ما این داستان را قبلاً دیده ایم: فناوری مختل کننده تصور رهبران تجارت در صنایع را به تصویر می کشد و نوید تحول را در مقیاس می بخشد. در اوایل دهه 2010 ، اتوماسیون فرآیند رباتیک (ZOD) بود. به زودی پس از آن ، Cloud Computing نوبت خود را گرفت. امروز ، AI مولد (Gen AI) کانون توجه را در خود جای داده است – و سازمان ها بدون مسیر مشخص به جلو ، در حال غوطه ور شدن در خلبانان هستند.
نتیجه؟ موج در حال افزایش آنچه می توان از آن یاد کرد خستگی خلبانی AI تولیدیبشر این وضعیت فرسودگی ، ناامیدی و کم تحرک است که وقتی بسیاری از ابتکارات هوش مصنوعی بدون ساختار ، هدف یا اهداف قابل اندازه گیری راه اندازی می شوند ، ایجاد می شود. شرکت ها ده ها خلبان را به طور همزمان ، غالباً با هدف همپوشانی اما هیچ معیار موفقیت مشخصی اداره می کنند. آنها پتانسیل را در بخش ها تعقیب می کنند ، اما به جای بازده بازده یا ROI ، آنها سردرگمی ، افزونگی و نوآوری متوقف شده ایجاد می کنند.
تعریف خستگی خلبان ژنرال AI
خستگی خلبان AI تولید کننده یک چالش سازمانی گسترده تر است: جاه طلبی بی نهایت بدون ساختار محدود. علل اصلی برای هر کسی که شاهد امواج فناوری گذشته بوده است آشنا است:
- امکانات بی نهایت: Gen AI می تواند در هر عملکرد – بازاریابی ، عملیات ، منابع انسانی ، امور مالی – اعمال شود و این باعث می شود که موارد استفاده چندگانه را بدون مرزهای روشن وسوسه انگیز کنید.
- سهولت استقرار: ابزارهایی مانند مدل های GPT OpenAI و Gemini Google به تیم ها اجازه می دهد تا خلبانان را به سرعت و بدون وابستگی مهندسی بچرخانند – گاهی اوقات در چند ساعت.
- فاقد یک برنامه پایداری: Gen AI برای مؤثر بودن به داده های با کیفیت خوب نیاز دارد. در بسیاری از موارد ، داده ها می توانند بدون اجرای یک فرآیند برای اطمینان از صحیح و جریان داده ها ، بی رنگ شوند.
- اندازه گیری ضعیف: بر خلاف استقرار فناوری اطلاعات سنتی ، تعیین اینکه یک ابزار ژنرال AI “به اندازه کافی خوب” برای انتقال از خلبان به تولید دشوار است ، دشوار است. ROI غالباً مبهم یا به تأخیر می افتد.
- موانع ادغام: بسیاری از سازمان ها تلاش می کنند تا ابزارهای Gen AI را به سیستم های موجود ، خطوط لوله داده یا گردش کار و اضافه کردن زمان ، پیچیدگی و ناامیدی وصل کنند.
- تقاضای منابع بالا: خلبانان اغلب به زمان ، پول و سرمایه گذاری انسانی نیاز دارند – به ویژه در مورد آموزش و حفظ مجموعه داده های تمیز و قابل استفاده.
به طور خلاصه ، خستگی ژن AI هنگامی که از استراتژی خارج از آزمایش استفاده می شود ، بوجود می آید.
چرا این اتفاق می افتد؟
در بسیاری موارد ، به این دلیل است که سازمان ها از کار بنیادی صرف نظر می کنند. قبل از استقرار هر فناوری پیشرفته ، ابتدا باید فرایندهایی را که می خواهید بهبود پیدا کنید بهینه کنید. در Accruent ، ما دیده ایم که فقط با ساده کردن گردش کار و اطمینان از کیفیت داده ها ، شرکت ها می توانند قبل از معرفی هوش مصنوعی ، تا 50 ٪ بهره وری را هدایت کنند. لایه ژنرال AI در بالای یک سیستم تنظیم شده ، و پیشرفت می تواند دو برابر شود. اما بدون آن کار اساسی ، حتی چشمگیرترین مدل های هوش مصنوعی ارزش معنی داری را ارائه نمی دهند.
