ไมเคิล มาจสเตอร์ พาร์ทเนอร์ที่ Arthur D. Little – ซีรีส์สัมภาษณ์

ไมเคิล มาจสเตอร์ พาร์ทเนอร์ที่ Arthur D. Little เป็นที่ปรึกษาด้านกลยุทธ์และเทคโนโลยีที่มีประสบการณ์ยาวนานด้านการเปลี่ยนแปลงดิจิทัล กลยุทธ์ IT และการเติบโตที่ขับเคลื่อนด้วยนวัตกรรม โดยมีสำนักงานใหญ่อยู่ที่บรัสเซลส์ และทำงานในภูมิภาคเบเนลักซ์ เขามีประสบการณ์มากกว่าสองทศวรรษในการให้คำปรึกษาด้าน CIO และผู้บริหารระดับสูงในการขับเคลื่อนการเปลี่ยนแปลงขนาดใหญ่และให้ผลลัพธ์ทางธุรกิจที่วัดได้ ก่อนที่จะเข้าร่วม Arthur D. Little เขาใช้เวลา 16 ปีที่ Accenture โดยดำรงตำแหน่งผู้นำระดับสูง รวมถึงผู้อำนวยการฝ่ายทรัพยากรเทคโนโลยีในฝรั่งเศสและเบเนลักซ์ และพัฒนาประสบการณ์ภาคส่วนอย่างลึกซึ้งในการผลิตพลังงาน สาธารณูปโภค เคมี และทรัพยากรธรรมชาติ

Arthur D. Little เป็นหนึ่งในบริษัทที่ปรึกษาด้านการจัดการที่เก่าแก่ที่สุดในโลก โดยก่อตั้งมาเกิน 135 ปี และได้รับการยอมรับอย่างกว้างขวางในด้านนวัตกรรม กลยุทธ์ และการเปลี่ยนแปลงที่ขับเคลื่อนด้วยเทคโนโลยี บริษัทนี้ทำงานร่วมกับองค์กรระดับโลกเพื่อแก้ไขความท้าทายทางธุรกิจที่ซับซ้อน โดยรวมข้อมูลเชิงกลยุทธ์กับประสบการณ์ภาคส่วนอย่างลึกซึ้งเพื่อสนับสนุนด้านการเปลี่ยนแปลงดิจิทัล การจัดการนวัตกรรม และการปรับปรุงการดำเนินงาน โดยมีการเน้นย้ำถึงการเชื่อมโยงระหว่างกลยุทธ์ เทคโนโลยี และการดำเนินงาน Arthur D. Little ได้สร้างชื่อเสียงในการช่วยให้ลูกค้าพัฒนานวัตกรรมที่突破ขอบเขตและปรับตัวให้เข้ากับการเปลี่ยนแปลงของตลาดที่เกิดขึ้นอย่างรวดเร็ว

คุณใช้เวลาเกิน 16 ปีที่ Accenture และสุดท้ายก็ได้รับการเลื่อนตำแหน่งเป็นหัวหน้าเทคโนโลยีและทรัพยากรใน BeNeLux และฝรั่งเศส ก่อนที่จะเข้าร่วมเป็นพาร์ทเนอร์ที่ Arthur D. Little การเดินทางนี้มีผลกระทบต่อทัศนคติของคุณเกี่ยวกับสิ่งที่องค์กรต่างๆ ต้องทำเพื่อเปลี่ยนจากการทดลอง AI ไปสู่การเปลี่ยนแปลงการดำเนินงานขนาดใหญ่จริงๆ อย่างไร

ในช่วงเวลาที่ฉันอยู่ที่ Accenture ฉันเห็นบริษัทขยายตัวจาก 30,000 ไปเป็นมากกว่า 500,000 คน ฉันสัมผัสกับวิธีการที่การนำส่ง IT สามารถถูกทำให้เป็นอุตสาหกรรมได้มากเพื่อสนับสนุนการเปลี่ยนแปลงขนาดใหญ่สำหรับ CIO

