Σαμ Τζένκινς, Διευθύνων Σύντροφος στην Punchcard Systems – Σειρά Συνεντεύξεων

Σαμ Τζένκινς, Διευθύνων Σύντροφος στην Punchcard Systems, έχει περάσει περισσότερες από δύο δεκαετίες εργαζόμενος στο σημείο τομής της τεχνολογίας, της επιχειρηματικότητας και της μετασχηματισμού των οργανισμών. Από τότε που συνίδρυσε την Punchcard Systems το 2016, έχει βοηθήσει στην οδήγηση της ανάπτυξης της εταιρείας ενώ συμβουλεύει οργανισμούς για στρατηγική ψηφιακής εργασίας, προσαρμοσμένο λογισμικό, τεχνητή νοημοσύνη και αναδυόμενες τεχνολογίες. Η προηγούμενη εμπειρία του περιλαμβάνει τη συνίδρυση της Startup Edmonton και της Wellnext, την ηγεσία της ανάπτυξης επιχειρήσεων και των πρωτοβουλιών τεχνολογίας εργασίας της Microsoft στην iomer internet solutions, και την υπηρεσία σε εκτελεστικές και διοικητικές θέσεις σε τεχνολογία, υγεία, δημόσια ασφάλεια και κοινωφελείς οργανισμούς. Αυτή η εμπειρία του έχει δώσει μια ευρεία προοπτική για το πώς η τεχνολογία αλλάζει τον τρόπο με τον οποίο οι άνθρωποι συνεργάζονται, λαμβάνουν αποφάσεις και εκτελούν την εργασία τους.

Punchcard Systems είναι ένας καναδικός συνεργάτης λογισμικού και τεχνολογίας που εργάζεται με εταιρείες για να σχεδιάσει, αναπτύξει και εφαρμόσει ψηφιακές λύσεις που συνδέονται με μετρήσιμους επιχειρηματικούς στόχους. Εξυπηρετώντας περισσότερους από 150 πελάτες στον Καναδά και τις Ηνωμένες Πολιτείες, οι ικανότητες της εταιρείας περιλαμβάνουν προσαρμοσμένο λογισμικό ιστού και κινητών, τεχνητή νοημοσύνη, υποδομή cloud, δεδομένα και ανάλυση, σχεδιασμό εμπειρίας χρήστη και τεχνολογίες εργασίας όπως το Microsoft 365, Azure, Copilot, Teams, SharePoint και Power Platform. Η Punchcard εστιάζει στην βοήθεια των οργανισμών να μοντερνοποιήσουν τις επιχειρηματικές τους διαδικασίες, να βελτιώσουν την εμπειρία των εργαζομένων και των πελατών και να ενσωματώσουν νέες τεχνολογίες σε πρακτικές επιχειρηματικές διαδικασίες.

Η καριέρα σας έχει ακολουθήσει την εξέλιξη της τεχνολογίας εργασίας, από τις πλατφόρμες εργαζομένων της Microsoft SharePoint μέχρι την συνίδρυση της Startup Edmonton και την κατασκευή της Wellnext και τελικά της Punchcard Systems. Πώς έχει διαμορφώσει αυτή η εμπειρία την άποψή σας για την μετάβαση από το λογισμικό που οι εργαζόμενοι λειτουργούν από μόνοι τους σε πράκτορες τεχνητής νοημοσύνης που εκτελούν εργασίες για λογαριασμό τους;

Όταν ξεκίνησα να εργάζομαι με ψηφιακές τεχνολογίες εργασίας όπως το SharePoint (πίσω στο 2003!), ο στόχος ήταν να δημιουργηθούν καλύτεροι τρόποι για τους εργαζομένους να βρουν πληροφορίες, να μοιραστούν γνώσεις και να συνεργαστούν. Στο τέλος της ημέρας, ο εργαζόμενος ήταν ακόμη αυτός που έκανε την εργασία: να πλοηγείται στα συστήματα, να παράγει τα αποτελέσματα. Σήμερα, μεταβαίνουμε πέρα από την τεχνητή νοημοσύνη ως εργαλείο παραγωγικότητας και σε μια νέα εποχή πράκτορων τεχνητής νοημοσύνης, όπου τα συστήματα μπορούν να αναλάβουν πιο σύνθετες, πολυστάθμες εργασίες για λογαριασμό των εργαζομένων.

