오피니언
가장 나쁜 첫 번째 업무는 가시성이 높은 업무입니다
Unite.AI를 Google의 선호 소스에 추가
회사는 첫 번째 에이전트 업무를 선택할 때 일반적으로 동일한 방식을 사용합니다. 누군가가 우리에게 무엇을 할 수 있는지 물어보면, 모두가 상상할 수 있는 작업을 선택합니다. 블로그 글을 쓰고, 고객에게 답변하고, 받은 편지함을 처리하는 것입니다. 이 작업은 건물 안에서 가장 가시성이 높은 작업이므로 가장 먼저 생각나는 것입니다.
6개월 후에 파일럿은 조용히 중단되고 기술이 준비되지 않았기 때문에 결론이 나옵니다. 기술은 괜찮았습니다. 작업 선택이 문제였으며 가시성이 그것을 나쁜 작업으로 만든 것입니다.
어려운 작업을 만드는 세 가지 것, 그리고 가시성이 높은 작업은 모두 세 가지를 가지고 있습니다
에이전트에게 작업이 쉬울 때는 올바른 답이 있고, 나쁜 출력의 비용이 낮으며, 건물 안에 이미 작업을 하는 사람이 있기 때문에 작업이 쉽습니다.
고객과 대면하는 글쓰기는 첫 번째 테스트에 실패합니다.
“이 블로그 글은 좋은가?”라는 질문에는 정답이 없습니다. 오직 한 사람이 즉시 인식할 수 있는 잘못된 버전을 가진 선호도만 있습니다. 그 간격은 대부분의 품질 불만이 실제로 존재하는 곳입니다.
고객과 대면하는 모든 것은 두 번째 테스트에 실패합니다.
내부 요약이 나쁘면 누군가 4분을 소비합니다. 고객에게 답변을 잘못하면 관계가 손상되고, 때때로 규제 대화가 발생합니다. 실패의 비용은 작업에 필요한 감독의 정도를 결정하며, 감독은 에이전트를 운영하는 비싼 부분입니다.
가시성이 높은 작업은 일반적으로 세 번째 테스트에 실패하지만, 아무도 늦게까지 인식하지 못합니다.
출력을 판단할 수 있는 사람은 가장 귀한 자원인 상급자의 주의를 필요로 합니다. 검토 큐에 작업을 할당하는 것은 가장 비싼 달력을 사용하는 것입니다.
성공적인 첫 번째 업무는 어떤 모습일까요?
그들은 지루합니다. 그것이 패턴이며, 계획을 세울 수 있을 만큼 일관성이 있습니다.
NTT DATA 그룹이 조직 전체에 에이전트 도구를 확장했을 때, 는 고객 경험과는 관련이 없는 내부 엔지니어링 작업이었습니다. OpenAI의 배포에 대한 설명은 이전에 5명의 경험丰富한 엔지니어가 3일 동안 수행한 복잡한 사고 분석을 30분 만에 완료한 것을 설명합니다. 그 결과, 글은 “선배 리더들의 주목을 끌었고 초기 증거가 되었습니다”라고 말합니다.
그 작업의 모양을 확인하세요. 사고 분석에는 정답이 있으며, 이는 조직이 확인할 수 있는 답변입니다. 이전에 수행한 작업이기 때문에 이전에 수행한 사람들은 여전히 있습니다.
그것은 반복됩니다. 그것은 고객 앞에 있지 않고 회사 시스템 안에 있습니다. 또한 “완료”의 기준은 분석이 증거에 부합하는지 여부입니다. 이는 취향이 아닌 답변을 가진 질문입니다.
그것을 대부분의 회사에서 처음으로 제안하는 작업과 비교하세요. 블로그 글에는 정답이 없으며, 저렴한 시간을 가진 심판이 없으며, 대중이 있습니다.
순서가 중요합니다. NTT DATA는 ChatGPT Enterprise를 회사 전체에 먼저 롤아웃했으며, 내부 설문조사에서 응답자의 96% 이상이 만족한다고 답했으며 95% 이상이 생산성 향상을 보고했습니다.
그 일상적인 사용을 통해 글은 “직원이 AI와 협력하기 위한 연구, 글쓰기, 콘텐츠 생성에 대한 습관을 구축했다”고 말합니다. 이러한 습관은 “조직이 다음 단계를 준비했다”는 것을 의미합니다. 명확하게 정의된 작업을 위임하는 것입니다.
리더십 교훈은 정확히 그와 같은 순서로 출판되었습니다. 일상적인 작업의 일부로 AI를 만들고, 사람들에게 협력하기 위한 습관을 구축하도록 도와주세요. 회사는 사고 분석 작업을 시작하기 전에 이미 AI와의 일상적인 작업을 구축했습니다.
그 습관 구축 단계는 보이는 것보다 더 많은 일을 합니다. 일반적인 AI 도구가 일상적인 작업이 되면, . 그리고 제 판단으로는 이것이 좋은 후보 작업이 나타나는 곳입니다. 그것은 계획 회의에서 나오지 않고, 작업을 수행하는 사람들로부터 나옵니다. 또한 이것은 회의주의가 해결되는 곳이며, 는 단 하나의 고위험 프로젝트로 해결되지 않습니다.
