Limitado ang halaga ng pagtaas ng produktibidad kung dumaraan pa rin ang trabaho sa parehong mga komite, pag-apruba, paglilipat, at hiwa-hiwalay na tungkulin. Ang pangunahing hadlang ay lalo nang nagiging pagkaantala ng organisasyon: ang panahong kailangan nito upang magpasya, magbago ng proseso, at gawing resulta sa negosyo ang mga bagong kakayahan.
Ang trabahong dating nangangailangan ng maraming espesyalista, departamento, o ilang linggo ay matatapos na nang higit na mabilis. Binabago nito kung paano nagtutulungan ang mga pangkat, paano nagpapasya, at saan kailangan ang kadalubhasaan.
Lubos na nakakamit ang mga benepisyo kapag binabago ng mga organisasyon ang kanilang disenyo—ang mga workflow, pamamahala, insentibo, daloy ng kaalaman, at mga estruktura ng pagpapasya—upang lumawak sa buong negosyo ang produktibidad na hatid ng AI.
Kailangan ng mga AI-native na organisasyon ang matatag na gulugod at umaangkop na unahan, habang ginagamit ang pinakamahahalagang kakayahan ng tao sa pagpapasya at pag-uugnay ng mga pagkilos.
Maraming talakayan sa LinkedIn, Substack, at iba pang forum na nauuwi sa “Hindi ko makita ang ROI ng AI.” Habang lumalawak ang makabuluhang paggamit, marami kaming nakikitang ROI mula sa mga solusyon sa AI at paggamit ng mga handang gamiting tool tulad ng ChatGPT, Codex, at Claude. Gayunman, nauunawaan ang punto. Bagama’t posibleng malaki ang pagtaas ng produktibidad ng bawat tao, malilimitahan pa rin ito kung hindi magbabago ang mga workflow ng organisasyon. Kailangang umunlad ang disenyo ng iyong organisasyon.
Gayunman, hindi mo magagawang ganap na ihanda ang isang organisasyon para sa hinaharap, lalo na sa bilis ng pagsulong ng AI. Walang makapagsasabi nang may katiyakan kung ano ang dapat na anyo ng bangko, insurer, retailer, kompanya ng enerhiya, o consultancy na naka-optimize para sa AI pagkalipas ng tatlong taon. Napakabilis magbago ng teknolohiya, ekonomiya, at mga paraan ng pagtatrabaho, kaya magiging pangunahing bentahe sa susunod na dekada ang kakayahang umangkop.
Ngunit kung agad na makukuha ang ekspertong talino at kayang kusang magtrabaho ng mga AI agent nang ilang oras, dapat ipagpalagay na magbabago—at dapat magbago—kung paano ginagawa ang trabaho. Ibig sabihin, kailangang magbago ang iyong modelo ng operasyon upang makinabang sa teknolohiya. Pinakamalaki ang pakinabang ng mga organisasyong handang mabilis na umangkop sa mga bagong paraan ng pagtatrabaho at umuusbong na gamit ng teknolohiyang ito.
Pinakamadaling maunawaan ang epekto ng AI sa organisasyon kung magsisimula sa isang payak na palagay. Ipagpalagay na agad na makukuha ng sinuman sa organisasyon ang ekspertong talino. Mahirap itong isipin dalawang taon na ang nakalipas, ngunit halos realidad na ito ngayon. At bagama’t hindi pa ito perpekto, makatuwirang ipagpalagay na malapit na itong maging halos perpekto.
Dagdagan natin ito ng pangalawang palagay. Ipagpalagay na kayang magtulungan ng mga autonomous agent nang ilang oras, araw, at kalaunan ay linggo upang matapos ang makabuluhang lawak ng trabaho. Hindi lamang isa o ilang gawain, kundi isang malaki at tunay na pagkakasunod-sunod ng trabaho sa maraming disiplina. Isang cross-functional na pangkat na binubuo ng mga agent na kayang tukuyin nang mag-isa ang kanilang workflow.
Kung kahit bahagyang totoo ang dalawang palagay na iyon, magbabago—at kailangang magbago—kung paano ginagawa ang trabaho. Umiikli ang oras ng pagtatapos, nagbabago ang paraan ng panloob na pagtutulungan, at bumibilis ang pagbabago.
Pabor ang ganitong bilis sa desentralisasyon, awtonomiya, at inobasyon, samantalang kabaligtaran ang pundasyon ng karamihan sa malalaking organisasyon.
