חברות קונות רישיונות לבינה מלאכותית, פורסמות הדרכות, חוגגות שיעורי השלמה, ואז צופות באותם צוותים מעתיקים נתונים ידנית, רודפים אחר עדכוני סטטוס במייל ובונים מחדש דוחות בכל חודש. זהו דפוס הביזבוז. הכלי שם, ההוצאות אמיתיות, אבל העבודה בקושי זזה כי המודל הישן עוקב אחר חשיפה, לא אחר שינוי. תג לא אומר לך אם אנליסט פיננסי סגר מהר יותר. נוכחות לא אומר לך אם מנהל פרויקט קידם החלטה חסומה במחצית הזמן. ואם אינך יכול להראות דקות שהוחזרו פחות שגיאות או פעולה מהירה יותר, בינה מלאכותית נשארת שורת עלות. אז, בסרטון הזה, אני רוצה להפוך את מודל המדידה לפשוט. זמן שנחסך, מהירות שהושגה, שגיאות מובחתות, לא בתיאוריה, בתוך משימות אמיתיות. שם מתחיל להופיע החזר ההשקעה ROI. המודל הישן נשבר. מדוע מדדי השמחה לא מראים החזר השקעה ROI? רוב תוכניות ההדרכה, לבינה מלאכותית, עדיין פועלות לפי מודל התאימות. אנשים משתתפים בפגישה, מסיימים מודול, אולי עוברים בוחן, ואז ההנהלה מקבלת לוח מכוונים מלא במספרים מסודרים. שיעור השלמה, השתתפות, ביטחון עצמי מדווח.

זה נראה מסודר, וזו בדיוק הבעיה, כי מדדים מסודרים יכולים להסתיר מציאות מבולגנת, במיוחד כאשר העבודה עצמה לא השתנתה כלל לאחר סיום ההדרכה. מה שקורה בדרך כלל הוא פשוט. צוות לומד מהי הנחיה, רואה כמה הדגמות גנריות, ואז חוזר לאטלוק, אקסל, טימס ותהליכי עבודה של דיווח שעדיין פועלים בדרך הישנה. האדם אולי יודע יותר על בינה מלאכותית מבעבר, אבל הדוח החודשי עדיין לוקח יותר מדי זמן. המסירה עדיין נקטעת, המעקב עדיין תלוי בכך שמישהו יזכור לשלוח אותו. אז, הפער אינו רק ידע, אלא התנהגות משימות. ורמה אחת עמוקה יותר, כאן רוב החברות מאבדות את העניין. הן מודדות רע שימוש במקום תחיסת עבודה. מחקר בקבוצת המקור שלך מצביע על פער עצום בין משתמשים טיפוסיים למשתמשים מתקדמים בערך פי ארבעה עד חמישה בפריון. משמעות הדבר היא שמספרי אימוץ ממוצעים כמעט ולא אומרים לך כלום. חברה יכולה לומר, אנשים משתמשים בבינה מלאכותית, ועדיין לפספס את העובדה שרק קבוצה קטנה הופכת את השימוש הזה לתפוקה מהירה יותר. זו הסיבה ששיעורי ההשלמה מרגישים בטוחים, אבל לא מוכיחים ערך.

הם אומרים לך שמישהו סיים את ההדרכה. הם לא אומרים לכם אם חבילת דיווח עברה מממ מינוס 20 דקות למד מינוס 45 שניות בחלק מהתהליך, שהוא אחד מנקודות המידה הפיננסיות במחקר. הם לא אומרים לכם אם עובדים מקבלים בחזרה קף מינוס 9 שעות בחודש בממוצע, דבר שמופיע במספר מחקרי קו פיילות. והם בהחלט לא אומרים לכם אם החלטה מתקדמת כעת פי שמונה מהר יותר, או האם הזמן לתובנה ירד בית מינוס 88% ביישום מדוד. אלה אותו תוצאה. כל השאר מוגדר מראש.

