Γιατί όλες οι εταιρείες χρειάζονται ένα Γραφικό Σχέδιο Γνώσης στην Εποχή του AI

Το AI έχει επιταχύνει θεμελιωδώς την ανάπτυξη λογισμικού, αλλά έχει αλλάξει ελάχιστα τον τρόπο με τον οποίο λειτουργούν οι οργανώσεις λογισμικού. Αυτή η ανισορροπία γίνεται σιγά-σιγά το μεγαλύτερο εμπόδιο για το επιχειρηματικό AI.

Για χρόνια, οι ομάδες μηχανικών χρειάζονταν περισσότερους πόρους για να跟ere την ζήτηση. Σήμερα, μικρές ομάδες χρησιμοποιούν το AI για να δημιουργήσουν κώδικα, να ελέγξουν και να επιταχύνουν τον δρόμο από την ιδέα στην υλοποίηση. Οι προγραμματιστές είναι σαφώς πιο γρήγοροι στην αποστολή κώδικα, αλλά αν αυτό μεταφράζεται συνεχώς σε καλύτερα αποτελέσματα, παραμένει ασαφές.

Αυτή η ταχύτητα δημιουργεί ένα νέο φράγμα: τον φόρο συντονισμού. Το AI έχει επιταχύνσει την εκτέλεση πολύ πιο γρήγορα από ό,τι έχει βελτιώσει τον τρόπο με τον οποίο οι οργανώσεις συντονίζουν τη δουλειά τους. Η κοινή χρήση контекstu, η προτεραιότητα, η λήψη αποφάσεων, η αναφορά κατάστασης και η διαλειτουργική ευθυγράμμιση παραμένουν σε μεγάλο βαθμό χειροκίνητες, ακόμη και καθώς η ανάπτυξη επιταχύνεται.

Η Atlassian εκτιμά ότι η αποσύνδεση που προκύπτει από αυτό το κόστος στις εταιρείες Fortune 500 περίπου 161 δισεκατομμύρια δολάρια ετησίως. Η ίδια έρευνα βρήκε ότι ενώ το 89% των διευθυντών λέει ότι το AI έχει επιταχύνει τη δουλειά, μόνο το 6% μπορεί να δείξει μετρήσιμα αποτελέσματα σε ολόκληρη την οργάνωση.

Τα γρηγορότερα αποτελέσματα δεν δημιουργούν αυτόματα μια πιο έξυπνη οργάνωση. Μόνο το 17% των χρηστών συμφωνούν ότι οι πράκτορες έχουν βελτιώσει τη συνεργασία внутри της ομάδας, καθιστώντας το το χαμηλότερο βαθμολογημένο αποτέλεσμα με μεγάλη διαφορά, αφήνοντας το βρόχο συντονισμού αποσυνδεδεμένο.

Η ανακατασκευή του контекstu σε κάθε ερώτηση είναι ένα τεράστιο κόστος

Ενώ μια επίδειξη ευημερεί με τη χρήση καθαρών, επιμελημένων πηγών δεδομένων, τα περιβάλλοντα παραγωγής παρουσιάζουν μια πρόκληση: ασαφείς, παλιές και αντίθετες πληροφορίες που διασκορπίζονται σε αποσυνδεδεμένα συστήματα. Όταν αντιμετωπίζεται με αυτά τα κενά, ένα μεγάλο γλωσσικό μοντέλο κάνει αυτό που σχεδιάστηκε να κάνει: προβλέπει την επόμενη πιο πιθανή απάντηση. Αυτό που έμοιαζε με συλλογισμό σε ένα ελεγχόμενο περιβάλλον γρήγορα γίνεται αυτοπεποίθηση με πραγματικά δεδομένα παραγωγής.