Isinasentralisa ng malalaking negosyo ang kapangyarihan sa mga departamentong nakaayon sa tungkulin. Pinaghihiwalay nila sa iba’t ibang estruktura ang estratehiya, teknolohiya, data, panganib, operasyon, pananalapi, HR, at negosyo—bawat isa ay may sariling priyoridad, insentibo, at higit sa lahat, mga kontrol.
Pinamamahalaan ang pagbabago ng mga komite sa pamumuhunan at pamamalakad, architecture board, pagsusuri ng panganib, mga hakbang sa pagsunod, proseso ng procurement, taunang pagpaplano, at business case. May ilang change management team na nagiging dagdag na tagapamagitan ng impormasyon sa mga stakeholder nang walang idinadagdag na halaga.
Muli, hindi ito hindi makatuwiran, at may mabubuting dahilan kung bakit umiiral ang mga mekanismong ito. Habang pinamamahalaan nila ang panganib, inilalaan ang kapital, iniiwasan ang pag-uulit, pinoprotektahan ang mga customer, at lumilikha ng pananagutan, nagtatakda rin sila ng bilis. Malamang na napakabagal nito para sa mundong kayang sumubok, matuto, at muling magdisenyo ng trabaho nang mas mabilis ang mga AI-native na kakumpitensya.
Mahalaga rin ang mensaheng ipinahihiwatig ng kultura. Sa maraming organisasyon, ginagantimpalaan pa rin ng mga insentibo ang pananatili sa hangganan ng sariling tungkulin, gaano man kadalas sabihin ng lider na "may kapangyarihan kayong magpasya." Bakit? Protektahan ang pangkat. Protektahan ang badyet. Protektahan ang roadmap. Iwasan ang lantad na kabiguan. Idulog sa komite ang mahihirap na pasya. Huwag masyadong lumihis sa aprubadong proseso.
Makatuwiran ang sentralisadong pamamaraang ito kapag mataas ang halaga ng eksperimento at ang paminsan-minsang pagbabago ay unti-unti, hindi rebolusyonaryo. Ngunit nagiging problema ito kapag malaki ang pag-unlad ng kakayahan bawat ilang buwan at natutuklasan ng mga pangkat na malapit sa trabaho ang pinakamagagandang pagkakataon.
Ang pagtugon sa AI gamit ang tradisyonal na sentralisasyon ay lumilikha ng pagkaantalang humahadlang sa makabuluhang ROI. Kung kailangang dumaan sa maraming komite ang bawat pagbabago bago umabot sa tunay na trabaho, napakabagal matututo ng organisasyon.
Para sa mga taong gustong umunlad at kumilos nang mas mabilis, magiging hindi gaanong kaakit-akit na lugar ng trabaho ang organisasyong naglilimita sa paggamit ng AI.
Nagsisimula ang karamihan sa mga organisasyon sa kahusayan ng bawat tao sa AI. Iyon ang tamang simula. Kailangang malaman ng mga tao kung paano bibigyan ng malinaw na tagubilin ang AI, susubukin ang mga sagot nito, susuriin ang gawa nito, poprotektahan ang sensitibong impormasyon, at tutukuyin kung kailan hindi ito dapat gamitin. Kailangan nila ng kumpiyansa, mahusay na pagpapasya, at praktikal na karanasan.
Ngunit may hangganan ang kahusayan ng indibidwal. Makagagawa ang isang analyst ng limang ulit na mas maraming pagsusuri, ngunit buwanan pa rin ang pulong ng lupon na nagpapasya. Makagagawa ang isang developer ng mas maraming code, ngunit hindi nagbago ang proseso ng pagsusuri at release. Makagagawa ang isang marketer ng mas maraming content, ngunit nasa parehong pila pa rin ang pag-apruba ng brand.
Kahit sa antas ng pangkat, hindi awtomatikong nagpapabilis ang pagbabago ng workflow kung kumikilos pa rin ang ibang bahagi ng organisasyon sa dati nilang paraan.
Kaya maaaring bumilis ang indibidwal at ang pangkat, ngunit nililimitahan pa rin ng ibang bahagi ng kabuuang daloy sa organisasyon ang bilis ng output. Kaya kailangang umusad ang paglalakbay sa AI mula sa kahusayan ng indibidwal, tungo sa kahusayan ng pangkat, at pagkatapos ay sa kahusayan ng organisasyon.
Kapag kayang baguhin ng negosyo ang mga estruktura, insentibo, pamamahala, daloy ng kaalaman, at mga pattern ng teknolohiya nito, nagiging halaga para sa buong negosyo ang lokal na pakinabang ng mga indibidwal at pangkat.
