Πλοηγώντας τις Προκλήσεις της Εφαρμογής του GenAI

Η ανάπτυξη λογισμικού που ενεργοποιείται από το GenAI (Γενερατικό AI) θα βελτιώσει την παραγωγικότητα και την αποτελεσματικότητα της εργασίας – το ερώτημα είναι, πόσο; Οι περισσότερες έρευνες στην αγορά για αυτό το θέμα δείχνουν σημαντικές κερδισμένες σε παραγωγικότητα. Έρευνα από το Χάρβαρντ έδειξε ότι οι ειδικοί, ανάλογα με την εργασία και την ανώτερη θέση, είδαν μια 43% αύξηση της παραγωγικότητας. Παρόμοια, μια έκθεση από την Goldman Sachs υποδηλώνει ότι η παραγωγικότητα θα μπορούσε να αυξηθεί κατά 1,5 ποσοστιαίες μονάδες με το GenAI μετά από δέκα χρόνια ευρείας υιοθέτησης, που ισοδυναμεί σχεδόν με το διπλάσιο του ρυθμού αύξησης της παραγωγικότητας στις ΗΠΑ. Ενώ αυτά τα ευρήματα είναι ενδιαφέροντα, τα περισσότερα από αυτά προέρχονται από ελεγχόμενα περιβάλλοντα που δεν αντανακλούν απαραίτητα τις νюανς των πραγματικών περιπτώσεων.

Για να απαντήσουμε καλύτερα πόσο το GenAI μπορεί να ενισχύσει την παραγωγικότητα στην ανάπτυξη λογισμικού, μια ηγετική εταιρεία ψηφιακής μεταμόρφωσης και μηχανικής προϊόντων αποφάσισε να καταγράψει τα πρακτικά ευρήματά της και τις επισημάνσεις από ένα πρόσφατο lớn εγχείρημα εφαρμογής του GenAI με έναν από τους πελάτες της. Ο πελάτης này ήθελε να υιοθετήσει το GenAI στις διαδικασίες εργασίας δέκα ομάδων ανάπτυξης σε τρεις ροές εργασίας, που αντιστοιχούν σε πάνω από 100 ειδικούς. Αυτά τα πραγματικά ευρήματα αποκαλύπτουν τις διάφορες προκλήσεις που θα αντιμετωπίσουν οι επιχειρήσεις κατά τη διάρκεια του ταξιδιού και, επιπλέον, υπογραμμίζουν την αναγκαιότητα ενός εταιρικού χάρτη οδικής για την κλιμάκωση της υιοθέτησης του GenAI.

Αντιμετωπίζοντας τις Αρνητικές Στάσεις και Προσδοκίες των Ειδικών

Πολυάριθμες προκλήσεις μπορούν να καθυστερήσουν την επιτυχία ενός εγχειρήματος GenAI, όπως νομικές και ρυθμιστικές ανησυχίες, έλλειψη ικανοτήτων επεξεργασίας, ασφάλεια και προστασία προσωπικών δεδομένων κ.λπ. Ωστόσο, το πιο σημαντικό εμπόδιο που αντιμετωπίστηκε κατά τη διάρκεια αυτής της μεγάλης κλίμακας εφαρμογής ήταν οι στάσεις και οι προσδοκίες των ειδικών γύρω από τις τεχνολογίες. Κατά τη διάρκεια της εφαρμογής, η εταιρεία μηχανικής παρατήρησε ότι οι ειδικοί του πελάτη είχαν ορισμένες προσδοκίες σχετικά με το GenAI και πώς θα ενισχύσει την εργασία τους. Όταν αυτές οι αρχικές προσδοκίες δεν συναίνεσαν με τα αποτελέσματα σχετικά με την ποιότητα ή τον χρόνο εκτέλεσης, θα αναπτύσσουν αρνητικές στάσεις απέναντι στις τεχνολογίες. Συγκεκριμένα, όταν το GenAI δεν «έκανε τη δουλειά για μένα», θα ανταποκρίνονταν με σχόλια όπως: «Περίμενα κάτι καλύτερο και δεν θέλω να σπαταλώ τη ζωή μου nữa».

Οι επιχειρήσεις πρέπει να αλλάξουν τις αντιλήψεις και να μεταβούν σε einen νέο πολιτισμό εργασίας που αποτρέπει αυτές τις αρνητικές στάσεις από το να εκφραστούν και να εμποδίσουν την υιοθέτηση και την ακριβή μέτρηση. Οι έρευνες και οι αξιολογήσεις είναι ένας αποτελεσματικός τρόπος για να χαρτογραφηθούν και να ταξινομηθούν οι στάσεις και η αντιλαμβανόμενη συμμετοχή των ειδικών. Από εκεί, οι εταιρείες πρέπει να ομαδοποιήσουν τους ειδικούς με βάση τις στάσεις τους απέναντι στο GenAI. Στη συνέχεια, οι επιχειρήσεις μπορούν να δημιουργήσουν προσαρμοσμένες προσεγγίσεις διαχείρισης αλλαγών για κάθε ομάδα, προκειμένου να προωθήσουν την επιτυχημένη ενσωμάτωση του AI. Για παράδειγμα, οι πιο σκεπτικιστές ειδικοί θα λαμβάνουν περισσότερη προσοχή και φροντίδα από τους ουδέτερους ειδικούς.