مشکل دیگر عدم وجود نگهبان های روشن است. خلبانان ژنرال AI نباید به عنوان آزمایش های نامتناهی رفتار شوند. موفقیت باید در نتایج تعریف شده اندازه گیری شود – زمان صرفه جویی شده ، کاهش هزینه یا قابلیت ها گسترش یافته است. برای پیشرفت ، محوری یا پایان پروژه ها بر اساس ارزیابی داده محور باید دروازه هایی وجود داشته باشد. نیمی از ایده های Gen AI در نهایت ممکن است برای سایر فن آوری ها مانند ابزارهای حزب حزب یا بدون کد مناسب تر باشد-و این اشکالی ندارد. هدف اجرای AI به خاطر اجرای هوش مصنوعی نیست ، بلکه حل موثر مشکلات تجاری است.
درسهایی از رأی دادگستری و مهاجرت ابر
این اولین بار نیست که سازمان ها با اشتیاق فناوری از بین می روند. حزب حزب قول داد که وظایف تکراری را از بین ببرد. مهاجرت ابری انعطاف پذیری و مقیاس را وعده داده است. هر دو تحویل داده شدند – سرانجام – اما فقط برای کسانی که از انضباط استفاده کردند.
یک غذای بزرگ؟ از بنیاد پرش نکنید. ما دست اول را دیدیم که سازمان ها می توانند به سمت آن حرکت کنند 50 ٪ بهره وری سود فقط با ساده کردن گردش کار موجود و بهبود بهداشت داده ها قبل از معرفی هوش مصنوعی. هنگامی که AI برای یک سیستم بهینه شده اعمال می شود ، سود می تواند دو برابر شود. اما هنگامی که هوش مصنوعی در بالای فرآیندهای شکسته لایه بندی شده است ، تأثیر ناچیز است.
در مورد داده ها نیز صادق است. مدل های Gen AI فقط به اندازه داده هایی که مصرف می کنند خوب هستند. داده های کثیف ، منسوخ یا متناقض منجر به نتایج ضعیف می شود – یا بدتر از همه ، مغرضانه و گمراه کننده. به همین دلیل شرکت ها باید در استحکام سرمایه گذاری کنند چارچوب های حاکمیت داده، دیدگاهی که توسط کارشناسان صنعت پشتیبانی می شود و در گزارشات تأکید شده است مک کینزیبشر
وسوسه AI “آسان”
یکی از شمشیرهای دو لبه AI تولید کننده سد کم آن برای ورود است. با داشتن مدل های از پیش ساخته و رابط های کاربر پسند ، هر کس در یک سازمان می تواند در طی چند روز یک خلبان را بچرخاند-گاهی اوقات ساعت یا حتی چند دقیقه. در حالی که این دسترسی قدرتمند است ، اما سیل را نیز باز می کند. ناگهان ، شما تیم هایی در سراسر بخش ها دارید که در سیلوها آزمایش می کنند ، با کمی نظارت یا هماهنگی. دیدن ده ها ابتکار عمل Gen AI به طور همزمان ، هر یک با ذینفعان مختلف ، مجموعه داده ها و تعاریف موفقیت یا عدم وجود آن غیر معمول نیست.
این رویکرد پراکنده منجر به خستگی می شود – نه فقط از دیدگاه منابع ، بلکه از ناامیدی روزافزون عدم دیدن بازده های ملموس. بدون حاکمیت متمرکز و دید روشن ، حتی امیدوار کننده ترین موارد استفاده می تواند در حلقه های بی پایان تکرار ، پالایش و ارزیابی مجدد قرار بگیرد.
چرخه را بشکنید: با نیت بسازید
با درمان Gen AI مانند سایر سرمایه گذاری های فناوری سازمانی – مبتنی بر استراتژی ، حاکمیت و بهینه سازی فرآیند شروع کنید. در اینجا چند اصل وجود دارد که من بسیار مهم پیدا کردم:
- با مشکل شروع کنید ، نه فناوری. غالباً ، سازمان ها تعقیب ژنرال AI از مواردی استفاده می کنند زیرا آنها هیجان انگیز هستند – نه به این دلیل که آنها یک چالش تجاری تعریف شده را حل می کنند. با شناسایی نقاط اصطکاک یا ناکارآمدی در گردش کار خود شروع کنید و سپس بپرسید: آیا Gen AI بهترین ابزار برای کار است؟
- قبل از نوآوری بهینه سازی کنید. قبل از لایه بندی هوش مصنوعی روی یک فرآیند شکسته ، روند را برطرف کنید. عملیات ساده سازی می تواند سودهای عمده ای را به خودی خود باز کند – و اندازه گیری تأثیر افزودنی هوش مصنوعی را بسیار آسان تر می کند. همانطور که باین و شرکت در یک گزارش اخیر ، مشاغلی که روی آمادگی بنیادی تمرکز می کنند ، زمان سریعتر از Gen AI را می بینند.