Mahirap itong hamon, ngunit naroon ang pagkakataong makamit ang halaga. Nananatiling maliksi at patag ang estruktura ng mga AI-native na kumpanyang itinatag nitong mga nakaraang taon matapos ilabas ang ChatGPT, dahil nakapaloob na ang AI sa kanilang mga workflow. Sa kabaligtaran, isinisingit ng malalaking negosyo ang AI sa mga umiiral na proseso, na lumilikha ng tagpi-tagping sistemang hindi nababago kung paano ginagawa ang trabaho.
Ang AI-native ay hindi nangangahulugang magulo, padalos-dalos, o nahuhumaling sa mga tool. Hindi rin ito nangangahulugang gagamitin ng bawat empleyado ang pinakabagong modelo sa anumang paraang gusto nila. At tiyak na hindi ito nangangahulugang papalitan ng sigla ang pamamahala o magpapanggap na hindi na kailangan ang tao.
Ipinapalagay ng lumang modelo ng disenyo ng organisasyon na maaari kang magtakda ng kalagayan sa hinaharap, iguhit ang estruktura, ipatupad ang pagbabago, at patatagin ito. Napakabagal niyan para sa AI.
Ididisenyo ang mga AI-native na organisasyon para sa tuluy-tuloy na pagbabago. Ang AI-native na organisasyon ay tuluy-tuloy na muling nagdidisenyo ng trabaho ayon sa pinagsamang lakas ng mga tao, AI system, data, workflow, at pamamahala. Hindi nila isasandig ang lahat sa iisang blueprint. Bubuo sila ng kakayahang mabilis na tukuyin kung aling mga workflow ang dapat baguhin, aling tungkulin ang kailangang umunlad, aling kontrol ang kailangan, aling kasanayan ang mas mahalaga, aling pattern ang magagamit muli, at aling palagay ang lipas na.
Dalawang bagay ang sabay na kailangan nito: matatag na gulugod at umaangkop na unahan. Binabalanse ng mga ito ang sentralisasyon at pagbibigay-kapangyarihan sa mga pangkat na malapit sa trabaho.
Ang matatag na gulugod ang nagbibigay sa organisasyon ng tiwala at kakayahang lumawak. May access ang buong negosyo sa mga aprubadong tool, magagamit muling pattern, ruta sa data, paraan ng pagsusuri, kontrol sa seguridad, prinsipyo ng pamamahala, monitoring, imprastraktura ng kaalaman, at malinaw na pagmamay-ari.
Sa umaangkop na unahan nagaganap ang trabaho at madalas itong nagbabago nang walang sagabal. May sapat na awtoridad ang maliliit at cross-functional na pangkat na malapit sa problema upang muling magdisenyo ng mga workflow, gumamit ng AI, sumubok ng mga bagong paraan ng pagtatrabaho, at ibalik sa organisasyon ang kanilang natutuhan.
Mahalaga ang balanseng iyon sa pagitan ng sentro at unahan. Kapag sobra ang sentral na kontrol, napakabagal matuto ng organisasyon. Kapag sobra ang lokal na kalayaan, nagkakawatak-watak ang organisasyon. Kailangan ng AI-native na organisasyon ang disiplina sa sentro at kakayahang umangkop sa unahan.
Ang mababaw na konklusyon tungkol sa pag-automate ng trabaho ay binabawasan ng AI ang pangangailangan sa tao. Mangyayari ito sa ilang larangan, gaya ng paulit-ulit na gawaing pangkaalaman na kaunti ang kinakailangang konteksto at paiikliin o aalisin. Mapipilitan ding magbago ang trabahong pangunahing transaksiyonal—pumupuno sa mga kakulangan ng sistema, naglilipat ng impormasyon, nagsasagawa ng paunang pagsusuri, gumagawa ng unang burador, at nagbibigay ng mga tugong limitado ang 'dagdag na halaga.'
Ngunit may kabilang panig ito: umaangat ang antas ng 'ambag' ng tao. Kung agad na makukuha ang ekspertong talino, magiging higit na mahalaga ang mga katangiang pantao na hindi kaya at hindi dapat palitan ng AI—pagpapasya, pagkamalikhain, pananagutan, konteksto, at tiwala.
