Rob Collie, Διευθύνων Σύμβουλος και Ιδρυτής της P3 Adaptive και Συγγραφέας του Fair Game – Σειρά Συνεντεύξεων

Rob Collie είναι ο ιδρυτής και Διευθύνων Σύμβουλος της P3 Adaptive, συνεργάτης λύσεων της Microsoft για Δεδομένα και AI που εξυπηρετεί εκατοντάδες πελάτες μεσαίας αγοράς και Fortune 1000. Πρώην ηγέτης μηχανικού στην Microsoft στις ομάδες Excel, Bing και Power BI, ο Rob ηγήθηκε του κύματος Power BI μετά την αποχώρησή του από τη Microsoft και έχει συγγράψει τρία προηγούμενα βιβλία επιχειρηματικής τεχνολογίας (πώλησαν περισσότερα από 92.000 αντίτυπα). Φιλοξενεί επίσης το podcast Raw Data with Rob Collie. Το τέταρτο του βιβλίο, Fair Game: Customizing AI to Your Business Is Easier Than You Think (Αύγουστος 2026), φέρνει αυτήν την αξιοπιστία του επαγγελματία στην εποχή του AI.

Περάσατε πάνω από μια δεκαετία στη Microsoft βοηθώντας στην ανάπτυξη λειτουργιών επιχειρησιακής νοημοσύνης στο Excel και το Power BI πριν ιδρύσετε την P3 Adaptive το 2013. Πώς αυτή η μετάβαση από την κατασκευή λογισμικού εντός της Microsoft στην επίλυση προβλημάτων δεδομένων για πελάτες διαμόρφωσε τη σημερινή σας άποψη για το επιχειρησιακό AI;

Όταν ηγούμαι των ομάδων προϊόντων στη Microsoft, κατασκευάζαμε λογισμικό που έπρεπε να λειτουργεί για ολόκληρο τον κόσμο και δεν μπορούσε να προσαρμοστεί στις ανάγκες κάποιου συγκεκριμένου πελάτη. Το αποκαλούσαμε «παραγγέλνουμε μια πίτσα των οποίων τα υλικά είναι αποδεκτά από 300 εκατομμύρια ανθρώπους». Υπάρχει αναγκαστικά μια αίσθηση του χαμηλότερου κοινού παρονομαστή σε αυτή τη δουλειά, καθώς και μια απόσταση από τους μεμονωμένους πελάτες.

Υπήρχε σίγουρη κύρος στο να εργάζεσαι σε αυτή τη μεγάλη σκηνή, αλλά δεν ήταν καθόλου τόσο συναισθηματικά ικανοποιητικό όσο το να βοηθάς συγκεκριμένους πελάτες να υλοποιήσουν τις μοναδικές τους φιλοδοξίες. Συνεργαζόμενοι στενά με έναν πελάτη, έχουμε την ευκαιρία να επενδύσουμε στην επιτυχία του και να εξερευνήσουμε δημιουργικές λύσεις που ποτέ δεν θα ταίριαζαν στο μοντέλο «μία λύση για όλους» του Μεγάλου Λογισμικού. Είναι πιο πνευματικά διεγερτικό με πολλούς τρόπους, και η άμεση σύνδεση με τους πελάτες μας κάνει τις νίκες πολύ πιο ικανοποιητικές.

Αλλά υπάρχει και μεγαλύτερη ευθύνη. Στη Microsoft, ένας μόνο δυσαρεστημένος πελάτης ήταν απλώς ένα στατιστικό, και απορρίπτω τις παραπόνους καθημερινά ως μέρος της απλής εκτέλεσης της δουλειάς μου. Στην P3 Adaptive, ένας μόνο δυσαρεστημένος πελάτης σημαίνει ότι έχουμε αποτύχει. Δεν υπάρχουν στατιστικά. Έχουμε ευθύνη απέναντι σε κάθε μεμονωμένη σχέση.

Έμαθα πολλά πολύτιμα πράγματα στη Microsoft και δεν θα αντάλλαζα αυτή την εμπειρία για τίποτα, αλλά συχνά με αποκαλώ «αποκαθιστώντας μηχανικός λογισμικού», επειδή η επιτυχία τώρα σημαίνει να λειτουργώ πολύ διαφορετικά.

