Chris Perry, Ιδρυτής και Διευθύνων Σύμβουλος της Andus Labs – Σειρά Συνεντεύξεων

Chris Perry, Ιδρυτής και Διευθύνων Σύμβουλος της Andus Labs, είναι εκτελεστικός στελέχος επικοινωνίας, ψηφιακής στρατηγικής και καινοτομίας με σχεδόν τρεις δεκαετίες εμπειρίας βοηθώντας οργανισμούς να αντιμετωπίζουν σημαντικές αλλαγές στην τεχνολογία και τις επιχειρήσεις. Πριν ιδρύσει την Andus Labs το 2025, ο Perry πέρασε πάνω από 22 χρόνια στη Weber Shandwick, όπου κατείχε σειρά ανώτερων ηγετικών θέσεων, συμπεριλαμβανομένου του Προέδρου Futures, του Διευθυντή Καινοτομίας, του Προέδρου Ψηφιακών Επικοινωνιών, του Ανώτερου Αντιπροέδρου Ψηφιακής Στρατηγικής και Λειτουργιών, και του Ανώτερου Αντιπροέδρου. Στα πρώτα του χρόνια, εργάστηκε στην τεχνολογική επικοινωνία στη General Motors και υπηρέτησε ως Αντιπρόεδρος στην Edelman. Η καριέρα του έχει επικεντρωθεί στον ψηφιακό μετασχηματισμό, τις αναδυόμενες τεχνολογίες, την οργανωτική αλλαγή και τη διαρκώς εξελισσόμενη σχέση μεταξύ τεχνολογίας και των ανθρώπων που είναι υπεύθυνοι για την εφαρμογή της.

Andus Labs βοηθά τις επιχειρήσεις να μετατρέψουν τις δυνατότητες του AI σε πρακτικά οργανωτικά αποτελέσματα εστιάζοντας στα ανθρώπινα συστήματα που περιβάλλουν την τεχνολογία. Η εταιρεία περιγράφει την αποστολή της ως την κατασκευή του “Human OS for AI”—μιας λειτουργικής στρώσης σχεδιασμένης να συντονίζει την εργασία μεταξύ ανθρώπων και πρακτόρων AI—βάσει της υπόθεσης ότι οι επενδύσεις σε AI συχνά αποτυγχάνουν όταν η οργανωτική ετοιμότητα, οι ροές εργασίας και η υιοθέτηση υστερούν πίσω από την ίδια την τεχνολογία. Η δουλειά της περιλαμβάνει προγράμματα ορχήστρωσης εργασίας AI, προϊόντα που προορίζονται να ενισχύσουν και να ενισχύσουν τη οργανωτική μάθηση, καθώς και ένα ευρύτερο δίκτυο πρακτικών, καλλιτεχνών και ανθρωπολόγων που εξερευνούν πώς άνθρωποι και AI μπορούν να συνεργαστούν αποτελεσματικά.

Πέρασες πάνω από δύο δεκαετίες στη Weber Shandwick, προοδεύοντας από ανώτερες ψηφιακές θέσεις μέχρι Chief Innovation Officer και Chairman, Futures, πριν ιδρύσεις την Andus Labs το 2025. Τι παρατήρησες μέσα σε μεγάλους οργανισμούς κατά τη διάρκεια αυτής της περιόδου που σε έπεισε ότι το μεγαλύτερο εμπόδιο στην μετασχηματισμό του AI θα είναι το ανθρώπινο και οργανωτικό σύστημα γύρω από την τεχνολογία και όχι η ίδια η τεχνολογία;

Το έμαθα πρώτα στο γραφικό στούντιο του πατέρα μου στο Detroit, όπου ξεκίνησα, πριν από τη Weber Shandwick. Η επιμέλεια επιτραπέζιου τύπου μετέφερε τη δουλειά που οι τυπογράφοι και εικονογράφοι του έκαναν με το χέρι σε λογισμικό. Έσπασε το επιχειρηματικό του μοντέλο, και δεν είδε τη μεταβολή μέχρι που ήταν πολύ αργά.

