Переривання циклу: як організації можуть уникнути Doomprompting і досягти успіху

Від часу свого теоретичного концепту в 1950-х роках, штучний інтелект (AI) відкрив шлях для бізнесу до отримання нових можливостей і підвищення продуктивності за допомогою різних технік, особливо систем машинного навчання. Ці інструменти/технології покращили прогнозування і прийняття рішень, створивши основу для майбутніх технічних досягнень. В останні часи, Генеративний AI обіцяє змінити все, що ми знаємо про роботу, і демократизувати досвід AI. Користувачі тепер взаємодіють з моделями AI, такими як ChatGPT, через “промпти”, де людина взаємодіє з моделлю AI. Однак ці переваги також супроводжуються новим викликом: Doomprompting. Це еквівалентно “думському скроллінгу” в онлайн-контенті, без чіткої мети, що утримує користувачів у “кролячих норах”. Але з AI все це говорить назад. Цей акт безперервного доопрацювання промптів для генеративних і агентських моделей, підштовхнутий амбіцією отримати ідеальний результат (а іноді промпти без конкретної мети), призводить до збільшення витрат і зменшення результатів. Це створює величу перешкоду на шляху до успіху і знімає мету використання технології AI сама по собі.

Відповідно до зростання бюджетів на AI, приймачі рішень повинні зрозуміти шлях до реальних результатів від своїх інвестицій і яку вартість вони генерують. Звіт IEEE за 2025 рік ‘Приховані витрати AI: як незначні неефективності накопичуються‘, демонструє, як незначні корективи можуть накопичуватися в значні економічні витрати. Щоб уникнути участі в цій дорогою боротьбі, організації повинні вдосконалити навчання своїх працівників за допомогою великих мовних моделей, щоб досягти повного потенціалу своїх інвестицій в AI.

Генеративний AI обіцяє оптимізацію і ефективність. Однак, коли команди потрапляють у цикл безперервного доопрацювання (або блукання без радару), неефективність підірває цю основу.

Видалення “Workslop”

Одна з причин, чому команди безперервно доопрацюють результати для отримання ідеальної відповіді, полягає у “workslop”. Спочатку описаний у Harvard Business Review, workslop охоплює ‘AI-генерований контент роботи, який маскується під добру роботу, але не має суттєвого змісту для просування задачі.’

Цей AI-створений “сlop” є першим доміно в довгій лінії, яка створює цикл doomprompting. Хоча модифікація низькоякісного контенту через ітерації або редагування важлива, потрібно розуміти, коли зупинитися, перш ніж це перетвориться на схил зменшення результатів. Організації повинні підходити до інвестицій часу в навчання AI з делікатним балансом. З одного боку, команди повинні бути обізнані про необхідну якість; з іншого боку, вони повинні знати, коли це надто багато. Навчання працівників у розумному використанні моделей AI за допомогою оптимальних промптів і чітких цілей також буде корисним.

Використання агентського AI для уникнення Doomprompting

В останні роки бізнес значно збільшив інтерес і інвестиції в агентський AI, який визнаний своєю здатністю покращити операційну ефективність. Агентський AI може виконувати складні завдання, оркеструвати з多 Agentами (включаючи RAG і дії агентів) для визначення курсу дії, і виконувати завдання для завершення загального завдання автономно.

Ці якості можуть допомогти AI пом’якшити doomprompting, або зовсім уникнути його. Це може позбавити необхідності інструктувати інтерфейси GenAI через多 промпти для виконання завдання. Прикладом цього може бути AI-підтримувані IT-операції, або AIOps, які модернізують IT, вплетая AI у щоденні завдання. Традиційно команди витрачають свій час на ручне регулювання систем. 21-й століття департаментів – це ті, які використовують AI для автономного виконання критичних функцій, таких як усунення несправностей, реакція на інциденти і розподіл ресурсів.

