알티메트릭의 AI@Enablement 및 Adoption 글로벌 리드, 사라 필립 – 인터뷰 시리즈

사라 필립, 알티메트릭의 AI@Enablement 및 Adoption 글로벌 리드, 조직이 빠른 AI 혁신과 실제 업무에서의 채택 간의 격차를 메우는 것을 돕고 있습니다. 그녀의 업무는 AI 리터러시 프로그램, 워크플로우 Enablement 전략 및 역할 기반 교육 이니셔티브를 구축하는 것으로, 이러한 이니셔티브는 직원과 관리자가 일상 업무에서 생성적 AI를 통합하는 것을 도와줍니다. 알티메트릭에서 그녀는 ChatGPT Enterprise, OpenAI 에이전트 SDK 및 기업 규모의 AI 워크플로우와 같은 기술을 중심으로 기업 채택 프로그램을 구축하는 것을 도왔으며, 또한 “LAByrinth”라는 프로젝트 기반의 생성적 AI 시뮬레이션 플랫폼을 공동으로 개발했습니다. 이 플랫폼은 엔지니어와 기술 프로그램 관리자를 위해 설계되었습니다. 알티메트릭에 합류하기 전에, 그녀는 Nudge Coach와 같은 SaaS 플랫폼에서 고객 교육 및 구현 이니셔티브를 이끌었으며, 이는 그녀가 학습 시스템, 행동 Enablement 및 디지털 변혁에 대한 강력한 기초를 제공했습니다. 그녀의 경력은 기업 AI에서 성공이 모델 배포뿐만 아니라 직원이 AI 도구를 일상 업무에서 자신감 있게 사용할 수 있도록 하는 데越来越 많이 의존하는 趨勢를 반영합니다.

알티메트릭은 AI를 우선하는 디지털 엔지니어링 및 데이터 솔루션 회사로, 기업이 레거시 시스템을 현대화하고 비즈니스 운영 전반에서 생성적 AI를 확장하는 것을 도와줍니다. 이 회사는 금융 서비스, 헬스케어, 제조, 소매, 생명 과학을 포함한 다양한 산업에서 활동하며, 제품 엔지니어링, 클라우드 현대화, 데이터 인프라 및 AI 배포 서비스를 결합합니다. 알티메트릭은 OpenAI와의 협력을 통해 주요 기업 AI 구현 파트너로 자리 잡았으며, 에이전트 AI, 워크플로우 오케스트레이션, 거버넌스 및 프로덕션 레디 AI 시스템에 강한重点을 두고 있습니다. ALTI AI Lab은 기업 AI 애플리케이션을 프로토타입으로 개발하는 내부 혁신 허브로, 지능형 어시스턴트부터 멀티모달 워크플로우 및 AI 네이티브 비즈니스 운영까지 다양한 애플리케이션을 다룹니다. 최근 몇 년 동안, 알티메트릭은 파트너십 및 인수를 통해 공격적으로 확장하여 글로벌 엔지니어링足迹 및 기업 AI 배포 능력을 강화했습니다.

기업 변환, 학습 디자인 및 새로운 기술의 교차점에서 경력을 구축했습니다. 책임 있는 AI 채택이 기술 능력만큼 인간 Enablement에 의존한다는 것을 처음으로 확信한 결정적인 경험은 무엇입니까?

저는 일반적으로 새로운 것에 대해 늦게 채택하는 편입니다. 저는 하이프에 대한 회의적이고, 제가 하는 방식에固執적입니다. 이것은 AI에도 적용됩니다. 저는 늦게 채택했고, 처음에는 매우 느리게 움직였습니다.

저에게 변화가 일어난 것은 다른 사람들이 실제로 일상 생활과 업무에서 AI를 어떻게 사용하고 있는지 非技術적인 언어로 듣는 것이었습니다. 한 번에 저는 실제적인 마찰점에 연결할 수 있었고, 호기심이ตาม했습니다.

그 경험은 제가 변환 노력의 모든 부분에서 본 것과 같은 것을 강화했습니다. 채택은 거의 능력만으로 시작되지 않습니다. 그것은 관련성, 신뢰, 의미에서 시작됩니다. 사람들은 먼저 그們自身을 변환에서 볼 수 있어야 하며, 이것이 왜 책임 있는 AI 채택이 기술 준비만큼 인간 주도 Enablement에 의존하는지입니다.

알티메트릭의 글로벌 AI Enablement을 리드하는 역할에서, 조직은 파일럿 및 개념 증명 실험을 넘어 기업 규모의 생성적 AI 채택이 성공적으로 무엇을 의미하는지 어떻게 정의합니까?