Στη Weber Shandwick εργάστηκα με μερικές από τις μεγαλύτερες εταιρείες του κόσμου μέσα από νέες τεχνολογικές κύματα: κοινωνικά δίκτυα, blogs, βίντεο, κινητά, δεδομένα. Κάθε φορά, το μοτίβο ήταν το ίδιο. Η τεχνολογία έφτασε. Οι άνθρωποι αισθάνθηκαν την αλλαγή και άρχισαν να τη χρησιμοποιούν από μόνοι τους. Η ηγεσία και η δομή της εταιρείας μετακινήθηκαν τελευταίες.

Σε εκείνα τα πρώιμα κύματα, οι εταιρείες πλήρωσαν για αυτήν την καθυστέρηση χάνοντας έδαφος, αλλά οι άνθρωποι συνέχισαν να κάνουν τη δουλειά. Το AI κάνει στην εργασία γνώσης αυτό που έκανε η επιμέλεια επιτραπέζιου τύπου στο στούντιο του πατέρα μου. Ο τρόπος με τον οποίο οι άνθρωποι εκτελούν τη δουλειά ενσωματώνεται στο λογισμικό.

Οι σχολές επιχειρήσεων δεν διδάσκουν πώς να διαχειρίζεσαι μια εταιρεία όπου άνθρωποι και πράκτορες μοιράζονται τη δουλειά. Οι περισσότερες εταιρείες προσθέτουν AI και ολοκληρώνουν την παλιά δουλειά πιο γρήγορα. Η πραγματική απόδοση εμφανίζεται όταν οι ηγέτες εφοδιάζουν τους ανθρώπους τους ώστε να ξαναχτίσουν τη δουλειά με AI. Η δουλειά αλλάζει μορφή αντί να γίνεται απλώς πιο γρήγορη.

Το ονομάσαμε Andus Labs, όπως στο “and us”, επειδή υποθέσαμε ότι η απόδοση θα εξαρτηθεί από τους ανθρώπους.

Η Andus Labs υποστηρίζει ότι οι επιχειρήσεις μπορούν να διαθέτουν προηγμένες δυνατότητες AI ενώ εξακολουθούν να λείπει η «ανθρώπινη ετοιμότητα» που απαιτείται για την εξαγωγή αξίας από αυτές. Τι διαχωρίζει μια εταιρεία που έχει επιτυχώς υλοποιήσει AI από μια που πραγματικά έχει μετασχηματίσει τον τρόπο που γίνεται η εργασία;

Κάθισα με μια εταιρεία που ανέφερε 80% υιοθέτηση AI και κάτι κοντά στο 5% αλλαγή στον τρόπο που γινόταν η εργασία. Μόνο ο αριθμός υιοθέτησης εμφανίστηκε στην παρουσίαση του διοικητικού συμβουλίου. Ο δεύτερος αριθμός δεν κρύφτηκε. Απλώς το ταμπλό δεν είχε χώρο για αυτό.

Η υλοποίηση είναι εύκολο να μετρηθεί. Αδειοδοτήσεις που έχουν εκχωρηθεί, πράκτορες που έχουν αναπτυχθεί, συνδέσεις. Αυτό είναι δραστηριότητα, όχι αντίκτυπο. Ρωτάμε τους πελάτες τι μπορεί τώρα η εταιρεία να κάνει που δεν μπορούσε πριν. Στις περισσότερες περιπτώσεις η ειλικρινής απάντηση είναι τα ίδια αναφορές, παρουσιάσεις και αναλύσεις, μόνο πιο γρήγορα.

Οι εταιρείες που μετασχηματίζονται μετρούν κάτι διαφορετικό. Παρήγαγε το πιλοτικό πρόγραμμα αρκετή αξία ώστε να αξίζει η κλιμάκωση; Μπορούμε να παρουσιάσουμε κάτι στο διοικητικό συμβούλιο που δεν θα μπορούσαμε να παράγουμε πριν από ένα χρόνο; Το AI ελαφρύνει τους πιο πολύτιμους ανθρώπους μας ώστε να κάνουν τη δουλειά που μόνο αυτοί μπορούν; Κανένα από αυτά δεν είναι τόσο εύκολο να μετρηθεί όσο οι θέσεις, αλλά είναι τα μέτρα που δείχνουν αν κάτι προχώρησε.

Αυτές οι ερωτήσεις χρειάζονται επίσης έναν υπεύθυνο. Ρώτησε ποιος είναι αυτός μέσα στις περισσότερες εταιρείες και θα πάρεις μια λίστα. Ο CIO είναι υπεύθυνος για τις πλατφόρμες. Ένα κέντρο αριστείας είναι υπεύθυνο για τα πιλοτικά προγράμματα. Το HR είναι υπεύθυνο για την εκπαίδευση. Ο αντίκτυπος στην επιχείρηση δεν βρίσκεται σε κανένα κατάλογο.

