Fra nysgjerrighet til trygghet: Et praktisk rammeverk for innføring av kunstig intelligens

David Rice: Så teamet ditt er nysgjerrig på kunstig intelligens. De har sett demonstrasjonene. De har lest artiklene. De synes det er interessant. Og de gjør absolutt ingenting med det, fordi nysgjerrighet uten trygghet bare er utsettelse med bedre fasade.

Min gjest i dag er Justin Angsuwat. Han er personaldirektør i Culture Amp, og han skal fortelle oss hvordan organisasjonen hans fikk nesten 80 % av de ansatte til å føle seg trygge på å bruke kunstig intelligens på bare seks uker.

Ikke nysgjerrige, men trygge. Her er hva de gjorde annerledes. De skilte utforskning fra forventning. Ingen press om å levere ferdige resultater, ingen venting på tillatelse, bare en strukturert vei fra forståelse til eksperimentering og videre til integrering. Men det finnes noen ubehagelige sider som Justin må håndtere nå.

Trygghet blir ikke automatisk til integrering. Folk stirrer fortsatt på det tomme utgangspunktet, kartlegger de daglige arbeidsflytene sine og fryser. Og noen ganger er det de senioransatte som skal bringe kunstig intelligens inn i organisasjonen, som sliter mest, fordi identiteten deres er knyttet til arbeidsflyten som kunstig intelligens nettopp har gjort foreldet.

Så i dag skal vi se på hvorfor de fokuserte på de ansattes trygghet, ikke på bruksmålinger eller automatiseringsmål. De ukentlige øvelsene som skapte fremdrift, hvordan man flytter folk fra deterministiske oppgaver til probabilistiske oppgaver, som er der den reelle effekten ligger. Hvorfor junioransatte kan være mer naturlige i bruken av kunstig intelligens enn lederne som driver transformasjonen, og hvordan litt under 80 % trygghet faktisk ser ut i praksis.

Jeg er David Rice. Dette er People Managing People. Og hvis du sitter fast mellom nysgjerrighet og faktisk implementering, kommer denne samtalen til å vise deg nøyaktig hvordan én virksomhet bygget bro over dette gapet. Så la oss sette i gang.

Justin, velkommen til programmet.

Justin Angsuwat: Takk, David. Hyggelig å være her. Jeg gleder meg til samtalen.

David Rice: Hyggelig å ha deg her.

Det er fint å følge opp samtalen vår i Orlando. Jeg har sett frem til dette siden da. Før vi går for dypt inn i coachen og alt du har bygget, kan du fortelle meg hvordan teamene deres faktisk begynte å bygge med kunstig intelligens? Hva fikk dem forbi nysgjerrighetsstadiet?

Justin Angsuwat: Hvis vi begynner med kunstig intelligens generelt i organisasjonen, startet vi først med å skape et aha-øyeblikk.

Og det var i seg selv noe vi lærte. Da vi startet med produktteamene våre og gikk videre til andre team, betydde det at vi begynte med et mål. For oss var målet de ansattes trygghet ved bruk av kunstig intelligens. Jeg vet at det finnes mange andre mål, som bruk eller automatisering, men for oss var det ganske tydelig at det handlet om menneskene bak teknologien.

Målet vårt var derfor å øke de ansattes trygghet ved bruk av kunstig intelligens. Det er vanskelig å måle et aha-øyeblikk. Derfor startet vi dette seksukersprogrammet, som var utformet for å skille utforskning fra forventning. Det handlet med vilje om å lære, prøve ting og egentlig bare forsøke. Det handlet ikke om å levere et polert resultat, noe som tok bort presset og gjorde at folk følte seg langt mer engasjert i den ganske nye teknologien på det tidspunktet.

David Rice: Det jeg har sett så langt hos selskaper vi har undersøkt eller snakket med, er at nysgjerrighet er ganske enkelt, ikke sant? Folk vil utforske. Men reell fremdrift trenger vanligvis en form for struktur eller tydelighet, eller aller helst en felles tidlig seier. Jeg er nysgjerrig på hvordan overgangen så ut for teamet deres, siden du nevnte aha-øyeblikket.

Var det et lite dytt eller en tidlig seier som hjalp folk med å gå fra «ja, la oss lære om dette», eller «dette er interessant», til «dette er det vi skal gjøre med det»?

Justin Angsuwat: Ja. Det var helt avgjørende, slik du sier. Vi var ikke så tydelige på hva vi faktisk skulle kunne gjøre med det.

