Większość organizacji korzysta już z AI w środowisku produkcyjnym. Prawie żadna nie stosuje jej jednak tam, gdzie ma ona znaczenie: w rozwiązaniach dla klientów, decyzjach o kluczowym znaczeniu biznesowym ani procesach działających przy minimalnym nadzorze człowieka. To właśnie ta luka decyduje dziś o zdobyciu lub utracie przewagi konkurencyjnej.
Barierą jest zazwyczaj brak pewności, a nie brak możliwości. W przypadku wdrażania AI w obszarach o kluczowym znaczeniu dla biznesu pewność wynika ze spełnienia czterech konkretnych kryteriów.
Kryteria te obejmują sposób testowania zachowania AI, tworzenia nadzorowanych rozwiązań i zarządzania nimi w skali całej firmy, a także to, czy kadra kierownicza rzeczywiście jest przekonana do istotności tych zagadnień.
Spełnienie tych kryteriów buduje doświadczenie i odpowiedzialność oraz ułatwia wdrażanie AI tam, gdzie może ona przynieść istotne zmiany. Bez tego AI grzęźnie w pobocznych zastosowaniach, które oszczędzają trochę funtów, ale nie wpływają istotnie na funkcjonowanie organizacji.
Rok temu, czyli całe dekady w świecie AI, większość firm tkwiła w „czyśćcu projektów POC”: miała wiele interesujących prototypów pokazujących możliwości AI, ale nie potrafiła wdrożyć żadnego z nich na produkcję. Rok później wiele organizacji stosuje już w środowisku produkcyjnym przynajmniej kilka rozwiązań AI, co stanowi ogromny krok naprzód.
Często jednak AI stosuje się w procesach pobocznych: jest to łatwiejsze, zespół ds. innowacji może opracować rozwiązanie z zaangażowanym użytkownikiem biznesowym, a jeśli coś pójdzie nie tak, „świat się nie zawali”. Sam proces nie ma większego znaczenia, ponieważ istnieje ręczna procedura awaryjna lub w proces zaangażowanych jest kilka osób, które mogą ograniczyć ewentualne negatywne konsekwencje.
Skutki tego zrozumiałego, lecz zachowawczego podejścia są równie skromne: takie rozwiązania raczej nie zwiększają zauważalnie potencjału wzrostu, jakości obsługi klienta ani efektywności kosztowej.
To właśnie odróżnia przyszłych zwycięzców od reszty: postępowe firmy inwestują w wykorzystanie AI tam, gdzie wpływa ona na wyniki biznesowe.
Maruderzy również „wdrażają AI”, lecz nie tam, gdzie może ona istotnie wpłynąć na biznes.
I tak, wykorzystanie AI w decyzjach inwestycyjnych, obsłudze klienta, rozwoju produktów, badaniach i projektowaniu oraz automatyzacji bez udziału człowieka w będzie wiązać się z większym poczuciem ryzyka, ale to właśnie tam kryją się największe korzyści.
Kiedy ich przewaga stanie się widoczna, nie tylko będzie ona znacząca, ale różnica w tempie wdrażania AI sprawi, że będzie się dalej powiększać, podczas gdy maruderzy będą dopiero zdawać sobie sprawę z tego, co przez cały ten czas robili źle.
Pytanie brzmi zatem: czego potrzebuje organizacja, aby z przekonaniem stosować AI w procesach, które naprawdę mają znaczenie?
Załóżmy najpierw, że organizacja przeszła już od etapu „Mamy narzędzie AI, takie jak ChatGPT”, przez „Mamy projekty POC”, do „Mamy 10 prostych rozwiązań AI na produkcji”. Jeśli nie, należy potraktować to priorytetowo. Te pierwsze kroki mogą wydawać się błahe, ale są niezbędne, by rozwijać kompetencje AI w całej firmie, tworzyć lepsze pomysły na zastosowania oraz przećwiczyć wewnętrzny proces wdrażania AI na produkcję.
Na tym etapie organizacja powinna zwiększyć swoje ambicje: najpierw dostarczać „istotne rozwiązania AI działające pod nadzorem człowieka”, a następnie osiągnąć wyróżniający poziom: „stosujemy AI w kluczowych procesach i obsłudze klienta”.