Μία εταιρεία μπορεί να σας πει πόσοι άνθρωποι έχουν πρόσβαση. Η άλλη μπορεί να σας πει τι άλλαξε και ποιος είναι υπεύθυνος γι’ αυτό.

Ο Ground Truth Index βασίζεται πλέον σε μια βιβλιοθήκη 300 τεκμηριωμένων μοτίβων, τα οποία έχουν εντοπιστεί μέσα από συνεργασίες και συζητήσεις με στελέχη από 595 οργανισμούς. Πέντε ανεξάρτητοι αναλυτές-πράκτορες βαθμολογούν κάθε μοτίβο, προτού οι ερευνητές εξετάσουν και οριστικοποιήσουν την κατάταξη. Πώς έχει εξελιχθεί αυτή η μεθοδολογία, σε ποιο σημείο υπεισέρχεται η ανθρώπινη κρίση στη διαδικασία και πώς αποτρέπετε το ενδεχόμενο ο Δείκτης να ενισχύει απλώς παραδοχές που υπάρχουν ήδη στις παρατηρήσεις σας από το πεδίο;

Η μέθοδος έχει αλλάξει καθώς η βιβλιοθήκη έχει μεγαλώσει. Κάθε μοτίβο ξεκινά με ό,τι ακούμε και βλέπουμε σε συνομιλίες με επιχειρηματικούς ηγέτες. Ελέγχουμε κάθε νέο σήμα σε σχέση με τη βιβλιοθήκη, το δοκιμάζουμε με βάση τις παρατηρήσεις στο πεδίο και την εξωτερική έρευνα, και αποφασίζουμε αν είναι πραγματικά νέο, ενισχύει ένα μοτίβο που ήδη παρακολουθούμε ή αν ανήκει κάπου αλλού.

Η τεχνητή νοημοσύνη μας βοηθά να αξιολογούμε ολόκληρη τη βιβλιοθήκη κάθε τρίμηνο, κάτι που μια ερευνητική ομάδα δεν θα μπορούσε να κάνει με το χέρι. Οι πράκτορες διαβάζουν κάθε μοτίβο μέσα από διαφορετικό επαγγελματικό φακό και το βαθμολογούν με τις ίδιες πέντε διαστάσεις. Εργάζονται τυφλά, ώστε κανένας πράκτορας να μην μπορεί να επηρεάσει άλλον. Παίρνουμε τη διάμεσο, ώστε ένα μοναδικό εκτός ορίου να μην μεταβάλλει το σκορ, και οι κορυφαίες 50 καταχωρίσεις περνούν σε ανθρώπινη αξιολόγηση.

Η ανθρώπινη κρίση διέρχεται από όλο το διαδικαστικό. Η ερευνητική μας ομάδα εγκρίνει κάθε μοτίβο που εισέρχεται στη βιβλιοθήκη, εξετάζει τις κατατάξεις και αποφασίζει τα τελικά 25. Εστιάζουμε περισσότερο όπου οι πράκτορες διαφωνούν και όπου η προσοχή των μέσων συγκρούεται με ό,τι ακούμε στο πεδίο. Μπορούμε να μεταβάλουμε ένα σκορ, αλλά μόνο βάσει τεκμηριωμένης παρατήρησης: ποιος το ανέβασε, πόσο συχνά το ακούσαμε και αν επιβεβαιώθηκε σε διάφορους οργανισμούς. Μια διαίσθηση δεν μεταβάλλει το σκορ.

Ο νέος Ground Truth Index κατατάσσει το “Empty Chairs” ως το κορυφαίο εμπόδιο για την επιχειρηματική AI, περιγράφοντας οργανισμούς που δίνουν στα συστήματα AI επιρροή σε αποφάσεις όπως πρόσληψη, τιμολόγηση και κίνδυνο χωρίς να προσδιορίζουν σαφώς ποιος είναι υπεύθυνος ή έχει την εξουσία να αντιστρέψει αυτές τις αποφάσεις. Καθώς η AI μεταβαίνει από την πρόταση ενεργειών στην πραγματική διαμόρφωση επιχειρηματικών αποτελεσμάτων, πώς θα πρέπει να φαίνεται η ουσιαστική ανθρώπινη λογοδοσία στην πράξη;

Όσο περισσότερες λειτουργίες αγγίζει η AI, τόσο περισσότερες αποφάσεις λαμβάνει εκ μέρους της εταιρείας. Η λογοδοσία γίνεται ζήτημα διαχείρισης πριν γίνει τεχνολογικό.

