Luka kompetencji AI: jak organizacje i liderzy ją zamykają
Zmiana kultury: Zamknięcie luki kompetencji AI wymaga zajęcia się kwestiami kulturowymi, a nie tylko zapewnienia szkoleń.
Konkretne zalecenia: Skuteczne zalecenia dotyczące AI muszą zapewniać jasność operacyjną, szczegółowo określając przepływy pracy i zakres odpowiedzialności niezbędne do pomyślnego wdrożenia.
Dostosowane nauczanie: Szkolenia dostosowane do konkretnych ról i skoncentrowane na natychmiastowych zastosowaniach zwiększają wdrażanie AI oraz sprzyjają zmianie zachowań w zespołach.
Koncentracja na wsparciu: AI należy postrzegać jako funkcję wspierającą, która zwiększa efektywność, a nie jako rozwiązanie zastępujące istniejące role.
Pomiar rezultatów: Ocena wdrożenia AI musi koncentrować się przede wszystkim na jakości wytwarzanej pracy, a nie tylko na wskaźnikach użytkowania.
We wszystkich branżach organizacje zmagają się z tą samą niekomfortową rzeczywistością: zainwestowały w narzędzia AI, wydały polecenia ich używania, a mimo to obserwują, że wdrażanie AI i tak utknęło w martwym punkcie.
Problemem nie jest technologia. Jest nim luka między dostępem a rzeczywistymi umiejętnościami — oraz rosnąca świadomość, że jej zamknięcie wymaga czegoś więcej niż tylko odgórnego nakazu.
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
Liderzy stojący na pierwszej linii tych działań na nowo zastanawiają się, jak rozwijać umiejętności, jak mierzyć stopień wdrożenia oraz co tak naprawdę oznacza osadzenie AI w sposobie pracy zespołów. Aby zrozumieć, jak organizacje radzą sobie z tym w praktyce, rozmawiałem z liderami z obszarów operacyjnych i zarządzania projektami o ich podejściu do zamykania tej bezprecedensowej luki w gotowości pracowników.
Prawdziwym problemem jest kultura, a nie tylko szkolenia
Skłonność do traktowania luki w umiejętnościach związanych z AI jako problemu z wiedzą jest zrozumiała, jednak zdaniem praktyków pomija ona przyczynę leżącą u podstaw. Moe Rosenfeld, CIO w eCopier Solutions, ujmuje to bezpośrednio: "Wdrażanie AI to zasadniczo problem kulturowy przebrany za problem szkoleniowy."
To, co wygląda na brak umiejętności, często jest w rzeczywistości brakiem bezpieczeństwa psychologicznego, niejasnymi oczekiwaniami lub środowiskiem przywódczym wysyłającym sprzeczne sygnały. Rosenfeld kontynuuje: "Firmy, które mają z tym trudności, zwykle odgórnie nakazują korzystanie z AI, jednocześnie wzbudzając w ludziach obawy przed jej używaniem. Nie można robić obu tych rzeczy naraz." Gdy wdrażanie staje się kryterium oceny wyników, zanim jeszcze stanie się wspieraną praktyką, ludzie uczą się wyglądać na zajętych, zamiast uczyć się pracować inaczej.
Graham Mann, założyciel SEOTakeoff, potwierdza tę obserwację: "Luka w wiedzy na temat AI pogłębia się, gdy organizacje traktują ją jako szkolenie z obsługi narzędzi. Przydatne szkolenie to szkolenie z przepływu pracy." Uczenie kogoś korzystania z platformy nie jest tym samym co nauczenie go, gdzie platforma ta pasuje do sposobu wykonywania przez niego pracy.
Luka w wiedzy na temat AI pogłębia się, gdy organizacje traktują ją jako szkolenie z obsługi narzędzi. Przydatne szkolenie to szkolenie z przepływu pracy.
Dlaczego niejasne nakazy dotyczące AI zawodzą — i jak wyglądają nakazy operacyjne
Nawet organizacje szczerze zaangażowane we wdrażanie AI często podważają własne działania, wydając polecenia zbyt szerokie, by można było je zrealizować. Mann ostrzega właśnie przed tym: "Unikałbym ogólnych nakazów dotyczących AI, takich jak „Każdy musi używać AI”. Prowadzą one do pozorowanego korzystania." W rzeczywistości Meta nadała pozorowanemu korzystaniu z AI konkretną twarz, gdy niedawno stała się viralem za sprawą ujawnionego wewnętrznego rankingu tokenów.
Gdy standard jest niejasny, ludzie spełniają jego literalne wymagania, nie zmieniając niczego istotnego. Ilya Margolin, konsultant ds. strategicznego wykorzystania AI i przepływów pracy związanych z danymi, wyjaśnia, czego wymaga prawdziwy nakaz: "Nakazy dotyczące AI muszą być sformułowane językiem operacyjnym. „Używaj AI” jest zbyt niejasne. Poważny nakaz wskazuje przepływy pracy, dozwolone narzędzia, dane objęte ograniczeniami, standard weryfikacji oraz osobę odpowiedzialną." Taka szczegółowość zmienia polecenie w coś, co ludzie mogą rzeczywiście wdrożyć.