Og det var ikke aha-øyeblikket. Det interessante var at folks aha-øyeblikk så ganske forskjellige ut fra hverandre. Derfor var det vanskelig å standardisere. Det vi gjorde, var å lage dette seksukersprogrammet jeg nevnte, som vi kalte Accelerate, med «AI» i midten av navnet, altså Accelerate.

For du kan jo ikke ha et program uten kunstig intelligens i navnet. Vi satte opp faser som i grove trekk hjalp folk med å bevege seg gjennom reisen, fra forståelse til eksperimentering og deretter til integrering, altså til å bruke det i hverdagen. Selv om den siste delen er den vanskeligste, og vi fortsatt prøver å finne løsningen på den.

Det var ikke perfekt, men det hjalp virkelig de ansatte våre med å føle seg støttet i stedet for stresset eller veldig eksponert. Hvis alle andre skaper ting, tenker man kanskje: «Jeg vet ikke hvordan jeg skal skape noe.» Men det handlet også om å ikke la dem bli for komfortable med status quo.

Vi fortsatte å bevege oss fra forståelse til eksperimentering og integrering. Det gjorde vi gjennom mye innhold og mange læringsøkter der folk kunne gå inn i verktøyene og faktisk skape ting. Alt fra et dataspill til en video. Deretter delte vi små seire for å skape mer fremdrift.

Jeg lanserte derfor ukentlige øvelser eller konkurranser på tvers av selskapet. Det kunne være å lage en kunstig intelligens-generert video for arbeidsgiverprofilen vår, eller spillet Gandalf, der man forsøker å knekke passordet og overtale Gandalf til å gi det fra seg. Hvem kunne komme seg til siste trinn, og hva lærte de?

Det var veldig morsomt å se. Jeg husker at én ansatt ble så begeistret over å lage denne agenten på bare noen få minutter. De dro hjem og fortalte det til partneren sin. Partneren svarte: «Gjorde du det?» Og de sa: «Ja, det gjorde jeg.» Så økte tryggheten deres, og tryggheten til hele teamet rundt dem økte også.

De tenkte: «Dette kan jeg gjøre.» Det var det som virkelig var viktig for å skape fremdrift gjennom de seks ukene: denne gjentatte prosessen med å hjelpe folk gjennom forståelse, eksperimentering og integrering, og i integreringsfasen gjøre det mer relevant for det daglige arbeidet deres.

Som jeg nevnte, har vi fortsatt mye å gjøre på det området. Men utgangspunktet vårt var i det minste å forsøke å bruke de samme verktøyene som folk kunne bruke på arbeidsplassen, enten det var Miro, Glean, Gemini, Copilot eller andre verktøy. Vi samarbeidet med dem, inviterte dem inn, og da vi lanserte programmet, ventet vi faktisk ikke på eller ba om tillatelse.

Vi lanserte bare programmet og fortsatte å drive det fremover. Jeg delte nylig noe om dette på LinkedIn, og det interessante var at noen oppsummerte det med en svært god kommentar som traff poenget ditt, David. Den var omtrent slik: «Jeg ser mange selskaper hoppe rett til stigen og si at de vil se alle de gode ideene for hvordan de kan forbedre arbeidet med kunstig intelligens, men de har ikke begynt med å gi folk den grunnleggende tryggheten de trenger for å komme i gang.» Det har derfor vært hovedfokuset vårt i starten.

David Rice: Den andre siden handler om å hjelpe folk med å forstå hva som faktisk er nyttig. Hvorfor tror du dette fungerte så godt? Mange andre tilnærminger stopper opp. Folk møter denne følelsen av «jeg kan gjøre hva som helst», og så står de foran et tomt lerret uten å vite hvor de skal begynne, eller de tenker bare: «Jeg trenger egentlig ikke dette.»

Fortell meg hvordan dere fikk folk til å stille de riktige spørsmålene. Det krever nyanser og kontekst, ikke sant? Man må hjelpe folk med å forstå hva de skal gi kunstig intelligens for å få mest mulig tilbake.

Justin Angsuwat: Ja, det har vært vanskelig. Det blir vårt siste trinn: Hvordan bruker jeg dette i hverdagen og integrerer det i de daglige arbeidsflytene mine?