Η ευθύνη συνήθως βρίσκεται κάπου μεταξύ του αγοραστή του συστήματος AI και του χρήστη του, και κανένας από τους δύο δεν την κατέχει. Το κενό παραμένει αόρατο μέχρι να αμφισβητηθεί μια απόφαση. Αυτό είναι το κενό κάθισμα.

Η λογοδοσία σημαίνει έναν ονομασμένο ηγέτη που βλέπει τι παράγει το σύστημα και μπορεί να εξηγήσει το αποτέλεσμα, να το διορθώσει ή να σταματήσει το σύστημα. Αυτό απαιτεί εξουσία πάνω σε μια διαδικασία που συνήθως διασχίζει πολλά τμήματα.

Ζητάμε από τους ηγέτες να επιλέξουν μια σημαντική απόφαση που η AI τους βοήθησε να λάβει αυτό το τρίμηνο και να μας πούν ποιος είναι υπεύθυνος γι’ αυτήν. Όταν η απάντηση δεν είναι σαφής, η εταιρεία έχει αλλάξει τον τρόπο λήψης αποφάσεων χωρίς να καθορίσει ποιος θα φέρει την ευθύνη.

Το “Learning While Drowning” κατατάσσεται δεύτερο στον νέο Δείκτη, επισημαίνοντας εταιρείες που επιβάλλουν εκπαίδευση AI ενώ αφήνουν τα υπάρχοντα φορτία εργασίας των υπαλλήλων αμετάβλητα. Ταυτόχρονα, το “Optimization Temptation” δείχνει πόσο εύκολα οι εταιρείες μπορούν να ποσοτικοποιήσουν τις εξοικονομήσεις προσωπικού σε σύγκριση με την πιο δύσκολη μέτρηση της αξίας επανατοποθέτησης ανθρώπων σε εργασίες υψηλότερης αξίας. Υποτιμούν οι εταιρείες θεμελιωδώς την οργανωτική επένδυση που απαιτείται για να κάνουν το εργατικό τους δυναμικό πιο παραγωγικό με AI αντί να χρησιμοποιούν απλώς την AI για μείωση κόστους;

Ναι. Οι εξοικονομήσεις από την κατάργηση ενός ρόλου είναι εύκολο να καταγραφούν σε ένα λογιστικό φύλλο. Η αξία της γνώσης, των σχέσεων και της κρίσης αυτού του ατόμου είναι πολύ πιο δύσκολο να καταγραφεί. Οι εξοικονομήσεις εμφανίζονται αυτό το τρίμηνο. Οι απώλειες μπορούν να συσσωρευτούν για χρόνια.

Η υπόθεση πίσω από τη μείωση είναι συχνά λανθασμένη επίσης. Η AI κάνει τη σημερινή εργασία πιο αποδοτική και παράγει επίσης νέα καθήκοντα που πρέπει να εκτελεστούν. Αυτό που βλέπουμε είναι ομάδες που επανασυγκροτούν, με άτομα να μετακινούνται σε διαφορετικές θέσεις αντί για ολόκληρες λειτουργίες που αποκόπτονται.

Μία υποχρέωση εκπαίδευσης είναι απόφαση σχετικά με το φόρτο εργασίας. Οι εταιρείες στρώουν την εκπαίδευση AI πάνω στην υπάρχουσα εργασία, και στη συνέχεια ερμηνεύουν τη χαμηλή ολοκλήρωση ως πρόβλημα κίνητρου. Η επένδυση που παραλείπουν είναι αυτή που ποτέ δεν μπαίνει στον προϋπολογισμό. Αποφασίζοντας ποια εργασία θα σταματήσει, θα μειωθεί ή θα μετακινηθεί για να δημιουργηθεί χώρος, και ποιος υπέγραψε για αυτό. Η μάθηση απαιτεί χρόνο. Η εφαρμογή της απαιτεί περισσότερο, επειδή οι άνθρωποι πρέπει να δοκιμάσουν άγνωστα εργαλεία, να ελέγξουν το αποτέλεσμα και να αλλάξουν τον τρόπο που πάντα εργάζονταν.