Z drugiej strony Alexander Debelov, założyciel i dyrektor generalny Go X, opisuje organizację, która sprowadziła nakaz do jego możliwie najprostszej formy: "nakaz jest prosty: jeśli zadanie może wykonać agent, powinno tak być wykonane." Podczas gdy niektóre organizacje wciąż dyskutują, czy wdrażać AI, inne przyjęły domyślne założenie, że będzie ona używana, i na tej podstawie budują dalsze działania.
Nakazy dotyczące AI muszą być sformułowane językiem operacyjnym. „Używaj AI” jest zbyt niejasne.
Niebezpieczeństwo sytuacji pośredniej — w której istnieje zachęta, ale brakuje struktury — polega na tym, co Margolin wskazuje jako ciche ryzyko niezarządzanego eksperymentowania: "Ukryte indywidualne eksperymentowanie prowadzi do niespójnej jakości i ujawnienia danych. Wspólne standardy operacyjne zmieniają AI w powtarzalną zdolność."
Nauka dostosowana do roli i bliska procesowi decyzyjnemu
Jednym z najwyraźniejszych wzorców wśród liderów, którzy odnotowali sukces szkoleń z AI, jest ich konkretność — są one dostosowane do danej roli, danej decyzji oraz danego przepływu pracy.
Stein Janssen, dyrektor operacyjny, Poki, opisuje, jak wygląda to w praktyce: "Na przykład osoba zarządzająca projektem musi wiedzieć, jak stosować AI do działań związanych z określaniem zakresu, procesów przekazywania zadań i śledzenia problemów; natomiast osoba kierująca działem operacyjnym musi wiedzieć, jak wykorzystywać AI do zapewnienia spójności w całym procesie projektowania eskalacji."
Ogólne programy rozwijające kompetencje w zakresie AI mogą zwiększać świadomość, ale rzadko zmieniają zachowanie, ponieważ nie są zakotwiczone w problemach, które ludzie rzeczywiście próbują rozwiązać. Janssen mówi wprost, dlaczego bliskość ma znaczenie: "Ten rodzaj nauki musi odbywać się bardzo blisko miejsca podejmowania decyzji, ponieważ jeśli jest zbyt oddalony od tych procesów decyzyjnych, nauka stanie się teoretyczna i może nie doprowadzić do żadnej zmiany zachowania."
Sprawdzianem każdego szkolenia jest to, czy znajduje ono odzwierciedlenie w sposobie pracy danej osoby w kolejny poniedziałek — a jest to znacznie bardziej prawdopodobne, gdy szkolenie koncentruje się na decyzjach, które ta osoba już podejmuje.
Jak organizacje strukturyzują programy szkoleń z zakresu AI
Organizacje przyjmują różne podejścia do rozwijania kompetencji w zakresie AI na dużą skalę, a te najskuteczniejsze zwykle łączą podstawową wiedzę z pogłębionym, samodzielnym rozwojem.
Aniket Ghonge, starszy menedżer ds. łańcucha dostaw w Amazonie, opisuje podstawowy poziom: "Na każdym szczeblu organizacji dostępna jest jakaś forma szkolenia opartego na AI. Jest to bardzo podstawowe szkolenie, na przykład wyjaśniające, jakie są różne rodzaje AI. Jest ono dostępne dla wszystkich i obowiązkowe." Ten wspólny poziom podstawowej wiedzy ma znaczenie — tworzy wspólny słownik i gwarantuje, że nikt nie rozpoczyna rozmów o AI od zupełnego braku przygotowania.
Na każdym szczeblu organizacji dostępna jest jakaś forma szkolenia opartego na AI. Jest to bardzo podstawowe szkolenie, na przykład wyjaśniające, jakie są różne rodzaje AI. Jest ono dostępne dla wszystkich i obowiązkowe.
Dla tych, którzy chcą pójść dalej, Amazon stworzył odpowiednią ścieżkę: "Amazon zaczął również oferować pracownikom Amazona bezpłatne certyfikaty i kursy uniwersyteckie z zakresu uczenia maszynowego", zauważa Ghonge. "Sam zapisałem się na jeden z tych kursów. Jest to środowisko umożliwiające naukę we własnym tempie, w którym można poznać uczenie maszynowe i różne związane z nim koncepcje."
