Navigering av utmaningar med GenAI-implementering

Utveckling av programvara med stöd för generativ AI (GenAI) kommer att förbättra produktiviteten och effektiviteten – frågan är, hur mycket? De flesta marknadsundersökningar på detta område visar betydande vinster i produktivitet. Forskning från Harvard visade att specialister, beroende på uppgift och senioritet, såg en 43% ökning av produktivitet. Likaså föreslog en rapport från Goldman Sachs att produktiviteten kunde öka med 1,5 procentenheter med GenAI efter tio år av bred tillämpning, vilket motsvarar nästan dubbelt så snabb tillväxt av produktivitet i USA. Medan dessa fynd är insiktsfulla, kommer de flesta av dem från kontrollerade miljöer som inte nödvändigtvis återspeglar nyanserna i verkliga användningsfall.

För att bättre besvara hur mycket GenAI kan förbättra produktiviteten i programvaruutveckling, beslutade ett ledande företag inom digital transformation och produktutveckling att dokumentera sina praktiska erfarenheter och insikter från ett nyligt storskaligt GenAI-implementeringsprojekt med en av sina kunder. Denna kund ville anta GenAI i arbetsprocesserna för 10 utvecklingsteam över tre arbetsflöden, vilket omfattade över 100 specialister. Dessa verkliga erfarenheter avslöjar de olika utmaningar som företag kommer att möta under resan; dessutom understryker de vikten av en företagsomfattande vägkarta för att skala GenAI-antagandet.

Att hantera specialisters negativa attityder och förväntningar

Många utmaningar kan fördröja framgången för ett GenAI-projekt, såsom juridiska och regulatoriska problem, brist på bearbetningskapacitet, säkerhet och sekretess, etc. Men den mest betydande hinder som möttes under denna storskaliga implementering var specialisteras attityder och förväntningar kring teknologierna. Under implementeringen observerade det digitala transformationsföretaget att kundens specialister hade vissa förväntningar om GenAI och hur det skulle förbättra deras arbete. När dessa initiala förväntningar inte stämde överens med resultaten när det gäller kvalitet eller genomförandetid, utvecklade de negativa attityder gentemot teknologierna. I synnerhet när GenAI inte, i deras ord, “gjorde arbetet åt mig”, svarade de med kommentarer som: “Jag förväntade mig bättre och vill inte slösa bort min tid längre.”

Företag måste förändra uppfattningar och övergå till en ny arbetskultur som förhindrar att dessa negativa attityder uppstår och hindrar antagandet och korrekt mätning. Enkäter och utvärderingar är ett effektivt sätt att kartlägga och kategorisera attityder och upplevd engagemang hos specialister. Därefter bör företag gruppera specialister baserat på deras känslor gentemot GenAI. Sedan kan företag skapa anpassade förändringshanteringsstrategier för varje grupp för att främja framgångsrik AI-integration; till exempel kommer de mest skeptiska specialister att få mer uppmärksamhet och omsorg än neutrala specialister.

Att ta hänsyn till komplexiteten i verkliga projekt

Den andra mest betydande utmaningen var att korrekt mäta GenAIs påverkan på produktivitet samtidigt som man tar hänsyn till komplexiteten i verkliga projektförhållanden. I kontrollerade miljöer är det lättare att mäta GenAIs inflytande – men som nämnts tidigare, tar sådana tester inte hänsyn till vissa variabler och oförenligheter. Projekt är inte statiska. De utvecklas ständigt. En organisation kan ha en situation där de har roterande specialister på grund av semester och sjukdagar eller plötsliga förändringar i prioriteringar. Specialister arbetar inte alltid med specifika projektaktiviteter där GenAIs påverkan kan vara mest fördelaktig, eftersom de har möten att delta i, e-post att svara på och andra uppgifter utanför sprintomfånget som ofta försummas i produktivitetsmätningar. Dessa oförenligheter och variabler måste beaktas när man objektivt mäter GenAIs påverkan på programvaruutveckling.

