Uteliaisuudesta varmuuteen: käytännön viitekehys tekoälyn käyttöönottoon

David Rice: Tiimisi on siis utelias tekoälyn suhteen. He ovat katsoneet esittelyjä. He ovat lukeneet artikkeleita. Heidän mielestään se on kiinnostavaa. Ja silti he eivät tee sen avulla yhtään mitään, koska uteliaisuus ilman varmuutta on vain vitkastelua paremmilla kulisseilla.

Vieraana on tänään Justin Angsuwat. Hän on Culture Ampin henkilöstöjohtaja, ja hän kertoo, miten hänen organisaationsa sai lähes 80 prosenttia työntekijöistään tuntemaan olonsa varmaksi tekoälyn käytössä vain kuudessa viikossa.

Ei uteliaiksi vaan varmoiksi. Tässä on se, mitä he tekivät eri tavalla. He erottivat kokeilun odotuksista. Ei painetta tuottaa hiottuja lopputuloksia, ei luvan odottamista, vaan jäsennelty polku ymmärtämisestä kokeiluun ja lopulta osaksi toimintaa. Mutta nyt Justin joutuu käsittelemään myös joitakin epämukavia asioita.

Varmuus ei automaattisesti muutu osaksi toimintaa. Ihmiset tuijottavat edelleen tyhjää näkymää, käyvät läpi päivittäisiä työnkulkujaan ja jähmettyvät. Joskus juuri ne kokeneet työntekijät, joiden pitäisi tuoda tekoäly osaksi organisaatiota, kamppailevat eniten, koska heidän identiteettinsä on kietoutunut työnkulkuun, jonka tekoäly juuri teki vanhentuneeksi.

Tänään käsittelemme sitä, miksi he keskittyivät työntekijöiden varmuuteen eivätkä käyttömittareihin tai automaatiotavoitteisiin. Käymme läpi viikoittaiset harjoitukset, jotka loivat etenemisen, sekä sen, miten ihmiset siirretään deterministisistä tehtävistä probabilistisiin tehtäviin, joissa todellinen vaikutus syntyy. Miksi nuoremmat työntekijät voivat olla tekoälyn suhteen luontevampia kuin muutosta johtavat johtajat, ja miltä hieman alle 80 prosentin varmuus käytännössä näyttää.

Olen David Rice. Tämä on People Managing People. Jos olet jumissa uteliaisuuden ja todellisen käyttöönoton välissä, tämä keskustelu näyttää täsmälleen, miten yksi yritys kuroi tuon kuilun umpeen. Aloitetaan.

Justin, tervetuloa ohjelmaan.

Justin Angsuwat: Kiitos, David. Hienoa olla täällä. Odotan innolla keskustelua.

David Rice: Mukava saada sinut mukaan.

Olen mielelläni jatkamassa Orlandossa käymäämme keskustelua. Olen odottanut tätä siitä lähtien. Ennen kuin menemme syvemmälle valmentajaan ja kaikkeen rakentamaasi, kerro, miten tiimisi oikeastaan alkoivat rakentaa tekoälyn avulla. Mikä auttoi heitä pääsemään uteliaisuuden vaiheesta eteenpäin?

Justin Angsuwat: Jos aloitamme tekoälystä yleisesti organisaatiossa, aloitimme ensinnäkin luomalla ahaa-elämyksen.

Se oli meille itsessään oppimiskokemus. Kun aloitimme tuotetiimeistä, siirryimme muihin tiimeihin. Se tarkoitti, että aloitimme tavoitteesta, joka oli meille työntekijöiden varmuus tekoälyn käytössä. Tiedän, että muitakin tavoitteita olisi voinut käyttää, kuten käyttö tai automaatio, mutta meille oli hyvin selvää, että kyse oli teknologian takana olevista ihmisistä.

Tavoitteemme oli siis parantaa työntekijöiden varmuutta tekoälyn käytössä, koska ahaa-elämystä on melko vaikea mitata. Käynnistimme kuuden viikon ohjelman, joka oli suunniteltu erottamaan kokeilu odotuksista. Sen tarkoitus oli tietoisesti oppia, kokeilla asioita ja yksinkertaisesti tarttua toimeen. Tarkoitus ei ollut tuottaa hiottua lopputulosta, mikä poisti paineita ja auttoi ihmisiä suhtautumaan paljon aktiivisemmin tuolloin melko uuteen teknologiaan.