Και αυτό είναι ακριβώς το πρίσμα που φέρω στο επιχειρησιακό AI. Το έτοιμο AI είναι η απόλυτη πίτσα για 300 εκατομμύρια άτομα – ένα πραγματικό θαύμα, σχεδιασμένο να είναι ατομικά χρήσιμο για όλους ενώ δεν προσαρμόζεται σε κανέναν. Αλλά τα κέρδη του οργανωτικού AI θα προέρχονται από την προσαρμογή – από το να πλησιάζουμε μια συγκεκριμένη εταιρεία και να προσαρμόζουμε το AI στα δεδομένα της, στις διαδικασίες της, στις ορισμούς της. Πέρασα την καριέρα μου και στις δύο πλευρές αυτού του χάσματος, και δεν έχω καμία αμφιβολία για το ποια πλευρά θα νικήσει στο επιχειρησιακό AI.

Στο Fair Game, υποστηρίζετε ότι πολλές εταιρείες έχουν προσεγγίσει την τεχνητή νοημοσύνη με αντίστροφο τρόπο, διανέμοντας γενικού σκοπού άδειες chatbot αντί να χτίζουν συστήματα που κατανοούν τις λειτουργίες τους. Πού φτάνουν τα όρια των έτοιμων βοηθών AI και ποια σήματα υποδεικνύουν ότι μια επιχείρηση χρειάζεται κάτι προσαρμοσμένο;

Το έτοιμο AI έχει διδακτορικό σε τα πάντα εκτός από την επιχείρησή σας. Έχει διαβάσει ολόκληρο το διαδίκτυο, αλλά στο διαδίκτυο λείπουν οι ορισμοί της εταιρείας σας για το «ενεργό πελάτη», η λογική τιμολόγησής σας, οι λειτουργικές σας διαδικασίες και ποιο από τα δύο συστήματά σας να εμπιστευτείτε όταν διαφωνούν. Αυτή η γνώση δεν θα γίνει ποτέ δημόσια. Έτσι, το γενικό AI που είναι κορυφαίο για προσωπική χρήση αποτυγχάνει για πραγματική επιχειρησιακή χρήση, και το χάσμα μεταξύ των δύο εμπειριών είναι τόσο αποθαρρυντικό όσο και συγκεχυμένο.

Σήμερα, βασικά η απάντηση όλων στο «τι να κάνουμε με το AI» είναι «αγοράστε συνδρομές και δείτε». Νομίζω ότι αυτό είναι ένα φυσικό πρώτο βήμα, οπότε δεν κριτικάρω κανέναν που το έκανε. Αντίθετα, νιώθω συμπάθεια – κανείς δεν αφιερώνει πραγματικά χρόνο για να εξηγήσει ότι οι έτοιμες συνδρομές δεν αρκούν, ούτε γιατί. Έτσι, πιστεύω ότι οι επιχειρήσεις είναι κυρίως εκεί που θα έπρεπε να είναι – δοκιμάζουν το διαθέσιμο και αρχίζουν να συνειδητοποιούν ότι είναι ανεπαρκές.

Η λύση δεν είναι η παρέμβαση στο ίδιο το μοντέλο AI – δεν χρειάζεται να γίνετε ερευνητής LLM. Είναι όλα όσα περιβάλλετε το μοντέλο: τα δεδομένα σας, οι οδηγίες σας γραμμένες σε απλή αγγλική, και το κανονικό λογισμικό. Όταν διαπιστώνετε ότι πληκτρολογείτε το ίδιο πλαίσιο σε ένα chatbot για πέμπτη φορά αυτήν την εβδομάδα, αυτό είναι το σημάδι. Ό,τι συνεχίζετε να εξηγείτε ξανά είναι ακριβώς αυτό που ένα προσαρμοσμένο σύστημα θα έπρεπε ήδη να γνωρίζει – κάθε φορά που ξυπνά.

