Skuteczne wdrożenie AI prowadzi do kolejnego etapu, którego firmy rzadko planują

Około trzech lat temu wykupiłem pierwszą płatną subskrypcję AI i zacząłem sprawdzać, co ta technologia naprawdę może dla mnie zrobić. Z czasem osobiste eksperymenty przerodziły się w niewielki projekt wewnętrzny, potem w firmowe subskrypcje dla całej organizacji, a w końcu we wdrożenie AI obejmujące niemal wszystkie działy — od programowania, finansów i prawa po marketing i obsługę klienta.

Pierwszy etap zasadniczo się powiódł. W ciągu około sześciu miesięcy tempo pracy naszego wewnętrznego zespołu programistycznego wzrosło mniej więcej pięciokrotnie. W tym samym czasie wzrosła też inna liczba: wydatki na AI zwiększyły się około 15-krotnie.

Wtedy zrozumiałem, że skuteczne wdrożenie AI może samo w sobie stwarzać problemy. Gdy technologia stała się powszechnie używana, początkowe zasady przestały się sprawdzać. Koszty mogły wymknąć się spod kontroli, ponieważ AI uzyskiwała dostęp do coraz większej ilości danych firmy i przejmowała coraz więcej zadań, a wiele narzędzi nadal pozostawało pod kontrolą zewnętrznych dostawców.

Co więc powinien zrobić dyrektor generalny, gdy wdrożenie AI się powiedzie, ale firma nie ma już pełnej kontroli nad tym, jak jest ona wykorzystywana? Spróbujmy znaleźć odpowiedź.

Przestań utożsamiać aktywne korzystanie z AI z wynikami biznesowymi

Od razu zauważyłem, że na początkowym etapie wdrożenia wskaźniki adopcji, takie jak liczba aktywnych użytkowników czy częstotliwość korzystania z narzędzi, miały sens. Jako lider chcesz wiedzieć, czy pracownicy z nich korzystają, po które konkretnie sięgają i czy AI rzeczywiście oszczędza im czas. Kiedy jednak korzystanie z niej rozpowszechnia się w całej firmie, te liczby stają się znacznie mniej przydatne.

Sami się o tym przekonaliśmy. Gdy ludzie uzyskali dostęp do zaawansowanych modeli, zaczęli używać ich niemal do wszystkiego. W pewnym momencie pracownicy zaczęli pytać AI, która jest godzina w Nowym Jorku. To oczywiście absurdalny przykład, ale pokazuje, jak szybko może wzrosnąć skala korzystania z AI, nie przynosząc firmie żadnej istotnej wartości.

Shopify napotkała podobny problem po tak głębokim zintegrowaniu AI, że jej wewnętrzny agent, River, przygotowuje teraz projekty nawet połowy propozycji zmian w kodzie produkcyjnym. Jej dyrektor generalny, Tobi Lütke, ostrzegł jednak niedawno przed tym, co nazywa „granatami śmieciowej roboty”: treściami wygenerowanymi przez AI, które pracownicy przekazują dalej bez należytego sprawdzenia, pozostawiając komuś innemu zadanie ich weryfikacji, poprawienia, a nawet podsumowania.

Innymi słowy, większa aktywność związana z AI może łatwo prowadzić do większej ilości pracy zamiast większej wartości. Firma może odnotowywać imponujące wskaźniki wykorzystania narzędzi i generować ogromne ilości treści, a część tych treści może po prostu dokładać komuś kolejne zadanie.

To właśnie muszą zmienić dyrektorzy generalni. Prompty, logowania i zużycie tokenów świadczą o dużej aktywności w ramach przepływu pracy. Nie pokazują jednak, czy AI rzeczywiście się opłaca.

Większe tempo tworzy nowe wąskie gardło

Jest takie powiedzenie: kto się spieszy, ten się potyka. Moim zdaniem sprawdza się ono również w przypadku AI. Przekonaliśmy się, że dzięki niej ludzie mogą pracować „szybciej”, ale to nie znaczy, że nagle mają mniej pracy.

W programowaniu AI pozwala teraz naszemu zespołowi napisać znacznie więcej kodu w tym samym czasie, ale najważniejsze jest to, że cały ten kod nadal trzeba sprawdzić, zanim trafi do użytku. Nie ma wątpliwości, że automatyczna weryfikacja pomaga.