Αυτό είναι το μέρος που αλλάζει. Jako οικοσύστημα, μεταβαίνουμε πέρα από την τεχνητή νοημοσύνη ως εργαλείο παραγωγικότητας και σε συστήματα που αναλαμβάνουν σύνθετες εργασίες για λογαριασμό των ανθρώπων. Οι Claude Cowork και ChatGPT Work κάνουν αυτήν την προσέγγιση khá mainstream.

Έχω παρακολουθήσει μερικές από αυτές τις τεχνολογικές αλλαγές τώρα, και το πρότυπο διατηρείται κάθε φορά. Οι οργανισμοί που κερδίζουν δεν αντιμετωπίζουν την καινούρια τεχνολογία απλώς ως μια ανάπτυξη. Την αντιμετωπίζουν ως ευκαιρία να ξανασκέφτουν πώς οι άνθρωποι, οι διαδικασίες και η τεχνολογία συνεργάζονται.

Το ChatGPT Work μπορεί να συλλέξει πληροφορίες από συνδεδεμένες εφαρμογές και αρχεία, να ολοκληρώσει πολυστάθμες εργασίες και να παράγει ολοκληρωμένα έγγραφα,电子 υπολογιστές και παρουσιάσεις. Πώς θα αλλάξει αυτό τις καθημερινές ευθύνες των γνώσεων εργαζομένων που προηγουμένως δημιούργησαν αυτά τα υλικά από μόνοι τους;

Νομίζω ότι η εργασία μεταβαίνει από την “παραγωγή αποτελεσμάτων” στην “διακυβέρνηση αποτελεσμάτων”. Αυτό αλλάζει θεμελιωδώς τον ρόλο των γνώσεων εργαζομένων, αλλά αυτό δεν αντικαθιστά την ανάγκη για ανθρώπινη ερμηνεία και επίβλεψη. Αντίθετα, οι εργαζόμενοι θα μεταβαίνουν όλο και περισσότερο από τη δημιουργία κάθε κομματιού εργασίας από μόνοι τους στη διαχείριση, αναθεώρηση και διευθέτηση των αποτελεσμάτων που παράγονται από την τεχνητή νοημοσύνη.

Πολύ από την επαναλαμβανόμενη εργασία θα μεταφερθεί στον πράκτορα: συλλογή πληροφοριών, κατασκευή παρουσιάσεων ή εγγράφων, ή περίληψη δεδομένων. Αυτό απελευθερώνει τους ανθρώπους για την εργασία που πραγματικά χρειάζεται一个人: στρατηγική, δημιουργικότητα, κρίση και συνεργασία.

Η ικανότητα που γίνεται όλο και πιο πολύτιμη είναι η γνώση του πώς να κατευθύνει την τεχνητή νοημοσύνη καλά, δίνοντας της την κατάλληλη контекστ και αναγνώριση όταν η απάντηση φαίνεται σωστή αλλά δεν είναι.

Έχετε περιγράψει μια αυξανόμενη ανάγκη για “διαχειριστές τεχνητής νοημοσύνης”. Τι θα εμπεριέχεται αυτός ο ρόλος στην πράξη, και πώς θα διαφέρει από τις ευθύνες ενός διαχειριστή ΤΙ, προϊσταμένου προϊόντος ή παραδοσιακού διαχειριστή ανθρώπινου δυναμικού;

Οι διαχειριστές τεχνητής νοημοσύνης θα παίξουν σημαντικό ρόλο στη βοήθεια των οργανισμών να υιοθετήσουν την τεχνητή νοημοσύνη με ευθύνη και αποτελεσματικά. Η ευθύνη τους θα είναι να διαχειριστούν και να κυβερνήσουν τα αποτελέσματα της τεχνητής νοημοσύνης, εξασφαλίζοντας ότι η εργασία που παράγεται από την τεχνητή νοημοσύνη είναι ακριβής, αξιόπιστη και συμφωνεί με τους επιχειρηματικούς στόχους.