Η βιομηχανία έχει αρχίσει να δίνει σε αυτό το πρόβλημα ένα όνομα. Η “μηχανική контекstu” έχει αναδυθεί ως η εξειδίκευση που επικεντρώνεται στον σχεδιασμό της πληροφορίας, των σχέσεων, της διακυβέρνησης και της ποιότητας που καθορίζουν αν το επιχειρηματικό AI επιτυγχάνει. Το περιοριστικό παράγοντα συχνά δεν είναι πλέον το μοντέλο selbst, αλλά η ποιότητα του контекstu που το περιβάλλει.

Κάθε φορά που ένα σύστημα AI ανακατασκευάζει το контεκστ από την αρχή, πληρώνει ένα κόστος. Οι απαντήσεις είναι αργές, τα έξοδα token αυξάνονται και η εμπιστοσύνη εξαφανίζεται καθώς οι απαντήσεις διαφέρουν ανάλογα με ποια κομμάτια γνώσης οργανισμού ανακτώνται. Δύο πράκτορες AI possono απαντήσουν στην ίδια ερώτηση διαφορετικά γιατί κάθε ένας συνθέτει το контεκστ από ένα διαφορετικό κομμάτι γνώσης οργανισμού.

Οι περισσότερες οργανώσεις ήδη κατέχουν τη γνώση που χρειάζονται τα συστήματα AI τους. Το πρόβλημα είναι ότι αυτή η γνώση είναι θραυσματισμένη σε εισιτήρια, αποθετήρια, έγγραφα, συνομιλίες και εργαλεία σχεδιασμού. Ως αποτέλεσμα, κάθε互動 ξεκινά με την ανακατασκευή του контεκstu οργανισμού πριν το μοντέλο μπορέσει να αρχίσει να συλλογίζεται, επαναλαμβάνοντας την ίδια ακριβή διαδικασία με κάθε νέα ερώτηση.

Η πρόσβαση δεν είναι το ίδιο με τη γνώση

Μια κοινή ερώτηση είναι αν μεγαλύτερα παράθυρα контекstu, καλύτερη αναζήτηση ή βελτιωμένη ανάκτηση θα λύσουν αυτό το πρόβλημα.

Τα Πρωτόκολλα Κοντεκστου Μοντέλου αντιμετωπίζουν ένα πραγματικό πρόβλημα ενοποίησης παρέχοντας στους πράκτορες einen стандάρτιζον τρόπο πρόσβασης στα συστήματα όπου ζει η εταιρική πληροφορία. Αλλά η πρόσβαση δεν είναι το ίδιο με την κατανόηση. Η χορήγηση πρόσβασης σε ένα δωδεκάδα συστημάτων σε έναν πράκτορα δεν εξηγεί ποια απόφαση υπερίσχυσε της άλλης, γιατί μια απαίτηση άλλαξε, αν ένα έγγραφο είναι ακόμη εξουσιοδοτημένο ή πώς μια συνομιλία πελάτη επηρέασε τελικά αυτό που αποστάλθηκε. Χωρίς ένα δομημένο, επικυρωμένο επίπεδο λογικής, αυτό απλά παρέχει ένα δωδεκάδα περισσότερες ευκαιρίες να συναντήσετε αντίθετες λεπτομέρειες.

Τα περισσότερα συστήματα AI επιχειρήσεων εξακολουθούν να υποθέτουν ότι ο контεκστ πρέπει να συναρμολογηθεί από την αρχή κάθε φορά που κάποιος κάνει μια ερώτηση. Αυτή η προσέγγιση μπορεί να απαντήσει σε απομονωμένες ερωτήσεις, αλλά δυσκολεύεται να υποστηρίξει τη συνεχή συλλογιστική που απαιτείται για να λειτουργήσει μια επιχείρηση. Οι ηγέτες εξακολουθούν να χάνουν ώρες κάθε εβδομάδα συναρμολόγοντας απαντήσεις σε ερωτήσεις που θα έπρεπε ήδη να υπάρχουν μέσα στην οργάνωση:

• Τι άλλαξε;
• Γιατί αυτή η προτεραιότητα άλλαξε;
• Είναι ακόμη ακριβής ο χάρτης;
• Λύνουμε ακόμη το σωστό πρόβλημα;

Εδώ είναι όπου ένα γραφικό σχέδιο γνώσης κερδίζει τη θέση του. Ένα γραφικό αποθηκεύει οντότητες και τις σχέσεις τους, παρέχοντας μια βάση για τη διατήρηση της οργανωτικής μνήμης. Σε μια οργάνωση λογισμικού, αυτές οι οντότητες μπορεί να περιλαμβάνουν πελάτες, χαρακτηριστικά, απαιτήσεις, αποφάσεις, εισιτήρια, αποθετήρια, αιτήσεις, εκδόσεις και άτομα.

