Rob Collie, CEO และผู้ก่อตั้ง P3 Adaptive และผู้เขียน Fair Game – ชุดสัมภาษณ์

Rob Collie เป็นผู้ก่อตั้งและซีอีโอของ P3 Adaptive ซึ่งเป็น Microsoft Solutions Partner ด้านข้อมูลและ AI ที่ให้บริการแก่ลูกค้ากลางระดับและ Fortune 1000 จำนวนหลายร้อยราย ก่อนหน้านี้เขาเคยเป็นหัวหน้าวิศวกรของ Microsoft (MSFT ) ในทีม Excel, Bing และ Power BI หลังจากออกจาก Microsoft Rob ได้เป็นผู้นำการเคลื่อนที่ของ Power BI และได้เขียนหนังสือธุรกิจ‑เทคโนโลยีสามเล่ม (ขายได้กว่า 92,000 เล่ม) นอกจากนี้เขายังเป็นผู้ดำเนินรายการพอดแคสต์ Raw Data with Rob Collie หนังสือเล่มที่สี่ของเขา Fair Game: Customizing AI to Your Business Is Easier Than You Think (สิงหาคม 2026) ได้นำความเชื่อมั่นของผู้ปฏิบัติงานมสู่ช่วงเวลาของ AI

คุณทำงานที่ Microsoft มากกว่าหนึ่งทศวรรษเพื่อพัฒนาฟีเจอร์ด้านธุรกิจอัจฉริยะใน Excel และ Power BI ก่อนก่อตั้ง P3 Adaptive ในปี 2013 การเปลี่ยนแปลงจากการสร้างซอฟต์แวร์ภายใน Microsoft ไปสู่การแก้ปัญหาข้อมูลให้กับลูกค้าได้ส่งผลต่อมุมมองของคุณต่อ AI ระดับองค์กรอย่างไร?

เมื่อผมเป็นผู้นำทีมผลิตภัณฑ์ที่ Microsoft เรากำลังสร้างซอฟต์แวร์ที่ต้องทำงานได้ทั่วโลกและไม่สามารถปรับให้ตรงกับความต้องการของลูกค้าแต่ละรายได้ เราเคยเรียกมันว่า “สั่งพิซซ่าที่ท็อปปิ้งต้องเหมาะกับคน 300 ล้านคน” แนวคิดแบบนี้จำเป็นต้องอิงบนจุดต่ำสุดที่ทุกคนยอมรับ รวมถึงการรักษาระยะห่างจากลูกค้าแต่ละคน

การทำงานบนเวทีใหญ่แบบนั้นมีความภาคภูมิใจอย่างชัดเจน แต่ก็ไม่ให้ความพึงพอใจทางอารมณ์เท่ากับการช่วยลูกค้าเฉพาะเจาะจงให้บรรลุความทะเยอทะยานของพวกเขา การทำงานใกล้ชิดกับลูกค้าทำให้เรามีส่วนร่วมในความสำเร็จของพวกเขาและสามารถสำรวจแนวทางสร้างสรรค์ที่ไม่อาจเข้ากับโมเดล “ขนาดเดียวสำหรับทุกคน” ของซอฟต์แวร์ขนาดใหญ่ได้ มันกระตุ้นความคิดในหลายด้าน และการเชื่อมต่อโดยตรงกับลูกค้าทำให้ความสำเร็จนั้นมีความหมายมากยิ่งขึ้น

แต่ความรับผิดชอบก็เพิ่มขึ้นด้วย ที่ Microsoft ลูกค้าที่ไม่พอใจเพียงคนเดียวก็เป็นแค่สถิติและผมมักละเลยข้อร้องเรียนทุกวันว่าเป็นส่วนหนึ่งของหน้าที่งานของผม แต่ที่ P3 Adaptive ลูกค้าที่ไม่พอใจคนเดียวหมายถึงเราล้มเหลว ไม่มีสถิติ เรามีความรับผิดชอบต่อความสัมพันธ์ทุกคน

