Chris Perry, ผู้ก่อตั้งและซีอีโอของ Andus Labs – ซีรีส์สัมภาษณ์

Chris Perry, ผู้ก่อตั้งและซีอีโอของ Andus Labs, เป็นผู้บริหารด้านการสื่อสาร, กลยุทธ์ดิจิทัล และนวัตกรรมที่มีประสบการณ์เกือบสามทศวรรษในการช่วยองค์กรนำทางผ่านการเปลี่ยนแปลงสำคัญในเทคโนโลยีและธุรกิจ. ก่อนก่อตั้ง Andus Labs ในปี 2025, Perry ทำงานที่ Weber Shandwick มากกว่า 22 ปี, โดยดำรงตำแหน่งผู้นำระดับสูงหลายตำแหน่งรวมถึง ประธานฝ่าย Futures, หัวหน้าฝ่ายนวัตกรรม, ประธานฝ่ายสื่อสารดิจิทัล, รองประธานฝ่ายกลยุทธ์ดิจิทัลและปฏิบัติการ, และ SVP. ในช่วงต้นของอาชีพ, เขาทำงานด้านการสื่อสารเทคโนโลยีที่ General Motors และดำรงตำแหน่งรองประธานที่ Edelman. เส้นทางอาชีพของเขามุ่งเน้นไปที่การแปลงดิจิทัล, เทคโนโลยีที่กำลังเกิดขึ้น, การเปลี่ยนแปลงองค์กร, และความสัมพันธ์ที่พัฒนาอย่างต่อเนื่องระหว่างเทคโนโลยีและผู้ที่รับผิดชอบในการนำไปใช้.

Andus Labs ช่วยองค์กรแปลงความสามารถของ AI ให้เป็นผลลัพธ์เชิงองค์กรที่ใช้งานได้จริงโดยมุ่งเน้นที่ระบบมนุษย์รอบ ๆ เทคโนโลยี บริษัทอธิบายภารกิจของตนว่าเป็นการสร้าง “Human OS for AI” — ชั้นปฏิบัติการที่ออกแบบมาเพื่อประสานงานการทำงานระหว่างคนและเอเย่นต์ AI — โดยอิงจากสมมติฐานว่าการลงทุนใน AI มักไม่ประสบผลสำเร็จเมื่อความพร้อมขององค์กร, กระบวนการทำงาน, และการยอมรับตามหลังเทคโนโลยีเอง งานของบริษัทครอบคลุมโปรแกรมการประสานงานงาน AI, ผลิตภัณฑ์ที่มุ่งเสริมและขยายการเรียนรู้ขององค์กร, และเครือข่ายที่กว้างขวางของผู้ปฏิบัติงาน, ศิลปิน, และนักมนุษยศาสตร์ที่สำรวจว่ามนุษย์และ AI สามารถทำงานร่วมกันได้อย่างมีประสิทธิภาพอย่างไร.

คุณทำงานที่ Weber Shandwick มากกว่าสองทศวรรษ, เริ่มจากบทบาทดิจิทัลระดับสูงจนถึง Chief Innovation Officer และประธาน Futures, ก่อนก่อตั้ง Andus Labs ในปี 2025. คุณสังเกตอะไรในองค์กรขนาดใหญ่ระหว่างช่วงเวลานั้นที่ทำให้คุณเชื่อว่าข้อจำกัดที่ใหญ่ที่สุดต่อการเปลี่ยนแปลง AI คือระบบมนุษย์และองค์กรรอบ ๆ เทคโนโลยี มากกว่าตัวเทคโนโลยีเอง?

ฉันได้เรียนรู้เรื่องนี้ครั้งแรกที่สตูดิโอศิลปะกราฟิกของพ่อในเดทรอยต์, ที่ฉันเริ่มทำงาน, ก่อนเข้าร่วม Weber Shandwick. การพิมพ์แบบเดสก์ท็อปทำให้การทำงานของช่างพิมพ์และนักวาดภาพของพ่อที่เคยทำด้วยมือเปลี่ยนเป็นซอฟต์แวร์. มันทำลายโมเดลธุรกิจของเขา, และเขาไม่เห็นการเปลี่ยนแปลงจนกระทั่งมันสายเกินไป.

