Costruire un luogo di lavoro nativo dell’AI: lezioni dalla prima linea

Cosa fareste se steste correndo una gara di 10K, lottando per salire una collina difficile, e improvvisamente le regole della gara cambiano? Cosa fareste se i conducenti iniziassero a prendere i corridori in macchina e poi gareggiassero tra loro per raggiungere il traguardo? Continuereste a correre, sapendo bene che finireste indietro nel gruppo? O salireste in macchina, azionereste il gas e gareggereste per il gran premio?

Nel business di oggi, l’AI è quella macchina che sta disturbando il modo in cui le aziende funzionano. Le aziende possono ancora scegliere di andare avanti come hanno sempre fatto – sviluppando piani a lungo termine, attenendosi ai processi, spingendo i dipendenti a lavorare più duramente che mai per avere successo in ambienti sempre più competitivi. Ma l’AI sta cambiando la natura della gara. Sta dando alle aziende un nuovo veicolo per muoversi più velocemente e dare ai lavoratori nuove rotte per superare i problemi. Qualsiasi azienda che non prenda il timone e non instilli il potere dell’AI nel proprio lavoro sarà lasciata indietro su quella lunga e ripida collina.

Abbracciare il futuro diventando un manager di AI

Qui a Cockroach Labs, abbiamo imparato molto velocemente che l’AI di generazione può aiutarci a fare cose che non avremmo mai pensato possibili. L’abbiamo utilizzata in tutta l’azienda per la ricerca di AI di generazione, sistemi di raccomandazione e ricerca semantica.

Uno dei migliori esempi di come l’AI possa trasformare un processo di lavoro è in atto nel nostro dipartimento di istruzione. Il nostro team sta utilizzando l’AI per accelerare lo sviluppo di curricula che aiutano i clienti, i partner e la nostra stessa forza lavoro a diventare esperti nell’uso della nostra linea di prodotti di database.

Abbiamo recentemente creato un corso che presentava 21 esercizi pratici e 20 slide con note dettagliate per gli studenti. Prima di iniziare il progetto, abbiamo stimato che, utilizzando il nostro processo di sviluppo normale – considerando le stime standard dell’industria per quanto tempo ci vuole ai developer per produrre un’ora di contenuto – questo sarebbe stato completato in tre o cinque mesi.

Cosa è successo? Incorporando l’AI di generazione nei nostri processi esistenti, siamo stati in grado di finire il compito in cinque settimane.

Nel processo, abbiamo imparato una serie di lezioni.

• Siamo tutti manager di AI. Ognuno di noi ha l’opportunità di pensare molto diversamente utilizzando l’AI. Ognuno di noi dovrebbe agire come manager, sia che abbia rapporti diretti o meno, perché gestiamo una capacità di intelligenza virtualmente illimitata che possiamo mettere al lavoro su progetti impegnativi. Quanto puoi automatizzare? Quanto puoi essere creativo? Quanto efficacemente puoi sollecitare il tuo strumento AI, sfidarlo e distribuire il nuovo modello che genera? Puoi controllarlo. Puoi gestirlo. Puoi fare essenzialmente quanto ti permette la tua capacità personale.
• Non aspettatevi che l’AI faccia tutto. Ci sono compiti per cui non è adatta. Ma puoi assegnarle compiti che i lavoratori non dovrebbero più fare – lavori che sono impegnativi, ma richiedono ancora un certo grado di intelligenza.
• Non accettate ciecamente i risultati che produce. Controllate, controllate e ricontrollate. Fidatevi della tecnologia, ma verificate sempre – perché l’accuratezza trasforma le ipotesi in risultati.

Il processo passo dopo passo per il deploy di AI per la gestione dei compiti

Ecco un riassunto rapido di alcuni dei modi in cui l’AI ci ha aiutato a salire la collina, fino al traguardo, molto più velocemente di quanto ci aspettassimo.