ผมได้เรียนรู้หลายอย่างที่มีคุณค่าที่ Microsoft และคงไม่แลกเปลี่ยนประสบการณ์นั้นกับโลกใด ๆ แต่ผมมักเรียกตัวเองว่า “นักวิศวกรซอฟต์แวร์ที่กำลังฟื้นฟู” เพราะความสำเร็จในตอนนี้หมายถึงการทำงานที่แตกต่างอย่างสิ้นเชิง

และนี่คือมุมมองที่ผมนำเข้าสู่ AI ระดับองค์กร AI แบบสำเร็จรูปเปรียบเสมือนพิซซ่า 300 ล้านคนที่สมบูรณ์แบบ – เป็นสิ่งมหัศจรรย์ที่ออกแบบให้มีคุณค่าสำหรับทุกคนแต่ไม่ได้ปรับให้เหมาะกับใครโดยเฉพาะ แต่ AI ระดับองค์กร จะชนะเมื่อมีการปรับแต่ง – การเข้าใกล้บริษัทเฉพาะเจาะจงและปรับ AI ให้สอดคล้องกับข้อมูลของ มัน กระบวนการของ มัน และคำนิยามของ มัน ผมได้ทำงานทั้งสองด้านของการแบ่งแยกนั้นและทำให้ผมมั่นใจอย่างเต็มที่ว่า AI ระดับองค์กรจะชนะในด้านใดด้านหนึ่ง

ใน Fair Game คุณอ้างว่าบริษัทหลายแห่งเข้าถึงปัญญาประดิษฐ์โดยกลับกันโดยการแจกจ่ายใบอนุญาตแชทบอทแบบทั่วไปแทนที่จะสร้างระบบที่เข้าใจการดำเนินงานของตนเอง จุดที่ผู้ช่วย AI แบบสำเร็จรูปถึงขีดจำกัดคืออะไร และสัญญาณใดบ่งบอกว่าธุรกิจต้องการสิ่งที่ปรับแต่งเฉพาะ?

AI แบบสำเร็จรูปมีความเชี่ยวชาญระดับปริญญาเอกในทุกอย่าง ยกเว้นธุรกิจของคุณ มันได้อ่านข้อมูลทั้งหมดบนอินเทอร์เน็ตแล้ว แต่อินเทอร์เน็ตไม่มีคำนิยามของคุณเกี่ยวกับ “ลูกค้าที่ใช้งานอยู่” โลจิกการกำหนดราคา กระบวนการดำเนินงานของคุณ และว่าระบบสองระบบของคุณควรเชื่อถืออันไหนเมื่อมีความขัดแย้ง ความรู้นี้จะไม่เป็นสาธารณะ ดังนั้น AI ทั่วไปที่เป็นสุดยอดสำหรับการใช้งานส่วนบุคคลจึงไม่เพียงพอสำหรับการใช้งานธุรกิจจริง และช่องว่างระหว่างสองประสบการณ์นี้ทำให้ผู้ใช้รู้สึกท้อแท้และสับสน

ปัจจุบัน คำตอบของหลายคนต่อคำถาม “ควรทำอย่างไรกับ AI” มักเป็น “ซื้อสมาชิกและลองดู” ผมคิดว่านั่นเป็นขั้นตอนแรกที่ธรรมชาติ ดังนั้นผมไม่ได้วิจารณ์ใครที่ทำเช่นนั้น แต่ผมเข้าใจว่าผู้คนไม่ได้ใช้เวลาชี้แจงว่าการสมัครสมาชิกแบบสำเร็จรูปไม่พอและทำไม ดังนั้นผมมองว่าธุรกิจอยู่ในตำแหน่งที่ควรอยู่ – ลองใช้สิ่งที่มีอยู่และเริ่มเรียนรู้ว่ามันไม่เพียงพอ

การแก้ไขไม่ได้อยู่ที่การแก้ไขโมเดล AI เอง – คุณไม่จำเป็นต้องเป็นนักวิจัย LLM สิ่งที่ต้องทำคือสิ่งที่คุณล้อมรอบโมเดล: ข้อมูลของคุณ คำสั่งที่เขียนเป็นภาษาอังกฤษธรรมดา และซอฟต์แวร์ทั่วไป เมื่อคุณพบว่าตัวเองพิมพ์บริบทเดียวกันให้กับแชทบอทเป็นครั้งที่ห้าภายในสัปดาห์ นั่นคือสัญญาณที่บ่งบอกว่าคุณควรมีระบบที่ปรับแต่งไว้แล้ว – สิ่งที่คุณต้องอธิบายซ้ำทุกครั้งควรเป็นสิ่งที่ระบบกำหนดเองรู้แล้วทุกครั้งที่มันทำงาน

