Το γνωσιακό κενό που δημιουργεί η τεχνητή νοημοσύνη είναι το νέο κενό ασφάλειας. Πώς να το καλύψετε.

Οι εταιρείες τεχνολογίας κάνουν ένα γνώριμο στοίχημα: ότι η τεχνητή νοημοσύνη μπορεί να εκτελέσει τη δουλειά γρηγορότερα και φθηνότερα από τους ανθρώπους. Παρότι αυτό μπορεί να ισχύει σε πολλές περιπτώσεις, χρησιμοποιείται επίσης ως εύκολη δικαιολογία για απολύσεις.

Σε έκθεση που κοινοποίησε η PwC νωρίτερα φέτος, το 56% των διευθυνόντων συμβούλων δήλωσε ότι μέχρι στιγμής δεν είχε δει σημαντικό οικονομικό όφελος από τις επενδύσεις στην ΤΝ. Μόνο το 12% ανέφερε τόσο εξοικονόμηση κόστους όσο και αύξηση εσόδων χάρη στην ΤΝ. Επιπλέον, μελέτη του National Bureau of Economic Research τον Φεβρουάριο διαπίστωσε ότι σχεδόν το 90% των εταιρειών δήλωσε ότι η ΤΝ δεν είχε καμία επίδραση στην απασχόληση ή την παραγωγικότητα τα τελευταία τρία χρόνια. Αυτό αναδεικνύει μια αποκαλυπτική αλήθεια: πολλοί οργανισμοί δεν έχουν ακόμη δει τα οφέλη σε έσοδα και παραγωγικότητα που υποσχόταν αρχικά η ΤΝ και, για να καλύψουν τις ζημιές τους, συνεχίζουν να απολύουν χιλιάδες εργαζομένους.

Υπάρχει όμως κάτι που δεν λέγεται στις τηλεδιασκέψεις παρουσίασης των οικονομικών αποτελεσμάτων: όταν απολύετε τον υπεύθυνο πελατών που έχει στο μυαλό του δέκα χρόνια γνώσης των πελατειακών σχέσεων ή τον μηχανικό διασφάλισης ποιότητας του οποίου η οργανωσιακή γνώση είναι το μόνο που εντοπίζει ελαττώματα πριν φτάσουν στους πελάτες, δεν αφαιρείτε περιττό λίπος. Γκρεμίζετε φέροντες τοίχους. Το κόστος της επανάληψης εργασιών, η απώλεια πελατών και τα προβλήματα ποιότητας που ακολουθούν σπάνια εμφανίζονται στην ίδια παρουσίαση που γιόρταζε τη μείωση προσωπικού. Απορροφώνται σιωπηλά στα επόμενα τρίμηνα, αποδίδονται στις συνθήκες της αγοράς και ξεχνιούνται. Το χάσμα ανάμεσα σε όσα υπόσχεται η αναδιάρθρωση με βάση την ΤΝ και σε όσα πραγματικά προσφέρει είναι υπαρκτό, μεγαλώνει και για πολλούς οργανισμούς παραμένει εντελώς ανομολόγητο.

Το πραγματικό κόστος αυτού του κύκλου δεν συγκεντρώνεται σε ένα σημείο. Απλώνεται σε όλες τις ομάδες που απομένουν μετά τις περικοπές. Οι προγραμματιστές αναλαμβάνουν τον φόρτο των μηχανικών που έφυγαν, ενώ παράλληλα λαμβάνουν εργαλεία ΤΝ που παραμένουν πολύ ανώριμα για να αναπληρώσουν την απώλεια προσωπικού. Οι ομάδες προϊόντων χάνουν το πλαίσιο που κρατούσε τα σχέδιά τους συνδεδεμένα με την πραγματικότητα των πελατών. Οι ομάδες υποστήριξης υπερφορτώνονται και η ποιότητα των απαντήσεων υποβαθμίζεται, ενώ οι πελάτες αναγνωρίζουν αμέσως το χαμηλής ποιότητας περιεχόμενο της ΤΝ στις απαντήσεις των αιτημάτων τους. Το βάρος δεν συγκεντρώνεται αλλά κατανέμεται, και αυτή η διάχυση συμβάλλει στο πόσο εύκολα αγνοείται σε μια τριμηνιαία έκθεση. Μέσα όμως σε αυτή την ευρύτερη διάχυση, οι ομάδες πληροφορικής αντιμετωπίζουν μια ιδιαίτερη και επιβαρυμένη εκδοχή του προβλήματος. Δεν κάνουν απλώς περισσότερα με λιγότερα. Καλούνται να διαχειριστούν υποδομές που χτίστηκαν γρήγορα, χωρίς την οργανωσιακή γνώση που τους έδινε συνοχή. Ταυτόχρονα διεκπεραιώνουν την αποχώρηση πρώην συναδέλφων και την ένταξη των αντικαταστατών τους, καθώς οι εταιρείες αναστρέφουν σιωπηλά τις περικοπές που γιόρταζαν δημόσια.