Αντί να ανακτά μια συλλογή από περικοπές που περιέχουν παρόμοια λόγια, ένας πράκτορας μπορεί να ακολουθήσει τις συνδέσεις από μια απόφαση στην απαίτηση που την προκάλεσε, στο εισιτήριο που την υλοποίησε, στην αίτηση που την άλλαξε και στην ανταπόκριση πελάτη που την αμφισβήτησε αργότερα.

Τα γραφικά σχέδια γνώσης υπερβαίνουν το να είναι απλά ένας άλλος τρόπος οργάνωσης δεδομένων. Αντί να ανακατασκευάζουν συνεχώς το контεκστ από αποσυνδεδεμένα συστήματα, το AI μπορεί να συλλογιστεί από μια συνεχώς εξελισσόμενη κατανόηση του πώς λειτουργεί πραγματικά η οργάνωση.

Το αποτέλεσμα είναι ένα AI που μπορεί να συλλογιστεί από τις αποφάσεις, τις συνομιλίες και τις αποδείξεις, αντί να ανακατασκευάζει αυτή την κατανόηση από την αρχή με κάθε νέα ερώτηση.

Η δομή μόνο δεν είναι αρκετή

Η κατασκευή του γραφικού μια φορά είναι δύσκολη, και η διατήρηση της ακρίβειας είναι ακόμη πιο δύσκολη. Σε μια γρήγορη οργάνωση, τα εισιτήρια αλλάζουν, τα σχέδια μετατοπίζονται, ο κώδικας αποστέλλεται, οι ευθύνες μετακινούνται και η ανταπόκριση πελάτη αλλάζει τις προτεραιότητες. Αυτό σημαίνει ότι η οργανωτική μνήμη πρέπει να ενημερωθεί καθώς η πραγματικότητα αλλάζει και να επανασυνδεθεί κάθε αλλαγή πίσω στην πηγή της.

Ενώ το 82% των προγραμματιστών αναφέρουν ότι το AI τους βοηθά να κωδικοποιούν γρηγορότερα και το 71% λέει ότι βελτιώνει την ικανότητά τους να αντιμετωπίσουν σύνθετα προβλήματα, αυτή η ταχύτητα έρχεται με ένα πλέγμα: το 96% των προγραμματιστών λείπει η πλήρης εμπιστοσύνη ότι ο κώδικας που προκύπτει είναι λειτουργικά σωστός.

Κάθε γεγονός που ένας πράκτορας σας δίνει πρέπει να οδηγήσει πίσω στην πηγή του: την υπογραφή, το εισιτήριο, το νήμα. Αν ένα σύστημα AI σας λέει ότι μια έκδοση είναι στην πορεία αλλά δεν μπορεί να δείξει τα σήματα πίσω από αυτή τη σύγκλιση, ένας έμπειρος ηγέτης πρέπει να διστάζει να ενεργήσει πάνω σε αυτό.

Έχω δει ομάδες να εγκαταλείπουν εργαλεία που παρήγαγαν λογικές απαντήσεις γιατί οι χρήστες δεν μπορούσαν να επιβεβαιώσουν πώς αυτές οι απαντήσεις έφτασαν. Έχω επίσης δει ομάδες να συνεχίζουν να χρησιμοποιούν λιγότερο εξελιγμένα συστήματα γιατί αυτά τα συστήματα έδειχναν τη δουλειά τους. Μια αυτοπεποίθηση με keine λήψεις είναι απλά ένας γρηγορότερος τρόπος να είναι λάθος, και μια φορά που ένα εργαλείο καίει έναν ηγέτη με μια απάντηση χωρίς πηγή, η εμπιστοσύνη δεν επιστρέφει. Η σύνδεση κάθε αξίωσης με την πηγή της μετατρέπει το “εμπιστεύσου με” σε “εδώ είναι γιατί”.