Λογαριασμός για τις Συμπλεξότητες των Πραγματικών Προτζεκτ

Η δεύτερη πιο εμποδιστική πρόκληση ήταν η ακριβής μέτρηση του αντικτύπου του GenAI στην παραγωγικότητα, λαμβάνοντας υπόψη τις συμπλεξότητες των πραγματικών προτζεκτ. Σε ελεγχόμενα περιβάλλοντα, είναι ευκολότερο να μετρηθεί η επιρροή του GenAI – ωστόσο, όπως αναφέρθηκε νωρίτερα, τέτοιες δοκιμές δεν λαμβάνουν υπόψη ορισμένες μεταβλητές και ασυνέπειες. Τα προτζεκτ δεν είναι στατικά. Εξελίσσονται συνεχώς. Μια οργάνωση μπορεί να έχει μια κατάσταση όπου υπάρχουν περιστρεφόμενοι ειδικοί λόγω προγραμματισμένων διακοπών και ασθενειών ή αιφνίδιων αλλαγών στις προτεραιότητες. Οι ειδικοί δεν εργάζονται πάντα σε συγκεκριμένες δραστηριότητες του προτζεκτ όπου η επίδραση του GenAI μπορεί να είναι η πιο ωφέλιμη, επειδή έχουν συναντήσεις να παρακολουθήσουν, emails να απαντήσουν και άλλες εργασίες εκτός του πλάνου που συχνά παραβλέπονται στις μετρήσεις της παραγωγικότητας. Αυτές οι ασυνέπειες και μεταβλητές πρέπει να λαμβάνονται υπόψη όταν μετράται αντικειμενικά η επίδραση του GenAI στην ανάπτυξη λογισμικού.

Άλλες besten πρακτικές περιλαμβάνουν την ενσωμάτωση εργαλείων διαχείρισης εργασιών στις ροές εργασίας για να δουν πόσο καιρό οι εργασίες παραμένουν σε κάθε κατάσταση, προκειμένου να καθορίσουν την παραγωγικότητα και την αποτελεσματικότητα των μη τεχνικών ειδικών. Παρόμοια, οι λύσεις επιχειρηματικής ευφυΐας μπορούν να συλλέξουν αυτόματα σημεία δεδομένων, μειώνοντας τα λάθη και σώζοντας χρόνο. Επιπλέον, οι οργανώσεις μπορούν να μετριάσουν τις συμπλεξότητες των πραγματικών προτζεκτ και να διασφαλίσουν μια πιο ακριβή αξιολόγηση της επίδρασης του GenAI στην παραγωγικότητα, εφαρμόζοντας διεξοδικές πρακτικές καθαρισμού δεδομένων.

Εταιρικός Χάρτης: Μέτρηση Ακριβώς

Αυτή η μεγάλης κλίμακας εφαρμογή του GenAI τόνισε επίσης την αξία ενός εταιρικού χάρτη που σηματοδοτεί την αρχή και το τέλος της ενσωμάτωσης. Οι επιχειρήσεις πρέπει να σημειώσουν ότι ένα κρίσιμο στοιχείο αυτού του χάρτη είναι η ορισμός των μετρήσεων που θα χρησιμοποιηθούν για το στάδιο της βάσης και το τελικό στάδιο αναφοράς. Δεκάδες διαφορετικά μέτρα μπορούν να βοηθήσουν στην αξιολόγηση της επίδρασης του GenAI στην παραγωγικότητα, συμπεριλαμβανομένων, αλλά όχι περιορισμένων σε, ταχύτητα στο χρόνο, απόδοση, μέσο χρόνο επανεπεξεργασίας και αναθεώρησης κώδικα, ποσοστό αποδοχής και απόρριψης κώδικα, χρόνος που διαρκεί η διόρθωση σφαλμάτων, κ.λπ.

