Hvordan realisere verdi fra en GenAI-aktivert arbeidsstyrke

Takk til OpenAI’s ChatGPT, vet nesten alle om GenAI i dag. Dens evne til å tilfredsstille menneskers tørst etter kunnskap med bare en enkel prompt sendte det viralt. Verktøyet har imponerende bruk. Det fikk en million brukere på bare fem dager og tiltalte over 100 millioner besøkende i de første månedene. Enkeltpersoner og organisasjoner integrerer det i sine daglige liv og aktiviteter med stor entusiasme.

Men likevel – mens GenAI er globalt berømt, har få flyttet seg langt beyond eksperimentering. Organisasjoner er begeistret for dens potensiale, men ofte sliter med å adoptere det i en skala som kan skape målbare verdier.

I min rolle, har jeg vært heldig nok til å kunne se hvordan AI utvikler seg i organisasjoner og verdien det kan levere til kunder. Likevel, trenger bedrifter en guide for å omdanne potensiale til resultater. Med disse utfordringene i mente, implementerte mitt team en ruller-eksperimentering med Microsofts M365 Copilot, for å utvikle verdifulle innsikter og praktiske strategier for selskaper som søker å oppnå suksessfull adopsjon og meningsfull avkastning.

Vår vei til GenAI-verdi

Da vi så på å adoptere Copilot, hjalp vår tilnærming oss med å identifisere hvor dens evner kunne legge til verdi.

Vår erfaring kan være nyttig for enhver organisasjon som søker å introdusere GenAI i sine arbeidsflyter.

Her er noen av handlingene som hjalp oss på veien:

• Start med en strukturert adopsjonsramme. For å introdusere GenAI-evner, begynte vi med å identifisere personer i vår organisasjon som kunne dra nytte av dem, og deretter spesifikke og høyt målrettede bruksområder for teknologien. Til slutt, har vi laget personlige treningsplaner for hver rolle eller persona som guidere brukerne nøye, så de vet nøyaktig hvordan de kan få mest mulig ut av evnen.
• Bruk eksperimentering for å validere teknologien. For Copilot, gjennomførte vi en øvelse med tre grupper av brukere. Gruppe A hadde ingen Copilot-lisenser, mens for Gruppe B, ga vi bare disse brukerne tilgang til verktøyet, uten trening eller veiledning: det var opp til dem å finne ut hva de skulle gjøre. Gruppe C fikk vår fullstendige adopsjonsramme. Resultatene? Vi så en økning på 31% i adopsjon i Gruppe C sammenlignet med Gruppe B. I tillegg registrerte Gruppe C en tidssparing på 2,5 timer per uke sammenlignet med 1,8 timer per uke for Gruppe B. Øvelsen ga oss også basisdata, for eksempel på hvor mye tid teamene kunne spare på bestemte oppgaver som å lage presentasjoner. Dette var et annet sterkt eksempel og argument som bekreftet at vår adopsjonsramme fungerte.
• Involver ansatte nært i prosessen. Øvelser som vår Copilot-eksperimentering hjelper med å sikre at mennesker engasjerer seg mer villig med ny teknologi. Vi fikk mennesker nært involvert i å velge bruksområdene for Copilot, noe som gjør det mer relatert, driver adopsjon og forbedrer avkastning. Denne prosessen skaper også evangelister. Fordi vår Gruppe C-kohort klart kunne se teknologiens verdi for dem, forkjemper de det over hele selskapet og spesielt med deres team, og oppmuntret til videre adopsjon.
• Opprett hyper-personlige og kontinuerlige treningsplaner. Vi arbeidet med prosjektledere og prosess-eiere for å sikre at Copilot-bruksområdene var relevante for deres daglige oppgaver, som å produsere presentasjoner på meget kort varsel. Utstyrt med denne forståelsen, lagde vi høyt tilpassede treningsplaner som viste hvordan teknologien kunne hjelpe dem nå målene. Vi fant også at kontinuerlig trening om å lage promter var svært verdifullt i å hjelpe mennesker få mest mulig ut av GenAI. Det er også morsomt og hjelper med å holde samfunnet samlet. For eksempel, har vi laget en gruppe hvor vi deler nyttige promter, og vi har også regulære korte delingsøkter.
• Utnytt partnere. Vi benyttet vår partner til å hjelpe oss med å komme inn med spesifikke bruksområder og treningstilbud som hjalp med å bygge våre ferdigheter. I et domene som endrer seg like raskt som GenAI, er partnerskap og samarbeid essensielle for å få gode resultater.
• Kommuniserer proaktivt om ansattes bekymringer. Spørsmål om etisk AI og om det vil stjele menneskers jobber, er vanlige. Derfor er det viktig å sikre at adopsjonsrammen tydelig definerer etisk AI og etisk bruk av AI. For å sikre ansvarlig og sikker bruk av AI, benyttet vi vår Ramme for Ansvarlig AI. Denne rammen gir klare retningslinjer for våre ansatte, i samsvar med våre selskapsverdier og hjelper dem med å bruke AI ansvarlig. Og for å lettet bekymringer om GenAIs innvirkning på jobber, fokuserte vi på dens evne til å overta upopulære og monotone oppgaver som minutt-takning, utkast til kommunikasjon eller gjennomgang av en overfyldt e-post-innboks. Etterhvert som deres ferdigheter økte, introduserte vi mer avanserte tekniker, inkludert å forbedre deres evne til å lage avanserte promter som gir mer presise og tilpassede utdata.

Tid, innovasjon og trening

Vår erfaring med Copilot og andre GenAI-prosjekter er at en strukturert pilotfase er nøkkel, og at mennesker trenger tid til å lære den innovative teknologien. Det er også nødvendig å ha en ramme for AI-adopsjon og endringsledelse som er tilpasset ditt teams spesifikke behov. Kombinert med trening og aktiv engasjement av brukere, vil dette motivere og klargjøre bekymringer om GenAI.

Når teknologien integreres i organisasjonen og spreder seg, blir den en del av kulturen og akselerer din vei til å realisere virkelig verdi fra GenAI.