คุณใช้คำว่า “Crafters” เพื่ออธิบายผู้เชี่ยวชาญด้านธุรกิจที่ชำนาญด้านข้อมูลซึ่งสามารถสร้างระบบ AI ที่ปรับแต่งได้โดยไม่ต้องเป็นนักพัฒนาซอฟต์แวร์แบบดั้งเดิม คุณลักษณะใดที่ทำให้ Crafter แตกต่าง และผู้นำสามารถระบุคนเหล่านี้ในแรงงานที่มีอยู่ได้อย่างไร?

Crafter คือคนที่เกิดมามีความอยากแก้ปัญหาด้วยเครื่องมือ ประมาณหนึ่งใน 16 คนทำงานความรู้มีลักษณะนี้ตามประสบการณ์ของผม พวกเขาเป็นผู้ใช้ Excel ขั้นสูง จากนั้นเป็นรุ่น Power BI แล้วต่อมาคือคนที่ IT เรียกว่า “shadow IT” พวกเขาเป็นนักวิเคราะห์ นักสร้างโมเดลการเงิน ผู้นำฝ่ายปฏิบัติการ – คนที่เติบโตในธุรกิจและค้นพบความชำนาญในการใช้เครื่องมือ

สองลักษณะที่ทำให้พวกเขาเหมาะกับงาน AI คือ 1) ความคิดเชิงระบบ – พวกเขาแยกกระบวนการที่ยุ่งยากออกเป็นอินพุต กฎ และผลลัพธ์ เหมือนนักพัฒนาซอฟต์แวร์มืออาชีพ 2) ความเข้าใจในธุรกิจ – พวกเขารู้ว่าตัวเลขใดที่ CFO ติดตามจริงและคำถามที่ผู้ถามต้องการอะไร คุณไม่สามารถสอนสิ่งใดอย่างหนึ่งในคอร์สบูทแคมป์ได้

วิธีหาผู้ Crafter ของคุณ: ตามสเปรดชีต ตอนนี้ในบริษัทของคุณมีสเปรดชีต แดชบอร์ด และการอัตโนมัติที่เป็นหัวใจของกระบวนการสำคัญ ไม่ได้สร้างโดย IT และแต่ละอันมีผู้เขียน เริ่มจากที่นั่น แล้วประเมินว่าพวกเขาจะนำความสามารถของตนไปสู่โซลูชัน AI ที่ปรับแต่งได้อย่างไร

ทำไมคุณเชื่อว่า Crafters มากกว่านักพัฒนาจะเป็นผู้ที่เหมาะสมที่สุดในการนำโครงการ AI ภายในหลายโครงการ และความรับผิดชอบควรแบ่งอย่างไรระหว่างผู้เชี่ยวชาญธุรกิจ ทีมข้อมูล วิศวกรซอฟต์แวร์ แผนกไอที และทีมความปลอดภัย?

เพราะส่วนที่ยากของ AI ที่ปรับแต่งไม่ได้อยู่ที่โค้ด แต่เป็นบริบท กิจกรรมที่ให้ผลตอบแทนสูงสุดในโครงการ AI คือการกำหนดว่าระบบต้องรู้เรื่องอะไรเกี่ยวกับธุรกิจของคุณ และ Crafter มีความรู้เหล่านั้นโดยธรรมชาติ วิศวกรที่มาจากองค์กรอื่นต้องทำการสัมภาษณ์หลายเดือนเพื่อเรียนรู้สิ่งที่ผู้ทำงานปฏิบัติการของคุณรู้โดยอัตโนมัติ

