Hvordan realisere værdi fra en GenAI-aktiveret arbejdsstyrke

Takket være OpenAI’s ChatGPT ved næsten alle om GenAI i dag. Dens evne til at tilfredsstille menneskers tørst efter viden med blot en enkel prompt sendte det viralt. Denne værktøjs brug er virkelig imponerende. Det opnåede en million brugere på blot fem dage og tiltrak mere end 100 millioner besøgende i de første få måneder. Enkeltpersoner og organisationer integrerer det i deres daglige liv og aktiviteter med stor entusiasme.

Og dog – mens GenAI er globalt berømt, er få gået langt ud over eksperimenter. Organisationer er begejstrede for dets potentiale, men kæmper ofte med at adoptere det i en skala, der kan skabe målbart værdi.

I min rolle har jeg været heldig nok til at kunne overvære, hvordan AI udvikler sig i organisationer og den værdi, det kan levere til kunder. Men virksomheder har brug for en vejledning til at omdanne potentiale til præstation. Med disse udfordringer i mente, implementerede mit team en udvikling af eksperimenter med Microsoft’s M365 Copilot for at udvikle værdifulde indsighter og praktiske strategier for virksomheder, der sigter mod at opnå succesfuld adoption og meningsfuld ROI.

Vores vej til GenAI-værdi

Da vi så på at adoptere Copilot, hjalp vores tilgang os med at identificere, hvor dets kapaciteter kunne tilføje værdi.

Vores erfaring kan være nyttig for enhver organisation, der søger at introducere GenAI i deres arbejdsprocesser.

Her er nogle af handlingerne, der hjalp os på vejen:

• Start med en struktureret adoptionsramme. For at introducere GenAI-kapaciteter begyndte vi med at identificere personaer i vores organisation, der kunne have gavn af dem, og derefter specifikke og højt målrettede brugstilfælde for teknologien. Til sidst har vi oprettet personlige træningsplaner for hver rolle eller persona, der vejleder brugerne omhyggeligt, så de ved præcis, hvordan de kan udnytte kapaciteten bedst muligt.
• Brug eksperimenter til at validere teknologien. For Copilot kørte vi en øvelse med tre grupper af brugere. Gruppe A havde ingen Copilot-licenser, mens Gruppe B fik blot adgang til værktøjet uden træning eller vejledning: det var op til dem at finde ud af, hvad de skulle gøre. Gruppe C fik vores fulde adoptionsramme. Resultatet? Vi så en 31% øgning i adoption i Gruppe C i forhold til Gruppe B. Desuden registrerede Gruppe C en tidsbesparelse på 2,5 timer om ugen i forhold til 1,8 timer om ugen for Gruppe B. Øvelsen gav os også baseline-data, f.eks. om, hvor meget tid hold kan spare på bestemte opgaver såsom oprettelse af præsentationer. Dette var endnu et stærkt eksempel og argument for, at vores adoptionsramme fungerede.
• Involver medarbejdere tæt i processen. Øvelser som vores Copilot-eksperiment sikrer, at mennesker engagerer sig mere villigt med ny teknologi. Vi fik mennesker tæt involveret i udvælgelsen af brugstilfælde for Copilot, hvilket gør det mere relaterbart, driver adoption og forbedrer ROI. Denne proces skaber også evangelister. Fordi vores Gruppe C-kohort tydeligt kunne se teknologiens værdi for dem, forkæmper de for den i hele virksomheden og især for deres hold, hvilket opmuntrer til yderligere adoption.
• Opret hyper-personlige og kontinuerlige træningsplaner. Vi arbejdede med projektledere og procesejere for at sikre, at Copilot-brugstilfældene var relevante for deres daglige opgaver, såsom produktion af præsentationer på meget kort varsel. Bevæbnet med denne forståelse oprettede vi højt tilpasset træning, der viste, hvordan teknologien kunne hjælpe dem med at nå deres mål. Desuden fandt vi, at kontinuerlig træning om at oprette prompts var meget værdifuld til at hjælpe mennesker med at få den bedste værdi ud af GenAI. Det er også sjovt og hjælper med at holde fællesskabet samlet. F.eks. har vi oprettet en gruppe, hvor vi deler nyttige prompts, og vi har også regelmæssige korte delingsessioner.
• Udnyt partnere. Vi inddrog vores partner til at hjælpe os med at komme med specifikke brugstilfælde og trænings tilbud, der hjalp med at bygge vores kompetence. I et domæne, der ændrer sig så hurtigt som GenAI, er partnerskab og samarbejde essentielle for at opnå gode resultater.
• Kommuniker proaktivt om medarbejdernes bekymringer. Spørgsmål om etisk AI og om det vil stjæle folks job er almindelige. Det er derfor vigtigt at sikre, at adoptionsrammen tydeligt definerer etisk AI og etisk brug af AI. For at sikre ansvarlig og sikker brug af AI udnyttede vi vores ramme for Ansvarlig AI. Denne ramme giver tydelige retningslinjer for vores medarbejdere, der er i overensstemmelse med vores virksomheds værdier og hjælper dem med at bruge AI ansvarligt. Og for at lette bekymringer om GenAI’s indvirkning på job, fokuserede vi på dets evne til at overtage upopulære, kedelige og tidspressede opgaver såsom notering, udarbejdelse af kommunikation eller gennemgang af en overfyldt email-indeboks. Da deres færdigheder voksede, introducerede vi mere avancerede teknikker, herunder forbedring af deres evne til at oprette avancerede prompts, der giver mere præcise og tilpassede output.

Tid, innovation og træning

Vores erfaring med Copilot og andre GenAI-projekter er, at en struktureret pilotfase er nøglen, og at mennesker har brug for tid til at lære den innovative teknologi. Det er også nødvendigt at have en ramme for AI-adoption og ændringsstyring, der er tilpasset jeres teams specifikke behov. Kombineret med træning og aktiv engagement af brugere vil dette motivere og afklare bekymringer om GenAI.

Når teknologien integreres i organisationen og spreder sig, bliver det en del af kulturen og accelererer jeres vej til at realisere reel værdi fra GenAI.