ที่ Weber Shandwick ฉันทำงานกับบริษัทใหญ่ที่สุดหลายแห่งในโลกผ่านคลื่นเทคโนโลยีใหม่: สื่อสังคมออนไลน์, บล็อก, วิดีโอ, มือถือ, ข้อมูล. ทุกครั้งรูปแบบก็เหมือนเดิม. เทคโนโลยีมาถึง. ผู้คนรู้สึกถึงการเปลี่ยนแปลงและเริ่มใช้ด้วยตนเอง. การนำและโครงสร้างของบริษัทเปลี่ยนแปลงในที่สุด.

ในคลื่นก่อนหน้านั้น, บริษัทต้องจ่ายค่าเสียหายจากความล่าช้านั้นโดยสูญเสียส่วนแบ่ง, แต่คนยังคงทำงานต่อไป. AI ทำกับงานความรู้เช่นเดียวกับที่การพิมพ์แบบเดสก์ท็อปทำกับสตูดิโอของพ่อของฉัน. วิธีการทำงานของคนถูกฝังเข้าไปในซอฟต์แวร์.

โรงเรียนธุรกิจไม่ได้สอนวิธีการบริหารบริษัทที่คนและเอเย่นต์ทำงานร่วมกัน. บริษัทส่วนใหญ่เพียงแค่ต่อ AI เข้าไปและทำงานเดิมให้เสร็จเร็วขึ้น. ผลตอบแทนที่แท้จริงมาจากเมื่อผู้นำเตรียมคนของตนให้สร้างงานใหม่ด้วย AI. งานเปลี่ยนรูปแบบแทนที่จะเป็นแค่เร็วขึ้น.

เราตั้งชื่อว่า Andus Labs, ตามความหมาย “and us” (และเรา), เพราะเราวางเดิมพันว่าผลตอบแทนจะขึ้นอยู่กับคน.

Andus Labs กล่าวว่าธุรกิจสามารถมีความสามารถ AI ขั้นสูงได้ในขณะที่ยังขาด “human readiness” ที่จำเป็นต่อการจับค่าได้จากมัน. อะไรที่ทำให้บริษัทที่ได้ปรับใช้ AI อย่างสำเร็จแตกต่างจากบริษัทที่ได้เปลี่ยนแปลงวิธีการทำงานจริง ๆ?

ฉันนั่งคุยกับบริษัทที่รายงานการนำ AI ไปใช้ 80% แต่การเปลี่ยนแปลงวิธีการทำงานอยู่ที่ประมาณ 5% เท่านั้น. ตัวเลขการนำไปใช้เท่านั้นที่ปรากฏในสไลด์ของคณะกรรมการ. ตัวเลขที่สองไม่ได้ถูกซ่อน, แต่แดชบอร์ดไม่มีที่สำหรับแสดงมัน.

การปรับใช้สามารถวัดได้ง่าย. ไลเซนส์ที่มอบหมาย, เอเย่นต์ที่ปรับใช้, การเข้าสู่ระบบ. นั่นคือกิจกรรม, ไม่ใช่ผลกระทบ. เราถามลูกค้าว่าบริษัทสามารถทำอะไรได้ตอนนี้ที่ก่อนหน้านี้ทำไม่ได้. ส่วนใหญ่คำตอบที่ตรงไปตรงมาคือรายงาน, สไลด์, และการวิเคราะห์เดียวกัน, แต่ทำได้เร็วขึ้น.

บริษัทที่กำลังเปลี่ยนแปลงวัดสิ่งอื่น. การทดลองนั้นสร้างคุณค่าพอที่จะขยายได้หรือไม่? เราสามารถนำเสนอสิ่งใดต่อคณะกรรมการที่เราไม่สามารถทำได้เมื่อหนึ่งปีที่แล้วหรือไม่? AI กำลังลดภาระจากคนที่มีคุณค่าที่สุดของเราเพื่อให้พวกเขาทำงานที่พวกเขาทำได้อย่างเดียวหรือไม่? สิ่งเหล่านี้ไม่ง่ายต่อการนับเช่นจำนวนที่นั่ง, แต่เป็นมาตรวัดที่บอกว่ามีการเคลื่อนที่หรือไม่.