לא יכולים להוכיח שינוי מאוחר יותר. מחקר בחומר שלכם מראה שין מינוס 95% מפיילותים של בינה מלאכותית ארגונית לא הניבו השפעה מדידה על רווח והפסד. לא בגלל שהכלים נכשלו מעצמם, אלא בגלל שארגונים דלגו על החלקים הקשים. עיצוב מחדש של זרימת עבודה, בעלות ומדידה לפני תחילת העבודה. אם אינכם יודעים כמה זמן ערכה המשימה לפני שדרוג המיומנויות, אינכם יכולים להגן על אף טענה לאחר הפריסה. זה נקלט אצלי כשבדקתי איך מנהיגים מדברים על אימוץ. הם שואלים לעיתים קרובות, כמה אנשים השתמשו בקופילות החודש? זה נשמע הגיוני, אבל זו השאלה הלא נכונה. השאלה הטובה יותר היא, איזו משימה הפכה קצרה יותר, נקייה יותר או מהירה יותר להכרעה? כי שימוש בתדירות גבוהה יותר בבינה מלאכותית אינו זהה לדחיסת עבודה. אדם יכול להורות כל היום ועדיין ליצור עבודות חוזרות, עיכובים ודפוקות חלשות שמישהו אחר צריך לתקן. לכן, הדרכה צריכה לצאת מדלי האוריינות הגנרית ולעבור ליכולות מבוססות תפקידים. לא ללמוד בינה מלאכותית. למד כיצד לבנות הסבר שונות מהר יותר. למד כיצד להפוך רעש פגישות למעקב מוכן לפעולה.

למד כיצד לקצר את זמן הטיפול בכרטיסים מבלי לפגוע באיכות. ברגע שמפסיקים את לוגיקת התגים ועוברים ללוגיקת זרימת עבודה, החזר ההשקעה, ROI, הופך להיות הרבה יותר קל לצפייה. מודל המדידה מסגרת הדקות המשוחזרות. לכן, ברגע שמפסיקים למדוד הדרכה כנוכחות, צריך מודל שקושר התנהגות לכסף. שימרו על זה פשוט. החזר ההשקעה שווה לזמן שנחסך כפול עלות שעתית וקצב אימוץ. לאחר מכן מוסיפים את הערך של פחות טעויות והחלטות מהירות יותר ומכסירים את ההשקעה בשיפור המיומנויות. זה המבנה כולו. לא מושלם, אבל שמיש. וזה חשוב עוד יותר, כי רוב הדיונים על החזר השקעה, ROI, של בינה מלאכותית קורסים, כאשר המתמטיקה הופכת למופשטת מדי מכדי שמנהלים יוכלו לסמוך עליה. במילים פשוטות עוד יותר, אתם לא קונים בינה מלאכותית, אתם קונים בחזרה שעות עבודה, ואתם מנסים להעביר את השעות האלה לעבודה שחשובה יותר. ניתוח, תכנון, הסלמה, תגובת לקוחות, שיקול דעת טוב יותר. אם השעות נעלמות בזמן רפא, הערך נחלש. אם השעות האלה חוזרות לעסק כתפוקה מהירה יותר, או כהחלטות טובות יותר, הערך מתגלה.

התחילו עם זמן החזרה, כי זה הסיגנל הנקי ביותר. מידדו את השעות שנחסכו לכל עובד במשרה מלאה לחודש. אבל רק בתוך זרימות עבודה בעלות שם, בינה מלאכותית לא עזרה קצת. זה חסר תועלת. עקבו אחר משימה אחת, ניקוי נתונים באקסל, ניסחו פתק שונות חודשי, בניית סיכום פגישה ורשימת פעולות, ואז השבו זמן ידני מול זמן בסיוע בינה מלאכותית באותם תנאים. אותו תפקיד, אותה משימה, אותה רמת מורכבות. כך נמנעים ממתמטיקה פנטסטית. הדבר שרוב האנשים מפספסים הוא שממוצעים יכולים לעבות את התמונה במהירות. אדם אחד עשוי לחסוך 15 דקות, אחר עשוי לחסוך שעתיים. לכן, אל תתחילו עם הנחות כלליות על פני כל החברה. התחילו ברמת זרימת העבודה, ואז גללו כלפי מעלה. אם אנליסט פיננסי חוסך אפילו סכום קטן במשימה שחוזרת על עצמה פעמים רבות בכל חודש, השעות המוחזרות מצטברות. מחקר במערך המקורות שלכם מראה שאפילו חיסכון חודשי צנוע יכול להצדיק את הרישיון במהירות כאשר הערך השעתי של העובד גבוה מספיק. לאחר מכן, הוסיפו את מהירות ההחלטה. זה חשוב מכיוון שהרבה ערך של בינה מלאכותית לא מתבטא בצמצום עבודה פשוט.