Αυτό είναι ένα διαφορετικό έργο από την παραδοσιακή ΤΙ, η οποία κατέχει την υποδομή και τα τεχνικά συστήματα, ή έναν προϊσταμένο προϊόντος, ο οποίος εστιάζει στην ανάπτυξη και βελτίωση προϊόντων. Κάθε τμήμα θα χρειαστεί κάποιον που καταλαβαίνει πώς η τεχνητή νοημοσύνη εφαρμόζεται σε συγκεκριμένες περιοχές, είτε αυτό είναι οικονομικά, νομικά, ανθρώπινο δυναμικό ή λειτουργίες.

Η πραγματική αλλαγή είναι η ιδιοκτησία. Τώρα, οι περισσότεροι οργανισμοί δεν έχουν ορίσει κάποιον που είναι σαφώς υπεύθυνος για το αν αυτά τα συστήματα παράγουν αξία και παραμένουν μέσα σε αποδεκτό κίνδυνο. Αυτό το κενό, σε σχέση με την αναγνώριση άμεσα υπεύθυνων ατόμων, είναι αυτό που αυτοί οι ρόλοι θα καλύψουν.

KPMG Canada βρήκε ότι οι πράκτορες τεχνητής νοημοσύνης έχουν ήδη επηρεάσει τον τρόπο με τον οποίο οι οργανισμοί προσλαμβάνουν και νέους και έμπειρους εργαζομένους. Ποια είναι τα προσόντα που θα γίνουν πιο πολύτιμα καθώς οι εργοδότες αρχίζουν να αξιολογούν τους υποψήφιους για την ικανότητά τους να αναθέτουν εργασία στην τεχνητή νοημοσύνη, να αξιολογούν τα αποτελέσματά της και να παρεμβαίνουν όταν χρειάζεται;

Τα προσόντα που θα γίνουν όλο και πιο πολύτιμα είναι αυτά που παραμένουν μοναδικά ανθρώπινα, όπως η κρίση, η κρίση, η επικοινωνία, η δημιουργικότητα, η επίλυση προβλημάτων και η ηγεσία.

Η τεχνική γλωσσική ικανότητα της τεχνητής νοημοσύνης θα συνεχίσει να έχει σημασία, αλλά οι εργοδότες ψάχνουν για ανθρώπους που καταλαβαίνουν πώς η τεχνητή νοημοσύνη ταιριάζει στο ευρύτερο επιχειρηματικό περιβάλλον. Αυτό περιλαμβάνει ικανότητες όπως η διαχείριση αλλαγών, η διαχείριση κινδύνου και η στρατηγική σκέψη.

Η γραμμή μεταξύ τεχνικών και μη τεχνικών ρόλων σβήνει. Οι οργανισμοί μεταβαίνουν μακριά από την προσλήψη μόνο για τις ικανότητες που κάποιος已经 έχει και προς τους ανθρώπους που είναι πρόθυμοι να μάθουν, να προσαρμοστούν και να συνεχίσουν να αναπτύσσονται. Οι πιο πολύτιμοι εργαζόμενοι θα είναι εκείνοι που μπορούν να χρησιμοποιήσουν τις ικανότητες της τεχνητής νοημοσύνης ενώ καταλαβαίνουν πού η ανθρώπινη κρίση παραμένει απαραίτητη.