David Rice: Se, mitä olen tähän mennessä nähnyt yrityksissä, joita olemme tarkastelleet tai joiden kanssa olemme keskustelleet, on se, että uteliaisuus on melko helppoa. Ihmiset haluavat tutkia. Mutta todellinen eteneminen tarvitsee yleensä jonkinlaista rakennetta, selkeyttä tai mieluiten yhteisen varhaisen onnistumisen. Millaiselta tuo siirtymä näytti teidän tiimissänne, kun mainitsit sen ahaa-elämyksen?

Oliko olemassa jokin sysäys tai varhainen onnistuminen, joka auttoi ihmisiä siirtymään siitä, että he sanoivat ”opitaan tästä” tai ”tämä on kiinnostavaa”, siihen, että he sanoivat: ”Tätä me aiomme tehdä sillä”?

Justin Angsuwat: Kyllä. Se oli erittäin ratkaisevaa, kuten sanoit. Emme olleet aluksi täysin selvillä siitä, mitä pystyisimme sen avulla tekemään.

Eikä se ollutkaan se ahaa-elämys. Kiinnostavaa oli, että ihmisten ahaa-elämykset näyttivät kaikki melko erilaisilta. Siksi niitä oli vaikea vakioida. Mainitsin aiemmin kuuden viikon ohjelman, jonka nimi oli Accelerate ja jonka keskellä oli tekoäly — koska ohjelmaa ei tietenkään voi nimetä ilman tekoälyä.

Asetimme vaiheita, jotka auttoivat ihmisiä etenemään tällä matkalla: ensin ymmärtämään, sitten kokeilemaan ja lopuksi juurruttamaan tai käyttämään tekoälyä päivittäisessä työssä. Viimeinen osa on vaikein, ja yritämme edelleen ratkaista sitä. Ohjelma ei ollut täydellinen, mutta se auttoi työntekijöitämme tuntemaan olonsa tuetuksi eikä kiirehdityksi tai liian paljaaksi. Jos kaikki muut luovat asioita ja minä en tiedä, miten jotain luodaan, se voi tuntua hyvin paljastavalta.

Samalla oli tärkeää olla antamatta heidän liikaa mukautua vallitsevaan tilanteeseen. Siirryimme jatkuvasti ymmärtämisestä kokeiluun ja kokeilusta juurruttamiseen. Teimme sen paljon sisällön ja oppimistilaisuuksien avulla, joissa ihmiset pääsivät käyttämään työkaluja ja luomaan oikeita asioita — kaikkea tietokonepelistä videoon. Sen jälkeen jaoimme pieniä onnistumisia, jotta eteneminen vahvistuisi.

Käynnistin yrityksessä viikoittaisia harjoituksia tai kilpailuja. Tehtävänä saattoi olla esimerkiksi tekoälyn tuottaman videon luominen työnantajabrändiämme varten tai Gandalf-peli, jossa yritettiin murtaa salasana ja suostutella Gandalf antamaan se. Katsottiin, kuka pääsee viimeiseen vaiheeseen ja mitä hän oppi.

Oli todella hauskaa nähdä se. Muistan yhden työntekijän innostuneen valtavasti, kun hän loi muutamassa minuutissa oman agentin. Hän meni kotiin ja kertoi siitä kumppanilleen. Kumppani kysyi: ”Sinäkö teit tuon?” Ja hän vastasi: ”Minä tein sen.” Hänen itseluottamuksensa kasvoi, ja samalla kasvoi koko hänen ympärillään olevan tiimin varmuus.

He ajattelivat: ”Minä pystyn tähän.” Se oli todella tärkeää vauhdin ylläpitämisessä kuuden viikon ajan: jatkuva toisto, jossa ihmiset kulkivat ymmärtämisen, kokeilun ja juurruttamisen kautta, ja juurruttamisen vaiheessa opettelivat tekemään siitä merkityksellistä päivittäisen työnsä kannalta.

