Сам Дженкинс, управляющий партнер в Punchcard Systems – Серия интервью

Сам Дженкинс, управляющий партнер в Punchcard Systems, более двух десятилетий работает на пересечении технологий, предпринимательства и организационных трансформаций. С момента основания Punchcard Systems в 2016 году он помог компании расти, а также консультировал организации по стратегии цифрового рабочего места, индивидуальному программному обеспечению, искусственному интеллекту и новым технологиям. Его предыдущий опыт включает в себя основание Startup Edmonton и Wellnext, руководство бизнес-развитием и технологиями рабочего места Microsoft в iomer internet solutions, а также работу на руководящих и советских должностях в технологической, здравоохранительной, общественной безопасности и общественных организациях. Этот опыт дал ему широкий взгляд на то, как технологии меняют способ сотрудничества, принятия решений и выполнения работы людей.

Punchcard Systems – канадский партнер по программному обеспечению и технологиям, который работает со стартапами и средними предприятиями для разработки, создания и внедрения цифровых решений, связанных с измеримыми бизнес-целями. Обслуживая более 150 клиентов по всей Канаде и США, компания имеет возможности в области индивидуального веб- и мобильного программного обеспечения, искусственного интеллекта, облачной инфраструктуры, данных и аналитики, дизайна пользовательского опыта и технологий рабочего места, таких как Microsoft 365, Azure, Copilot, Teams, SharePoint и Power Platform. Punchcard фокусируется на помощи организациям в модернизации операций, улучшении опыта сотрудников и клиентов, а также интеграции новых технологий в практические бизнес-процессы.

Ваша карьера прошла через эволюцию технологий рабочего места, от платформ для сотрудников на основе Microsoft SharePoint до основания Startup Edmonton и, наконец, Punchcard Systems. Как этот опыт сформировал ваше представление о сдвиге от программного обеспечения, которое сотрудники используют сами, к агентам ИИ, которые все чаще выполняют работу от их имени?

Когда я впервые начал работать с цифровыми технологиями рабочего места, такими как SharePoint (в 2003 году!), основное внимание было уделено созданию лучших способов для сотрудников найти информацию, поделиться знаниями и сотрудничать. В конце концов, сотрудник все равно выполнял работу: он ориентировался в системах, производил результаты. Сегодня мы переходим от ИИ как индивидуального инструмента продуктивности к новой эре агентского ИИ, где системы могут выполнять более сложные, многоступенчатые задачи от имени сотрудников.

Это то, что меняется. Как экосистема, мы переходим от ИИ как личного инструмента продуктивности к агентским системам, которые выполняют сложную работу от имени реальных людей. Claude Cowork и ChatGPT Work уже делают этот агентский подход довольно популярным.

Я наблюдал за несколькими такими технологическими сдвигами, и закономерность остается каждый раз. Организации, которые выигрывают, не рассматривают новую технологию просто как развертывание. Они рассматривают ее как возможность переосмыслить, как люди, процессы и технологии работают вместе.

ChatGPT Work может собирать информацию из связанных приложений и файлов, выполнять многоступенчатые задания и производить готовые документы, электронные таблицы и презентации. Как это изменит ежедневные обязанности знаний работников, которые ранее создавали эти материалы сами?

Я думаю, что работа меняется от “производства результатов” к “управлению результатами”. Это фундаментально меняет роль знаний работников, но это не заменяет необходимость человеческого суждения и контроля. Вместо этого сотрудники будут все чаще переходить от создания каждой части работы сами к управлению, проверке и координации результатов, сгенерированных ИИ.

Много повторяющейся работы перейдет к агенту: сбор информации, создание презентаций или документов, или суммирование данных. Это освобождает людей для работы, которая действительно требует человека: стратегии, творчества, критического мышления и сотрудничества.

Навык, который становится все более ценным, – это знание того, как хорошо направлять ИИ, давая ему правильный контекст и распознавая, когда ответ выглядит правильным, но не является.

Вы описали растущую потребность в “менеджерах ИИ”. Что будет включать эта роль на практике, и как она будет отличаться от обязанностей администратора ИТ, менеджера продукта или традиционного менеджера по персоналу?

Менеджеры ИИ будут играть важную роль в помощи организациям в принятии ИИ ответственно и эффективно. Их обязанность будет заключаться в управлении и контроле результатов ИИ, обеспечивая точность, надежность и соответствие бизнес-целям.

Это другая работа, чем традиционный ИТ, который владеет инфраструктурой и техническими системами, или менеджер продукта, который фокусируется на разработке и улучшении продуктов. Каждый отдел будет нуждаться в ком-то, кто понимает, как ИИ применяется к их конкретной области, будь то финансы, юридические вопросы, кадры или операции.