Πολλοί εργαζόμενοι παραδοσιακά ανέπτυξαν επαγγελματική κρίση ολοκληρώνοντας επαναλαμβανόμενες εργασίες εισαγωγικού επιπέδου. Αν οι πράκτορες τεχνητής νοημοσύνης απορροφούν μεγάλο μέρος αυτής της θεμελιώδους εργασίας, πώς μπορούν οι οργανισμοί να ανασχεδιάσουν την εκπαίδευση και την ανάπτυξη καριέρας ώστε οι νεότεροι εργαζόμενοι να κερδίσουν ακόμη την εμπειρία που χρειάζονται για να γίνουν αποτελεσματικοί αποφασιστές;

Αυτό είναι μια αλήθεια που με ανησυχεί λίγο. Οι άνθρωποι χτίζαν κρίση και εμπειρία ολοκληρώνοντας επαναλαμβανόμενες εργασίες εισαγωγικού επιπέδου. Αν οι πράκτορες κάνουν αυτή την εργασία, η σκάλα χάνει μερικά σκαλοπάτια.

Οι οργανισμοί θα πρέπει να είναι πιο προσεκτικοί από ποτέ για την ανάπτυξη των νεότερων ταλέντων μέσω της μεντορίας, της προπόνησης, των ασκήσεων λήψης αποφάσεων και της έκθεσης σε υψηλότερης αξίας έργα νωρίτερα στην καριέρα κάποιου.

Υπάρχει επίσης μια ευκαιρία για ανάστροφη μεντορία, όπου οι νεότεροι εργαζόμενοι που είναι πιο εξοικειωμένοι με εργαλεία τεχνητής νοημοσύνης μπορούν να βοηθήσουν τις ομάδες να κατανοήσουν πώς αυτές οι τεχνολογίες μπορούν να εφαρμοστούν, ενώ οι έμπειροι εργαζόμενοι συνεχίζουν να παρέχουν το επιχειρηματικό контекスト και την κρίση που η τεχνητή νοημοσύνη δεν μπορεί να αναπαραγάγει.

Ο στόχος πρέπει να είναι να ανασχεδιάσει τη διαδικασία μάθησης για ένα χώρο εργασίας όπου οι άνθρωποι και η τεχνητή νοημοσύνη συνεργάζονται.

Η Punchcard έχει εκτεταμένη εμπειρία στην εφαρμογή του Microsoft 365 και συναφών τεχνολογιών εργασίας. Πώς αλλάζει το ChatGPT Work το ανταγωνιστικό τοπίο για το Microsoft Copilot και το Google Gemini, και ποια πρέπει να είναι τα κριτήρια που οι οργανισμοί πρέπει να λάβουν υπόψη όταν επιλέγουν μια πλατφόρμα τεχνητής νοημοσύνης για την καθημερινή εργασία;

Το τοπίο εξελίσσεται γρήγορα, και οι οργανισμοί έχουν περισσότερες επιλογές από ποτέ. Η απόφαση πρέπει να βασίζεται σε ποια λύση ταιριάζει καλύτερα στο υπάρχον τεχνολογικό περιβάλλον, τις ροές εργασίας, τις απαιτήσεις ασφαλείας και τους επιχειρηματικούς στόχους.

Για τους οργανισμούς που έχουν ήδη επενδύσει στο Microsoft 365, εργαλεία όπως το Copilot μπορεί να παρέχουν πλεονεκτήματα μέσω της ενσωμάτωσης με τις υπάρχουσες εφαρμογές και δεδομένα. Άλλοι μπορεί να βρουν άλλες πλατφόρμες πιο κατάλληλες για τις ανάγκες τους.