Meillä on vielä paljon tehtävää tällä alueella, mutta lähtökohtamme oli ainakin käyttää samoja työkaluja, joita ihmiset voivat käyttää työpaikalla — olipa kyseessä Miro, Glean, Gemini, Copilot tai jokin muu. Teimme yhteistyötä niiden kanssa, kutsuimme ihmiset mukaan ja ohjelman käynnistyessä emme oikeastaan odottaneet tai pyytäneet lupaa.

Käynnistimme ohjelman ja jatkoimme sen kehittämistä. Jaoin hiljattain LinkedInissä jotain aiheesta. Joku tiivisti asian hienosti kommentillaan, joka liittyy suoraan pointtiisi, David. Kommentti meni suunnilleen näin: ”Näen monien yritysten hyppäävän ensin tikkaiden ylimmälle puolalle ja sanovan, että haluamme nähdä kaikki loistavat ideat työmme parantamiseksi tekoälyn avulla. He eivät kuitenkaan ole ensin varmistaneet, että ihmisillä on perustason varmuus päästä alkuun.” Se on ollut tärkein painopisteemme alussa.

David Rice: Toinen asia on auttaa ihmisiä ymmärtämään, mikä oikeasti on hyödyllistä. Miksi luulet, että tämä toimi niin hyvin? Monet muut lähestymistavat pysähtyvät. Ihmiset ajautuvat tilanteeseen, jossa he ajattelevat: ”Voin tehdä mitä tahansa.” Sitten edessä on tyhjä kangas — ei tiedetä, mistä aloittaa — tai päätetään, ettei työkalua oikeastaan tarvita.

Kerro, miten saitte ihmiset esittämään oikeita kysymyksiä. Se vaatii vivahteiden ja kontekstin ymmärtämistä: mitä tekoälylle pitää antaa, jotta siitä saa eniten irti?

Justin Angsuwat: Se on ollut vaikeaa. Viimeinen vaiheemme on juuri se, miten sitä käytetään päivittäisessä työssä ja miten se integroidaan päivittäisiin työnkulkuihin.

Työstämme sitä edelleen. Ensimmäisen vaiheen menestys perustui siihen, että keskityimme erittäin tarkasti alkuun: miten ihmisistä tehdään todella varmoja tekoälyn käyttäjiä ennen kuin kaikkia käyttötapauksia edes löydetään. Monilla ihmisillä oli henkinen este: ”Se on liian vaikeaa.”

Mielenkiintoista oli, että kuuden viikon ohjelman aikana jotkut seurasivat mukana ja tekivät pienet kehotteet tietokonepelin luomiseksi. Sitten he palasivat tavalliseen päivittäiseen työnkulkuun ja kokivat jälleen epävarmuutta. He tuijottivat tyhjää sivua.

Joillekin tiimeille käynnistimme pienen hackathonin. Pienissäkin, kolmen hengen tiimeissä he kysyivät: ”Pitääkö minun kirjoittaa kehotteet? Voiko joku muu tehdä sen? Mistä aloitan?” Se oli kuitenkin paljon turvallisempi ympäristö ja tarvittava sysäys: ”Selvä, istun tässä näytön edessä. Kokeillaan.” Heidän ahaa-elämyksensä oli yksinkertaisesti se, ettei se ollut niin vaikeaa kuin he olivat ajatelleet.

En usko, että olemme ratkaisseet asiaa kokonaan. Ensimmäisessä vaiheessa oli kyse varmuuden luomisesta, ja siinä onnistuimme. Mittasimme tilanteen ohjelman jälkeen. Lähes 80 prosenttia koko organisaatiostamme tunsi olonsa varmaksi tekoälyn käytössä päivittäisessä työssä. Kielteisesti suhtautuvia oli noin neljä prosenttia.

Mittaamme myös väitettä ”Tutkimme ja otamme käyttöön uusia teknologioita, kuten tekoälyä.” Siinä näimme 24 prosenttiyksikön parannuksen, noin 84 prosenttiin. Tekoälyn käyttöön liittyy siis vahva vauhti ja luottamus. Seuraava vaihe on ratkaista, miten tekoäly integroidaan päivittäiseen käyttöön.

Siitä keskustelimme Orlandossa: tekoälyä ei pitäisi käyttää vain parempana laskimena, vaan johonkin olennaisesti erilaiseen.