Vi arbeider fortsatt med det. Det som gjorde trinn én vellykket, var at vi fokuserte ekstremt sterkt på den første delen: Hvordan gjør vi folk virkelig trygge på å bruke kunstig intelligens uten at de først må finne alle bruksområdene? Mange hadde en mental sperre som sa at dette var for vanskelig.

Det interessante var at selv gjennom dette seksukersprogrammet fulgte noen med og gjorde de små oppgavene for å lage dataspillet sitt, men når de gikk tilbake til en vanlig arbeidsflyt, ble de igjen usikre. De så på den tomme siden.

For noen team lanserte vi derfor en liten hackathon der de gikk gjennom prosessen. Selv i små team på tre personer spurte de: «Må jeg skrive instruksjonene? Kan noen andre gjøre det? Hvor begynner jeg?» Men det var et tryggere miljø, og på mange måter var det det lille dyttet de trengte for å si: «Greit, jeg sitter foran skjermen. Jeg prøver bare.»

Aha-øyeblikket deres var ganske enkelt at det ikke var så vanskelig som de hadde trodd. Jeg tror ikke vi har løst det helt. Trinn én handler om hvordan vi skaper denne tryggheten, og det fikk vi til. Vi målte det etter programmet. Når det gjaldt trygghet ved bruk av kunstig intelligens i det daglige arbeidet, var litt under 80 % av hele organisasjonen trygge.

Bare 4 % var negative. Vi målte også et annet spørsmål over tid: «Vi utforsker og tar i bruk ny teknologi, som kunstig intelligens.» Der så vi en forbedring på 24 prosentpoeng, til 84 %. Det er altså sterk fremdrift og sterk tro på bruk av kunstig intelligens. Som du sier, handler neste del om å finne ut hvordan vi integrerer den i den daglige bruken.

Det var også der du og jeg hadde samtalen i Orlando om å bruke den ikke bare som en bedre kalkulator, men som noe helt annet.

David Rice: Det er så mye støy akkurat nå. Alle blir overveldet av valget: Hvordan skal jeg bruke dette? Og ofte blir de skuffet over resultatene fordi de ikke vet hvilken informasjon de bør gi verktøyet.

Det de fleste trenger, er den ene tingen å begynne med som gir mest mening, og så bygge videre derfra. Det høres ut som rammeverket dere satte opp, ga folk tillatelse til i det minste å slutte å vente på det perfekte bruksområdet. Jeg synes det er interessant at dere klarte å skape fremdrift på den måten.

Justin Angsuwat: Du har helt rett. Det vi ser på internett, er at mange gjør utrolig kule ting, og det kan virke skremmende. Man tenker: «Jeg bruker ikke kunstig intelligens på den måten. Jeg prøver fortsatt å lære hvordan jeg skal skrive gode instruksjoner.»

Det finnes mye støy, men det betyr også at det finnes mye bra der ute. Samtidig kan det være skremmende for folk som ønsker å begynne. De tenker: «Jeg er ikke engang i nærheten av det der», eller «Det var kreativt. Hvordan fant du på å bruke kunstig intelligens til det?» Og de vet kanskje ikke hvordan man lager gode instruksjoner.

Vi prøvde derfor å filtrere bort noe av støyen og si: «Følg bare med på dette seksukersprogrammet, så hjelper vi deg frem til et nivå der du føler deg trygg», selv om vi ikke kan peke på nøyaktig hva du bør bruke kunstig intelligens til akkurat nå.

David Rice: Du nevnte kalkulatoren: at man bør slutte å bruke kunstig intelligens bare som en bedre kalkulator. Jeg liker den sammenligningen. Hva skjer egentlig når folk gjør dette mentale skiftet? Hva opplevde du da du hadde det øyeblikket?

Justin Angsuwat: Det finnes sikkert mange rammeverk for kunstig intelligens og modenhetskurver for hvordan folk tenker om dette. Jeg skal forenkle det til den versjonen jeg ser for meg.

I organisasjoner der jeg ser kunstig intelligens forandre menneskene og arbeidet som utføres, ser jeg to nivåer av endring. Det første nivået er å gjøre noe raskere eller bedre. Det andre nivået er å frigjøre noe nytt.

Jeg vet at dette ikke er spesielt slagkraftig eller bygget på bokstavrim. Når vi snakker om kalkulatoren, tenker jeg på da regneark først kom. Så vidt jeg forstår, ble de i utgangspunktet sett på som en bedre kalkulator.

