Mening
Den verste førstejobben du kan gi en agent er den synlige en
Legg til Unite.AI blant dine foretrukne kilder på Google
Selskaper tenderer å velge sin første agentjobb på samme måte. Noen spør hva AI kan gjøre for oss, og rommet konvergerer på arbeidet alle kan forestille seg: skrive våre blogginnlegg, svare på våre kunder, håndtere innboksen. Dette er det mest synlige arbeidet i bygningen, så det er arbeidet som kommer til å tenke.
Seks måneder senere er piloten stille parkert, og konklusjonen er at teknologien ikke var klar. Teknologien var fin. Jobbvalget var problemet, og synligheten er hva gjorde det til en dårlig en.
Tre ting som gjør en jobb hard, og de synlige har alle tre
En jobb er enkel for en agent når det finnes et kontrollerbart riktig svar, når et dårlig utgangspunkt er billig, og når noen i bygningen allerede gjør jobben og kan si hva som er bra og dårlig på syn.
Kunde-orientert skriving feiler den første testen.
Det finnes ingen riktig svar på “er dette blogginnlegget bra,” bare en preferanse holdt av en person som vil gjenkjenne feilversjonen umiddelbart og slite med å spesifisere riktig versjon på forhånd. Denne gapen er der de fleste kvalitetsklagene faktisk bor.
Kunde-orientert arbeid feiler den andre testen.
En dårlig intern sammenfatting kostar noen fire minutter. En dårlig svar på en kunde kostar en relasjon, og av og til en samarbeidskonversasjon. Kostnaden av en feil bestemmer hvor mye tilsyn jobben trenger, og tilsyn er den dyre delen av å kjøre agenter.
Og de synlige jobbene feiler vanligvis den tredje testen på en måte ingen merker før sent.
Personen som ville dømme utgangspunktet er en seniorperson hvis oppmerksomhet er den sjeldneste ting i selskapet. Å gi dem en gjennomgangskø involverer å flytte arbeid til din dyreste kalender.
Hva de vellykkede første jobbene ser ut som
De er kjedelige. Dette er mønsteret, og det er konsistent nok til å planlegge rundt.
Når NTT DATA Group utvidet sitt agentverktøy til hele organisasjonen, var et internasjonalt ingeniørarbeid, ikke en kundeopplevelse. OpenAIs beskrivelse av utrullingen beskriver automatiseringen av en kompleks hendelsesanalyse for et kritisk system — arbeid som tidligere krevde fem erfarne ingeniører og tok tre dager, fullført på 30 minutter. Denne resultaten, skriver beskrivelsen, “fikk raskt oppmerksomhet fra seniorledere og ble en tidlig bevis for dette”.
Se på formen på den jobben heller enn overskriften. Hendelsesanalyse har et riktig svar, og det er et svar organisasjonen kan sjekke, fordi arbeidet allerede eksisterte og folkene som tidligere gjorde det er fortsatt der.
Det gjentar seg. Det sitter inne i selskapets egne systemer heller enn foran en kunde. Og standarden for “ferdig” er om analysen holder seg opp mot bevisene, som er en spørsmål med et forsvarbart svar, ikke en smakssak.
Sammenlign det med jobben de fleste selskaper nominerer først. Et blogginnlegg har ingen riktig svar, ingen intern dommer hvis tid er billig, og en publikum.
Rekkefølgen betyr like mye som valget. NTT DATA rullet ut ChatGPT Enterprise over hele selskapet først og, i en intern undersøkelse, sa mer enn 96% av respondentene at de var fornøyde med det og mer enn 95% rapporterte produktivitetsgevinst.
Gjennom denne hverdagsbruk, skriver beskrivelsen, “bygde ansatte erfaring med å arbeide med AI for forskning, skriving og innholdsskapning” — og disse vanene “forberedte organisasjonen for neste skritt: å dele tydelig definerte oppgaver”.
Lederløsningene som ble publisert med casestudien starter med nettopp det: gjør AI til en del av daglig arbeid, hjelp mennesker bygge vaner til å samarbeide med det. Selskapet bygde en bred base av kjennskap til AI-utgang med før hendelsesanalysearbeidet landet.
Denne fasen med vanedBygging gjør mer arbeid enn det ser ut til å være. Når generell AI-verktøy blir ordinært, , og min tolkning er at dette er der de gode kandidatjobbene dukker opp — fra menneskene som gjør arbeidet, ikke fra en planleggingsmøte. Det er også der skeptisisme blir arbeidet ut, og er ikke noe enkelt høyt-stakes prosjekt løser.
