Зазор знаний, создаваемый ИИ, – это новый зазор безопасности. Вот как его закрыть.

Технологические компании делают знакомую ставку: что ИИ может выполнить работу быстрее и дешевле, чем люди. Хотя в многих случаях это может быть правдой, его также используют как легкий способ для сокращения штата.

В отчете PwC, опубликованном ранее в этом году, 56% генеральных директоров заявили, что не видели значительной финансовой выгоды от своих инвестиций в ИИ, и только 12% сообщили о снижении затрат и росте доходов от ИИ. Кроме того, в феврале исследование Национального бюро экономических исследований показало, что почти 90% компаний заявили, что ИИ не оказал влияния на занятость или производительность за последние три года. Все это подчеркивает откровенную истину: многие организации еще не увидели доходов и роста производительности, обещанных ИИ, и чтобы покрыть свои потери, они продолжают сокращать тысячи сотрудников.

Но вот что не говорят отчеты о прибыли: когда вы устраняете менеджера по работе с клиентами, который несет в себе десять лет контекста отношений, или инженера по контролю качества, чьи знания являются единственным, что обнаруживает дефекты до того, как они достигнут клиентов, вы не сокращаете излишки. Вы сокращаете несущие стены. Стоимость переделки, потери клиентов, неудачи качества, которые следуют, редко появляются в одном и том же слайд-шоу, которое праздновало сокращение штата. Они тихо поглощаются в будущих кварталах, приписываются рыночным условиям и забываются. Разрыв между тем, что обещает ИИ-реструктуризация, и тем, что она на самом деле доставляет, реален, он растет, и для многих организаций он остается полностью не признанным.

Настоящие затраты этого цикла не приземляются в одном месте. Они распространяются по каждой команде, оставшейся после сокращений. Разработчики поглощают рабочую нагрузку инженеров, которые ушли, одновременно получая инструменты ИИ, которые еще слишком незрелы, чтобы компенсировать потерянный штат. Команды по разработке продуктов теряют контекст, который держал дорожные карты на земле в реальности клиентов. Организации поддержки растягиваются тонко, и качество ответа ухудшается, поскольку клиенты сразу же распознают “сlop” ответы на их тикеты. Бремя не концентрируется, оно распределено, и эта диффузия является частью того, что делает его так легко игнорировать в квартальном отчете. Но внутри этого более широкого распространения ИТ-команды сталкиваются с особым и нарастающим вариантом проблемы. Они не только делают больше с меньшим. Им предстоит управлять инфраструктурой, построенной быстро, без знаний, которые давали ей связность, одновременно выполняя отключение ушедших коллег и подключение их замены, поскольку компании тихо меняют курс на сокращения, которые они публично праздновали.

По мере того, как мы продолжаем год, и организации стремятся оправдать обещания ИИ, пора нам осознать, что существует гораздо больше, чем доход, который теряется, когда вы сокращаете человеческую экспертизу во имя эффективности, обусловленной ИИ. Хорошая новость? Вы можете иметь лучшее из обоих миров. Но для этого необходимо принять более практический, прагматичный подход к ИИ. Такой, который держит людей в центре вашей стратегии.

Что теряется, когда знания уходят за дверь

Критическая операционная информация живет в людях и применяется через человеческое суждение, а не системы. Когда эти люди уходят, эта информация уходит с ними. Независимо от того, насколько совершенна модель, ИИ не может заполнить этот пробел сегодня.

Даже когда возможности ИИ расширяются, автоматизация без нюансов контекста создает опасные слепые пятна в критических областях:

• Суждение и стратегия: Интуиция, знания и осведомленность о рынке не живут аккуратно в наборах данных, даже неструктурированных.
• Контекст и ситуационная осведомленность: Люди распознают нюансы, намерения и могут ориентироваться в серых зонах, где жесткие правила могут разбиться.
• Сочувствие и доверие: Высокое воздействие или эмоционально заряженные моменты (особенно те, которые включают клиентов или сотрудников) требуют человеческой реакции.
• Надзор и подотчетность: Кто-то должен быть ответственен за выявление неудач, предвзятости или опережение дезинформации. Просто сказать: “Вы правы, попробуйте еще раз”, после предоставления совершенно неверной информации не сработает.
• Институциональная память и контекст системы: Понимание того, почему команды построили инфраструктуру определенным образом (или не сделали), что они пытались раньше, и какие краевые случаи существуют, которые никто не задокументировал.
• Лидерство и управление: Определение политики, толерантности к риску и соблюдение этических границ остается фундаментальной человеческой ответственностью.

ИИ может предоставить информацию, рекомендовать действия и ускорять выполнение, но он не может заменить институциональную память, которая предотвращает катастрофы, или предложить подотчетность, которая обнаруживает их, прежде чем они закручиваются.

