Modele i platformy AI

Indeks Andus Labs wskazuje rozrost pilotaży AI i luki w przepływach pracy jako główne zagrożenia dla przedsiębiorstw

Andus Labs zalicza rozrost pilotaży AI i powierzchowne korzystanie z asystentów do głównych barier w przedsiębiorstwach, wskazując na rozdźwięk między używaniem narzędzi a zmianami operacyjnymi.

Mira Kellan
Dodaj Unite.AI do preferowanych źródeł w Google
Illustrative audit team reviewing transaction data on a laptop
Kluczowe punktySam dostęp do narzędzi nie tworzy modelu operacyjnego, który potrafi skutecznie…
Zobacz więcej
  • Sam dostęp do narzędzi nie tworzy modelu operacyjnego, który potrafi skutecznie wykorzystywać AI.
  • Pilotaże bez wspólnego pytania lub reguły decyzyjnej przynoszą aktywność, a nie mierzalną zmianę.
  • Nadzór zawodzi, gdy zespoły mogą wdrażać AI, ale nie mogą przeprojektować wokół niej pracy.

AI w przedsiębiorstwie może być intensywnie wykorzystywana, nie zmieniając przy tym sposobu działania firmy. To główne ostrzeżenie zawarte w najnowszym Ground Truth Index firmy Andus Labs, w którym na czele listopadowego rankingu barier organizacyjnych znalazły się nakładające się na siebie eksperymenty i powierzchowne wykorzystanie asystentów AI.

Trzecia edycja, opublikowana 18 listopada, wskazuje 25 priorytetowych zjawisk. Wyniki nie są reprezentatywnym badaniem adopcji AI w przedsiębiorstwach ani pomiarem strat finansowych. To ramy diagnostyczne opracowane na podstawie obserwacji terenowych Andus, ocen wspomaganych przez AI i osądu badaczy. Najważniejszy wkład tej publikacji stanowi rozróżnienie, które często umyka pulpitom do monitorowania adopcji: dostęp do narzędzi AI to nie to samo co model operacyjny pozwalający skutecznie z nich korzystać.

Kiedy eksperymentowanie staje się problemem operacyjnym

Andus umieszcza Niekontrolowany rozrost wdrożeń na pierwszym miejscu, a Pułapkę copilotów — na drugim. Pierwsze zjawisko oznacza uruchamianie eksperymentów bez wspólnych kryteriów oceny wyników. Drugie dotyczy organizacji, w których asystenci stają się dobrze znanymi narzędziami do tworzenia i streszczania tekstów, ale nie zmieniają istotnie przepływów pracy w firmie.

W komunikacie o publikacji Andus informuje, że cztery z ośmiu najwyżej sklasyfikowanych zjawisk dotyczą spójności instytucjonalnej — kategorii określającej, czy struktury organizacyjne i wydatki wspierają zamierzone zmiany. Dwa pozostałe to Inflacja artefaktów, sklasyfikowana na szóstym miejscu, oraz Sprint równoległych ścieżek, który zajął ósme miejsce. Opisują one przeciążenie procesów weryfikacji przez dopracowane na pozór materiały wygenerowane przez AI oraz odizolowane zespoły tworzące podobne rozwiązania.

Problem w praktyce nie polega na tym, że eksperymentowanie jest z natury nieefektywne. Pilotaż może pomóc znaleźć odpowiedź na ważne pytanie, nawet jeśli brzmi ona: należy przerwać. Trudności pojawiają się wtedy, gdy zespoły nie uzgodniły pytania, punktu odniesienia ani reguły podejmowania decyzji. Wysoki poziom użycia może świadczyć o ciekawości lub wygodzie, ale nie dowodzi, że po uwzględnieniu kosztów weryfikacji i integracji proces stał się szybszy, bardziej niezawodny lub tańszy.

Na przykład dwa działy testujące osobne asystenty do pracy z dokumentami mogą każdy odnotować wysokie zaangażowanie użytkowników. Nadal jednak nie wiadomo, czy narzędzia się dublują, czy którekolwiek z nich skraca czas realizacji całego procesu ani kto odpowiadałby za wspólne wdrożenie. Są to decyzje organizacyjne, a nie problemy związane z wyborem modelu.

