Bygga ett AI-nativt arbetsplats: Lektioner från frontlinjen

Vad skulle du göra om du sprang ett 10K-lopp, kämpade för att komma uppför en tuff backe och plötsligt ändrades reglerna för loppet? Vad om förare började hämta löpare i bilar och sedan tävlade mot varandra till mållinjen? Skulle du fortsätta springa, trots att du vet att du kommer att hamna i baksidan av fältet? Eller skulle du kliva in i bilen, gasa och tävla om den stora priset?

I dagens affärsvärld är AI den bilen som stör det sätt som företag drivs på. Företag kan fortfarande välja att fortsätta som de alltid har gjort – utveckla långsiktiga planer, följa processer, pusha anställda att arbeta hårdare än någonsin för att lyckas i alltmer konkurrensutsatta miljöer. Men AI är i färd med att ändra naturen av loppet. Det ger företag ett nytt fordon för att röra sig snabbare och ge arbetare nya vägar för att zooma runt problem. Varje företag som inte tar rodret och införlivar kraften av AI i sin arbetsstyrka kommer att lämnas kvar på den långa, branta backen.

Att omfamna framtiden genom att bli en chef för AI

Här på Cockroach Labs lärde vi oss mycket snabbt att Gen AI kan hjälpa oss att göra saker som vi aldrig trodde var möjliga. Vi har använd det över hela företaget för gen AI-sökning, rekommendationssystem och semantisk sökning.

Ett av de bästa exemplen på hur AI kan transformera en arbetsprocess är det som sker i vår utbildningsavdelning. Vårt team använder AI för att påskynda utvecklingen av kurser som hjälper kunder, partners och vår egen personal att bli experter på att använda våra databasprodukter.

Vi skapade nyligen en kurs som bestod av 21 praktiska övningar och 20 slide-decks med detaljerade studentanteckningar. Innan vi började projektet uppskattade vi att, med vår normala utvecklingsprocess – med hänsyn till branschstandarder för hur lång tid det tar för utvecklare att producera en timmes innehåll – detta skulle ta tre till fem månader att slutföra.

Så, vad hände? Genom att införliva Gen AI i våra befintliga processer kunde vi slutföra uppgiften på fem veckor.

Under processen lärde vi oss en mängd lektioner.

• Vi är alla chefer för AI. Var och en av oss har möjlighet att tänka mycket annorlunda med AI. Var och en av oss bör agera som chefer, oavsett om vi har direkta rapporter eller inte, eftersom vi hanterar en i princip obegränsad tillgång till intelligenskapacitet som vi kan sätta i arbete på utmanande projekt. Hur mycket kan du automatisera? Hur kreativ kan du vara? Hur effektivt kan du utmana din AI-verktyg och distribuera den nya modell som det genererar? Du kan utnyttja det. Du kan hantera det. Du kan göra i princip allt som din egen personliga kapacitet tillåter dig att göra.
• Förvänta dig inte att AI ska göra allt. Det finns uppgifter som det inte är lämpligt att utföra. Men du kan uppgiftsätt det att göra saker som arbetare inte bör göra längre – jobb som är tidskrävande, men fortfarande kräver en viss grad av intelligens.
• Förvänta dig inte att blint acceptera resultaten det producerar. Kontrollera, kontrollera och kontrollera igen. Lita på teknologin, men verifiera alltid – eftersom noggrannhet förvandlar antaganden till prestationer.

Steg-för-steg-processen för att distribuera AI för uppgiftshantering

Här är en snabb sammanfattning av några av de sätt som AI hjälpte oss att komma uppför backen, till mållinjen, mycket snabbare än vi förväntade oss.