Καθώς η χρονιά προχωρά και οι οργανισμοί προσπαθούν να εκπληρώσουν τις υποσχέσεις της ΤΝ, πρέπει να συνειδητοποιήσουμε ότι χάνονται πολύ περισσότερα από έσοδα όταν περικόπτουμε την ανθρώπινη τεχνογνωσία στο όνομα της αποδοτικότητας μέσω ΤΝ. Τα καλά νέα είναι ότι μπορούμε να έχουμε τα οφέλη και των δύο κόσμων. Χρειάζεται όμως μια πιο πρακτική και πραγματιστική προσέγγιση στην ΤΝ, με τους ανθρώπους στο επίκεντρο της στρατηγικής.

Τι χάνεται όταν η γνώση βγαίνει από την πόρτα

Η κρίσιμη λειτουργική γνώση βρίσκεται στους ανθρώπους και εφαρμόζεται μέσω της ανθρώπινης κρίσης, όχι μέσω συστημάτων. Όταν αυτοί φεύγουν, η γνώση φεύγει μαζί τους. Όσο εξελιγμένο κι αν είναι το μοντέλο, η ΤΝ δεν μπορεί σήμερα να καλύψει αυτό το κενό.

Ακόμη και καθώς διευρύνονται οι δυνατότητες της ΤΝ, η αυτοματοποίηση χωρίς λεπτή κατανόηση του πλαισίου δημιουργεί επικίνδυνα τυφλά σημεία σε κρίσιμους τομείς:

• Κρίση και στρατηγική: Η διαίσθηση, η οργανωσιακή γνώση και η κατανόηση της αγοράς δεν χωρούν τακτοποιημένα σε σύνολα δεδομένων, ούτε καν σε μη δομημένα.
• Πλαίσιο και επίγνωση της κατάστασης: Οι άνθρωποι αναγνωρίζουν λεπτές αποχρώσεις και προθέσεις και μπορούν να κινηθούν στις γκρίζες ζώνες όπου οι άκαμπτοι κανόνες παύουν να λειτουργούν.
• Ενσυναίσθηση και εμπιστοσύνη: Στιγμές με μεγάλο αντίκτυπο ή συναισθηματική φόρτιση, ιδιαίτερα όταν αφορούν πελάτες ή εργαζομένους, απαιτούν ανθρωποκεντρική ανταπόκριση.
• Εποπτεία και λογοδοσία: Κάποιος πρέπει να έχει την ευθύνη να εντοπίζει αστοχίες και προκαταλήψεις ή να προλαμβάνει την παραπληροφόρηση. Δεν αρκεί να πει απλώς «Έχετε δίκιο, ας προσπαθήσω ξανά», αφού έχει δώσει εντελώς λανθασμένες πληροφορίες.
• Οργανωσιακή μνήμη και πλαίσιο των συστημάτων: Κατανόηση του γιατί οι ομάδες έχτισαν τις υποδομές με συγκεκριμένο τρόπο — ή γιατί δεν το έκαναν —, τι δοκίμασαν παλαιότερα και ποιες οριακές περιπτώσεις υπάρχουν που κανείς δεν κατέγραψε.
• Ηγεσία και διακυβέρνηση: Ο καθορισμός πολιτικών και ανοχής στον κίνδυνο και η τήρηση ηθικών ορίων παραμένουν θεμελιωδώς ανθρώπινη ευθύνη.

Η ΤΝ μπορεί να αναδεικνύει χρήσιμα στοιχεία, να προτείνει ενέργειες και να επιταχύνει την εκτέλεση, αλλά δεν μπορεί να αντικαταστήσει την οργανωσιακή μνήμη που αποτρέπει καταστροφές ούτε να προσφέρει τη λογοδοσία που τις εντοπίζει πριν ξεφύγουν από τον έλεγχο.

