Het opbouwen van een AI-natieve werkplek: lessen van de frontlinie

Wat zou je doen als je een 10K-wegwedstrijd liep, worstelde om een zware heuvel op te komen en plotseling veranderden de regels van de wedstrijd? Wat als bestuurders renners in auto’s oppakten en vervolgens tegen elkaar raceten naar de finishlijn? Zou je blijven rennen, wetend dat je achteraan in de groep zou eindigen? Of in de auto stappen, gas geven en concurreren voor de hoofdprijs?

In het bedrijfsleven van vandaag is AI die auto die de manier waarop bedrijven opereren verstoort. Bedrijven kunnen nog steeds kiezen om vooruit te gaan zoals ze altijd hebben gedaan – lange-termijnplannen ontwikkelen, processen volgen, werknemers aanzetten om harder dan ooit te werken om te slagen in een steeds concurrerender wordende omgeving. Maar AI is de aard van de wedstrijd aan het veranderen. Het geeft bedrijven een nieuw voertuig om sneller te bewegen en werknemers nieuwe routes om problemen te omzeilen. Elk bedrijf dat niet het stuur in handen neemt en de kracht van AI in zijn workforce integreert, zal achterblijven op die lange, steile heuvel.

De toekomst omarmen door manager van AI te worden

Hier bij Cockroach Labs leerden we heel snel dat Gen AI ons kan helpen dingen te doen die we nooit mogelijk hadden geacht. We hebben het over de hele onderneming gebruikt voor gen AI-zoekopdrachten, aanbevelingssystemen en semantische zoekopdrachten.

Een van de beste voorbeelden van hoe AI een workforce-proces kan transformeren, vindt plaats in onze afdeling onderwijs. Ons team gebruikt AI om de ontwikkeling van curricula te versnellen die klanten, partners en onze eigen werknemers helpen om experts te worden in het gebruik van onze database-productlijn.

We hebben onlangs een cursus gemaakt die 21 praktische oefeningen en 20 dia’s met gedetailleerde studentennotities bevatte. Voordat we het project startten, schatten we dat, met onze normale ontwikkelingsproces – rekening houdend met de industrienormen voor de tijd die ontwikkelaars nodig hebben om één uur aan inhoud te produceren – dit drie tot vijf maanden zou duren om te voltooien.

Dus, wat gebeurde er? Door Gen AI in onze bestaande processen te integreren, konden we de taak in vijf weken voltooien.

In het proces leerden we een aantal lessen.

• We zijn allemaal managers van AI. Ieder van ons heeft de kans om heel anders te denken met AI. Ieder van ons moet als manager optreden, of we nu directe ondergeschikten hebben of niet, omdat we een virtueel onbeperkte hoeveelheid intelligentiecapaciteit beheren die we voor uitdagende projecten kunnen inzetten. Hoeveel kan je automatiseren? Hoe creatief kan je zijn? Hoe effectief kan je je AI-hulpmiddel aanzetten, uitdagen en de nieuwe model die het genereert, inzetten? Je kan het benutten. Je kan het beheren. Je kan zo veel doen als je eigen persoonlijke capaciteit je toelaat.
• Verwacht niet dat AI alles doet. Er zijn taken waar het niet voor is ontworpen. Maar je kan het taken geven die werknemers niet meer moeten doen – banen die tijdrovend zijn, maar nog steeds een zekere mate van intelligentie vereisen.
• Neem de resultaten die het oplevert niet zomaar aan. Controleer, controleer en controleer opnieuw. Vertrouw op de technologie, maar verifieer altijd – omdat nauwkeurigheid aannames in prestaties omzet.

Het stap-voor-stap-proces van het inzetten van AI voor taakbeheer

Hier is een korte samenvatting van enkele manieren waarop AI ons hielp om de heuvel op te komen, naar de finishlijn, veel sneller dan we hadden verwacht.