David Rice: Melua on tällä hetkellä valtavasti. Kaikki ovat hämmentyneitä siitä, miten sitä pitäisi käyttää, ja usein tulokset tuottavat pettymyksen, koska ihmiset eivät tiedä, mitä tietoa tekoälylle kannattaa antaa.

Useimmat tarvitsevat yhden järkevän aloituskohdan ja sitten etenemisen siitä. Kuulostaa siltä, että luomanne viitekehys antoi ihmisille luvan lakata odottamasta täydellistä käyttötapausta. Näin saitte liikkeelle vauhtia.

Justin Angsuwat: Olet täysin oikeassa. Internetissä näkee paljon todella hienoja asioita, mikä voi tuntua pelottavalta. Ihmiset ajattelevat: ”En käytä tekoälyä tuolla tavalla. Yritän vielä opetella, miten tälle kirjoitetaan kehotteita.”

Melua on paljon, mutta se tarkoittaa myös, että tarjolla on paljon hyvää. Aloittava ihminen voi ajatella: ”En ole lähelläkään tuota tasoa. Miten hän keksi käyttää tekoälyä noin? En edes osaa kehotesuunnittelua.” Yritimme suodattaa melua ja sanoa: keskity tähän kuuden viikon ohjelmaan, niin saat varmuutta, vaikka emme vielä pystyisi osoittamaan tarkalleen, mihin tekoälyä pitäisi juuri nyt käyttää.

David Rice: Mainitsit laskimen: lopettakaa tekoälyn käyttäminen vain parempana laskimena. Mitä oikeastaan tapahtuu, kun ihmiset tekevät tuon henkisen muutoksen?

Justin Angsuwat: Organisaatioissa, joissa näen tekoälyn muuttavan ihmisiä ja tehtävää työtä, näen kaksi tekoälyn muutoksen tasoa. Ensimmäinen on jonkin tekeminen nopeammin tai paremmin. Toinen on jonkin uuden mahdollistaminen.

Keksin tämän itse, koska se ei ole erityisen iskevä eikä muodosta alkusointua. Laskimesta puhuessamme keskustelimme taulukkolaskentaohjelmista. Kun ne tulivat markkinoille, ne olivat aluksi käytännössä parempia laskimia.

Kirjanpitäjät käyttivät aiemmin paperisia pääkirjoja. Jos budjetissa piti muuttaa yhtä numeroa, se piti pyyhkiä ja laskea kaikki riippuvat luvut uudelleen käsin. Siihen kului tunteja.

Taulukkolaskentaohjelmalla kirjan saattoi tasapainottaa viidessä tai kymmenessä minuutissa viiden tunnin sijaan. Syntyi tehokkuutta: jokin tehtiin nopeammin tai paremmin. Nyt näen monien saavan saman hyödyn tekoälystä. He miettivät, miten voisivat automatisoida jotakin, jota ovat tehneet yhä uudelleen.

Ahaa-elämys syntyy kuitenkin seuraavasta vaiheesta. Kun laskutoimitukset muuttuivat hetkessä valmiiksi, kirjanpitäjät eivät enää olleet vain numeroiden käsittelijöitä. He pystyivät mallintamaan skenaarioita. He saattoivat kysyä: ”Jos laskemme hintoja kymmenen prosenttia mutta kasvatamme volyymia 20 prosenttia, miten se vaikuttaa bruttokatteeseemme?”

He eivät enää olleet vain taaksepäin katsovia kirjanpitäjiä, jotka pitävät kirjaa tapahtuneesta, vaan skenaarioiden suunnittelijoita ja strategisia talousosaajia. He ratkaisivat ongelman, jonka olemassaolosta eivät edes tienneet.

Tuo henkinen muutos tarkoittaa ensin sitä, miten nykyisiä tehtäviä voi tehdä nopeammin tai paremmin. Toinen vaihe on kysyä: ”Mitä tämä mahdollistaa, mitä en ole koskaan aiemmin osannut kuvitella?” Tätä on vaikea kuvailla ennen kuin on itse käynyt prosessin läpi.