คำถามเหล่านี้ยังต้องมีผู้รับผิดชอบ. ถามว่าใครเป็นผู้รับผิดชอบในบริษัทส่วนใหญ่แล้วคุณจะได้รายการ. CIO ดูแลแพลตฟอร์ม. ศูนย์ความเป็นเลิศดูแลการทดลอง. HR ดูแลการฝึกอบรม. ผลกระทบต่อธุรกิจไม่มีใครรับผิดชอบ.

บริษัทหนึ่งสามารถบอกคุณได้ว่ามีคนกี่คนที่เข้าถึง. อีกบริษัทหนึ่งสามารถบอกคุณว่ามีอะไรเปลี่ยนแปลงและใครเป็นผู้รับผิดชอบ.

ปัจจุบัน Ground Truth Index อ้างอิงคลังรูปแบบที่บันทึกไว้ 300 รูปแบบ ซึ่งพบจากการทำงานร่วมกันและการพูดคุยกับผู้นำจากองค์กร 595 แห่ง โดยมีเอเจนต์นักวิเคราะห์อิสระ 5 รายให้คะแนนแต่ละรูปแบบ ก่อนที่นักวิจัยจะทบทวนและชี้ขาดการจัดอันดับขั้นสุดท้าย วิธีการนี้พัฒนามาอย่างไร การใช้ดุลยพินิจของมนุษย์เข้ามามีบทบาทในขั้นตอนไหน และคุณป้องกันไม่ให้ดัชนีเพียงตอกย้ำสมมติฐานที่มีอยู่แล้วในการสังเกตการณ์ภาคสนามได้อย่างไร

วิธีการได้เปลี่ยนแปลงไปตามที่คลังข้อมูลเติบโตขึ้น ทุกรูปแบบเริ่มจากสิ่งที่เราได้ยินและเห็นในการสนทนากับผู้นำธุรกิจ เราตรวจสอบสัญญาณใหม่แต่ละรายการกับคลังข้อมูล ทดสอบกับการสังเกตภาคสนามและการวิจัยภายนอก และตัดสินว่ามันเป็นสิ่งใหม่จริงหรือเสริมรูปแบบที่เราติดตามอยู่แล้ว หรือควรอยู่ที่อื่น

AI ช่วยให้เราประเมินคลังข้อมูลทั้งหมดทุกไตรมาส ซึ่งทีมวิจัยไม่สามารถทำได้ด้วยมือ ตัวแทนอ่านทุกรูปแบบผ่านมุมมองอาชีพที่แตกต่างกันและให้คะแนนตามห้ามิติเดียวกัน พวกเขาทำงานโดยไม่รู้ตัวจึงไม่มีตัวแทนคนใดสามารถมีอิทธิพลต่ออีกคนได้ เราใช้ค่ามัธยฐานเพื่อไม่ให้ค่าผิดปกติหนึ่งค่าเดียวทำให้คะแนนเปลี่ยนแปลง และ 50 รายการสูงสุดจะถูกส่งให้มนุษย์ตรวจสอบ

การตัดสินของมนุษย์แทรกอยู่ในทุกขั้นตอน ทีมวิจัยของเราตรวจสอบและอนุมัติทุกรูปแบบที่เข้าสู่คลังข้อมูล ตรวจทานการจัดอันดับและกำหนด 25 รายการสุดท้าย เราให้ความสนใจเป็นพิเศษในกรณีที่ตัวแทนไม่เห็นด้วยและเมื่อความสนใจของสื่อขัดแย้งกับสิ่งที่เราได้ยินจากภาคสนาม เราสามารถปรับคะแนนได้ แต่เฉพาะเมื่อมีการสังเกตที่บันทึกไว้: ผู้ที่เสนอ รายการที่ได้ยินบ่อยแค่ไหน และว่ามันคงอยู่ได้ในหลายองค์กรหรือไม่ ความรู้สึกสัญชาตญาณไม่สามารถเปลี่ยนคะแนนได้

Ground Truth Index ใหม่จัดอันดับ “Empty Chairs” เป็นอุปสรรคอันดับหนึ่งต่อ AI ระดับองค์กร โดยอธ描述องค์กรที่ให้ระบบ AI มีอิทธิพลต่อการตัดสินใจ เช่น การจ้างงาน การกำหนดราคา และความเสี่ยง โดยไม่ระบุอย่างชัดเจนว่าใครเป็นผู้รับผิดชอบหรือมีอำนาจในการยกเลิกการตัดสินใจเหล่านั้น เมื่อ AI ย้ายจากการแนะนำการกระทำไปสู่การกำหนดผลลัพธ์ทางธุรกิจจริง ๆ ความรับผิดชอบของมนุษย์ที่มีความหมายควรเป็นอย่างไรในทางปฏิบัติ?