Χρησιμοποιείτε τον όρο «Crafters» για να περιγράψετε επαγγελματίες επιχειρήσεων με εξειδίκευση στα δεδομένα που μπορούν να δημιουργήσουν πολύτιμα προσαρμοσμένα συστήματα AI χωρίς να είναι παραδοσιακοί προγραμματιστές λογισμικού. Ποια χαρακτηριστικά διακρίνουν έναν Crafter και πώς μπορούν οι ηγέτες να εντοπίσουν αυτά τα άτομα στο υπάρχον εργατικό δυναμικό τους;

Ένας Crafter είναι κάποιος που γεννήθηκε με την ανάγκη να λύνει προβλήματα με εργαλεία. Περίπου ένας στους 16 εργαζόμενους γνώσης το έχει, κατά την εμπειρία μου. Ήταν οι χρήστες‑πρωτοπόροι του Excel, μετά η γενιά Power BI, και τέλος οι άνθρωποι που η IT ονόμασε «σκιώδη IT». Είναι οι αναλυτές σας, οι χρηματοοικονομικοί μοντελιστές, οι ηγέτες λειτουργιών – άτομα που μεγάλωσαν στην επιχείρηση και ανακάλυψαν ταλέντο στο εργαλειοποιημένο.

Δύο χαρακτηριστικά τα κάνουν ιδανικούς για την εργασία με AI. Πρώτον, η σκέψη συστημάτων: αποσυνθέτουν αυτομάτως μια ακατάστατη διαδικασία σε εισροές, κανόνες και εξόδους, όπως οι επαγγελματίες προγραμματιστές λογισμικού. Δεύτερον, η ριζοβολία στην επιχείρηση: γνωρίζουν ποιοι αριθμοί παρακολουθούν πραγματικά οι CFO και τι ρωτά πραγματικά το άτομο που θέτει την ερώτηση. Κανένα από τα δύο δεν μπορεί να διδαχθεί σε ένα bootcamp.

Πώς να βρείτε τους δικούς σας: ακολουθήστε τα λογιστικά φύλλα. Αυτή τη στιγμή στην εταιρεία σας, υπάρχουν λογιστικά φύλλα, πίνακες ελέγχου και αυτοματισμοί στην καρδιά των κρίσιμων ροών εργασίας. Κανένα από αυτά δεν δημιουργήθηκε από το IT, και το καθένα έχει έναν δημιουργό. Ξεκινήστε από εκεί. Και μετά αρχίστε να εκτιμάτε πώς μπορούν να κατευθύνουν τα ταλέντα τους προς προσαρμοσμένες λύσεις AI.

Γιατί πιστεύετε ότι οι Crafters, και όχι μόνο οι προγραμματιστές, είναι οι καλύτερα τοποθετημένοι να ηγηθούν πολλών εσωτερικών έργων AI, και πώς πρέπει να διαιρεθούν οι ευθύνες μεταξύ των επιχειρηματικών ειδικών, των ομάδων δεδομένων, των μηχανικών λογισμικού, των τμημάτων πληροφορικής και των ομάδων ασφαλείας;

Επειδή το δύσκολο μέρος του προσαρμοσμένου AI δεν είναι ο κώδικας – είναι το πλαίσιο. Η πιο υψηλής επιρροής δραστηριότητα σε ένα έργο AI είναι η απόφαση για το τι πρέπει να γνωρίζει το σύστημα σχετικά με την επιχείρησή σας, και οι Crafters κατέχουν αυτή τη γνώση εγγενώς. Ένας λαμπρός μηχανικός που καταρρίπτει από τρία επίπεδα οργανωτικού διαγράμματος μακριά πρέπει να διεξάγει μήνες συνεντεύξεων για να μάθει ό,τι ο ηγέτης λειτουργιών σας ήδη γνωρίζει από το ένστικτο.

