově, takže je to práce, která přijde na mysl.
Šest měsíců později je pilotní projekt potichu odložen a závěr zní, že technologie nebyla připravená. Technologie byla v pořádku. Problém byl výběr práce, a viditelnost byla tím, co ji učinila špatnou.
Tři věci, které dělají práci agentovi tvrdou, a viditelné práce mají všechny tři
Práce je pro agenta snadná, když existuje ověřitelná správná odpověď, když špatný výstup je levný, a když někdo v budově již tuto práci dělá a může rozlišit dobré a špatné výsledky.
Písemná práce pro zákazníky nesplňuje první test.
Neexistuje správná odpověď na otázku, zda je tento blogový příspěvek dobrý, pouze preference držená osobou, která bude rozpoznávat špatnou verzi okamžitě a bude mít potíže s tím, aby specifikovala správnou verzi předem. Tato mezera je místem, kde většina stížností na kvalitu skutečně žije.
Jakékoli zákaznické práce nesplňují druhý test.
Špatný interní souhrn stojí někoho čtyři minuty. Špatná odpověď zákazníkovi stojí vztah, a někdy i compliance rozhovor. Náklady na selhání určují, kolik dohledu práce potřebuje, a dohled je drahá část provozu agentů.
A viditelné práce obvykle nesplňují třetí test způsobem, který nikdo nepostřehne, dokud není pozdě.
Osoba, která by měla posoudit výstup, je seniorní osoba, jejíž pozornost je nejcennější věcí ve společnosti. Předání jí kontrolního seznamu práce znamená přesunout práci na nejdražší kalendář.
Jak vypadají úspěšné první práce
Jsou nudné. To je vzorec, a je dostatečně konzistentní, aby se podle něj dalo plánovat.
Když NTT DATA Group rozšířila své agentní nástroje napříč organizací, , byla interní inženýrská práce, nikoli zákaznická zkušenost. OpenAI popisuje automatizaci komplexní analýzy incidentů pro kritický systém — práce, která dříve vyžadovala pět zkušených inženýrů a trvala tři dny, dokončenou za 30 minut. Tento výsledek, podle popisu, “rychlě získal pozornost seniorních lídrů a stal se raným důkazem.”
Podívejte se na tvar této práce spíše než na titulní číslo. Analýza incidentů má správnou odpověď, a je to odpověď, kterou organizace může ověřit, protože práce již existovala a lidé, kteří ji dříve dělali, jsou stále tam.
To se opakuje. Nachází se uvnitř vlastních systémů společnosti rather než před zákazníkem. A standard pro “dokončeno” je, zda analýza vydrží proti důkazům, což je otázka s obhajitelnou odpovědí, ne záležitost chuti.
Srovnání s prací, kterou většina společností nominuje jako první. Blogový příspěvek nemá správnou odpověď, žádný interní soudce, jehož čas je levný, a publikum.
Sequencing záleží stejně jako výběr. NTT DATA nasadila ChatGPT Enterprise napříč celou společností a v interním průzkumu více než 96 % respondentů uvedlo, že jsou spokojeni s ním a více než 95 % hlásilo produktivní zisky.
Přes denní použití, podle popisu, “zaměstnanci získali zkušenosti s prací s umělou inteligencí pro výzkum, psaní a tvorbu obsahu” — a tyto návyky “připravily organizaci na další krok: delegování jasně definovaných úkolů.”
Vedení lekce zveřejněné s případovou studií začínají přesně tím: učinit umělou inteligenci součástí denní práce, pomoci lidem vybudovat návyky pro spolupráci s ní. Společnost vytvořila širokou základnu seznámení s výstupy umělé inteligence, než práce s analýzou incidentů začala.
Tato fáze budování návyků dělá více práce, než se zdá. Když se obecné nástroje umělé inteligence stanou obyčejnými, , a můj názor je, že se zde objevují dobré kandidátské práce — od lidí, kteří práci dělají, ne z plánovacího setkání. Je to také místo, kde se vyřeší skepse, a není něco, co řeší jeden projekt s vysokými náklady.