Νομίζω ότι η κλειδί ερώτηση που οι ηγέτες πρέπει να κάνουν δεν είναι “ποιο εργαλείο;” Αλλά “ποιο πρόβλημα λύνουμε, και ποια πλατφόρμα μας βοηθά να το λύσουμε με ευθύνη;”

Αυτό που έχουμε μάθει πρώτο χέρι: η επιτυχημένη υιοθέτηση είναι περισσότερο από το εργαλείο. Έχουμε εφαρμόσει εταιρικές πλατφόρμες τεχνητής νοημοσύνης, με προσαρμοσμένα μοντέλα που ταιριάζουν στο πώς εργαζόμαστε πραγματικά. Κάθε εργαζόμενος τη χρησιμοποιεί, αλλά αυτό δεν ήρθε από την επιλογή του σωστού προϊόντος, αλλά από ισχυρές βάσεις δεδομένων, διακυβέρνηση και την ενσωμάτωση της τεχνητής νοημοσύνης στο πώς λειτουργεί η εταιρεία.

Η απόδοση του μοντέλου κυριαρχεί συχνά στις συζητήσεις για την τεχνητή νοημοσύνη στον χώρο εργασίας, αλλά οι οργανισμοί πρέπει επίσης να λάβουν υπόψη την άδεια, την πρόσβαση δεδομένων, την ελέγχου και την ευθύνη. Ποια έλεγχοι διακυβέρνησης πρέπει να καθοριστούν πριν από την ενεργοποίηση ενός πράκτορα τεχνητής νοημοσύνης σε email, έγγραφα, εσωτερικές βάσεις δεδομένων και επιχειρηματικές εφαρμογές;

Ένα από τα μεγαλύτερα λάθη που βλέπω τους οργανισμούς να κάνουν είναι να αντιμετωπίζουν την διακυβέρνηση της τεχνητής νοημοσύνης ως μια μετάνοια. Όσο τα συστήματα τεχνητής νοημοσύνης γίνονται πιο ικανά και συνδεδεμένα με επιχειρηματικά δεδομένα, οι οργανισμοί πρέπει να καθορίσουν σαφείς αρχές για το πώς αυτά τα εργαλεία χρησιμοποιούνται πριν από την ευρεία εφαρμογή τους.

Αυτό ξεκινά με την κατανόηση ποια πληροφορία τα συστήματα τεχνητής νοημοσύνης μπορούν να έχουν πρόσβαση, εξασφαλίζοντας ότι οι άδειες είναι κατάλληλα εστιασμένες και ότι existει έλεγχος και ευθύνη.

Οι οργανισμοί πρέπει επίσης να έχουν σαφείς οδηγίες για πού η τεχνητή νοημοσύνη μπορεί να λειτουργήσει ανεξάρτητα και πού απαιτείται ανθρώπινη επίβλεψη.

Κατασκευάζοντας τις σωστές βάσεις γύρω από τα δεδομένα και την ασφάλεια από την αρχή, οι επιχειρήσεις μπορούν να ξεκλειδώσουν την αξία της τεχνητής νοημοσύνης ενώ διαχειρίζονται τους κινδύνους που έρχονται με τα αυξανόμενα αυτόνομα συστήματα.

Όσο οι πράκτορες τεχνητής νοημοσύνης λαμβάνουν ενέργειες αντί για απλές απαντήσεις, τα λάθη μπορούν να έχουν επιχειρηματικές συνέπειες. Πώς πρέπει οι επιχειρήσεις να επικυρώσουν την εργασία που παράγεται από τους πράκτορες, να καθορίσουν ποιες ενέργειες απαιτούν ανθρώπινη έγκριση και να αναθέσουν ευθύνη όταν ένας πράκτορας παράγει ανακριβή αποτέλεσμα ή λαμβάνει απρόσμενη ενέργεια;

Όταν η τεχνητή νοημοσύνη μεταβαίνει από την απάντηση στην ενέργεια, το προφίλ κινδύνου αλλάζει. Δεν κάθε εργασία έχει τις ίδιες απαιτήσεις, οπότε ο όρος για την ανθρώπινη έγκριση πρέπει να κλιμακωθεί με το τι κρέμεται από την έκβαση.