Η απάντηση δεν είναι ένα ακόμη στοιχείο στη λίστα. Τοποθετήστε μια ομάδα σε ένα ζωντανό έργο και η μάθηση συμβαίνει μέσα στην εργασία.

Ο Δείκτης επίσης εντοπίζει το “Devaluation Anxiety”, που αντικατοπτρίζει τις ανησυχίες για το τι συμβαίνει με τους υπαλλήλους όταν η AI γίνεται ικανή να εκτελεί όλο και πιο πολύτιμα τμήματα των εργασιών τους. Πόσο από ό,τι οι εκτελεστές χαρακτηρίζουν ως αντίσταση στην AI είναι στην πραγματικότητα λογική ανησυχία για την αξία της καριέρας, και τι πρέπει να κάνουν διαφορετικά οι ηγέτες όταν εισάγουν αυτά τα συστήματα;

Το μεγαλύτερο μέρος είναι λογικό. Οι υπάλληλοι ακούνε για την αποδοτικότητα της AI σε μια ανακοίνωση και για απολύσεις στην επόμενη. Συγκαταλήγουν στα δικά τους συμπεράσματα.

Η ηγεσία αντιμετωπίζει αυτά ως ξεχωριστά μηνύματα. Οι ομάδες όχι. Ολοκληρώνουν την εκπαίδευση και αναστέλλουν την πειραματική εφαρμογή που θα την έκανε χρήσιμη.

Η διαβεβαίωση δεν θα το διορθώσει. Οι ηγέτες πρέπει να δηλώσουν τι έχει αποφασιστεί σχετικά με τις θέσεις εργασίας, τι παραμένει αβέβαιο και ποια υποστήριξη μπορούν να αναμένουν οι άνθρωποι.

Το ίδιο ισχύει και για την ανταμοιβή. Οι εταιρείες καθορίζουν τι αναμένει η επιχείρηση από την AI και αφήνουν κενό το μέρος του υπαλλήλου. Αν κάποιος γίνεται πιο γρήγορος, τι κερδίζει από αυτό; Περισσότερος χρόνος για καλύτερη εργασία, διαδρομή προαγωγής, χρόνος πίσω; Αυτό πρέπει να περιλαμβάνεται στο σχέδιο υλοποίησης.

Οι εκτελεστές ζητούν από τις ομάδες τους να εργάζονται διαφορετικά με την AI. Οι ομάδες περιμένουν να δουν πρώτα τους εκτελεστές να το κάνουν.

Ένα άλλο μοτίβο που εντοπίζετε είναι η «Ενεργή Αδράνεια», όπου οι οργανισμοί χρησιμοποιούν την AI για να επιταχύνουν υπάρχουσες διαδικασίες χωρίς να τις αλλάξουν ουσιαστικά. Πώς φαίνεται ο πραγματικός σχεδιασμός ροής εργασίας εγγενής στην AI, και μπορείτε να δώσετε ένα παράδειγμα της διαφοράς μεταξύ του να κάνετε μια παλιά διαδικασία πιο γρήγορη και του να την ξαναχτίζετε γύρω από ό,τι η AI κάνει τώρα δυνατόν;

Οι περισσότερες εταιρείες στρέφουν την AI προς ό,τι είναι πιο εύκολο να αυτοματοποιηθεί, κάτι που συχνά είναι εργασία που δεν θα έπρεπε να υπάρχει καθόλου. Οι αναφορές παράγονται πιο γρήγορα. Οι εγκρίσεις κινούνται με τον ίδιο ρυθμό όπως πάντα. Αυτό είναι η Ενεργή Αδράνεια.

Ο σχεδιασμός αποφασίζει εκ των προτέρων τι κάνουν τα μοντέλα AI και τι αναλαμβάνει η ομάδα, και στη συνέχεια χτίζει για αυτό αντί να κληρονομεί το παλιό σχήμα.

