નફો:
- આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સ્થાન ટેકનોલોજી પ્રોજેક્ટને બદલે બિઝનેસ વ્યૂહરચના, સંસાધન, જોખમ અને જવાબદારીના મુદ્દા તરીકે
- મેનેજરની વાસ્તવિક ભૂમિકા દિશા આપવી, પ્રાથમિકતાઓ પસંદ કરવી, જોખમની મર્યાદાઓ દોરવી અને ટેકનિકલ ટીમની જવાબદારીમાંથી જવાબદારી લેવી તે અલગ પાડવા સક્ષમ બનવું.
- વ્યૂહરચના વિના પાઇલોટ્સનું પૂર, વિલંબિત શાસન અને અમાપિત મૂલ્ય જેવી મુખ્ય મુશ્કેલીઓને ઓળખીને ઉચ્ચ-મૂલ્યની તકોની નાની સંખ્યામાં ધ્યાન કેન્દ્રિત કરવાની ક્ષમતા
સિનિયર એક્ઝિક્યુટિવ (સી-લેવલ; કંપનીના ટોચના નિર્ણય લેનારાઓ: CEO — જનરલ મેનેજર, CFO — ચીફ ફાઇનાન્સિયલ ઑફિસર, CTO/CIO — ચીફ ટેક્નોલોજી/ઈન્ફર્મેશન ઑફિસર), આર્ટિફિશિયલ ઈન્ટેલિજન્સ હવે "ટેક્નૉલૉજી ટીમનો પ્રોજેક્ટ" નથી પણ બિઝનેસ વ્યૂહરચનાનો સીધો ભાગ છે. 2023 પછી, જનરેટિવ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (જનરેટિવ AI; આર્ટિફિશિયલ ઇન્ટેલિજન્સનો એક પ્રકાર કે જે ટેક્સ્ટ, વિઝ્યુઅલ અને કોડ જેવી નવી સામગ્રીનું નિર્માણ કરે છે) દરેક સેક્ટરમાં ટેબલ પર આવી ગયું છે; પરંતુ મોટાભાગની કંપનીઓમાં પરિણામ આ હતું: ડઝનેક પાયલોટ પ્રોજેક્ટ્સ શરૂ થયા, ઘણા ઓછા વાસ્તવિક વ્યવસાય મૂલ્યમાં ફેરવાયા. આ એકમમાં, અમે ચર્ચા કરીશું કે શા માટે મેનેજરે વ્યૂહાત્મક રીતે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો સંપર્ક કરવો જોઈએ, તેની ભૂમિકા શું છે, તેણે નિર્ણયો ક્યાં લેવા જોઈએ અને શા માટે જવાબદાર શાસન (એ ફ્રેમવર્ક જે નક્કી કરે છે કે કોણ નિર્ણય લેશે, કયા નિયમો અને કયા નિયંત્રણ સાથે) શરૂઆતથી સ્થાપિત થવી જોઈએ.
પ્રથમ, એક સ્પષ્ટ ખ્યાલ: વ્યૂહરચના એ "આપણે શું કરીશું, શા માટે અને કેવી રીતે કરીશું તે વિશે સભાન પસંદગીઓનો સમૂહ છે." AI વ્યૂહરચના એ જ વસ્તુ છે: મર્યાદિત સંસાધનો (પૈસા, લોકો, સમય), કયા ક્રમમાં અને કઈ જોખમ મર્યાદામાં ફાળવવાની AI તકો વિશે પસંદગીઓ. વ્યૂહરચના એ નથી કે "ચાલો એઆઈને દરેક જગ્યાએ મૂકીએ"; તેનાથી વિપરીત, તમે કોને હા કહો છો અને કોને ના કહો છો તેની યાદી છે.
કૃત્રિમ બુદ્ધિમાં મેનેજરની વાસ્તવિક ભૂમિકા
એડમિનિસ્ટ્રેટરનું કામ મોડલને તાલીમ આપવાનું કે કોડ લખવાનું નથી. તેનું કામ ચાર બાબતો છે: દિશા પ્રદાન કરવી, સંસાધનોની ફાળવણી કરવી, જોખમની સીમાઓ નક્કી કરવી અને જવાબદારીની માલિકી રાખવી. તકનીકી ટીમ "કેવી રીતે" પ્રશ્ન હલ કરે છે; મેનેજર "શા માટે, ક્યારે, કઈ મર્યાદા સુધી અને કોણ જવાબદાર છે" પ્રશ્નો હલ કરે છે.
