Miksi kaikilla yrityksillä on oltava tietokuvio tekoälyajanalla

Tekoäly on perustavasti kiihdyttänyt ohjelmistokehitystä, mutta se ei ole juuri muuttanut sitä, miten ohjelmistoyritykset toimivat. Tämä epäsymmetria on hiljalleen muuttumassa suurimmaksi esteeksi yritysten tekoälylle.

Vuosiin, insinööritiimit tarvitsivat enemmän resursseja pysyäkseen kysynnän mukana. Nykyään pienet tiimit käyttävät tekoälyä koodin generointiin, testaamiseen ja nopeuttavat ideasta toteutukseen. Kehittäjät toimittavat selvästi koodia nopeammin, mutta se, muuttuuko tämä johdonmukaisesti paremmiksi tulokseksi, on edelleen epäselvää.

Tämä nopeus luo uuden pullonkaulan: koordinointikustannukset. Tekoäly on nopeuttanut toimeenpanoa paljon nopeammin kuin se on parantanut sitä, miten organisaatiot koordinoivat työtään. Kontekstin jakaminen, priorisointi, operatiivinen päätöksenteko, tilanneraportointi ja toiminnan mukainen suuntautuminen ovat edelleen pääosin manuaalisia, vaikka kehitys nopeutuu.

Atlassian arvioi, että tuloksena oleva yhteys maksaa Fortune 500 -yrityksille noin 161 miljardia dollaria vuodessa. Samassa tutkimuksessa havaittiin, että vaikka 89 %:lla johtajilla on tekoäly nopeuttanut työtä, vain 6 %:lla on mitattavissa olevia organisaatiotasolla olevia tuloksia.

Nopeammat tulosteet eivät automaattisesti luo älykkäämpää organisaatiota. Vain 17 %:lla käyttäjillä on samaa mieltä siitä, että agentit ovat parantaneet tiimien välistä yhteistyötä, mikä on alin arvioitu vaikutus. Tämä jättää koordinointisilmukan yhä irrotetuksi.

Kontekstin uudelleenrakentaminen jokaisella kyselyllä on suuri kustannus

Vaikka demo menestyy käyttämällä puhdas, kuratoituja tietolähteitä, tuotantoympäristössä on haaste: epäselvät, vanhentuneet ja ristiriitaiset tiedot ovat hajallaan erillään olevissa järjestelmissä. Kun vastataan näihin aukkoihin, suuri kielioppi tekee sen, mihin se on suunniteltu: se ennustaa seuraavan todennäköisimmän vastauksen. Se, mikä näytti päättelyltä kontrolloidussa demossa, muuttuu nopeasti itsevarmaksi arvaukseksi oikeilla tuotantotiedoilla.

Teollisuus on alkanut antaa tälle ongelman nimen. “Kontekstin insinööritieteellä” on kehittynyt tieteenalaksi, joka keskittyy suunnittelemaan tietoa, suhteita, hallintoa ja laatua, jotka määräävät, onnistuuko yritysten tekoäly. Rajoittava tekijä on usein enää ei itse malli, vaan kontekstin laatu, joka ympäröi sitä.

Jokaisella kertaa, kun tekoälyjärjestelmä rakentaa kontekstin alusta, se maksaa veron. Vastaukset ovat hitaita, tokenkustannukset kasvavat ja luottamus heikkenee, koska vastaukset vaihtelevat riippuen siitä, mitkä osat organisaation tietoa haetaan. Kaksi tekoälyagenttia voi vastata samaan kysymykseen eri tavoin, koska kumpikin kokoaa kontekstin eri osasta organisaation tietoa.

Useimmat organisaatiot omistavat jo tiedon, jonka heidän tekoälyjärjestelmänsä tarvitsevat. Ongelma on, että tämä tieto on hajallaan lipuissa, varastoissa, dokumentaatioissa, keskusteluissa ja suunnittelutyökaluissa. Tämän seurauksena jokainen vuorovaikutus alkaa uudelleenrakentamalla organisaation kontekstia ennen kuin malli voi aloittaa päättelyn, toistamalla saman kalliin prosessin jokaisella uudella kysymyksellä.

Pääsy ei ole sama kuin tietäminen

Yleinen kysymys on, ratkaiseeko suuremmat kontekstipuitteet, parempi hakutoiminto tai parannettu hakeminen tämän ongelman.

Malli-kontekstiprotokollat käsittelevät todellista integrointiongelmaa tarjoamalla agenteille standardoidun tavan päästä järjestelmiin, joissa yritysten tieto elää. Mutta pääsy ei ole sama kuin ymmärtäminen. Agentin antaminen pääsyyn kymmeneen järjestelmään ei selitä, kumpi päätös korvasi toisen, miksi vaatimus muuttui, onko asiakirja edelleen auktoriteettinen, tai miten asiakas keskustelu lopulta vaikutti siihen, mitä toimitettiin. Ilman rakennettua, vahvistettua logiikan kerrosta tämä tarjoaa vain kymmenen enemmän mahdollisuutta kohtaa ristiriitaisia yksityiskohtia.

Useimmat yritysten tekoälyjärjestelmät olettavat edelleen, että konteksti on koottava alusta jokaisella kyselyllä. Tämä lähestymistapa voi vastata erillisiin kysymyksiin, mutta se kamppailee jatkuvan päättelyn tukemisessa, joka vaaditaan liiketoiminnan pyörittämiseen. Johtajat joutuvat edelleen viettämään tunteja joka viikko yhdistelemään vastauksia kysymyksiin, jotka pitäisi jo olla olemassa organisaatiossa:

• Mitä muutosta?
• Miksi tämä prioriteetti muuttui?
• Onko tiestö edelleen tarkka?
• Ratkaissemme edelleen oikean ongelman?