Τι κάνουν διαφορετικά οι έξυπνοι οργανισμοί

Οι οργανισμοί που πετυχαίνουν με την ΤΝ δεν αφαιρούν τους ανθρώπους από την εξίσωση. Χρησιμοποιούν την ΤΝ για να απλοποιούν τις επαναλαμβανόμενες διαδικασίες ρουτίνας που δυσκολεύουν την καθημερινή λειτουργία. Έτσι απελευθερώνουν χρόνο και άλλους κρίσιμους πόρους, ώστε οι άνθρωποι να βρίσκουν νέους, δημιουργικούς τρόπους για μεγαλύτερα επιχειρηματικά οφέλη. Χρησιμοποιούν την ΤΝ ως εργαλείο με το οποίο «τρέχουν μαζί», ενισχύοντας τις ανθρώπινες δυνατότητες. Ας σκεφτούμε τη λειτουργία της πληροφορικής. Οι ομάδες αυτές είναι ήδη υπερφορτωμένες και διαχειρίζονται εκτεταμένες υποδομές με περιορισμένα μέσα. Η ΤΝ, ή ίσως ακριβέστερα η μηχανική μάθηση (ML), μπορεί να προσφέρει πραγματική αξία εδώ. Η ΤΝ και η ML μπορούν να αυτοματοποιήσουν εργασίες ρουτίνας που παλαιότερα απαιτούσαν πολύ χρόνο και έθαβαν πολύτιμους ειδικούς σε λειτουργικές εργασίες: έρευνα και δοκιμές ενημερώσεων κώδικα, ταξινόμηση αιτημάτων υποστήριξης, δημιουργία ροών εργασίας, εντοπισμό και χαρτογράφηση κινδύνων.

Αυτές οι εργασίες αποτελούν τη βάση της λειτουργίας της πληροφορικής, αλλά καταναλώνουν τεράστιο χρόνο. Αυτό ισχύει ιδιαίτερα καθώς τα ψηφιακά περιβάλλοντα των οργανισμών διευρύνονται, το τοπίο ευπαθειών μεταβάλλεται και οι εργαζόμενοι προσδοκούν όλο και περισσότερο θετικές ψηφιακές εμπειρίες στις συσκευές εργασίας τους. Όταν οι ομάδες δεν διαχειρίζονται ή δεν παρακολουθούν σωστά αυτές τις δυνατότητες και διαδικασίες επειδή είναι υπερφορτωμένες, οι συνέπειες είναι σοβαρές: διακοπές λειτουργίας, ενημερώσεις κώδικα που δεν εφαρμόζονται, διαρροές δεδομένων και παραβιάσεις ασφαλείας.

Αντίθετα, όταν η ΤΝ αξιοποιείται σωστά για την απλοποίηση της εργασίας σε αυτούς τους τομείς, δίνει στο προσωπικό πληροφορικής χρόνο για όσα η ίδια δεν μπορεί να κάνει: μείωση του τεχνικού χρέους, βελτίωση υφιστάμενων συστημάτων και διαδικασιών, επανασχεδιασμό της αρχιτεκτονικής για μεγαλύτερη ανθεκτικότητα και διατήρηση της οργανωσιακής γνώσης που κρατά τα κρίσιμα συστήματα σε λειτουργία. Αυτό είναι κάτι περισσότερο από αποδοτικότητα. Είναι μετριασμός κινδύνου. Και θέτει πιο στέρεες βάσεις για μακροπρόθεσμη ανάπτυξη.

Η σωστή υιοθέτηση της ΤΝ

Οι οργανισμοί που ξεκινούν με προσεκτικά μελετημένη εφαρμογή και υιοθέτηση της ΤΝ, δίνοντας παράλληλα προτεραιότητα στη διευκόλυνση της ασφαλούς και αποτελεσματικής χρήσης της, βλέπουν — και θα συνεχίσουν να βλέπουν — μεγαλύτερα οφέλη από τις στρατηγικές τους για την ΤΝ. Η βελτιστοποίηση δεν προέρχεται από περικοπές προσωπικού. Προέρχεται από την επένδυση στους ανθρώπους, τον επανασχεδιασμό των ροών εργασίας και την εκπαίδευση των ομάδων στην καλύτερη χρήση της ΤΝ.