성공적인 기업 규모의 채택은 실로에 존재하지 않습니다. 우리는 가장 일반적인 패턴 중 하나로 구분된 채택을 보는 것입니다. 한 팀은 매우 발전된 AI 성숙도를 가지고 있지만, 같은 조직 내의 다른 팀은明確한 전략이 없을 수 있으며, 단편적인 도구 또는 개인 계정을 사용할 수 있습니다. 이러한 불균일한 채택은 불일치와 위험을 생성합니다.

진정한 성공은 조직이 공유된 습관, 공유된 표준 및 연결된 작업 방식을 구축할 때 일어납니다. 이것은 상위 및 하위 변경 관리가 모두 필요합니다. 상위에서, 리더십은 방향을 설정하고, 거버넌스를 설정하고, 책임 있는, 가치 있는 채택이 무엇인지에 대한 명확성을 생성해야 합니다. 하위에서, 직원들은 AI가 그들의 일상 업무에 어떻게 적합하는지, 실제 문제를 해결하는 데 어떻게 사용할 수 있는지, 그리고 그들의 역할 내에서 어떻게 자신감 있게 사용할 수 있는지 이해해야 합니다.

성숙도의 실제 징조는 워크플로우가 팀 내에서뿐만 아니라 끝에서 끝까지 원활하게 실행되는 것입니다.

많은 조직은 생성적 AI 도구에 투자하지만, 운영화하는 데 어려움을 겪습니다.雄心과 측정 가능한 비즈니스 영향 사이에서 가장 일반적인 실행 격차는 무엇입니까?

거버넌스 소유권은 종종 불분명합니다. 누가 사용 중인 것을 문서화하고, 프롬프트 또는 워크플로우를 버전화하고, 품질을 모니터링하고, 실제로 비즈니스에서 AI가 나타나는 곳을 추적할 책임이 있습니까? 이러한 명확성이 없으면, 조직은 산재된 사용과 매우 적은 운영 규율을 갖게 됩니다.

많은 조직은 실제로 어떤 종류의 AI 사용을 권장하고 싶은지 결정하지 못했습니다. 그들은 역할별 프롬프팅習慣, 개인 생산성 사용 사례, 또는 정의된 워크플로우에 연결된 에이전트를 목표로 하는지 여부를 결정하지 못했습니다. 이러한 것이 명확하지 않으면, Enablement는 모호하게 남아 있고, 영향은 측정하기 어렵게 됩니다.

또한 론칭과 실제 업무 사이에 분리된 연결이 종종 존재합니다. 회사는 AI가 실제로 의미 있는 방식으로 마찰을 제거하거나, 품질을 개선하거나, 실행을 가속화할 수 있는 순간을 식별하기 전에 도구에 투자합니다.雄心은 쉽지만, 운영화는 구체성이 필요합니다.

您는 고위幹部 팀과密接하게 협력합니다. C수준에서 효과적인 AI 유창성은 무엇이며, 리더십 행동이 조직 전체에 어떻게 영향을 미칩니까?

모델링, 호기심, 그리고 初學者的心態와 같습니다. 리더들이 그들의 보고라인과 함께 있는 방에서 취약한 모습을 보이는 것입니다.

가장 큰 차이를 만드는 리더들은 初學者的心態를 보이는 것입니다. 그들은 공개적으로 배우려 합니다. 그들은 “저도 아직 이것을 배우고 있습니다”라고 말할 수 있습니다. 이러한 취약성이人们을 실감하게 합니다. 왜냐하면, 그것은 다른 모든 사람에게 전문가가 되기 전에 참여할 수 있는 허가를 주기 때문입니다.

리더십 행동이 조직의 분위기를 결정합니다. 고위幹部가 AI를 측면 실험으로 취급한다면, 조직도 그렇게 할 것입니다. 그들이慎重하게 사용하고, 실제적인 질문을 하고, 공개적으로 배울 것을 투자한다면, 채택은 문화적으로 더 안전해집니다. 자신감은 기업에서 AI를 확장하는 데 있어 능력만큼 중요합니다.

생성적 AI를 위한 구조화된 실험 프레임워크는 실제로 무엇을 의미하며, 회사는 어떻게 혁신을 권장하면서도 단편화 또는 위험 노출을 피할 수 있습니까?

우리는 실제 워크플로우의 마찰점에서 시작하고자 합니다. 팀은 반복적인 작업, 의사 결정 병목 또는 기존 지식 격차를 식별하도록 격려해야 합니다. 그로부터, 조직은 비즈니스 관련성, 실현 가능성 및 위험에 따라 실험을 우선순위로 정할 수 있습니다.

가장 건강한 환경은 사람들이 안전하게 시도하고, 무엇이 작동하는지 공유하며, 고립된 상태에서 바퀴를 재발명하지 않는 환경입니다.