Настоящий сдвиг – это владение. Сейчас большинство организаций не назначили человека, который был бы явно ответственен за то, что эти системы доставляют ценность и остаются в пределах приемлемого риска. Этот пробел, в плане определения直接 ответственных лиц, – это то, что эти роли будут заполнять.

KPMG Canada обнаружила, что агенты ИИ уже влияют на то, как организации нанимают сотрудников, как начинающих, так и опытных. Какие навыки станут более ценными, когда работодатели начнут оценивать кандидатов по их способности делегировать работу ИИ, оценивать его результаты и вмешиваться при необходимости?

Навыки, которые станут более ценными, – это те, которые остаются уникально человеческими, такие как критическое мышление, суждение, коммуникация, творчество, решение проблем и лидерство.

Техническая грамотность ИИ будет продолжать иметь значение, но работодатели ищут людей, которые понимают, как ИИ вписывается в более широкую бизнес-среду. Это включает в себя навыки, такие как управление изменениями, управление рисками и стратегическое мышление.

Граница между техническими и нетехническими ролями стирается. Организации переходят от найма только за навыки, которые у человека уже есть, к людям, которые готовы учиться, адаптироваться и постоянно совершенствоваться. Самые ценные сотрудники будут те, кто может использовать возможности ИИ, понимая, где человеческое суждение остается важным.

Многие сотрудники традиционно развивали профессиональное суждение, выполняя повторяющиеся задания начального уровня. Если агенты ИИ поглощают большую часть этой основной работы, как организации могут переработать обучение и карьерное развитие, чтобы младшие сотрудники все равно получили необходимый опыт, чтобы стать эффективными принимающими решения?

Это правда, которая немного беспокоит меня. Люди раньше строили суждение и опыт, проходя через задания начального уровня. Если агенты выполняют эту работу, лестница теряет несколько ступеней.

Организации должны быть более намеренными, чем когда-либо, в построении талантов младших сотрудников через наставничество, коучинг, упражнения по принятию решений и раннюю экспозицию к высокоценным проектам в начале карьеры.

Также есть возможность для обратного наставничества, когда младшие сотрудники, которые более знакомы с инструментами ИИ, могут помочь командам понять, как эти технологии могут быть применены, а опытные сотрудники продолжают предоставлять бизнес-контекст и суждение, которые ИИ не может воспроизвести.

Цель должна заключаться в том, чтобы переработать процесс обучения для рабочего места, где люди и ИИ работают вместе.

Punchcard имеет обширный опыт внедрения Microsoft 365 и связанных технологий рабочего места. Как ChatGPT Work меняет конкурентную среду для Microsoft Copilot и Google Gemini, и какие факторы должны учитывать лидеры при выборе платформы ИИ для повседневной работы?

Ландшафт быстро эволюционирует, и организации имеют больше вариантов, чем когда-либо. Решение должно свестись к тому, какое решение лучше всего соответствует существующей технологической среде, рабочим процессам, требованиям безопасности и бизнес-целям.

Для организаций, которые уже инвестировали в Microsoft 365, инструменты, такие как Copilot, могут предоставить преимущества через интеграцию с существующими приложениями и данными. Другие могут найти, что другие платформы лучше подходят для их потребностей.

Я думаю, что ключевой вопрос, который лидеры должны задавать, – это не “какой инструмент?”, а “какую проблему мы решаем, и какая платформа помогает нам решить ее ответственно?”

Вот что мы узнали на собственном опыте: успешное внедрение заключается не только в инструменте. Мы реализовали платформы ИИ на уровне компании, с индивидуальными моделями, настроенными на то, как мы на самом деле работаем. Каждый сотрудник использует его, но это не произошло от выбора правильного продукта; это произошло от сильных основ данных, управления и построения ИИ в том, как работает компания.

Производительность модели часто доминирует в разговорах о рабочем месте ИИ, но организации также должны учитывать разрешения, доступ к данным, аудит и подотчетность. Какие механизмы управления должны быть установлены до того, как агент ИИ будет разрешен работать с электронной почтой, документами, внутренними базами данных и бизнес-приложениями?

Одна из самых больших ошибок, которые совершают организации, – это рассмотрение управления ИИ как после мысли. Когда системы ИИ становятся более способными и связаны с бизнес-данными, организации должны установить четкие принципы того, как эти инструменты используются, прежде чем масштабировать их широко.

Это начинается с понимания того, какой информации могут получить доступ системы ИИ, обеспечения того, что разрешения правильно ограничены, и установления контроля вокруг мониторинга и подотчетности.

Организации также должны иметь четкие рекомендации о том, где ИИ может работать самостоятельно и где требуется человеческий надзор.

Строив правильные основы вокруг данных и безопасности заранее, бизнес может разблокировать ценность ИИ, управляя рисками, которые приходят с все более автономными системами.