ומתבטא בפיחות המתנה בין בעיה לפעולה. מידדו את זמן המחזור מהבעיה שזוהתה ועד להחלטה הבאה שהתקבלה. בצוותים מסוימים, זה אומר מפגישה ועד מעקב. באחרים, משונות שסומנה ועד לתגובת ההנהלה. ומכיוון שקל לזייף זאת עם סיפורים מאורפלים, השתמשו בזמני תרום הדרכה ואחרי ההדרכה. אותו צוות, אותו סוג החלטה, אותו נתיב אישור. יש לכם תמיכה לכך במחקר. חלק מהארגונים דיווחו על החלטות מהירות פי שמונה ועל זמן קבלת תובנות שירד בית מינוס 88% לאחר אימוץ בינה מלאכותית. עכשיו, אסור לכם לזרוק את המספרים האלה כאל הבטחות אוניברסליות מכיוון שהם תלויים בזרימת העבודה ובהגדרה. אבל הם כן מראים מה קורה כאשר בינה מלאכותית מפחיתה את החיכוך בין ניסוף מידע לפעולה. וזה החלק שמנהלים דואגים לו מכיוון שההחלטות איטיות בדרך כלל עולות יותר מיצירת מסמכים איטית. לאחר מכן, בחרו מדד נוסף המבוסס על התפקיד. צמצום שגיאות עובד היטב בזרימות כספיות או כבדות תעימות. תפוקה עובדת היטב בתפעול שירות. עלות להחלטה יכולה לעבוד עבור תהליכי ניהול שבהם אותה בעיה ממשיכה לגרור אנשים רבים לתוך הלולאה.

העניין הוא לא ליצור לוח מכוונים ענק, אלא להתאים מדד איכות או תפוקה אחד לזרימת העבודה כך שמהירות לא תסתיר עבודה גרועה. עכשיו, משמעת בסיסית. זהו החלק שכמעט כולם רוצים לדלג עליו כי הוא מרגיש משעמם. וזו בדיוק הסיבה שכל כך הרבה תביעות החזר השקעה מתפרקות מאוחר יותר. לפני האימון, מדדו את זמן המשימה, ספרו את העבודה החוזרת, תעדו כמה זמן לוקח להסרה. לאחר מכן, הפעילו את אותו המבחן לאחר שדרוג מיומנויות ממוקד. אם המשימה השתנתה, שימו לב לכך. אם הנפח השתנה, שימו לב לכך. אם איכות הנתונים השתפרה, שימו לב לכך. השוואות נקיות מגנות על המקרה כולו. אימוץ עדיין חשוב, אבל כמכפיל, לא כגביה. רישיון שלא פעיל גורר את המודל למטה. מחקרים במקורות שלך מראים כי ניצול פעיל של מושבים בארגונים גדולים עומד בממוצע על 55 אחוזים, מה שאומר שהרבה קיבולת בתשלום לעולם לא נכנסת לתהליך העבודה. לכן אל תשאלו רק האם משתמשים יתחברו. שאלו האם ההתנהגות המאומנת הופיעה שוב ושוב במשימת היעד. זהו אות האימוץ שכדאי לעקוב אחריו. ועוד הבחנה אחת חשובה, זמן ברוטו שנחסך אינו זהה לערך שנוצר.

אם אנליסט חוסך שעה, שעה זו חשובה רק כשהוא עובר לניתוח מעמיק יותר, הסלמה מהירה יותר, תכנון טוב יותר או יותר עבודה עם לקוחות. אז המודל המלא הוא באמת כזה, לטבוע בחזרה את הדקה, ואז לפרוס אותה מחדש. כך בינה מלאכותית מפסיקה להיראות כמו הוצאות תוכנה ומתחילה להיראות כמו מינוף תפעולי. אבל היכן שהחזר ההשקעה מופיע ראשון, שלושת התפקידים עם צפיפות החזר ההשקעה הגבוהה. ברגע שהמודל ברור, השאלה הבאה היא היכן להתחיל. לא עם כולם, לא עם המחלקה הרועשת ביותר. התחילו היכן שהעבודה חוזרת על עצמה, עמוסה במסמכים ועמוסה בהחלטות קטנות שמעטות את כל מה שסביבם. שם מתפתחת שדרוג המיומנויות של בינה מלאכותית. אתם מאמנים התנהגות אחת, היא מופיעה עשרות פעמים בכל שבוע,