Απλά, αυτό απαιτεί σαφή ιδιοκτησία. Η τεχνητή νοημοσύνη πρέπει να υποστηρίζει την λήψη αποφάσεων, όχι να αντικαθιστά την ευθύνη. Οι οργανισμοί πρέπει να ορίσουν ποιος παρακολουθεί την απόδοση της τεχνητής νοημοσύνης, επικυρώνει τα αποτελέσματα και είναι τελικά υπεύθυνος για τα αποτελέσματα. Ο στόχος είναι να συνδυάσει την τεχνητή νοημοσύνη με την ανθρώπινη κρίση, δημιουργώντας συστήματα που είναι και μαζικά και αξιόπιστα.

Πολλοί οργανισμοί πειραματίζονται με την τεχνητή νοημοσύνη χωρίς να συνδέσουν ακόμη την υιοθέτηση με μετρήσιμους επιχειρηματικούς αποτελέσματα. Πώς πρέπει οι ηγέτες να αναγνωρίσουν τις αξιοπρεπείς περιπτώσεις χρήσης της τεχνητής νοημοσύνης, να μετρήσουν την απόδοση τους και να καθορίσουν εάν ένα πείραμα είναι έτοιμο να κλιμακωθεί σε όλη την εταιρεία;

Το κενό συνήθως αντανακλά πίσω στο στόχο. Οι ομάδες επιλέγουν πρώτα μια τεχνολογία και μετά ψάχνουν για κάπου να την τοποθετήσουν, όταν οι ανθεκτικές νίκες έρχονται από την έναρξη με μια διαδικασία που είναι ήδη đauερή και ακριβή και την ερώτηση εάν ένας πράκτορας είναι πραγματικά το σωστό εργαλείο.

Η καλύτερη φίλτρα είναι η μεταβλητότητα. Αν μια διαδικασία είναι προβλέψιμη enough για ένα σύστημα κανόνων, δεν χρειάζεστε έναν πράκτορα. Αν είναι τόσο ανοιχτή που κανείς δεν μπορεί να περιγράψει ένα καλό αποτέλεσμα, ο πράκτορας θα πονέσει και δεν θα можете να του εμπιστευτείτε. Η αξία κάθεται μεταξύ, σε εργασία που χρειάζεται κρίση σε πολλά συστήματα αλλά ακόμη τρέχει μέσα σε φραγμένες, ελέγχυτες κανόνες.

Θα πρόσθετα μια ερώτηση που αλλάζει το προφίλ κινδύνου περισσότερο από οτιδήποτε άλλο. Είναι ο κίνδυνος μιας λάθος ενέργειας φραγμένος και αναστρέψιμος; Όπου είναι, αφήστε τον πράκτορα να ενεργήσει και να κινηθεί γρήγορα. Όπου ένα λάθος είναι ακριβό ή δύσκολο να αναστραφεί, κρατήστε έναν άνθρωπο στη διαδικασία.

Σχετικά με την απόδοση, το κοινό λάθος είναι να μετράτε το λάθος πράγμα πολύ αργά. Οι ώρες που σώζονται είναι το προεπιλεγμένο μέτρο, αλλά αυτό υποτιμά την επίδραση. Οι μεγαλύτερες απόδοσεις εμφανίζονται ως συμπίεση κύκλου, χαμηλότεροι ρυθμοί λαθών και η ικανότητα που ήταν προηγουμένως περιορισμένη γίνεται διαθέσιμη. Μια ομάδα υποστήριξης που μπορούσε να φτάσει μόνο στο μισό των εισαγωγών της γίνεται μια διαφορετική επιχείρηση όταν μπορεί να φτάσει όλες τις εισαγωγές. Καταγράψτε μια καθαρή βάση πριν ξεκινήσει το πείραμα, γιατί χωρίς αυτό είστε παγιδευμένοι να συζητάτε για ανέκδοτα. Και όταν μετράτε το κόστος, μετράτε την πλήρη εικόνα. Το έργο ολοκλήρωσης και ο χρόνος ανθρώπινης επίβλεψης είναι πραγματικά στοιχεία γραμμής, και η επίβλεψη είναι χρονικά υποτιμημένη.

