Tekoäly löysi ongelman. Kyse on päätöksistäsi
Tekoälyn käyttöönotto: Alle 30 % tekoälyä käyttävistä organisaatioista saavuttaa merkittäviä tuloksia. Päätöksenteon uudistaminen on ratkaisevan tärkeää.
Tuottavuusteatteri: Tekoäly parantaa nopeutta, mutta ei päätöksentekoa. Organisaatiot joutuvat usein "ihminen mukana päätöskierrossa" -loukkuun.
Organisaation suunnittelu: Tekoäly edellyttää päätösrakenteiden muuttamista, ei vain työkalujen käyttöönottoa, jotta prosessit ja tulokset paranevat.
Käyttäytymiseen perustuva lähestymistapa: Ihmisten reaktiot ja prosessien eheys ovat tekoälyn käyttöönotossa keskeisiä, eivät pelkästään teknologian käyttöönotto.
Johtajuuden muutos: Tekoäly edellyttää perinteiset viitekehykset ylittävää mukautuvaa johtajuutta, jossa keskitytään ohjaamiseen hallinnan sijaan.
Alle 30 % tekoälyn käyttöönottoa yrittävistä organisaatioista saa siitä merkittävää hyötyä, ja luku on pysynyt itsepintaisesti ennallaan, vaikka työkalujen käyttöönotto on kiihtynyt.
Paul Gibbons, konsultti ja teoksen "Tekoälyn käyttöönotto: ihmiset etusijalla" kirjoittaja, on kolmen vuosikymmenen ajan seurannut teknologian käyttöönottojen epäonnistuvan saman perimmäisen syyn vuoksi.
Esteet ovat organisatorisia. Siilot, kulttuuri, ajattelutapa ja taidot.
Jälkianalyyseissä jää usein huomiotta tämä: organisaatio ei koskaan suunnitellut uudelleen tapaansa tehdä päätöksiä.
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
Havainto kuulostaa abstraktilta, kunnes tarkastelee, miltä epäonnistuminen todellisuudessa näyttää organisaation sisältä. Jurgen Appelo, teoksen "Ihminen, robotti ja agentti" kirjoittaja ja Solo Chief -uutiskirjeen perustaja, kutsuu yleisintä toimintamallia tuottavuusteatteriksi.
Johtajat määräävät tekoälytyökalujen käyttöönotosta. Tiimit oppivat käyttämään niitä, yhteenvetoja syntyy jatkuvasti lisää ja muistiinpanotyökalut täyttävät jokaisen kokouksen. Sitten organisaatio huomaa lähes huomaamatta, että kaikki on nopeampaa, mutta mikään ei ole pohjimmiltaan muuttunut.
Yritykset ripottelevat tekoälyä rikkinäisten työnkulkujen päälle, ja se näkyy.
Työnkulkujen alla toimivat päätöksentekoprosessit – kuka omistaa päätöksen, mikä tieto ohjaa sitä, missä tarvitaan ihmisen harkintaa ja missä toimitaan vain tottumuksesta – ovat pysyneet täysin ennallaan.
Appelo kutsuu tätä ihminen päätöksentekoketjussa -ansaksi: jokainen tekoälyvuorovaikutus alkaa ja päättyy edelleen ihmiseen, järjestelmät eivät keskustele keskenään, ja kaikki etenee hitaimman pullonkaulan tahdissa. Toisin sanoen työkaluista tuli älykkäämpiä, mutta rakenne ei muuttunut.
Miltä näyttää, kun se muuttuu?
Kun työkalu suoriutuu, mutta organisaatio ei
Carla Catelan on johtanut lahjakkuuksien hankinnan toimintoja suuressa mittakaavassa yli kahden vuosikymmenen ajan ja vienyt tiimejä läpi satojen vuosittaisten rekrytointien muun muassa Thoughtworksilla, Cognizantilla ja Hewlett-Packardilla. Puhuessaan tekoälyn käytöstä rekrytoinnissa hän ei puhu siitä työkaluna. Hän puhuu siitä suunnitteluongelmana.
Johtaminen tekoälyä ensisijaisesti hyödyntävällä aikakaudella tarkoittaa päätösarkkitehtuurien suunnittelua ja sellaisten järjestelmien luomista, joissa ihmiset, data ja tekoäly tekevät yhteistyötä parempien tulosten saavuttamiseksi.
Tämä näkökulma perustui vaikeuksien kautta opittuun havaintoon.
Kun Thoughtworks alkoi soveltaa ennakoivaa analytiikkaa rekrytointiputkeensa, Catelanin tiimi huomasi jotakin odottamatonta. Prosessiin kuluva aika eli päivien määrä tehtävän avaamisesta sen täyttämiseen oli jo ennestään hyvä, ja pysyi jatkuvasti 30–35 päivän välillä. Nopeus ei ollut ongelma. Niinpä tiimi alkoi selvittää, mikä ongelma sitten oli.