AI ที่สัมผัสฟังก์ชันมากขึ้น จะทำการตัดสินใจแทนบริษัทมากขึ้น ความรับผิดชอบจึงกลายเป็นคำถามด้านการจัดการก่อนจะเป็นคำถามด้านเทคโนโลยี

ความรับผิดชอบมักอยู่ระหว่างผู้ที่ซื้อระบบ AI กับผู้ที่ใช้มัน และไม่มีฝ่ายใดเป็นเจ้าของช่องว่างนี้ ช่องว่างจะคงอยู่โดยไม่เห็นจนกว่าการตัดสินใจจะถูกท้าทาย นั่นคือ “Empty Chair”

ความรับผิดชอบหมายถึงผู้นำที่ระบุชื่อซึ่งเห็นผลลัพธ์ของระบบและสามารถอธิบายผลลัพธ์ แก้ไขหรือหยุดระบบได้ ซึ่งต้องมีอำนาจเหนือกระบวนการที่มักข้ามหลายแผนก

เราขอให้ผู้นำเลือกการตัดสินใจสำคัญหนึ่งรายการที่ AI ของพวกเขาช่วยทำในไตรมาสนี้และบอกว่าใครเป็นผู้รับผิดชอบ หากคำตอบไม่ชัดเจน บริษัทได้เปลี่ยนวิธีการตัดสินใจโดยไม่กำหนดผู้ที่ต้องรับผิดชอบ

“Learning While Drowning” ได้อันดับสองใน Index ใหม่ เน้นบริษัทที่บังคับให้ฝึก AI แต่ไม่เปลี่ยนภาระงานเดิมของพนักงาน ในขณะเดียวกัน “Optimization Temptation” แสดงให้เห็นว่าบริษัทสามารถคำนวณการประหยัดจำนวนพนักงานได้ง่ายกว่าการวัดคุณค่าที่ยากกว่าในการย้ายคนไปทำงานที่มีคุณค่าสูงกว่า บริษัทกำลังประเมินค่าการลงทุนเชิงองค์กรที่จำเป็นเพื่อทำให้แรงงานของตนมีประสิทธิภาพมากขึ้นด้วย AI หรือเพียงใช้ AI เพื่อลดต้นทุน?

ใช่ การประหยัดจากการกำจัดตำแหน่งงานหนึ่งทำได้ง่ายบนสเปรดชีต แต่คุณค่าของความรู้ ความสัมพันธ์และการตัดสินใจของบุคคลนั้นยากที่จะจับได้ การประหยัดจะปรากฏในไตรมาสนี้ ส่วนการสูญเสียอาจสะสมต่อเนื่องหลายปี

สมมติฐานที่อยู่เบื้องหลังการตัดตำแหน่งมักผิดด้วย AI ทำให้การทำงานในวันนี้มีประสิทธิภาพมากขึ้นและยังสร้างงานใหม่ที่ต้องทำ เราเห็นว่าทีมกำลังปรับสมดุลใหม่ โดยคนย้ายไปทำงานต่าง ๆ แทนที่จะตัดฟังก์ชันทั้งหมด

การบังคับให้ฝึกเป็นการตัดสินใจเรื่องภาระงาน บริษัทเพิ่มการฝึก AI บนงานที่มีอยู่แล้ว แล้วตีความการทำไม่ครบเป็นปัญหาแรงจูงใจ การลงทุนที่พวกเขาข้ามไปคือการลงทุนที่ไม่เคยเข้างบประมาณ การตัดสินใจว่าจะหยุด ลด หรือย้ายงานเพื่อให้ที่ว่างและระบุผู้ที่อนุมัติ การเรียนรู้ต้องใช้เวลา การนำไปใช้ต้องใช้เวลามากขึ้น เพราะคนต้องทดสอบเครื่องมือที่ไม่คุ้นเคย ตรวจสอบผลลัพธ์และเปลี่ยนวิธีทำงานที่เคยทำมา