הטעמות ומחזורי דיווח שמענישים על מאמץ ידני. הם חיים באקסל, הם מנקים קלטים, משווים גרסאות, מסבירים תנועה והופכים מספרים גולמיים למשהו שההנהלה יכולה לפעול עליו. זה בדיוק סוג העבודה שבו מיומנויות בינה מלאכותית מבוססות תפקידים יכולות להפחית את הגרירה במהירות מכיוון שהחיכוך בדרך כלל אינו שיפוט מעמית. זוהי העבודה שלפני שיפוט, איסוף, עיצוב, ניסוח, בדיקה, כתיבה מחדש. במחקר, צוותי פיננסים מדווחים על חיסכון חודשי חזק וכמה פיילוטים מראים שעבודת הדיווח יורדת ממחזורים ידניים ארוכים לטיוטות ראשונות מהירות בהרבה. דפוס זה חשוב יותר מכל מספר כותרת. אנליסטים לא מפסיקים להיות אנליסטים, הם מפסיקים להשקיע כל כך הרבה זמן בבניית הגרסה הראשונה של הפלט. כאשר השינוי הזה נוחת היטב, רואים החזרה אמיתית של קיבולת, לעתים קרובות בטווח של 30% עד 50% עבור משימות ממוקדות ומחזורים סגורים מתחילים לנוע עם פחות הרבוב בסוף. מנהלי פרויקטים הם אזור נוסף של החזר השקעה, ROI, אך מסיבה אחרת, עבודתם נקברת תחת אומס תאום, איסוף סטטוס, סיכומי פגישות, מעקב אחר פעולות, יומני סיכונים, מעקבים ועדכוני בעלי עניין.

שום דבר מזה אינות ריאלי, וכל זה יוצר עיכוב כאשר המידע נמצא בצ'טים, בדיונים או בהערות חצי גמורות במקום לעבור להחלטות. לכן, כאשר מנהלי פרויקטים מאומנים להשתמש בבינה מלאכותית בתוך זרימת העבודה, ולא כניסוי צדדי, הרווח מתבטא בזרימה. מחזור הכנה שבועי שבעבר גוזל 6 שעות יכול לרדת לי שעתיים כאשר סיכומים, חילוץ פעולות ועדכוני טיוטות מתרחשים בתוך הכלים שהם כבר משתמשים בהם. חשוב מכך, הפלט מגיע במצב טוב יותר לפעולה. אנשים לא צריכים לשחזר את מה שקרה בפגישה. הם יכולים לראות את הסיכון, את הבעלים, את הדד ליין ואת הצעד הבא. זו הסיבה שמחזורי החלטות יכולים לנוע מהר יותר בית מינוס 25% עד 40% בסביבות אלה. המהירות לא נובעת מהקלדה מהירה יותר, היא נובעת מהפחתת העיכוב בין דיון לביצוע. לאחר מכן יש תפעול ותמיכה בחזית שבהם נפח העבודה עושה את רוב העבודה הכלכלית. צוותים אלה מטפלים בשאלות חוזרות ונשנות, תקשורת חוזרת ונשנית, החזור ידע, סיכומי מקרים ומעבר מתמיד בין מערכות. חיסכון קטן חשוב כאן משום שהוא מתרחש כל היום. אם זרימת עבודה של תמיכה יורדת ממ-12 דקות למד-7, הפער הזה חוזר על עצמו על פני מאות או אלפי אינטראקציות, ופתאום התפוקה עולה ללא התשובה הרגילה שהיא גיוס אנשים נוספים.