Det hører til den første fasen: å gjøre noe raskere eller bedre, altså forbedre det vi allerede kunne. Tidligere brukte regnskapsførere papirbøker. Hvis de ville endre ett tall i et budsjett, måtte de viske ut tallet manuelt og beregne alle avhengige variabler på nytt. Det tok timevis.

Med et regneark kunne de balansere regnskapet på fem eller ti minutter i stedet for fem timer. Dermed fikk de en effektiviseringsgevinst: å gjøre noe raskere eller bedre. Jeg ser mange få den samme gevinsten fra kunstig intelligens nå. Hvordan kan jeg automatisere noe jeg har gjort om og om igjen?

Men aha-øyeblikket kommer, tror jeg, når man oppdager hva som blir mulig etterpå. Når beregningene ble umiddelbare, var ikke regnskapsførerne bare folk som knuste tall lenger. De kunne kjøre scenarier. Det som ble frigjort, var muligheten til å modellere svar på spørsmål.

De kunne spørre: «Hvis vi reduserer prisene med 10 %, men øker volumet med 20 %, hva gjør det med bruttofortjenesten?» De sluttet å være bokholdere som bare så bakover og førte regnskap, og ble i stedet scenario-planleggere, strategiske modellerere eller strategiske økonomer som så fremover. De løste et problem de ikke engang visste at de hadde.

Det er dette som endres når folk gjør det mentale skiftet. Først handler det om hvordan jeg kan gjøre noe jeg allerede gjør, raskere eller bedre. Den andre fasen handler om hva dette frigjør som jeg aldri tidligere har klart å forestille meg. Det er vanskelig å beskrive før man har gått gjennom prosessen.

David Rice: Det er interessant, for jeg tror dette er noe av grunnen til at det finnes så mye nøling i personalfunksjoner. Når man får aha-øyeblikket og tenker «Jeg kan gjøre alle disse tingene», får man samtidig et lite mareritt om at juridisk avdeling skal ta kontakt.

Jeg lurer på hva som kommer til å hjelpe folk gjennom det øyeblikket. Var det noe du selv opplevde da du begynte å eksperimentere med dette, der du tenkte at du ikke var sikker på om det var en god idé?

Justin Angsuwat: Du har et godt poeng om juss. Selv om vi spøker med det, må vi være forsiktige med kunstig intelligens. Det er enklere å kontrollere et regneark enn å stole på kunstig intelligens for å få et bestemt svar.

Vi snakket om begrepet «imponerende teater», altså forskjellen mellom illusjon og effekt. Det fikk meg til å tenke på hvor mye vi stoler på kunstig intelligens for å få svar, og hvordan juridisk avdeling kan komme på døren.

Et godt eksempel på imponerende teater er forskjellen mellom probabilistiske og deterministiske oppgaver. Deterministiske oppgaver har vanligvis ett riktig svar, som en matematisk beregning eller spørsmålet om noe er lovlig. Probabilistiske oppgaver har derimot mange gode svar, som hvordan man utformer en e-post eller oppsummerer et møte.

Det kan være nyttig å bruke kunstig intelligens til deterministiske oppgaver, som å spørre om inntektene i fjerde kvartal. Men da bruker man ofte en probabilistisk motor til å løse et deterministisk problem. Det kan gå saktere, føre til hallusinasjoner og være mindre nøyaktig enn en SQL-spørring, et regneark eller et direkte oppslag.

Det kan se imponerende ut, men man bruker ikke kunstig intelligens på sitt mest effektive. For å maksimere effekten ville jeg i større grad brukt kunstig intelligens til å tolke probabilistiske oppgaver. For eksempel: «Les 500 tilbakemeldinger fra ansatte og fortell meg hvilke tre følelsesmessige frustrasjoner som går igjen.» Et regneark eller en formel kan ikke bare beregne følelsesmessig frustrasjon.

Det henger også sammen med samtalen om juridisk involvering. Vi bruker noen ganger kunstig intelligens for mye på deterministiske oppgaver og ber den fortelle oss hva vi bør gjøre i en situasjon der det finnes ett eller to riktige svar. Da kan vi havne i problemer. Derfor er jeg forsiktig og dobbeltsjekker svarene før vi bare følger det den sier.

David Rice: Det er et godt råd. Jeg kan ikke understreke det nok.

Å bygge et globalt team bør ikke bety at man må håndtere fem forskjellige systemer for HR, lønn og IT. Deel samler alt på ett sted, slik at du kan ansette, introdusere, betale og utstyre folk hvor som helst uten det vanlige kaoset.

