Bygning af et AI-nativt arbejdssted: Lærdomme fra frontlinjen

Hvad ville du gøre, hvis du løb en 10 km landevejsløb, kæmpede for at komme op ad en stejlt bakke, og pludselig ændrede reglerne for løbet sig? Hvis bilister begyndte at samle løbere op i biler og derefter kaprede hinanden til målstregen? Ville du fortsætte med at løbe, selv om du vidste, du ville ende med at være bagest i feltet? Eller ville du hoppe ind i bilen, trykke speederen i bund og kæmpe for den store pris?

I dag er AI den bil, der forstyrrer måden, virksomheder drives på. Virksomheder kan stadig vælge at fortsætte med at gå fremad på den måde, de altid har gjort – udvikle lange planer, overholde processer, presse medarbejdere til at arbejde hårdere end nogensinde for at lykkes i en stadig mere konkurrencedygtig omgang. Men AI ændrer naturen af løbet. Det giver virksomheder en ny bil til at køre hurtigere og give arbejdere nye ruter til at zoomer rundt omkring problemerne. Enhver virksomhed, der ikke tager rattet og indfører AI’s kraft i sin arbejdsstyrke, vil blive efterladt på den lange, stejle bakke.

At omfavne fremtiden ved at blive en leder af AI

Her hos Cockroach Labs lærte vi meget hurtigt, at Gen AI kan hjælpe os med at gøre ting, vi aldrig havde troet muligt. Vi har brugt det på tværs af hele virksomheden til gen AI-søgning, anbefalingssystemer og semantisk søgning.

Et af de bedste eksempler på, hvordan AI kan forvandle en arbejdsproces, finder sted i vores uddannelsesafdeling. Vores team bruger AI til at accelerere udviklingen af kurser, der hjælper kunder, partnere og vores egen arbejdsstyrke med at blive eksperter i drift af vores databaseproduktlinje.

Vi har nylig oprettet en kursus, der består af 21 praktiske øvelser og 20 sliddeksler med detaljerede studienoter til eleverne. Før vi startede projektet, havde vi estimeret, at det ville tage tre til fem måneder at fuldføre, hvis vi fulgte vores normale udviklingsproces – med hensyn til branchestandarder for, hvor lang tid det tager udviklere at producere en time indhold.

Så hvad skete der? Ved at indføre Gen AI i vores eksisterende processer, kunne vi fuldføre opgaven på fem uger.

Undervejs lærte vi en række lektioner.

• Vi er alle ledere af AI. Hver af os har mulighed for at tænke meget anderledes med AI. Hver af os skal opføre os som ledere, uanset om vi har direkte rapporter eller ej, fordi vi styrer en stort set ubegrænset mængde af intelligenskapacitet, som vi kan sætte til at arbejde på udfordrende projekter. Hvad kan du automatisere? Hvordan kreativ kan du være? Hvordan effektivt kan du fremme din AI-værktøj, udfordre det og implementere den nye model, det genererer? Du kan udnytte det. Du kan styre det. Du kan gøre stort set alt, hvad din egen personlige kapacitet tillader dig at gøre.
• Forvent ikke, at AI gør alt. Der er opgaver, det simpelthen ikke er egnet til at udføre. Men du kan bede det om at gøre ting, som arbejdere ikke længere skal gøre – job, der er tidskrævende, men stadig kræver en vis grad af intelligens.
• Forvent ikke blindt at acceptere resultaterne, det producerer. Tjek, tjek og tjek igen. Stol på teknologien, men verificér altid – fordi nøjagtighed omdanner antagelser til resultater.

Trin-for-trin-processen til implementering af AI til opgavehåndtering

Her er en kort sammenfatning af, hvordan AI hjalp os med at komme op ad bakken, til målstregen, meget hurtigere end vi havde forventet.