નિર્ણયની જગ્યા
તકનીકી ટીમની જવાબદારી
મેનેજરની જવાબદારી
ઉપયોગ વિસ્તાર
શું તે તકનીકી રીતે કરી શકાય છે?
શું ત્યાં વ્યવસાયિક મૂલ્ય છે અથવા તે પ્રાથમિકતા છે?
મોડલ/વાહન પસંદગી
કયું મોડેલ વધુ સારું કામ કરે છે?
શું બજેટ, જોખમ અને સપ્લાયર યોગ્ય છે?
ડેટા
શું ડેટા સુલભ/સ્વચ્છ છે?
શું તે કાનૂની, નૈતિક, ગોપનીય છે?
જોખમ
તકનીકી નબળાઈઓ શું છે?
કોર્પોરેટ જોખમની ભૂખ શું છે, તેને કોણ મંજૂરી આપે છે?
મૂલ્ય
મેટ્રિક કેવી રીતે માપવામાં આવે છે?
શું રોકાણ પરત આવે છે કે ચાલુ રહે છે?
ટિપ: મેનેજર તરીકે, AI મીટિંગ્સમાં જાવ ત્યારે એક પ્રશ્ન હાથમાં રાખો: "આનાથી વ્યવસાયના કયા પરિણામ (આવક, ખર્ચ, જોખમ, ગ્રાહક અનુભવ)માં કેટલો ફેરફાર થાય છે?" જ્યારે તકનીકી ઉત્તેજના વધુ હોય, ત્યારે આ પ્રશ્ન તમને આધાર રાખે છે.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં મૂલ્યનું સર્જન કરે છે અને ક્યાં તે છટકું છે?
કૃત્રિમ બુદ્ધિ; પુનરાવર્તિત માહિતી કાર્યને વેગ આપવા, ટેક્સ્ટ/ડેટાના મોટા ભાગનો સારાંશ, ડ્રાફ્ટિંગ, ગ્રાહક સેવામાં પ્રારંભિક પ્રતિસાદ અને નિર્ણય સમર્થનમાં શક્તિશાળી. પરંતુ તે નીચેના ક્ષેત્રોમાં ખતરનાક છે: ઉચ્ચ-જોખમ, માનવ-જવાબદારીના નિર્ણયો (ક્રેડિટ અસ્વીકાર, ભરતી, તબીબી/કાનૂની નિર્ણય), જ્યાં વણચકાસાયેલ આઉટપુટ સીધું ગ્રાહક/જાહેર સુધી જાય છે અને એવી પરિસ્થિતિઓમાં જ્યાં ડેટા ગોપનીયતાનું ઉલ્લંઘન થઈ શકે છે.
અહીં એક નિર્ણાયક ખ્યાલ: આભાસ એ છે જ્યારે કૃત્રિમ બુદ્ધિ એવી માહિતી ઉત્પન્ન કરે છે જે સંપૂર્ણ આત્મવિશ્વાસ સાથે વાસ્તવમાં સાચી નથી. મેનેજર માટે, આ સિદ્ધાંતનો આધાર છે કે "AI આઉટપુટ હંમેશા માન્ય હોવું જોઈએ." એક વિશાળ ભાષા મોડેલ (LLM - આર્ટિફિશિયલ ઇન્ટેલિજન્સ કે જે "આગામી સંભવિત શબ્દ" જનરેટ કરીને ટેક્સ્ટ બનાવે છે) એ ભાષા જનરેટર છે, વાસ્તવિકતા એન્જિન નથી. તેથી જ આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સ્થાન મનુષ્યોના રિપ્લેસમેન્ટ તરીકે નહીં, પરંતુ એક સહાયક તરીકે છે જે માનવ નિર્ણયોને વેગ આપે છે.
સ્ટેપ બાય સ્ટેપ: AI ફ્રેમવર્ક માટે મેનેજરનો પરિચય
1. સંદર્ભ સ્પષ્ટ કરો. કંપનીની વ્યૂહાત્મક પ્રાથમિકતા શું છે? (વૃદ્ધિ, ખર્ચ, જોખમ ઘટાડવું?) આર્ટિફિશિયલ ઇન્ટેલિજન્સે આ પ્રાથમિકતા આપવી જોઈએ.