כאן גם לחץ האיכות הופך למציאותי. הצוות לא יכול פשוט לנוע מהר יותר, הוא צריך להישאר במסגרת היד, להישאר מדויק ולשמור על איכות תגובה יציבה. זו הסיבה שתפקידים אלה נהנים מדפוסי הנחיות צפופים יותר, ומקרי שימוש מצומצמים יותר בשלב מוקדם. ניסחו את התגובה, איספו את הידע הנכון, סכמו את המקרה, תנו לאדם לאשר את מקרי הקצה. כאשר המשמעת הזו קיימת, רווחי התפוקה בטווח של 20% עד 40% מתחילים להיראות המינים לא מנופחים. לכן, כלל הבחירה הוא פשוט. אל תחזרו את ההדרכה באופן שווה על פני הארגון כי זה מרגיש עוגן. שימו את זה במקום שבו בינה מלאכותית מרכיבה את התפוקה באמצעות חזרה, תיעוד ואומס החלטות. מימון נותן לכם תחיסה מדידה בהכנת ניתוח. ניהול פרויקטים נותן לכם תנועה מהירה יותר באמצעות תאום. תפעול ותמיכה נותנות לכם רווחי נפח עם מדדי שירות ברורים. תפקידים שונים, אותו דפוס. העבודה נעה עם פחות חיכוך מכיוון שהמידע מגיע קרוב יותר למוכן לקבלת החלטה. וזו ההדשה להמשיך להשתמש בה כשאנחנו עוברים לדוגמאות מכיוון שהסיגנל מתחזק כשמפסיקים לשאול מי השתמש בכלי ומתחילים לשאול איזו זרימת עבודה התקצרה.

הוכחה בזרימת העבודה שלושה מקרים קונקרטיים של לפני ואחרי. אז בואו נהיה ספציפי מכיוון שזו הנקודה שבה החזר ההשקעה, ROI, של בינה מלאכותית, הופך להיות בר הגנה או לארפל בחדרי ישיבות. קחו קודם כל את הפיננסים. לפני שדרוג מיומנויות ממוקד, מחזור דיווח חודשי יכול להימשך על פני חמישה ימים, לא בגלל שהניתוח עצמו אורך חמישה ימים, אלא בגלל שאנליסטים משקיעים יותר מדי זמן בייחוד מספרים, בדיקת עיצוב, ניסוח פרשנות וכתיבה שוב ושוב של אותו סגנון הסבר שונות. ההתנהגות המאומנת משנה את הרצף הזה. במקום להתחיל מדף ריק, האנליסט משתמש בבינה מלאכותית כדי לנסח את מעבר הפרשנות הראשון, לסכם תנועה בין קטגוריות ולבנות את ההסבר לסגירה. הסגירה לא נעלמת. האנליסט עדיין מאמת את המספרים, אבל הגרירה הידנית יורדת והמחזור יכול לעבור מממינוס חמישה ימים למד מינוס שניים ימים. הרווח האמיתי הוא מה שקורה אחר כך. השעות שהתאוששו לא חוזרות לדיווח יפה יותר. הן מועברות לתכנון תרחישים, סקירת חריגים ומעקב מהיר יותר עם מקבלי החלטות. עכשיו, תסתכלו על ניהול פרויקטים.

הבעיה הבסיסית בדרך כלל אינה חוסר מאמץ. זה פיצול. הערות במקום אחד, פעולות במקום אחר, סיכונים קבורים בפגישה שאין לאף אחד זמן לצפות בשוב. מנהל פרויקטים יכול בקלות לבלות שש שעות בשבוע רק על העברת סטטוס לצורה שמישה. לאחר שדרוג מיומנויות מבוסס תפקידים, זרימת העבודה משתנה. הערות פגישה מסוכמות בתבנית עקבית. פעולות נשלפות עם בעלים ומועדים אחרונים. סיכונים וחוסמות סצים מוקדם יותר, מכיוון שמנהל הפגישה לא בונה אותה מחדש ידנית לאחר מעשה. זמן ההכנה הזה יכול לרדת מ-6 שעות למד-2, והניצחון הגדול יותר הוא במורד הזרם. הסלמות מתרחשות מוקדם יותר. בעלי עניין מקבלים עדכונים שמוכנים לפעולה. פחות החלטות נתקאות מכיוון שהמעקב מגיע באיחור, לא שלם או לא ברור. מה שהשתנה לא היה תואר מנהל הפגישה. המהירות שבה המידע הפך לשימושי הייתה עצמה. לאחר מכן יש את התמיכה והתפעול, שבהן המתמטיקה הופכת לגלויה מאוד מהר מאוד. התחילו עם מקרה משותף. זמן הטיפול הממוצע עומד על 12 דקות, מכיוון שאנשים מחפשים את התשובה הנכונה, כותבים את התגובה מאפס, מסכמים את המקרה, ואז עוברים לתיק הבא שכבר נמצא מאחוריו.