Enten du ansetter medarbeidere i ti land eller håndterer oppdragstakere på tvers av tidssoner, tar Deel seg av etterlevelse, fordeler og lønn på ett sted. Det betyr færre verktøy, færre hodepiner og mer tid til å fokusere på menneskene dine. Klar til å se hvordan ansettelser uten grenser faktisk ser ut?

Besøk deel.com/pmp. Det er deel.com/pmp for å bestille en demonstrasjon. Deel. Ansett, administrer og betal hvem som helst, hvor som helst.

Dere har bygget en coach for kunstig intelligens. Fortell litt om hva målene deres var med den.

Justin Angsuwat: Målet var å ha en kunstig intelligens-coach som alltid er tilgjengelig, omtrent som en personalfaglig ekspert i lommen.

Noen vi snakket med i Orlando, der du er, sa: «Jeg trenger ingen coach. Alle coacher er dyre.» Jeg vil heller beskrive det som å ha en personalfaglig ekspert i lommen som du kan stille spørsmål til. For eksempel: «Hvordan gir jeg denne vanskelige tilbakemeldingen?»

David må kanskje gi deg svært vanskelig tilbakemelding, og han er nervøs fordi han tror du ikke kommer til å ta den imot på en god måte. Coachen kan snakke deg gjennom situasjonen. På mange måter hjelper den HR-rådgivere og HR- eller personalteamet med å gi ledere råd på forespørsel i hele organisasjonen.

Men den er kontekstsensitiv. Det er den store forskjellen. Kontekst betyr alt. Hvis du spør en generell modell for kunstig intelligens hvordan du skal svare i en situasjon, får du gjennomsnittet av internett. Rådet er sannsynligvis teknisk korrekt, men ikke nødvendigvis nyttig i din konkrete situasjon.

Det er litt som å lese et horoskop: Det er vagt nok til å passe på alle, og derfor hjelper det ingen særlig spesifikt. Jeg tenker på kontekstlagene som gjør en kunstig intelligens-coach nyttig. Det er egentlig tre lag.

Det første er grunnlaget: Hvordan er coachen trent? La oss si at du skriver en instruksjon til coachen og stiller et spørsmål uten å gi mer kontekst. Vi trener ikke coachen på gjennomsnittet av internett, Reddit-tråder eller tilfeldige blogger. Vi har trent den på personalfaglig vitenskap.

Vi har omtrent halvannen milliard datapunkter om mennesker, kultur og prestasjoner, samlet inn over et tiår fra tusenvis av arbeidsplasser. Vi har team av personalfaglige forskere og personer med doktorgrad som skriver instruksjonene og utformer coachen.

Grunnlaget bygger derfor på solid forskning innen coaching og på organisatoriske datapunkter. Deretter legger du organisatorisk kontekst oppå dette. Coachen kjenner konteksten i selskapet ditt. Du kan raskt laste opp visjon, strategi, årlige mål, verdier, atferden bak verdiene og tilbakemeldingsrammeverkene dere bruker.

Noen organisasjoner bruker radikal åpenhet, andre bruker SBI og andre rammeverk. Plutselig kjenner coachen selskapet ditt. Oppå dette legger du prestasjonslaget: engasjementsdata, prestasjonsdata, en-til-en-samtaler og tilbakemeldinger.

Da begynner den å kjenne teamet ditt og deg. Når disse kontekstlagene settes sammen, får du ikke et generelt råd som «du bør lytte mer». Du får et konkret råd, som: «Basert på teamets lave engasjementsskårer, selskapets nye mål om radikal åpenhet og at dere ekspanderer til et nytt land, la meg stille deg noen spørsmål for å forstå situasjonen. Deretter kan vi bruke dette konkrete manuset som er utviklet gjennom personalfaglig forskning og rollespille samtalen.»

De tre kontekstlagene blir svært viktige. Det er dette som skiller en kunstig intelligens-coach fra å bruke en stor språkmodell eller et generativt verktøy til å gi deg råd.

David Rice: Jeg tror vi alle har brukt et verktøy som teknisk sett fungerer, men som ikke vet noe om oss. Da føles det bare som noe som eksisterer. Man tenker: «Hvorfor snakker jeg med dette?»

Justin Angsuwat: Du ser sikkert dette ofte siden du arbeider med mange HR-ledere som bygger mange ting. Ser du det?