Na poziomie zespołów liderzy również budują własną infrastrukturę. Jeff Chamberlain, menedżer ds. usług szerokopasmowych i PMO w administracji hrabstwa Frederick, przyjął oddolne podejście: "Utworzyłem w swoim zespole niewielką grupę zadaniową ds. AI — grupę kierowników projektów z całego świata, którym naprawdę zależy na dalszym rozwijaniu naszych metod pracy z AI." Tego rodzaju wewnętrzne społeczności — tworzone przez osoby, którym na tyle zależy, by rozwijać pracę bez odgórnych poleceń — zwykle działają szybciej i cieszą się większą wiarygodnością niż same programy odgórne.
Utworzyłem w swoim zespole niewielką grupę zadaniową ds. AI — grupę kierowników projektów z całego świata, którym naprawdę zależy na dalszym rozwijaniu naszych metod pracy z AI.
AI jako wsparcie, a nie zastępstwo — i jak wygląda to w praktyce
Jednym z najczęściej powtarzających się wniosków praktyków jest zmiana sposobu kategoryzowania samej AI. Chamberlain opisuje, do czego wciąż wraca jego grupa zadaniowa: "AI nie jest narzędziem. Nie jest metodą. Jest funkcją wspierającą. W swojej istocie jest metodą wspierającą, która pozwala nam robić rzeczy szybciej, lepiej i skuteczniej. Nie ma zastępować czegokolwiek. Ma umożliwiać zwiększenie szybkości i jakości. Nadal jednak potrzebni są do tego ludzie."
To ujęcie ma znaczenie, ponieważ zmienia to, do czego organizacje próbują dążyć — nie do zastąpienia, lecz do wzmocnienia. Debelov podaje konkretny przykład tego, jak to wygląda, gdy faktycznie udzieli się pełnej zgody na korzystanie z AI. Jego organizacja wdrożyła dziewięciu agentów cyfrowych, aby wykonywali połączenia głosowe z wykorzystaniem AI do ponad 100 lokalnych firm: „Oni [agenci] umówili 15 spotkań z partnerami, a 15 z nich zakończyło się pozyskaniem nowych partnerów w terenie. Całkowity koszt połączeń wykonywanych przez agentów wyniósł około $50. Ostatnim razem, gdy prowadziliśmy taki sam kontakt z wykorzystaniem ludzi, umówienie tej samej liczby spotkań kosztowało nas około $1,500”.
Technologia nie była nowa. Nowa była decyzja o jej wykorzystaniu. Ocena Debelova dotycząca tego, co faktycznie powstrzymuje większość organizacji, jest jednoznaczna: „Luka nie ma charakteru technicznego. Chodzi o zgodę”.
Pomiar adopcji we właściwy sposób
Jeśli celem jest rzeczywista zdolność, a nie widoczna zgodność z wymaganiami, sposób pomiaru musi to odzwierciedlać. Margolin opisuje własny standard: „Mierzę adopcję AI poprzez jakość wykonanej pracy, a nie liczbę poleceń ani logowań do narzędzi”. Liczby logowań i wskaźniki wykorzystania łatwo zmanipulować, a ponadto niewiele mówią o tym, czy AI faktycznie poprawia jakość pracy.
Mierzę adopcję AI poprzez jakość wykonanej pracy, a nie liczbę poleceń ani logowań do narzędzi.
Mann proponuje podobny, skoncentrowany na rezultatach test: „Czy proces stał się szybszy, bardziej przejrzysty lub mniej podatny na błędy bez obniżenia jakości? Jeśli nie, warstwa AI jest prawdopodobnie tylko źródłem zakłóceń”. Pytanie nie brzmi, czy wykorzystano AI. Chodzi o to, czy praca uległa poprawie. Organizacje, które mierzą to pierwsze, twierdząc jednocześnie, że zależy im na tym drugim, będą nadal osiągać ten sam rezultat — powierzchowną adopcję, która nigdy nie przeradza się w rzeczywistą zdolność.
Zmniejszanie luki we właściwy sposób
Zmniejszanie luki w umiejętnościach związanych z AI nie jest przede wszystkim wyzwaniem technicznym ani nawet szkoleniowym. To wyzwanie przywódcze. Organizacje, które robią rzeczywiste postępy, nie są tymi, które mają najbardziej zaawansowane narzędzia lub najbardziej rygorystyczne wymagania — są to te, które uczciwie określiły warunki kulturowe niezbędne do przyjęcia AI, precyzyjnie wskazały, co faktycznie oznacza korzystanie z AI na każdym stanowisku, oraz konsekwentnie mierzą rezultaty, a nie aktywność.
Luka jest realna, ale realna jest również droga naprzód. Decyzja o wykorzystaniu AI już zapadła. Pozostaje trudniejsza praca — budowanie kultury, precyzji i standardów pomiaru, które sprawią, że ta decyzja przełoży się na coś, co rzeczywiście się utrzyma. Chcesz poznać więcej podobnych spostrzeżeń? Zarejestruj się, aby bezpłatnie założyć konto DPM i poznać opinie większej liczby ekspertów takich jak ci.