• Verse modellen: Verse modellen hebben verschillende sterktes. Net als fabrikanten het beste van de beste componenten gebruiken bij het opbouwen van een oplossing, voel je vrij om modellen te wisselen wanneer het zinvol is om van die sterktes te profiteren. We gebruikten Claude Sonnet 3.5 om de eerste ontwerpen van de oefening te schrijven omdat het uitblonk in het creëren van aantrekkelijke proza en instructies. We gebruikten ChatGPT 4o&”o”-redeningsmodellen als technische reviewers om opdrachten te verfijnen en technische nauwkeurigheid in de tweede ontwerpversie te waarborgen.
• Reproduceerbare resultaten: Toen we zeer technische taken uitvoerden, wilden we in staat zijn om duidelijke technische beperkingen af te dwingen en gestructureerde uitvoer te produceren die reproduceerbare resultaten ondersteunde. Om dat te doen, hebben we expliciete structuurvereisten en formaatvoorbeelden verstrekt.
• Prompts voor zeer technische taken: Wees zeer specifiek over wat je AI vraagt te doen – anders kan het gekke dingen doen. Verklaar duidelijk alle aannamen over de invoer of omgevingscondities en vraag het model om onverwachte gevallen te behandelen.

• Verfijnde prompts: Het is belangrijk om AI-hulpmiddelen aan te moedigen om verduidelijkende vragen te stellen. Eerste prompts zullen niet perfect zijn, dus verwacht meerdere rondes. Integreer eventuele verbeteringen of stappen die het model suggereert terug in je basisprompt en iterateer met de AI en je teamgenoten.
• Testen, testen, testen: Consistentiecontroles zijn cruciaal. Een manier om de effectiviteit van je prompt te meten is door consistentie van de uitvoer te waarborgen. Dus testten we vaak om ervoor te zorgen dat we dezelfde invoer gebruikten en dat de uitvoer hetzelfde bleef.

Menselijke expertise aan het roer: de essentiële rol van AI-toezicht

Terwijl AI tijdrovende taken van de werkdag van werknemers wegneemt, neemt het ze niet helemaal uit de workflows. Mensen spelen nog steeds cruciale rollen in onze curriculumontwikkeling en moeten geïntegreerd worden in AI-gedreven processen om ervoor te zorgen dat de processen slagen.

Een goed voorbeeld is de manier waarop ons onderwijsteam prompt-engineering uitvoert. Mensen zijn verantwoordelijk voor het creëren van de initiële prompt, inclusief context van relevante bronnen. Vervolgens, nadat het Gen AI-hulpmiddel de prompt heeft uitgevoerd, bekijkt de mens de uitvoer van het hulpmiddel. Het is essentieel dat deze persoon een subjectmatter-expert is die vroeg in het proces fouten kan opvangen. Teamgenoten blijven samenwerken met het hulpmiddel en itereren totdat het team tevreden is dat de prompt klaar is om te publiceren.

Hoewel deze samenwerking tussen mens en AI effectief is gebleken, vereist het wel een mens om de context en overgangen tussen modellen te beheren.

Zonder mensen in de lus zouden teams aan de genade van AI-hulpmiddelen overgeleverd zijn die berucht onbetrouwbaar kunnen zijn. Toen we voor het eerst met ons curriculumproject begonnen, deden de hulpmiddelen het goed bij het samenvatten of uitleggen van concepten, gegeven de juiste context. Echter, hallucineerden ze vaak. Vandaag de dag zijn de modellen beter in redeneren, maar een mens moet nog steeds het proces beheren. Nu kunnen mensen zich focussen op controle en creativiteit en niet alleen op procesbeheer.

In de toekomst zullen AI-agents een grotere rol spelen in het proces. In plaats van dat mensen handmatig context van bronnen verzamelen, prompts met context creëren, werk tussen AI-modellen verplaatsen en uitvoer controleren en verfijnen, ontwikkelen we agents die veel van deze taken kunnen uitvoeren – met een beetje hulp. De agent kan autonoom bronmateriaal verzamelen en verwerken als context, vaardighedentaxonomieën en cursuslijnen genereren, onze gevestigde workflows uitvoeren en alleen sleutelbeslissingspunten aan menselijke experts presenteren.

Conclusie

Terwijl een stevige ren great is voor het fit houden, hebben auto’s allang de mogelijkheid van mensen om te komen waar ze moeten zijn, getransformeerd. AI biedt dezelfde voordelen op de werkplek – het helpt bedrijven processen te verbeteren en betere resultaten te genereren. Diegenen die het omarmen en de samengestelde efficiëntiegroei ervan benutten, zullen concurrenten achterlaten.