Ajatusjohtajat
Rikkomalla kehän: Miten organisaatiot voivat väistää doompromptingin ja toimia menestyksekkäästi
Siitä lähtien, kun tekoäly (AI) teoreettisena käsitteenä 1950-luvulla, se on avannut yrityksille mahdollisuuksia ja tuonut lisää tuottavuutta erilaisin tekniikoin, erityisesti koneoppimisjärjestelmien kautta. Nämä työkalut/teknologiat paransivat ennustamista ja päätöksentekoa, luoden perustan tuleville teknologisille edistysaskelille. Viime aikoina Generative AI on luvannut muuttaa kaiken, mitä tiedämme työskentelemisestä, ja demokratisoinut AI-kokemuksen. Käyttäjät ovat nyt vuorovaikutuksessa AI-mallejen kanssa, kuten ChatGPT, “prompting”-menetelmän kautta, jossa vuorovaikutus tapahtuu edestakaisin AI-mallin kanssa. Näiden hyötyjen myötä tulee kuitenkin uusi haaste: Doomprompting. Tämä on vastaavaa kuin “doom scrolling” verkko sisällön kanssa, ilman määriteltyä tavoitetta, jolloin käyttäjät jäävät ansaan. AI:n kohdalla ansa puhuu takaisin. Tämä jatkuva AI-promptin tarkennus sekä generatiivisille että agenteille malleille, jota ohjaa pyrkimys saavuttaa täydellinen lopputulos (ja toisinaan myös ilman tiettyä tavoitetta), johtaa kustannusten kasvuun ja tuottavuuden laskuun. Se luo suuren esteen menestykselle ja mitätöi itse AI-teknologian käytön tarkoituksen.
Kun yritykset lisäävät AI-liittyviä budjettejaan, päätöksentekijöiden on ymmärrettävä, miten he voivat saavuttaa todelliset palautukset investoinneistaan ja mitä arvoa ne tuottavat. IEEE:n 2025 raportissa “The Hidden Costs of AI: How Small Inefficiencies Stack Up,” on osoitettu, miten pienet mukautukset voivat kasaantua merkittäviksi taloudellisiksi rasiteiksi. Välttyäkseen tästä kalliista taistelusta organisaatioiden on viimeisteltävä työntekijöidensä koulutusta LLM:n avulla saavuttaakseen täyden potentiaalinsa AI-investoinneista.
Generative AI tuo luvan optimoinnista ja tehokkuudesta. Kun tiimit kuitenkin jäävät ansaan loputtomasta tarkennuksesta (tai suunnistamattomasta vaeltamisesta), tehokkuus heikkenee tämän perustan vuoksi.
Puhdistaminen “Workslopista”
Yksi syy, miksi tiimit jatkuvasti tarkentavat tuloksia saadakseen täydellisen vastauksen, on workslop. Ensimmäisen kerran kuvattu Harvard Business Review -julkaisussa, workslop kattaa ‘AI:n generoiman työsisällön, joka maskeeraa itsensä hyvänä työnä, mutta jolta puuttuu sisältö, jotta se voisi merkittävästi edistää tiettyä tehtävää.’
Tämä AI-tuottama “slop” on ensimmäinen dominolasi ansainaisessa ketjussa, joka luo doomprompting-syklin. Vaikka alentavan sisällön muokkaaminen iteroinnein tai muokkauksin on tärkeää, on ymmärrettävä, milloin on aika lopettaa, ennen kuin se pääsee kuluttavuuden alamäkeen. Organisaatioiden on lähestyttävä ajan panostusta AI-koulutukseen hienostuneella tasapainolla. Toisaalta tiimien on oltava tietoisia vaadittavasta laadusta; toisaalta heidän on tiedettävä, milloin se on liikaa. Työntekijöiden koulutus AI-mallien älykkäässä käytössä optimaalisen promptin ja selkeiden tavoitteiden kautta tulisi myös olemaan hyödyllistä.
Agenteiden AI:n hyödyntäminen doompromptingin välttämiseksi
Viime vuosina yritykset ovat merkittävästi lisänneet kiinnostusta ja investointeja agenteiden AI:hin, joka tunnetaan kyvystään parantaa operatiivista tehokkuutta. Agenteiden AI voi ottaa monimutkaiset tehtävät, orkesteroida useiden agenttien (mukaan lukien RAG- ja toimintagentit) kanssa päättääkseen toimintasuunnitelman ja suorittaa tehtävät itsenäisesti.
Nämä ominaisuudet voivat auttaa AI:ta välttämään doompromptingia tai ohittamaan sen kokonaan. Tämä voi poistaa tarpeen ohjeistaa GenAI-liittymiä useiden promptien avulla tehtävän suorittamiseksi. Esimerkki tästä voidaan löytää AI-pohjaisista IT-operaatioista (AIOps), jotka modernisoi IT:itä lankaisemalla AI:ta päivittäisiin tehtäviin. Perinteisesti tiimit viettävät aikaa järjestelmien manuaaliseen säätöön. 2000-luvun osastot ovat sellaisia, jotka hyödyntävät AI:ta itsenäisesti kriittisten toimintojen kuten vianmäärityksen, häiriötilannevastauksen ja resurssien jakamisen hallintaan.
