Łamiąc cykl: Jak organizacje mogą uniknąć Doompromptingu i osiągnąć sukces

Od czasu powstania pojęcia sztucznej inteligencji (AI) w latach 50. XX wieku, AI otworzyła drogę do tego, aby firmy doświadczyły zwiększonych możliwości i produktywności za pomocą różnych technik, szczególnie systemów machine learning. Te narzędzia/technologie poprawiły prognozowanie i podejmowanie decyzji, tworząc podstawy dla przyszłych postępów technologicznych. W ostatnich czasach, Generative AI obiecuje odwrócić wszystko, co wiemy o pracy i udostępnić doświadczenie AI. Użytkownicy angażują się w modele AI, takie jak ChatGPT, za pomocą “promptingu”, gdzie jeden użytkownik взаимодействuje z modelem AI. Jednakże, te korzyści również przychodzą z nowym wyzwaniem: Doomprompting. Jest to równoznaczne z doom scrolling na treściach online, bez określonego celu, uwięzienia użytkowników w królikach. Z AI jednak, królik mówi z powrotem. Ten akt ciągłego udoskonalania promptów AI, zarówno dla modeli generatywnych, jak i agentywnych, napędzany ambicją uzyskania idealnego wyniku (i czasami przez promptowanie bez konkretnego celu), prowadzi do zwiększonych kosztów i malejących zwrotów. Tworzy to znaczącą przeszkodę na drodze do sukcesu i podważa sam cel korzystania z technologii AI.

Ponieważ firmy zwiększają swoje budżety związane z AI, osoby podejmujące decyzje muszą zrozumieć drogę do uzyskania rzeczywistych zwrotów z inwestycji i jaki jest wartość, którą generują. Raport z 2025 roku opublikowany przez IEEE, The Hidden Costs of AI: How Small Inefficiencies Stack Up, pokazuje, jak niewielkie dostosowania mogą się kumulować w znaczące obciążenia ekonomiczne. Aby uniknąć stania się częścią tej kosztownej walki, organizacje muszą udoskonalić szkolenia swoich pracowników w zakresie korzystania z LLM, aby osiągnąć pełny potencjał swoich inwestycji w AI.

Generative AI niesie obietnicę optymalizacji i wydajności. Jednakże, gdy zespoły zostają uwięzione w cyklu niekończącego się udoskonalania (lub bezradnego błądzenia), niewydajność podważa tę podstawę.

Czyszczenie “Workslop”

Jednym z powodów, dla których zespoły ciągle udoskonalają wyniki, aby wygenerować idealną odpowiedź, jest workslop. Po raz pierwszy opisany w Harvard Business Review, workslop obejmuje “treści pracy wygenerowane przez AI, które podszywają się pod dobra pracę, ale brakuje im substancji, aby znacząco przyczynić się do danego zadania.”

Ten AI-wygenerowany “słup” jest pierwszym domina w długiej linii, która tworzy cykl doompromptingu. Chociaż modyfikacja słabych treści za pomocą iteracji lub edycji jest ważna, trzeba wiedzieć, kiedy przestać, zanim zostanie osiągnięty punkt malejących zwrotów. Organizacje muszą podejść do swojego czasu inwestycji w szkolenia AI z delikatną równowagą. Z jednej strony, zespoły powinny być świadome wymaganej jakości; z drugiej strony, powinny wiedzieć, kiedy jest to zbyt wiele. Szkolenie pracowników w bardziej efektywnym korzystaniu z modeli AI za pomocą optymalnego promptowania i jasnych celów również byłoby przydatne.

Korzystanie z Agentic AI, aby uniknąć Doompromptingu

W ostatnich latach, firmy znacznie zwiększyły swój zainteresowanie i inwestycje w agentywną AI, która jest uznawana za swoją zdolność do poprawy skuteczności operacyjnej. Agentywna AI może podejmować złożone zadania, współpracować z wieloma agentami (w tym RAG i agentami działania) w celu podjęcia decyzji i wykonania zadań w sposób autonomiczny.

Te cechy mogą pomóc AI w uniknięciu doompromptingu lub całkowitym jego wyeliminowaniu. Może to usunąć potrzebę instruowania interfejsów GenAI za pomocą wielu promptów, aby wykonać zadanie. Przykładem tego może być AI-wspomagane zarządzanie IT, czyli AIOps, które modernizują IT, wplatując AI w codzienne zadania. Tradycyjnie, zespoły spędzają swój czas na ręcznym dostosowywaniu systemów. 21-wieczne działy to te, które wykorzystują AI do autonomicznego zarządzania krytycznymi funkcjami, takimi jak rozwiązywanie problemów, odpowiedź na incydenty i alokacja zasobów.

Inny odpowiedni przykład to sposób, w jaki agentywna AI może obsłużyć złożony incydent w sposób autonomiczny. Ci agenci, wraz z ITOps, są w stanie zrozumieć kontekst incydentu, współpracować z agentami rozumowania w celu podjęcia decyzji, używać agentów działania do wykonania ostatnich poprawek na systemach IT i w końcu zatrudniać agenci uczenia się, aby zrozumieć rozwiązanie i zastosować je bardziej efektywnie w przyszłych incydentach.