He havaitsivat, että tehtävien määritelmien vaihtelu heikensi rekrytointituloksia luotettavammin kuin hakijoiden laatu. Epäselvät, liioitellut tai rakenteeltaan epäjohdonmukaiset tehtäväkuvaukset vääristivät tekoälyn oppimista jo prosessin alkupäässä, mikä johti alhaisempiin etenemisasteisiin, useampiin myöhäisen vaiheen hylkäyksiin ja heikompaan suoriutumiseen uran alkuvaiheessa riippumatta siitä, keitä hakijajoukossa oli.
Ratkaisu ei ollut uusi malli. Thoughtworks rakensi työnkuvauksensa uudelleen sellaisiksi, joita Catelan kutsuu "ennustaviksi artefakteiksi": malliin syötettävästä aineistosta poistettiin vaatimukset, jotka korreloivat onnistumisen sijaan kohinan kanssa, ja keskityttiin malliin tulevaan olennaiseen signaaliin. Tekoäly parani, koska päätöksenteon lähtötiedot paranivat.
Tämä tuotantoketjun alkupään logiikka – päätösarkkitehtuuriin tulevan aineiston laatu määrittää lopputuloksen laadun – kulkee läpi kaikkien Catelanin rakentamien sovellusten.
Tekoälyä käytetään mallien esiin tuomiseen, pitkittäisaineistojen kokoamiseen ja määrällisten signaalien jäsentämiseen. Ihmiset säilyttävät laadullisen arvioinnin ja lopullisten päätösten omistajuuden. Näiden kahden välinen raja on selkeä, ei oletettu.
Pilottihankkeet eivät skaalaudu. Arkkitehtuuri skaalautuu.
Yleisin epäonnistuminen, jonka Catelan näkee organisaatioissa, jotka yrittävät toistaa tämän, on se, että ne kohtelevat tekoälyä pilottihankkeiden sarjana sen sijaan, että kyse olisi perustavanlaatuisesta muutoksesta siihen, miten työstä päätetään.
Useimmat yritykset investoivat voimakkaasti tekoälytyökaluihin ja odottavat parannuksia, hän sanoo. Mutta ne säilyttävät samat kannustimet, samat hierarkkiset rakenteet ja johdon saman heikon datalukutaidon. Tuloksena tekoälyä joko hyödynnetään liian vähän tai väärin. Tehokkaat mallit tuottavat oivalluksia, joihin ei luoteta, joita ei ymmärretä tai joiden perusteella ei toimita.
Thoughtworks vastasi tähän perustamalla monialaisen työryhmän, joka keskittyy erityisesti tekoälyn mahdollistaman päätöksenteon suunnitteluun osaajien hankinnassa.
Ryhmä työskentelee selkeästi määriteltyjen liiketoimintatason tavoitteiden pohjalta:
- Kasvattaa rekrytointipolun konversioasteita 50 prosentilla ennustavan segmentoinnin avulla
- Vähentää haastatteluihin käytettyä aikaa 30 prosentilla karsimalla pienen todennäköisyyden ehdokkaat aiemmin prosessissa.
Nämä luvut eivät ole tavoitteellisia toiveita. Ne ovat toimeksianto.
Järjestys on yhtä tärkeä kuin tavoitteet. Ennen minkään automaation käyttöönottoa ryhmä kartoittaa, missä kriittisiä päätöksiä tehdään, kuka niistä vastaa, mitä tietoja tarvitaan ja missä ihmisen arvioinnin on säilyttävä keskeisenä.
Vasta kun tämä arkkitehtuuri on selkeä, tekoäly tulee mukaan kuvaan ja täydentää tiettyjä vaiheita sen sijaan, että se lisättäisiin tutkimattomien prosessien päälle.
"Suunnittelemme päätöksenteon työnkulut uudelleen ennen automaation käyttöönottoa", Catelan sanoo. "Emme sen jälkeen."
90 prosenttia, jonka useimmat käyttöönotot ohittavat
Yannick Fouagou, Greenshieldin henkilöstötoimintojen ja ratkaisujen johtaja, päätyi samanlaiseen johtopäätökseen toisesta näkökulmasta. Hänen taustansa on elektroniikkatekniikassa sekä öljy- ja kaasualan laatujärjestelmissä – ympäristöissä, joissa prosessien eheydestä ei tingitä ja joissa epäonnistumisilla on fyysisiä seurauksia. Siirtyessään henkilöstötoimintoihin hän toi saman kurinalaisuuden tekoälyn käyttöönoton inhimilliseen puoleen.