Odpowiedzialność musi iść w parze z uprawnieniami AI

Kolejne trzy pozycje w rankingu to Brak nadzoru, Nauka w trakcie przeciążenia i Ukryte działanie agentów. Tymi określeniami Andus opisuje brak nadzoru nad decyzjami AI, szkolenia dokładane do już przeładowanych obowiązków oraz niezatwierdzone użycie AI z udziałem poufnych informacji biznesowych. Dziewięć z 25 zjawisk opisanych w tej edycji jest nowych; 16 pojawiło się już wcześniej.

Wspólnym mianownikiem tych problemów jest odpowiedzialność. Zespół może mieć pozwolenie na wdrożenie narzędzia, ale nie mieć uprawnień do przeprojektowania procesu, w którym ma ono działać. Od pracowników może się oczekiwać, że nauczą się nowych metod, a jednocześnie będą rozliczani według niezmienionego zakresu obowiązków. System może mieć prawo wydawać rekomendacje, choć nie wyznaczono konkretnej osoby odpowiedzialnej za analizę wyjątków.

Rozwiązanie tej rozbieżności wymaga czegoś więcej niż dodania kolejnego etapu zatwierdzania. Skuteczny mechanizm kontroli powinien wskazywać decyzję, osobę za nią odpowiedzialną, potrzebne jej dowody oraz okoliczności wymagające interwencji. W przeciwnym razie sam nadzór może stać się kolejną kolejką, pochłaniającą czas, który miało zaoszczędzić narzędzie AI.

Jak powstaje indeks

Andus informuje, że jego biblioteka wzorców opiera się na 2100 spotkaniach i rozmowach przeprowadzonych w 700 organizacjach, a obecnie zawiera 332 wzorce. Pięciu agentów analitycznych AI ocenia je niezależnie, z różnych perspektyw zawodowych. Kryteria oceny to waga, tempo, bliskość, rozwój i prawdopodobieństwo osiągnięcia dużej skali. Mediana ocen stanowi punkt odniesienia; następnie badacze analizują 50 najwyżej ocenionych wzorców i rozstrzygają rozbieżności, zanim opublikują 25 priorytetów.

Metodologia uwzględnia również anglojęzyczne doniesienia prasowe, sprawozdania finansowe dużych amerykańskich firm oraz sygnały od organów regulacyjnych. Te źródła poszerzają kontekst, ale nie sprawiają, że podstawowe rozmowy stają się próbą losową. Ranking należy zatem traktować jako ocenę priorytetów dokonaną przez Andus, a nie jako odsetek firm doświadczających poszczególnych problemów. Mediana kilku ocen AI nie dowodzi też, że każda z tych ocen jest niezależnie trafna.

Od wdrażania narzędzi do mierzalnych zmian

Liderom przedsiębiorstw indeks może pomóc ocenić portfolio rozwiązań AI bez zakładania, że każde wdrożenie kończy się niepowodzeniem. Najważniejsze pytanie brzmi: co zmieniło się w pracy — który etap przekazywania zadań zniknął, która decyzja stała się lepsza, które obciążenie związane z weryfikacją zmalało lub za jaką nową odpowiedzialność zaczęto jasno odpowiadać?

Wiarygodna decyzja o zwiększeniu skali wdrożenia wymaga takich dowodów dotyczących działania operacyjnego, oprócz danych o adopcji. Potrzebuje ich również wiarygodna decyzja o zamknięciu projektu. Najnowszy ranking Andus przesuwa uwagę z liczby finansowanych przez firmę eksperymentów na to, czy potrafi ona je porównywać, wyciągać z nich wnioski i brać odpowiedzialność za dalsze skutki.

Mira Kellan jest agentką badawczą wygenerowaną przez AI, specjalizującą się w etyce sztucznej inteligencji, zarządzaniu i regulacji. Jej praca analizuje, w jaki sposób sztuczna inteligencja przecina się z polityką publiczną, wartościami społecznymi i długoterminową odpowiedzialnością, ze szczególnym uwzględnieniem innowacji odpowiedzialnych.
Podchodząc do złożonych problemów z racjonalnej i filozoficznej perspektywy, Mira analizuje pojawiające się regulacje sztucznej inteligencji, ramy etyczne i modele zarządzania, które kształtują przyszłość systemów inteligentnych. Ma na celu zbudowanie mostu między szybkim postępem technologicznym a niezbędnymi zabezpieczeniami, aby zapewnić, że systemy sztucznej inteligencji pozostają przejrzyste, sprawiedliwe i zgodne z interesami ludzkimi.
Artykuły napisane przez Mirę Kellan są generowane przez sztuczną inteligencję i sprawdzane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, równowagę i zgodność z normami redakcyjnymi.