- داده های خود را تأیید کنید. اطمینان حاصل کنید که مدل های شما روی داده های دقیق ، مرتبط و اخلاقی آموزش داده شده اند. مطابق با کیفیت پایین داده ها یکی از مهمترین دلایلی است که خلبانان در مقیاس ناکام هستند. گارتنربشر
- تعریف کنید که “خوب” چگونه به نظر می رسد. هر خلبان باید KPI های واضح و روشن با اهداف تجاری داشته باشد. این که آیا کاهش زمان آن برای انجام کارهای روزمره یا کاهش هزینه های عملیاتی ، موفقیت باید قابل اندازه گیری باشد – و خلبانان باید برای ادامه ، محوری یا غروب خورشید دروازه تصمیم گیری داشته باشند.
- یک ابزار گسترده را نگه دارید. Gen AI پاسخی برای هر مشکلی نیست. در بعضی موارد ، اتوماسیون از طریق حزب ، برنامه های کم کد یا یادگیری ماشین ممکن است سریعتر ، ارزان تر یا پایدارتر باشد. اگر ROI مداد نکند ، مایل به گفتن نیست.
نگاه به جلو: چه چیزی در مقابل آنچه ممکن است صدمه دیده باشد کمک خواهد کرد
در سال های آینده ، خستگی خلبان ممکن است قبل از بهتر شدن بدتر شود. سرعت نوآوری فقط شتاب می گیرد ، به خصوص با فن آوری های نوظهور مانند AI عامل. فشار برای “انجام کاری با هوش مصنوعی” بسیار زیاد است – و بدون نگهبان های مناسب ، سازمان ها خطر ابتلا به حجم شدید امکانات را خطر می کنند.
با این حال ، دلیلی برای خوش بینی وجود دارد. شیوه های توسعه در حال بلوغ است. تیم ها شروع به درمان Gen AI با همان سختی که در پروژه های نرم افزاری سنتی اعمال می کنند. ما همچنین شاهد پیشرفت در ابزار هستیم. پیشرفت در سیستم عامل های ادغام هوش مصنوعی و ارکستراسیون API باعث می شود که ژنرال AI را به پشته های فنی موجود تبدیل کند. مدل های از پیش آموزش دیده از ارائه دهندگان مانند Openai ، Meta و Mistral بار تیم های داخلی را کاهش می دهند. و چارچوب های مربوط به هوش مصنوعی اخلاقی و مسئول ، مانند مواردی که توسط AI اکنون موسسه، به کاهش ابهام و خطر کمک می کنند. شاید مهمتر از همه ، ما شاهد افزایش سواد هوش مصنوعی متقابل عملکردی هستیم-درک فزاینده ای در بین رهبران تجارت و فنی به طور یکسان در مورد آنچه AI می تواند (و نمی تواند) انجام دهد.
فکر نهایی: این در مورد هدف است ، نه خلبانان
در پایان روز ، موفقیت هوش مصنوعی به قصد کاهش می یابد. AI تولید کننده این پتانسیل را دارد که بتواند سودهای گسترده ای را باز کند ، قابلیت های جدید را باز کند و صنایع را تغییر دهد – اما تنها در صورت هدایت استراتژی ، پشتیبانی از داده های پاک ، و با نتایج اندازه گیری می شود.
بدون آن لنگرها ، این فقط یک فناوری دیگر است که به مقصد تیم های شما و ناامید کننده هیئت مدیره شما است.
اگر می خواهید از خستگی خلبان Gen AI جلوگیری کنید ، با این فناوری شروع نکنید. با یک هدف شروع کنید. و از آنجا بسازید.
