Mengatasi Tantangan Implementasi GenAI

Pengembangan perangkat lunak yang didukung oleh GenAI (Generative AI) akan meningkatkan produktivitas dan efisiensi kerja – pertanyaannya adalah, seberapa besar? Sebagian besar penelitian pasar tentang topik ini menunjukkan peningkatan produktivitas yang signifikan. Penelitian dari Harvard menemukan bahwa spesialis, tergantung pada tugas dan senioritas, mengalami peningkatan produktivitas sebesar 43%. Demikian pula, laporan dari Goldman Sachs menyebutkan bahwa produktivitas dapat meningkat sebesar 1,5 poin persentase dengan GenAI setelah sepuluh tahun adopsi luas, yang setara dengan hampir dua kali lipat laju pertumbuhan produktivitas AS. Meskipun memberikan wawasan, sebagian besar temuan ini berasal dari pengaturan yang terkendali yang tidak selalu mencerminkan nuansa kasus penggunaan nyata.

Untuk menjawab seberapa besar GenAI dapat meningkatkan produktivitas dalam pengembangan perangkat lunak, sebuah perusahaan layanan transformasi digital dan rekayasa produk terkemuka memutuskan untuk merekam temuan praktis dan wawasan dari proyek implementasi GenAI skala besar dengan salah satu klien mereka. Klien ini ingin mengadopsi GenAI ke dalam proses kerja 10 tim pengembangan di tiga alur kerja, yang melibatkan lebih dari 100 spesialis. Temuan nyata ini mengungkapkan berbagai tantangan yang akan dihadapi bisnis selama perjalanan; selain itu, mereka menekankan pentingnya peta jalan perusahaan untuk mengukur adopsi GenAI secara akurat.

Mengatasi Sikap dan Harapan Negatif Spesialis

Banyak tantangan dapat menunda keberhasilan proyek GenAI, seperti masalah hukum dan regulasi, kekurangan kapasitas pemrosesan, keamanan dan privasi, dll. Namun, hambatan terbesar yang dihadapi selama implementasi skala besar ini adalah sikap dan harapan spesialis terhadap teknologi. Selama implementasi, perusahaan rekayasa mengamati bahwa spesialis klien memiliki harapan tertentu tentang GenAI dan bagaimana itu akan meningkatkan pekerjaan mereka. Ketika harapan awal ini tidak sesuai dengan hasil terkait kualitas atau waktu eksekusi, mereka akan mengembangkan sikap negatif terhadap teknologi. Khususnya, ketika GenAI tidak, dalam kata-kata mereka, “Melakukan pekerjaan untuk saya,” mereka akan merespons dengan komentar seperti: “Saya mengharapkan lebih baik dan tidak ingin membuang waktu saya lagi.”

Bisnis harus menggeser persepsi dan beralih ke budaya kerja baru yang mencegah sikap negatif ini dari muncul dan menghambat adopsi serta pengukuran yang akurat. Survei dan penilaian adalah sarana yang efisien untuk memetakan dan mengategorikan sikap dan keterlibatan yang dirasakan oleh spesialis. Dari sana, perusahaan harus mengelompokkan spesialis berdasarkan perasaan mereka terhadap GenAI. Kemudian, bisnis dapat membuat pendekatan manajemen perubahan yang disesuaikan untuk setiap kelompok untuk mempromosikan integrasi AI yang sukses; misalnya, spesialis yang paling skeptis akan menerima perhatian dan perawatan lebih banyak daripada spesialis netral.

Mengakomodasi Kompleksitas Proyek Dunia Nyata

Tantangan kedua yang paling menghambat adalah mengukur dampak GenAI pada produktivitas secara akurat sambil mengakomodasi kompleksitas proyek dunia nyata. Dalam lingkungan yang terkendali, lebih mudah untuk mengukur pengaruh GenAI – namun, seperti disebutkan sebelumnya, tes tersebut tidak mempertimbangkan beberapa variabel dan inkonsistensi. Proyek tidak stagnan. Mereka berkembang terus-menerus. Suatu organisasi mungkin memiliki situasi di mana mereka memiliki spesialis yang bergilir karena jadwal liburan dan hari sakit atau perubahan prioritas yang tiba-tiba. Spesialis juga tidak selalu bekerja pada kegiatan proyek spesifik di mana dampak GenAI dapat paling bermanfaat karena mereka memiliki pertemuan untuk dihadiri, email untuk dijawab, dan tugas lain di luar cakupan sprint yang sering diabaikan dalam pengukuran produktivitas. Inkonsistensi dan variabel ini harus diperhitungkan ketika secara objektif mengukur dampak GenAI pada pengembangan perangkat lunak.