Dapat higit na tumuon ang mga organisasyon sa mga taong kayang magpasya sa malalabong sitwasyon. Mga taong sapat ang lalim ng kaalaman sa larangan upang gabayan ang AI at malaman kung kailan ito mali. Mga taong kayang magtanong nang mas mahusay. Mga taong kayang pag-ugnayin ang mga realidad sa negosyo, teknolohiya, operasyon, at tao. Mga taong kayang bumuo ng ugnayan, maghatid ng kumpiyansa, at mag-ugnay sa maraming stakeholder. At mahalaga ring higit na kailangan ang kakayahang mabilis na magpalit ng konteksto at tama at mabilis na magpakahulugan sa impormasyon kapag ang isang linggong trabaho ay naisiksik sa umaga ng Lunes.
Kaya mas nagiging mahalaga ang mga generalist, hindi mas mababa, kung kaya nilang panatilihin ang konteksto sa iba’t ibang tungkulin at iugnay ang trabahong pinahusay ng AI. Maaari ding maging mas mahalaga ang mga eksperto dahil lumilikha ang mas mabilis na trabaho ng mas maraming sandaling mahalaga ang kalidad at wastong pagpapasya. At kailangang hindi na lamang tagakontrol ng mga gawain ang mga lider, kundi maging tagadisenyo ng mga sistema, konteksto, at bilis.
Hindi lamang “mga kasanayan sa AI” ang dapat paglaanan ng puhunan. Dapat ding linangin ang mga katangiang pantao na lalong mahalaga habang AI ang gumagawa ng mas maraming payak na gawain: pagkamausisa, mahusay na pagpapasya, katatagan, kalinawan, pagkamalikhain, pagiging mapagpasya, pakikipagtulungan, at pagiging komportable sa kalabuan. Dapat nang kumuha, maglinang, at magbigay-gantimpala ang organisasyon sa mga katangiang iyon.
Matindi ang pagsisiksik ng ganito karaming trabaho, at hindi kayang kumilos ng mga AI-native na organisasyon sa napakabilis na takbo sa lahat ng oras. Kailangan nilang maglaan ng panahon at puwang upang makabawi at muling makaugnay ang mga tao. Upang mahusay na makapaghusga at magpasya, dapat lumikha ang mga organisasyon ng kapaligirang maaaring magsilang ng mga bagong ideya mula sa di-inaasahang pagkakataon.
Sa ngayon, mabagal gamitin ng maraming negosyo ang AI para sa mga bagay na kaya na nitong gawin. Dahil dito, lumalaki ang agwat sa pagitan ng pagsulong ng kakayahan ng mga agent at ng pagsulong sa paggamit nito.
Normal iyon. Mabagal tanggapin ng malalaking organisasyon ang teknolohiya dahil sa mga lumang sistema, regulasyon, pagtutol ng kultura, watak-watak na data, malabong pagmamay-ari, at tunay na panganib na kailangang pamahalaan.
Ngunit darating ang panahong matutuklasan ng sapat na dami ng mga lider, pangkat, at kakumpitensya kung paano ligtas at paulit-ulit na ilalapat ang AI sa tunay na workflow. Hihinog ang mga pattern, magiging bahagi ng sistema ang pamamahala, mas maaasahan ang mga agent, at lalakas ang kumpiyansa ng organisasyon. Magsisimulang lumiit ang agwat sa pagitan ng mga posibilidad na hatid ng AI at ng aktuwal na ginagamit ng mga negosyo.
Pagdating ng yugtong iyon, hindi mapupunta ang bentahe sa mga kumpanyang may pinakamahusay na mga modelo o pinakamalalaking badyet sa AI, kundi sa mga organisasyong mabilis na kayang baguhin kung paano ginagawa ang trabaho.
Mahihirapang makasabay ang mga kumpanyang isinasentralisa ang bawat pasya, pinoprotektahan ang bawat tungkulin, namamahala sa pamamagitan ng mababagal na komite, at nagbibigay-gantimpala sa mga taong 'hindi gumugulo sa nakasanayan.'
Mas mabilis matututo ang mga kumpanyang bumubuo ng matatag na gulugod at umaangkop na unahan. Mas maaga nilang matutuklasan ang mas mahuhusay na workflow, ililipat ang balanseng talento ng mga generalist, eksperto, at lider sa gawaing mas mataas ang halaga, at gagawing magagamit muli ang mga lokal na eksperimento.
Maaaring ang tanong ngayon ay "Paano natin matagumpay na gagamitin ang AI?" ngunit dapat itong maging "Gaano kabilis makaaangkop ang ating organisasyon habang binabago ng AI ang trabaho?"
Mananatiling mabagal ang isang mabagal na organisasyong may makapangyarihang AI; patuloy namang bibilis ang pag-unlad ng umaangkop na organisasyong may makapangyarihang AI.