Ostatnie etapy postępu rzadko zależą od technologii, częściej od pewności w organizacji. Zawsze bowiem znajdzie się powód, by odłożyć trudne zadania lub się z nich wycofać:
„A jeśli przedstawi błędne wnioski?”„A jeśli zadziała nieprawidłowo i trafimy do mediów?”„A jeśli popełni błąd w obliczeniach i podejmiemy złą decyzję?”„A jeśli obrazi klientów?”„A jeśli model przestanie być dostępny?”„Jak będziemy obsługiwać aktualizacje?”„A jeśli zmienią się przepisy?”„Może powinniśmy zaczekać na nowy model?”I tak dalej.
Naszym zdaniem zazwyczaj cztery warunki dają organizacji wystarczającą pewność, by uruchomić rozwiązanie AI o dużym wpływie na produkcji.
Dlaczego: czy organizacja, a zwłaszcza najwyższa kadra kierownicza, naprawdę wierzy w przekaz wyjaśniający, „dlaczego AI ma znaczenie dla naszego sukcesu biznesowego”? Jeśli nie, organizacja znacznie częściej będzie szukać powodów, by unikać trudnych decyzji.
Wsparcie i przygotowanie: czy w organizacji działa zespół ds. zmian, transformacji lub wdrażania AI, który wspiera ją w procesie zmian związanych z AI? Czy odpowiada za adopcję, edukację, kwestie regulacyjne, nowe sposoby pracy, kwestionowanie dotychczasowych założeń, zapewnienie niezbędnego finansowania itd.? AI nie jest zmianą, którą można pozostawić „technologii do załatwienia”, jak często miało to miejsce w przypadku inicjatyw chmurowych czy cyfrowych. Musi być prowadzona przez biznes i odpowiednio wspierana.
Jak: czy istnieje ustalona architektura firmowa i architektura rozwiązań dla stosowanej AI? Choć dziedzina ta stale się rozwija, posiadanie konkretnej wizji wymusza analizę i poszerzanie wiedzy o odpowiednich zabezpieczeniach, kosztach, obserwowalności, mechanizmach kontroli, dostępie do modeli itd. Buduje to wewnętrzną wiarygodność organizacji jako podmiotu, który „wie, co robi” w obszarze AI, i pomaga uniknąć sytuacji, w której rozwiązania AI są budowane na wiele różnych, niespójnych sposobów.
Test gotowości do wdrożenia: właściciele rozwiązań mogą w nieskończoność odkładać decyzję „Czy to jest wystarczająco dobre, by wdrożyć rozwiązanie?”. Tradycyjne testy prowadzone przez zespoły QA nie dają takiej pewności ani poczucia odpowiedzialności w przypadku niedeterministycznych systemów AI. Ewaluacje — tak.
Omówmy je w odwrotnej kolejności, ponieważ właśnie ona najlepiej odpowiada procesowi podejmowania decyzji o tym, czy można z przekonaniem przejść do wdrożenia.
Przez dziesięciolecia organizacje polegały na zespołach QA przy ocenie, czy wydanie jest wystarczająco dobre. Formalnie testami zajmowali się interesariusze biznesowi, lecz w praktyce wykonywał je zespół QA. Wynik był pozytywny albo negatywny i zależał od niezliczonych reguł typu: jeśli to, wtedy tamto. Wymagało to dużo pracy, ale było proste.
To podejście nie sprawdza się w przypadku AI, ponieważ musimy oceniać jego zachowanie.
Ewaluacje, czyli evale, pozwalają ilościowo mierzyć jakościowe zachowanie AI. Zamiast wyniku pozytywnego lub negatywnego definiuje się kryteria — takie jak poprawność, ton, ugruntowanie w faktach czy prawidłowe odmawianie — i przypisuje im oceny. Śledzenie tych ocen przez cały projekt, w miarę ulepszania poleceń, modeli, zabezpieczeń itd., daje zespołowi projektowemu, komitetom ds. zmian i kierownictwu wiarygodną podstawę do działania: wynik poprawności, który w trakcie projektu wzrósł z x do y.
Liczba ta spełnia dwie funkcje. Po pierwsze, buduje pewność, pokazując poprawę w czasie i dostarczając interesariuszom namacalnych dowodów, że system konsekwentnie i niezawodnie zachowuje się zgodnie z ustalonymi oczekiwaniami.