David Rice: Tuo saattaa selittää myös henkilöstötoiminnoissa esiintyvää epäröintiä. Kun ahaa-elämys tulee, huomaa voivansa tehdä kaikenlaisia asioita ja alkaa heti huolehtia siitä, että lakitiimi ottaa yhteyttä.

Justin Angsuwat: Lakiasia on hyvä huomio. Tekoälyn kanssa täytyy olla varovainen. Taulukkolaskennan tulos on helpompi tarkistaa kuin tekoälyn antama vastaus.

Puhuimme vaikuttavuuden illuusiosta ja todellisesta vaikutuksesta. Hyvä esimerkki liittyy probabilistisiin ja deterministisiin tehtäviin. Deterministisillä tehtävillä on yleensä yksi oikea vastaus, kuten matemaattisella laskutoimituksella. Probabilistisissa tehtävissä taas on monia hyviä vastauksia, esimerkiksi sähköpostin luonnostelussa tai kokouksen yhteenvedossa.

Tekoälyn käyttäminen deterministisiin tehtäviin voi olla hyödyllistä, mutta silloin käytetään probabilistista moottoria deterministisen ongelman ratkaisemiseen. Se voi olla hitaampaa, sisältää hallusinaatioita ja olla epätarkempaa kuin SQL-kysely, Excel tai asian tarkistaminen suoraan.

Sen sijaan tekoäly kannattaa valjastaa tulkitsemaan probabilistisia tehtäviä. Sille voi antaa esimerkiksi 500 työntekijän palautetta ja pyytää sitä kertomaan kolme tärkeintä tunnetason turhautumista. Taulukko tai kaava ei pysty laskemaan tunnetason turhautumista.

Vaikutuksen maksimoimiseksi keskittyisin siis enemmän tekoälyn käyttämiseen probabilististen tehtävien tulkinnassa kuin determinististen tehtävien ratkaisemiseen itsenäisesti. Deterministisissä tilanteissa tarkistaisin vastaukset kahteen tai kolmeen kertaan ennen kuin toimisin niiden perusteella.

David Rice: Hyvä neuvo. En voi korostaa sitä tarpeeksi.

Globaalin tiimin kasvattamisen ei pitäisi tarkoittaa viiden eri HR-, palkanmaksu- ja IT-järjestelmän hallintaa. Deel kokoaa kaiken yhteen, joten voit palkata, perehdyttää, maksaa ja varustaa ihmisiä missä tahansa ilman tavallista kaaosta.

Olitpa palkkaamassa työntekijöitä kymmeneen maahan tai hallinnoimassa urakoitsijoita eri aikavyöhykkeillä, Deel hoitaa vaatimustenmukaisuuden, edut ja palkanmaksun yhdessä paikassa. Se tarkoittaa vähemmän hajanaisia työkaluja, vähemmän päänvaivaa ja enemmän aikaa ihmisillesi. Haluatko nähdä, miltä rajattomien rekrytointien toteuttaminen käytännössä näyttää?

Vieraile osoitteessa deel.com/pmp. Se on deel.com/pmp. Varaa esittely osoitteessa deel.com/pmp. Deel. Palkkaa, hallinnoi ja maksa kenelle tahansa, missä tahansa.

Olette rakentaneet tekoälyvalmentajan. Kerro hieman sen tavoitteista.

Justin Angsuwat: Tavoitteena oli aina käytettävissä oleva tekoälyvalmentaja tai taskussa mukana kulkeva henkilöstötieteilijä.

Jotkut Orlandossa kanssamme keskustelleet sanoivat, etteivät tarvitse valmentajaa, koska valmentajat ovat kalliita. Minulle valmentaja tarkoittaa enemmänkin taskussa kulkevaa henkilöstötieteilijää, jolta voi kysyä esimerkiksi, miten antaa vaikeaa palautetta.

Se auttaa henkilöstökumppaneita, HR-tiimiä tai henkilöstötiimiä neuvomaan johtajia tarvittaessa koko organisaation laajuudelta. Se on kuitenkin kontekstitietoinen, ja siinä on suuri ero. Konteksti ratkaisee.

