Tekoälyn osaamisvaje: kuinka organisaatiot ja johtajat kurovat sen umpeen
Kulttuurin muutos: Tekoälyn osaamisvajeen kurominen umpeen edellyttää kulttuuristen ongelmien ratkaisemista pelkän koulutuksen tarjoamisen sijaan.
Selkeät vaatimukset: Tehokkaissa tekoälyä koskevissa vaatimuksissa tarvitaan operatiivista selkeyttä, jossa määritellään työnkulut ja vastuut onnistuneen käyttöönoton varmistamiseksi.
Kohdennettu oppiminen: Roolikohtainen koulutus, joka keskittyy välittömiin käyttökohteisiin, tehostaa tekoälyn käyttöönottoa ja käyttäytymisen muutosta tiimeissä.
Mahdollistamisen painotus: Tekoäly tulisi nähdä mahdollistavana toimintona, joka parantaa tehokkuutta sen sijaan, että se korvaisi nykyiset roolit.
Tulosten mittaaminen: Tekoälyn käyttöönottoa arvioitaessa on asetettava tuotetun työn laatu pelkkien käyttömittareiden edelle.
Kaikilla toimialoilla organisaatiot kamppailevat saman epämukavan todellisuuden kanssa: ne ovat investoineet tekoälytyökaluihin, antaneet ohjeet niiden käyttämiseen ja seuranneet siitä huolimatta, kuinka tekoälyn käyttöönotto pysähtyy.
Ongelma ei ole teknologiassa. Se on pääsyn ja todellisen osaamisen välisessä kuilussa — ja kasvavassa ymmärryksessä siitä, että kuilun umpeen kurominen vaatii enemmän kuin pelkän määräyksen.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Tätä työtä etulinjassa tekevät johtajat pohtivat uudelleen sitä, miten osaamista kehitetään, miten käyttöönottoa mitataan ja mitä tekoälyn todellinen upottaminen tiimien työskentelytapoihin tarkoittaa. Ymmärtääkseni, miten organisaatiot käsittelevät tätä käytännössä, keskustelin operaatioiden ja projektinhallinnan johtajien kanssa heidän lähestymistavoistaan tämän ennennäkemättömän työvoiman valmiuskuilun kaventamiseen.
Todellinen ongelma on kulttuuri, ei pelkkä koulutus
On ymmärrettävää ajatella, että tekoälytaitojen kuilu on tieto-ongelma, mutta alan ammattilaisten mukaan tämä ohittaa perimmäisen syyn. eCopier Solutionsin tietohallintojohtaja Moe Rosenfeld ilmaisee asian suoraan: "Käyttöönotto on pohjimmiltaan kulttuuriongelma, joka on naamioitunut koulutusongelmaksi."
Se, mikä näyttää taitojen puutteelta, on usein psykologisen turvallisuuden puutetta, epäselviä odotuksia tai johtamisympäristö, joka lähettää ristiriitaisia viestejä. Rosenfeld jatkaa: "Yritykset, jotka kamppailevat tämän kanssa, määräävät yleensä tekoälyn käytöstä ylhäältä käsin ja saavat samalla ihmiset hermostumaan sen käyttämisestä. Molempia ei voi tehdä." Kun käyttöönotosta tulee suorituskykymittari ennen kuin siitä tulee tuettu käytäntö, ihmiset oppivat näyttämään kiireisiltä sen sijaan, että oppisivat työskentelemään eri tavalla.
SEOTakeoffin perustaja Graham Mann vahvistaa tämän: "Tekoälyä koskeva tietokuilu pahenee, kun organisaatiot käsittelevät sitä työkalukoulutuksena. Hyödyllinen koulutus on työnkulkukoulutusta." Jonkun opettaminen käyttämään alustaa ei ole sama asia kuin sen opettaminen, mihin alusta sopii hänen työssään.
