GenAI-käyttöönoton haasteiden navigointi

GenAI-pohjaisen ohjelmistokehityksen tuottavuuden ja työn tehokkuuden parantaminen on todennäköistä – kysymys on, kuinka paljon? Useimmat markkinatutkimukset aiheesta osoittavat merkittäviä tuottavuuden parannuksia. Harvardin tutkimus osoitti, että asiantuntijat näkivät 43%:n tuottavuuden lisäyksen, riippuen tehtävistä ja senioriteetista. Goldman Sachs -raportti puolestaan arvioi, että tuottavuus voisi kasvaa 1,5 prosenttiyksikköä GenAI:n jälkeen kymmenen vuoden laajan käyttöönoton jälkeen, mikä vastaa lähes kaksinkertaista Yhdysvaltain tuottavuuden kasvua. Vaikka nämä löydökset ovat oivallisia, useimmat niistä tulevat kontrolloiduista ympäristöistä, jotka eivät välttämättä heijasta todellisten käyttötapauksien monimutkaisuutta.

Jotta voidaan paremmin vastata siihen, kuinka paljon GenAI voi parantaa tuottavuutta ohjelmistokehityksessä, johtava digitaalisen muutospalvelujen ja tuotekehitysyhtiö päätti tallentaa käytännön havaintonsa ja näkemyksensä äskettäisestä laajasta GenAI-käyttöönottohankkeesta yhdessä asiakkaansa kanssa. Tämä asiakas halusi ottaa GenAI:n käyttöön 10 kehitystiimin työprosesseissa kolmessa työvirrassa, joka käsitti yli 100 asiantuntijaa. Nämä todelliset löydökset paljastavat monia haasteita, joita yritykset kohtaavat matkalla, ja korostavat yrityksen laajan tiestön tarpeen GenAI:n käyttöönoton skaalaukseen.

Vastuu asiantuntijoiden negatiivisista asenteista ja odotuksista

Monet haasteet voivat viivästyttää GenAI-projektin onnistumista, kuten oikeudelliset ja sääntelymäiset huolenaiheet, prosessointikapasiteetin puute, turvallisuus ja yksityisyys jne. Kuitenkin suurin este, jota havaittiin tässä laajassa käyttöönotossa, oli asiantuntijoiden asenteet ja odotukset teknologioiden suhteen. Käyttöönoton aikana insinööritoimisto havaitsi, että asiakkaan asiantuntijat olivat tiettyjä odotuksia GenAI:sta ja siitä, miten se parantaisi heidän työtään. Kun nämä alkuperäiset odotukset eivät vastanneet tuloksia laadun tai suoritusajan suhteen, he kehittivät negatiivisia asenteita teknologioita kohtaan. Erityisesti kun GenAI ei, heidän sanojensa mukaan, “tehnyt työtä heidän puolestaan”, he vastasivat kommentteja, kuten: “Odotin parempaa ja en halua enää tuhlata aikaani.”

Yritysten on muutettava käsityksiä ja siirryttävä uuteen työkulttuuriin, joka estää näiden negatiivisten asenteiden ilmenemisen ja hidastamasta käyttöönottoa ja tarkin mitattavuutta. Kyselyt ja arviot ovat tehokas keino kartoittaa ja luokitella asiantuntijoiden asenteita ja havaittuja sitoutumisia. Siitä lähtien yritysten on ryhmiteltävä asiantuntijoita heidän tunteidensa perusteella GenAI:ta kohtaan. Sitten yritykset voivat luoda räätälöityjä muutosjohtamisstrategioita kullekin ryhmälle edistääkseen onnistunutta AI-integraatiota; esimerkiksi skeptisimmät asiantuntijat saavat enemmän huomiota ja hoitoa kuin neutraalit asiantuntijat.

Tilasto realististen projektien monimutkaisuudet

Toiseksi häiritsevin haaste oli GenAI:n vaikutuksen tarkin mittaaminen tuottavuuteen ja samalla huomioon ottaa realististen projektien monimutkaisuudet. Kontrolloiduissa ympäristöissä on helppo arvioida GenAI:n vaikutusta – kuten mainittiin aiemmin, tällaiset testit eivät kuitenkaan ottaa huomioon tiettyjä muuttujia ja epäjohdonmukaisuuksia. Projekteja ei voi jäädyttää. Ne kehittyvät jatkuvasti. Organisaatio saattaa olla tilanteessa, jossa on vaihtuvia asiantuntijoita lomien ja sairastumisten vuoksi tai äkillisiä muutoksia prioriteeteissa. Asiantuntijat eivät myöskään aina työskentele tietyissä projektitoimissa, joissa GenAI:n vaikutus voi olla eniten hyödyllistä, koska heillä on kokouksia, sähköposteja ja muita tehtäviä, jotka usein jäävät huomiotta tuottavuuden mittaamisessa. Nämä epäjohdonmukaisuudet ja muuttujat on otettava huomioon, kun mitataan GenAI:n vaikutusta ohjelmistokehitykseen objektiivisesti.

