Κέρδη:
- Τοποθέτηση της τεχνητής νοημοσύνης ως θέμα επιχειρηματικής στρατηγικής, πόρων, κινδύνου και λογοδοσίας και όχι ως τεχνολογικό έργο
- Να μπορεί να διακρίνει ότι ο πραγματικός ρόλος ενός μάνατζερ είναι να δίνει κατεύθυνση, να επιλέγει προτεραιότητες, να χαράζει όρια κινδύνου και να αναλαμβάνει την ευθύνη από την ευθύνη της τεχνικής ομάδας.
- Δυνατότητα περιορισμού της εστίασης σε έναν μικρό αριθμό ευκαιριών υψηλής αξίας, αναγνωρίζοντας βασικές παγίδες, όπως μια πλημμύρα πιλότων χωρίς στρατηγική, καθυστερημένη διακυβέρνηση και μη μετρημένη αξία
Για ένα ανώτερο στέλεχος (C-Level, οι κορυφαίοι υπεύθυνοι λήψης αποφάσεων της εταιρείας: CEO — General Manager, CFO — Chief Financial Officer, CTO/CIO — Chief Technology/Information Officer), η τεχνητή νοημοσύνη δεν είναι πλέον «έργο της ομάδας τεχνολογίας», αλλά αποτελεί άμεσα μέρος της επιχειρηματικής στρατηγικής. Μετά το 2023, η γενετική τεχνητή νοημοσύνη (γενική τεχνητή νοημοσύνη, ένας τύπος τεχνητής νοημοσύνης που παράγει νέο περιεχόμενο όπως κείμενο, οπτικά και κώδικας) έχει έρθει στο τραπέζι σε κάθε τομέα. Αλλά το αποτέλεσμα στις περισσότερες εταιρείες ήταν το εξής: δεκάδες πιλοτικά έργα ξεκίνησαν, πολύ λίγα μετατράπηκαν σε πραγματική επιχειρηματική αξία. Σε αυτή την ενότητα, θα συζητήσουμε γιατί ένας μάνατζερ πρέπει να προσεγγίζει στρατηγικά την τεχνητή νοημοσύνη, ποιος είναι ο ρόλος του, πού πρέπει να λαμβάνει αποφάσεις και γιατί πρέπει να δημιουργηθεί από την αρχή η υπεύθυνη διακυβέρνηση (το πλαίσιο που καθορίζει ποιος θα λαμβάνει αποφάσεις, με ποιους κανόνες και με ποιον έλεγχο).
Πρώτον, μια σαφής έννοια: η στρατηγική είναι «ένα σύνολο συνειδητών επιλογών σχετικά με το τι θα κάνουμε, γιατί και πώς θα το κάνουμε». Η στρατηγική τεχνητής νοημοσύνης είναι το ίδιο πράγμα: επιλογές σχετικά με το ποιες ευκαιρίες τεχνητής νοημοσύνης να κατανεμηθούν περιορισμένοι πόροι (χρήματα, άνθρωποι, χρόνος), με ποια σειρά και μέσα σε ποια όρια κινδύνου. Η στρατηγική δεν αφορά «ας βάλουμε την τεχνητή νοημοσύνη παντού». Αντίθετα, είναι μια λίστα με αυτά που λες ναι και σε αυτά που λες όχι.
Ο πραγματικός ρόλος του μάνατζερ στην τεχνητή νοημοσύνη
Η δουλειά ενός διαχειριστή δεν είναι να εκπαιδεύει μοντέλα ή να γράφει κώδικα. Η δουλειά του είναι τέσσερα πράγματα: παροχή κατεύθυνσης, κατανομή πόρων, καθορισμός ορίων κινδύνου και υπευθυνότητα. Η τεχνική ομάδα λύνει την ερώτηση "πώς". Ο διευθυντής λύνει τις ερωτήσεις «γιατί, πότε, σε ποια όρια και ποιος είναι υπεύθυνος».