• Modelli diversi: I modelli diversi hanno punti di forza diversi. Quindi, proprio come i produttori utilizzano componenti best-in-class quando costruiscono una soluzione, sentitevi liberi di scambiare modelli quando ha senso sfruttarne i punti di forza. Abbiamo utilizzato Claude Sonnet 3.5 per creare la prima bozza dell’esercizio perché eccelleva nella creazione di prosa e istruzioni coinvolgenti. Abbiamo utilizzato ChatGPT 4o&”o modelli di ragionamento come revisori tecnici per raffinare i comandi e garantire l’accuratezza tecnica nella seconda bozza.
• Risultati riproducibili: Quando si eseguono compiti altamente tecnici, abbiamo voluto essere in grado di imporre chiare limitazioni tecniche e produrre output strutturati che supportassero risultati riproducibili. Per farlo, abbiamo fornito requisiti di struttura espliciti e esempi di formato.
• Prompt per compiti altamente tecnici: Siate molto specifici su cosa chiedere all’AI di fare – altrimenti può fare cose folli. Dichiarate chiaramente eventuali ipotesi sugli input o sulle condizioni ambientali e chiedete al modello di gestire casi inaspettati.

• Prompt raffinati: È importante incoraggiare gli strumenti AI a fare domande di chiarimento. I primi prompt non saranno perfetti, quindi aspettatevi più round. Incorporate eventuali miglioramenti o passaggi che il modello suggerisce nel vostro prompt di base e iterate con l’AI e i vostri colleghi.
• Test, test, test: I controlli di coerenza sono cruciali. Un modo per misurare l’efficacia del vostro prompt è assicurarsi che l’output sia coerente. Quindi, abbiamo testato spesso per assicurarci di inserire lo stesso input e che l’output rimanesse lo stesso.

La competenza umana al timone: il ruolo essenziale della supervisione dell’AI

Mentre l’AI rimuove compiti impegnativi dalla giornata dei lavoratori, non li rimuove completamente dai flussi di lavoro. Gli esseri umani continuano a svolgere ruoli critici nel nostro sviluppo del curriculum e devono essere integrati nei processi guidati dall’AI per garantire che i processi abbiano successo.

Un buon esempio è nel modo in cui il nostro team di istruzione esegue l’ingegneria dei prompt. Gli esseri umani sono responsabili della creazione del prompt iniziale, inclusa il contesto da fonti rilevanti. Quindi, dopo che lo strumento Gen AI esegue il prompt, l’essere umano esamina l’output dello strumento. È essenziale che questa persona sia un esperto del settore che possa individuare errori precocemente nel processo. I colleghi continuano a collaborare con lo strumento e iterare fino a quando il team non è soddisfatto che il prompt sia pronto per la pubblicazione.

Sebbene questa collaborazione umana/AI si sia rivelata efficace, richiede un essere umano per gestire il contesto e le transizioni tra i modelli.

Senza esseri umani nel ciclo, i team sarebbero alla mercé degli strumenti AI che possono essere notoriamente inaffidabili. Quando abbiamo iniziato il nostro progetto di curriculum, gli strumenti hanno fatto bene nel riassumere o spiegare concetti, dati i contesti giusti. Tuttavia, hanno spesso “allucinato”. Oggi i modelli sono migliori nel ragionamento, ma un essere umano deve ancora gestire il processo. Ora, gli esseri umani possono concentrarsi sulla revisione e sulla creatività e non solo sulla gestione del processo.

In futuro, gli agenti AI svolgeranno un ruolo più grande nel processo. Invece di far sì che gli esseri umani raccolgano manualmente il contesto dalle fonti, creino prompt con contesto, spostino il lavoro tra i modelli AI e verifichino e raffinino gli output, stiamo sviluppando agenti che possano eseguire molti di questi compiti – con un po’ di aiuto. L’agente può raccogliere e elaborare autonomamente materiali di origine come contesto, generare tassonomie di competenze e linee guida del corso, eseguire i nostri flussi di lavoro stabiliti e presentare solo punti di decisione chiave agli esperti umani.

Conclusione

Mentre le corse veloci sono grandi per mantenere la forma, le auto hanno da tempo trasformato la capacità degli esseri umani di arrivare dove devono andare. L’AI sta fornendo gli stessi vantaggi nel luogo di lavoro – aiutando le aziende a migliorare i processi e generare risultati migliori. Coloro che l’abbracciano e ne sfruttano i guadagni di efficienza composti lasceranno gli competitor indietro.