อย่างไรก็ตาม ในช่วงหลายปีที่ผ่านมา IT ได้กลายเป็นส่วนหนึ่งของธุรกิจที่สำคัญมากขึ้น ซึ่งทำให้องค์กรต่างๆ ต้องหันเหจากการติดตั้ง IT เป็นเพียงสินค้าโภคภัณฑ์

เมื่อฉันเข้าร่วม Arthur D. Little ฉันต้องการสำรวจวิธีการที่การเปลี่ยนแปลงเชิงกลยุทธ์ของธุรกิจหลักสามารถจัดการได้จากภายในองค์กร วิธีการที่จะสร้างโซลูชันที่ปรับแต่งให้เหมาะสมแทนแพลตฟอร์มมาตรฐาน และวิธีการที่ความรับผิดชอบร่วมกันของทีมผู้บริหารสามารถช่วยให้องค์กรทำการเปลี่ยนแปลงที่สำคัญในการสร้างมูลค่าได้อย่างไร

ในมุมมองล่าสุดของคุณ It’s not the agents, it’s the system คุณแย้งว่า AI แบบหลายตัวแทนเป็นเรื่องของการเปลี่ยนแปลงแบบจำลองการดำเนินงานมากกว่าการเปลี่ยนแปลงด้านเทคโนโลยี คุณคิดว่าทำไมหลายองค์กรจึงยังเข้าใกล้ AI เป็นหลักๆ ว่าเป็นปัญหาด้านเครื่องมือ

องค์กรต่างๆ มอง AI เป็นปัญหาด้านเครื่องมือเพราะว่ามันเข้ากันได้ดีกับโครงสร้างที่มีอยู่ งบประมาณ และการเป็นเจ้าของ ซึ่งหลีกเลี่ยงความซับซ้อนของการเปลี่ยนแปลงข้ามฟังก์ชัน สิ่งนี้ทำให้เกิดการนำไปใช้และความก้าวหน้าที่มองเห็นได้ แต่บ่อยครั้งนำไปสู่โครงการที่ล้มเหลวในการขยายหรือให้ผลตอบแทนที่มีความหมาย ผู้นำหลายคนยังพึ่งพาแบบจำลองซอฟต์แวร์ยุคเก่า โดยสมมติว่า AI สามารถใช้งานได้เหมือนระบบ IT แบบดั้งเดิม แทนที่จะต้องออกแบบกระบวนการและกระบวนการตัดสินใจใหม่ ในขณะเดียวกัน การมอบหมายความรับผิดชอบในการเปลี่ยนแปลงแบบจำลองการดำเนินงานก็กระจายและยากต่อการบริหารจัดการ ทำให้โครงการที่นำโดยเทคโนโลยีมีความน่าสนใจมากกว่า ดังนั้น บริษัทจึงเลือกใช้เครื่องมือเพราะว่ามันง่ายและปลอดภัยกว่าการเผชิญหน้ากับการเปลี่ยนแปลงที่ลึกซึ้งกว่าที่จำเป็นในการปลดปล่อยคุณค่าเต็มที่ของ AI

หลายองค์กรกำลังทดลอง AI แบบตัวแทนที่มีประสิทธิภาพ แต正在ดิ้นรนในการขยายขนาด สิ่งกีดขวางโครงสร้างที่พบบ่อยที่สุดคืออะไรที่ทำให้องค์กรไม่สามารถพัฒนาไปสู่การผลิตได้หลังจากการทดลอง

องค์กรต่างๆ ดิ้นรนในการขยายขนาด AI แบบตัวแทนที่มีประสิทธิภาพเพราะว่าพวกเขาเน้นไปที่กรณีการใช้งานที่แยกจากกันมากกว่าการออกแบบกระบวนการทำงานจากปลายถึงปลายโดยมีการเป็นเจ้าของที่ชัดเจน แบบจำลองการดำเนินงานไม่ได้รับการปรับให้เหมาะสม โดยมีบทบาทที่ไม่ชัดเจน สิทธิ์ในการตัดสินใจ และการบูรณาการที่ไม่เพียงพอของการทำงานร่วมกันระหว่างมนุษย์และตัวแทนที่มีประสิทธิภาพในกระบวนการทำงานประจำวัน หลายโครงการยังขาดความเชื่อมโยงที่ชัดเจนระหว่างผลลัพธ์ทางธุรกิจที่วัดได้ ทำให้พวกเขาถูกขัดขวางในระยะการทดลองโดยไม่สามารถแสดงผลตอบแทนที่มีความหมาย นอกจากนี้ ข้อมูลที่กระจัดกระจายและระบบยุคเก่ายังจำกัดความสามารถของตัวแทนที่มีประสิทธิภาพในการทำงานอย่างราบรื่นข้ามฟังก์ชัน สุดท้าย การจัดการการเปลี่ยนแปลงที่อ่อนแอและข้อกังวลเกี่ยวกับการกำกับดูแลที่ไม่ได้รับการแก้ไขรอบๆ ความเสี่ยงและความน่าเชื่อถือยังชะลอการนำรับและการขยายขนาด

