نشست AIQ Fortune: گفتگو از آزمایش به اجرا منتقل شده است

در حالی که شرکت‌ها برای به کارگیری هوش مصنوعی، عوامل و ابزارهای داده جدید رقابت می‌کنند، رهبران با یک سوال سخت‌تر از استفاده از این فناوری مواجه می‌شوند: چگونه می‌توانند آن را بدون ایجاد هزینه‌ها، ریسک‌ها و سردرگمی سازمانی جدید به ارزش قابل اندازه‌گیری تبدیل کنند؟

در اجلاس AIQ فورچون در بورس نیویورک، مدیران بخش‌های فناوری، مالی، عملیات صنعتی، سفر و منابع انسانی آنچه را که تحول معنادار هوش مصنوعی از خلبان‌های پراکنده جدا می‌کند، کشف کردند. این بحث روشن کرد که قوی‌ترین شرکت‌ها صرفا ابزارهای هوش مصنوعی را توزیع نمی‌کنند. آنها در حال طراحی مجدد جریان کار، توسعه استعدادها، تقویت حاکمیت، و ایجاد داده ها و اجرای نظم و انضباط مورد نیاز برای مقیاس سازی مسئولانه هستند.

با هم، این روندهای کلیدی را بررسی کردیم:

حرکت از آزمایش به تحول سازمانی

ایجاد نیروی کار آماده هوش مصنوعی

مدیریت حاکمیت، اعتماد و ریسک

استفاده از هوش مصنوعی در محیط های فیزیکی و تنظیم شده

اندازه گیری بازگشت سرمایه، کنترل هزینه ها و ایجاد رشد

از پذیرش هوش مصنوعی تا تبدیل هوش مصنوعی

مهم ترین سوال هوش مصنوعی این نیست که آیا یک شرکت ابزارهایی را به کار گرفته است یا خیر، بلکه این است که آیا نحوه انجام کار تغییر کرده است یا خیر.

سخنرانان هشدار دادند که دسترسی گسترده به هوش مصنوعی لزوما بهره وری، ارزش تجاری یا بلوغ سازمانی ایجاد نمی کند.

دایانا دیوید، مدیر امور آتی در ServiceNow، می‌گوید شرکت‌های پیشرو خود را از طریق تعهدشان به افراد و نظم عملیاتی متمایز می‌کنند، نه تنها فناوری. در شاخص بلوغ هوش مصنوعی شرکت ServiceNow، 57 درصد از «پیس‌تکن‌ها» در افزایش مهارت‌های مداوم هوش مصنوعی سرمایه‌گذاری می‌کنند، در مقایسه با 4 درصد از سایر سازمان‌ها. وسیع‌ترین شکاف شامل جذب، استخدام و حفظ استعدادهای هوش مصنوعی است: 68 درصد از سرعت‌سنج‌کنندگان این کار را انجام می‌دهند، در مقایسه با 10 درصد سایر شرکت‌ها. دیوید گفت: "سرمایه گذاری استعداد. این بزرگترین شکاف بود."

دیوید هشدار داد که دسترسی گسترده کارکنان به هوش مصنوعی را به عنوان مدرکی برای موفقیت تلقی نکنید. او گفت: "95٪ از همه X، Y، Z دارند." "اما این به بهره وری ترجمه نمی شود، و اغلب با آموزش نیست، و این مساوی با بلوغ نیست." او استدلال کرد که کار با رهبری، چشم‌انداز روشن، سیستم‌های شفاف، پایه داده‌های صحیح و طراحی مجدد مکرر جریان‌های کاری خاص آغاز می‌شود.

پل فیپس، رئیس عملیات مشتری جهانی در ServiceNow، به یک نکته مرتبط اشاره کرد: بزرگترین دستاوردها از خودکارسازی سریعتر فرآیندهای قدیمی حاصل نمی شود، بلکه از بازسازی آنها بر اساس قابلیت های جدید حاصل می شود. فیپس می‌گوید: «اگر من صرفا عامل‌های مستقلی را برای هدایت فرآیندهای فعلی خود به‌کار ببرم یا هدایت کنم، این انتخابی است که ممکن است باعث افزایش بهره‌وری شود. اما آنهایی که در واقع در حال بازاندیشی و تجسم مجدد فرآیندهای تجاری هستند... واقعا تفاوت را ایجاد می کنند.