Αυτό δεν είναι καινούριο. Η τεχνολογία εξελίσσεται μέσα από διαδοχικούς κύκλους γενεών εδώ και εκατοντάδες χρόνια. Κάθε φορά τείνουμε να επαναλαμβάνουμε τα ίδια λάθη. Υπερβάλλουμε και προσπαθούμε να μετατρέψουμε μια συγκεκριμένη πρόοδο σε πανάκεια για ό,τι μας ταλαιπωρεί. Δεν λείπουν οι τσαρλατάνοι που εκμεταλλεύονται αυτή την απελπισία, υπόσχονται υπερβολικά πολλά και εξαφανίζονται πριν μετρηθούν τα αποτελέσματα. Στην πραγματικότητα, η ΤΝ και η ML μπορούν να κάνουν ό,τι έκαναν πάντα οι υπολογιστές: να εκτελούν ορισμένες εργασίες γρηγορότερα και με μεγαλύτερη ακρίβεια από έναν άνθρωπο. Όσοι εντοπίσουν αυτές τις ευκαιρίες και εφαρμόσουν την ΤΝ πραγματιστικά, για να συνεργαστούν μαζί της, θα δουν γρήγορα απόδοση της επένδυσής τους. Στην πράξη, αυτό σημαίνει:

• Χρήση της ΤΝ για την εξάλειψη εργασιών χαμηλής αξίας, όχι της πολύτιμης ανθρώπινης κρίσης
• Σχεδιασμός ροών εργασίας με ανθρώπινη συμμετοχή για τη μείωση του κινδύνου αποφάσεων με μεγάλο αντίκτυπο
• Καθορισμός σαφών οδών κλιμάκωσης όταν τα συστήματα ΤΝ αποτυγχάνουν ή δίνουν αβέβαια αποτελέσματα
• Ρητή ανάθεση ευθύνης για αποφάσεις που βασίζονται στην ΤΝ
• Εκπαίδευση των ομάδων στην κριτική εξέταση των αποτελεσμάτων της ΤΝ αντί για τυφλή αποδοχή τους

Το πραγματικό κόστος μιας λανθασμένης προσέγγισης

Ο σημερινός κύκλος της τεχνολογικής βιομηχανίας, με μαζικές απολύσεις που ακολουθούνται από σιωπηλές επαναπροσλήψεις, δεν είναι μετατόπιση ταλέντου. Είναι μεταφορά κινδύνου. Οι οργανισμοί ανταλλάσσουν δεκαετίες οργανωσιακής μνήμης με λίγους μήνες αυτοματοποιημένης ταχύτητας, και οι επικεφαλής πληροφορικής μένουν με την ευθύνη να διαχειριστούν τις συνέπειες.

Η ΤΝ προσφέρει πραγματικά οφέλη, αλλά αυτά έχουν τη μεγαλύτερη αξία όταν χρησιμοποιείται για να διατηρεί και να ενισχύει την τεχνογνωσία, όχι να την αντικαθιστά. Οι εταιρείες που θα συνεχίσουν να ευημερούν στην εποχή της ΤΝ δεν είναι όσες κάνουν τις βαθύτερες περικοπές ή αναπτύσσουν τα περισσότερα εργαλεία ΤΝ. Είναι όσες χρησιμοποιούν την ΤΝ με περίσκεψη για να αυτοματοποιούν τη μονότονη δουλειά και να ενισχύουν την ανθρώπινη δημιουργικότητα, συνεργασία και τεχνογνωσία.

Όταν λοιπόν αστοχήσει το επόμενο σύστημα ή προκύψει η επόμενη διακοπή λειτουργίας ή το επόμενο περιστατικό κυβερνοασφάλειας, δεν θα θέλετε ένα ρομπότ ή μια μηχανή να ηγείται της αποκατάστασης των συστημάτων ή της επικοινωνίας με τους πελάτες. Τότε θα θέλετε — και θα χρειάζεστε — τον άνθρωπο με βαθιά γνώση του ιστορικού πλαισίου που παραμένει στην εταιρεία.

Αν θέλουμε να αξιοποιήσουμε πλήρως τις δυνατότητες της ΤΝ, πρέπει να επικεντρωθούμε στη χρήση της για τις μονότονες εργασίες και να σταματήσουμε να τη χρησιμοποιούμε ως δικαιολογία για κακές επιχειρηματικές επιδόσεις.