לאחר שדרוג מיומנויות ממוקד, הסוכן משתמש בבינה מלאכותית לתגובות טיוטה, החזור מהיר יותר מהידע שאושר, וסיכומי מקרים מובנים שמפחיתים חיפוש חוזר. זמן הטיפול יכול לרדת מממינוס 12 דקות למד מינוס 7. זה משנה בפני עצמו, אבל הסימן החזק יותר הוא היציבות האחרת. יותר מקרים נפטרים בתוך היעד. איכות התגובה הראשונה משתפרת, מכיוון שהתשובה מתחילה מטיוטה המבוססת, במקום כתיבה ידנית חפוזה. והצוות מקבל מרחב נשימה, מבלי להוסיף ספירת עובדים. בכל שלושת המקרים, המבנה נשאר זהה. אתם מתחילים עם משימה בסיסית. אתם מאמנים את ההתנהגות בתוך אותה משימה. זרימת העבודה מתקצרת. לאחר מכן, הקיבולת המשוחררת עוברת למקום שימושי. המבנה החוזר הזה חשוב, מכיוון שהוא שומר על כנות המקרה העסקי. אתם לא טוענים לקסם. אתם מראים לאן הזמן הלך, מה השתנה, ומה הצוות עשה עם הרווח. אבני המידה החיצוניות במחקר, שלחת תומכות בדפוס זה, מבלי להחליף הוכחות פנימיות. במחקרי Microsoft Copilot, משתמשים מדווחים על חיסכון זמן חודשי ממוצע, וחלק גדול מדווח על הגאה מהירה יותר לטיוטה ראשונה טובה.

בפריסות מדודות, צוותים מדווחים גם על זמן מהיר יותר לקבלת תובנות, ומהירות קבלת החלטות טובה יותר, כאשר בינה מלאכותית, קשורה לזרימת עבודה אמיתית, במקום להיות שפה כעוזר לשימוש כללי. אותות אבני המידה הללו שימושיים, משום שהם מראים שהתוצאה הפנימית שלך אינה מבודדת, אלא עליה לתמוך בטענה לא לשאת אותה. וזה מה שמנהיגי התחום צריכים. אל תשאלו האם בינה מלאכותית נגעה בתהליך. שאלו האם התהליך מתקדם כעת עם פחות עיכוב, פחות עבודות חוזרות וניצול טוב יותר של אנשים מיומנים. בכל אחד מהמקרים הללו, בינה מלאכותית לא הסירה את התפקיד. היא הסירה את הפער בין הגעת המידע לתחילת הפעולה. זה היתרון. אבל זה תקף רק אם המערכת סביבה נשלטת. כי ברגע שהפלטים נסחפים, המקורות מתבלבלים, או שאנשים מתחילים לאלטר בזרימות עבודה בסיכון גבוה, הרווח לכאורה יכול להיעלם תחת עבודת תיקונים נסתרת. הממשל הקשוח שמגן על החזר ההשקעה, ROI. עכשיו, החלק שהרבה תוכן בתחום הבינה המלאכותית מדלג עליו, כי הוא נשמע פחות מרגש מאשר שיפורי פרודוקטיביות. ממשל. אבל אם משמיתים את זה, מודל הרוי שלכם הופך רך מהר, מכיוון שתפוקות גרועות יוצרות עבודת סקירה נסתרת, החלטות חלשות וסיכון שאף אחד לא תמחר בהתחלה.

התחילו עם גבול הנתונים. בינה מלאכותית צריכה לעבוד רק עם מקורות נתונים מאושרים תחת כללי גישה ברורים עם קלטים שאנשים יכולים לסמוך עליהם. אם המקור מיושן, מבולגן או נמשך מהמקום הלא נכון, הפלט עשוי להיראות מלוטש ועדיין לדחוף את הצוות לכיוון הלא נכון. זה יקר. לא תמיד בצורה נראית לעין, אלא בבדיקות שניות, איבוד חוזר, אישורים מתעכבים ואובדן אמון. לכן, כלל ההפעלה צריך להישאר פשוט. נתונים מבוקרים נכנסים, פלט ניתן לסקירה יוצא. לאחר מכן, שימרו על האדם בלולאה שבה נמצאת האחריות בפועל. בינה מלאכותית יכולה לנסח, היא יכולה לסכם, היא יכולה להציע דפוסים, אבל אישורים, חריגים והחלטות סופיות עדיין שייכים לאנשים. זו לא זהירות לשמה, זו הדרך שבה אתם מגנים על איכות ההחלטות ועדיין מקבלים את יתרון המהירות. במיוחד במימון, סיכוני פרויקטים, מקרי לקוח, או כל דבר עם השלכות רגולטוריות, מי שהוא צריך להיות אחריי על השיפוט, לא רק על ההנחיה. כאן עוזר קריאת מקרי שימוש. עבודה בסיכון נמוך מתקדמת, תחילה, סיכומים,