예외는 규칙을 증명합니다. 전체 케이스를 읽으면
명백한 반론은 고객과 대면하는 에이전트가 실제로 작동한다는 것입니다. 그들은 작동합니다. 그것을 자세히 읽어보는 것이 가치 있습니다.
은 에이전트 작업이 가질 수 있는 가장 가시적인 것입니다. 24/7 다국어 지원, 음성 및 텍스트를 통해 제품 발견에서 구매 결정까지 쇼핑을 안내합니다. 야마다 전기 온라인 스토어의 2주간公共 캠페인에서 약 30,000명이 사용했으며, 조사 응답의 92%가 긍정적이었습니다. 실제 결과, 실제 고객, 전방.
한 가지를 직시해야 합니다. OpenAI의 글은 이것을 “고객에게 직접 가르친 첫 번째 주요 기회”라고 부릅니다. 그래서 이것은 아바타린의 첫 번째 고객과 대면하는 에이전트였으며, 위에 있는 모든 것에 대한 논증으로 보입니다.
“그것”이 무엇을 의미하는지 확인하세요. 아바타린은 ANA 홀딩스에서 분사한 AI 고객 서비스 회사이며, 글은 야마다 전기 프로젝트 이전에 OpenAI와 함께 작업했으며, OpenAI API를 음성 인식, 문의 분석, 직원 교육에 사용했다고 말합니다.
에이전트의 답변은 실제 제품 정보에 आध안된 회수 증강 생성 시스템에 의해 정해집니다. 즉, 모델의 기억이 아니라 실제 제품 정보에 आध안된 답변입니다. 소매업체의 고객 서비스 지식은 의도적으로 대화 흐름과 프롬프트에 인코딩되었습니다. 가드레일은 대화를 쇼핑 경험 안에 유지하도록 도와줍니다. 또한 OpenAI는 팀과 함께 프롬프트를 구조화하고, 항상 켜져 있는 음성 서비스를 운영하는 비용을 낮추는 데 도움을 주었습니다.
그것은 아바타린의 첫 번째 고객과 대면하는 작업이었습니다. 그러나 그것은 같은 벤더의 도구와 이전에 작업한 회사였으며, 그 작업에는 지면층, 인코딩된 도메인 전문 지식, 가드레일, 벤더의 사람들로부터의 도움 등이 포함되었습니다. 그것이 가시적인 작업의 실제 비용입니다. 거의 아무도 결과에서 그것을 볼 수 없습니다.
두 가지 계정을 함께 읽으면, 그것은 두 가지 성공 이야기보다는 순서에 대한 교훈입니다. 한 조직은 일상적인 작업의 일부로 AI를 만들기 전에 정의된 작업을 위임할 권리를 얻었습니다. 다른 하나는 고객과 대면하는 작업에 도달했으며, 이전에 수행한 구성 요소 작업을 통해 전문가가 되었습니다. 어느 것도 계획 회의에서 시작하고자 하는 곳에서 시작하지 않았습니다.
선택 규칙
네 가지 질문에 대한 점수를 매기고 후보 작업을 선택하세요.
1. 정답이 있나요?
좋은 답이 아니라, 정답입니다. 조율, 분류, 추출, 분석 및 결론은 모두 해당합니다. 취향으로 판단되는 것은 해당되지 않습니다. 적어도 처음에는.
2. 하나의 나쁨 출력은 얼마나 비용이 들까요?
고객, 규제자 또는 제출서에 숫자가 포함된 경우, 작업에는 거의 구축하지 않은 아키텍처와 검토 레일이 필요합니다.
3. 볼륨은 설정을 정당화합니까?
매월 두 번 수행되는 작업은 반복의 주기를 결코 상환하지 못합니다. 경제는 반복에서 비롯되며, 반복은 또한 그 작업이 어디서 실패하는지 가르칩니다.
4. 이미 누가 이 작업을 하고 있으며, 즉시 나쁨 결과를 인식할 수 있나요?
그 사람이 검토자입니다. 그리고 그들은 시간이 필요합니다. 만약 유일하게 자격을 가진 심판이 창립자라면, 다른 작업을 선택하세요.
네 가지 모두에서 높은 점수를 받는 작업은 거의 कभ도 회의에서 나온 작업과 일치하지 않습니다. 그것은 일반적으로 팀이 수년 동안 수동으로 수행해 왔으며, 더 이상 그것을 작업으로 인식하지 못하는 것입니다.
그것이 당신을 어디로 데려가는지
考虑중인 작업 목록을 가져와서 이번 주에 정직하게 점수를 매기세요. 승리한 후보는 실망스러울 것입니다. 그래도 자동화하세요.
첫 번째 에이전트 작업의 목적은 그것이 반환하는 가치가 아닙니다. 그것은 조직이 이러한 시스템이 무엇을 잘하고, 어디서 고장나는지, 그리고 감독하는 것이 실제로 얼마나 비용이 들는지 배우는 것입니다. 그리고 그것은 두 번째 작업이 실제 결정이 되도록 만들며, 세 번째 작업은 일반적으로 돈이 되는 곳입니다.
지루한 작업을 선택하세요. 가시성이 높은 작업을 얻으세요.