χώρο αποφάσεων
Ευθύνη της τεχνικής ομάδας
Ευθύνη διαχειριστή
Περιοχή χρήσης
Μπορεί να γίνει τεχνικά;
Υπάρχει επιχειρηματική αξία ή είναι προτεραιότητα;
Επιλογή μοντέλου/οχήματος
Ποιο μοντέλο λειτουργεί καλύτερα;
Είναι κατάλληλος ο προϋπολογισμός, ο κίνδυνος και ο προμηθευτής;
Δεδομένα
Είναι τα δεδομένα προσβάσιμα/καθαρά;
Είναι νόμιμο, ηθικό, εμπιστευτικό;
Κίνδυνος
Ποια είναι τα τεχνικά τρωτά σημεία;
Ποια είναι η εταιρική διάθεση κινδύνου, ποιος την εγκρίνει;
Αξία
Πώς μετριέται η μετρική;
Επιστρέφει ή συνεχίζεται η επένδυση;
Συμβουλή: Ως διευθυντής, έχετε μια ερώτηση εύχρηστη όταν πηγαίνετε σε συναντήσεις τεχνητής νοημοσύνης: "Πόσο αλλάζει αυτό το αποτέλεσμα της επιχείρησης (έσοδα, κόστος, κίνδυνος, εμπειρία πελάτη);" Όταν ο τεχνικός ενθουσιασμός είναι υψηλός, αυτή η ερώτηση σας κρατά προσγειωμένη.
Πού δημιουργεί αξία η τεχνητή νοημοσύνη και πού είναι παγίδα;
Τεχνητή νοημοσύνη; Ισχυρό στην επιτάχυνση της επαναλαμβανόμενης εργασίας πληροφοριών, στη σύνοψη μεγάλων τμημάτων κειμένου/δεδομένων, στη σύνταξη, στην αρχική απόκριση στην εξυπηρέτηση πελατών και στην υποστήριξη αποφάσεων. Ωστόσο, είναι επικίνδυνο στους ακόλουθους τομείς: σε αποφάσεις υψηλού κινδύνου, ανθρώπινης ευθύνης (άρνηση πίστωσης, πρόσληψη, ιατρική/νομική απόφαση), όπου τα μη επαληθευμένα αποτελέσματα πηγαίνουν απευθείας στον πελάτη/κοινό και σε καταστάσεις όπου μπορεί να παραβιαστεί το απόρρητο των δεδομένων.
Μια κρίσιμη έννοια εδώ: η ψευδαίσθηση είναι όταν η τεχνητή νοημοσύνη παράγει πληροφορίες που στην πραγματικότητα δεν είναι αληθινές με πλήρη σιγουριά. Για έναν μάνατζερ, αυτή είναι η βάση για την αρχή ότι «η έξοδος AI πρέπει πάντα να επικυρώνεται». Ένα μεγάλο μοντέλο γλώσσας (LLM - Τεχνητή νοημοσύνη που δημιουργεί κείμενο δημιουργώντας την "επόμενη πιο πιθανή λέξη") είναι μια γεννήτρια γλώσσας, όχι μια μηχανή πραγματικότητας. Γι' αυτό η τεχνητή νοημοσύνη δεν τοποθετείται ως υποκατάστατο των ανθρώπων, αλλά ως βοηθός που επιταχύνει τις ανθρώπινες αποφάσεις.
Βήμα προς βήμα: εισαγωγή ενός διαχειριστή στο πλαίσιο AI
1. Αποσαφηνίστε το πλαίσιο. Ποια είναι η στρατηγική προτεραιότητα της εταιρείας; (Ανάπτυξη, κόστος, μείωση κινδύνου;) Η τεχνητή νοημοσύνη πρέπει να υπηρετεί αυτήν την προτεραιότητα.