فیپس گفت که شرکت‌ها باید هوش مصنوعی را به‌جای جدا کردن آن در یک بخش، به‌صورت افقی، در سراسر عملکردهای روبه‌روی کارمندان مانند منابع انسانی، حقوقی و فناوری، مستقر کنند. او به Standard Chartered اشاره کرد که در آن هوش مصنوعی به انحراف 77 درصد از درخواست‌های کارمندان کمک کرده است. او گفت: «اگر در این موارد استفاده 25 تا 30 درصد انحراف داشته باشید، بازی را تغییر می‌دهد. اگر 75 تا 80 درصد به دست آورید، زندگی را تغییر می دهد.

امی وب، بنیانگذار و مدیر عامل گروه استراتژی Future Today، در مورد شکاف بین جاه طلبی و آمادگی صریح تر بود. او گفت: "بیایید منصف باشیم، شرکت های فورچون 500 خیلی دیر در این مورد شرکت کردند." "هوش مصنوعی فقط چند سال پیش ظاهر نشد." وب هشدار داد که شرکت‌ها بدون استراتژی، رهبری یا برنامه‌ریزی کافی، سرمایه‌های قابل توجهی را به پایلوت‌ها سرازیر می‌کنند و پروژه‌های مجزایی ایجاد می‌کنند که در تولید ارزش بادوام شکست می‌خورند.

ایجاد نیروی کار آماده هوش مصنوعی

AI TRANSFORMATION یک تغییر نیروی کار است.

این اجلاس تاکید کرد که سازمان‌ها به چیزی بیش از نرم‌افزار جدید نیاز دارند: آن‌ها به کارکنان و رهبرانی نیاز دارند که مایل به تجدیدنظر در فرآیندهای تثبیت‌شده، یادگیری مهارت‌های جدید و ایجاد فضا برای روش‌های جدید کار باشند.

استیسی دیلو، معاون اجرایی و مدیر ارشد کارکنان در HPE، گفت که شرکت‌ها باید صرفا از وارد کردن هوش مصنوعی در سیستم‌های موجود مقاومت کنند. او گفت: "ما باید خود را مجبور کنیم متفاوت فکر کنیم، زیرا اگر سعی نمی کنیم نحوه کار خود را تغییر دهیم، فقط سعی می کنیم هوش مصنوعی را در فرآیندی قرار دهیم که پاسخ متفاوتی به ما بدهد." او افزود که برای مدیران ارشد، پذیرش و تغییر هوش مصنوعی به مسئولیت های مدیریت مرکزی تبدیل شده است.

دانیل گونزالس، مدیر ارشد مردمی در شبکه های پالو آلتو، توضیح داد که چگونه هوش مصنوعی در حال حاضر تجربه کارمندان را تغییر می دهد. در Palo Alto Networks، یک عامل هوش مصنوعی سفارشی بلیط های IT را تا 83 درصد کاهش داده است و از گردش کار در حوزه منابع انسانی، امور مالی و حقوقی پشتیبانی می کند. به جای روی آوردن به یک شریک انسانی انسانی یا تماس تجاری، کارمندان می توانند به طور فزاینده ای از یک نماینده برای پاسخ های مرتبط با نقش و مکان آنها بپرسند.

گونزالس گفت: شرکت‌ها باید افرادی را استخدام کرده و توسعه دهند که بتوانند به سرعت خود را با آن سازگار کنند، نه تنها مهارت‌های جدید را بیاموزند، بلکه مفروضاتی را که دیگر معتبر نیستند، زیر سوال ببرند. او گفت: «ما به دنبال کنجکاوی هستیم. "ما به دنبال آژانس هستیم و به دنبال افرادی هستیم که نه تنها می توانند چیزی را با سرعت زیاد یاد بگیرند ... بلکه آنچه را که فکر می کنند درست است را نیز بیاموزند تا بتوانند فضایی برای حرکت به جلو ایجاد کنند."