Αλλά αυτό είναι σαφώς όχι μια ιστορία ότι οι προγραμματιστές είναι παρωχημένοι. Η κατανομή εργασίας που προτείνω έχει τρεις παράγοντες, και κανένας από αυτούς δεν είναι η ιεραρχία ή η προσωπικότητα: η εργασία έλκει προς τους επαγγελματίες προγραμματιστές καθώς αυξάνονται η επαναχρησιμοποίηση, η πολυπλοκότητα και η ευαισθησία. Οτιδήποτε προσανατολισμένο στον πελάτη, οτιδήποτε αγγίζει ευαίσθητα δεδομένα, οτιδήποτε λαμβάνει αυτόνομες αποφάσεις – αυτό είναι περιοχή των προγραμματιστών, και καθώς οι πράκτορες πολλαπλασιάζονται, αυτές οι σπάνιες μηχανικές δεξιότητες γίνονται πιο πολύτιμες, όχι λιγότερες. Η εργασία έλκει προς τους Crafters όπου κυριαρχεί η λεπτομέρεια των επιχειρησιακών διαδικασιών.

Υπάρχει επίσης ένα υποεκτιμημένο μεσαίο έδαφος: ο Crafter χτίζει, ο προγραμματιστής ελέγχει. Το IT και η ασφάλεια δεν πρέπει να είναι φύλακες που εγκρίνουν τα έργα – πρέπει να κατέχουν τον ασφαλισμένο δρόμο. Παρέχετε τις εγκεκριμένες πλατφόρμες, τους κανόνες πρόσβασης στα δεδομένα, τα σημεία ελέγχου, και αφήστε τα άτομα που είναι πιο κοντά στα προβλήματα να κάνουν την κατασκευή. Θεωρήστε το σύνολο ως μοντέλο ωριμότητας, όχι ως φράχτη.

Το προσαρμοσμένο AI χρειάζεται πρόσβαση σε εταιρική ορολογία, μετρικές, διαδικασίες και θεσμική γνώση. Ποιος ρόλος παίζουν τα σημασιολογικά μοντέλα και η υπάρχουσα υποδομή επιχειρησιακής νοημοσύνης στην παροχή στο AI ακριβούς κατανόησης μιας εταιρείας;

Είναι το δαχτυλίδι αποκωδικοποίησης. Αυτή τη στιγμή οι ορισμοί της εταιρείας σας – τι μετρά ως ενεργό πελάτη, ποια κόστη ανήκουν στο μικτό κέρδος – ζουν στα κεφάλια των ανθρώπων και σε χίλιες ελαφρώς ασυνεπείς λογιστικά φύλλα. Ένας πράκτορας AI δεν μπορεί να λογίζει αξιόπιστα τα δεδομένα σας μέχρι αυτοί οι ορισμοί να γραφτούν σε μορφή που μια μηχανή μπορεί να εμπιστευτεί. Η βιομηχανία άρχισε να αποκαλεί αυτή τη διεπιστημονική περιοχή «μηχανική πλαισίου», και θα μεταφράσω τον όρο έτσι: είναι η εργασία δομής του τι γνωρίζει η επιχείρησή σας ώστε ένα AI να το χρησιμοποιήσει πραγματικά. Οι αναλυτές το έκαναν να φαίνεται νέο. Οι επαγγελματίες BI το κάνουν για δεκαπέντε χρόνια.

Αυτό είναι το καλό νέο που κρύβεται στο φως της ημέρας: αν επενδύσατε στην εποχή του BI (και ιδιαίτερα αν επενδύσατε στο Power BI), μπορεί ήδη να έχετε ένα προβάδισμα. Ένα καλά χτισμένο σημασιολογικό μοντέλο είναι ακριβώς η μηχανικά αναγνώσιμη σύλληψη του επιχειρηματικού νοήματος που χρειάζονται οι πράκτορες. Οι εταιρείες που αντιμετώπισαν το σημασιολογικό τους στρώμα ως μεταγενέστερη σκέψη ανακαλύπτουν ότι η «βαρετή» εργασία ορισμού που παρέλειψαν είναι τώρα το διόδια στην οδό προς το AI. Και κρίσιμα, αυτή η εργασία είναι βαθιά ειδική για την επιχείρησή σας – που είναι ακριβώς ο λόγος που αποτελεί το ανθεκτικό πλεονέκτημα. Κάθε προμηθευτής μπορεί να σας πουλήσει το ίδιο μοντέλο. Κανείς δεν μπορεί να σας πουλήσει τους δικούς σας ορισμούς.