Praktik terbaik lainnya termasuk mengintegrasikan alat manajemen tugas ke dalam alur kerja untuk melihat berapa lama tugas tetap dalam setiap status untuk menentukan produktivitas dan efisiensi spesialis non-teknis. Demikian pula, solusi intelijen bisnis dapat mengumpulkan poin data secara otomatis, mengurangi kesalahan dan menghemat waktu. Selain itu, organisasi dapat memitigasi kompleksitas proyek dunia nyata dan memastikan evaluasi yang lebih akurat tentang dampak GenAI pada produktivitas dengan menerapkan praktik pembersihan data yang menyeluruh.

Peta Jalan Perusahaan: Mengukur Secara Akurat

Implementasi GenAI skala besar ini juga menyoroti nilai peta jalan perusahaan yang menandai awal dan akhir integrasi. Bisnis harus mencatat bahwa elemen kunci dari peta jalan ini adalah mendefinisikan metrik yang akan digunakan untuk tahap pelaporan awal dan akhir. Beberapa metrik dapat membantu menilai dampak GenAI pada produktivitas, termasuk, tetapi tidak terbatas pada, kecepatan waktu, throughput, rata-rata perbaikan dan waktu tinjauan kode, tingkat kegagalan dan penerimaan tinjauan kode, waktu yang dihabiskan untuk memperbaiki bug, dll.

Setelah mendefinisikan metrik ini, perusahaan harus mengklasifikasikan metrik tersebut ke dalam kategori objektif dan subjektif. Bisnis dapat menggunakan data dari alat pelacakan tugas seperti Jira untuk metrik objektif. Demikian pula, mereka harus memelihara dan mematuhi aliran kualitas, pembaruan tugas yang tepat waktu, dan penyelesaian tahap yang menyeluruh. Ingatlah bahwa metrik subjektif, seperti survei spesialis dan pilot, akan membantu bisnis memahami tingkat adopsi dan korelasi dengan pengukuran objektif. Dari perspektif frekuensi, pengukuran harus rutin dan terjadwal, bukan jarang dan acak. Selain itu, temuan proyek menekankan manfaat metrik seperti dampak harian rata-rata, kemampuan yang dirasakan, perubahan kinerja, cakupan kerja, penggunaan alat AI, dan alur kerja tanpa gangguan untuk mengukur kemajuan adopsi.

Peta Jalan Perusahaan Lanjutan: Pengembangan Belajar dan Budaya pada Skala

Selain mengukur dampak GenAI secara efektif, komponen lain yang sangat penting dari peta jalan yang sukses adalah bahwa itu mengarahkan pembelajaran berkelanjutan dan kefasihan AI melalui berbagai strategi pelatihan dan coaching. Inisiatif ini pada akhirnya akan memupuk budaya pembelajaran perusahaan yang memungkinkan adopsi AI pada skala besar di seluruh perusahaan. Strategi yang beragam termasuk membuat kelompok kerja yang fokus pada di mana dan bagaimana perusahaan dapat memanfaatkan GenAI serta mendorong individu untuk berbagi apa yang berhasil dan tidak. Juga, bermanfaat untuk menetapkan prioritas pertumbuhan dan pengembangan yang disertai dengan jalur pembelajaran pada tingkat individu dan tim.

Cara lain perusahaan dapat membangun budaya yang siap mengadopsi teknologi GenAI baru adalah dengan menyoroti kasus penggunaan yang sukses. Ini akan menunjukkan kekuatan GenAI kepada organisasi yang lebih besar dan skeptis yang enggan. Bisnis harus juga menetapkan pedoman keamanan dan aturan untuk berinteraksi dengan AI untuk memberdayakan tim untuk bereksperimen dan menjelajahi pendekatan baru tanpa membahayakan perusahaan. Demikian pula, organisasi harus memastikan kepatuhan terhadap standar industri dan praktik terbaik lainnya sambil mengatasi manajemen perubahan di antara individu dan tim pada tingkat tugas dan alat.

Menjaga Orang di Pusat

Dua kesimpulan terpenting dari implementasi nyata ini adalah: pertama, GenAI dapat menyebabkan peningkatan produktivitas yang substansial dalam kerangka strategi dan peta jalan yang tepat; kedua, integrasi seperti itu memiliki elemen manusia yang tak terbantahkan yang perusahaan harus tangani dengan tepat. GenAI akan selamanya mengubah cara spesialis melakukan tugas sehari-hari. Juga mungkin bahwa GenAI dapat membuat beberapa spesialis merasa terancam oleh teknologi yang mungkin menyebabkan resistensi terhadap adopsi. Pada akhirnya, kunci keberhasilan implementasi GenAI tetap berada pada aspek manusia. Sangat penting bagi bisnis untuk memahami kedalaman ini, karena manusia yang mengoperasikan teknologi, membuka nilai praktisnya.