درو هولر، مدیر ارشد منابع انسانی Lennar، تاکید کرد که مسئولیت مشترک است. او گفت: «ما همه ابزارها را در اختیار شما قرار خواهیم داد، اما این مسئولیت شماست که خودتان را نیز ارتقا دهید. ما به شما آموزش خواهیم داد، اما شما به عنوان یک فرد باید مهارت خود را ارتقا دهید.»

پیامدهای نیروی کار فراتر از مهارت مجدد است. فرانسیس شاناهان، مدیر ارشد فناوری Peloton، هشدار داد که ایجاد مبتنی بر هوش مصنوعی می‌تواند چالش خاص خود را ایجاد کند. او گفت که کارمندان "در حال حاضر غرق شده اند زیرا می توانند به معنای واقعی کلمه هر چیزی بسازند" و "فرسودگی شغلی" در حال تبدیل شدن به یک موضوع است.

میشل کوون، مدیر عملیاتی Runway، از رهبران خواست حجم را با بهره‌وری اشتباه نگیرند. او گفت: «فقط به این دلیل که از هوش مصنوعی استفاده می‌کنید، این یک پروکسی برای بهره‌وری شما یا انجام یک کار خوب در محل کار نیست. او استدلال کرد که هوش مصنوعی باید نحوه کار افراد را بهبود بخشد، بدون اینکه کار اضافی برای همکاران ایجاد کند یا آنها را با خروجی هایی که به درستی ارزیابی و ترکیب نشده اند غرق کند.

حاکمیت، اعتماد و کنترل

مورد AI باید با یک مورد برای نظارت مطابقت داشته باشد.

در صنایع تنظیم‌شده و برنامه‌های پرمخاطب، رهبران تأکید کردند که استقرار موفقیت‌آمیز به انتخاب فناوری مناسب، درک خطر و حفظ قضاوت انسان در جایی که بیشترین اهمیت را دارد بستگی دارد.

هاری گوپالکریشنان، مدیر ارشد فناوری و اطلاعات بانک آمریکا، به شرکت‌ها هشدار داد که به طور انعکاسی به هوش مصنوعی دست نزنند. او گفت: «یکی از بزرگ‌ترین اشتباهاتی که می‌بینیم خودمان و دیگران انجام می‌دهند، عجله کردن به سمت هوش مصنوعی به‌عنوان راه‌حل است، زمانی که مدل‌های قطعی کار بسیار خوبی انجام می‌دهند. بانک آمریکا با نیازهای مشتری و فهرست دقیق فرآیند مربوطه شروع می کند. گاهی اوقات یک ویژگی معمولی تلفن همراه یا قانون تصمیم گیری در زمان واقعی ابزار بهتری است.

این بانک پروژه ها را از طریق 16 رکن ریسک، از جمله حریم خصوصی، تعصب، تأثیر نیروی کار و مالکیت معنوی ارزیابی می کند. همچنین با سیستم های خودمختار با دقت پیش می رود. گوپالکریشنان گفت: «در حال حاضر مقدار زیادی آب وجود دارد که باید با عوامل کمکی که در واقع با انسان ها کار می کنند، فشرده شود.

سالی مور، مدیر ارشد مشتری و رئیس مشترک اطلاعات بازار، Kensho Data & Platforms، در S&P Global، تاکید کرد که سودمندی هوش مصنوعی به داده‌های قابل اعتماد بستگی دارد. او گفت: «داده ها واحد پولی در هوش مصنوعی هستند. نکته بزرگتر او این بود که شرکت ها باید با مشکلی که باید حل شود، به جای فناوری که می خواهند به کار گیرند، شروع کنند. "در اینجا برای چه چیزی می‌خواهم حل کنم؟ و این فناوری می‌تواند مرا به کجا ببرد؟" او گفت.

