Переборювання циклу: Як організації можуть уникнути Doomprompting і доставити успіх

Від свого теоретичного концепту в 1950-х роках, штучний інтелект (AI) проклав шлях для бізнесу, щоб пережити покращені можливості та продуктивність через різні техніки, особливо системи машинного навчання. Ці інструменти/технології покращили прогнозування та прийняття рішень, проклавши основу для майбутніх технічних досягнень. В останні часи, Генеративний AI пообіцяв перевернути все, що ми знаємо про роботу, і демократизував досвід AI. Користувачі тепер взаємодіють з моделями AI, такими як ChatGPT, через “промптинг”, де людина взаємодіє з моделлю AI. Однак ці переваги також супроводжуються новим викликом: Doomprompting. Це еквівалентно doom скроллінгу в онлайн-контенті, без чіткої мети, захоплюючи користувачів в кролячих норах. З AI, хоча, кроляча нора говорить назад. Це дія безперервного доопрацювання промптів AI для генеративних та агентних моделей, підштовхнута амбіцією здобути ідеальний вихід (і іноді промптинг без конкретної мети), призводить до збільшення витрат і зменшення результатів. Це створює величу перешкоду до успіху і знімає мету використання технології AI сама по собі.

Як бізнес збільшує свої бюджети, пов’язані з AI, приймаючі рішення повинні зрозуміти шлях до реальних результатів від своїх інвестицій і яку цінність воно генерує. Звіт 2025 року від IEEE, ‘Приховані витрати AI: Як дрібні неефективності накопичуються, демонструє, як дрібні коригування можуть накопичуватися в значні економічні тягарі. Щоб уникнути того, щоб стати частиною цієї дорогої боротьби, організації повинні доопрацювати навчання своїх працівників за допомогою LLM, щоб досягти повного потенціалу своїх інвестицій в AI.

Генеративний AI приносить обіцянку оптимізації та ефективності. Однак, коли команди потрапляють в цикл безперервного доопрацювання (або блукання без радару), неефективність підкрадається в цю основу.

Очищення “Workslop”

Одна з причин, чому команди безперервно доопрацюють вихід, щоб генерувати ідеальну відповідь, – це workslop. Спочатку описаний в Harvard Business Review, workslop охоплює ‘AI-генерований контент роботи, який маскується під добру роботу, але не має сутності, щоб суттєво просунути задачу.’

Цей AI-створений “слоп” – це перший доміно в довгій лінії, яка створює цикл doomprompting. Хоча модифікація низькоякісного контенту через ітерації або редагування важлива, потрібно зрозуміти, коли зупинитися, перш ніж це потрапить в схил зменшення результатів. Організації повинні підходити до свого часу інвестицій 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 розумнішому використанні моделей AI через оптимальне промптинг і чіткі цілі також буде корисним.

Використання агентного AI для уникнення Doomprompting

В останні роки бізнес значно збільшив свій інтерес і інвестиції в агентний AI, який визнаний своєю здатністю покращити операційну ефективність. Агентний AI може взяти складні завдання, оркеструвати з多оплічними агентами (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 уникнути його зовсім. Це може забрати необхідність інструктувати інтерфейси GenAI через багаті промпти для завершення завдання. Приклад цього можна знайти в AI-підтримуваних операціях IT, або AIOps, які модернізують IT, вплетая AI в щоденні завдання. Традиційно команди витрачають свій час на ручне регулювання систем. 21-й століття відділів – це ті, які використовують AI для автономного оброблення критичних функцій, таких як троблшутинг, реакція на інциденти та розподіл ресурсів.

Інший підходящий приклад – це те, як агентні системи AI можуть обробляти складний інцидент автономно. Ці агенти, разом з ITOps, здатні зрозуміти контекст інциденту, оркеструвати з розумінням агентів для визначення курсу дії, використовувати дії агентів для останнього милі коригувань в системах IT і, нарешті, використовувати агенти навчання для розуміння рішення і застосування його більш ефективно в майбутніх інцидентах.

Агентний AI допомагає в меншій взаємодії людини і виконує завдання автономно. Щоб задовольнити еволюційні бізнес-потреби, повторювані завдання та операції повинні бути передані автономному AI. Це делегування усуває цикл повторного промптингу і повторного доопрацювання, який часто підживлює doomprompting. Автономні операції дозволяють моделям AI безперервно оптимізувати і реагувати на зміну змінних без ручного введення, що призводить до швидших результатів з мінімальною людською інтервенцією.

Хоча навчені професіонали все ще будуть грати інструментальну роль в щоденних операціях через підхід “людина в циклі”, їхній час буде краще використаний у скануванні для верифікації результатів. Цей підхід мінімізує ризик введення помилок або надкоригування.

Роль управління в запобіганні Doomprompting

В недавньому McKinsey опитуванні, 88% респондентів повідомили про використання AI в至少 одному бізнес-функції. Це було збільшенням на 10% порівняно з 2024 роком і на 33% більше, ніж у 2023 році. Для агентного AI цей стрибок був ще більш глибоким. Від лише 33% у 2023 році до майже 80% у 2025 році.

Це широке впровадження спонукає бізнеси знайти нові рішення до doomprompting. Одним з таких інструментів є потужні рамки управління. Вони повинні бути ретельно створені, щоб забезпечити, що проекти AI залишаються вирівняними з бізнес-цілями і не потрапляють жертвами безкінечного вальсу оптимізації. Коли команди розробляють ці рамки, вони повинні враховувати:

• Установлення керівних принципів: Потоки даних до і від моделей AI стають дедалі більш складними. Щоб спростити це, керівні принципи AI повинні створити рамку для команд, щоб обробляти дані, приймати рішення і керувати вихідними даними AI відповідально.
• Навчання користувачів: Правильне навчання в використанні промптів може допомогти доопрацювати продуктивність
• Використання спеціалізованих моделей: Промислові та цілеві моделі AI, ймовірно, забезпечать контекстні та значимі вихідні дані швидше
• Навчання моделей AI: Навчання моделей AI з промисловими/задачами/організаційними даними (коли це можливо) може привести до меншого workslop і більш підходящих вихідних даних швидше.
• Розробка правил: Розробка і впровадження чіткого набору правил є суттєвою для керівництва розробкою і впровадженням AI. Коли команди встановлюють операційні межі, вони забезпечують, що прийняті системи вирівняні з організаційними цілями, етичними стандартами і нормативними вимогами.

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

Вихід з циклу Doomprompting

Щоб уникнути потрапляння в цикл doomprompting, бізнеси повинні прийняти стратегії AI, які пріоритезують результати над досконалістю. Використання промпт-навчання, цілевих моделей AI і моделей, навчених на контекстних даних підприємства, можуть зменшити необхідність у широкому повторному промптингу. Бізнеси, які використовують агентний AI, автономні операції IT і сильні рамки управління, можуть перерозподіляти критичні ресурси для досягнення своїх бізнес-цілей без застрягання в безкінечних циклах оптимізації. Успіх прийде, коли команди змінять свій погляд з безперервного доопрацювання на той, який зосереджується на сфокусованому виконанні і вимірних результатах.