Navigering av utfordringer ved implementering av GenAI

Utvikling av programvare med støtte for generativ AI (GenAI) vil forbedre produktivitet og arbeidseffektivitet – spørsmålet er, hvor mye? De fleste markedundersøkelser på dette området viser betydelige gevinster i produktivitet. En undersøkelse fra Harvard fant at spesialister, avhengig av oppgaven og erfaringen, så en 43% økning i produktivitet. Liksom en rapport fra Goldman Sachs antyder at produktiviteten kan øke med 1,5 prosentpoeng med GenAI etter ti år med bredt anvendelse, noe som tilsvarer nesten dobbelt så raskt som USAs produktivitetsvekst. Mens disse funnene er interessante, kommer de fleste av disse fra kontrollerte miljøer som ikke nødvendigvis reflekterer nyansene i virkelige anvendelsessituasjoner.

For å bedre besvare hvordan mye GenAI kan forbedre produktiviteten i programvareutvikling, besluttet et ledende selskap for digital transformasjon og produktutvikling å registrere sine praktiske funn og erfaringer fra et nylig stort GenAI-prosjekt med en av sine kunder. Denne kunden ønsket å innføre GenAI i arbeidsprosessene for 10 utviklingsteam over tre arbeidsstrømmer, som omfattet over 100 spesialister. Disse virkelige funnene avslører de ulike utfordringene bedriftene vil møte på reisen; dessuten understreker de nødvendigheten av en selskapsomfattende veikart for å skalerer GenAI-tilpasningen.

Besvare spesialistenes negative holdninger og forventninger

Mange utfordringer kan forsinke suksessen til et GenAI-prosjekt, som juridiske og regulatoriske bekymringer, manglende prosesserkapacitet, sikkerhet og personvern osv. Imidlertid var den største hindringen under denne store implementeringen spesialistenes holdninger og forventninger til teknologiene. Under implementeringen observerte selskapet at kundens spesialister hadde visse forventninger om GenAI og hvordan det ville supplere deres arbeid. Når disse innledende forventningene ikke stemte overens med resultater når det gjaldt kvalitet eller gjennomførings tid, utviklet de negative holdninger til teknologiene. Spesielt når GenAI ikke, i deres ord, “gjorde arbeidet for meg”, svarte de med kommentarer som: “Jeg forventet bedre og vil ikke kaste bort mer tid.”

Bedrifter må endre persepsjoner og gå over til en ny arbeidskultur som forhindrer disse negative holdningene fra å manifestere seg og hindre tilpasning og nøyaktig måling. Undersøkelser og vurderinger er en effektiv måte å kartlegge og kategorisere holdningene og opplevde engasjementet til spesialistene. Deretter bør selskaper gruppere spesialister basert på deres holdninger til GenAI. Deretter kan bedrifter lage tilpassede endringsledelsesstrategier for hver gruppe for å fremme suksessfull AI-integrasjon; for eksempel vil de mest skeptiske spesialistene motta mer oppmerksomhet og omsorg enn nøytrale spesialister.

Regnskapsføring for kompleksiteten i virkelige prosjekter

Den andre mest hindrende utfordringen var å måle GenAIs innvirkning på produktivitet nøyaktig samtidig som man tok hensyn til kompleksiteten i virkelige prosjekter. I kontrollerte miljøer er det enklere å måle GenAIs innvirkning – imidlertid, som nevnt tidligere, tar slike tester ikke hensyn til visse variabler og inkonsistenser. Prosjekter er ikke stillestående. De utvikler seg konstant. En organisasjon kan ha en situasjon der de har roterende spesialister på grunn av ferieplaner og sykedager eller plutselige endringer i prioriteringer. Spesialister arbeider ikke alltid med bestemte prosjektaktiviteter der GenAIs innvirkning kan være mest gunstig fordi de har møter å delta i, e-post å svare på og andre oppgaver utenfor sprint-omfanget som ofte blir oversett i produktivitetsmålinger. Disse inkonsistensene og variablene må tas hensyn til når man måler GenAIs innvirkning på programvareutvikling objektivt.

