Nuo bandymų prie standarto: kaip AI diegimas atrodo organizacijoje

Daugelis organizacijų šiuo metu yra toje pačioje vietoje: keletas žmonių entuziastingai naudoja AI įrankius, likusieji – sporadiškai arba visai ne. Bandymų fazė, kurią daugelis vadina „pilotiniu diegimu”, iš tikrųjų dažnai reiškia tai, kad keli iniciatyvūs darbuotojai eksperimentuoja be jokios bendros struktūros.

Bandymai – tai normali ir sveika pradžia. Problema kyla tada, kai organizacija metų metais lieka bandymų stadijoje, nes niekas nesuvokia, kada ir kaip tas bandymas tampa standartu.

Kuo skiriasi bandymas nuo standarto?

Bandymas yra asmeninis arba komandinis eksperimentas: žmogus išbando ChatGPT sutrumpinti protokolus, kitas – parašyti el. laiško projektą. Rezultatai priklauso nuo konkretaus žmogaus sugebėjimų, laiko ir noro.

Standartas yra sutartas sprendimas: visa komanda naudoja tą patį įrankį tam pačiam procesui, turi bendra supratimą, ko tikėtis, ir žino, kaip elgtis, kai kažkas eina ne taip.

Skirtumas nėra vien techninis. Jis yra organizacinis: standartizavimas reikalauja aiškių taisyklių, mokymų, atsakomybės pasiskirstymo ir nuolatinio tobulinimo mechanizmo.

Trys požymiai, kad organizacija vis dar bandymų stadijoje

1. Rezultatai priklauso nuo žmogaus, o ne nuo proceso. Jei vienas komandos narys gali parašyti puikų pristatymą su AI pagalba, o kitas – visai nemoka naudotis tuo pačiu įrankiu, tai rodo, kad AI dar nėra standartas. Jis yra asmeninis gebėjimas, kurį reikia pernešti į kolektyvinę praktiką.

2. Nėra bendro supratimo, ką leistina ir ko ne. Jei kiekvienas darbuotojas pats sprendžia, kokius duomenis galima įkelti į AI, kokias užduotis galima deleguoti ir kaip tikrinti gautus rezultatus – tai bandymų stadija. Standartas reikalauja bent elementarių naudojimo taisyklių.

3. Bandymai nesikaupia. Jei kiekvienas eksperimentas lieka žmogaus galvoje ir neperduodamas kitiems, organizacija nesimoko. Standartizavimas prasideda tada, kai sėkmingi scenarijai dokumentuojami ir tampa bendru žodynu.

Kodėl pereiti sunku?

Techniškai perėjimas atrodo paprastas: jei įrankis veikia, tiesiog naudokite jį visi. Praktikoje tai taip neveikia dėl kelių priežasčių.

Pasitikėjimo problema. Dalis komandos narių nenori naudoti AI, nes nežino, ar jis duoda teisingus rezultatus, ar organizacija to tikisi, ar jų darbas nebus vertinamas mažiau, jei jiems „padeda” mašina. Šie klausimai sprendžiami ne diegimo politika, o pokalbiais ir kultūra.

Laiko problema. Naujų įpročių formavimas reikalauja laiko. Žmonės jau turi nusistovėjusius darbo procesus. AI įrankis, kuris teoriškai taupo laiką, iš pradžių reikalauja daugiau pastangų – išmokti, eksperimentuoti, patikrinti. Organizacijos, kurios nesuteikia šio laiko sąmoningai, negali tikėtis spartaus įsisavinimo.

Atsakomybės klausimas. Kai bandymo metu kažkas eina ne taip, tai lengva ignoruoti – tai tik eksperimentas. Kai AI tampa standartu, atsiranda atsakomybė: kas atsakingas, jei AI sugeneruotas dokumentas yra klaidingas? Kas tikrina? Šie klausimai turi būti atsakyti prieš standartizavimą, ne po jo.

Kaip atrodo perėjimas praktikoje?

Nėra universalaus recepto, bet dauguma organizacijų, kurioms tai sekasi, eina per panašius etapus.

Etapas 1: Identifikuojamas vienas pasikartojantis procesas. Vietoj to, kad bandytumėte standartizuoti viską iš karto, pasirenkamas vienas konkretus scenarijus – pavyzdžiui, susirinkimų protokolų rašymas, klientų el. laiškų rengimas arba vidinių ataskaitų struktūrizavimas. Šiame etape svarbu pasirinkti procesą, kuris yra pakankamai dažnas, kad mokymosi nauda būtų jaučiama, bet pakankamai paprastas, kad nesukeltų didelio rizikos.

Etapas 2: Susitariama, kaip tas procesas atliekamas su AI. Tai nėra ilgas dokumentas. Pakanka kelių sakinių: kokį įrankį naudojame, kokio tipo informaciją galima įkelti, kaip tikrinamas rezultatas. Šis susitarimas gali keistis – tai normalu. Svarbiausia, kad jis egzistuoja ir yra prieinamas visiems komandos nariams.

Etapas 3: Komanda mokoma, o ne tik informuojama. Skirtumas tarp informavimo ir mokymo yra esminis. Informavimas – tai el. laiškas su nuoroda į įrankį. Mokymas – tai praktinė sesija, kurioje komanda dirba su realiomis savo užduotimis ir gauna grįžtamąjį ryšį. Organizacijos, kurios skiria laiko mokymams, pasiekia žymiai geresnių rezultatų.

Etapas 4: Nustatomas peržiūros ritmas. Po kelių savaičių ar mėnesių svarbu sustoti ir paklausi: ar šis procesas veikia? Ar žmonės jį naudoja? Ar yra problemų? Standartizavimas nėra vienkartinis veiksmas – tai nuolatinis gerinimas.

Kuo skiriasi organizacijos, kurioms tai sekasi?

Stebint skirtingas organizacijas, kurios bando diegti AI į kasdienę veiklą, išryškėja keli skirtumai tarp tų, kurioms tai sekasi, ir tų, kurios stringa bandymų stadijoje.

Pirmosios dažniausiai turi vieną žmogų arba nedidelę grupę, kurie yra atsakingi ne tik už įrankius, bet ir už mokymus ir procesų kūrimą. Jie nėra IT departamentas – jie yra žmonės, suinteresuoti tuo, kaip darbas vyksta iš tikrųjų.

Antrosios dažniausiai laiko AI diegimą IT projektu: nuperkami licencijos, suvesti instrukcija, tikimasi, kad likusieji patys išmoks. Ši prieiga retai duoda rezultatų.

Ką tai reiškia jūsų organizacijai?

Jei šiuo metu esate bandymų stadijoje, tai nėra blogai. Tai normali pradžia. Klausimas yra tik toks: ar yra planas pereiti prie kito etapo, ar tikitės, kad tai įvyks savaime?

Dažniausiai neįvyksta. Perėjimas nuo bandymų prie standarto reikalauja sąmoningo sprendimo: kuris procesas pirmas, kas atsakingas, kaip bus mokoma, ir kaip žinosime, kad tai veikia.

Šie klausimai nėra techniniai. Jie yra organizaciniai. Ir būtent todėl atsakymai į juos turi ateiti iš vadovų, o ne iš IT skyriaus.