Unikanie zmęczenia pilotów Gen AI: prowadzenie z celowością

Mamy do czynienia z historią, która się już wydarzyła: przełomowa technologia podbiła wyobraźnię liderów biznesu w różnych branżach, obiecując transformację w skali. Na początku lat 2010-tych była to automatyzacja procesów robotycznych (RPA). Niedługo potem nastąpiła kolej na chmurę obliczeniową. Dziś generatywny AI (Gen AI) jest w centrum uwagi – a organizacje nurkują w pilotażach bez wyraźnej drogi do przodu.

Wynikiem jest wzrastająca fala tego, co można nazwać zmęczeniem pilotów Gen AI. Jest to stan wyczerpania, frustracji i malejącej dynamiki, który pojawia się, gdy zbyt wiele inicjatyw AI jest uruchamianych bez struktury, celu lub mierzalnych celów. Firmy prowadzą dziesiątki pilotów jednocześnie, często z nakładającymi się intencjami, ale bez wyraźnych kryteriów sukcesu. Gonią potencjał w różnych departamentach, ale zamiast odblokowania wydajności lub ROI, tworzą zamieszanie, redundancję i zahamowaną innowację.

Definiowanie zmęczenia pilotów Gen AI

Zmęczenie pilotów Gen AI odzwierciedla szerszy wyzwania organizacyjnego: nieskończona ambicja bez skończonej struktury. Przyczyny są znane wszystkim, którzy byli świadkami poprzednich fal technologicznych:

• Nieskończone możliwości: Gen AI może być stosowany we wszystkich funkcjach – marketingu, operacjach, HR, finansach – co sprawia, że jest kuszące uruchamianie wielu przypadków użycia bez wyraźnych granic.
• Łatwość wdrożenia: Narzędzia takie jak modele GPT OpenAI i Gemini Google pozwalają zespołom na uruchamianie pilotów szybko bez zależności od inżynierii – czasem w ciągu kilku godzin.
• Brak planu utrzymania: Gen AI wymaga dobrej jakości danych, aby być skutecznym. W wielu przypadkach dane mogą stać się nieświeże bez wdrożenia procesu, który zapewnia, że dane pozostają poprawne i aktualne.
• Słaba miernikowość: W przeciwieństwie do tradycyjnych wdrożeń IT, trudno określić, kiedy narzędzie Gen AI jest „wystarczająco dobre”, aby przenieść się z pilota do produkcji. ROI jest często mglisty lub opóźniony.
• Przeszkody integracyjne: Wiele organizacji ma trudności z podłączeniem narzędzi Gen AI do istniejących systemów, potoków danych lub przepływów pracy, co dodaje czas, złożoność i frustrację.
• Wysokie wymagania zasobowe: Piloci często wymagają znacznego czasu, pieniędzy i inwestycji ludzkich – szczególnie wokół szkolenia i utrzymania czystych, użytecznych zestawów danych.

Krótko mówiąc, zmęczenie Gen AI pojawia się, gdy eksperymentowanie wyprzedza strategię.

Dlaczego to się ciągle powtarza?

W wielu przypadkach jest to spowodowane tym, że organizacje pomijają podstawową pracę. Przed wdrożeniem jakiejkolwiek zaawansowanej technologii, należy najpierw zoptymalizować procesy, które się poprawia. W Accruent widzieliśmy, że już poprzez usprawnienie przepływów pracy i zapewnienie jakości danych, firmy mogą osiągnąć do 50% zysków wydajności przed wprowadzeniem AI w ogóle. Nałożenie Gen AI na dobrze dostosowany system może podwoić poprawę. Ale bez tej pracy podstawowej, nawet najbardziej imponujące modele AI nie dadzą znaczącej wartości.

Inną pułapką jest brak wyraźnych barier ochronnych. Piloci Gen AI nie powinni być traktowani jako nieskończone eksperymenty. Sukces powinien być mierzony w określonych wynikach – czasie zaoszczędzonym, kosztach zmniejszonych lub zdolnościach rozszerzonych. Muszą być bramki, które pozwalają na awans, zmianę lub zakończenie projektów na podstawie oceny opartej na danych. Połowa wszystkich pomysłów Gen AI może ostatecznie okazać się lepiej nadającą się dla innych technologii, takich jak RPA lub narzędzia bez kodu – i to jest w porządku. Celem nie jest wdrożenie AI dla samego wdrożenia AI, ale rozwiązanie problemów biznesowych w sposób skuteczny.

Lekcje z RPA i migracji chmury

To nie jest pierwszy raz, kiedy organizacje zostały porwane przez entuzjazm technologiczny. RPA obiecywało wyeliminowanie powtarzalnych zadań; migracja chmury obiecywała elastyczność i skalę. Obie spełniły – ostatecznie – ale tylko dla tych, którzy zastosowali dyscyplinę wdrożeniową.

Jednym z najważniejszych wniosków jest to, że należy nie pomijać podstaw. Widzieliśmy na własne oczy, że organizacje mogą osiągnąć do 50% zysków wydajności już poprzez usprawnienie istniejących przepływów pracy i poprawę higieny danych przed wprowadzeniem AI. Kiedy AI jest stosowany w optymalizowanym systemie, zyski mogą się podwoić. Ale kiedy AI jest nakładany na złamane procesy, wpływ jest znikomy.