คำตอบไม่ได้อยู่ในรายการอื่น ๆ ให้ทีมทำงานในโครงการจริง ๆ แล้วการเรียนรู้จะเกิดขึ้นระหว่างงาน

Index ยังระบุ “Devaluation Anxiety” ซึ่งสะท้อนความกังวลเกี่ยวกับสิ่งที่จะเกิดกับพนักงานเมื่อ AI สามารถทำส่วนที่มีคุณค่ามากขึ้นของงานของพวกเขาได้ ความกังวลที่ผู้บริหารเรียกว่า “การต่อต้าน AI” ส่วนใหญ่เป็นความกังวลที่มีเหตุผลเกี่ยวกับคุณค่าของอาชีพ และผู้นำควรทำอย่างไรแตกต่างเมื่อแนะนำระบบเหล่านี้?

ส่วนใหญ่เป็นเหตุผลที่สมเหตุสมผล พนักงานได้ยินเรื่องประสิทธิภาพของ AI ในประกาศหนึ่งและการลดตำแหน่งงานในประกาศต่อไป พวกเขาจึงสรุปด้วยตนเอง

ผู้นำมองว่าข้อความเหล่านั้นแยกกัน ทีมไม่ได้ทำเช่นนั้น พวกเขาจบการฝึกอบรมแล้วกักการทดลองที่ทำให้ระบบเป็นประโยชน์

การให้ความมั่นใจก็ไม่แก้ได้ ผู้นำต้องบอกว่าอะไรได้ถูกตัดสินเกี่ยวกับงานแล้วอะไรยังไม่แน่นอนและการสนับสนุนที่พนักงานคาดหวังคืออะไร

เช่นเดียวกันกับผลตอบแทน บริษัทระบุว่าธุรกิจคาดหวังอะไรจาก AI แต่ไม่ได้ระบุด้านพนักงาน หากใครทำงานเร็วขึ้น พวกเขาจะได้อะไรกลับมา? เวลาว่างสำหรับงานที่ดีกว่า เส้นทางก้าวหน้า หรือเวลาที่ได้กลับคืน? สิ่งเหล่านี้ควรอยู่ในแผนการเปิดตัว

ผู้บริหารขอให้ทีมทำงานกับ AI แตกต่างกัน ทีมกำลังรอให้ผู้บริหารทำก่อน

รูปแบบเพิ่มเติมที่คุณระบุคือ “Active Inertia” ซึ่งองค์กรใช้ AI เพื่อเร่งกระบวนการที่มีอยู่เดิมโดยไม่เปลี่ยนแปลงพื้นฐาน. การออกแบบกระบวนการทำงานที่เป็น AI‑native อย่างแท้จริงเป็นอย่างไร, และคุณสามารถยกตัวอย่างความแตกต่างระหว่างการทำให้กระบวนการเดิมเร็วขึ้นกับการสร้างกระบวนการใหม่โดยอิงจากสิ่งที่ AI สามารถทำได้ตอนนี้ได้หรือไม่?

บริษัทส่วนใหญ่มุ่ง AI ไปที่สิ่งที่ง่ายต่อการทำอัตโนมัติมากที่สุด, ซึ่งมักจะเป็นงานที่ไม่ควรมีตั้งแต่แรก. รายงานถูกสร้างขึ้นเร็วขึ้น. การอนุมัติดำเนินไปในอัตราที่เคยเป็นมา. นั่นคือ Active Inertia.

การออกแบบใหม่กำหนดล่วงหน้าว่าโมเดล AI จะทำอะไรและทีมจะรับผิดชอบอะไร, จากนั้นสร้างระบบตามนั้นแทนที่จะสืบทอดรูปแบบเดิม.

รับรายงานประจำสัปดาห์. เวอร์ชันที่เร็วกว่าให้ AI ร่างรายงาน, แล้วคนเดียวกันตรวจสอบเอกสารเดียวกันตามกำหนดเวลาเดียวกัน. เวอร์ชันที่ปรับปรุงใหม่ถามว่าเหตุผลของรายงานคืออะไร. หากรายงานมีไว้เพื่อให้ใครบางคนสามารถจับปัญหาได้ตั้งแต่ต้น, ระบบจะสามารถระบุปัญหาได้ทันทีที่เกิดขึ้นและรายงานจะหายไป.