2. Επιλέξτε έναν μικρό αριθμό ευκαιριών υψηλής αξίας. Αντί να το "πασπαλίζετε παντού", εστιάστε σε 2-3 χρήσεις (Ενότητα 4).
3. Καθορίστε την αξία και το όριο κινδύνου από την αρχή. Ποιο είναι το αναμενόμενο όφελος (Μονάδα 5), ποιος είναι ο αποδεκτός κίνδυνος (Μονάδα 6);
4. Διορισμός διακυβέρνησης και λογοδοσίας. Ποιος εγκρίνει, ποιος παρακολουθεί, ποιος σταματά; (Μονάδα 7)
5. Πιλοτάρετε, μετρήστε, ζυγαρώστε ή σταματήστε. Ξεκινήστε από μικρά, συλλέξτε στοιχεία, αν λειτουργεί, κάντε τα μεγαλύτερα. Εάν δεν λειτουργεί, κλείστε το ειλικρινά.
τρεις μίνι θήκες
Περίπτωση 1 — Στρατηγική πιλοτική χωματερή. Μία εταιρεία λιανικής ξεκίνησε 27 πιλότους τεχνητής νοημοσύνης σε ένα χρόνο. Κάθε τμήμα δοκίμασε το δικό του εργαλείο. Στο τέλος του έτους, μόνο 2 τέθηκαν σε παραγωγή, δαπανήθηκαν συνολικά 1,4 εκατομμύρια TL, η επιστροφή ήταν αβέβαιη. Το πρόβλημα δεν ήταν η τεχνολογία αλλά η έλλειψη προτεραιοτήτων και διακυβέρνησης. Το επόμενο έτος, ο Διευθύνων Σύμβουλος μείωσε τον αριθμό των πιλότων σε 5, θέτοντας σαφείς μετρήσεις για τον καθένα. Το ποσοστό εκκίνησης της παραγωγής αυξήθηκε στο 60%.
Περίπτωση 2 — Κίνδυνος παραβίασης της ιδιωτικής ζωής. Οι εργαζόμενοι σε μια χρηματοπιστωτική εταιρεία άρχισαν να επικολλούν δεδομένα πελατών σε ένα δημοσίως διαθέσιμο εργαλείο AI. Αυτό παρατηρήθηκε σε έλεγχο. Υπήρχε σοβαρός κίνδυνος παραβίασης από την άποψη του KVKK (Νόμος για την Προστασία Δεδομένων Προσωπικού Χαρακτήρα, νόμος περί προστασίας προσωπικών δεδομένων της Τουρκίας). Η διοίκηση δεν είδε αυτόν τον κίνδυνο επειδή δεν υπήρχε πολιτική για τη χρήση των εργαζομένων (Μονάδα 7). Το συμβόλαιο γράφτηκε αργότερα, αλλά ο ονομαστικός κίνδυνος βιώθηκε.
Περίπτωση 3 — Κέρδισε τη σωστή εστίαση. Μια ασφαλιστική εταιρεία ξεχώρισε την «αρχική εξέταση των φακέλων αποζημιώσεων» ως μια ενιαία περίπτωση χρήσης υψηλής αξίας. Έκανε πιλότο σε 4 μήνες? Ο μέσος χρόνος επεξεργασίας ανά αρχείο μειώθηκε από 42 λεπτά σε 18 λεπτά, με τον άνθρωπο να εξακολουθεί να παίρνει την τελική απόφαση. Σαφής, μετρημένη, υπεύθυνη επιτυχία. γιατί η στρατηγική, οι μετρήσεις και η διακυβέρνηση υπήρχαν από την αρχή.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ερώτημα στρατηγικής ευθυγράμμισης:
Ο ρόλος σας: ανώτερος σύμβουλος στρατηγικής. Οι τρεις προτεραιότητες της εταιρείας μας φέτος είναι: [προτεραιότητες]. Αξιολογήστε την ακόλουθη ιδέα τεχνητής νοημοσύνης για την ευθυγράμμισή της με αυτές τις προτεραιότητες: [ιδέα]. Ποια προτεραιότητα εξυπηρετεί, σε ποιο βαθμό και πώς; Γράψε ειλικρινά τα αδύνατα σημεία σου.