Nadal jednak daleko jej do rozwiązania, któremu ufałbym bez zastrzeżeń. Deweloperzy poświęcają więc mniej czasu na samodzielne pisanie wszystkiego, ale muszą sprawdzać, testować i oceniać znacznie większą ilość treści.

Innymi słowy, praca nie znika. Po prostu przybiera inną postać.

W takim ujęciu pięciokrotny wzrost tempa pracy programistycznej wydaje się nieco mniej imponujący, bo wraz z nim rośnie ilość kodu wymagającego ludzkiej uwagi. Rzeczywisty koszt przepływu pracy wspieranego przez AI obejmuje również czas poświęcony na sprawdzanie jej wyników, a przede wszystkim na ocenę, czy w ogóle można im ufać.

Drugi etap wdrożenia jest konieczny

Moim zdaniem firmy potrzebują tego, co nazwałbym „drugim” wdrożeniem AI.

Pierwszy etap wdrożenia koncentruje się przede wszystkim na upowszechnieniu technologii: zapewnieniu ludziom dostępu, znalezieniu zastosowań oraz sprawdzeniu, w czym technologia rzeczywiście pomaga, a w czym nie. Po kilku miesiącach rzeczywistego korzystania z niej masz już jednak coś znacznie cenniejszego niż przypuszczenia — własne dane pokazujące, gdzie rosną koszty, które zespoły osiągają lepsze wyniki i gdzie ludzie poświęcają zbyt wiele czasu na sprawdzanie rezultatów pracy AI.

Właśnie wtedy, moim zdaniem, warto na nowo ustalić zasady korzystania z AI, zamiast po prostu dążyć do jej szerszego użycia. W praktyce skupiłbym się na trzech kwestiach:

• Dopasuj model do zadania. Rutynowe zapytania można kierować do mniejszych i tańszych modeli, a bardziej złożone zadania powierzać modelom, których użycie uzasadnia dodatkowy koszt. Ostatecznym celem jest uniknięcie płacenia stawek za modele z najwyższej półki w przypadku zadań o niewielkiej wartości.
• Określ, w których sytuacjach kontrola człowieka jest obowiązkowa. W przypadku kodu produkcyjnego, dokumentów prawnych i innych wyników o dużym znaczeniu ustal, kiedy człowiek musi zatwierdzić rezultat, zanim przejdzie on do kolejnego etapu pracy. Osobno określ zasady dostępu do poufnych danych, tak aby pracownicy wiedzieli, którym modelom można je udostępniać, a którym nie.
• Opracuj plan awaryjny, nawet jeśli uważasz, że go nie potrzebujesz. Jeśli krytyczny przepływ pracy zależy od zewnętrznego dostawcy, udokumentuj prompty, integracje, przepływy danych i zależności związane z konkretnym modelem na tyle szczegółowo, by w sytuacji awaryjnej można było przenieść obciążenie do innego dostawcy.

Na tym polega różnica między pierwszym a drugim wdrożeniem AI. Pierwsze stawia pytanie: gdzie możemy wykorzystać AI? Drugie: gdzie powinniśmy z niej korzystać, na jakich zasadach i za jaką cenę?

Przed kolejnym zwiększeniem skali skontroluj wdrożenie

Gdy korzystanie z AI się sprawdza, a pierwsze wdrożenie wydaje się udane, nie kontynuowałbym zwiększania jego skali w ten sam sposób przez kolejny rok. Po około 90–180 dniach rzeczywistego użytkowania zatrzymałbym się i sprawdził, co firma faktycznie zbudowała.

Oznacza to mierzenie zaakceptowanych rezultatów biznesowych, dopasowanie modelu i jego kosztu do rzeczywistej wartości zadania, ustalenie, gdzie weryfikacja przez człowieka nadal jest obowiązkowa, a gdzie można w pewnym zakresie zbliżyć przepływ pracy do pełnej automatyzacji.

Pierwsze wdrożenie dowodzi, że AI może przyspieszyć pracę firmy. Drugie sprawia, że ta szybkość nie prowadzi do niepotrzebnych wydatków, niekontrolowanego dostępu ani zależności od dostawców, na które firma nigdy świadomie się nie zgodziła.