Toinen sopiva esimerkki on, miten agenteiden AI-järjestelmät voivat käsitellä monimutkaisia häiriötilanteita itsenäisesti. Nämä agentit, yhdessä ITOpsin kanssa, pystyvät ymmärtämään ongelman asiayhteyden, orkesteroimaan syy-agenttien kanssa päättääkseen toimintasuunnitelman, käyttämään toimintagentteja viimeisten korjausten tekemiseen IT-järjestelmiin ja lopulta käyttämään oppimisagentteja ymmärtämään ratkaisun ja soveltamaan sitä tehokkaammin tulevissa häiriötilanteissa.
Agenteiden AI:n älykäs automaatio vähentää ihmisen vuorovaikutusta ja suorittaa tehtävät itsenäisesti. Jotta voidaan vastata kehittyvien liiketoimintavaatimusten mukaisesti, toistuvat tehtävät ja operaatiot on annettava itsenäisen AI:n haltuun. Tämä delegointi poistaa syklin, jossa promptien jatkuva tarkennus ja toistuva tarkennus usein ruokkii doompromptingia. Itsenäiset operaatiot sallivat AI-mallien jatkuvan optimoinnin ja reagoinnin muuttuvien muuttujien mukaan ilman manuaalista syötettä, mikä johtaa nopeampiin tuloksiin vähäisellä ihmisen väliintulolla.
Vaikka koulutetut ammattilaiset tulevat edelleen pelaamaan merkittävää roolia päivittäisissä operaatioissa “ihmisen silmän” -lähestymistavan kautta, heidän aikansa tulee olemaan paremmin hyödynnetty tulosten tarkastelussa. Tämä lähestymistapa minimoi virheiden tai yliajustusten mahdollisuuden.
Johtamisen rooli doompromptingin estämisessä
Tämä laaja omaksuminen ajaa yrityksiä etsimään uusia ratkaisuja doompromptingiin. Yksi tällainen työkalu on vankka johtamisjärjestelmä. Nämä on kehitettävä huolellisesti varmistamaan, että AI-projektit pysyvät liiketoimintatavoitteiden mukaisina eivätkä jää kiinni loputtomaan tanssiin optimoinnista. Kun tiimit kehittävät nämä järjestelmät, heidän on otettava huomioon:
- Ohjeiden perustaminen: Datavirrat AI-malleihin ja niistä tulevat yhä monimutkaisemmiksi. Yksinkertaistamaan tätä varten on luotava AI-ohje, joka antaa tiimille kehyksen dataa käsitellä, tehdä päätöksiä ja hallita AI-tuloksia vastuullisesti.
- Käyttäjien koulutus: Oikean promptin käytön koulutus voi auttaa optimaaliseen tuottavuuteen
- Erityismallien käyttö: Alan- ja tarkoituksenmukaiset AI-mallit antavat todennäköisesti kontekstuaalisia ja merkityksellisiä tuloksia nopeammin
- AI-mallien koulutus: AI-mallien koulutus alan-, tehtävä- ja organisaatiokohtaisilla tiedoilla (missä mahdollista) voi johtaa vähäisempään workslopiin ja sovellettavampiin tuloksiin nopeammin.
- Sääntöjen kehittäminen: Selkeiden sääntöjen luominen ja toteuttaminen on olennaista AI-kehityksen ja -käytön ohjaamiseksi. Kun tiimit määrittävät toimintarajat, he varmistavat, että otetut järjestelmät ovat linjassa organisaation tavoitteiden, eettisten standardien ja sääntelyvaatimusten kanssa.
Vaikka AI-ratkaisujen omaksumisen määrä kasvaa, johtamisjärjestelmien kehittäminen ei ole. 2025 PEX Industry Reportin mukaan vähemmän kuin puolella on AI-hallintopolitiikkaa paikallaan. Vain 25 % oli toteuttamassa sellaista, ja lähes kolmasosa ei ollut toteuttamassa mitään AI-johtamisjärjestelmää. Nämä järjestelmät voivat olla ratkaiseva tekijä auttaa yrityksiä asettamaan selkeät rajat sille, mitä voidaan hyväksyä suorituskyvynä.
Paonnasta doomprompting-silmukasta
Välttyäkseen joutumasta doomprompting-sykliin yritysten on omaksuttava AI-strategioita, jotka priorisoivat tulokset täydellisyyden sijaan. Promptin koulutuksen, tarkoituksenmukaisen AI-mallin ja mallien, jotka on koulutettu kontekstuaalisilla yritystiedoilla, käytön avulla voidaan vähentää laajan uudelleenohjauksen tarvetta. Yritykset, jotka hyödyntävät agenteiden AI:ta, itsenäisiä IT-operaatioita ja vankkoja johtamisjärjestelmiä, voivat uudelleenohjata kriittisiä resursseja liiketoimintatavoitteidensa saavuttamiseksi ilman jumiutumista loputtomiin optimointisykliin. Menestys tulee, kun tiimit siirtävät ajatuksensa jatkuvasta tarkennuksesta keskittyneen toimeenpanon ja mitattavien tuloksien suuntaan.