คุณเน้นย้ำว่าการประสานงาน ไม่ใช่ตัวแทนที่มีประสิทธิภาพเป็นจุดสำคัญที่มีคุณค่าจริงๆ การประสานงานที่มีประสิทธิภาพในสถานการณ์จริงขององค์กรมีลักษณะอย่างไร

การประสานงานที่มีประสิทธิภาพหมายถึงการออกแบบ AI รอบกระบวนการทำงานทางธุรกิจจากปลายถึงปลาย ไม่ใช่เครื่องมือแต่ละชิ้น โดยมีตัวแทนที่มีประสิทธิภาพที่ได้รับมอบหมายบทบาทที่ชัดเจนในกระบวนการทำงานทั้งหมด ตัวแทนที่มีประสิทธิภาพหลายตัวทำงานร่วมกันเหมือนเป็นทีม โดยจัดการการรับเข้า การตัดสินใจ การดำเนินการ และการดูแล โดยประสานงานผ่านชั้นการประสานงานกลาง ตัวแทนที่มีประสิทธิภาพเหล่านี้บูรณาการอย่างใกล้ชิดกับระบบองค์กรผ่าน API และแหล่งข้อมูล ทำให้สามารถดำเนินการจริงได้ ไม่ใช่แค่การให้ข้อมูล ชั้นการประสานงานยังจัดการลำดับการทำงาน การจัดการข้อยกเว้น และการยกเลิกไปยังมนุษย์ เพื่อให้แน่ใจว่าการดำเนินการจะราบรื่นและมีการควบคุม

เมื่อองค์กรออกแบบกระบวนการทำงานใหม่รอบ AI สิทธิ์ในการตัดสินใจควรพัฒนาไปอย่างไรระหว่างมนุษย์และระบบอัตโนมัติเพื่อหลีกเลี่ยงการทำให้ระบบอัตโนมัติมากเกินไปและการขัดขวาง

สิทธิ์ในการตัดสินใจควรพัฒนาไปสู่แบบจำลองที่อาศัยความเสี่ยง โดยการตัดสินใจที่มีความเสี่ยงต่ำและปริมาณมากจะถูกทำให้ระบบอัตโนมัติ ในขณะที่กรณีที่มีผลกระทบสูงหรือไม่แน่นอนยังคงอยู่ภายใต้การควบคุมของมนุษย์ ตัวแทนที่มีประสิทธิภาพควรจัดการการรับรู้ การวิเคราะห์ และการดำเนินการ ในขณะที่มนุษย์มุ่งเน้นไปที่การตัดสินใจ การจัดการข้อยกเว้น และการกำหนดผลลัพธ์ที่ถูกต้อง เส้นทางการยกเลิกที่ชัดเจนเป็นสิ่งจำเป็นเพื่อให้ตัวแทนที่มีประสิทธิภาพรู้ว่าเมื่อใดที่ควรยกเลิกการตัดสินใจแทนการข้ามอำนาจของตน

หนึ่งในจุดสำคัญของคุณคือความน่าเชื่อถือต้องได้รับการออกแบบจากปลายถึงปลาย คุณเห็นโหมดการล้มเหลวที่ใหญ่ที่สุดอย่างไรเมื่อบริษัทต่างๆ นำระบบหลายตัวแทนที่มีประสิทธิภาพมาใช้โดยไม่มีการป้องกันที่เพียงพอ