Po drugie, zapewnia rozliczalność. Chodzi o konkretne wyniki, na które można się powołać, oraz możliwość prześledzenia sposobu ich uzyskania. Udokumentowany zestaw ocen, sprawdzony w dobrze zdefiniowanym zakresie scenariuszy, jest odpowiednikiem raportu z testów dla AI. Daje komitetowi zatwierdzającemu dowód należytej staranności: czy system robi (tylko) to, co powinien, i czy robi to (tylko) w sposób, w jaki powinien to robić.
Oczywiście wyniki mają znaczenie tylko wtedy, gdy kryteria ewaluacji są wystarczająco szczegółowe. Wymaga to zmiany modelu operacyjnego, z którą większość organizacji początkowo sobie nie radzi: za kryteria ewaluacji musi odpowiadać biznes, a nie zespół technologiczny, zespół QA ani pojedynczy mniej doświadczony pracownik. Właściciele produktów i specjaliści rozumieją specyfikę dziedziny, przypadki brzegowe, pożądany ton komunikacji, rodzaje interakcji inicjowanych przez użytkowników, odpowiednie etapy rozumowania, tryby awarii, poprawne pary pytań i odpowiedzi itd. To osoby korzystające z rozwiązania i wdrażające je powinny określać, jakie rezultaty uznają za dobre.
Oznacza to, że jeśli trzeba zatwierdzić rozwiązanie wykorzystujące AI bezpośrednio w kluczowym obszarze obsługi klienta, wystarczy zadać dwa pytania:
(1) kto opracował kryteria ewaluacji oraz
(2) czy wyniki ewaluacji z czasem poprawiały się względem tych kryteriów i przekroczyły już minimalny próg?
Jeśli odpowiedź brzmi: „opracował je zespół technologiczny, ale jesteśmy zadowoleni z wyników”, aplikacja nie jest gotowa. Jeśli odpowiedź brzmi: „tak, przeprowadziliśmy test w zeszłym tygodniu i wynik był pozytywny”, dojrzałość procesu ewaluacji prawdopodobnie nie wystarcza, by zbudować potrzebną pewność, ponieważ ewaluacje najpewniej nie były częścią procesu od samego początku.
Jeśli jednak biznesowy właściciel produktu przez cały okres tworzenia rozwiązania definiował, przeglądał i doskonalił ewaluacje oraz potrafi pokazać, że wyniki zmierzają we właściwym kierunku, takie rozwiązanie warto zatwierdzić.
Kolejnym źródłem pewności jest zgodność z zasadami i standardami architektury AI. O ile pierwsze pięć aplikacji AI można było zbudować w dowolny, dogodny sposób, byle tylko zacząć, o tyle skalowanie i osiągnięcie wysokiego tempa bezpiecznych, dobrze zarządzanych wdrożeń AI w całej organizacji wymaga bardziej uporządkowanego podejścia, referencyjnych architektur aplikacji oraz firmowej platformy AI.
Wszystkie zespoły inżynieryjne muszą móc szybko „odziedziczyć” dostęp do modeli, mechanizmy zabezpieczające, obserwowalność, skalowanie, zarządzanie kosztami itd., aby skupić się na budowie rozwiązania.
Posiadanie takiej wizji platformy AI i podejścia do architektury w skali całego przedsiębiorstwa, nawet jeśli ze względu na szybkie tempo zmian może ona szybko się zdezaktualizować, dodatkowo wzmacnia w organizacji przekonanie, że może bezpiecznie wdrażać AI w systemach krytycznych. Oznacza bowiem, że ktoś przeanalizował wszystkie kluczowe czynniki i wybrał optymalną ścieżkę wdrożenia, co również zwiększa pewność, że rozwiązanie będzie wspierać te istotne procesy.
Nie chodzi o „robienie tego samego, tylko z dostępem do narzędzia AI”. Choć może to brzmieć banalnie, transformacja oznacza przeprojektowanie procesów, zmianę oferty produktowej, rozwój obsługi klienta, nowe sposoby pracy, a najprawdopodobniej również zmianę struktur zespołów.
Nie da się tego zrobić po godzinach ani pozostawić wyłącznie działowi technologii (i nie, trzyosobowy zespół „innowacji” także nie wystarczy). Przy podejściu „jakoś to się ułoży” nie da się osiągnąć tempa zmian, jakie mogą narzucić zwycięscy konkurenci.
Ponadto znalezienie naprawdę „przełomowych” zastosowań i zdobycie dla nich poparcia wymaga gruntownej wiedzy o AI w całej firmie oraz pozytywnego nastawienia do tej technologii.