Πάρτε μια εβδομαδιαία αναφορά. Η ταχύτερη έκδοση έχει την AI να τη συντάσσει, και οι ίδιοι άνθρωποι ελέγχουν το ίδιο έγγραφο στο ίδιο πρόγραμμα. Η ξαναχτισμένη έκδοση ρωτά για ποιον σκοπό ήταν η αναφορά. Αν υπάρχει ώστε κάποιος να μπορεί να εντοπίσει προβλήματα νωρίς, το σύστημα μπορεί να σηματοδοτήσει ένα πρόβλημα τη στιγμή που συμβαίνει, και η αναφορά εξαφανίζεται.

Έχετε γράψει ότι «η αξία ισούται με την ικανότητα επί απορρόφηση» και έχετε υποστηρίξει συστήματα αντί απλώς λογισμικού. Καθώς τα μοντέλα αιχμής γίνονται όλο και πιο εμπορευματοποιημένα και διαθέσιμα σε όλους, θα μπορούσε η ικανότητα ενός οργανισμού να απορροφήσει και να αναδιοργανωθεί γύρω από την AI να γίνει πιο ανθεκτικό ανταγωνιστικό πλεονέκτημα από την πρόσβαση στα ίδια τα μοντέλα;

Ναι. Η ανάπτυξη μοντέλων είναι εύκολη σε σύγκριση με την αλλαγή της εργασίας γύρω από αυτά. Φτάνουν με εξαιρετική ισχύ, γίνονται φθηνότερα κάθε τρίμηνο. Τα ίδια μοντέλα είναι διαθέσιμα σε οποιονδήποτε. Αυτό που δεν μπορείτε να αγοράσετε είναι το μοναδικό πλαίσιο μέσα στην εταιρεία και οι ομάδες που είναι έτοιμες να τα χρησιμοποιήσουν στο πλήρες δυναμικό τους.

Αυτό που αποκαλούμε «χωρητικότητα λήψης» είναι μια παλιά ιδέα. Είναι η ικανότητα μιας ομάδας να αποδέχεται κάτι νέο και να το αξιοποιεί, και αποτελείται από δικαιώματα λήψης αποφάσεων, κίνητρα, ροές εργασίας, σχεδίαση θέσεων και αρκετή εμπιστοσύνη ώστε οι άνθρωποι να σας λένε τι πήγε στραβά. Τίποτα από αυτά δεν μπορεί να νοικιαστεί.

Περιγράφω την αξία ως ικανότητα επί απορρόφηση επειδή οι δύο πολλαπλασιάζονται. Δεν προστίθενται. Ένα εξαιρετικό μοντέλο που εισάγεται σε έναν οργανισμό που δεν μπορεί να το αποδεχτεί είναι ένα άψογο μέρος που βιδώνεται σε μια αποτυχημένη σφράγιση. Η ικανότητα είναι πραγματική. Η απόδοση παραμένει μηδενική.

Η Agentic AI εισάγει ένα ακόμη επίπεδο πολυπλοκότητας επειδή τα συστήματα μπορούν όλο και περισσότερο να αναλαμβάνουν δράσεις, να χρησιμοποιούν εργαλεία και να επιδιώκουν στόχους αντί να παράγουν απλώς απαντήσεις. Πού πρέπει οι επιχειρήσεις να θέσουν το όριο μεταξύ αυτονομίας του πράκτορα και ανθρώπινης λήψης αποφάσεων, και ποιες νέες δομές διακυβέρνησης θα απαιτηθούν καθώς οι πράκτορες λαμβάνουν μεγαλύτερη εξουσία;

Ξεκινήστε με μια ερώτηση: ποιος απαντά όταν ο πράκτορας κάνει λάθος;

Θέστε το όριο μεταξύ του τι αποφασίζει ο πράκτορας και του τι αποφασίζει ένας άνθρωπος πριν κάτι τεθεί σε λειτουργία. Οι περισσότερες εταιρείες βρίσκουν αυτό το όριο αφού κάτι έχει ήδη σπάσει.

Όπου ένα λάθος είναι φθηνό να διορθωθεί και εμφανίζεται γρήγορα, αφήστε τον πράκτορα να λειτουργεί. Όταν η απόφαση αλλάζει το εισόδημα κάποιου, αν διατηρήσει τη δουλειά του ή τη νομική του θέση, ένας άνθρωπος παίρνει την απόφαση και ο πράκτορας την προετοιμάζει.