שבה בינה מלאכותית עוזרת לבנות את החשיבה, אך לא סוגרת את הלולאה לבדה. אוטומציה בסיכון גבוה נשארת צרה, ומבוקרת כי ברגע שתהליך העבודה נושא סיכון פיננסי, משפטי או שירות, העלות של פלט שגוי מטפסת במהירות. בלי קריאה זו, חברות מתשתשות הכל יחד. הן מתייחסות לסיכום פגישה ולנתיב קבלת החלטות רגיש, כאילו הם נושאים את אותו סיכון. הן לא, וכאשר אנשים לא יכולים לראות את הגבול, הם רואו סומכים יתר על המידה על הכלי או נמנעים ממנו לחלוטין. שניהם הורסים ערך. גם סטנדרטים חשובים. הנחיה האקראית מייצרת עבודה אקראית. אם כל עובד ממציא את הדרך שלו לבקש סיכומים, טיוטות וניתוחים, האיכות מתפשטת לכל עבר, ומנהלים בסופו של דבר בוחנים הבדלי סגנון במקום ערך עסקי. מפוסי הנחיות משותפים, מדריכי תפקידים ודוגמאות פשוטות מפחיתים את הסחיפה הזו. לא בגלל שהנחיות אין האסטרטגיה, אלא בגלל שהתנהגות חוזרת מפחיתה את כמות העבודה החוזרת. המדידה גם לא יכולה להיפסק לאחר הפריסה. אתם זקוקים לתצוגה חיה של זמן שנחסך עומק האימוץ, שיעורי החריגים, עיבוד חוזר וכל ירידה באיכות הפלט.

אחרת, הרווחים המוקדמים יכולים להשוות דעיכה מאוחרת יותר. צוות עשוי להיראות מהיר יותר על הנייר, בעוד שעבודת התיקון מצטברת במקום אחר. זו לא החזר השקעה ROI, זוהי עלות שהוא עברה לחלק אחר של המערכת. וזוהי הנקודה הניהולית. ממשל לא מעט ערך, הוא מגן על ערך מפני הגזמה. מנהיגים לא מממנים את מה שמרגיש חכם, הם מממנים את מה שהם יכולים לבקר, להשוות ולהגן כאשר התוצאות מוטלות בספק. לכן, אם תוכנית הבינה המלאכותית שלכם יכולה להציג תשומות נקיות, בעלות ברורה, שכבות הגיוניות ותוצאות מדודות, היא מפסיקה להיראות כמו ניסוי ומתחילה להיראות כמו משמעת תפעולית. ברגע שפקרות אלו מובנות במודל, הרחבת השימוש בבינה מלאכותית מפסיקה להיראות כמו הימור על התלהבות ומתחילה להיראות כמו בחירה עסקית מנוהלת. קנה מידה ללא בזבוז. כיצד להתרחב מפיילוט למודל תפעולי. לאחר מכן, הטעות הבאה היא קנה מידה מוקדם מדי. פיילוט מראה פוטנציאל, ההנהגה מתרגשת, ואז רישיונות מתפשטים ברחבי החברה לפני שמישהו נעל את התבנית שהביאה בפועל לתוצאה. שם הכסף דולף.