فیپس استدلال کرد که حکمرانی نباید به عنوان مانعی برای نوآوری در نظر گرفته شود. او گفت: "من حکومت را می بینم و به سرعت رانندگی اعتماد دارم." مثال او - از یک بانک تحت نظارت که ده ها کارگزار ساخته بود اما نمی توانست آنها را مستقر کند زیرا رهبران به کنترل های خود اعتماد نداشتند - هزینه نظارت ناکافی را نشان داد.

وب همچنین از مدیران اجرایی خواست تا رویکردی عملی در قبال مسئولیت و ریسک اتخاذ کنند. او گفت که رهبران باید «انسان‌سازی» هوش مصنوعی را متوقف کنند: شکست‌ها اغلب به این دلیل رخ می‌دهند که فناوری به طور مستقل حساس شده است، بلکه به این دلیل است که مردم سیستم‌هایی با طراحی ضعیف را بدون پادمان‌های کافی مستقر کرده‌اند.

هوش مصنوعی در دنیای واقعی

محیط‌های فیزیکی و تنظیم‌شده به استانداردهای متفاوتی برای استقرار هوش مصنوعی نیاز دارند.

در ساختمان‌ها، کارخانه‌ها، سیستم‌های آب و خدمات مالی، قابلیت اطمینان، ایمنی، هزینه، تأخیر و حق حاکمیت داده‌ها، آنچه را که شرکت‌ها می‌توانند مسئولانه تولید کنند، شکل می‌دهند.

سورش ونکاتارایالو، مدیر ارشد فناوری هانیول فن‌آوری‌ها، گفت که مشتریان صنعتی «واقعا 99.9999 درصد قابلیت اطمینان را طلب می‌کنند، در حالی که مدل‌های مرزی «می‌توانند 85 درصد باشند». این شکاف استقرار در تنظیمات حیاتی ایمنی و ماموریت را اساسا با قرار دادن دستیار هوش مصنوعی در گردش کار دسکتاپ متفاوت می کند.

ونکاتارایالو مسیر کوتاه مدت را به جای یک دنیای کاملا خودمختار، «جهانی نیمه خودمختار» توصیف کرد. او گفت: «استقلال نیز به معنای حذف افراد نیست. در ساختمان‌های تجاری و تأسیسات صنعتی، اپراتورها باید همچنان درگیر باشند، زیرا خرابی‌ها و خطاهای سیستم می‌توانند عواقب عملیاتی فوری داشته باشند. او گفت: "شما نمی توانید یک ساختمان را برای یک ساعت و نیم تعطیل کنید."

AJ Wijesinghe، مدیر ارشد هوش مصنوعی در Ecolab، یک مورد اقتصادی را برای رویکرد انتخابی تر مطرح کرد. زمانی که شرکت از "بهترین مدل موجود" برای کارهای با حجم بالا استفاده کرد، "توکنومیک ها از سقف خارج می شوند." "گاهی اوقات گران تر از داشتن انسان است." Ecolab با بهینه‌سازی استفاده از مدل‌ها و کاهش هزینه‌های توکن تقریبا 70 تا 80 درصد پاسخ داد.

Wijesinghe گفت که شرکت ها همیشه به پیشرفته ترین مدل موجود نیاز ندارند: "گاهی اوقات لازم نیست سریع ترین ماشین را داشته باشید." او از رویکرد "انسان در پیشتاز" برای هوش مصنوعی عامل حمایت کرد و استدلال کرد که نتایج به حفظ پایه های داده، آمادگی فرآیند و نظم هزینه در تعادل بستگی دارد. او گفت: «اگر یکی از دیگری سنگین‌تر باشد، ارزش آن را دریافت نمی‌کنید.

ارزش، هزینه و رشد

تست بعدی برای هوش مصنوعی این است که آیا بازده قابل اندازه گیری ارائه می دهد یا خیر.