Andra bästa praxis inkluderar att integrera uppgiftshanteringssystem i arbetsflöden för att se hur länge uppgifter förblir i varje status för att bestämma icke-tekniska specialisters produktivitet och effektivitet. Likaså kan affärsintelligenslösningar automatiskt samla in datapunkter, minska fel och spara tid. Dessutom kan organisationer mildra komplexiteten i verkliga projektförhållanden och säkerställa en mer korrekt utvärdering av GenAIs påverkan på produktivitet genom att tillämpa grundliga datarengöringspraxis.

Företagsomfattande vägkarta: Mätning med korrekthet

Denna storskaliga GenAI-implementering betonade också värdet av en företagsomfattande vägkarta som markerar början och slutet av integrationen. Företag bör notera att en avgörande faktor i denna vägkarta är att definiera de mått som ska användas för bas- och slutrapportering. Dussintals olika mått kan hjälpa till att bedöma GenAIs påverkan på produktivitet, inklusive, men inte begränsat till, hastighet i tid, genomströmning, genomsnittlig omgöring och kodgransknings tid, kodgranskningsfel och godkännandegrad, tid som spenderas på felsökning, etc.

Efter att ha definierat dessa mått bör företag klassificera dem i objektiv och subjektiv kategorier. Företag kan också använda data från uppgiftsspårningsverktyg som Jira för objektiv mått. Likaså måste de upprätthålla och följa kvalitetsflöden, tidsmässiga uppdateringar av uppgifter och fullständig slutförande av etapper. Kom ihåg att subjektiva mått, som specialist- och pilotenkäter, hjälper företag att förstå antagningsnivåer och korrelationer med objektiv mätning. Från ett frekvensperspektiv bör mätningar vara regelbundna och schemalagda, inte glesa och slumpmässiga. Dessutom betonar projektets resultat nyttan av mått som genomsnittlig daglig påverkan, upplevd kompetens, prestandaförändringar, arbetsomfattning, användning av AI-verktyg och oavbruten arbetsflöde för att mäta antagningsutveckling.

Företagsomfattande vägkarta fortsättning: Lärande och kulturutveckling i stor skala

Utöver att effektivt mäta GenAIs påverkan, är en annan viktig komponent i en framgångsrik vägkarta att den driver kontinuerligt lärande och AI-kompetens genom olika utbildnings- och coachningsstrategier. Dessa initiativ kommer slutligen att främja en företagsomfattande lärandekultur, vilket möjliggör AI-antagande i stor skala inom hela företaget. Olika strategier inkluderar att skapa arbetsgrupper som fokuserar på var och hur företaget kan utnyttja GenAI, samt uppmuntra individer att dela vad som fungerar och inte fungerar. Dessutom är det hjälpsamt att fastställa tillväxt- och utvecklingsprioriteringar åtföljda av utvecklingsvägar på individ- och teamnivå.

Ett annat sätt som företag kan bygga en kultur som lätt antar nya GenAI-teknologier är genom att betona snabbvinstanvändningsfall. Dessa kommer att demonstrera GenAIs kraft för den större organisationen och tveksamma skeptiker. Företag bör också etablera säkerhetsriktlinjer och regler för engagemang med AI för att ge team möjlighet att experimentera och utforska nya tillvägagångssätt utan att utsätta företaget för risk. Likaså måste organisationer upprätthålla företaget för branschstandarder och andra bästa praxis samtidigt som de hanterar förändringar bland individer och team på uppgifts- och verktygsnivå.

Att hålla människor i centrum

De två viktigaste slutsatserna från denna verkliga implementering är: först, GenAI kan leda till betydande produktivitetsvinster inom ramen för en lämplig strategi och vägkarta; för det andra, en sådan integration har en obestridlig mänsklig faktor som företag måste hantera på lämpligt sätt. GenAI kommer för alltid att förändra hur dessa specialister utför dagliga uppgifter. Det är också troligt att GenAI kan göra att vissa specialister känner sig hotade av teknologin, vilket kan orsaka motstånd mot antagandet. Slutligen är nyckeln till en framgångsrik GenAI-implementering tydligt mänsklig. Det är avgörande för företag att förstå djupet av detta, eftersom det är människor som operationaliserar teknologin och låser upp dess praktiska värde.