2) Προετοιμασία ενημέρωσης στελεχών:
Περιγράψτε την ακόλουθη πρόταση τεχνικής τεχνητής νοημοσύνης σε ένα μη τεχνικό εκτελεστικό συμβούλιο σε 1 σελίδα: επιχειρηματικό πρόβλημα, προτεινόμενη λύση, αναμενόμενο όφελος, βασικοί κίνδυνοι, απαιτούμενη απόφαση. Μην χρησιμοποιείτε ορολογία. απλοποιήστε κάθε όρο. Πρόταση: [κείμενο]
3) Έλεγχος κινδύνου και συνόρων:
Για την ακόλουθη ιδέα χρήσης τεχνητής νοημοσύνης, δημιουργήστε μια λίστα κινδύνου κάτω από 5 επικεφαλίδες από την οπτική γωνία ενός διαχειριστή: νομική/συμμόρφωση, απόρρητο, φήμη, λειτουργική, οικονομική. Για κάθε κίνδυνο, γράψτε τον πιθανό αντίκτυπό του και μια προφύλαξη που πρέπει να λαμβάνεται από την αρχή. Ιδέα: [κείμενο]
4) Πλαίσιο απόφασης:
Πρέπει να πάρω αυτήν την απόφαση: [απόφαση]. Ορίστε μου ένα πλαίσιο απόφασης: ποια 4-5 κριτήρια πρέπει να αξιολογήσω, ποιες ερωτήσεις πρέπει να κάνω για κάθε κριτήριο και ποια όρια πρέπει να ορίσω για "παύση/συνέχεια";
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "Πώς μπορώ να χρησιμοποιήσω την τεχνητή νοημοσύνη στην εταιρεία μου;"
Αποτέλεσμα: Μια γενική, μη εξατομικευμένη, μη εφαρμόσιμη λίστα. Δεν παρέχει υποστήριξη αποφάσεων.
Güçlü: "Είμαι ο οικονομικός διευθυντής μιας μεσαίου μεγέθους εταιρείας logistics. Προτεραιότητά μου φέτος είναι να μειώσω το κόστος των λειτουργιών κατά 8%. Διαθέτω δεδομένα στόλου οχημάτων, αποστολής και τιμολογίων. Δώσε προτεραιότητα σε 4 περιοχές χρήσης τεχνητής νοημοσύνης που μπορούν να εξυπηρετήσουν αυτήν την προτεραιότητα, μαζί με το εκτιμώμενο όφελος και τον κίνδυνο που πρέπει να αναλάβω από την αρχή. Γράψω κάθε μέρα τι πρέπει να κάνω για κάθε μέρα."
Το αποτέλεσμα: ένα αποτέλεσμα με βάση τα συμφραζόμενα, με προτεραιότητα, ριψοκίνδυνο και εφαρμόσιμο.
Συνήθη λάθη
- Παρεξήγηση τεχνητής νοημοσύνης με τεχνολογικό έργο. Η τεχνητή νοημοσύνη είναι ένα ζήτημα επιχειρηματικού μετασχηματισμού. Η τεχνολογία είναι απλώς ένα εργαλείο. Η ιδιοκτησία πρέπει να είναι από την πλευρά των επιχειρήσεων.
- Βροχή πιλότων χωρίς στρατηγική. Δεκάδες μη εστιασμένες προσπάθειες καίνε πόρους και δεν παράγουν αξία.
- Αφήνοντας τη διακυβέρνηση για το τέλος. Εάν η πολιτική και η λογοδοσία δεν καθοριστούν από την αρχή, ο κίνδυνος συσσωρεύεται σιωπηλά.