• Olika modeller: Olika modeller har olika styrkor. Så, precis som tillverkare använder bästa komponenter när de bygger en lösning, känns det fri att byta modeller när det är meningsfullt att utnyttja dessa styrkor. Vi använde Claude Sonnet 3.5 för att skapa den första utkastet till övningen eftersom det excellerade i att skapa engagerande prosa och instruktioner. Vi använde ChatGPT 4o&”o resonemangsmodeller som tekniska granskare för att finslipa kommandon och säkerställa teknisk noggrannhet i den andra utkastet.
• Reproducerbara resultat: När vi utförde högt tekniska uppgifter ville vi kunna påtvinga tydliga tekniska begränsningar och producera strukturerade utdata som stödde reproducerbara resultat. För att göra det tillhandahöll vi explicita strukturkrav och formatexempel.
• Prompt för högt tekniska uppgifter: Var mycket specifik om vad du ber AI att göra –

annars kan det göra galna saker. Uttryck tydligt eventuella antaganden om indata eller miljöförhållanden och be modellen att hantera oförutsedda fall.

• Raffinerade prompt: Det är viktigt att uppmuntra AI-verktyg att ställa förtydligande frågor. De första prompten kommer inte att vara perfekta, så förvänta dig flera omgångar. Införliva eventuella förbättringar eller steg som modellen föreslår tillbaka till din basprompt, och iterera med AI och dina teammedlemmar.
• Testning, testning, testning: Konsistenskontroller är kritiska. Ett sätt att mäta effektiviteten av din prompt är att säkerställa konsekvent utdata. Så, testade vi ofta för att säkerställa att vi matade in samma indata och att utdatat förblev detsamma.

Mänsklig expertis i ledningen: Den väsentliga rollen för AI-övervakning

Medan AI tar bort tidskrävande uppgifter från arbetarnas dag, tar det inte bort dem från arbetsflödet helt. Människor spelar fortfarande kritiska roller i vår kursumveckling, och de måste integreras i AI-drivna processer för att säkerställa att processerna lyckas.

Ett bra exempel är hur vårt utbildningsteam genomför promptteknik. Människor är ansvariga för att skapa den initiala prompten, inklusive sammanhang från relevanta källor. Sedan, efter att Gen AI-verktyget har utfört prompten, granskar den mänskliga personen utdatat från verktyget. Det är avgörande att denna person är en ämnesexpert som kan upptäcka fel tidigt i processen. Teammedlemmar fortsätter att samarbeta med verktyget och iterera tills teamet är nöjt med att prompten är redo att publiceras.

Medan denna samarbetsmässiga mänskliga/AI har visat sig vara effektiv, kräver den att en människa hanterar sammanhanget och övergångarna mellan modeller.

Utan människor i loopet skulle teamen vara utelämnade till AI-verktyg som kan vara notoriskt opålitliga. När vi först började med vårt kurssprojekt gjorde verktygen bra ifrån sig när det gällde att sammanfatta eller förklara koncept, givet rätt sammanhang. Men de hallucinerade ofta. Idag är modellerna bättre på resonemang, men en människa behöver fortfarande hantera processen. Nu kan människor fokusera på granskning och kreativitet och inte bara på processhantering.

I framtiden kommer AI-agenter att spela en större roll i processen. Istället för att människor manuellt samlar in sammanhang från källor, skapar prompt med sammanhang, flyttar arbete mellan AI-modeller och granskar och finslipar utdata, utvecklar vi agenter som kan utföra många av dessa uppgifter – med lite hjälp. Agenten kan självständigt samla in och bearbeta källmaterial som sammanhang, generera färdighetstaxonomier och kursplaner, utföra våra etablerade arbetsflöden och presentera endast viktiga beslutspunkter för mänskliga experter.

Slutsats

Medan snabba löpningar är bra för att hålla sig i form, förändrade bilar för länge sedan människors förmåga att ta sig till där de behöver gå. AI ger företag samma fördelar på arbetsplatsen – hjälper företag att förbättra processer och generera bättre resultat. De som omfamnar det och utnyttjar dess sammansatta effektivitetsvinster kommer att lämna konkurrenterna bakom.