Hänet yllätti se, kuinka vähän teknologialla oli merkitystä verrattuna ihmisten reaktioon siihen.
Tekoälyn käyttöönotto on 10-prosenttisesti teknologiaa ja 90-prosenttisesti ihmisen psykologiaa. Oletin aluksi, että kaikki olisivat yhtä innokkaita ottamaan nämä työkalut käyttöön, mutta tajusin nopeasti, että tekoäly edellyttää samaa perinteistä muutosjohtamista, jota olemme käyttäneet vuosikymmenten ajan. Jos ohitatte inhimillisen työn, joka liittyy pelkojen, vastarinnan ja muutoskäyrän käsittelyyn, edistyneinkin teknologia epäonnistuu silti.
Fouagoulle päätösarkkitehtuuri ei ole pelkästään organisaation suunnitteluun liittyvä kysymys. Se on myös käyttäytymiseen liittyvä kysymys. Hänen lähestymistavassaan sidosryhmät jaotellaan sen perusteella, missä kohtaa käyttöönoton käyrää ne ovat, niitä kohdataan siinä vaiheessa, ja uusi työskentelytapa kirjataan virallisiin prosesseihin ja dokumentaatioon, jotta muutoksesta tulee rakenteellinen eikä vain väliaikainen innostuspiikki.
"Emme vain ota työkaluja käyttöön", hän sanoo. "Kirjaamme uuden työskentelytavan SOP-menettelyihin ja käytäntöihin varmistaaksemme vastuunjaon."
Tämä kooditus luo palautesilmukan. Järjestelmä seuraa, mitä työntekijät kysyvät, tunnistaa puuttuvan dokumentaation ja tuottaa suosituksia aukkojen täyttämiseksi. Tietämyskanta oppii sitä käyttävien ihmisten toimintamalleista. Tältä päätösarkkitehtuuri näyttää, kun käyttäytymisen taso on rakennettu sisään eikä lisätty jälkikäteen.
Silmukka, josta johtajien on päästävä ulos
Toimintotasolla tätä työtä tekeville asiantuntijoille jää tilaa suunnitella toimintaa uudelleen. Vaikeampi ongelma on huipulla.
Gibbons on vetänyt johtoryhmille tekoälyn lukutaito-ohjelmia ja havainnut tulokset pysäyttäviksi. Kun hän kysyi kahdentoista johtajan ryhmältä, kuinka paljon muodollista koulutusta he olivat edellisen vuoden aikana suorittaneet, kaikkien yhteenlaskettu määrä oli kolme päivää.
"Se ei yksinkertaisesti riitä", hän sanoo.
Ongelma on enemmän rakenteellinen kuin yksilöllinen. Gibbonsin mukaan menestys on tehnyt useimmista ylimmistä johtajista vastahakoisia sellaiseen oppimiseen, jota tekoälyn käyttöönotto edellyttää. Heidän auktoriteettinsa perustuu asioiden tuntemiseen. Tekoäly horjuttaa sitä.
Appelo kehystää johtamisen haasteen eri tavalla, mutta päätyy samaan lopputulokseen. Kun tekoäly suoriutuu ihmisistä paremmin useimmissa analyyttisissä tehtävissä, johtamisessa ei enää ole kyse vastausten tietämisestä.
Useimmat johtajat on koulutettu johtamisen viitekehyksillä, jotka on rakennettu suhteellisen ennakoitaviin olosuhteisiin. Appelo viittaa erityisesti transformatiiviseen johtamiseen, 1970-luvulta peräisin olevaan malliin, jossa oletetaan, että johtaja hallitsee tiedonkulkua, hyväksyy päätökset ja toimii silmukan keskellä.
Juuri tämä malli tekoälyn käyttöönotossa on purettava. Silmukan sisällä olevista johtajista tulee pullonkauloja. Uusi arkkitehtuuri tarvitsee johtajia, jotka ovat silmukan yläpuolella, ohjaavat ja mukauttavat toimintaa sekä käyttävät harkintaa aidosti vaikeissa päätöksissä.
Gibbons kutsuu vastaavaa muutosta mukautuvaksi johtamiseksi. Se on rakennettu nopeutta ja esiin nousevia tilanteita varten sekä toimimaan ilman tietoa siitä, miltä lopputulos näyttää.
Emme tiedä, millaisen muodon kokeilut saavat tai kuinka helposti niitä voidaan skaalata, Gibbons sanoo. Vanhat johtamisen paradigmat rakennettiin ennakoitavuudelle, jota ei enää ole.
Tekoälyn päätösarkkitehtuurin rakentaminen
Edellä kuvatut asiantuntijat eivät työskentele yhteisen menetelmän pohjalta, mutta heidän lähestymistavoissaan on johdonmukainen logiikka. Näin sitä sovelletaan.