Δημιουργήσατε έναν προσαρμοσμένο επεξεργαστή AI, γνωστό ως Eddie, για να βοηθήσετε στην ανάπτυξη του Fair Game. Τι έκανε πραγματικά το σύστημα κατά τη διάρκεια της διαδικασίας συγγραφής, και τι σας έμαθαν οι επιτυχίες και οι αποτυχίες του σχετικά με το σχεδιασμό AI γύρω από μια εξαιρετικά προσωπική ροή εργασίας;

Για σαφήνεια, έγραψα κάθε παράγραφο του βιβλίου από το μηδέν, ενώ ο Eddie κυρίως καθόταν και περίμενε. Κατά περιόδους περνούσα ώρες διαμορφώνοντας ολόκληρη μια ενότητα κεφαλαίου πριν του ζητήσω να τη διαβάσει. Άλλες φορές ανταλλάσσαμε ιδέες κάθε λίγα λεπτά. Αλλά το κρίσιμο ήταν ότι ο Eddie ήταν διαθέσιμος 24/7. Μπορούσα να λάβω ανατροφοδότηση τόσο εύκολα στις τρεις το πρωί όσο και στη μία το μεσημέρι, και εκείνος την παρείχε σε ένα λεπτό ή λιγότερο. Συνολικά, υποθέτω ότι ο Eddie διάβασε το χειρόγραφο τουλάχιστον τριάντα φορές. Κανένας άνθρωπος δεν θα μπορούσε να κάνει αυτή τη δουλειά, επειδή κανένας άνθρωπος δεν θα ήθελε αυτό.

Καταγράφει τις υποσχέσεις που έκανα στο Κεφάλαιο Τρία και με επισήμανε όταν το Κεφάλαιο Δώδεκα τις ξέχασε. Έμαθε το στυλ γραφής μου και το επέβαλε – με κράτησε στην καλύτερη εκδοχή της δικής μου φωνής αντί να με αφήσει να παγιδευτεί σε κατάσταση «Αστεία Χωρίς Χιούμορ» συγγραφέα επιχειρήσεων. Μου έλεγε πότε ήμουν τεμπέλης και πότε έπαιζα το ίδιο θέμα ξανά. Είχαμε πραγματικές διαφωνίες, και μερικές φορές κέρδισε αυτός.

Το μεγαλύτερο μάθημα σχεδιασμού: το «εγκέφαλο» του Eddie είναι γραμμένο στα αγγλικά και βρίσκεται σε έναν φάκελο. Κάθε φορά που έδινε ανατροφοδότηση που έλειπε – πολύ γενικό, λάθος ύφος, ξεχάνοντας έναν κανόνα που είχα ήδη δηλώσει – η λύση ήταν να γράψω τη διόρθωση και να την ενσωματώσω στο μόνιμο πλαίσιο του. Οι αποτυχίες δεν ήταν αποτυχίες AI· ήταν κενά σε ό,τι με προσπάθησα να του διδάξω. Αυτός ο κύκλος – παρατήρηση του λάθους, κωδικοποίηση του μαθήματος, παρακολούθηση της ενσωμάτωσης – είναι ολόκληρη η τέχνη του προσαρμοσμένου AI σε μικρό μέγεθος. Και είναι ο λόγος που τελικά δημιούργησα εξειδικευμένα Eddie για δημοσιότητα, ανταγωνιστική έρευνα και μηνύματα ιστοσελίδας. Ίδιο LLM από κάτω. Αλλά διαφορετικοί ειδικοί.

Πολλοί οργανισμοί πιστεύουν ότι πρέπει να καθαρίσουν και να κεντρικοποιήσουν πλήρως τα δεδομένα τους πριν επιχειρήσουν προσαρμοσμένο AI. Πόσο πραγματικά απαιτείται η ετοιμότητα των δεδομένων για να ξεκινήσετε, και πώς μπορούν οι εταιρείες να αρχίσουν να παράγουν αξία χωρίς να περιμένουν ένα τέλειο θεμέλιο;

Η τελειότητα των δεδομένων δεν είναι προαπαιτούμενο, και αυτό είναι καλό νέο επειδή η τελειότητα δεν έρχεται ποτέ. Αν ξεκινήσετε πρώτα να χτίσετε ένα τέλειο αποθεματικό δεδομένων, όπως συμβουλεύουν πολλές συμβουλευτικές εταιρείες, θα χτίζετε αυτό που αποκαλώ «υδραυλική εγκατάσταση για το δικό της λόγο» – ακριβά σωληνώσεις παντού, αλλά όταν τελικά φτάσετε να εγκαταστήσετε μια βρύση, διαπιστώνετε ότι δεν υπάρχει σωλήνας εκεί που το χρειάζεστε.