David Rice: Ja. Jeg har bygget noen selv og tenkt: «Hva er det dette verktøyet snakker om?» Til slutt gir man bare opp og sier at det ikke hjelper.

Når du snakker om å legge inn kontekst, som teamdynamikk, organisasjonens historie og individuelle styrker, snur det virkelig opp ned på modellen mange av oss begynner med. Hvilke signaler er de mest kraftfulle for å få rådene fra kunstig intelligens til å føles virkelig relevante?

Justin Angsuwat: Et par ting.

For det første er den bygget på personalfaglig vitenskap og kjenner den organisatoriske konteksten din. Det betyr at du som leder ikke trenger å forklare konteksten hver eneste gang du samhandler med coachen.

Etter en stund kan man bli lei av å gi coachen all konteksten hver gang: «Gjør det i denne tonen. Tenk på dette. Her er personen jeg har snakket med.» Det ville vært fantastisk om coachen kunne si: «Du har hatt denne samtalen flere ganger med denne personen. Hva er det som ikke fungerer? La oss gå gjennom det på nytt.»

Det kraftfulle er at konteksten allerede er der. Den andre tingen er forskjellen mellom et vanlig programvareselskap og et selskap som bygger kunstig intelligens. Coachen fortsetter å lære og ser på gapet mellom det som er nyttig og det som ikke er nyttig. Deretter brukes dette til å trene coachen videre.

Det er en nyanse man ikke alltid ser: Coachen blir bedre av negative tilbakemeldinger.

David Rice: Jeg hørte nylig noen si at de ønsket at selskapet skulle fungere som et selskap innen kunstig intelligens, ikke bare som et vanlig programvareselskap. Hva betyr det når du faktisk er på kontoret en tirsdag?

Justin Angsuwat: Det betyr ikke å kjøpe en haug med Copilot-lisenser.

Det handler mindre om programvaren du kjøper og mer om hvordan du bygger og arbeider. Jeg vil trekke frem én ting som har fascinert meg, basert på temaet vi nettopp snakket om med kunstig intelligens-coachen: skiftet fra eksplisitte til implisitte tilbakemeldinger.

I programvareverdenen baserer vi oss vanligvis på at brukerne forteller oss ting eksplisitt. Vi ber dem kanskje rangere en funksjon fra én til fem stjerner eller svare på om en artikkel var nyttig. Men mennesker trykker sjelden på slike knapper med mindre de er svært fornøyde eller svært misfornøyde.

Dermed ligger mye data ubrukt. Vi leter etter eksplisitte tilbakemeldinger: «Fortell meg om dette er bra eller ikke.» Å arbeide med en tankegang for kunstig intelligens betyr derimot å være opptatt av implisitte tilbakemeldinger.

Hvis du redigerer et utkast og sletter en setning, er det et signal. Når kunstig intelligens lager en e-post eller et møtereferat og brukeren sletter en setning, kan det med eksplisitt tilbakemelding se ut som en feil. I beste fall ser det bare ut som en redigering.

Men et selskap som arbeider som et selskap innen kunstig intelligens, ser en implisitt tilbakemelding. Signalet er at modellens forutsigelse i denne konteksten var feil. Gapet mellom det kunstig intelligens-verktøyet først skrev og det mennesket til slutt ble fornøyd med, er verdifulle treningsdata.

Å vite hva som er galt, kan derfor være mer nyttig enn å vite hva som er riktig. Programvareselskaper ønsker ofte oppmerksomheten din og vil at du skal bruke plattformen. Selskaper innen kunstig intelligens ønsker delegering. De vil være så gode at du bare kan godkjenne resultatet.

Derfor bruker de det negative mellomrommet til å forstå hva som mangler eller hvor modellen må trenes på nytt. Over tid vil kunstig intelligens kjenne deg langt bedre.

David Rice: Det er fascinerende. Grunnen til at jeg dreide samtalen i den retningen, er at jeg synes det er en spennende ambisjon, men mange blir sittende fast når de skal gjøre den om til operativ atferd. Verktøy som Coach kan hjelpe med dette.

Når jeg tenker på forskjellen mellom de to selskapstypene, ser jeg mer eksperimentering, beslutninger i sanntid, mindre polering og høyere tempo på kunstig intelligens-siden. Når man fjerner hypen, hva er det egentlig som endres for teamene når de begynner å leve etter denne ideen?