แต่เรื่องนี้ไม่ได้หมายความว่านักพัฒนาถูกทิ้งออกไป การแบ่งงานที่ผมแนะนำมีสามปัจจัย และไม่มีอย่างใดที่เกี่ยวกับอายุหรือบุคลิกภาพ: งานจะเคลื่อนย้ายไปสู่วิศวกรเมื่อ การนำกลับมาใช้ใหม่, ความซับซ้อน และ ความอ่อนไหว เพิ่มขึ้น ทุกอย่างที่ต้องเผชิญกับลูกค้า, ข้อมูลที่ละเอียดอ่อน, หรือการตัดสินใจอัตโนมัติเป็นพื้นที่ของนักพัฒนา และเมื่อจำนวนโครงการเพิ่มขึ้น ความสามารถด้านวิศวกรรมที่หายากจะมีค่ามากขึ้น ไม่ใช่น้อย งานจะเคลื่อนย้ายไปสู่ Crafter เมื่อความละเอียดของกระบวนการธุรกิจเป็นปัจจัยหลัก

นอกจากนี้ยังมีพื้นที่กึ่งกลางที่มักถูกมองข้าม: Crafter ทำการสร้าง, นักพัฒนาทำการตรวจสอบ IT และความปลอดภัยไม่ควรเป็นผู้คัดกรองโครงการเพื่ออนุมัติ – พวกเขาควรเป็นผู้ดูแลเส้นทางที่พร้อมใช้งาน ให้แพลตฟอร์มที่ได้รับการอนุมัติพร้อมกับแนวทางความปลอดภัย เช่น การยืนยันตัวตน, การเข้าถึงข้อมูล, การบันทึกเหตุการณ์ – เพื่อให้ตัวเลือกที่สอดคล้องกับกฎระเบียบเป็นตัวเลือกที่สะดวกที่สุด จัดทำทะเบียนเบา ๆ: สิ่งที่จากการทดลองส่วนบุคคลกลายเป็นสิ่งที่คนอื่นต้องพึ่งพา จะต้องบันทึกพร้อมเจ้าของชื่อ การกำหนดกฎนี้ทำให้ปัญหาเครื่องมือที่ไร้เจ้าของหายไป เพราะเครื่องมือที่มีชื่อเจ้าของจะไม่ถูกละทิ้งโดยเงียบ ๆ

AI ที่ปรับแต่งต้องเข้าถึงคำศัพท์, ตัวชี้วัด, กระบวนการ, และความรู้สถาบันของบริษัท คำจำกัดความของโมเดลเชิงความหมายและโครงสร้างพื้นฐาน BI ที่มีอยู่มีบทบาทอย่างไรในการให้ AI เข้าใจบริษัทได้อย่างแม่นยำ?

พวกมันคือ “วงแหวนถอดรหัส” ขณะนี้คำนิยามของบริษัทคุณ – สิ่งที่นับว่าเป็นลูกค้าที่ใช้งานอยู่, ต้นทุนที่ควรนับในกำไรขั้นต้น – อยู่ในหัวของคนและในสเปรดชีตหลายพันไฟล์ AI ไม่สามารถให้เหตุผลเกี่ยวกับข้อมูลของคุณได้อย่างน่าเชื่อถือจนกว่าคำนิยามเหล่านั้นจะถูกบันทึกในรูปแบบที่เครื่องจักรเชื่อถือได้ อุตสาหกรรมเริ่มเรียกกระบวนการนี้ว่า “การออกแบบบริบท” (context engineering) และผมจะแปลเป็น: งานของการจัดโครงสร้างความรู้ของธุรกิจเพื่อให้ AI สามารถใช้ได้ นักวิเคราะห์ทำให้ดูใหม่ แต่ผู้ปฏิบัติงาน BI ทำเช่นนี้มานานสิบห้าปีแล้ว