Η εταιρεία μας προτείνει μια προσέγγιση «πρώτα οι βρύσες». Επιλέξτε μια συγκεκριμένη περίπτωση χρήσης και εργαστείτε αντίστροφα από την επιχειρησιακή επίδραση αντί να προχωρήσετε από την υποδομή. Δημιουργήστε ένα MVP από αυτήν την περίπτωση χρήσης, και κάντε το με ελάχιστη νέα υποδομή. Επαναλάβετε το MVP μέχρι να είναι έτοιμο για παραγωγή, και στη συνέχεια επανεξετάστε πώς μπορείτε να ενισχύσετε την υποδομή σας για να το υποστηρίξει. Αυτό παρέχει επιχειρησιακή επίδραση πιο γρήγορα, ελαχιστοποιεί το κόστος και ενημερώνει μελλοντικά έργα – τόσο σε επίπεδο βρύσης όσο και σε επίπεδο υδραυλικής.

Ένα προσαρμοσμένο πρωτότυπο AI μπορεί να φαίνεται εντυπωσιακό σε μια παρουσίαση, αλλά να γίνει αναξιόπιστο όταν εκτεθεί σε πραγματικούς υπαλλήλους, μεταβαλλόμενα δεδομένα και ακραίες περιπτώσεις. Ποια αξιολόγηση, παρακολούθηση και ανθρώπινη επίβλεψη πρέπει να καθιερωθούν πριν ένα εσωτερικό σύστημα AI γίνει λειτουργικό;

Με μερικές αξιοσημείωτες εξαιρέσεις, πιστεύω ότι οι παρουσιάσεις είναι λιγότερο πολύτιμες στην εποχή του AI από ό,τι ήταν στην εποχή του λογισμικού. Οι παρουσιάσεις λογισμικού πάντα υπερπροωθούσαν και το ξέραμε όλοι. Αλλά οι παρουσιάσεις AI θα είναι ακόμη πιο απομακρυσμένες από την πραγματικότητά σας.

Το AI αφορά τη ροή εργασίας. Και δεν υπάρχει τίποτα πιο προσαρμοσμένο από τις χιλιάδες ροές εργασίας που τροφοδοτούν τις λειτουργίες ενός συγκεκριμένου οργανισμού. Επιστρέψτε στη μεταφορά «νέος υπάλληλος με διδακτορικό σε όλα». Πόση εκπαίδευση – και πρακτική εμπειρία στην εταιρεία σας – χρειάζεται ένας νέος υπάλληλος πριν γίνει αποτελεσματικός στην εταιρεία σας; Πώς μπορεί μια παρουσίαση να λογαριάσει όλα αυτά;

Έτσι, χρησιμοποιούμε παρουσιάσεις για να κάνουμε τους ανθρώπους να σκεφτούν. Για να τους δείξουμε την τέχνη του δυνατού. Όχι για να πουλήσουμε ένα προϊόν. Η πραγματική παρουσίαση ξεκινά με το πρωτότυπο της προσαρμοσμένης λύσης. Το MVP. Και μετά επαναλαμβάνουμε και βελτιώνουμε. Γρήγορα.

Κάποια στιγμή είναι έτοιμο για μια ήπια εκκίνηση ή πρόγραμμα πιλοτικού. Και πάλι, μαθαίνουμε – μαζί – και βελτιώνουμε γρήγορα βάσει αυτής της μάθησης. Αυτό είναι συχνά η φάση όπου η παρακολούθηση, η αξιολόγηση και η επίβλεψη γίνονται σαφείς. Τα πράγματα που τελικά χρειάζεστε είναι συχνά πολύ διαφορετικά από αυτά που θα υποθέτατε στην αρχή.