Justin Angsuwat: Skiftet handler også om hvordan man utvikler funksjoner. Man går fra den tradisjonelle fossefallsmetoden for programvareutvikling til en metode som kan bevege seg mye raskere.

For noen av programvareingeniørene og produktlederne våre var aha-øyeblikket at de begynte å bygge og sa: «Jeg laget noe som kunne tatt måneder å bygge, på én uke. La oss fortsette.» Selv den første prototypen kan lages mye raskere.

Lag en prototype. Bygg noe raskt og se hvordan en fungerende prototype ser ut. Få den i hendene på testere og brukere. Det er noe annet enn den tradisjonelle prosessen med å avgrense prosjektet, bygge etter tidsplanen og gjøre alle trinnene først.

Det har vært et stort skifte i hvordan vi driver programvareutvikling. Jeg er nysgjerrig på om du ser det samme når du arbeider med selskaper innen kunstig intelligens.

David Rice: Ja, det tror jeg. Du sa noe til meg tidligere som virkelig traff: Bare fordi arbeidsflyten er teknisk avansert, betyr ikke det at den er nødvendig.

Når jeg tenker på det, innser jeg at jeg selv har sittet fast i at det skjer mye med kunstig intelligens nå. Det ser elegant og kult ut, men løser det faktisk et problem som må løses? Noen ting på arbeidsplassen kan også godt være litt kompliserte. Det kalles å være på jobb. Man bør faktisk måtte gjøre litt arbeid underveis.

Det handler om å tenke på hvor kunstig intelligens virkelig skaper verdi, og hvor det bare er imponerende teater.

Justin Angsuwat: Det kommer an på hver enkelt organisasjon og hva som er imponerende teater for dem. Men en enkel feil er å ta deterministiske oppgaver med ett riktig svar og bruke kunstig intelligens til å søke etter svarene. Det kan være nyttig, men man bruker ikke teknologien på sitt fulle potensial. Det blir i praksis bare et raskere regneark.

Det finnes en grense for hvor mye raskere man kan gjøre ting. Etter hvert får man avtakende utbytte. Det imponerende teateret oppstår når man legger enda et grensesnitt oppå noe som allerede fungerer, og tilfører mer kunstig intelligens til en oppgave som ikke er særlig smertefull eller forretningskritisk.

I stedet bør man se på hva som kan frigjøres gjennom probabilistiske oppgaver, som vi tidligere ikke hadde mye teknologi for. Hva kan vi oppdage som vi ikke engang har tenkt på ennå?

Et eksempel er internkommunikasjon. Man kan bruke kunstig intelligens til å skrive manus til presentasjoner. Det som virkelig er interessant, er å la verktøyet hente frem alle allmøtene en administrerende direktør har holdt, analysere dem og gi råd som en ekspert på internkommunikasjon.

Jeg husker et råd fra Claude til en administrerende direktør: «Når du leverer gode nyheter, begynner du med de gode nyhetene. Når du leverer dårlige nyheter, begynner du med selskapets verdier.» Lederen svarte: «Jeg ante ikke at jeg gjorde det.» Alle som følger lederen, vet imidlertid at når lederen begynner med verdiene, kommer de dårlige nyhetene.

Dette er ting som tidligere var utenkelige. En kommunikasjonsmedarbeider måtte huske alle presentasjonene, men denne nyansen ville aldri blitt fanget opp. Imponerende teater er å fortsette å forbedre motoren som skriver taler eller søker gjennom talene dine etter utdrag. Det er en nyttig, men deterministisk oppgave.

Den reelle effekten kommer når man bruker kunstig intelligens til probabilistiske oppgaver: «Fortell meg noe jeg ikke visste fra før. Analyser tusenvis av timer med presentasjoner og oppsummer hva jeg gjør godt og dårlig.» Det er her kraften i kunstig intelligens kommer til å ligge.

David Rice: Det er lett å forveksle kompleksitet med effektivitet. Det blir en av de store lederutfordringene fremover: Hvordan holder man folk fokusert på verdi når fristelsen til å vise frem hva kunstig intelligens kan gjøre, blir så sterk?

Justin Angsuwat: Det handler om å løse forretningsproblemet først. Hva er problemet som skal løses? Deretter spør man hvordan man kan bygge et verktøy for å løse det.

Det vanskelige med kunstig intelligens er at den kan løse problemer vi aldri visste at den kunne løse. Man vet ikke nødvendigvis at problemet finnes før man begynner å skrive instruksjoner.