Unntaket beviser regelen, hvis du leser hele caset
Det åpenbare motargumentet er at kunde-orienterte agenter demonstrabelt fungerer. De gjør. Det er verdt å lese en nær.
er omtrent like synlig som en agentjobb kan få — 24/7 flerspråklig støtte via tale og tekst, guidende kjøpere fra produktoppdagelse til kjøpsbeslutninger. I en to-ukers offentlig kampanje på Yamada Denkis nettbutikk, omtrent 30 000 mennesker brukte det og 92% av undersøkelsessvarene var positive. Reell resultat, reelle kunder, front av hus.
Verdt å være rett om en ting: OpenAIs beskrivelse kaller dette “dens første store mulighet til å bringe disse lærdommene direkte til kunder.” Så dette var avatarin’s første kunde-orienterte agent, som lyder som et argument mot alt ovenfor.
Se på hva “disse lærdommene” refererer til. avatarin er et AI-kundeservice-selskap spunnet ut av ANA Holdings, og beskrivelsen noterer at det hadde arbeidet med OpenAI “lenge før Yamada Denki-prosjektet, ved å bruke OpenAI API for talegjenkjenning, spørsmålsanalyse og ansattrening”.
Agentens svar er grunnlagt av et rettighets-augmentert genereringssystem, som betyr at svarene er forankret til faktiske produktinformasjon heller enn modellens minne. Retailerens kundeservice-kunnskap ble bevisst kodet inn i samtalestrømmer og prompting. Sikringsmekanismer hjelper å holde samtalen på kjøpeopplevelsen. Og OpenAI arbeidet direkte med teamet for å strukturere promptene og redusere kostnadene ved å kjøre en alltid-på-lytteservice.
Så det var en første kunde-orientert jobb for et selskap hvis hele forretning er AI-kundeservice, ankommet etter tidligere arbeid med samme leverandørs verktøy, med en grunnleggende lag, kodet domene-ekspertise, sikringsmekanismer og leverandørens egne mennesker som hjalp. Det er den virkelige prisen for den synlige jobben, og nesten ingen av det er synlig i resultatet.
Les de to beskrivelsene sammen og de er en rekkefølge-løsning heller enn to suksesshistorier. En organisasjon tjente retten til å delegere tydelig definerte oppgaver ved å gjøre AI ordinært først. Den andre nådde kunde-orientert jobb som en spesialist, på ryggen av komponentarbeid det allerede hadde gjort. Ingen av dem startet der planleggingsmøtet ønsker å starte.
Utvalgsregelen
Scor hver kandidatjobb på fire spørsmål før du velger.
1. Er det et kontrollerbart riktig svar?
Ikke et godt svar, et riktig en. Rekonciliasjon, klassifisering, uttrekk og analyse-med-en-konklusjon kvalifiserer. Alt som dømmes på smak gjør ikke, i alle fall ikke først.
2. Hva koster ett dårlig utgangspunkt?
Hvis det ærlige svaret innebærer en kunde, en regulator eller et tall i en rapport, trenger jobben som du nesten sikkert ikke har bygget ennå.
3. Gir volumet grunn til oppsettet?
En jobb gjort to ganger i måneden vil aldri gi tilbake uker med iterasjon. Økonomien kommer fra gjentakelse, og gjentakelse er også hva lærer deg hvor ting feiler.
4. Hvem gjør allerede dette og kan se en dårlig resultat umiddelbart?
Den personen er din gjennomgangsperson, og de må ha tid. Hvis den eneste kvalifiserte dommer er grunnleggeren, velg en annen jobb.
Arbeidet som scorer bra på alle fire er nesten aldri arbeidet som kom opp i møtet. Det er vanligvis noe et team har gjort manuelt i to år og har sluttet å klage på, fordi de lenger merker det som arbeid.
Hvor dette lar deg
Ta listen over jobbene du vurderer og scor dem ærlig denne uken. Kandidaten som vinner vil føles som en skuffelse. Automatiser det likevel.
Målet med en første agentjobb er ikke verdien det returnerer. Det er at din organisasjon lærer hva disse systemene gjør bra, hvor de feiler, og hva tilsyn faktisk kostar, på arbeid hvor å være feil er overlevende. Denne kunnskapen er hva gjør den andre jobben til en reell beslutning heller enn et gjett, og den tredje er vanligvis der pengene er.
Velg den kjedelige jobben. Tjene den synlige en.
