การนำทางความท้าทายในการใช้งาน GenAI

การพัฒนาโปรแกรมโดยใช้ GenAI จะช่วยเพิ่มผลผลิตและประสิทธิภาพการทำงาน – คำถามคือ จะเพิ่มขึ้นมากน้อยเพียงใด มีการวิจัยตลาดเกี่ยวกับหัวข้อนี้มากมาย ซึ่งแสดงให้เห็นว่ามีการเพิ่มขึ้นของผลผลิตอย่างมาก การวิจัยจากมหาวิทยาลัยฮาร์วาร์ดพบว่าผู้เชี่ยวชาญขึ้นอยู่กับงานและอาวุโสภาพที่ได้รับการเพิ่มขึ้นของผลผลิต 43% ในทำนองเดียวกัน รายงานจาก Goldman Sachs เสนอว่าผลผลิตอาจเพิ่มขึ้น 1.5 เปอร์เซ็นต์ โดยใช้ GenAI หลังจากการนำไปใช้อย่างกว้างขวางเป็นเวลา 10 ปี ซึ่งเท่ากับเพิ่มขึ้นเกือบสองเท่าของอัตราการเติบโตของผลผลิตในสหรัฐอเมริกา แม้ว่าผลการวิจัยเหล่านี้จะมีประโยชน์ แต่ส่วนใหญ่มาจากสภาพแวดล้อมที่ควบคุมซึ่งไม่จำเป็นต้องสะท้อนถึงความซับซ้อนของกรณีการใช้งานในโลกแห่งความเป็นจริง

เพื่อตอบคำถามว่า GenAI สามารถเพิ่มผลผลิตในการพัฒนาโปรแกรมได้มากน้อยเพียงใด บริษัทที่ให้บริการด้านการเปลี่ยนแปลงดิจิทัลและวิศวกรรมผลิตภัณฑ์รายหนึ่งได้ตัดสินใจบันทึกผลการปฏิบัติและข้อค้นพบจากโครงการนำร่อง GenAI ระดับใหญ่ล่าสุดกับลูกค้าหนึ่ง ลูกค้านี้ต้องการนำ GenAI ไปใช้ในกระบวนการทำงานของทีมพัฒนาสามทีมที่มีมากกว่า 100 ผู้เชี่ยวชาญ ผลการค้นพบเหล่านี้แสดงให้เห็นถึงความท้าทายที่ธุรกิจจะพบระหว่างการเดินทาง และเน้นย้ำถึงความจำเป็นของแผนงานระดับบริษัทในการขยายการนำ GenAI ไปใช้

การแก้ไขทัศนคติและความคาดหวังเชิงลบของผู้เชี่ยวชาญ

มีความท้าทายหลายประการที่สามารถชะลอความสำเร็จของโครงการ GenAI เช่น ข้อกังวลด้านกฎหมายและกฎระเบียบ การขาดความสามารถในการประมวลผล ความปลอดภัยและสิทธิ์ความเป็นส่วนตัว ฯลฯ อย่างไรก็ตาม อุปสรรคที่สำคัญที่สุดในการนำร่อง GenAI ระดับใหญ่นี้คือทัศนคติและความคาดหวังของผู้เชี่ยวชาญเกี่ยวกับเทคโนโลยีในช่วงการนำร่อง บริษัทวิศวกรรมสังเกตเห็นว่าผู้เชี่ยวชาญของลูกค้ามีความคาดหวังบางอย่างเกี่ยวกับ GenAI และวิธีการที่จะเสริมสร้างงานของพวกเขา เมื่อความคาดหวังเหล่านี้ไม่สอดคล้องกับผลลัพธ์เกี่ยวกับคุณภาพหรือเวลาการดำเนินการ พวกเขาจะพัฒนาทัศนคติเชิงลบต่อเทคโนโลยี โดยเฉพาะอย่างยิ่งเมื่อ GenAI ไม่ได้ “ทำงานให้ฉัน” ตามที่พวกเขาแสดงออก พวกเขาจะตอบสนองด้วยคำวิจารณ์เช่น “ฉันคาดหวังว่าจะดีกว่านี้และไม่ต้องการเสียเวลาแล้ว”

ธุรกิจต้องเปลี่ยนทัศนคติและเปลี่ยนไปสู่วัฒนธรรมการทำงานใหม่ที่ป้องกันไม่ให้ทัศนคติเชิงลบเหล่านี้เกิดขึ้นและขัดขวางการนำร่องและการวัดผลที่แม่นยำ การสำรวจและประเมินเป็นวิธีการที่มีประสิทธิภาพในการทำแผนที่และจัดประเภททัศนคติและความมีส่วนร่วมที่รับรู้ของผู้เชี่ยวชาญ จากนั้น บริษัทต่างๆ ควรจัดกลุ่มผู้เชี่ยวชาญตามความรู้สึกของพวกเขาเกี่ยวกับ GenAI จากนั้น บริษัทต่างๆ สามารถสร้างแนวทางการจัดการการเปลี่ยนแปลงแบบกำหนดเองสำหรับแต่ละกลุ่มเพื่อส่งเสริมการรวม AI ที่ประสบความสำเร็จ ตัวอย่างเช่น ผู้เชี่ยวชาญที่มีความกังขามากที่สุดจะได้รับการดูแลและความสนใจมากกว่าผู้เชี่ยวชาญที่เป็นกลาง