Jeg husker en administrerende direktør som sa til ledergruppen sin, tidlig i reisen med kunstig intelligens: «Hvis du ikke har skrevet hundre instruksjoner til kunstig intelligens, veier ikke meningen din særlig tungt hos meg når du snakker om kunstig intelligens. Du vet rett og slett ikke nok ennå.»

Derfor startet vi med trygghet. Du vet ikke hvilke problemer du kan løse før du begynner å bruke teknologien og oppdager: «Dette kan løse et problem jeg ikke visste at jeg hadde.» Det blir en viktig reise for folk å gjennomføre.

David Rice: Dere kartlegger modenheten innen kunstig intelligens, ikke bare for kundene, men også for deres egen organisasjon. Hva overrasker deg ved dette? Mange selskaper forsøker å vurdere hvor de står.

Justin Angsuwat: Vi er fortsatt ganske tidlig i reisen. Vi arbeider hardt med dette, men utviklingen ser ut til å skje i store sprang. Hver gang jeg ser tilbake, finnes det noe nytt, som en ny forskningsartikkel.

En ting som ikke overrasker meg helt, men som jeg ser i mange organisasjoner, er antakelsen om at senioransatte eller høyt presterende personer vil være de første til å ta i bruk og mestre kunstig intelligens. Det har ikke alltid blitt slik.

Det er vanskelig å avlære hvordan man har gjort ting. Noen ganger er det vanskeligere enn å lære noe nytt. Hvis dette er din første jobb, bryr du deg kanskje ikke om hvordan arbeidet blir gjort. Du vil bare finne den korteste veien fra A til B og komme frem til svaret.

Hvis du har gjort det samme i 20 år, er deler av identiteten din knyttet til hvordan du kommer frem til svaret. Du har brukt store deler av livet på å perfeksjonere arbeidsflyten, og kunstig intelligens kan gjøre den foreldet svært raskt.

Det er en interessant tid der junioransatte eller personer som er nye i arbeidslivet, kan arbeide mer avansert med kunstig intelligens enn senioransatte. Senioransatte har ansvar for å bringe kunstig intelligens inn i organisasjonen, men de får også et annet ferdighetssett å bruke.

For eksempel blir skalering og arkitektur viktigere for en senioringeniør enn selve kodingen. Jeg tror ikke vi har løst dette kulturelle skiftet ennå. Vi står fortsatt midt i den uordnede overgangsfasen.

Det jeg ser i mange organisasjoner, er spørsmålet om hvordan man kombinerer nye ansatte tidlig i karrieren, som er svært naturlige i bruken av kunstig intelligens, med senioransatte eller høyt presterende medarbeidere som har gode grunner til å gjøre ting på bestemte måter, men som også må tilpasse seg det kunstig intelligens kan tilby.

David Rice: Det er en utfordring. Jeg liker at dere faktisk lever i dette, for det er ydmykende. Vi går gjennom det selv. Man tror man ligger foran utviklingen, og så tenker man: «Jeg er ikke engang sikker på hva utviklingen er lenger.»

Justin Angsuwat: Jeg er utenfor utviklingen, men jeg er den eneste personen på denne utviklingen. Hva skjedde? Hvor er resten?

David Rice: Jeg liker å høre historiene til andre som går gjennom dette og faktisk lever med det. Takk for at du delte dette i dag. Det var svært nyttig.

Justin Angsuwat: Takk, David. Takk for at jeg fikk komme.

Jeg likte den forrige samtalen vår veldig godt, og jeg likte denne samtalen også. Vi lever i dette selv og prøver å finne ut av det én dag av gangen. Vi har ingen ettårig plan for hvordan vi skal løse dette, så vi jobber oss frem og deler gjerne det vi lærer.

Det gode, det dårlige og det stygge.

David Rice: Absolutt. Vi prøver bare å være tilpasningsdyktige hver dag. Takk igjen for at du kom. Det var hyggelig å ha deg her.

Justin Angsuwat: Takk igjen, David. Ha det bra.

David Rice: Greit, lyttere, til neste gang. Hvis du ikke allerede har gjort det, må du sørge for at du er registrert for nyhetsbrevet på peoplemanagingpeople.com/subscribe. Ta også en titt på vår utforsker for transformasjon med kunstig intelligens.

Til neste gang: Fortsett å leve det. Vi finner ut av det til slutt.