Tässä tietokuvio ansaitsee paikkansa. Graafi tallentaa entiteettejä ja niiden suhteita, tarjoamalla perustan organisaation muistin säilyttämiselle. Ohjelmistoyrityksessä nämä entiteetit voivat sisältää asiakkaita, ominaisuuksia, vaatimuksia, päätöksiä, lippuja, varastoja, vetohakuja, julkaisuja ja ihmisiä.

Sen sijaan, että haettaisiin kokoelma kohtauksia, jotka sisältävät samanlaisia sanoja, agentti voi seurata yhteyksiä päätöksestä vaatimukseen, joka aiheutti sen, lipusta, joka toteutti sen, vetohakuun, joka muutti sen, ja asiakas palautteeseen, joka myöhemmin haastoi sen.

Tietokuvat menevät pidemmälle kuin vain tavanomainen tietojen järjestäminen. Sen sijaan, että konteksti rakennetaan uudelleen erillisten järjestelmien avulla, tekoäly voi perustua jatkuvasti kehittyvään ymmärrykseen siitä, miten organisaatio toimii todella.

Tuloksena on tekoäly, joka voi perustua päätöksiin, keskusteluihin ja todisteisiin, sen sijaan, että se rakentaa ymmärryksensä alusta jokaisella kyselyllä.

Rakenne yksin ei riitä

Graafin rakentaminen kerran on hankalaa, ja sen pitäminen tarkassa on vielä hankalampaa. Nopeasti muuttuvassa organisaatiossa liput muuttuvat, suunnitelmat siirtyvät, koodi toimitetaan, vastuu siirtyy ja asiakaspalautteen prioriteetit muuttuvat. Tämä tarkoittaa, että organisaation muisti on päivitettävä, kun todellisuus muuttuu ja jokainen muutos on linkitetty takaisin lähteeseensä.

Vaikka 82 %:lla kehittäjillä on tekoäly avaa koodin nopeammin ja 71 %:lla se parantaa heidän kykyään käsitellä monimutkaisia ongelmia, tämä nopeus tulee vastaan: 96 %:lla kehittäjillä ei ole täydellistä varmuutta, että tuloksena oleva koodi on toiminnallisesti oikein.

Jokainen tosiasia, jonka agentti antaa, on johdettava sen lähteestä: commit, lippu, säie. Jos tekoälyjärjestelmä kertoo johtajalle, että julkaisu on aikataulussa, mutta ei voi näyttää merkkejä, jotka johtivat siihen johtopäätökseen, kokeneiden johtajien tulisi epäillä toimia sen perusteella.

Olen nähnyt tiimit hylkäävän työkaluja, jotka tuottivat järkeviä vastauksia, koska käyttäjät eivät voineet vahvistaa, miten ne vastaukset saavutettiin. Olen myös nähnyt tiimit jatkavan vähemmän kehittyneiden järjestelmien käyttöä, koska ne järjestelmät näyttivät työnsä. Luottamus on vain nopeampi tapa olla väärässä, ja kerran kun työkalu polttaa johtajan perusteettomalla vastauksella, luottamus ei palaa. Yhdistämällä jokaisen väitteen lähteeseen “luottaminen” muuttuu “tässä on miksi”.

Tarkkuus on tärkeää samasta syystä. Kun järjestelmä jatkuvasti seuraa suunnitelman ja todellisen suorituksen välistä suhdetta, ero siinä, mitä tiimi päätti ja mitä todella toimitettiin, tulee näkyväksi. Tämä ei ole reunaehto. Thoughtworks on korostanut koodin siirtymistä tiettyksi vaaraksi tekoälyagenteille. Se korostaa verifikaatioluupien ja palautusmekanismien tarvetta, jotka auttavat järjestelmiä havaitsemaan ja korjaamaan poikkeamat, kun työ kehittyy. Siirtymä, jonka organisaatio voi nähdä, on hyödyllistä tietoa. Piilevä siirtymä on se, miten tekoälyjärjestelmä alkaa johtaa väärään niitä, jotka luottivat siihen.

Mitä kysyä seuraavasta agenttihankkeesta

Arvioidessani yrityksen agenttiohjelmaa aloittaisin neljällä kysymyksellä:

• Säilyttääkö järjestelmä optimaalisen kontekstin edustuksen ajan myötä, vai antaako se vain tekoälylle pääsyn olemassa oleviin tietolähteisiin?
• Onko jokainen vastaus johdettavissa tiettyyn lähdekohtaan, kuten lippuun tai asiakirjaan?
• Päivittyykö järjestelmä automaattisesti, kun organisaation tieto muuttuu?
• Ymmärtääkö agentti suhteita tietopisteiden välillä sen sijaan, että se vain pääsee niihin?

Perusmallit jatkavat parantumista. Päättelykyky tulee vahvistumaan, kontekstipuitteet kasvavat ja nämä edistysaskeleet tulevat yhä enemmän kaikkien ulottuville. Sitä, mitä ei voida kommodisoida, on organisaatioiden ymmärrys.

Yli puolet toimitusjohtajista raportoi näkevänsä vähän tai ei ollenkaan myynti- tai kustannus hyötyjä tekoälystä viimeisen vuoden aikana. Uskon, että useimmat heistä puuttuvat kontekstikerroksesta, joka sallii näille malleille päätellä, mitä organisaatio jo tietää.

Kun ohjelmistojen luominen tulee dramaattisesti helpommaksi, ymmärrys tulee harvaksi resurssiksi. Ne, jotka luovat eniten arvoa tekoälystä, ovat parempia säilyttämään, yhdistämään ja jatkuvasti oppimaan organisaatioiden tietä. Se on ero tekoälyn välillä, joka arvaa ja tekoälyn, joka tietää.