Tekoälyä koskeva tietokuilu pahenee, kun organisaatiot käsittelevät sitä työkalukoulutuksena. Hyödyllinen koulutus on työnkulkukoulutusta.
Miksi epämääräiset tekoälymääräykset epäonnistuvat — ja miltä toimivat määräykset näyttävät
Jopa organisaatiot, jotka ovat aidosti sitoutuneet tekoälyn käyttöönottoon, voivat heikentää omia mahdollisuuksiaan antamalla ohjeita, jotka ovat liian laajoja toteutettaviksi. Mann varoittaa juuri tästä: "Välttäisin kattavia tekoälymääräyksiä, kuten 'Kaikkien on käytettävä tekoälyä.' Ne synnyttävät näennäiskäyttöä." Meta itse asiassa konkretisoi näennäisen tekoälyn käytön, kun se nousi hiljattain viraaliksi vuotaneen sisäisen "merkkijonojen kulutuksen tulostaulunsa" vuoksi.
Kun standardi on epämääräinen, ihmiset täyttävät sen kirjaimellisen vaatimuksen muuttamatta mitään merkityksellistä. Strategisen tekoälyn ja datatyönkulkujen konsultti Ilya Margolin kuvaa, mitä todellinen määräys edellyttää: "Tekoälymääräysten on käytettävä toiminnallista kieltä. 'Käytä tekoälyä' on liian epämääräinen ilmaus. Vakavassa määräyksessä nimetään työnkulut, sallitut työkalut, rajoitettu data, tarkastusstandardi ja vastuullinen omistaja." Tällainen täsmällisyys muuttaa ohjeen joksikin, jonka pohjalta ihmiset voivat todella toimia.
Toisessa ääripäässä Go X:n perustaja ja toimitusjohtaja Alexander Debelov kuvailee organisaatiota, joka on pelkistänyt määräyksen mahdollisimman selkeään muotoon: "määräys on yksinkertainen: jos tehtävän voi suorittaa agentti, se pitäisi suorittaa agentilla." Kun jotkut organisaatiot yhä keskustelevat siitä, pitäisikö tekoäly ottaa käyttöön, toiset ovat lähteneet siitä oletuksesta, että sitä tullaan käyttämään, ja rakentavat toimintansa sen varaan.
Tekoälymääräysten on käytettävä toiminnallista kieltä. 'Käytä tekoälyä' on liian epämääräinen ilmaus.
Välimaaston vaara — tilanteessa, jossa kannustusta on ilman rakennetta — on se, minkä Margolin nostaa esiin hallitsemattoman kokeilun hiljaisena riskinä: "Piilossa tapahtuva yksilöllinen kokeilu synnyttää epäyhtenäistä laatua ja altistaa dataa. Yhteiset toimintastandardit tekevät tekoälystä toistettavan kyvykkyyden."
Roolikohtainen, päätöksenteon yhteydessä tapahtuva oppiminen
Yksi selkeimmistä malleista niiden johtajien keskuudessa, jotka ovat nähneet tekoälykoulutuksen onnistuvan, on sen täsmällisyys — se on roolikohtaista, päätöskohtaista ja työnkulkukohtaista.
Stein Janssen, operatiivinen johtaja, Poki, kuvailee, miltä tämä näyttää käytännössä: "Projektipäällikön on esimerkiksi tiedettävä, miten tekoälyä sovelletaan laajuuden määrittelyyn, luovutusprosesseihin ja ongelmien seurantaan, kun taas operatiivisen johtajan on tiedettävä, miten tekoälyä hyödynnetään johdonmukaisuuden varmistamisessa eskalointiprosessien suunnittelussa."
Yleiset tekoälyn lukutaito-ohjelmat voivat lisätä tietoisuutta, mutta ne muuttavat harvoin käyttäytymistä, koska niitä ei ole sidottu ongelmiin, joita ihmiset todella yrittävät ratkaista. Janssen kertoo suoraan, miksi läheisyydellä on merkitystä: "Tämänkaltaisen oppimisen on tapahduttava hyvin lähellä päätöksentekoa, sillä jos se on liian etäällä näistä päätöksentekoprosesseista, oppimisesta tulee teoreettista eikä se välttämättä muuta käyttäytymistä."