Agentywna AI wspomaga inteligentną automatyzację, co prowadzi do mniejszej interakcji człowieka i wykonuje zadania w sposób autonomiczny. Aby sprostać ewoluującym wymaganiom biznesowym, zadania i operacje powtarzalne powinny być przekazane do autonomicznej AI. To przekazanie eliminuje cykl ponownego promptowania i powtarzalnego udoskonalania, który często napędza doomprompting. Operacje autonomiczne pozwalają modelom AI na ciągłe optymalizowanie i reagowanie na zmieniające się zmienne bez ręcznego wprowadzania, co prowadzi do szybszych wyników z minimalnym udziałem człowieka.

Chociaż wykwalifikowani specjaliści nadal będą odgrywać instrumentalną rolę w codziennych operacjach za pomocą podejścia “człowiek w pętli”, ich czas będzie lepiej wykorzystany w skanowaniu wyników weryfikacji. To podejście minimalizuje ryzyko wprowadzenia błędów lub nadmiernej korekty.

Rola zarządzania w zapobieganiu Doompromptingowi

W niedawnym badaniu McKinsey, 88% respondentów zgłosiło korzystanie z AI w co najmniej jednej funkcji biznesowej. Był to skok o 10% w porównaniu z 2024 rokiem i imponujący 33% wzrost od 2023 roku. Dla Agentywnej AI ten skok był jeszcze bardziej znaczący. Od zaledwie 33% w 2023 roku do prawie 80% w 2025 roku.

Ten powszechny trend przyjęcia AI powoduje, że firmy szukają nowych rozwiązań, aby uniknąć doompromptingu. Jednym z takich narzędzi są solidne ramy zarządzania. Powinny one być starannie opracowane, aby zapewnić, że projekty AI pozostają zgodne z celami biznesowymi i nie padają ofiarą niekończącego się walca optymalizacji. Gdy zespoły rozwijają te ramy, powinny uwzględnić:

• Ustanowienie wytycznych: Strumienie danych do i z modeli AI stają się coraz bardziej złożone. Aby to uprościć, wytyczne AI powinny stworzyć ramy dla zespołów, aby obsłużyć dane, podejmować decyzje i zarządzać wyjściami AI w sposób odpowiedzialny.
• Szkolenie użytkowników: Prawidłowe szkolenie w zakresie korzystania z promptów może przyczynić się do optymalnej produktywności
• Korzystanie z wyspecjalizowanych modeli: Modele AI specyficzne dla branży i celu są bardziej prawdopodobne, aby zapewnić kontekstowe i znaczące wyjścia szybciej
• Szkolenie modeli AI: Szkolenie modeli AI z danymi specyficznymi dla branży/zadania/organizacji (gdy tylko jest to możliwe) może prowadzić do mniej workslopu i bardziej odpowiednich wyjść szybciej.
• Rozwój reguł: Opracowanie i wdrożenie jasnego zestawu reguł jest niezbędne do kierowania rozwojem i wdrożeniem AI. Gdy zespoły ustalają granice operacyjne, zapewniają, że przyjęte systemy są zgodne z celami organizacyjnymi, standardami etycznymi i wymogami regulacyjnymi.

Chociaż tempo przyjęcia rozwiązań AI rośnie, zarządzanie nie. Zgodnie z raportem PEX Industry z 2025 roku , mniej niż połowa ma politykę zarządzania AI. Tymczasem tylko 25% było w trakcie wdrożenia takiej polityki, a prawie jedna trzecia nie miała żadnej polityki zarządzania AI. Te ramy mogą być decydującym czynnikiem w pomocy firmom w ustaleniu wyraźnych granic tego, co stanowi dopuszczalną wydajność.

Ucieczka z pętli Doompromptingu

Aby uniknąć wpadnięcia w cykl doompromptingu, firmy muszą przyjąć strategie AI, które priorytetowo traktują wyniki nad doskonałością. Użycie szkoleń promptów, modeli AI specyficznych dla celu i modeli szkolonych na danych kontekstowych przedsiębiorstwa może zmniejszyć potrzebę obszernego ponownego promptowania. Firmy, które wykorzystują agentywną AI, autonomiczne operacje IT i silne ramy zarządzania, mogą przekazać krytyczne zasoby w kierunku osiągania swoich celów biznesowych bez zakopania się w niekończące się cykle optymalizacji. Sukces nastąpi, gdy zespoły zmienią swoje myślenie z ciągłego udoskonalania na bardziej ukierunkowane wykonanie i mierzone wyniki. Firmy, które wykorzystują agentywną AI, autonomiczne operacje IT i silne ramy zarządzania, mogą realokować krytyczne zasoby w kierunku osiągania swoich celów biznesowych bez zakopania się w niekończące się cykle optymalizacji. Sukces nastąpi, gdy zespoły zmienią swoje myślenie z ciągłego udoskonalania na bardziej ukierunkowane wykonanie i mierzone wyniki.