Η ένστικτη αντίδραση είναι να κεντράρετε. Στήστε μια επιτροπή, γράψτε ένα πλαίσιο, περιμένετε μέχρι να φαίνεται διαχειρίσιμο. Μέχρι να φτάσει η καθοδήγηση από την κορυφή στην εργασία, είναι ξεπερασμένη, και οι άνθρωποι που δεν μπορούν να πάρουν απάντηση αρχίζουν να χρησιμοποιούν εργαλεία που η εταιρεία δεν έχει εγκρίνει.

Η διακυβέρνηση πρέπει να βρίσκεται κοντά στην εργασία. Οι ομάδες πρέπει να ξέρουν τι μπορεί να αποφασίσει κάθε πράκτορας, ποιος το κατέχει και πώς να το σταματήσει. Και χρειάζονται ένα αρχείο του τι έκανε.

Το οργανόγραμμα δεν δημιουργήθηκε ποτέ για πράκτορες που εργάζονται διατμηματικά, έτσι καμία μονάδα δεν κατέχει την αποτυχία. Διευθετήστε αυτό πριν από την υλοποίηση, όχι μετά.

Κοιτάζοντας μπροστά, αν οι μεγαλύτεροι περιορισμοί στην επιχειρηματική AI γίνονται όλο και περισσότερο οργανωτικοί παρά τεχνικοί, πώς αναμένετε να αλλάξουν οι ίδιες οι εταιρείες; Ποια τμήματα του σημερινού οργανωγράμματος, της δομής διαχείρισης, του σχεδιασμού θέσεων και των διαδικασιών λήψης αποφάσεων είναι λιγότερο πιθανό να επιβιώσουν τη μετάβαση σε οργανισμούς που βασίζονται σε ανθρώπους και πράκτορες AI που συνεργάζονται;

Το λειτουργικό οργανόγραμμα είναι το λιγότερο πιθανό να επιβιώσει. Οι περισσότερες εταιρείες λειτουργούν ακόμα κατά λειτουργία, με την εργασία να περνά από ένα τμήμα στο άλλο και μια έγκριση σε κάθε μεταβίβαση. Η AI παράγει εργασία σε λεπτά ενώ οι εγκρίσεις γύρω της διαρκούν εβδομάδες. Οι ηγέτες καλούνται να κινηθούν πιο γρήγορα μέσα σε συστήματα που έχουν σχεδιαστεί για να επιβραδύνουν.

Αυτό το οργανόγραμμα δημιουργήθηκε για ανθρώπους που μεταβιβάζουν εργασία σε ανθρώπους, όχι για αποφάσεις που μοιράζονται μεταξύ ανθρώπων και πρακτόρων.
Μια επιτροπή δεν θα το λύσει.

Αυτό που αντικαθιστά το οργανόγραμμα μοιάζει με μικρές ομάδες οργανωμένες γύρω από ένα πρόβλημα. Ένας ηγέτης ορίζει ένα πρόβλημα που αξίζει να λυθεί, αποφασίζει τι πρέπει να είναι αληθινό για να λυθεί, και βάζει μια ομάδα ανθρώπων και πρακτόρων σε αυτό. Η ομάδα αυτή λαμβάνει τη δική της χρηματοδότηση και προστασία, επειδή δεν μπορεί να λειτουργήσει όπως η υπόλοιπη επιχείρηση. Οι άνθρωποι σε αυτήν παίρνουν τις κρίσιμες αποφάσεις και κατέχουν ό,τι παράγουν οι πράκτορες.

Οι ηλεκτρικές μηχανές έφτασαν στα αμερικανικά εργοστάσια τη δεκαετία του 1880, αλλά τα κέρδη παραγωγικότητας δεν εμφανίστηκαν μέχρι τη δεκαετία του 1920. Στην αρχή, τα εργοστάσια έβαλαν έναν μεγάλο κινητήρα εκεί που υπήρχε η ατμομηχανή, οδηγούσαν τους ίδιους άξονες γραμμής και άφηναν κάθε μηχάνημα στη θέση του. Τα κέρδη ήρθαν όταν έδωσαν σε κάθε μηχάνημα τον δικό του κινητήρα και διαμόρφωσαν το πάτωμα γύρω από τη δουλειά.

Η αναδιάταξη ήταν η επανάσταση.

Σας ευχαριστούμε για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν την Andus Labs ή να βρουν περισσότερες πληροφορίες στον Ground Truth Index.