การคำนึงถึงความซับซ้อนของโครงการในโลกแห่งความเป็นจริง

ความท้าทายที่สองที่ขัดขวางมากที่สุดคือการวัดผลกระทบของ GenAI ต่อผลผลิตโดยคำนึงถึงความซับซ้อนของโครงการในโลกแห่งความเป็นจริง ในสภาพแวดล้อมที่ควบคุมมันจะง่ายกว่าที่จะประเมินอิทธิพลของ GenAI – อย่างไรก็ตาม ตามที่กล่าวไว้ก่อนหน้านี้ การทดสอบดังกล่าวไม่ได้พิจารณาปัจจัยและความไม่สอดคล้องบางอย่าง โครงการไม่ได้หยุดนิ่ง มันเปลี่ยนแปลงอยู่ตลอดเวลา องค์กรอาจมีสถานการณ์ที่มีผู้เชี่ยวชาญหมุนเวียนเนื่องจากตารางวันหยุดและวันป่วยหรือการเปลี่ยนแปลงลำดับความสำคัญอย่างฉับพลัน ผู้เชี่ยวชาญไม่ได้ทำงานในกิจกรรมโครงการเฉพาะที่ GenAI สามารถมีผลกระทบได้มากที่สุด เพราะพวกเขาเข้าร่วมการประชุม ตอบอีเมล และมีงานอื่นๆ นอกเหนือจากขอบเขตของสปรินต์ที่มักถูกละเลยในการวัดผลผลิต ความไม่สอดคล้องและตัวแปรเหล่านี้ต้องคำนึงถึงเมื่อวัดผลกระทบของ GenAI ต่อการพัฒนาโปรแกรมอย่างเป็นกลาง

แนวทางปฏิบัติที่ดีที่สุดอื่นๆ รวมถึงการรวมเครื่องมือการจัดการงานเข้ากับกระบวนการทำงานเพื่อดูว่างานอยู่ในสถานะใดนานแค่ไหนเพื่อกำหนดผลผลิตและประสิทธิภาพของผู้เชี่ยวชาญที่ไม่ใช่เทคนิค นอกจากนี้ โซลูชันธุรกิจอัจฉริยะสามารถรวบรวมจุดข้อมูลอัตโนมัติ ลดข้อผิดพลาด และประหยัดเวลา องค์กรสามารถบรรเทาความซับซ้อนของโครงการในโลกแห่งความเป็นจริงและรับประกันการประเมินผลกระทบของ GenAI ต่อผลผลิตที่แม่นยำยิ่งขึ้นโดยใช้แนวทางปฏิบัติในการทำความสะอาดข้อมูลอย่างละเอียด

แผนงานระดับบริษัท: การวัดผลที่แม่นยำ

การนำร่อง GenAI ระดับใหญ่นี้ยังเน้นย้ำถึงคุณค่าของแผนงานระดับบริษัทที่กำหนดจุดเริ่มต้นและจุดสิ้นสุดของการรวม บริษัทต่างๆ ควรทราบว่าองค์ประกอบที่สำคัญของแผนงานนี้คือการกำหนดเมตริกที่จะใช้สำหรับขั้นตอนฐานและขั้นตอนการรายงานสุดท้าย มีหลายเมตริกที่สามารถช่วยประเมินผลกระทบของ GenAI ต่อผลผลิต รวมถึง แต่ไม่จำกัดเฉพาะ ความเร็วในเวลา ปริมาณการผลิตเฉลี่ย เวลาในการทบทวนและแก้ไขโค้ด อัตราการล้มเหลวและรับการตรวจสอบโค้ด เวลาในการแก้ไขจุดบกพร่อง ฯลฯ