رهبران مالی و عملیاتی اجلاس توافق کردند که شرکت‌ها باید بهره‌وری و رشد را در عین حفظ نظم در هزینه‌های مدل، زیرساخت داده‌ها و کیفیت نتیجه دنبال کنند.

Ewout Steenbergen، معاون اجرایی و مدیر مالی شرکت Booking Holdings، گفت که عدم اطمینان در مورد بازدهی هوش مصنوعی حتی در بین بزرگترین سرمایه گذاران فناوری گسترده است. او گفت: «من حتی فکر می‌کنم که مقیاس‌کننده‌های بزرگ که صدها میلیارد برای توسعه مدل‌های زبان بزرگ خود هزینه می‌کنند، واقعا نمی‌دانند که ROI چه چیزی خواهد بود. آنها ممکن است برخی فرضیات و برخی فرضیه ها داشته باشند، اما نکته اصلی این است که شما نمی خواهید عقب بیفتید.

برای رزرو، مسیر رسیدن به ارزش، هزینه‌های بی‌رویه نیست، بلکه طراحی مجدد فرآیندها «از یک برگه سفید» است. Steenbergen گفت که هزینه های خدمات مشتری شرکت اندکی کاهش یافته است زیرا رزروها با نرخ تک رقمی بالا رشد می کنند، در حالی که رضایت مشتری افزایش یافته است. او همچنین گفت که تقریبا 9000 مهندس Booking حدود 30 درصد کد بیشتری را برای تولید دریافت می‌کنند، با احتساب درخواست‌های ادغام که استانداردهای تست و کنترل کیفیت آن را پاس می‌کنند.

Steenbergen گفت: "بازده برای آن فرآیندهایی وجود دارد که از انتها به انتها در حال طراحی مجدد هستند." رزرو این کار را از طریق «مسیریابی هزینه مدل مؤثر»، استفاده از مدل‌های کم‌هزینه برای کارهای ساده‌تر و رزرو مدل‌های گران‌تر برای کارهایی که به قابلیت استدلال بیشتری نیاز دارد، مدیریت می‌کند.

Steenbergen گفت که پتانسیل بزرگتر هوش مصنوعی ممکن است در رشد مشتری باشد. این فناوری ماهیت اولیه سفر را تغییر نخواهد داد - «هتل همچنان هتل است، و ایرلاین هنوز هم ایرلاین است، و ماشین کرایه‌ای همچنان خودروی کرایه‌ای است» - اما می‌تواند برنامه‌ریزی، رزرو و پاسخ به اختلالات را برای مسافران آسان‌تر کند. او گفت که با پیوند دادن بخش‌هایی از سفر و پیش‌بینی نیازهای مشتری، هوش مصنوعی می‌تواند به ایجاد «وفاداری بیشتر، اعتماد بیشتر و ارزش بیشتر برند» کمک کند.

اجلاس AIQ نشان داد که رهبری هوش مصنوعی با تعداد ابزارهایی که یک شرکت خریداری کرده، اندازه برنامه آزمایشی آن، یا حجم محتوایی که می تواند تولید کند، تعریف نمی شود. سازمان‌هایی که به سمت جلو حرکت می‌کنند، جاه‌طلبی فنی را با توسعه انسانی، طراحی مجدد فرآیند، نظم مالی، داده‌های قابل اعتماد و حکمرانی پاسخگو همراه می‌کنند. همانطور که هوش مصنوعی عمیق‌تر به درون شرکت پیش می‌رود، رهبرانی که موفق می‌شوند کسانی هستند که از آن نه صرفا برای خودکارسازی کارهای موجود، بلکه برای ایجاد مشاغل انعطاف‌پذیر، مولد و پاسخگوتر استفاده می‌کنند.

هوش مصنوعی مولد برای کمک تحقیقاتی و/یا رونویسی این مقاله استفاده شد. گزارشگر به طور مستقل ادعاهای واقعی در این مقاله را گزارش و تأیید کرد و یک سردبیر انسانی آن را قبل از انتشار بررسی کرد.

این داستان در ابتدا در سایت Fortune.com منتشر شد