Η απόφαση εάν να κλιμακώσετε είναι όπου η πειθαρχία έχει τη μεγαλύτερη σημασία, και είναι το βήμα που οι ομάδες βιάζονται. Ένα demo σε καθαρές εισαγωγές λέει λίγα. Ένα πείραμα είναι έτοιμο όταν αντέχει στο μακρύ χέρι των ακαθόριστων, πραγματικών εισαγωγών, όταν οι τρόποι αποτυχίας κατανοούνται και είναι φραγμένοι, όταν η παρατηρησιμότητα είναι στη θέση της ώστε μια σιωπηλή αποτυχία να πιάνεται αντί να ανακαλύπτεται από έναν πελάτη, και όταν ένας ονομασμένος άνθρωπος είναι υπεύθυνος στην παραγωγή.

Εκτελέστε επίσης έναν έλεγχο οικονομικής ανάλυσης,既然 το κόστος του πράκτορα κλιμακώνεται με τη χρήση σε一种 τρόπο που τα έσοδα λογισμικού δεν κάνουν.

Τα συστήματα τεχνητής νοημοσύνης αποτυγχάνουν διαφορετικά από το παραδοσιακό λογισμικό. Αποτυγχάνουν προβαλαντικά και συχνά σιωπηλά, οπότε οι οργανισμοί που προηγούνται χτίζουν την αξιολόγηση και την παρακολούθηση από την αρχή αντί να την προσθέτουν μετά από μια αποτυχία.

Η Punchcard Systems βοηθά τους οργανισμούς να μεταβαίνουν από το πείραμα με την τεχνητή νοημοσύνη στην ενσωμάτωση της σε πραγματικές επιχειρηματικές διαδικασίες. Πώς αξιολογείτε την ετοιμότητα ενός οργανισμού για την τεχνητή νοημοσύνη, αναγνωρίζετε τις ροές εργασίας όπου μπορεί να παράγει μετρήσιμη αξία και βοηθάτε τις ομάδες να εφαρμόσουν αυτά τα συστήματα με ευθύνη χωρίς να διαταράσουν τις υπάρχουσες επιχειρηματικές διαδικασίες;

Είναι σημαντικό να ξεκινήσετε κατανοώντας την τρέχουσα κατάσταση του οργανισμού. Μια από τις μεγαλύτερες λανθασμένες εντυπώσεις είναι ότι η υιοθέτηση της τεχνητής νοημοσύνης είναι απλώς η επιλογή του σωστού εργαλείου. Στην πραγματικότητα, η επιτυχημένη εφαρμογή εξαρτάται από την ύπαρξη ισχυρών θεμελίων: ποιότητα δεδομένων, σαφείς διαδικασίες και καθορισμένη ιδιοκτησία.

Από εκεί, βοηθάμε τους οργανισμούς να αναγνωρίσουν πού η τεχνητή νοημοσύνη μπορεί να δημιουργήσει την μεγαλύτερη αξία, συχνά σε ροές εργασίας που καταναλώνουν αναλογικά χρόνο σε σχέση με την επίδρασή τους, ή σε αποφάσεις που λαμβάνονται χωρίς τις σωστές πληροφορίες στο χέρι.

Οι οργανισμοί πρέπει να σκεφτούν πώς θα εξελιχθούν οι ρόλοι και η λήψη αποφάσεων μαζί με την τεχνολογία. Κατασκευάζοντας την σωστή τεχνολογία με την υιοθέτηση εργαζομένων και τη διαχείριση αλλαγών, οι επιχειρήσεις μπορούν να ενσωματώσουν την τεχνητή νοημοσύνη με έναν τρόπο που δημιουργεί μετρήσιμη αξία χωρίς να σπάσει αυτό που ήδη λειτουργεί.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Punchcard Systems.