หลังจากกำหนดเมตริกเหล่านี้แล้ว บริษัทต่างๆ ควรจัดหมวดหมู่เป็นหมวดหมู่วัตถุประสงค์และ主觀 สามารถใช้ข้อมูลจากเครื่องมือติดตามงาน เช่น Jira สำหรับเมตริกวัตถุประสงค์ ในทำนองเดียวกัน พวกเขาต้องรักษาและปฏิบัติตามกระบวนการคุณภาพ การอัปเดตงานที่ทันเวลา และการเสร็จสิ้นขั้นตอนอย่างละเอียด จำไว้ว่าเมตริก主觀 เช่น การสำรวจผู้เชี่ยวชาญและการทดลอง จะช่วยให้บริษัทต่างๆ เข้าใจระดับการนำร่องและการสอดคล้องกับการวัดวัตถุประสงค์ จากมุมมองของความถี่ การวัดควรเป็นไปตามกำหนดเวลาและตามกำหนดเวลา ไม่ใช่ไม่สม่ำเสมอหรือสุ่มๆ นอกจากนี้ ผลการค้นพบของโครงการยังเน้นย้ำถึงประโยชน์ของเมตริก เช่น ผลกระทบเฉลี่ยรายวัน ทักษะที่รับรู้ การเปลี่ยนแปลงประสิทธิภาพ การครอบคลุมงาน การใช้เครื่องมือ AI และกระบวนการทำงานที่ไม่หยุดยั้ง เพื่อวัดความก้าวหน้าในการนำร่อง

แผนงานระดับบริษัท (ต่อ): การเรียนรู้และการพัฒนาวัฒนธรรมที่มีมาตราส่วน

นอกเหนือจากการวัดผลกระทบของ GenAI อย่างมีประสิทธิภาพแล้ว ส่วนประกอบที่สำคัญอีกประการหนึ่งของแผนงานที่ประสบความสำเร็จคือการขับเคลื่อนการเรียนรู้อย่างต่อเนื่องและความชำนาญ AI ผ่านกลยุทธ์การฝึกอบรมและฝึกสอนต่างๆ กลยุทธ์เหล่านี้จะส่งเสริมวัฒนธรรมการเรียนรู้ระดับบริษัทในที่สุด ทำให้สามารถนำ AI ไปใช้ได้ทั่วทั้งองค์กร กลยุทธ์ต่างๆ รวมถึงการสร้างกลุ่มทำงานที่เน้นไปที่ที่ที่และวิธีการที่บริษัทสามารถใช้ GenAI เช่นเดียวกับการส่งเสริมให้บุคคลแบ่งปันสิ่งที่ได้ผลและสิ่งที่ไม่ได้ผล นอกจากนี้ ยังเป็นประโยชน์ที่จะกำหนดลำดับความสำคัญในการเติบโตและการพัฒนาที่มาพร้อมกับเส้นทางการเรียนรู้ที่ระดับบุคคลและทีม

วิธีอื่นที่บริษัทต่างๆ สามารถสร้างวัฒนธรรมที่พร้อมจะนำเทคโนโลยี GenAI ใหม่ๆ มาใช้คือการเน้นย้ำกรณีการใช้งานที่ชนะอย่างรวดเร็ว ซึ่งจะแสดงให้เห็นถึงพลังของ GenAI ต่อองค์กรที่ใหญ่ขึ้นและผู้ที่ไม่เชื่อใจ บริษัทต่างๆ ควรสร้างแนวทางด้านความปลอดภัยและกฎเกณฑ์การใช้ AI เพื่อเพิ่มความสามารถให้กับทีมในการทดลองและสำรวจแนวทางใหม่ๆ โดยไม่ทำให้บริษัทตกอยู่ในความเสี่ยง นอกจากนี้ องค์กรต่างๆ ต้องบังคับใช้การปฏิบัติตามมาตรฐานอุตสาหกรรมและแนวทางปฏิบัติที่ดีที่สุดอื่นๆ ในขณะเดียวกันก็แก้ไขการจัดการการเปลี่ยนแปลงในหมู่บุคคลและทีมที่ระดับงานและเครื่องมือ

การรักษาคนไว้ที่ศูนย์กลาง

ข้อสรุปที่สำคัญที่สุดสองประการจากโครงการนำร่องนี้คือ: ประการแรก GenAI สามารถนำไปสู่การเพิ่มขึ้นของผลผลิตอย่างมีนัยสำคัญภายในขอบเขตของกลยุทธ์และแผนงานที่เหมาะสม; ประการที่สอง การรวมนี้มีองค์ประกอบมนุษย์ที่ไม่สามารถปฏิเสธได้ ซึ่งบริษัทต่างๆ ต้องจัดการอย่างเหมาะสม GenAI จะเปลี่ยนแปลงวิธีการทำงานของผู้เชี่ยวชาญเหล่านี้อย่างถาวร มีแนวโน้มว่า GenAI อาจทำให้ผู้เชี่ยวชาญบางคนรู้สึกถูกคุกคามโดยเทคโนโลยี ซึ่งอาจทำให้เกิดการขัดขวางการนำร่อง สุดท้าย กุญแจสำคัญในการนำ GenAI ไปใช้ได้สำเร็จยังคงอยู่ที่มนุษย์ มันสำคัญสำหรับธุรกิจที่จะเข้าใจถึงความลึกของสิ่งนี้ เนื่องจากเป็นมนุษย์ที่ทำให้เทคโนโลยีมีคุณค่าทางปฏิบัติ