Transformację AI muszą więc prowadzić osoby, które wiedzą, czego potrzebuje organizacja, potrafią wdrażać zmiany i rozumieją AI. Zarząd powinien powierzyć im mandat do działania oraz zapewnienia koordynacji, energii, finansowania, wpływu, nadzoru, priorytetyzacji i podejmowania decyzji.
Zwłaszcza na początku dobrze sprawdza się centralna jednostka, taka jak centrum AI, zespół ds. transformacji AI czy biuro AI. Taki centralny zespół buduje pewność w organizacji, że ma ona strategię, którą potrafi realizować, że kluczowe decyzje można szybko podejmować i delegować oraz że można ustanowić kryteria jakości dla transformacji AI. Bez niego działania mogą stać się zbyt rozproszone, prowadząc do niespójności w decyzjach, wyborze produktów i rozwiązań oraz jakości. Ostatecznie podważa to pewność potrzebną do wdrażania AI w obszarach o kluczowym znaczeniu dla biznesu.
Jak wspomniano wcześniej, realną przewagę konkurencyjną dzięki AI zdobędą firmy, które zbudują doświadczenie, wiedzę ekspercką i pewność niezbędne do częstego i szybkiego wdrażania rozwiązań AI w kluczowych procesach i obszarach działalności, które przekładają się na lepsze doświadczenia klientów, wyższą wydajność produktów, szybsze tempo produkcji itd.
Potrzebne są dobre praktyki ewaluacji, szybko dostosowująca się i skalowalna architektura oraz nastawione na działanie zarządzanie transformacją, które pomaga organizacji uczyć się, adaptować i korzystać z nowych sposobów pracy.
Żaden z tych elementów nie zostanie jednak skutecznie wdrożony „oddolnie”. Zmiany zachodzą zbyt szybko i mają zbyt duże konsekwencje. Nie wystarczy również „zgoda zarządu” ani „wsparcie kierownictwa”.
Jeśli pracownicy nie rozumieją, dlaczego zmiany są konieczne, co oznaczają dla nich personalnie (dobrego lub złego) i co mogą zyskać, transformacja dokona się „tylnymi drzwiami”, powodując wiele szkód ubocznych.
Czwartym warunkiem uzyskania realnej przewagi dzięki wdrożeniu AI jest więc autentyczne zrozumienie i przekonanie kierownictwa, że inwestycje w AI są niezbędne dla dalszych sukcesów firmy. To ich strategia AI, wpisana w misję i cele firmy, o której stale mówią i którą potwierdzają widocznymi decyzjami oraz działaniami.
Zapewnia to zespołom w całej organizacji motywację, wsparcie i poczucie pilności potrzebne do rozwijania umiejętności oraz podejmowania nieco niewygodnych, ale ważnych decyzji o wyborze trudniejszej i bardziej opłacalnej drogi. Daje też pewność niezbędną do uruchomienia rozwiązań opartych na AI, służących poprawie doświadczeń klientów czy usprawnieniu procesów podejmowania decyzji inwestycyjnych.
W ciągu najbliższych dwóch lat na AI zyskają nie firmy z największą liczbą wdrożeń, lecz te, które skutecznie wykorzystają AI w kluczowych systemach i procesach biznesowych, wpływających na klientów i najważniejsze decyzje, a także rozwiną zdolność do konsekwentnego i bezpiecznego wdrażania AI w całej organizacji.
Co należy teraz zrobić? Jeśli Twoja organizacja „wdraża AI”, ale nie wpływa to na sukces firmy, warto odpowiedzieć sobie na następujące pytania:
Czy rola AI w realizacji misji firmy jest jasno określona? Czy kierownictwo naprawdę uważa wdrożenie AI za niezbędne dla przyszłego sukcesu firmy?
Czy istnieje centralna jednostka, która rozwija inicjatywy AI, edukuje całą firmę i koordynuje te działania?
Czy zespół technologiczny rozwija wiedzę, zasoby i wzorce umożliwiające szybsze i bezpieczniejsze tworzenie rozwiązań AI?
Czy wydania trafiają na produkcję bez przeszkód wynikających z braku odpowiedzi na pytania dotyczące zachowania AI?
Jeśli odpowiedź na którekolwiek z tych pytań brzmi „nie”, wiesz już, od czego zacząć budowanie pewności w organizacji co do szybkiego i spójnego wdrażania AI, aby uzyskać przewagę konkurencyjną tam, gdzie naprawdę ma to znaczenie.