Aloita päätöksestä, älä työkalusta
Ennen minkä tahansa tekoälysovelluksen valintaa kartoita jokainen kohteena olevan työnkulun merkittävä päätös. Kuka vastaa kustakin päätöksestä? Mitkä tiedot ohjaavat sitä? Missä ihmisen harkintaa todella tarvitaan ja missä kyse on vain tottumuksesta?
Catelanin tiimi teki tämän työn koko rekrytointiprosessissa ennen ennustavien mallien käyttöönottoa. Kartoitus paljasti, että suurin myöhempien vaiheiden virheiden lähde ei ollut valintaprosessi vaan siihen syötettävät työpaikkailmoitukset.
Auditoi syötteet
Tekoäly oppii siitä, mitä sille syötetään. Jos malliin tulevat tiedot ovat epäjohdonmukaisia, liioiteltuja tai huonosti jäsenneltyjä, myös tulokset heijastavat sitä. Catelanin työpaikkailmoitusten uudistaminen paransi mallin suorituskykyä ilman, että itse mallia muutettiin.
Ennen tekoälyn käyttöönottoa missä tahansa työnkulussa tutki sen tarvitsemien syötteiden laatu ja johdonmukaisuus. Roska skaalautuu nyt nopeammin.
Aseta liiketoimintatason tavoitteet, älä prosessimittareita
Epämääräiset tavoitteet tuottavat epämääräisiä tuloksia. Catelanin työryhmä toimii tiettyjen lukujen perusteella: suppilon konversioasteiden 50 prosentin kasvu ja haastatteluihin käytettyjen tuntien 30 prosentin vähennys.
Nämä tavoitteet luovat paineen jatkuvaan, järjestelmätason suorituskykyyn yksittäisten kokeilujen sijaan. Jos et pysty kuvaamaan liiketoimintatermein, mitä onnistuneesti uudistettu tekoälytyönkulku tuottaa, suunnittelu ei ole valmis.
Määrittele ihmisen ja tekoälyn välinen raja selkeästi
Jokainen uudistus edellyttää selkeitä vastauksia kahteen kysymykseen: mistä tekoäly vastaa ja mistä ihmiset vastaavat? Catelanin periaatteen mukaan tekoäly jäsentää määrällisiä signaaleja ja tuo esiin oivalluksia, kun taas ihmiset säilyttävät laadullisen harkinnan ja tekevät lopulliset päätökset.
Raja on dokumentoitava, jaettava ja arvioitava uudelleen järjestelmän kehittyessä. Ilman sitä vastuu hajoaa ja virheiden jäljittäminen käy mahdottomaksi.
Rakenna hallintamalli ennen skaalaamista
Rakenna arkkitehtuuriin alusta alkaen mahdollisuus ihmisen tekemään ohitukseen, vinoumien ja ajautumisen seurantaan sekä selkeä vastuu mallien tuottamista tuloksista. Fouagou kirjaa muutokset toimintaperiaatteisiin sen sijaan, että ne jäisivät epävirallisiksi käytännöiksi.
Jälkikäteen lisätty hallinto otetaan yleensä käyttöön vasta sen jälkeen, kun jokin on jo mennyt pieleen.
Käsittele käyttöönottoa käyttäytymiseen liittyvänä ongelmana
Fouagoun 10/90-havainto on alue, jonka useimmat organisaatiot ohittavat kokonaan, mikä johtaa usein kalliisiin tekoälyn sijoitetun pääoman tuoton mittausvirheisiin. Tekninen käyttöönotto ja ihmisten omaksuminen eivät ole sama tapahtuma.
Ryhmittele sidosryhmäsi. Tunnista, missä vastarintaa todennäköisesti ilmenee, ja puutu siihen ennen käyttöönottoa, älä sen aikana. Mittaa tehokkuuden paranemisen lisäksi sitä, ohjataanko säästynyt aika todella arvokkaampaan työhön.
Useimmissa organisaatioissa on kuilu, jota ei ole vielä kohdattu. Se sijaitsee niiden käyttöön ottamien työkalujen ja muuttumattomiksi jätettyjen päätöksentekologiikoiden välissä.
Catelanin näkemys tekoälyvalmiudesta on pohtimisen arvoinen.
”Se tarkoittaa parempien kysymysten johdonmukaista esittämistä”, hän sanoo. ”Mitkä signaalit ovat merkityksellisiä, missä epävarmuutta esiintyy ja miten data voi ohjata ihmisen harkintaa.”
Työkalut nostivat kysymyksen esiin. Suunnittelutyö on se, joka antaa siihen vastauksen.