นี่คือข่าวดีที่ซ่อนอยู่ในสายตา: หากคุณลงทุนในยุค BI (และโดยเฉพาะอย่างยิ่ง Power BI) คุณอาจมีความได้เปรียบตั้งแต่แรก โมเดลเชิงความหมายที่สร้างอย่างดีคือการจับความหมายของธุรกิจในรูปแบบที่เครื่องอ่านได้ ซึ่งเป็นสิ่งที่เอเย่นต์ AI ต้องการ บริษัทที่มองว่าเลเยอร์เชิงความหมายเป็นเรื่องรองหลังจากนั้นกำลังพบว่าการทำงาน “น่าเบื่อ” ที่ข้ามไปนั้นกลายเป็นด่านตรวจสอบบนเส้นทางสู่ AI และสำคัญที่งานนี้เป็นเฉพาะเจาะจงต่อธุรกิจของคุณ – นั่นคือเหตุผลที่มันเป็นข้อได้เปรียบที่ยั่งยืน ทุกผู้ขายอาจขายโมเดลเดียวกันให้คุณ แต่ไม่มีใครขายคำนิยามของคุณเองได้

คุณสร้างเครื่องมือแก้ไข AI ที่กำหนดเองชื่อ Eddie เพื่อช่วยพัฒนา Fair Game ระบบทำอะไรจริง ๆ ระหว่างกระบวนการเขียน และความสำเร็จและความล้มเหลวของมันสอนอะไรคุณเกี่ยวกับการออกแบบ AI ให้สอดคล้องกับเวิร์กโฟลว์ส่วนบุคคลอย่างสูง?

เพื่อความชัดเจน ผมเขียนทุกย่อหน้าของหนังสือจากศูนย์ ส่วน Eddie ส่วนใหญ่คอยรออยู่ บางครั้งผมใช้เวลาหลายชั่วโมงในการร่างส่วนหนึ่งของบทก่อนจะให้ “เขา” อ่าน ส่วนอื่น ๆ ผมก็ทดสอบกับเขาทุกไม่กี่นาที แต่สำคัญที่สุด Eddie พร้อมทำงานตลอด 24/7 ผมสามารถรับฟีดแบ็กได้ทั้งตอนตีสามและบ่ายหนึ่ง และเขาจะตอบกลับภายในหนึ่งนาทีหรือเร็วกว่า ทั้งหมดนี้ ผมคาดว่า Eddie ได้อ่านต้นฉบับอย่างน้อยสามสิบครั้ง ไม่มีมนุษย์คนใดทำได้ เพราะไม่มีมนุษย์อยากทำเช่นนั้น

เขาติดตามสัญญาที่ผมทำไว้ในบทที่สามและชี้ให้ผมเห็นเมื่อบทที่สิบสองลืมเรื่องนั้น เขาเรียนรู้สไตล์การเขียนของผมและบังคับให้ผมยึดมั่นในเสียงของตัวเองแทนที่จะให้ผมหลุดเข้าสู่โหมด “ผู้เขียนธุรกิจไร้อารมณ์ขัน” เขาบอกผมเมื่อผมขี้เกียจและเมื่อผมตีหัวม้าเสียบ เรามีความขัดแย้งจริง ๆ บางครั้งเขาก็ชนะ

บทเรียนการออกแบบที่สำคัญที่สุด: “สมอง”ของ Eddie เขียนเป็นภาษาอังกฤษและอยู่ในโฟลเดอร์ ทุกครั้งที่เขาให้ฟีดแบ็กที่พลาด – มากไปกว้างเกินไป, ลงทะเบียนไม่ถูกต้อง, ลืมกฎที่ผมได้ระบุไว้แล้ว – วิธีแก้คือเขียนการแก้ไขลงและทำให้เป็นส่วนของบริบทถาวรของเขา ความล้มเหลวไม่ได้เป็นความล้มเหลวของ AI แต่เป็นช่องว่างในสิ่งที่ผมสอนให้เขา วงจรนี้ – สังเกตข้อผิดพลาด, เขียนบทเรียน, ดูว่ามันคงอยู่ – คือกระบวนการทั้งหมดของการสร้าง AI ที่กำหนดเองในรูปแบบย่อม ๆ และเป็นเหตุผลที่ผมสร้าง Eddie เฉพาะด้านสำหรับการประชาสัมพันธ์ การวิจัยคู่แข่ง และข้อความบนเว็บไซต์ ทั้งหมดใช้ LLM เดียวกัน แต่ผู้เชี่ยวชาญต่างกัน

หลายองค์กรเชื่อว่าต้องทำความสะอาดและรวมศูนย์ข้อมูลให้สมบูรณ์ก่อนจะลอง AI ที่ปรับแต่งได้ ความพร้อมของข้อมูลที่จำเป็นจริง ๆ เพื่อเริ่มต้นคือเท่าไหร่ และบริษัทจะเริ่มสร้างมูลค่าได้อย่างไรโดยไม่ต้องรอพื้นฐานที่สมบูรณ์?