您는 LAByrinth라는 생성적 AI 프로젝트 시뮬레이터를 공동으로 개발했습니다. 이 시뮬레이터는 엔지니어에게 AI 도구를 사용하여 구축하는 실제 경험을 제공하는 안전하고 안내된 환경을 제공합니다. 무엇이 이 프로젝트의 창작을 영감했으며, 시뮬레이션 기반 학습은 실제 세계의 AI 능력을 어떻게 가속화합니까?

저는 항상 실제 경험을 통해 학습하는 것을 좋아했습니다. 특히, 예술 스튜디오 환경에서 존재하는 “어깨 위에서” 멘토링과 같은 형태입니다.

마틴 가이더와 제가 이 아이디어를 논의하기 시작했을 때, 전체 프로젝트는 매우 재미있게 만들었습니다. 그것은 사람들이 풀어야 할 퍼즐을 만드는 것과 같았습니다. 사람들이 새로운 자료를 interessant하게 찾을 때, 그들은 더 참여할 가능성이 있습니다. AI의 경우, 이것이非常히 중요합니다. 왜냐하면 실제 능력은 도구가 무엇을 할 수 있는지 알지만, 어떻게 생각적으로 그리고 안전하게 사용할 수 있는지에 대한 것입니다.

企業は 생성적 AI 시대에 워크포스 업스킬링에 어떻게 다르게 접근해야 합니까? 이전의 디지털 변환 波에 비해 어떻게 달라집니까?

협력적이고 창의적으로. Notebook LM이나 Figma와 같은 도구가 있습니다. 우리는 슬라이드 덱을 사랑하지만, 우리는 또한 상호작용형 워크북, 애니메이션 비디오 및 교육 커리큘럼을 전달하는 다른 방법을 만듭니다.

개인적으로, 저는 인포그래픽과 다른 시각적인 자료로 가장 잘 배웁니다.

책임 있는 AI는 종종 거버넌스 및 컴플라이언스와 관련이 있습니다. Enablement 관점에서, 일상적인 워크플로우에서 책임 있는 채택은 무엇을 의미합니까?

도구를 사용하는 사람들과 함께 상담하여 무엇이 유용한지 확인하고, 모든 사용자가 정책이 실제로 무엇을 의미하는지 이해하도록 합니다. 책임 있는 채택은 인간이 주도하는 모델을 의미합니다. AI는 초안을 작성하거나, 요약하거나, 분석하거나, 가속화할 수 있지만, 사람들은 여전히 판단, 품질 확인 및 최종 결정의 소유권을 갖습니다. 이러한 인간의 책임이 핵심입니다.

책임 있는 채택은 또한 자신감에 의존합니다. 식별력은 경험에서 옵니다. 따라서 조직은 직원이 실제 유창성을 얻을 수 있도록 낮은 위험, 비판적이지 않은 공간을 제공해야 합니다. 사람들이 생각적인 판단을 내릴 수 있을만큼 실제 경험을 얻으면, 책임 있는 사용은 추상적인 것이 아니라 습관적인 것이 됩니다.

생성적 AI가 빠르게 진화하는 경우, 조직은 어떻게 Enablement 프로그램을 설계하여 몇 개월 내에 구식이 되지 않도록 할 수 있습니까?

도전이지만, 많은 훌륭한 도구가 있습니다.

가장 큰 실수는 Enablement을 현재 도구 풍경에 완전히 구축하는 것입니다.

우리는 도구에 중립적인 훈련을 제공하는지 여부를经常 묻습니다. 答은 예입니다. 절대적으로. 우리는 지속 가능한 AI 기술에 중점을 두고, 조직이 오늘 사용하는 도구 내에서 그 기술을 적용하는 방법을 가르칩니다. 이러한 접근 방식은 프로그램에 훨씬 더 긴 수명을 제공합니다.

적응 가능한 Enablement은 또한 모듈식이어야 합니다. 분수입니다. 훈련을 일회성 이벤트로 생각하는 대신, 조직은 계층으로 생각해야 합니다. 기초 리터러시, 역할 기반 적용, 고급 실험 및 도구 및 우선순위가 변경됨에 따라 지속적인 업데이트를 포함합니다.

앞으로 2년 동안 기업 AI 채택의 다음 단계를 정의할 주요 변화를 어떻게 믿습니까?

역할 기반 및 에이전트 기반입니다. 기업은 이미 에이전트를 사용하는 것을 받아들이고 있습니다. 이러한 조직은 기술 팀이 이種 AI 사용을 구축하고 거버넌스하는 데 필요한 모든 방법으로 업스킬링되도록 하려 합니다.

감사합니다. 더 많은 정보를 원하는 독자는 알티메트릭을 방문할 수 있습니다.