Что делают умные организации по-другому

Организации, которые преуспевают с ИИ, не удаляют людей из уравнения. Они используют ИИ для оптимизации рутинных, повторяющихся процессов, которые добавляют трение к повседневным операциям. Освобождая людей, чтобы они могли посвятить время и другие критические ресурсы где-то еще, чтобы найти новые творческие способы стимулировать большую деловую выгоду. Они используют ИИ как инструмент “гонки-с” для принудительного усиления.

Рассмотрим мир ИТ-операций. Эти команды уже растянуты тонко, управляя разветвленной инфраструктурой с ограниченными средствами. ИИ, или, может быть, более конкретно, машинное обучение (МО), может доставить реальную ценность здесь. ИИ/МО может автоматизировать ранее время, потребляющие рутинные задачи, которые закапывают ценных экспертов в операционную работу: тестирование и исследование, классификация тикетов, генерация рабочих процессов, обнаружение и картографирование рисков.

Эти задачи образуют основу ИТ-операций, но они потребляют огромное количество времени (особенно когда цифровые поместья организаций расширяются, ландшафт уязвимостей меняется, и сотрудники все больше ожидают иметь положительные цифровые впечатления от устройств, которые они используют для работы). Когда команды не выполняют основы хорошо (управляя или контролируя эти возможности и процессы), потому что они тонут, последствия бьют сильно: простои, пропущенные патчи, утечки данных, нарушения безопасности.

С другой стороны, когда вы используете ИИ хорошо для оптимизации работы в этих областях, вы даете ИТ-специалистам время, чтобы сделать то, что ИИ не может: очистить технический долг, улучшить существующие системы и процессы, перестроить для устойчивости и сохранить институциональные знания, которые держат критические системы в работе. Это больше, чем просто эффективность. Это смягчение риска. И это закладывает более прочный фундамент для долгосрочного роста.

Получение ИИ-принятия правильно

Организации, которые начинают с вдумчивого применения ИИ и принятия, а также отдают приоритет безопасному, эффективному обеспечению, видят (и будут продолжать видеть) большие победы от своих стратегий ИИ. Оптимизация не исходит от сокращения людей.Она исходит от инвестиций в них, переработки рабочих процессов и обучения команд, как лучше всего использовать ИИ.

Это действительно не ново. Технологии продвигались через поколенческие циклы в течение сотен лет. Каждый раз мы склонны повторять одни и те же ошибки. Мы переоцениваем и пытаемся сделать конкретный прогресс панацеей от всего, что нас беспокоит. Нет недостатка в продавцах змеиного масла, которые воспользуются этим отчаянием, обещая слишком много и исчезая, прежде чем результаты могут быть измерены. Реальность заключается в том, что ИИ/МО может выполнять определенные задачи с большей скоростью и точностью, чем человек. Те, кто находит эти возможности и применяет ИИ в прагматичном, “гонке-с” виде, увидят очень быстрые доходы от своих инвестиций. Практически это означает:

• Использование ИИ для устранения задач с низкой ценностью, а не высокого суждения
• Проектирование рабочих процессов “человек в цикле” для снижения риска высокоэффективных решений
• Определение четких путей эскалации, когда системы ИИ терпят неудачу или производят неопределенные результаты
• Назначение явного владения решениями, обусловленными ИИ
• Обучение команд проверять вывод ИИ, а не слепо принимать его

Настоящая стоимость ошибок

Текущий цикл технологической промышленности массовых сокращений, за которыми следует тихое повторное нанимание, не является сдвигом талантов. Это передача риска. Организации обменивают десятилетия институциональной памяти на несколько месяцев автоматизированной скорости, и ИТ-лидеры остаются теми, кто держит мешок, когда речь идет об управлении последствиями.

ИИ предлагает реальные выгоды, но они имеют наибольшее значение, когда вы используете ИИ для сохранения и усиления экспертизы, а не замены ее. Компании, которые будут продолжать процветать в эпоху ИИ, не те, которые сокращают самый глубокий или развертывают наиболее инструменты ИИ. Они те, кто вдумчиво использует ИИ для автоматизации однообразия и усиления человеческой креативности, сотрудничества и экспертизы.

Потому что, когда следующая система терпит неудачу, или следующий простой или инцидент кибербезопасности происходит, вы не хотите робота или машины на переднем крае системного восстановления или коммуникации с клиентами. Вот где вам понадобится (и нужно будет) человек с глубоким историческим контекстом и знаниями, все еще находящимися в здании.

Если мы хотим раскрыть полный потенциал ИИ, важно сосредоточиться на использовании ИИ для задач, окутанных скукой, и перестать использовать его как оправдание плохой деловой производительности.