“ความสมบูรณ์”ของข้อมูลไม่ใช่เงื่อนไขเบื้องต้น และนั่นเป็นข่าวดีเพราะความสมบูรณ์ไม่มีวันมาถึง หากคุณตั้งเป้าหมายจะสร้าง “อสังหาริมทรัพย์ข้อมูลที่สมบูรณ์” อย่างที่บริษัทที่ปรึกษาหลายแห่งแนะนำ คุณจะสร้าง “ระบบท่อประปาที่ทำเพื่อการทำระบบท่อเอง” – ท่อราคาแพงกระจายทั่วทุกที่ แต่เมื่อมาถึงการติดตั้งก๊อกน้ำกลับไม่มีท่อที่ต้องการ

บริษัทของเราจึงสนับสนุนแนวทาง “ก๊อกน้ำก่อน” เลือกกรณีใช้งานเฉพาะและทำย้อนกลับจากผลกระทบทางธุรกิจ แทนการเริ่มจากโครงสร้างพื้นฐาน สร้าง MVP จากกรณีใช้งานนั้นโดยใช้โครงสร้างพื้นฐานใหม่ให้น้อยที่สุด ปรับปรุง MVP จนพร้อมผลิตและจากนั้นประเมินว่าควรเสริมโครงสร้างพื้นฐานอย่างไร แนวทางนี้ทำให้ผลกระทบทางธุรกิจเร็วขึ้น ลดค่าใช้จ่าย และให้ข้อมูลสำหรับโครงการต่อไป – ทั้งในระดับก๊อกน้ำและระบบท่อ

ต้นแบบ AI ที่ปรับแต่งอาจดูน่าประทับใจในงานสาธิตแต่กลับไม่เชื่อถือได้เมื่อเผชิญกับพนักงานจริง, ข้อมูลที่เปลี่ยนแปลง, และกรณีขอบเขตต่าง ๆ ควรตั้งค่าการประเมิน, การเฝ้าติดตาม, และการกำกับดูแลมนุษย์อย่างไรก่อนที่ระบบ AI ภายในจะเข้าสู่การปฏิบัติงาน?

ยกเว้นกรณีพิเศษบางอย่าง ผมคิดว่างานสาธิตมีคุณค่าน้อยลงในยุค AI เทียบกับยุคซอฟต์แวร์ งานสาธิตซอฟต์แวร์มักให้ความคาดหวังเกินจริงและเราทุกคนก็รู้ดี แต่การสาธิต AI จะห่างไกลจากความเป็นจริงของคุณมากยิ่งกว่า

AI เกี่ยวกับเวิร์กโฟลว์ และไม่มีอะไรที่ปรับแต่งได้มากกว่าหลายพันเวิร์กโฟลว์ที่ขับเคลื่อนการดำเนินงานขององค์กรหนึ่ง กลับไปที่อุปมา “พนักงานใหม่ที่มีปริญญาเอกในทุกอย่าง” การฝึกอบรมและประสบการณ์ทำงานจริงที่บริษัทของคุณต้องการก่อนที่พนักงานใหม่จะมีประสิทธิภาพคือเท่าไหร่? งานสาธิตจะคำนึงถึงทั้งหมดนี้ได้อย่างไร?