Η ακρίβεια έχει σημασία για τον ίδιο λόγο. Όταν ένα σύστημα συνεχώς παρακολουθεί τη σχέση μεταξύ σχεδίου και πραγματικότητας, το κενό μεταξύ того που αποφάσισε μια ομάδα και τι實際 απέστειλε γίνεται ορατό drift chứ không είναι σιωπηλά απορροφημένο σε μια αυτοπεποίθηση αλλά παλιά απάντηση. Αυτό δεν είναι ένα περιφερειακό πρόβλημα. Η Thoughtworks έχει σηματοδοτήσει τη διαφυγή κώδικα ως einen συγκεκριμένο κίνδυνο για τους πράκτορες AI. Αυτό τονίζει την ανάγκη για βρόχους επαλήθευσης και μηχανισμούς ανατροφοδότησης που βοηθούν τα συστήματα να ανιχνεύουν και να διορθώνουν αποκλίσεις καθώς η δουλειά εξελίσσεται. Η διαφυγή που μια οργάνωση μπορεί να δει είναι χρήσιμη πληροφορία. Η διαφυγή που παραμένει κρυφή είναι πώς ένα σύστημα AI αρχίζει να εξαπατά τους ανθρώπους που του έδωσαν εμπιστοσύνη.

Τι να ζητήσετε πριν από το επόμενο έργο πράκτορα

Όταν αξιολογείτε μια πρωτοβουλία πράκτορα επιχείρησης, θα ξεκινήσω με τέσσερις ερωτήσεις:

• Το σύστημα διατηρεί τη δική του βελτιστοποιημένη αναπαράσταση του контεκstu με την πάροδο του χρόνου, ή απλά παρέχει πρόσβαση AI σε υπάρχουσες πηγές δεδομένων;
• Κάθε απάντηση οδηγεί πίσω σε μια συγκεκριμένη πηγή, όπως ένα εισιτήριο ή έγγραφο;
• Το σύστημα ενημερώνεται αυτόματα καθώς αλλάζει η πληροφορία της οργάνωσης;
• Ο πράκτορας κατανοεί τις σχέσεις μεταξύ σημείων δεδομένων και όχι μόνο έχει πρόσβαση σε αυτά;

Τα μοντέλα θεμελίου θα συνεχίσουν να βελτιώνονται. Οι ικανότητες συλλογισμού θα γίνουν ισχυρότερες, τα παράθυρα контекstu θα μεγαλώσουν και αυτές οι προόδους θα γίνουν όλο και πιο διαθέσιμες σε όλους. Αυτό που δεν θα γίνει εμπορικό είναι η οργανωτική κατανόηση.

Περισσότεροι από τους μισούς διευθυντές αναφέρουν ότι βλέπουν λίγα έως καθόλου έσοδα ή οφέλη κόστους από το AI τον τελευταίο χρόνο. Θα στοιχηματίζα ότι οι περισσότεροι από αυτούς λείπουν το επίπεδο контεκstu που επιτρέπει σε αυτά τα μοντέλα να συλλογιστεί πάνω σε αυτό που η οργάνωση ήδη γνωρίζει.

Όσο το λογισμικό γίνεται δραματικά πιο εύκολο να δημιουργηθεί, η κατανόηση γίνεται ο σπάνιος πόρος. Αυτοί που δημιουργούν την περισσότερη αξία από το AI είναι καλύτεροι στην διατήρηση, τη σύνδεση με και τη συνεχή μάθηση από την οργανωτική γνώση. Αυτή είναι η διαφορά μεταξύ του AI που μαντεύει και του AI που γνωρίζει.