2. નાની સંખ્યામાં ઉચ્ચ-મૂલ્યની તકો પસંદ કરો. "તેને સર્વત્ર છંટકાવ" ને બદલે 2-3 ઉપયોગો પર ધ્યાન કેન્દ્રિત કરો (યુનિટ 4).
3. શરૂઆતથી મૂલ્ય અને જોખમ મર્યાદા વ્યાખ્યાયિત કરો. અપેક્ષિત લાભ શું છે (એકમ 5), સ્વીકાર્ય જોખમ શું છે (યુનિટ 6)?
4. શાસન અને જવાબદારીની નિમણૂક કરો. કોણ મંજૂર કરે છે, કોણ દેખરેખ રાખે છે, કોણ રોકે છે? (એકમ 7)
5. પાયલોટ, માપ, સ્કેલ અથવા સ્ટોપ. નાની શરૂઆત કરો, પુરાવા ભેગા કરો, જો તે કામ કરે તો તેને મોટું કરો; જો તે કામ કરતું નથી, તો તેને પ્રમાણિકપણે બંધ કરો.
ત્રણ નાના કેસો
કેસ 1 - વ્યૂહરચના વિનાનો પાયલોટ ડમ્પ. એક રિટેલ કંપનીએ એક વર્ષમાં 27 AI પાયલોટ લોન્ચ કર્યા; દરેક વિભાગે પોતાનું સાધન અજમાવ્યું. વર્ષના અંતે, માત્ર 2 ઉત્પાદનમાં મૂકવામાં આવ્યા હતા, કુલ 1.4 મિલિયન TL ખર્ચવામાં આવ્યા હતા, વળતર અનિશ્ચિત હતું. સમસ્યા ટેક્નોલોજીની નહીં પણ પ્રાથમિકતા અને શાસનનો અભાવ હતો. તે પછીના વર્ષે, સીઇઓએ દરેક માટે સ્પષ્ટ મેટ્રિક્સ સેટ કરીને, પાઇલોટ્સની સંખ્યા ઘટાડીને 5 કરી; ઉત્પાદન સ્ટાર્ટ-અપ રેટ વધીને 60% થયો.
કેસ 2 - ગોપનીયતા ભંગનું જોખમ. નાણાકીય કંપનીના કર્મચારીઓએ સાર્વજનિક રીતે ઉપલબ્ધ AI ટૂલમાં ગ્રાહકનો ડેટા પેસ્ટ કરવાનું શરૂ કર્યું. આ એક ઓડિટમાં જણાયું હતું; KVKK (વ્યક્તિગત ડેટા સંરક્ષણ કાયદો; Türkiyeનો વ્યક્તિગત ડેટા સંરક્ષણ કાયદો) ની દ્રષ્ટિએ ઉલ્લંઘનનું ગંભીર જોખમ હતું. મેનેજમેન્ટને આ જોખમ દેખાતું ન હતું કારણ કે કર્મચારીના ઉપયોગ પર કોઈ નીતિ ન હતી (યુનિટ 7). પોલિસી પાછળથી લખવામાં આવી હતી, પરંતુ નજીવા જોખમનો અનુભવ થયો હતો.
કેસ 3 - યોગ્ય ધ્યાન મેળવ્યું. એક વીમા કંપનીએ એક ઉચ્ચ-મૂલ્યના ઉપયોગના કેસ તરીકે "દાવાની ફાઇલોની પ્રારંભિક સમીક્ષા" નો ઉલ્લેખ કર્યો છે. તેણે 4 મહિનામાં પાયલોટ બનાવ્યો; ફાઇલ દીઠ સરેરાશ પ્રક્રિયા સમય 42 મિનિટથી ઘટીને 18 મિનિટ થઈ ગયો છે, જ્યારે માનવ હજી પણ અંતિમ નિર્ણય લે છે. સ્પષ્ટ, માપેલ, જવાબદાર સફળતા; કારણ કે વ્યૂહરચના, મેટ્રિક્સ અને ગવર્નન્સ શરૂઆતથી જ હતા.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) વ્યૂહાત્મક સંરેખણ ક્વેરી:
તમારી ભૂમિકા: વરિષ્ઠ વ્યૂહરચના સલાહકાર. આ વર્ષે અમારી કંપનીની ત્રણ પ્રાથમિકતાઓ છે: [અગ્રતા]. આ પ્રાથમિકતાઓ સાથે તેના સંરેખણ માટે નીચેના AI વિચારનું મૂલ્યાંકન કરો: [વિચાર]. તે કઈ પ્રાથમિકતા આપે છે, કેટલી હદે અને કેવી રીતે? તમારા નબળા મુદ્દાઓ પ્રામાણિકપણે લખો.
