โมเดลและแพลตฟอร์ม AI
ดัชนีของ Andus Labs ชี้ว่าการทดลอง AI ที่กระจัดกระจายและช่องว่างในกระบวนการทำงานเป็นความเสี่ยงสูงสุดขององค์กร
Andus Labs จัดให้การทดลอง AI ที่กระจัดกระจายและการใช้ผู้ช่วย AI อย่างผิวเผินเป็นหนึ่งในอุปสรรคสำคัญขององค์กร โดยชี้ให้เห็นช่องว่างระหว่างการใช้เครื่องมือกับการเปลี่ยนแปลงการดำเนินงาน

ประเด็นสำคัญการเข้าถึงเครื่องมือเพียงอย่างเดียวไม่ได้สร้างรูปแบบการดำเนินงานที่สามารถใช้ AI…
ดูเพิ่มเติม
- การเข้าถึงเครื่องมือเพียงอย่างเดียวไม่ได้สร้างรูปแบบการดำเนินงานที่สามารถใช้ AI ได้อย่างมีประสิทธิภาพ
- โครงการนำร่องที่ไม่มีคำถามร่วมกันหรือกฎการตัดสินใจร่วมกันก่อให้เกิดกิจกรรมแทนที่จะเป็นการเปลี่ยนแปลงที่วัดผลได้
- การกำกับดูแลล้มเหลวเมื่อทีมสามารถนำ AI มาใช้ได้แต่ไม่สามารถออกแบบงานใหม่รอบๆ AI ได้
AI ในองค์กรอาจดูเหมือนมีการใช้งานอย่างคึกคัก ทั้งที่ไม่ได้เปลี่ยนวิธีดำเนินงานของบริษัท นี่คือคำเตือนสำคัญในGround Truth Index ฉบับล่าสุดของ Andus Labs ซึ่งจัดให้การทดลองที่ซ้ำซ้อนและการใช้ผู้ช่วย AI เพียงผิวเผินเป็นอุปสรรคต่อองค์กรอันดับต้น ๆ ในการจัดอันดับประจำเดือนพฤศจิกายน
รายงานฉบับที่สามเผยแพร่เมื่อวันที่ 18 พฤศจิกายน และระบุรูปแบบปัญหาสำคัญ 25 ประการ ผลการศึกษานี้ไม่ใช่การสำรวจการนำ AI มาใช้ในองค์กรที่เป็นตัวแทนของภาพรวม และไม่ได้วัดความสูญเสียทางการเงิน แต่เป็นกรอบวินิจฉัยที่รวบรวมจากข้อสังเกตภาคสนามของ Andus การให้คะแนนโดยใช้ AI ช่วย และดุลยพินิจของนักวิจัย ประโยชน์สำคัญที่สุดของรายงานคือการแยกแยะประเด็นหนึ่งที่แดชบอร์ดติดตามการนำ AI มาใช้มักมองข้าม นั่นคือ การเข้าถึงเครื่องมือ AI ไม่ได้หมายความว่าองค์กรมีรูปแบบการดำเนินงานที่ใช้เครื่องมือเหล่านั้นได้อย่างมีประสิทธิภาพ
เมื่อการทดลองกลายเป็นปัญหาในการดำเนินงาน
Andus จัด Runaway Buildout ไว้อันดับหนึ่ง และ Copilot Ceiling ไว้อันดับสอง รายการแรกหมายถึงการเริ่มการทดลองโดยไม่มีหลักเกณฑ์ร่วมกันสำหรับประเมินผล ส่วนรายการหลังหมายถึงองค์กรที่ผู้ช่วย AI กลายเป็นเครื่องมือคุ้นเคยสำหรับร่างและสรุปเนื้อหา แต่ไม่ได้เปลี่ยนแปลงกระบวนการทำงานของธุรกิจอย่างมีนัยสำคัญ
