AI Nie Może Naprawić Złej Ziemi: Jak Firmy Mogą Przygotować Wewnętrzny Ekosystem Do Pomyślnego Wdrożenia AI

Chociaż liderzy biznesu są często stereotypowi jako ci, którzy myślą tylko o zysku, niedawne badanie wykazało, że ponad 80% firm nie śledzi zwrotu z inwestycji w AI. Odwrotnie, te, które śledzą zwrot z inwestycji, stwierdzają, że nie spełniają one oczekiwań związanych z AI, a tylko co czwarty globalnych CEO raportuje, że ich inwestycje w AI spełniają oczekiwania dotyczące zwrotu z inwestycji.

Ale jak mówi przysłowie, „zły cieśla winę zrzuca na narzędzia” – innymi słowy, dla wielu zwrot z inwestycji jest rozczarowujący, ponieważ wdrożenia AI zostały ustawione do porażki. Jeśli spojrzymy na firmę jako na ogród, aby produktywność i zyski rosły, muszą być podjęte pewne kroki przed wdrożeniem narzędzia takiego jak AI, aby miało ono największy możliwy pomiarowy wpływ.

Krok 1: Zidentyfikuj, gdzie ludzie są niezbędni

Być może ze względu na przekroczenie możliwości wbudowanych w marketing produktów LLM, istnieje powszechne przekonanie, że AI jest sprawą plug-and-play. W rzeczywistości najlepsze wdrożenia AI zaczynają się od identyfikacji, gdzie nadzór ludzki jest niezbędny.

Na przykład, pracując z firmą świadczącą usługi prawne, moja ekipa i ja zostaliśmy poproszeni o wdrożenie systemu AI, który mógłby przetwarzać ogromne ilości dokumentów prawnych – klasyfikować je, wyodrębniać kluczowe fakty i decydować, czy przechowywać, redagować czy kasować pliki.

Podczas gdy AI zajmowało się ciężką pracą, skanując dokumenty w celu ustalenia ich istotności, oznaczając dane wrażliwe i podsumowując odpowiedzi, wyniki były następnie przekazywane do ludzkich prawników, którzy mogli przejrzeć pracę, potwierdzić prawne oceny i anulować klasyfikacje, gdyby było to konieczne.

Nie tylko pomogło to w ochronie firmy przed potencjalnym ryzykiem, ale także izolowanie kosztów automatyzacji od kosztów nadzoru sprawi, że audyty zwrotu z inwestycji będą czystsze w przyszłości.

Krok 2: Wskazać, jak AI może najlepiej uzupełnić twoich ludzi

Aby maksymalnie zwiększyć zwrot z inwestycji w AI, należy być selektywnym w relação do tego, gdzie może ono najlepiej służyć twojej organizacji. Idealne procesy do przeniesienia obejmują zadania powtarzalne lub oparte na regułach (np. podstawową triage obsługi klienta lub kodowanie faktur), wymagające wiedzy wyszukiwania, takie jak klauzule umowne, oraz podatne na błędy wprowadzanie danych, między innymi.

Jest również równie ważne, aby modele AI były strategicznie konfigurowane w celu uzupełnienia, a nie zakłócenia przepływu pracy. Aby to zrobić, mapujesz przepływ pracy pracowników w zadania, a następnie oznaczasz te zadania jedną z trzech kategorii procesów: generuj, wybierz lub osądź. Zadania generatywne mogą być przekazane AI, zadania wymagające oceny pozostają w gestii ludzkich pracowników, a zadania wymagające wyboru mogą być procesem współpracy, w którym AI sugeruje następne kroki, a ludzie decydują o najlepszej drodze do przodu.

W przykładzie usług prawnych powyżej AI zajmowało się początkową triage, klasyfikując dokumenty (generatywne), oznaczając zawartość wrażliwą (generatywne) i prezentując prawdopodobne odpowiedzi (selektywne). W ten sposób rola ludzkich pracowników przesunęła się z przeszukiwania szczegółów dokumentów do weryfikacji wyników (ocena) – zmieniając pracę, która wcześniej zajmowała dni, w sprawę godzin.

Jeśli chodzi o zwrot z inwestycji, to uwalnia więcej czasu, aby można było go przeznaczyć na wyjątki od reguł, gdzie ukrywają się zyski.

Krok 3: Ustandaryzuj swoje dane szkoleniowe

Dokładne dostosowanie LLM do danych przedsiębiorstwa może odblokować przewagi konkurencyjne, ale aby AI było owocne, potrzebuje żyznej ziemi, co oznacza dobre, czyste dane. Złe lub szumowe dane zatrują wyniki i zwiększą stronniczość. Innymi słowy, twoja dyscyplina danych dyktuje niezawodność wyjścia.

Co to oznacza? Duża ilość i różnorodność danych jest ważna, ale równie ważne jest to, że są one wysokiej jakości. Niespójności w formatach danych i konwencjach nazewniczych lub brakujące/niekompletne pola negatywnie wpłyną na jakość surowych danych wejściowych. Podobnie, duplikaty lub niestrukturyzowane potoki danych spowodują zwiększenie rachunków za przechowywanie i spowolnienie wydajności modelu.

Dlatego jest niezbędne, aby dane wejściowe miały kontrolę jakości i silne zarządzanie – co oznacza kontrolę dostępu i zgodność z przepisami. Bez tych filtrów nie inwestujesz w AI, po prostu spalasz pieniądze na pętle czyszczenia.

Ze wszystkim szumem wokół AI jest zrozumiałe, że liderzy mogą czuć presję, aby jak najszybciej wdrożyć implementację, ale poświęcenie czasu na strategiczne wdrożenie modelu lub nawożenie gleby przed posadzeniem nasion, doprowadzi do znacznie większego sukcesu i zwrotu z inwestycji.