2) એક્ઝિક્યુટિવ બ્રીફિંગની તૈયારી:
નોન-ટેક્નિકલ એક્ઝિક્યુટિવ બોર્ડને નીચેના ટેકનિકલ AI દરખાસ્તનું 1 પેજમાં વર્ણન કરો: બિઝનેસ સમસ્યા, સૂચિત ઉકેલ, અપેક્ષિત લાભ, મુખ્ય જોખમો, નિર્ણય જરૂરી. કલકલનો ઉપયોગ કરશો નહીં; દરેક શબ્દને સરળ બનાવો. સૂચન: [ટેક્સ્ટ]
3) જોખમ અને બોર્ડર સ્ક્રીનીંગ:
નીચેના આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઉપયોગ વિચાર માટે, મેનેજરના પરિપ્રેક્ષ્યમાં 5 શીર્ષકો હેઠળ જોખમ સૂચિ બનાવો: કાનૂની/પાલન, ગોપનીયતા, પ્રતિષ્ઠા, ઓપરેશનલ, નાણાકીય. દરેક જોખમ માટે, તેની સંભવિત અસર અને શરૂઆતથી લેવાની સાવચેતી લખો. વિચાર: [ટેક્સ્ટ]
4) નિર્ણય ફ્રેમવર્ક:
મારે આ નિર્ણય લેવો પડશે: [નિર્ણય]. મને નિર્ણયનું માળખું સેટ કરો: મારે કયા 4-5 માપદંડોનું મૂલ્યાંકન કરવું જોઈએ, દરેક માપદંડ માટે મારે કયા પ્રશ્નો પૂછવા જોઈએ અને મારે “થોભો/ચાલુ” માટે કઈ થ્રેશોલ્ડ સેટ કરવી જોઈએ?
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા: "હું મારી કંપનીમાં AI નો ઉપયોગ કેવી રીતે કરી શકું?"
પરિણામ: એક સામાન્ય, બિન-વ્યક્તિગત, બિનકાર્યક્ષમ સૂચિ. નિર્ણયને સમર્થન આપતું નથી.
Güçlü: "હું એક મધ્યમ કદની લોજિસ્ટિક્સ કંપનીનો CFO છું. આ વર્ષે મારી પ્રાથમિકતા ઑપરેશનના ખર્ચમાં 8% ઘટાડો કરવાની છે. મારી પાસે વાહનનો કાફલો, શિપમેન્ટ અને ઇન્વૉઇસ ડેટા છે. 4 આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઉપયોગ ક્ષેત્રોને પ્રાધાન્ય આપો કે જે આ અગ્રતા પૂરી પાડી શકે, સાથે જ અંદાજિત લાભ અને જોખમને ઓછું કરવા માટે પહેલા શું કરવું જોઈએ. દરેક માટે 90 દિવસ."
પરિણામ: એક સંદર્ભિત, પ્રાથમિકતા, જોખમી અને કાર્યક્ષમ પરિણામ.
સામાન્ય ભૂલો
- ટેક્નોલોજી પ્રોજેક્ટ માટે કૃત્રિમ બુદ્ધિની ભૂલ કરવી. કૃત્રિમ બુદ્ધિ એ વ્યવસાય પરિવર્તનનો મુદ્દો છે; ટેકનોલોજી માત્ર એક સાધન છે. માલિકી વ્યવસાય બાજુ પર હોવી જોઈએ.
- વ્યૂહરચના વિના પાઇલોટ્સનો વરસાદ. ડઝનબંધ બિનકેન્દ્રિત પ્રયાસો સંસાધનોને બાળી નાખે છે અને મૂલ્ય ઉત્પન્ન કરતા નથી.
- છેલ્લા માટે શાસન છોડીને. જો નીતિ અને જવાબદારી શરૂઆતથી સ્થાપિત ન થાય, તો જોખમ શાંતિપૂર્વક એકઠા થાય છે.