ในประกาศเผยแพร่รายงาน Andus ระบุว่า รูปแบบปัญหา 4 ใน 8 อันดับแรกเกี่ยวข้องกับความสอดประสานภายในองค์กร ซึ่งเป็นหมวดที่ใช้พิจารณาว่าโครงสร้างองค์กรและการใช้จ่ายสนับสนุนการเปลี่ยนแปลงตามเป้าหมายหรือไม่ อีกสองรูปแบบคือ Artifact Inflation ซึ่งอยู่อันดับหก และ Swim Lane Sprint ซึ่งอยู่อันดับแปด ทั้งสองหมายถึงภาระการตรวจทานที่ล้นมือจากผลงาน AI ที่ดูเรียบร้อย และทีมที่แยกขาดจากกันแต่พัฒนาความสามารถคล้ายคลึงกัน
ประเด็นในทางปฏิบัติไม่ใช่ว่าการทดลองจะสิ้นเปลืองโดยเนื้อแท้ โครงการนำร่องอาจช่วยตอบคำถามสำคัญได้ แม้คำตอบนั้นคือควรยุติโครงการ ปัญหาเกิดขึ้นเมื่อทีมไม่มีคำถาม หลักเกณฑ์ตั้งต้น หรือกติกาการตัดสินใจที่ตกลงร่วมกัน การใช้งานในระดับสูงอาจสะท้อนความอยากรู้อยากเห็นหรือความสะดวก แต่ไม่ได้แสดงให้เห็นว่ากระบวนการทำงานรวดเร็วขึ้น เชื่อถือได้มากขึ้น หรือมีค่าใช้จ่ายลดลง หลังจากรวมต้นทุนการตรวจทานและการผสานระบบแล้ว
ตัวอย่างเช่น แผนกสองแห่งที่ทดสอบผู้ช่วยจัดการเอกสารคนละตัวอาจรายงานว่ามีผู้ใช้งานมีส่วนร่วมในระดับสูงทั้งคู่ แต่ก็ยังไม่มีคำตอบว่าเครื่องมือเหล่านั้นทำงานซ้ำซ้อนกันหรือไม่ เครื่องมือใดเครื่องมือหนึ่งช่วยลดเวลาตั้งแต่ต้นจนจบได้หรือไม่ และใครจะเป็นเจ้าของการนำระบบที่ใช้ร่วมกันไปติดตั้งใช้งาน เรื่องเหล่านี้เป็นการตัดสินใจด้านองค์กร ไม่ใช่ปัญหาในการเลือกโมเดล
ความรับผิดชอบต้องสอดคล้องกับอำนาจในการใช้ AI
สามรายการถัดมาในการจัดอันดับคือ Empty Chairs, Learning While Drowning และ Shadow Agency Andus ใช้ชื่อเหล่านี้เรียกปัญหาการขาดผู้กำกับดูแลการตัดสินใจของ AI การเพิ่มการฝึกอบรมเข้าไปในภาระงานที่หนักอยู่แล้ว และการใช้ AI โดยไม่ได้รับอนุมัติ ซึ่งเกี่ยวข้องกับข้อมูลธุรกิจที่ละเอียดอ่อน รูปแบบปัญหา 9 ใน 25 ประการของฉบับนี้เป็นเรื่องใหม่ ส่วนอีก 16 ประการเคยปรากฏในรายงานก่อนหน้า
ประเด็นเหล่านี้เชื่อมโยงกันด้วยเรื่องความเป็นเจ้าของงาน ทีมหนึ่งอาจได้รับอนุญาตให้นำเครื่องมือมาใช้ แต่ไม่มีอำนาจปรับกระบวนการทำงานให้รองรับเครื่องมือนั้น พนักงานอาจถูกคาดหวังให้เรียนรู้วิธีทำงานใหม่ ขณะเดียวกันก็ยังถูกประเมินด้วยภาระงานแบบเดิม ระบบหนึ่งอาจได้รับอนุญาตให้ให้คำแนะนำ โดยไม่มีการระบุชื่อผู้รับผิดชอบในการตรวจสอบกรณียกเว้น