Μετά τον ορισμό αυτών των μετρήσεων, οι εταιρείες πρέπει να τις ταξινομήσουν σε αντικειμενικές και υποκειμενικές κατηγορίες. Οι επιχειρήσεις μπορούν επίσης να χρησιμοποιήσουν δεδομένα από εργαλεία παρακολούθησης εργασιών όπως το Jira για αντικειμενικά μέτρα. Παρόμοια, πρέπει να διατηρήσουν και να συμμορφωθούν με ροές ποιότητας, ενημερώσεις εργασιών και ολοκλήρωση σταδίου. Θυμηθείτε ότι τα υποκειμενικά μέτρα, όπως οι έρευνες των ειδικών και των πιλότων, θα βοηθήσουν τις επιχειρήσεις να κατανοήσουν τα επίπεδα υιοθέτησης και τις συσχετίσεις με αντικειμενικές μετρήσεις. Από την πλευρά της συχνότητας, οι μετρήσεις πρέπει να είναι τακτικές και προγραμματισμένες, όχι σπάνιες και τυχαίες. Επιπλέον, τα ευρήματα του προτζεκτ υπογραμμίζουν τη χρησιμότητα μετρήσεων όπως η μέση ημερήσια επίδραση, η αντιλαμβανόμενη ικανότητα, οι αλλαγές στην απόδοση, η κάλυψη εργασίας, η χρήση εργαλείων AI και η αδιάκοπη ροή εργασίας για να μετρηθεί η πρόοδος της υιοθέτησης.

Εταιρικός Χάρτης Συνέχεια: Μάθηση και Ανάπτυξη Πολιτισμού σε Κλίμακα

Εκτός από την αποτελεσματική μέτρηση της επίδρασης του GenAI, ένα άλλο ζωτικό στοιχείο ενός επιτυχημένου χάρτη είναι ότι οδηγεί στην συνεχή μάθηση και την ευφυΐα του AI μέσω διαφορετικών στρατηγικών εκπαίδευσης και προπονήσεων. Αυτές οι πρωτοβουλίες θα ενισχύσουν τελικά einen εταιρικό πολιτισμό μάθησης, ermöglicht την υιοθέτηση του AI σε κλίμακα σε όλη την επιχείρηση. Διαφορετικές στρατηγικές περιλαμβάνουν τη δημιουργία εργασιακών ομάδων που εστιάζουν σε πού και πώς η εταιρεία μπορεί να εκμεταλλευτεί το GenAI, καθώς και την ενθάρρυνση των ατόμων να μοιράζονται τι λειτουργεί και τι δεν λειτουργεί. Επίσης, είναι χρήσιμο να οριστούν προτεραιότητες ανάπτυξης και μάθησης συνοδευόμενες από μονοπάτια μάθησης στο ατομικό και ομαδικό επίπεδο.

Ένας άλλος τρόπος με τον οποίο οι εταιρείες μπορούν να δημιουργήσουν έναν πολιτισμό που υιοθετεί εύκολα νέες τεχνολογίες GenAI είναι να υπογραμμίσουν τα γρήγορα κέρδη των περιπτώσεων χρήσης. Αυτά θα δείξουν τη δύναμη του GenAI στην ευρύτερη οργάνωση και τους διστακτικούς σκεπτικιστές. Οι εταιρείες πρέπει επίσης να καθορίσουν οδηγίες ασφαλείας και κανόνες συναλλαγής με το AI για να ενδυναμώσουν τις ομάδες να πειραματίζονται και να εξερευνούν νέες προσεγγίσεις χωρίς να εκθέτουν την εταιρεία σε κίνδυνο. Παρόμοια, οι οργανώσεις πρέπει να επιβάλλουν την συμμόρφωση με τα βιομηχανικά πρότυπα και άλλες besten πρακτικές, αντιμετωπίζοντας τη διαχείριση αλλαγών μεταξύ ατόμων και ομάδων στο επίπεδο εργαλείων.

Διατηρώντας τους Ανθρώπους στο Κέντρο

Τα δύο πιο σημαντικά συμπεράσματα από αυτή την πραγματική εφαρμογή είναι: πρώτον, το GenAI μπορεί να οδηγήσει σε σημαντικές κέρδη παραγωγικότητας εντός των ορίων μιας σωστής στρατηγικής και χάρτη. Δεύτερον, μια τέτοια ενσωμάτωση έχει ένα αναμφισβήτητο ανθρώπινο στοιχείο που οι εταιρείες πρέπει να αντιμετωπίσουν ανάλογα. Το GenAI θα αλλάξει για πάντα τον τρόπο με τον οποίο οι ειδικοί εκτελούν τις καθημερινές τους εργασίες. Είναι επίσης πιθανό ότι το GenAI μπορεί να κάνει ορισμένους ειδικούς να αισθανθούν απειλημένοι από την τεχνολογία, που μπορεί να προκαλέσει αντίσταση στην υιοθέτηση. Τελικά, το κλειδί για μια επιτυχημένη εφαρμογή του GenAI παραμένει διακριτικά ανθρώπινο. Είναι κρίσιμο για τις επιχειρήσεις να κατανοήσουν το βάθος αυτού, καθώς είναι οι άνθρωποι που λειτουργούν την τεχνολογία, ανοίγοντας την πρακτική της αξία.