Πώς μπορούν οι εταιρείες να ενδυναμώσουν τους Crafters να πειραματιστούν χωρίς να δημιουργήσουν μια νέα γενιά σκιώδους AI, διπλότυπες ροές εργασίας, ευπάθειες ασφαλείας και εργαλεία για τα οποία κανείς δεν είναι υπεύθυνος για τη συντήρηση;

Θυμηθείτε από πού προήλθε το σκιώδες IT: δεν ήταν κακόβουλο, ήταν η αναγκαία ικανοποίηση μιας ανεκπλήρωτης ζήτησης. Οι Crafters χτίζουν επειδή τα προβλήματα τους ενοχλούν – αυτό είναι το γονίδιο. Αν η εγκεκριμένη διαδρομή σημαίνει αναμονή ενός έτους, το σκιώδες AI θα γεμίσει το κενό – και θα το κάνει κάτω από το ραντάρ, όπου είναι πιο επικίνδυνο.

Έτσι, κάντε τη εγκεκριμένη λωρίδα την εύκολη λωρίδα. Δώστε στους Crafters μια εγκεκριμένη πλατφόρμα με τα μέτρα ασφαλείας ήδη ενσωματωμένα – ταυτότητα, πρόσβαση δεδομένων, καταγραφή – ώστε η συμμορφούμενη επιλογή να είναι επίσης η βολική. Διατηρήστε ένα ελαφρύ μητρώο: οτιδήποτε προχωρά από προσωπικό πείραμα σε κάτι που εξαρτάται από δεύτερο άτομο καταγράφεται, με καθορισμένο ιδιοκτήτη. Αυτός ο μοναδικός κανόνας εξαλείφει το μεγαλύτερο μέρος του προβλήματος των ορφανών εργαλείων, επειδή τα εργαλεία με ονόματα δεν εγκαταλείπονται σιωπηρά.

Στη συνέχεια εφαρμόστε το μοντέλο κλιμάκωσης: τα πειράματα τρέχουν ελεύθερα, αλλά όταν κάτι γίνεται κρίσιμο για την αποστολή – περισσότερους χρήστες, μεγαλύτερη ευαισθησία, περισσότερη αυτονομία – κερδίζει σταδιακά περισσότερη ανασκόπηση από μηχανικούς. Ο Crafter διατηρεί την ιδιοκτησία της επιχειρησιακής λογικής· ένας προγραμματιστής ενισχύει ό,τι χρειάζεται ενίσχυση. Ο στόχος είναι μια αλυσίδα ωριμότητας, όχι μια διαδικασία αδειοδότησης. Οι εταιρείες έχουν ήδη παίξει αυτήν την ταινία με τα λογιστικά φύλλα, και οι νικητές δεν ήταν αυτοί που απαγόρεψαν το Excel.

Για μια εταιρεία που ξεκινά την πρώτη της προσαρμοσμένη πρωτοβουλία AI, πώς πρέπει να επιλέξει την αρχική περίπτωση χρήσης, να μετρήσει αν το έργο παρέχει ουσιαστική επιχειρησιακή αξία και να αποφασίσει αν θα το επεκτείνει, θα το επανασχεδιάσει ή θα το εγκαταλείψει;

Έχουμε δύο τύπους αρχικού σημείου που χρησιμοποιούμε με τους πελάτες μας.

Επιλογή πρώτη, ψάξτε για τις εργασίες που κανείς δεν κάνει – όχι τις εργασίες που θα θέλατε να εξαλείψετε. Υπάρχει μια ερώτηση που μου αρέσει να θέτω στους διευθυντές: πού έχετε σκεφτεί, «αν είχα ένα άτομο που παρακολουθεί συνεχώς αυτό και το σκέφτεται, τα πράγματα θα βελτιωθούν ουσιαστικά – αλλά δεν θα μπορούσα ποτέ να δικαιολογήσω μια πλήρη πρόσληψη γι’ αυτό»; Αυτά είναι συχνά τα καλύτερα αρχικά σημεία. Είναι ασφαλή, χτίζουν εμπιστοσύνη, κανείς δεν νιώθει στόχος, και το αντισυμβατικό είναι ειλικρινές: η εναλλακτική δεν ήταν ένας άνθρωπος που το έκανε καλά, ήταν κανείς που δεν το έκανε καθόλου (όπως ο φίλος μου ο συντάκτης Eddie).