Výjimka potvrzuje pravidlo, pokud čtete celou případovou studii
Zjevný protiargument je, že zákaznické agenty prokazatelně fungují. Fungují. Stojí za to přečíst jeden pečlivě.
je o tolik viditelný, jak může být agentní práce — 24/7 vícejazyčná podpora hlasem a textem, vedoucí zákazníky od objevování produktů po rozhodnutí o nákupu. V dvouměsíční veřejné kampani na online obchod Yamada Denki používalo asi 30 000 lidí a 92 % odpovědí na průzkum bylo pozitivních. Skutečný výsledek, skuteční zákazníci, přední dům.
Hodnoťte jednu věc přímo: OpenAI popisuje tuto práci jako “její první velkou příležitost přinést tyto lekce přímo zákazníkům.” Takže to byla první zákaznická práce avatarinu, což vypadá jako argument proti všemu výše uvedenému.
Podívejte se, co “tyto lekce” odkazují. Avatarin je společnost pro zákaznickou službu umělé inteligence, která se vyvinula ze společnosti ANA Holdings, a popis uvádí, že dříve pracovala s OpenAI “dlouho před projektem Yamada Denki, pomocí OpenAI API pro rozpoznávání řeči, analýzu dotazů a školení zaměstnanců.”
Odpovědi agenta jsou založeny na systému generace s rozšířenou vzpomínkou, což znamená, že odpovědi jsou ukotveny v skutečných informacích o produktech, spíše než v paměti modelu. Zákaznická služba maloobchodníka byla úmyslně zakódována do toků konverzace a podnětů. Ochranné zábrany pomáhají udržet konverzaci na zkušenosti se nákupem. A OpenAI pracovala přímo s týmem, aby strukturalizovala podněty a snížila náklady na provoz služby s hlasem.
Tak to byla první zákaznická práce pro společnost, jejíž celý byznys je zákaznická služba umělé inteligence, která přišla po předchozí práci se stejnými nástroji dodavatele, se zakotvenou vrstvou, zakódovanou odbornou znalostí, zábranami a lidmi dodavatele, kteří pomáhali. To je skutečná cena viditelné práce, a téměř nic z toho není viditelné ve výsledku.
Čtěte obě zprávy společně a jsou to lekce sekvencování spíše než dvě úspěchy. Jedna organizace si vydobyla právo delegovat jasně definované úkoly, tím, že učinila umělou inteligenci obyčejnou. Druhá dosáhla zákaznické práce jako specialista, na základě komponentové práce, kterou již dříve provedla. Žádná z nich nezačala tam, kde chce začít plánovací setkání.
Pravidlo výběru
Ohodnoťte každou kandidátskou práci na čtyři otázky, než ji vyberete.
1. Existuje ověřitelná správná odpověď?
Ne dobrá odpověď, správná. Rekonciliace, klasifikace, extrakce a analýza s závěrem všechny kvalifikují. Cokoli, co se hodnotí podle chuti, ne, alespoň ne první.
2. Co stojí jedna špatná odpověď?
Pokud upřímná odpověď zahrnuje zákazníka, regulátora nebo číslo ve zprávě, práce potřebuje , které jste téměř jistě ještě nevytvořili.
3. Odpovídá objem nastavení?
Práce, která se provádí dvakrát měsíčně, nikdy nezaplatí týdny iterace. Ekonomika pochází z opakování, a opakování je také to, co učí, kde věc selže.
4. Kdo již tuto práci dělá a může okamžitě rozpoznat špatný výsledek?
Tato osoba je vaším recenzentem, a potřebuje mít čas. Pokud jediným kvalifikovaným soudcem je zakladatel, vyberte jinou práci.
Práce, která dobře skóruje ve všech čtyřech, je téměř nikdy ta práce, která přišla na setkání. Je to obvykle něco, co tým dělal ručně po dva roky a přestal na to si stěžovat, protože na to již přestali brát jako práci.
Kde vás to zanechává
Vezměte si seznam prací, které zvažujete, a ohodnoťte je upřímně tento týden. Kandidát, který vyhraje, bude vypadat jako zklamání. Automatizujte ji stejně.
Cílem první agentní práce není hodnota, kterou vrací. Je to to, že vaše organizace se dozví, co tyto systémy dělají dobře, kde selhávají, a co skutečně stojí za to dohlížet na ně, na pracích, kde je chyba přežitelná. Tato znalost je tím, co dělá druhou práci skutečným rozhodnutím, spíše než hadem, a třetí je obvykle tam, kde je peníze.
Vyberte nudnou práci. Získejte viditelnou.