ดังนั้นเราจึงใช้การสาธิตเพื่อกระตุ้นความคิด แสดงศิลปะของสิ่งที่เป็นไปได้ ไม่ได้เพื่อขายผลิตภัณฑ์ การสาธิตจริงเริ่มจากต้นแบบของโซลูชันที่ปรับแต่ง – MVP – แล้วเราปรับปรุงและพัฒนาอย่างรวดเร็ว

เมื่อถึงจุดหนึ่งมันพร้อมสำหรับการเปิดตัวแบบนุ่มนวลหรือโครงการนำร่อง และอีกครั้ง เราเรียนรู้ร่วมกันและปรับปรุงอย่างรวดเร็วตามการเรียนรู้นั้น นี่มักเป็นขั้นตอนที่การเฝ้าติดตาม, การประเมิน, และการกำกับดูแลเริ่มมีความสำคัญ สิ่งที่คุณต้องการมักแตกต่างอย่างมากจากที่คาดคิดตั้งแต่แรก

บริษัทจะสนับสนุนให้ Crafters ทดลองได้อย่างไรโดยไม่ทำให้เกิดระบบ AI เงาใหม่, กระบวนการทำงานซ้ำซ้อน, ช่องโหว่ด้านความปลอดภัย, และเครื่องมือที่ไม่มีผู้รับผิดชอบดูแล?

จำได้ว่า Shadow IT เกิดจากอะไร: ไม่ได้มาจากความมุ่งร้าย แต่จากความต้องการที่ไม่ได้รับการตอบสนอง Crafters สร้างเพราะปัญหากระทบใจ – นั่นคือพันธุกรรม หากเส้นทางที่ได้รับการอนุมัติใช้เวลาหนึ่งปี Shadow AI จะเติมช่องว่างนั้น – และทำแบบที่ไม่เป็นที่สังเกต ซึ่งเป็นอันตรายที่สุด

ดังนั้นทำให้เส้นทางที่ได้รับการอนุมัติเป็นเส้นทางที่ง่าย ให้ Crafters มีแพลตฟอร์มที่ได้รับการอนุมัติพร้อมแนวทางความปลอดภัยที่ตั้งไว้แล้ว – การยืนยันตัวตน, การเข้าถึงข้อมูล, การบันทึกเหตุการณ์ – เพื่อให้ตัวเลือกที่สอดคล้องกับกฎระเบียบเป็นตัวเลือกที่สะดวกที่สุด รักษทะเบียนเบา ๆ: สิ่งที่จากการทดลองส่วนบุคคลกลายเป็นสิ่งที่คนที่สองต้องพึ่งพา จะต้องบันทึกพร้อมเจ้าของชื่อ การกำหนดกฎนี้ทำให้ปัญหาเครื่องมือที่ไร้เจ้าของหายไป เพราะเครื่องมือที่มีชื่อเจ้าของจะไม่ถูกละทิ้งโดยเงียบ ๆ

จากนั้นใช้โมเดลการขยายระดับ: การทดลองทำได้อย่างอิสระ แต่เมื่อบางอย่างกลายเป็นภารกิจสำคัญ – มีผู้ใช้มากขึ้น, มีความอ่อนไหวมากขึ้น, มีการตัดสินใจอัตโนมัติมากขึ้น – มันจะได้รับการตรวจสอบจากวิศวกรอย่างต่อเนื่อง Crafter ยังคงเป็นเจ้าของตรรกะธุรกิจ; นักพัฒนาจะทำการเสริมความแข็งแรงให้กับส่วนที่ต้องการ การเป้าหมายคือสายการพัฒนาความพร้อม ไม่ใช่กระบวนการขออนุญาต บริษัทเคยทำเช่นนี้กับสเปรดชีตและผู้ชนะไม่ได้เป็นผู้ที่ห้าม Excel

สำหรับบริษัทที่เริ่มต้นโครงการ AI ที่ปรับแต่งเป็นครั้งแรก ควรเลือกกรณีใช้งานแรกอย่างไร, วัดว่โครงการให้คุณค่าทางธุรกิจที่มีความหมายหรือไม่, และตัดสินใจว่าจะขยาย, ปรับออกแบบใหม่ หรือยกเลิกอย่างไร?