Επιλογή δεύτερη, εξετάστε την αντικατάσταση των πινάκων ελέγχου με πράκτορες δεδομένων. Όσο απλοί και φαινόταν οι πίνακες ελέγχου, απέτυχαν στην πράξη να εκπληρώσουν την υπόσχεσή τους. Όταν κάποιος έχει μια επιχειρηματική ερώτηση, είναι πολύ δουλειά για αυτόν να μεταφράσει αυτήν την ερώτηση στο τοπίο των πινάκων ελέγχου. Πού είναι ο πίνακας ελέγχου που απαντά σε αυτήν την ερώτηση; Πώς ονομάζεται; Υπάρχει καν τέτοιος πίνακας ελέγχου; Και αν καταφέρετε να βρείτε τον «σωστό», είναι σαφής και βολικός στη χρήση; Πρέπει να τον χειρίζεστε επανειλημμένα, γράφοντας ή τραβώντας στιγμιότυπα πολλαπλών εκδόσεων για να συναρμολογήσετε τη συνολική εικόνα που χρειάζεστε;

Στην εποχή του AI, παίρνετε απλώς την επιχειρηματική σας ερώτηση – με τα δικά σας λόγια – και την πληκτρολογείτε (ή την προφέρετε!) σε έναν πράκτορα δεδομένων που διαχειρίζεται όλα αυτά για εσάς, και επιστρέφει μια πιστοποιημένη, καλά ερευνημένη απάντηση – με οπτικά στοιχεία – σε ένα ή δύο λεπτά. Όταν έχετε μια επακόλουθη ερώτηση, είναι ευχαριστημένος να την απαντήσει γρήγορα – στη συνάντηση ενώ οι αποφάσεις μπορούν ακόμα να ληφθούν.

Το κοινό νήμα πίσω από και τις δύο αυτές αρχικές επιλογές; Και οι δύο αντιμετωπίζουν τα σημεία πόνου που οι εργαζόμενοι θα αγκαλιάσουν αντί να αντισταθούν. Δεν θέλετε οι πρώτες πρωτοβουλίες AI να σπέρνουν δυσπιστία. Θέλετε αντίθετα να φέρνουν τους εργαζόμενους στο τραπέζι. Θέλετε οι εργαζόμενοι να προτείνουν βελτιώσεις και νέες ιδέες έργων. Επειδή, ξανά, η εταιρεία σας αποτελείται από χιλιάδες ροές εργασίας, και οι εργαζόμενοι τις γνωρίζουν καλύτερα από εσάς.

Σχετικά με την επέκταση, την επανασχεδίαση ή την εγκατάλειψη – να είστε καλοί με τον εαυτό σας, επειδή η έρευνα σε αυτό είναι πραγματικά παρηγορητική: οι περισσότερες επιτυχημένες υλοποιήσεις AI είχαν αποτυχίες πριν από αυτές. Ένα πρώτο έργο που παράγει ένα μάθημα αντί για κέρδος είναι εκπαίδευση, όχι απόδειξη ότι το AI δεν λειτουργεί. Ο κανόνας μου: αν οι άνθρωποι το χρησιμοποιούν, επεκτείνετε το. Αν δεν το χρησιμοποιούν, πρέπει να ξέρετε γιατί όχι, και η απάντηση μπορεί να κυμαίνεται από «γιατί δεν λειτουργεί καλά» έως «γιατί δεν το καταλαβαίνω» έως «με φοβίζει». Η απάντηση καθοδηγεί αν θα βελτιώσετε, θα επανασχεδιάσετε ή θα εγκαταλείψετε. Δεν χρειάζεται να προβλέψετε πού θα καταλήξει το σύνολο. Απλώς πρέπει να ξεκινήσετε κάπου ειλικρινά.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες θα πρέπει επίσης να διαβάσουν το Fair Game: Customizing AI to Your Business Is Easier Than You Think.