Jos kysyt yleiseltä tekoälymallilta, miten johonkin tilanteeseen pitäisi vastata, se antaa internetin keskiarvon. Neuvo on todennäköisesti teknisesti oikea, mutta ei kovin hyödyllinen juuri sinun tilanteessasi. Se on kuin horoskoopin lukemista: tarpeeksi epämääräistä sopiakseen kaikille, eikä siksi auta erityisesti ketään.

Tekoälyvalmentajassa on kolme kontekstikerrosta. Ensimmäinen on perusta: miten valmentaja on koulutettu. Emme kouluttaneet sitä internetin keskiarvolla, Reddit-keskusteluilla tai satunnaisilla blogeilla. Koulutimme sen henkilöstötieteellä. Meillä on noin puolitoista miljardia datapistettä ihmisistä, kulttuurista ja suoriutumisesta, joita on kerätty yli vuosikymmenen ajan tuhansilta työpaikoilta.

Henkilöstötieteilijöistä ja tohtoreista koostuvat tiimit suunnittelevat ja kehittävät valmentajaa. Perustakerros rakentuu siis vahvalle valmennuksen tieteelle ja organisaatioiden datapisteille.

Sen päälle tulee organisaatiokonteksti. Valmentaja tuntee yrityksen vision, strategian, vuosittaiset tavoitteet, arvot, arvojen taustalla olevat toimintatavat ja käytetyt palautemallit. Sitten lisätään suoriutumiskerros: sitoutumistiedot, suoriutumistiedot, kahdenkeskiset keskustelut ja milloin tahansa annettu palaute.

Kun nämä kontekstikerrokset yhdistetään, et saa yleistä neuvoa kuten ”kuuntele enemmän”. Saat yksityiskohtaisemman neuvon: ”Tiimisi matalien sitoutumispisteiden, yrityksen uuden suorasanaisen palautteen tavoitteen ja uuteen maahan laajentumisen perusteella esittäisin sinulle muutaman kysymyksen tilanteen ymmärtämiseksi. Sen jälkeen käyttäisin henkilöstötieteen pohjalta kehitettyä käsikirjoitusta ja harjoittelisin keskustelun kanssasi.”

Nämä kolme kontekstikerrosta erottavat tekoälyvalmentajan suuren kielimallin tai generatiivisen tekoälytyökalun käytöstä.

David Rice: Olemme kaikki käyttäneet työkalua, joka toimii teknisesti, mutta ei tiedä meistä mitään. Silloin se tuntuu vain joltain, jonka kanssa puhumme tietämättä miksi.

Justin Angsuwat: Näet varmaan tuota paljon työskennellessäsi HR-johtajien kanssa ja rakentaessasi erilaisia asioita.

David Rice: Kyllä. Olen rakentanut muutaman itsekin ja ihmetellyt, mistä se oikein puhuu. Lopulta vain ajattelee, ettei tästä ole apua.

Kun kontekstiin lisätään tiimidynamiikka, organisaation historia ja yksilöiden vahvuudet, mallimme muuttuu kokonaan. Mitkä signaalit tekevät tekoälyn neuvoista kaikkein merkityksellisimpiä?

Justin Angsuwat: Ensinnäkin se perustuu henkilöstötieteeseen ja tuntee organisaation kontekstin. Johtajan ei tarvitse selittää samaa taustaa joka kerta uudelleen. Olisi hienoa, jos valmentaja voisi sanoa: ”Olet käynyt tämän henkilön kanssa saman keskustelun useita kertoja. Mikä ei mene perille? Käydään se uudelleen läpi.”

Konteksti on siis jo olemassa. Toinen voimakas asia on se, että valmentaja oppii jatkuvasti. Se tarkastelee hyödyllisen ja hyödyttömän neuvon välistä eroa ja kouluttaa itseään sen perusteella. Valmentaja voi kehittyä negatiivisen palautteen avulla, mikä on tärkeä mutta usein näkymätön yksityiskohta.

David Rice: Kuulin hiljattain jonkun sanovan, että heidän yrityksensä pitäisi toimia kuten tekoäly-yritys eikä vain ohjelmisto palveluna -yritys. Mitä se tarkoittaa käytännössä tavallisena tiistaina toimistolla?

Justin Angsuwat: Tekoäly-yrityksen tavoin toimiminen ei tarkoita suuren avustinlisenssimäärän ostamista. Kyse on vähemmän ostettavasta ohjelmistosta ja enemmän siitä, miten rakennetaan ja työskennellään.