Когда агенты ИИ выполняют действия, а не просто предоставляют ответы, ошибки могут иметь операционные последствия. Как бизнес должен проверять работу, сгенерированную агентом, определять, какие действия требуют человеческого одобрения, и назначать ответственность, когда агент производит неточную информацию или выполняет непредвиденное действие?

Когда ИИ переходит от ответов к действиям, профиль риска меняется. Не каждая задача несет одинаковые ставки, поэтому планка для человеческого одобрения должна масштабироваться с тем, что зависит от результата.

Просто говоря, это требует четкого владения. ИИ должен поддерживать принятие решений, а не заменять ответственность. Организации должны определить, кто контролирует производительность ИИ, проверяет результаты и в конечном итоге отвечает за результаты. Цель – объединить эффективность ИИ с человеческим суждением, создавая системы, которые являются как масштабируемыми, так и заслуживающими доверия.

Многие организации экспериментируют с ИИ, не связывая его с измеримыми бизнес-результатами. Как лидеры должны выявлять стоящие агентских случаев использования, измерять их возврат на инвестиции и определять, готова ли пилотная программа к масштабированию по всей организации?

Пробел обычно возводится к последовательности. Команды выбирают технологию сначала, а затем ищут, где ее можно применить, когда прочные победы приходят от начала с рабочего процесса, который уже болезненный и дорогой, и вопроса о том, является ли агент真正 правильным инструментом.

Лучший фильтр – это изменчивость. Если процесс достаточно предсказуем для правила, вам не нужен агент. Если это так открыто, что никто не может описать хорошую информацию, агент будет бороться, и вы не сможете ему доверять. Ценность сидит между ними, в работе, которая требует суждения через несколько систем, но все равно работает внутри ограниченных, аудиторских правил.

Я бы добавил один вопрос, который меняет профиль риска больше, чем все остальное. Является ли стоимость неправильного действия ограниченной и обратимой? Где это так, пусть агент действует и двигается быстро. Где ошибка дорогая или трудно отменить, сохраните человека в решении.

По возврату на инвестиции обычная ошибка заключается в измерении неправильной вещи слишком поздно. Сэкономленные часы – это значение по умолчанию, но оно недооценивает влияние. Более крупные возвраты появляются как сжатие цикла времени, более низкие показатели ошибок и емкость, которая ранее была распределена, становятся доступными. Команда поддержки, которая могла достичь только половины своих тикетов, становится другой бизнесом, когда она может достичь всех из них. Захватите чистую базовую линию до начала пилотной программы, потому что без нее вы застряли в спорах об анекдотах. И когда вы подсчитываете стоимость, учитывайте полную картину. Работа по интеграции и время человеческого надзора – это реальные статьи, и надзор хронически недооценивается.

Решение о том, готово ли масштабироваться, – это то, где дисциплина имеет значение больше всего, и это шаг, который команды спешат. Демо на чистых входных данных говорит вам мало. Пилотная программа готова, когда она держится на длинном хвосте реальных, грязных входных данных, когда режимы отказа поняты и ограничены, когда наблюдаемость установлена, чтобы молчаливый отказ был пойман, а не обнаружен клиентом, и когда человек по имени ответственен в производстве.

Запустите проверку единицы экономики тоже, поскольку затраты агента масштабируются с использованием в sposób, который отличается от программного обеспечения.

Агентские системы терпят неудачу по-другому, чем традиционное программное обеспечение. Они терпят неудачу вероятностно и часто тихо, поэтому организации, которые выигрывают, строят оценку и мониторинг с самого начала, а не прикрепляют их после того, как что-то ломается.

Punchcard Systems помогает организациям перейти от экспериментов с ИИ к интеграции его в реальные бизнес-процессы. Как вы оцениваете готовность организации к ИИ, определяете рабочие процессы, где он может доставить измеримую ценность, и помогаете командам реализовать эти системы ответственно, не нарушая существующие операции?

Важно начать с понимания текущего состояния организации. Одним из самых больших заблуждений является то, что принятие ИИ просто связано с выбором правильного инструмента. На самом деле, успешная реализация зависит от сильных основ: качественных данных, четких процессов и определенного владения.

Оттуда мы помогаем организациям определить, где ИИ может создать наибольшую ценность, часто в рабочих процессах, которые съедают непропорциональное время относительно их влияния, или в решениях, принимаемых без правильной информации на руках.

Организации должны подумать о том, как роли и принятие решений будут эволюционировать вместе с технологией. Объединив правильную технологию с принятием сотрудников и управлением изменениями, бизнес может интегрировать ИИ так, чтобы создать измеримую ценность, не нарушая то, что уже работает.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Punchcard Systems.