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 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 – จงใจดีต่อ自己 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