Yksi kiinnostava muutos on siirtyminen eksplisiittisestä palautteesta implisiittiseen palautteeseen. Ohjelmistopalveluissa käyttäjiltä pyydetään usein suoraan palautetta: arvioi ominaisuus yhdestä viiteen tähteen tai kerro, oliko artikkeli hyödyllinen. Ihmiset kuitenkin harvoin painavat painikkeita, elleivät he ole hyvin tyytyväisiä tai hyvin tyytymättömiä. Paljon tietoa jää saamatta.

Tekoälyajattelussa keskitytään implisiittiseen palautteeseen. Jos tekoäly luonnostelee sähköpostin ja käyttäjä poistaa yhden lauseen, eksplisiittisen palautteen näkökulmasta kyse voi näyttää epäonnistumiselta tai pelkältä muokkaukselta. Tekoäly-yritys näkee siinä signaalin: mallin ennuste tässä kontekstissa oli väärä.

Alkuperäisen tekoälytekstin ja ihmisen lopulta hyväksymän version välinen ero on arvokasta koulutusdataa. Siksi tekoäly-yritykselle on usein hyödyllisempää tietää, mikä meni väärin, kuin mikä meni oikein.

Ohjelmistopalveluyritykset haluavat käyttäjän huomion ja ajan alustalla. Tekoäly-yritykset haluavat delegointia. Niiden tavoitteena on olla niin hyviä, että käyttäjä vain hyväksyy lopputuloksen. Puuttuvia asioita ja mallin uudelleenkoulutuksen tarpeita etsitään tästä niin sanotusta negatiivisesta tilasta.

David Rice: Se on kiehtovaa. Monet jäävät jumiin siihen, että kunnianhimo pitää muuttaa käytännön toimintatavaksi. Työkalut kuten valmentaja voivat auttaa siinä. Minusta tekoäly-yrityksissä näkyy enemmän kokeilua, reaaliaikaisia päätöksiä, vähemmän viimeistelyä ja enemmän nopeutta. Mitä oikeastaan muuttuu, kun tiimit alkavat elää tätä ajatusta?

Justin Angsuwat: Implisiittinen ja eksplisiittinen palaute on vain yksi osa. Myös ominaisuuksien kehittäminen muuttuu. Perinteisestä vesiputousmallista siirrytään paljon nopeampaan tapaan rakentaa ohjelmistoja.

Joillekin ohjelmistosuunnittelijoille ja tuotepäälliköille ahaa-elämys syntyi, kun he rakensivat viikossa jotakin, jonka tekemiseen olisi aiemmin kulunut kuukausia. Myös ensimmäisen prototyypin tekeminen on paljon nopeampaa. Prototyyppi rakennetaan, viedään nopeasti testaajille ja käyttäjille ja katsotaan, miltä toimiva versio näyttää sen sijaan, että ensin rajattaisiin projekti, laadittaisiin aikataulu ja tehtäisiin kaikki perinteisen mallin mukaiset vaiheet.

Se on ollut meille suuri muutos myös ohjelmistokehityksen kannalta.

David Rice: Olet aiemmin puhunut vaikuttavuuden illuusiosta ja todellisesta vaikutuksesta. Tekninen monimutkaisuus ei tarkoita tarpeellisuutta. On helppo sekoittaa monimutkaisuus tehokkuuteen. Johtajien suuri haaste on pitää ihmiset arvossa, kun houkutus esitellä tekoälyn kykyjä on suuri.

Justin Angsuwat: Kaikki lähtee liiketoimintaongelmasta. Mikä ongelma pitää ratkaista ja miten rakennan työkalun sitä varten? Tekoälyn vaikeus on siinä, että se voi ratkaista ongelmia, joiden olemassaolosta emme ole aiemmin tienneet.

Siksi ihmisten on päästävä kokeilemaan. Muistan yhden toimitusjohtajan sanoneen johtoryhmälleen jo tekoälymatkan alussa: ”Jos et ole tehnyt tekoälyllä sataa kehotetta, mielipiteesi ei juuri nyt paina paljon, kun puhut tekoälystä.” Et yksinkertaisesti vielä tiedä, mitä sillä voi tehdä.