Іншим прикладом є те, як агентські системи AI можуть обробляти складний інцидент автономно. Ці агенти, разом з ITOps, здатні зрозуміти контекст інциденту, оркеструвати з агентами розуміння для визначення курсу дії, використовувати агенти дії для виконання останніх коректив на системах IT і, нарешті, використовувати агенти навчання для розуміння рішення і застосування його більш ефективно у майбутніх інцидентах.

Інтелектуальна автоматизація агентського AI допомагає у зменшенні взаємодії людини і виконанні завдань автономно. Щоб задовольнити еволюційні бізнес-потреби, повторювані завдання і операції повинні бути передані автономному AI. Це делегування усуває цикл повторного промпту і повторного доопрацювання, який часто підживлює doomprompting. Автономні операції дозволяють моделям AI безперервно оптимізувати і реагувати на зміну змінних без ручного втручання, що призводить до швидших результатів з мінімальним людським втручанням.

Хоча професійні фахівці все ще будуть відігравати інструментальну роль у щоденних операціях через підхід “людина в циклі”, їхній час буде краще використаний для сканування результатів верифікації. Цей підхід мінімізує ризик введення помилок або надмірної корекції.

Роль управління у попередженні Doomprompting

У недавньому дослідженні McKinsey, 88% респондентів повідомили про використання AI принаймні в одному бізнес-функції. Це було на 10% більше, ніж у 2024 році, і на 33% більше, ніж у 2023 році. Для агентського AI цей стрибок був ще більш значним. Від лише 33% у 2023 році до майже 80% у 2025 році.

Це широке впровадження спонукає бізнеси шукати нові рішення для doomprompting. Одним з таких інструментів є міцні рамки управління. Ці рамки повинні бути ретельно створені, щоб забезпечити, щоб проекти AI залишалися орієнтованими на бізнес-цілі і не стали жертвами безкінечного вальсу оптимізації. Коли команди розробляють ці рамки, вони повинні враховувати:

• Створення директив: Потоки даних до і від моделей AI стають дедалі більш складними. Щоб спростити це, директиви AI повинні створити рамки для команд, щоб обробляти дані, приймати рішення і керувати результатами AI відповідально.
• Навчання користувачів: Правильне навчання у використанні промптів може допомогти досягти оптимальної продуктивності
• Використання спеціалізованих моделей: Моделі AI, специфічні для галузі або мети, можуть забезпечити контекстні і значущі результати швидше
• Навчання моделей AI: Навчання моделей AI з даними, специфічними для галузі/завдання/організації (коли це можливо), може привести до меншого “workslop” і більш придатних результатів швидше.
• Розробка правил: Створення і впровадження чіткого набору правил є суттєвим для керівництва розробкою і впровадженням AI. Коли команди встановлюють операційні межі, вони забезпечують, що прийняті системи відповідають організаційним цілям, етичним стандартам і нормативним вимогам.

Хоча рівень впровадження рішень AI зростає, управління не зростає. За даними звіту PEX Industry за 2025 рік , менше половини мають політику управління AI. Тільки 25% були в процесі впровадження її, і майже третина не мала жодної політики управління AI. Ці рамки можуть бути визначальними у допомозі бізнесам встановити чіткі межі того, що становить прийнятну продуктивність.

Вихід з циклу Doomprompting

Щоб уникнути потрапляння у цикл doomprompting, бізнеси повинні прийняти стратегії AI, які ставлять результати вище за досконалість. Використання навчання промптів, моделей AI, специфічних для мети, і моделей, навчених на контекстних даних підприємства, можуть зменшити потребу у повторному промпті. Бізнеси, які використовують агентський AI, автономні IT-операції і міцні рамки управління, можуть перерозподілити критичні ресурси для досягнення своїх бізнес-цілей без застрягання у безкінечних циклах оптимізації. Успіх прийде, коли команди змінять свій погляд з постійної доопрацювання на виконання і вимірюваних результатів. Організації, які використовують автономні IT-операції, і міцні рамки управління, можуть перерозподілити критичні ресурси для досягнення своїх бізнес-цілей без застрягання у безкінечних циклах оптимізації. Успіх прийде, коли команди змінять свій погляд з постійної доопрацювання на виконання і вимірюваних результатів.