คุณได้เขียนว่า “มูลค่าเท่ากับ ความสามารถ คูณ การดูดซึม” และให้เหตุผลสนับสนุนระบบมากกว่าซอฟต์แวร์เพียงอย่างเดียว. เมื่อโมเดลระดับแนวหน้ากลายเป็นสินค้าทั่วไปและเข้าถึงได้ทุกคน, ความสามารถขององค์กรในการดูดซึมและปรับโครงสร้างรอบ AI จะกลายเป็นข้อได้เปรียบเชิงการแข่งขันที่ยั่งยืนกว่าการเข้าถึงโมเดลเองหรือไม่?

ใช่. การนำโมเดลไปใช้เป็นเรื่องง่ายเมื่อเทียบกับการเปลี่ยนแปลงงานรอบ ๆ โมเดลเหล่านั้น. โมเดลมาถึงด้วยพลังอันมหาศาล, ราคาลดลงทุกไตรมาส. โมเดลเดียวกันสามารถเข้าถึงได้โดยทุกคน. สิ่งที่คุณไม่สามารถซื้อได้คือบริบทเฉพาะของบริษัทและทีมที่พร้อมใช้โมเดลเหล่านั้นให้เต็มศักยภาพ.

สิ่งที่เราเรียกว่า “ความสามารถในการรับ” เป็นแนวคิดเก่า. มันคือความสามารถของทีมในการรับสิ่งใหม่และนำไปใช้ทำงาน, ประกอบด้วยสิทธิ์การตัดสินใจ, สิ่งจูงใจ, กระบวนการทำงาน, การออกแบบงานและความเชื่อใจที่เพียงพอให้คนบอกว่ามีอะไรผิดพลาด. สิ่งเหล่านี้ไม่สามารถเช่าได้.

ฉันอธิบายมูลค่าเป็น ความสามารถ คูณ การดูดซึม เพราะสองอย่างนี้คูณกัน ไม่ได้บวกกัน. โมเดลที่ยอดเยี่ยมที่ถูกใส่เข้าไปในองค์กรที่ไม่สามารถรับได้เหมือนชิ้นส่วนที่สมบูรณ์แต่ต่อกับซีลที่ล้มเหลว. ความสามารถนั้นเป็นจริง, แต่ผลตอบแทนยังคงเป็นศูนย์.

Agentic AI เพิ่มชั้นความซับซ้อนอีกระดับหนึ่งเนื่องจากระบบสามารถทำการกระทำ, ใช้เครื่องมือ, และไล่ตามเป้าหมายได้มากขึ้นแทนที่จะเพียงสร้างการตอบสนอง. ธุรกิจควรกำหนดเส้นแบ่งระหว่างอิสระของเอเจนต์และการตัดสินใจของมนุษย์ที่ไหน, และโครงสร้างการกำกับดูแลใหม่ใดที่จำเป็นเมื่อเอเจนต์ได้รับอำนาจมากขึ้น?

เริ่มด้วยคำถามหนึ่ง: ใครจะรับผิดชอบเมื่อเอเจนต์ทำผิด?

กำหนดเส้นแบ่งระหว่างสิ่งที่เอเจนต์ตัดสินใจและสิ่งที่คนตัดสินใจก่อนที่สิ่งใดจะเปิดใช้งานจริง. บริษัทส่วนใหญ่พบเส้นแบ่งนี้หลังจากที่มีเหตุการณ์ล้มเหลวเกิดขึ้นแล้ว.

เมื่อความผิดพลาดสามารถแก้ไขได้ง่ายและปรากฏเร็ว, ให้เอเจนต์ทำงานต่อ. แต่เมื่อการตัดสินใจมีผลต่อรายได้ของใครบางคน, การรักษางานหรือสถานะทางกฎหมาย, คนควรเป็นผู้ตัดสินใจและเอเจนต์ทำการเตรียมพร้อม.

สัญชาตญาณคือการรวมศูนย์. ตั้งคณะกรรมการ, เขียนกรอบการทำงาน, รอจนกว่าจะรู้สึกว่าควบคุมได้. แต่เมื่อแนวทางจากระดับบนถึงงานแล้ว มันก็ล้าสมัย, และคนที่ไม่ได้รับคำตอบเริ่มใช้เครื่องมือที่บริษัทไม่เคยอนุมัติ.