Andre beste praksiser inkluderer å integrere oppgavehåndteringssystemer i arbeidsflyter for å se hvor lenge oppgaver forblir i hver status for å bestemme ikke-tekniske spesialisters produktivitet og effektivitet. Liksom kan forretningsintelligensløsninger samle inn datapunkter automatisk, redusere feil og spare tid. Dessuten kan organisasjoner mildne kompleksiteten i virkelige prosjekter og sikre en mer nøyaktig vurdering av GenAIs innvirkning på produktivitet ved å anvende grundige datarengjøringspraksiser.

Selskapsomfattende veikart: Måling nøyaktig

Dette store GenAI-prosjektet understreket også verdien av en selskapsomfattende veikart som markerer begynnelsen og slutten på integreringen. Bedrifter bør merke seg at et kritisk element i denne veikarten er å definere målene de vil bruke for basis- og sluttfasene. Dusinvis av ulike mål kan hjelpe med å vurdere GenAIs innvirkning på produktivitet, inkludert, men ikke begrenset til, hastighet over tid, gjennomstrømming, gjennomsnittlig omgjøring og kodegjennomgangstid, kodegjennomgangsfeil og godkjenningsrater, tid brukt på feilretting osv.

Etter å ha definert disse målene, bør selskaper klassifisere dem i objektive og subjektive kategorier. Bedrifter kan også bruke data fra oppgavehåndteringssystemer som Jira for objektive mål. Liksom må de opprettholde og følge kvalitetsflyter, tidlige oppgaveoppdateringer og grundige etappefullføringer. Husk at subjektive mål, som spesialist- og pilotundersøkelser, vil hjelpe bedrifter å forstå tilpasningsnivåer og korrelasjoner med objektive målinger. Fra et frekvensperspektiv, bør målinger være rutinemessige og planlagte, ikke spredte og tilfeldige. Dessuten understreker prosjektets funn nyttigheten av mål som gjennomsnittlig daglig innvirkning, opplevd ferdighet, ytelsesendringer, arbeidsdekning, AI-verktøyanvendelse og ubrutt arbeidsflyt for å måle tilpasningsfremskritt.

Selskapsomfattende veikart fortsettelse: Læring og kulturutvikling i stor skala

I tillegg til å måle GenAIs innvirkning effektivt, er et annet viktig komponent i en suksessfull veikart at den driver kontinuerlig læring og AI-ferdighet gjennom ulike trening- og veiledningsstrategier. Disse initiativene vil til slutt fremme en selskapsomfattende læringskultur, som muliggjør AI-tilpasning i stor skala over hele bedriften. Ulike strategier inkluderer å opprette arbeidsgrupper som fokuserer på hvor og hvordan selskapet kan utnytte GenAI, samt oppmuntre individer til å dele hva som fungerer og hva som ikke fungerer. Dessuten er det nyttig å sette opp vekst- og utviklingsprioriteter sammen med læringsveier på individ- og teamnivå.

En annen måte bedrifter kan bygge en kultur som lett tar til seg nye GenAI-teknologier, er å fremheve raskvinn-eksempler. Disse vil demonstrere GenAIs kraft til den større organisasjonen og motvillige skeptikere. Bedrifter bør også etablere sikkerhetsretningslinjer og regler for å anvende AI til å muliggjøre at teamene kan eksperimentere og utforske nye tilnærminger uten å utsette selskapet for risiko. Liksom må organisasjoner påtvinge overholdelse av bransjestandarder og andre beste praksiser samtidig som de håndterer endringsledelse blant individer og team på oppgave- og verktøynivå.

Hold menneskene i sentrum

De to viktigste lærdommene fra denne virkelige implementeringen er: først, GenAI kan føre til betydelige produktivitetsgevinster innenfor grensene av en ordentlig strategi og veikart; andre, en slik integrering har en uimotståelig menneskelig komponent som bedrifter må håndtere på en passende måte. GenAI vil for alltid endre hvordan disse spesialistene utfører daglige oppgaver. Det er også sannsynlig at GenAI kan gjøre at noen spesialister føler seg truet av teknologien, noe som kan føre til motstand mot tilpasning. Til slutt er nøkkelen til en suksessfull GenAI-implementering tydelig menneskelig. Det er viktig for bedrifter å forstå dybden av dette, ettersom det er mennesker som operasjonelle teknologien og låser opp dens praktiske verdi.