לא בגלל שהכלי הפסיק לעבוד, אלא בגלל שמודל ההפעלה מעולם לא נוצר סביבו. נתיב טוב יותר מתחיל בקטן וספציפי. בחרו שלוש עד חמש זרימות עבודה לכל תפקיד יעד. לא עשר, לא כל מקרי שימוש אפשרי, רק זרימות עבודה עם נפח חוזר, חיכוך גלוי ורלוונטיות עסקית ברורה. כוונו את קו הבסיס לפני שמשהו משתנה. לאחר מכן, הכשירו אנשים במשימה עצמה, לא בסיור כללי של תכונות. אנליסט פיננסי לא צריך שיעור רחב באפשרויות של בינה מלאכותית תחילה, הוא צריך לדעת כיצד לקצר ניסוח הערות, כיצד לנקות גיליון אלקטרוני חוזר מהר יותר, וכיצד לבנות סקירת שונות עם פחות הלוך ושוב. לאחר מכן, הפעילו מחזורי פיילוט קצרים עם שערי הצלחה קשים. האם שעות ששולמו הופיעו? האם זמן המחזור ירד? האם האיכות נשארה יציבה? האם משתמשים שאומנו המשיכו להשתמש בתבנית לאחר השבוע הראשון? אלה הסימנים שחשובים. אם השימוש הפעיל יורד או אם איבוד חוזר עולה, אל תרחיבו עדיין. תקן תחילה את זרימת העבודה, את ההדרכה או את התמיכה. צמיחה ללא משמעת זו רק מפחיתה את הבלבול. מה שעוזר כאן הוא בניית חבילות הוכחה שמדברות את השפה של כל בעל עניין.

מנהל הכספים רוצה תצוגה מתונחרת של עבודה מוחזרת ובזבוז שנמנע. מנהל התפעול הראשי רוצה תנועה בזמן המחזור, התפוקה והאמינות השירות. מנהלי קו רוצים לדעת האם הצוות יכול לספוג יותר עבודה, להגיב מהר יותר או להפחית ניהול ידני. לכן, אל תציגו טענות ספקים רחבות כשאתם מבקשים את השלב הבא. הציגו נתונים ברמת התפקיד מהסביבה שלכם הקשורים לזרימת עבודה אחת בכל פעם. גם התקציב צריך להשתנות. יותר מדי הוצאות על בינה מלאכותית עדיין מושקעות בהסמכה גנרית ובאירועי הדרכה חד פעמיים שמרגישים מאורגנים אך לא נצמדים. המודל החזק יותר משקיע כסף באימון מוטמע בזרימת עבודה, ספריות הנחיות משותפות וחיזוקים בהובלת מנהלים מכיוון שאלו המנגנונים שהופכים הדגמה שימושית להתנהגות חוזרת. גם מחקר במערך המקור שלכם מצביע בכיוון זה. ארגונים בעלי ביצועים גבוהים מוציאים יותר על תכנון תוכניות פנימי ותמיכה במנהלים ופחות על הסמכה חיצונית כתשובה העיקרית. ההתרחבות צריכה לעקוב אחר אשכולות תפקידים ורמות מקרי שימוש. אם צוות כספים אחד מוכיח ערך בתמיכה בדיווח והתאמה, עברו לזרימות עבודה פיננסיות סמוכים.

אם מנהלי פרויקטים מראים שיפורים בדיווח סטטוס ומעקב אחר פעולות, עברו לדפוסי תאום קשורים. סוג כזה של קנה מידה מחזיק מעמד. רישוי גורף קורא לעיתים רחוקות מכיוון שהשימוש מתפשט מהר יותר מהיכולת. והשאירו שאלה אחת לפני כל החלטת פריסה. האם זה שינה את אופן התנועה של העבודה? אם התשובה היא לא, יצרו כי הרווח לא נובע מהוספת גישה לבינה מלאכותית, הוא נובע משינוי הנתיב מקלט לפעולה באופן שהעסק יכול למדוד. אז השינוי פשוט. החזר השקעה, ROI, לא נובע מנפח ההדרכה. הוא נובע ממשימות קצרות יותר, החלטות מהירות יותר וביצוע נקי יותר בתוך העבודה שאנשים כבר עושים. בחרו זרימת עבודה אחת השבוע בתחומי הכספים, ניהול פרויקטים או תמיכה, מידדו את הגרסה הידנית מול הגרסה בסיוע בינה מלאכותית לאחר שדרוג מיומנויות ממוקד, הוצפו לאן הולכת הקיבולת המשוחזרת. אם זה שינה את האופן שבו אתם חושבים על בינה מלאכותית של מייקרוסופט, הרשמו לפודקאסט M365FM, השאירו ביקורת, צרו איתי קשר, מרקו פיטרס, בלינקטין, ושילחו לי את סבר הבקבוק הבא בזרימת העבודה שאתם רוצים לפרק.