การกำกับดูแลต้องอยู่ใกล้กับงาน. ทีมต้องรู้ว่าเอเจนต์แต่ละตัวสามารถตัดสินใจอะไร, ใครเป็นเจ้าของและวิธีการหยุดมัน. และต้องมีบันทึกว่ามันทำอะไรไปบ้าง.

โครงสร้างองค์กรไม่ได้ถูกออกแบบมาสำหรับเอเจนต์ที่ทำงานข้ามฟังก์ชัน, ดังนั้นไม่มีฟังก์ชันใดเป็นเจ้าของความล้มเหลว. ควรกำหนดเรื่องนี้ก่อนการใช้งาน, ไม่ใช่หลังจากนั้น.

มองไปข้างหน้า, หากข้อจำกัดที่ใหญ่ที่สุดของ AI ในองค์กรยิ่งขึ้นเป็นเรื่องขององค์กรมากกว่าทางเทคนิค, คุณคาดว่าบริษัทจะเปลี่ยนแปลงอย่างไร? ส่วนใดของโครงสร้างองค์กร, โครงสร้างการจัดการ, การออกแบบงาน, และกระบวนการตัดสินใจในปัจจุบันที่มีโอกาสรอดชีวิตได้น้อยที่สุดในการเปลี่ยนแปลงสู่องค์กรที่สร้างขึ้นโดยมนุษย์และเอเจนต์ AI ทำงานร่วมกัน?

แผนผังองค์กรแบบฟังก์ชันเป็นส่วนที่มีโอกาสรอดชีวิตได้น้อยที่สุด. บริษัทส่วนใหญ่ยังดำเนินการตามฟังก์ชัน, โดยงานถูกส่งต่อจากแผนกหนึ่งไปยังอีกแผนกหนึ่งและต้องมีการลงนามรับรองในทุกขั้นตอน. AI สร้างผลงานในเวลาไม่กี่นาทีในขณะที่การอนุมัติรอบ ๆ ใช้เวลาหลายสัปดาห์. ผู้นำกำลังถูกขอให้เร่งความเร็วภายในระบบที่ถูกออกแบบให้ทำงานช้า.

แผนผังนั้นถูกสร้างขึ้นสำหรับคนที่ส่งงานให้คนอื่น, ไม่ได้สำหรับการตัดสินใจที่แบ่งปันระหว่างคนและเอเจนต์.
คณะกรรมการจะไม่สามารถแก้ไขเรื่องนี้ได้.

สิ่งที่มาแทนที่แผนผังคือทีมขนาดเล็กที่จัดระเบียบตามปัญหา. ผู้นำกำหนดชื่อปัญหาที่ควรแก้, ตัดสินว่าอะไรต้องเป็นจริงเพื่อแก้ไข, และจัดทีมคนและเอเจนต์ให้ทำงานนั้น. ทีมนั้นได้รับเงินทุนและการคุ้มครองของตนเอง, เพราะไม่สามารถดำเนินการแบบเดียวกับส่วนอื่นของธุรกิจได้. คนในทีมทำการตัดสินใจและเป็นเจ้าของผลงานที่เอเจนต์สร้างขึ้น.

มอเตอร์ไฟฟ้าเข้าถึงโรงงานอเมริกันในช่วงทศวรรษ 1880, แต่ผลการเพิ่มผลิตภาพไม่ปรากฏจนถึงทศวรรษ 1920. ในตอนแรก, โรงงานใส่มอเตอร์ขนาดใหญ่หนึ่งตัวแทนเครื่องจักรไอน้ำ, ขับเคลื่อนแกนไลน์เดียวกันและปล่อยให้เครื่องจักรแต่ละเครื่องอยู่ที่เดิม. การเพิ่มประสิทธิภาพเกิดขึ้นเมื่อแต่ละเครื่องได้รับมอเตอร์ของตนเองและจัดวางพื้นโรงงานให้สอดคล้องกับงาน.

การจัดเรียงใหม่เป็นการปฏิวัติ.

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมสามารถไปที่ Andus Labs หรือศึกษาข้อมูลเพิ่มเติมได้ที่ Ground Truth Index