- Κλιμάκωση τιμής χωρίς μέτρηση. Ένας πιλότος που «νιώθει καλά» αλλά δεν μετριέται είναι μια απατηλή επιτυχία.
- Μεταφορά της τελικής ευθύνης στην τεχνητή νοημοσύνη. Οι άνθρωποι θεωρούνται πάντα υπεύθυνοι για αποφάσεις υψηλού κινδύνου.
Προσοχή: Η παραγωγή τεχνητής νοημοσύνης δεν υποκαθιστά την κρίση, την κρίση και τη λογοδοσία ενός ικανού διαχειριστή. μόνο το επιταχύνει. Μια απόφαση υψηλού επιπέδου δεν μπορεί να βασίζεται στο "το είπε η AI". Η ευθύνη βαραίνει πάντα το άτομο.
Συνοπτικά
Για τους μάνατζερ, η τεχνητή νοημοσύνη δεν είναι επιλογή τεχνολογίας, αλλά θέμα στρατηγικής, πόρων, κινδύνου και λογοδοσίας. Ο ρόλος του διευθυντή είναι να δίνει κατεύθυνση, να επιλέγει προτεραιότητες, να θέτει όρια κινδύνου και να αναλαμβάνει την ευθύνη. Οι μεγαλύτερες παγίδες είναι ένα μπαράζ πιλότων χωρίς στρατηγική, η καθυστερημένη καθιέρωση διακυβέρνησης και η αποτυχία μέτρησης της αξίας. Κατά τη διάρκεια αυτής της ενότητας? Θα δημιουργήσουμε το πλαίσιο που χρειάζεται ένας διαχειριστής για τη διαχείριση του μετασχηματισμού της τεχνητής νοημοσύνης από άκρο σε άκρο, από το όραμα και τον οδικό χάρτη έως την ιεράρχηση της περιοχής χρήσης, από την απόδοση επένδυσης (ROI) και τον κίνδυνο στη διακυβέρνηση, την ηθική, τη συμμόρφωση, το ταλέντο, τις αγορές και τη διαχείριση αλλαγών.
Εργασία εφαρμογής
Σκεφτείτε τον δικό σας οργανισμό (ή έναν οργανισμό που γνωρίζετε). Καταγράψτε τις τρεις κορυφαίες στρατηγικές προτεραιότητες για φέτος. Στη συνέχεια, αξιολογήστε τρεις ευκαιρίες τεχνητής νοημοσύνης που μπορούν να εξυπηρετήσουν αυτές τις προτεραιότητες με ένα εργαλείο τεχνητής νοημοσύνης χρησιμοποιώντας το πρότυπο 1. Για κάθε ευκαιρία, σημειώστε σε μία πρόταση το αναμενόμενο όφελος και μία πρόταση έναν κίνδυνο που πρέπει να αναλάβετε από την αρχή. Διαβάστε το αποτέλεσμα κριτικά: εξυπηρετεί πραγματικά την προτεραιότητα ή είναι "μόνο για χάρη της τεχνητής νοημοσύνης";
λίστα ελέγχου
- [ ] Έχω γράψει ξεκάθαρα τις στρατηγικές προτεραιότητες του ιδρύματος.
- [ ] Ευθυγράμμισα τις ευκαιρίες τεχνητής νοημοσύνης με αυτές τις προτεραιότητες.
- [ ] Καθόρισα την αναμενόμενη επιχειρηματική αξία για κάθε ευκαιρία.
- [ ] Για κάθε ευκαιρία, εντόπισα έναν κίνδυνο από την αρχή.
- [ ] Επιβεβαίωσα ότι η ευθύνη και η τελική απόφαση παραμένουν στο άτομο.
- [ ] Εξάλειψαν ιδέες που ήταν «μόνο για χάρη της τεχνητής νοημοσύνης».
- [ ] Περιόρισα την εστίαση σε έναν μικρό αριθμό ευκαιριών υψηλής αξίας.