โหมดการล้มเหลวที่สำคัญคือการแพร่กระจายของข้อผิดพลาด โดยที่ข้อผิดพลาดเล็กๆ ของตัวแทนที่มีประสิทธิภาพหนึ่งตัวสามารถแพร่กระจายผ่านระบบและกลายเป็นข้อผิดพลาดที่ใหญ่ขึ้น อีกประเด็นหนึ่งคือการหลอกลวงและการมั่นใจที่ผิด โดยที่ AI สามารถสร้างผลลัพธ์ที่น่าเชื่อถือแต่ไม่ถูกต้องโดยไม่ส่งสัญญาณถึงความไม่แน่นอน องค์กรต่างๆ ยังดิ้นรนเมื่อมอบอำนาจการตัดสินใจที่มีผลกระทบสูงให้กับตัวแทนที่มีประสิทธิภาพโดยไม่มีการตรวจสอบหรือการอนุมัติที่เหมาะสม การจัดการข้อยกเว้นที่อ่อนแอยังทำให้ปัญหาเลวร้ายลง โดยที่ตัวแทนที่มีประสิทธิภาพล้มเหลวในการยกเลิกกรณีที่ไม่ชัดเจนหรือกรณีขอบเขตให้กับมนุษย์ โดยรวมแล้ว การล้มเหลวเกิดขึ้นเพราะความน่าเชื่อถือไม่ได้รับการออกแบบทั่วทั้งระบบของการประสานงาน การตรวจสอบ และการกำกับดูแล

การกำกับดูแลมักถูกมองว่าเป็นชั้นการปฏิบัติตามกฎระเบียบมากกว่าการออกแบบหลักการ คุณคิดว่าบริษัทต่างๆ ควรคิดใหม่เกี่ยวกับการกำกับดูแลเมื่อสร้างแบบจำลองการดำเนินงานที่เป็นมิตรกับ AI อย่างไร

การกำกับดูแลควรเปลี่ยนจากชั้นการปฏิบัติตามกฎระเบียบหลังการดำเนินงานมาเป็นหลักการออกแบบหลักที่ฝังอยู่ในกระบวนการทำงาน AI โดยตรง สิ่งนี้หมายถึงการบูรณาการการป้องกัน การตรวจสอบ และการอนุมัติในช่วงเวลาที่สำคัญของกระบวนการตัดสินใจ บริษัทต่างๆ ควรใช้แนวทางที่อาศัยความเสี่ยง โดยปรับระดับของการทำงานอัตโนมัติและความรับผิดชอบของมนุษย์ตามผลกระทบและความไม่แน่นอนของการตัดสินใจ ความรับผิดชอบและความชัดเจนในการตัดสินใจต้องได้รับการกำหนดให้ชัดเจน เพื่อให้ตัวแทนที่มีประสิทธิภาพรู้ว่าเมื่อใดที่ควรดำเนินการและเมื่อใดที่ควรยกเลิกการตัดสินใจ สุดท้าย การติดตามผลอย่างต่อเนื่อง วงจรป้อนกลับ และกลไกความน่าเชื่อถือที่ได้รับการออกแบบเป็นสิ่งจำเป็นในการรักษาความไว้วางใจ การทำงาน และการควบคุมในระดับที่กว้างขวาง

จากงานของคุณในการให้คำปรึกษากับ CIO และ CDO สิ่งใดที่ทำให้องค์กรที่บรรลุผลตอบแทนที่วัดได้จาก AI แตกต่างจากองค์กรที่ยังคงอยู่ในสถานะการทดลองอย่างไม่มีกำหนด