• Forskellige modeller: Forskellige modeller har forskellige styrker. Sådan som producenter bruger de bedste komponenter, når de bygger en løsning, føl gerne modeller, når det giver mening at udnytte deres styrker. Vi brugte Claude Sonnet 3.5 til at skrive den første udgave af øvelserne, fordi det var godt til at skabe engagerende prosa og instruktioner. Vi brugte ChatGPT 4o&”o”-modeller som tekniske reviewere til at finjustere kommandoer og sikre teknisk nøjagtighed i den anden udgave.
• Reproducerbare resultater: Når vi udfører meget tekniske opgaver, ønskede vi at kunne påtvinge klare tekniske begrænsninger og producere strukturerede output, der understøttede reproducerbare resultater. For at gøre det, angav vi eksplisitte krav til struktur og format og gav eksempler.
• Prompt til meget tekniske opgaver: Vær meget specifik om, hvad du beder AI om at gøre –

ellers kan det gøre vanvittige ting. Angiv klart eventuelle antagelser om input eller miljøforhold og bed model om at håndtere uventede tilfælde.

• Raffinerede prompt: Det er vigtigt at opmuntre AI-værktøjer til at stille præciseringsspørgsmål. Første prompt vil ikke være perfekte, så forvent flere runder. Incorporér eventuelle forbedringer eller trin, som model foreslår, tilbage i din grundlæggende prompt, og iterer med AI og dine teammedlemmer.
• Test, test, test: Konsistenskontroller er kritiske. En måde at måle effektiviteten af din prompt på er at sikre, at output er konsistent. Så vi testede ofte for at sikre, at vi indførte det samme input og at output forblev det samme.

Menneskelig ekspertise ved roret: Den essentielle rol for AI-overvågning

Selv om AI fjerner tidskrævende opgaver fra arbejdernes dag, fjerner det dem ikke fra arbejdsprocesserne helt. Mennesker spiller stadig kritiske roller i vores kursumvikling og skal integreres i AI-drevne processer for at sikre, at processerne lykkes.

Et godt eksempel er, hvordan vores uddannelseshold udfører prompt-teknik. Mennesker er ansvarlige for at skabe den første prompt, herunder kontekst fra relevante kilder. Derefter, efter at Gen AI-værktøjet har udført prompt, gennemgår mennesket output fra værktøjet. Det er afgørende, at denne person er en sagkyndig, der kan fange fejl tidligt i processen. Teammedlemmer fortsætter med at samarbejde med værktøjet og iterere, indtil teamet er tilfreds med, at prompt er klar til at offentliggøres.

Selv om dette samarbejde mellem mennesker og AI har vist sig at være effektivt, kræver det, at en menneske styrer kontekst og overgange mellem modeller.

Uden mennesker i processen ville team være afhængige af AI-værktøjer, der kan være notorisk upålidelige. Da vi først startede med vores kursumprojekt, gjorde værktøjerne det godt med at sammenfatte eller forklare begreber, givet den rette kontekst. Men de hallucinerede ofte. I dag er modellerne bedre til at resonere, men en menneske skal stadig styre processen. Nu kan mennesker fokusere på gennemgang og kreativitet og ikke kun på processtyring.

I fremtiden vil AI-agenter spille en større rolle i processen. I stedet for, at mennesker manuelt samler kontekst fra kilder, skaber prompt med kontekst, flytter arbejde mellem AI-modeller og gennemgår og forbedrer output, udvikler vi agenter, der kan udføre mange af disse opgaver – med en smule hjælp. Agenten kan autonomt indsamle og behandle kildematerialer som kontekst, generere færdighedstaksonomier og kursusoplæg, udføre vores etablerede arbejdsprocesser og præsentere kun nøglebeslutninger for menneskelige eksperter.

Konklusion

Selv om hurtige løb er godt for at holde sig i form, har biler for længe siden ændret menneskers evne til at komme, hvor de skal hen. AI giver de samme fordele på arbejdspladsen – hjælper virksomheder med at forbedre processer og generere bedre resultater. De, der omfavner det og udnytter dets sammensatte effektivitetsgevinster, vil efterlade konkurrenterne bagud.