Muita parhaita käytäntöjä ovat tehtävienhallintatyökalujen integroiminen työvirtoihin, jotta voidaan nähdä, kuinka kauan tehtävät ovat kussakin tilassa, määrittääksesi ei-tekniikkaisten asiantuntijoiden tuottavuuden ja tehokkuuden. Lisäksi liiketoimintatiedon ratkaisut voivat kerätä automaattisesti tietopisteitä, vähentäen virheitä ja säästäen aikaa. Organisaatiot voivat myös lieventää realististen projektien monimutkaisuutta ja varmistaa GenAI:n vaikutuksen tarkin arvioimisen tuottavuuteen soveltamalla perusteellisia tietojen puhdistusmenetelmiä.

Yrityksen laajuinen tiekartta: Mittaaminen tarkasti

Tämä laaja GenAI-käyttöönotto korosti myös yrityksen laajuisen tiestön arvoa, joka merkitsee integraation alun ja lopun. Yritysten on huomioitava, että tämän tiestön tärkeä osa on määritellä mitat, joita käytetään perus- ja lopputilannevaiheissa. Kymmeniä eri mittareita voidaan käyttää arvioimaan GenAI:n vaikutusta tuottavuuteen, mukaan lukien, mutta ei rajoittuen, nopeus aikaa kohti, läpäisy, keskimääräinen uudelleen työskentely ja koodin tarkasteluaika, koodin tarkastelun epäonnistumis- ja hyväksymisprosentit, vikojen korjaamiseen käytetty aika jne.

Määriteltäessä näitä mittareita yritysten on jaettava ne objektiivisiin ja subjektiivisiin kategorioihin. Yritykset voivat myös käyttää tietoja tehtävien seurantatyökaluista, kuten Jirasta, objektiivisille mittareille. Lisäksi heidän on ylläpidettävä ja noudatettava laadun virtoja, ajankohtaisia tehtävien päivityksiä ja perusteellisia vaiheiden valmistumisia. Muistakaa, että subjektiiviset mittarit, kuten asiantuntijoiden ja koepilottien kyselyt, auttavat yrityksiä ymmärtämään omaksumisen tasoa ja korrelaatioita objektiivisten mittareiden kanssa. Taajuuden kannalta mittaukset on tehtävä säännöllisesti ja ajoitettuna, ei harvoin ja satunnaisesti. Lisäksi hankkeen löydökset korostavat sellaisten mittareiden, kuten keskimääräisen päivittäisen vaikutuksen, koetun taituruuden, suorituskyvyn muutosten, työn kattavuuden, AI-työkalujen käytön ja keskeytymättömän työnvirran, hyödyllisyyttä mittaamaan omaksumisen edetessä.

Yrityksen laajuinen tiekartta jatkuu: Oppiminen ja kulttuurin kehittyminen laajassa mittakaavassa

GenAI:n vaikutuksen tarkan mittaamisen lisäksi toinen olennainen osa onnistuneen tiestön osa on, että se ajaa jatkuvaan oppimiseen ja AI-taituruuteen erilaisin koulutus- ja valmennusstrategioiden kautta. Nämä aloitteet lopulta edistävät yrityksen laajuista oppimiskulttuuria, mahdollistaen AI:n omaksumisen laajasti koko yrityksessä. Erilaisia strategioita ovat työryhmien luominen, jotka keskittyvät siihen, missä ja miten yritys voi hyödyntää GenAI:ta, sekä yksilöiden rohkaiseminen jakamaan, mitä toimii ja mitä ei. Lisäksi on hyödyllistä asettaa kasvu- ja kehitystavoitteita yksilö- ja tiimikohtaisilla oppimispoluilla.

Yritykset voivat myös luoda kulttuurin, joka omaksuu helposti uusia GenAI-teknologioita, korostamalla nopeita voittoja. Nämä osoittavat GenAI:n voiman laajemmalle organisaatiolle ja epäröiville skeptikoille. Yritysten on myös asetettava turvallisuusohjeet ja säännöt AI:n kanssa työskentelylle, jotta tiimit voivat kokeilla ja tutkia uusia lähestymistapoja ilman, että altistavat yritystä riskeille. Lisäksi organisaatioiden on noudatettava teollisuuden standardeja ja muita parhaita käytäntöjä käsittelyssä muutoksenhallintaa yksilöiden ja tiimien tasolla tehtävissä ja työkaluissa.

Pitääkö ihmiset keskuksessa

Kaksi tärkeintä johtopäätöstä tästä todellisesta käyttöönotosta ovat: ensinnäkin, GenAI voi johtaa merkittäviin tuottavuuden parannuksiin oikean strategian ja tiestön puitteissa; toiseksi, tällainen integraatio on epäkiistäen inhimillinen elementti, jota yritysten on otettava huomioon asianmukaisesti. GenAI muuttaa lopullisesti, miten asiantuntijat suorittavat päivittäisiä tehtäviä. On myös mahdollista, että GenAI saattaa tehdä joillekin asiantuntijoille tunteen uhkaavuudesta teknologian suhteen, mikä voi aiheuttaa vastustusta omaksumiselle. Lopulta, onnistuneen GenAI-käyttöönoton avain on selkeästi inhimillinen. On tärkeää, että yritykset ymmärtävät tämän syvyyden, koska ihmiset operationalisoivat teknologian, lukitsevat sen käytännön arvon.