องค์กรที่บรรลุผลตอบแทนที่วัดได้จาก AI มุ่งเน้นไปที่การเปลี่ยนแปลงกระบวนการทำงานจากปลายถึงปลายมากกว่าการใช้ AI ในกรณีการใช้งานที่แยกจากกัน พวกเขามีการเชื่อมโยงโครงการกับ KPI ทางการเงินที่ชัดเจน และฝัง AI ลงในกระบวนการทำงาน บทบาท และโครงสร้างการตัดสินใจ พวกเขายังลงทุนในการจัดการการเปลี่ยนแปลง การนำรับ และการกำกับดูแลเพื่อให้แน่ใจว่าโซลูชันสามารถขยายได้อย่างมีประสิทธิภาพ ในทางกลับกัน องค์กรที่ยังคงอยู่ในสถานะการทดลองดำเนินโครงการที่ไม่เกี่ยวข้องกัน มุ่งเน้นไปที่เครื่องมือมากกว่ากระบวนการ และขาดความชัดเจนในการเป็นเจ้าของและความรับผิดชอบ ซึ่งทำให้พวกเขาไม่สามารถแปล AI เป็นคุณค่าทางธุรกิจที่มีความหมายและยังคงอยู่ในระยะการทดลอง

เมื่อระบบหลายตัวแทนที่มีประสิทธิภาพมีความซับซ้อนมากขึ้น องค์กรควรคิดเกี่ยวกับการสังเกต การติดตาม และการยกเลิกอย่างไรเพื่อรักษาความไว้วางใจในกระบวนการตัดสินใจที่ขับเคลื่อนด้วย AI

องค์กรควรพิจารณาการสังเกต การติดตาม และการยกเลิกเป็นองค์ประกอบหลักของการออกแบบระบบ ไม่ใช่สิ่งที่พิจารณาในภายหลัง สิ่งนี้รวมถึงการรับประกันการตรวจสอบได้ตลอดทางผ่านการบันทึก การติดตาม และจุดตรวจสอบเพื่อให้การตัดสินใจสามารถเข้าใจและตรวจสอบได้ การติดตามควรเน้นไม่เพียงแต่ประสิทธิภาพ แต่ยังรวมถึงคุณภาพของผลลัพธ์ ข้อผิดพลาด และวิธีการที่ปัญหาแพร่กระจายไปทั่วตัวแทนที่มีประสิทธิภาพ เส้นทางการยกเลิกที่ชัดเจนจำเป็นต่อการให้ตัวแทนที่มีประสิทธิภาพทราบว่าเมื่อใดที่ควรยกเลิกการตัดสินใจให้กับมนุษย์โดยไม่สร้างการขัดขวาง ในที่สุด ความไว้วางใจมาจากระบบที่มีความโปร่งใส วัดได้ และได้รับการออกแบบสำหรับการกำกับดูแลของมนุษย์โดยค่าเริ่มต้น

เมื่อมองไปข้างหน้า คุณคิดว่าแบบจำลองการดำเนินงานขององค์กรจะพัฒนาไปอย่างไรในอีก 3 ถึง 5 ปีข้างหน้า เมื่อระบบหลายตัวแทนที่มีประสิทธิภาพกลายเป็นส่วนหนึ่งของกระบวนการธุรกิจหลักมากขึ้น

แบบจำลองการดำเนินงานขององค์กรจะพัฒนาไปสู่การทำงานร่วมกันระหว่างมนุษย์และ AI โดยที่ตัวแทนที่มีประสิทธิภาพจะทำงานเป็นพนักงานดิจิทัลที่ฝังอยู่ในกระบวนการหลัก องค์กรจะเปลี่ยนจากโครงสร้างฟังก์ชันสู่โครงสร้างที่มุ่งเน้นกระบวนการทำงาน โดยมีการเป็นเจ้าของและประสานงานทั่วกระบวนการการตัดสินใจจะกลายเป็นแบบไดนามิกมากขึ้น โดยมีงานที่ซ้ำๆ กันถูกทำให้ระบบอัตโนมัติ และมนุษย์มุ่งเน้นไปที่กรณีข้อยกเว้นและการกำกับดูแล การกำกับดูแลและกลไกความน่าเชื่อถือจะถูกสร้างเข้าไปในกระบวนการทำงานประจำวัน ไม่ใช่การปฏิบัติตามกฎระเบียบเพียงอย่างเดียว สุดท้าย ความได้เปรียบในการแข่งขันจะขึ้นอยู่กับว่าบริษัทต่างๆ สามารถออกแบบแบบจำลองการดำเนินงานใหม่รอบ AI ได้ดีเพียงใด ไม่ใช่แค่เทคโนโลยีเองเท่านั้น

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Arthur D. Little