Minkä tahansa koulutuksen todellinen testi on se, näkyykö se siinä, miten joku työskentelee seuraavana maanantaina — ja tämä on huomattavasti todennäköisempää, kun koulutus rakennetaan niiden päätösten ympärille, joita he jo tekevät.
Miten organisaatiot rakentavat tekoälykoulutusohjelmia
Organisaatiot lähestyvät tekoälyosaamisen rakentamista laajassa mittakaavassa eri tavoin, ja tehokkaimmissa lähestymistavoissa perustason lukutaito yhdistyy syvällisempään, itsenäisesti ohjattuun kehittymiseen.
Aniket Ghonge, Amazonin vanhempi toimitusketjupäällikkö, kuvailee perustasoa: "Organisaation jokaisella tasolla on jonkinlaista tekoälyyn perustuvaa koulutusta. Se on hyvin perustason koulutusta, jossa esimerkiksi selitetään, mitä erilaiset tekoälytyypit ovat. Se on kaikkien saatavilla ja pakollista." Tämä yhteinen ymmärryksen perustaso on tärkeä — se luo yhteisen sanaston ja varmistaa, ettei kenenkään tarvitse lähestyä tekoälykeskusteluja täysin nollasta.
Organisaation jokaisella tasolla on jonkinlaista tekoälyyn perustuvaa koulutusta. Se on hyvin perustason koulutusta, jossa esimerkiksi selitetään, mitä erilaiset tekoälytyypit ovat. Se on kaikkien saatavilla ja pakollista.
Niille, jotka haluavat edetä pidemmälle, Amazon on rakentanut etenemisreitin: "Amazon alkoi myös tarjota koneoppimisen yliopistotason sertifiointeja ja kursseja ilmaiseksi Amazonin työntekijöille", Ghonge kertoo. "Olen itse ilmoittautunut yhdelle näistä kursseista, ja se on omaan tahtiin etenevä ympäristö, jossa voi todella oppia koneoppimisesta ja erilaisista käsitteistä."
Tiimitasolla johtajat rakentavat myös omaa infrastruktuuriaan. Jeff Chamberlain, Frederick Countyn hallinnon laajakaistapalveluiden ja PMO:n päällikkö, on omaksunut ruohonjuuritason lähestymistavan: "Olen itse perustanut tiimiini pienen tekoälytyöryhmän, johon kuuluu projektipäälliköitä eri puolilta maailmaa ja jotka ovat todella innostuneita kehittämään tekoälymenetelmiämme jatkuvasti." Tällaiset sisäiset yhteisöt — ihmiset, jotka välittävät asiasta tarpeeksi edistääkseen työtä ilman, että heitä siihen erikseen kehotetaan — etenevät yleensä nopeammin ja uskottavammin kuin pelkät ylhäältä johdetut ohjelmat.
Olen itse perustanut tiimiini pienen tekoälytyöryhmän, johon kuuluu projektipäälliköitä eri puolilta maailmaa ja jotka ovat todella innostuneita kehittämään tekoälymenetelmiämme jatkuvasti.
Tekoäly mahdollistajana, ei korvaajana — ja miltä tämä näyttää käytännössä
Yksi johdonmukaisimmista ammattilaisten esiin tuomista uudelleentulkinnoista koskee muutosta siinä, miten tekoäly itsessään luokitellaan. Chamberlain kertoo, mihin hänen työryhmänsä palaa jatkuvasti: "Tekoäly ei ole työkalu. Se ei ole menetelmä. Se on mahdollistava toiminto. Pohjimmiltaan se on mahdollistava menetelmä, jonka avulla voimme tehdä asioita nopeammin, paremmin ja tehokkaammin. Sen tarkoituksena ei ole korvata mitään. Sen tarkoitus on mahdollistaa nopeus ja laatu. Mutta se edellyttää edelleen ihmisiä."