- સ્કેલિંગ મૂલ્યને માપ્યા વિના. એક પાયલોટ જે "સારું લાગે છે" પરંતુ માપી શકતું નથી તે ભ્રામક સફળતા છે.
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ પર અંતિમ જવાબદારી ટ્રાન્સફર કરવી. ઉચ્ચ જોખમવાળા નિર્ણયો માટે લોકોને હંમેશા જવાબદાર ગણવામાં આવે છે.
સાવધાન: AI આઉટપુટ સક્ષમ મેનેજરના ચુકાદા, નિર્ણય અને જવાબદારીનો વિકલ્પ નથી; તે માત્ર તેને ઝડપી બનાવે છે. ઉચ્ચ-સ્તરીય નિર્ણય "એઆઈએ આમ કહ્યું" પર આધારિત ન હોઈ શકે. જવાબદારી હંમેશા વ્યક્તિની હોય છે.
સારાંશમાં
મેનેજરો માટે, કૃત્રિમ બુદ્ધિ એ ટેક્નોલોજીની પસંદગી નથી પરંતુ વ્યૂહરચના, સંસાધનો, જોખમ અને જવાબદારીની બાબત છે. મેનેજરની ભૂમિકા દિશા આપવાની, પ્રાથમિકતાઓ પસંદ કરવાની, જોખમની સીમાઓ નક્કી કરવાની અને જવાબદારી લેવાની છે. સૌથી મોટી મુશ્કેલીઓ વ્યૂહરચના વિના પાઇલોટ્સની આડશ, શાસનની મોડેથી સ્થાપના અને મૂલ્ય માપવામાં નિષ્ફળતા છે. આ મોડ્યુલ દરમિયાન; વિઝન અને રોડમેપથી લઈને ઉપયોગ ક્ષેત્રની પ્રાથમિકતા, ROI અને જોખમથી લઈને ગવર્નન્સ, નૈતિકતા, અનુપાલન, પ્રતિભા, ખરીદી અને પરિવર્તન વ્યવસ્થાપન સુધીના AI રૂપાંતરણને એન્ડ-ટુ-એન્ડનું સંચાલન કરવા માટે મેનેજરને જરૂરી ફ્રેમવર્ક અમે સ્થાપિત કરીશું.
એપ્લિકેશન કાર્ય
તમારી પોતાની સંસ્થા (અથવા તમે જાણો છો તે સંસ્થા) વિશે વિચારો. આ વર્ષ માટેની ટોચની ત્રણ વ્યૂહાત્મક પ્રાથમિકતાઓ લખો. પછી ત્રણ AI તકોનું મૂલ્યાંકન કરો કે જે ટેમ્પલેટ 1 નો ઉપયોગ કરીને AI ટૂલ વડે આ પ્રાથમિકતાઓને સેવા આપી શકે છે. દરેક તક માટે, એક વાક્યમાં અપેક્ષિત લાભ અને એક વાક્યમાં જોખમ નોંધો જે શરૂઆતથી જ લેવું જોઈએ. આઉટપુટને વિવેચનાત્મક રીતે વાંચો: શું તે ખરેખર પ્રાધાન્ય આપે છે, અથવા તે "માત્ર AI ખાતર" છે?
ચેકલિસ્ટ
- [ ] મેં સંસ્થાની વ્યૂહાત્મક પ્રાથમિકતાઓ સ્પષ્ટપણે લખી છે.
- [ ] મેં AI તકોને આ પ્રાથમિકતાઓ સાથે સંરેખિત કરી છે.
- [ ] મેં દરેક તક માટે અપેક્ષિત વ્યવસાય મૂલ્ય વ્યાખ્યાયિત કર્યું.
- દરેક તક માટે, મેં શરૂઆતથી જ જોખમ ઓળખ્યું.
- [ ] મેં પુષ્ટિ કરી છે કે જવાબદારી અને અંતિમ નિર્ણય વ્યક્તિ પર રહે છે.
- [ ] તેઓએ એવા વિચારોને દૂર કર્યા જે "માત્ર કૃત્રિમ બુદ્ધિમત્તા ખાતર" હતા.
- [ ] મેં ઉચ્ચ-મૂલ્યની તકોની નાની સંખ્યા પર ધ્યાન કેન્દ્રિત કર્યું.