Hvordan realisere verdi fra en GenAI-aktiverende 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. Bruken av dette verktøyet er virkelig imponerende. Det fikk en million brukere på bare fem dager og tiltrakk seg over 100 millioner besøkende i de første månedene. Enkeltpersoner og organisasjoner integrerer det i sine daglige liv og aktiviteter med stor entusiasme.

Og 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 målbart verdi.

I min rolle, har jeg vært heldig nok til å kunne se hvordan AI utvikler måten organisasjoner opererer og verdien det kan levere til kunder. Likevel, trenger bedrifter en guide for å omdanne potensiale til ytelse. Med disse utfordringene i mente, implementerte mitt team en rull ut eksperimentering med Microsoft’s M365 Copilot, for å utvikle verdifulle innsikter og praktiske strategier for selskaper som søker å oppnå suksessfull adopsjon og meningsfull ROI.

Vår vei til GenAI-verdi

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

Vår erfaring kunne 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-kapasiteter, begynte vi med å identifisere personer i vår organisasjon som kunne dra nytte av dem, og deretter spesifikke og høyt målrettede brukstilfeller 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 kapasiteten.
• Bruk eksperimentering til 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 fulle adopsjonsramme. Resultatet? Vi så en økning på 31% i adopsjon i Gruppe C sammenlignet med Gruppe B. I tillegg registrerte Gruppe C 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 tett i prosessen. Øvelser som vår Copilot-eksperimentering hjelper til å sikre at mennesker engasjerer seg mer villig med ny teknologi. Vi fikk mennesker tett involvert i å velge brukstilfeller for Copilot, som gjør det mer relatert, driver adopsjon og forbedrer til slutt ROI. Denne prosessen skaper også forkjempere. Fordi vår Gruppe C-kohort tydelig kunne se teknologiens verdi for dem, forkjempet de det over hele selskapet og spesielt med sine team, og oppmuntret til videre adopsjon.
• Opprett hyper-personlige og kontinuerlige treningsplaner. Vi arbeidet med prosjektledere og prosesseiere for å sikre at Copilot-brukstilfellene var relevante for deres daglige oppgaver, som å produsere presentasjoner på meget kort varsel. Utstyrt med denne forståelsen, lagde vi svært tilpassede treningsplaner som viste hvordan teknologien kunne hjelpe dem nå målene. I tillegg fant vi at kontinuerlig trening rundt å lage promter var svært verdifullt i å hjelpe mennesker få mest mulig ut av GenAI. Det er også moro og hjelper til å holde samfunnet samlet. For eksempel har vi laget en gruppe hvor vi deler nyttige promter, og vi har også regelmessige korte delingsøkter.
• Utnytte partnere. Vi tappet vår partner til å hjelpe oss ved å komme inn med spesifikke brukstilfeller og treningstilbud som hjalp bygge våre ferdigheter. I et domene som endrer seg like raskt som GenAI, er partnerskap og samarbeid essensielt for å få gode resultater.
• Kommuniser proaktivt om ansattes bekymringer. Spørsmål om etisk AI og om det vil stjele menneskers jobber er vanlige. Det er derfor viktig å sikre at adopsjonsrammen tydelig definerer etisk AI og etisk bruk av AI. For å sikre ansvarlig og sikker bruk av AI, utnyttet vi vår Ramme for Ansvarlig AI. Denne rammen gir tydelige retningslinjer for våre ansatte, i tråd med våre selskapsverdier og hjelper dem til å bruke AI ansvarlig. Og for å lettet bekymringer om GenAI’s innvirkning på jobber, fokuserte vi på dens evne til å overta upopulære, monotone og tidspresede oppgaver som å ta minutter, utarbeide kommunikasjon, eller søke gjennom 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 teamets spesifikke behov. Kombinert med trening og aktiv engasjement av brukere, vil dette motivere og klargjøre bekymringer om GenAI.

Når teknologien innarbeider seg i organisasjonen og sprenger seg ut, blir det en del av kulturen og akselerer din vei til å realisere virkelig verdi fra GenAI.