เรามีสองแนวทางเริ่มต้นที่ใช้กับลูกค้าของเรา

ตัวเลือกแรก ค้นหางานที่ไม่มีใครทำ – ไม่ใช่งานที่คุณอยากกำจัด มีคำถามที่ผมชอบถามผู้จัดการ: “คุณเคยคิดว่า ‘ถ้ามีคนหนึ่งคนที่คอยเฝ้าดูและคิดเกี่ยวกับเรื่องนี้ตลอดเวลา สิ่งต่าง ๆ จะดีขึ้นอย่างมีนัยสำคัญ – แต่ผมไม่สามารถให้เงินเดือนเต็มรูปแบบได้’ หรือไม่?” งานเหล่านี้มักเป็นจุดเริ่มต้นที่ดีที่สุด พวกมันปลอดภัย, สร้างความมั่นใจ, ไม่มีใครรู้สึกเป็นเป้าหมาย, และผลลัพธ์เป็นความจริง: ทางเลือกคือไม่มีคนทำงานนั้นอย่างดี, ไม่ใช่คนที่ทำได้ดี (เช่น เพื่อนบรรณาธิการของผม Eddie)

ตัวเลือกที่สอง พิจารณาแทนที่แดชบอร์ดด้วยตัวแทนข้อมูล แม้ว่าแดชบอร์ดจะดูง่าย แต่ในทางปฏิบัติแล้วไม่สามารถทำตามสัญญาได้ เมื่อผู้ใช้มีคำถามธุรกิจ พวกเขาต้องแปลงคำถามนั้นเป็นรูปแบบของแดชบอร์ด “แดชบอร์ดที่ตอบคำถามนี้อยู่ที่ไหน? ชื่ออะไร? มีอยู่จริงหรือไม่? และหากพบ “แดชบอร์ดที่ถูกต้อง” มันชัดเจนและสะดวกต่อการใช้หรือไม่? คุณต้องจัดการกับหลายเวอร์ชันเพื่อประกอบภาพรวมที่ต้องการหรือไม่?”

ในยุค AI คุณเพียงแค่ใส่คำถามธุรกิจของคุณ – ในคำพูดของคุณเอง – แล้วพิมพ์ (หรือบอกด้วยเสียง!) ให้ตัวแทนข้อมูลทำทั้งหมดให้คุณ และรับคำตอบที่ได้รับการรับรองและวิจัยอย่างดี – รวมภาพรวมด้วย – ภายในหนึ่งถึงสองนาที เมื่อคุณมีคำถามต่อเนื่อง ตัวแทนก็พร้อมตอบอย่างรวดเร็ว – ในระหว่างการประชุมที่ยังสามารถตัดสินใจได้

เส้นด้ายที่เชื่อมต่อทั้งสองตัวเลือกนี้คือ ทั้งสองมุ่งแก้ปัญหาที่พนักงานยอมรับแทนที่จะต่อต้าน คุณไม่ต้องการให้โครงการ AI เริ่มต้นของคุณสร้างความไม่ไว้วางใจ คุณต้องการให้พนักงานเข้ามามีส่วนร่วม แนะนำการปรับปรุงและไอเดียโครงการใหม่ ๆ เพราะบริษัทของคุณประกอบด้วยหลายพันเวิร์กโฟลว์และพนักงานของคุณรู้จักมันดีกว่าคุณ

เมื่อพูดถึงการขยาย, ปรับออกแบบใหม่, หรือยกเลิก – จงเมตตาต่อตนเอง เพราะงานวิจัยในเรื่องนี้ให้ความสบายใจจริง ๆ: การใช้งาน AI ที่ประสบความสำเร็จส่วนใหญ่เคยประสบความล้มเหลวก่อนหน้านั้น โครงการแรกที่ให้บทเรียนแทนผลตอบแทนคือค่าใช้จ่ายในการเรียนรู้ ไม่ใช่หลักฐานว่า AI ไม่ทำงาน กฎง่าย ๆ ของผมคือ: หากคนใช้มัน, ขยายมัน; หากคนไม่ใช้, ต้องหาสาเหตุ – ซึ่งอาจเป็น “ทำงานไม่ดี”, “ไม่เข้าใจ”, หรือ “ทำให้กลัว” คำตอบจะบ่งบอกว่าควรปรับปรุง, ปรับออกแบบใหม่, หรือยกเลิก คุณไม่จำเป็นต้องทำนายว่าผลลัพธ์จะเป็นอย่างไร เพียงเริ่มจากความซื่อสัตย์

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านควรอ่านเพิ่มเติม Fair Game: Customizing AI to Your Business Is Easier Than You Think ด้วย