Siksi aloimme varmuudesta. Et tiedä, mitä ongelmia voit ratkaista, ennen kuin alat käyttää työkalua ja huomaat: ”Tuo on asia, jonka se voi mahdollistaa.”

David Rice: Kuvaat tekoälyn kypsyyttä sekä asiakkaiden että oman organisaatiosi näkökulmasta. Mikä siinä yllättää sinut?

Justin Angsuwat: Olemme vielä melko varhaisessa vaiheessa. Kehitämme asiaa kovasti, mutta eteneminen tapahtuu harppauksin. Joka kerta kun katson tilannetta, tarjolla on jotain uutta tai uusi tutkimus.

Yksi asia, joka ei täysin yllätä mutta näkyy monissa organisaatioissa, on oletus siitä, että kokeneimmat tai parhaiten suoriutuvat ihmiset ottavat tekoälyn ensimmäisinä haltuun. Se ei aina toteudu. Opitun poisoppiminen on vaikeaa, joskus vaikeampaa kuin uuden oppiminen.

Jos kyseessä on ensimmäinen työpaikkasi, et välttämättä välitä siitä, miten työ tehdään. Haluat vain lyhimmän reitin vastauksesta A vastaukseen B. Jos olet tehnyt samaa asiaa 20 vuotta, identiteettisi kietoutuu siihen, miten pääset vastaukseen. Olet käyttänyt suuren osan elämästäsi työnkulun hiomiseen, ja tekoäly voi tehdä siitä nopeasti vanhentuneen.

Siksi nuoremmat tai työelämään juuri tulleet työntekijät voivat toimia tekoälyn kanssa edistyneemmin kuin kokeneet työntekijät, vaikka kokeneiden vastuulla olisi tuoda tekoäly organisaatioon. Kokeneet työntekijät tuovat kuitenkin muita taitoja. Esimerkiksi vanhemmalle insinöörille skaalautuvuus ja arkkitehtuuri voivat olla koodaamista tärkeämpiä.

Emme ole vielä ratkaisseet tätä kulttuurista muutosta. Olemme keskellä sotkuista siirtymävaihetta. Meidän on löydettävä tapa yhdistää tekoälyn luonnostaan hallitsevat nuoret työntekijät ja kokeneet, erittäin pätevät ihmiset, joiden toimintatavoilla on ollut hyvät perusteet mutta joiden on nyt sopeuduttava tekoälyn mahdollisuuksiin.

David Rice: Se on todellinen haaste. On hienoa, että elätte sitä itse. Se on nöyryyttävää. Ajattelee olevansa kehityksen kärjessä ja huomaa sitten, ettei ole varma, missä kärki edes on.

Justin Angsuwat: Olen käyrän ulkopuolella, mutta olen ainoa ihminen tällä käyrällä. Mitä muulle käyrälle tapahtui?

David Rice: On hienoa kuulla muiden ihmisten kokemuksia siitä, miten he elävät tätä muutosta. Kiitos, että jaoit tämän kanssamme.

Justin Angsuwat: Kiitos, David. Kiitos kutsusta.

Nautin edellisestä keskustelustamme ja myös tästä keskustelusta. Elämme tätä itse ja yritämme selvittää sitä päivä kerrallaan. Meillä ei ole vuoden mittaista suunnitelmaa ongelman ratkaisemiseksi, joten työskentelemme asian parissa jatkuvasti ja jaamme mielellämme kaiken oppimamme.

Hyvän, huonon ja rumankin.

David Rice: Ehdottomasti. Yritetään vain sopeutua joka päivä. Kiitos vielä kerran osallistumisestasi. Oli hienoa saada sinut mukaan.

Justin Angsuwat: Kiitos vielä, David. Hei hei.

David Rice: Hyvät kuuntelijat, kuullaan seuraavan kerran. Jos et ole vielä tehnyt niin, tilaa uutiskirje osoitteessa peoplemanagingpeople.com/subscribe. Tutustu myös tekoälymuutoksen tutkimustyökaluumme.

Kuullaan taas ensi kerralla. Jatka muutoksen elämistä. Kyllä me kaikki lopulta selvitämme tämän.