การแก้ไขความไม่สอดคล้องนี้ต้องทำมากกว่าการเพิ่มขั้นตอนอนุมัติอีกขั้น กลไกควบคุมที่มีประโยชน์ควรระบุการตัดสินใจ ผู้รับผิดชอบที่ต้องรับผิดชอบต่อผลลัพธ์ หลักฐานที่ผู้รับผิดชอบต้องใช้ และสถานการณ์ที่จำเป็นต้องเข้าแทรกแซง มิฉะนั้น การกำกับดูแลเองก็อาจกลายเป็นคิวงานอีกชุดที่กินเวลาซึ่งเครื่องมือ AI ควรช่วยประหยัด
วิธีจัดทำดัชนี
Andus ระบุว่า คลังรูปแบบปัญหาของบริษัทอ้างอิงจากการประชุมและการสนทนา 2,100 ครั้งในองค์กร 700 แห่ง และปัจจุบันมีรูปแบบปัญหา 332 รายการ เอเจนต์นักวิเคราะห์ AI จำนวน 5 ตัวให้คะแนนแต่ละรายการอย่างเป็นอิสระ โดยใช้มุมมองจากหลากหลายวิชาชีพ เกณฑ์การให้คะแนนประกอบด้วยความรุนแรง ความเร็ว ความใกล้จะเกิด การขยายตัว และความน่าจะเป็นในการแพร่ขยาย คะแนนมัธยฐานจะเป็นค่าตั้งต้น จากนั้นนักวิจัยจะตรวจสอบ 50 อันดับแรกและวินิจฉัยข้อเห็นต่าง ก่อนเผยแพร่รายการสำคัญ 25 อันดับ
วิธีการนี้ยังนำข่าวภาษาอังกฤษ รายงานทางการเงินของบริษัทขนาดใหญ่ในสหรัฐฯ และสัญญาณจากหน่วยงานกำกับดูแลมาประกอบด้วย ข้อมูลเหล่านี้ช่วยขยายบริบท แต่ไม่ได้ทำให้บทสนทนาที่ใช้เป็นข้อมูลพื้นฐานกลายเป็นกลุ่มตัวอย่างแบบสุ่ม ดังนั้น จึงควรอ่านการจัดอันดับนี้ว่าเป็นการประเมินลำดับความสำคัญของ Andus ไม่ใช่สัดส่วนของธุรกิจที่เผชิญปัญหาแต่ละข้อ นอกจากนี้ การใช้ค่ามัธยฐานจากการประเมินด้วย AI หลายครั้งก็ไม่ได้ยืนยันว่าการประเมินเหล่านั้นถูกต้องอย่างเป็นอิสระต่อกัน
จากการนำเครื่องมือมาใช้สู่การเปลี่ยนแปลงที่วัดผลได้
สำหรับผู้นำองค์กร ดัชนีนี้เป็นแนวทางที่มีประโยชน์ในการตรวจสอบชุดโครงการ AI โดยไม่ด่วนสรุปว่าการนำ AI ไปใช้ทุกกรณีล้มเหลว คำถามสำคัญคือ งานเปลี่ยนแปลงไปอย่างไร เช่น ขั้นตอนส่งต่องานใดหายไป การตัดสินใจข้อใดดีขึ้น ภาระการตรวจทานใดลดลง หรือมีการกำหนดความรับผิดชอบใหม่ข้อใดให้ชัดเจนขึ้น
การตัดสินใจขยายการใช้งานอย่างน่าเชื่อถือต้องอาศัยหลักฐานด้านการดำเนินงานควบคู่ไปกับตัวเลขการนำไปใช้ การตัดสินใจยุติโครงการอย่างน่าเชื่อถือก็ต้องอาศัยหลักฐานเช่นกัน การจัดอันดับล่าสุดของ Andus เปลี่ยนจุดสนใจจากจำนวนการทดลองที่บริษัทให้ทุนสนับสนุน ไปสู่คำถามว่าบริษัทสามารถเปรียบเทียบ เรียนรู้จากการทดลอง และรับผิดชอบต่อสิ่งที่จะเกิดขึ้นต่อไปได้หรือไม่