To samo dotyczy danych. Modele Gen AI są tak dobre, jak dane, które konsumują. Brudne, nieaktualne lub niespójne dane prowadzą do słabych wyników – lub co gorsza, tendencyjnych i mylących. Dlatego firmy muszą inwestować w solidne ramy zarządzania danymi, co jest popierane przez ekspertów branżowych i podkreślane w raportach McKinsey.

Czarna strona “łatwego” AI

Jednym z podwójnych ostrzy generatywnego AI jest jego niski próg wejścia. Z prezbudowanymi modelami i przyjaznymi interfejsami, każdy w organizacji może uruchomić pilot w ciągu kilku dni – czasem godzin lub nawet minut. Chociaż ta dostępność jest potężna, otwiera również bramy. Nagle, masz zespoły w różnych departamentach eksperymentujące w izolacji, z minimalnym nadzorem lub koordynacją. Nie jest niezwykłe zobaczyć dziesiątki inicjatyw Gen AI prowadzonych jednocześnie, każda z różnymi stakeholderami, zestawami danych i definicjami sukcesu lub jego braku.

Ten fragmentaryczny podejście prowadzi do zmęczenia – nie tylko z punktu widzenia zasobów, ale także rosnącej frustracji z nie widzenia tangibilnych zwrotów. Bez scentralizowanego zarządzania i wyraźnej wizji, nawet najbardziej obiecujące przypadki użycia mogą skończyć się w nieskończonych pętlach iteracji, doskonalenia i ponownej oceny.

Przerwanie cyklu: budowanie z intencją

Zacznijmy od traktowania Gen AI jak każda inna inwestycja technologiczna – opartej na strategii, zarządzaniu i optymalizacji procesów. Oto kilka zasad, które uważam za kluczowe:

1. Zacznij od problemu, a nie techniki. Zbyt często organizacje gonią przypadki użycia Gen AI, bo są one ekscytujące – a nie dlatego, że rozwiązują określone wyzwania biznesowe. Zacznij od identyfikacji punktów tarcia lub nieefektywności w przepływach pracy, a następnie zapytaj: czy Gen AI jest najlepszym narzędziem do tego zadania?
2. Optymalizuj przed innowacją. Przed nałożeniem AI na złamany proces, napraw proces. Usprawnienie operacji może odblokować duże zyski same w sobie – i sprawia, że znacznie łatwiej jest zmierzyć dodatkowy wpływ AI. Jak zauważyła firma Bain & Company w niedawnym raporcie, firmy, które koncentrują się na gotowości podstawowej, widzą szybszy czas osiągania wartości z Gen AI.
3. Waliduj swoje dane. Upewnij się, że twoje modele są szkolone na dokładnych, istotnych i etycznie pozyskanych danych. Słaba jakość danych jest jednym z głównych powodów, dla których piloci nie udają się do skali, według Gartner.
4. Definiuj, co “dobrze” wygląda. Każdy pilot powinien mieć wyraźne KPI związane z celami biznesowymi. Niezależnie od tego, czy jest to redukcja czasu spędzanego na rutynowych zadaniach, czy obniżenie kosztów operacyjnych, sukces musi być mierzalny – a piloci muszą mieć bramki decyzyjne, aby kontynuować, zmienić lub zakończyć.
5. Zachowaj szeroki zestaw narzędzi. Gen AI nie jest odpowiedzią na każdy problem. W niektórych przypadkach automatyzacja za pomocą RPA, aplikacji o niskim kodzie lub uczenia maszynowego może być szybsza, tańsza lub bardziej trwała. Bądź gotów powiedzieć “nie” AI, jeśli ROI nie jest opłacalny.

Spójrzając w przyszłość: co pomoże, a co może zaszkodzić

W nadchodzących latach zmęczenie pilotów może się pogorszyć, zanim się poprawi. Tempo innowacji przyspiesza, zwłaszcza z nowymi technologiami, takimi jak Agentic AI. Presja, aby “zrobić coś z AI”, jest ogromna – a bez odpowiednich barier ochronnych organizacje ryzykują, że zostaną przytłoczone przez ogrom możliwości.

Jednak jest powód do optymizmu. Praktyki rozwojowe dojrzewają. Zespoły zaczynają traktować Gen AI z tą samą surowością, co tradycyjne projekty oprogramowania. Widzimy również poprawę w narzędziach. Postępy w platformach integracji AI i API są sprawiają, że łatwiej jest umieścić Gen AI w istniejących stosach technologicznych. Wstępnie wytrenowane modele od dostawców, takich jak OpenAI, Meta i Mistral, redukują obciążenie zespołów wewnętrznych. Ramy dotyczące etycznego i odpowiedzialnego AI, takie jak te promowane przez AI Now Institute, pomagają redukować niejasność i ryzyko. Być może najważniejsze jest to, że widzimy wzrost umiejętności AI wśród liderów biznesowych i technicznych – rosnące zrozumienie, co AI może (i nie może) zrobić.

Końcowe myśli: chodzi o cel, a nie o pilotaż

Na koniec dnia sukces AI sprowadza się do intencji. Gen AI ma potencjał, aby przynieść ogromne zyski wydajności, odblokować nowe możliwości i przekształcić branże – ale tylko jeśli jest prowadzony przez strategię, wspierany przez czyste dane i mierzony przez wyniki.

Bez tych kotwic to po prostu kolejna moda technologiczna, skazana na wyczerpanie twoich zespołów i rozczarowanie twojej rady nadzorczej.

Jeśli chcesz uniknąć zmęczenia pilotów Gen AI, nie zaczynaj od technologii. Zaczynaj od celu. I buduj od tamtej strony.