Tällä kehystyksellä on merkitystä, koska se muuttaa sitä, mitä organisaatiot pyrkivät rakentamaan — ei korvaamista vaan vahvistamista. Debelov tarjoaa konkreettisen esimerkin siitä, miltä tämä näyttää, kun lupa käyttää tekoälyä täysimääräisesti todella annetaan. Hänen organisaationsa otti käyttöön yhdeksän digitaalista agenttia soittamaan tekoälyn avulla puheluita yli sadalle paikalliselle yritykselle: "Ne [agentit] sopivat 15 tapaamista kumppaneiden kanssa, ja näistä 15:stä tuli uusia kumppaneita paikallisesti. Agenttien puheluiden kokonaiskustannukset olivat noin 50 dollaria. Kun teimme samanlaista yhteydenottoa viimeksi ihmisten avulla, saman tapaamismäärän sopiminen maksoi meille noin 1 500 dollaria."
Teknologia ei ollut uutta. Uutta oli päätös käyttää sitä. Debelovin näkemys siitä, mikä todella jarruttaa useimpia organisaatioita, on yksiselitteinen: "Kuilu ei ole tekninen. Kyse on luvasta."
Käyttöönoton mittaaminen oikealla tavalla
Jos tavoitteena on todellinen kyvykkyys näkyvän sääntöjenmukaisuuden sijaan, mittaamisen on heijastettava sitä. Margolin kuvailee omaa mittapuutaan näin: "Mittaa tekoälyn käyttöönottoa tuotetun työn laadun perusteella, en kehotteiden tai työkaluihin kirjautumisten määrän perusteella." Kirjautumismääriä ja käyttötilastoja on helppo manipuloida, ja ne kertovat hyvin vähän siitä, parantaako tekoäly todella työn laatua.
Mittaa tekoälyn käyttöönottoa tuotetun työn laadun perusteella, en kehotteiden tai työkaluihin kirjautumisten määrän perusteella.
Mann tarjoaa samankaltaisen tuloksiin keskittyvän testin: "Nopeutuiko tai selkiytyikö prosessi tai vähenivätkö virheet ilman laadun heikkenemistä? Jos ei, tekoälykerros on todennäköisesti vain hälyä." Kysymys ei ole siitä, käytettiinkö tekoälyä. Kysymys on siitä, paraniko työ. Organisaatiot, jotka mittaavat ensin mainittua väittäessään välittävänsä jälkimmäisestä, tuottavat jatkossakin saman tuloksen — pinnallista käyttöönottoa, josta ei koskaan muodostu todellista kyvykkyyttä.
Kuilun umpeen kurominen oikealla tavalla
Tekoälytaitojen kuilun umpeen kurominen ei ole ensisijaisesti tekninen haaste tai edes koulutushaaste. Se on johtamisen haaste. Todellista edistystä tekevät organisaatiot eivät ole niitä, joilla on kehittyneimmät työkalut tai tiukimmat määräykset — ne ovat niitä, jotka ovat olleet rehellisiä käyttöönoton toteutumisen edellyttämistä kulttuurisista olosuhteista, täsmällisiä sen suhteen, mitä tekoälyn käyttö todella tarkoittaa kussakin roolissa, ja kurinalaisia mittaamaan tuloksia toiminnan sijaan.
Kuilu on todellinen, mutta niin on myös tie eteenpäin. Päätös tekoälyn käyttämisestä on jo tehty. Jäljellä on vaikeampi työ — sellaisen kulttuurin, täsmällisyyden ja mittausstandardien rakentaminen, jotka tekevät tästä päätöksestä jotain, mikä todella juurtuu. Haluatko lisää tällaisia näkemyksiä? Rekisteröidy maksuttomalle DPM-tilille kuullaksesi lisää näiden kaltaisilta asiantuntijoilta.
