AI jest nagrodą za dyscyplinę operacyjną, ale jej nie stworzy

Te same trzy odpowiedzi

Opowiada o panelu, który prowadził kilka lat temu. Publiczność — sala pełna liderów ds. danych i technologii — została poproszona o wskazanie najważniejszych przeszkód blokujących sprawną infrastrukturę danych. Wyniki przedstawiono w formie chmury słów. Trzy kwestie niezmiennie wybijały się na pierwszy plan: poparcie kadry kierowniczej, jakość danych i biegłość w posługiwaniu się danymi.

„Gdyby zadać to pytanie w 2005 roku” — powiedział Gonzalez podczas konferencji Optimized AI w Atlancie — „te same problemy nadal będą nękać organizacje”.

Ma rację. A konsekwencje są bardziej niekomfortowe, niż większość kadry kierowniczej chce przyznać.

Dług organizacyjny, który tak utrudnia wdrażanie AI, nie powstał za sprawą AI. Jest skutkiem wieloletniego funkcjonowania rozproszonych systemów, nierozstrzygniętych kwestii związanych z zarządzaniem, zespołów działających w silosach i niespójnych systemów motywacyjnych — problemów, których nikt nie rozwiązał, ponieważ koszt ich usunięcia zawsze wydawał się wyższy niż koszt obchodzenia ich. 

Następnie pojawiła się generatywna AI i nagle ignorowanie tych samych problemów stało się bardzo kosztowne.

Wzorzec opisywany przez Gonzaleza powtarza się w różnych branżach i obszarach przywództwa. Udaj się na konferencje poświęcone AI, operacjom lub ludziom, a prawdopodobnie usłyszysz którąś z wersji tego samego przekazu: organizacje sięgają po nową technologię, mając nadzieję, że rozwiąże problemy, które w gruncie rzeczy dotyczą ludzi i procesów. 

Tak dzieje się w inżynierii danych. Tak było, gdy naukę o danych okrzyknięto najbardziej atrakcyjnym zawodem w Ameryce. Teraz historia znów się powtarza. Technologia się zmienia. Leżące u jej podstaw nieprawidłowości pozostają.

Wyzwanie związane z AI

Tę chwilę wyróżnia skala zakładu. Inwestycje w AI są większe, szybsze i bardziej widoczne niż wszystko, co pojawiło się wcześniej.

Gdy projekt pilotażowy kończy się niepowodzeniem, zbyt często dzieje się tak dlatego, że zasilające go dane są niewiarygodne, nikt nie ustalił jasnej odpowiedzialności za wdrażane modele albo dwa działy działały w oparciu o zupełnie różne założenia dotyczące tego, co narzędzie miało robić. 

Gonzalez wskazuje wymowny przykład. Ubezpieczyciel zdrowotny mający ponad 25 milionów członków wdrożył generatywną AI nie do rozpatrywania roszczeń, lecz do pisania pism odmownych — w ramach obowiązku zgodności, który wcześniej wymagał ogromnego nakładu pracy ręcznej. Rezultatem było zmniejszenie kosztów ogólnych tego procesu o 80–90%. Żaden agent multimodalny. Żaden autonomiczny system obejmujący całe przedsiębiorstwo. Wąsko zdefiniowany, dobrze określony problem, do którego rozwiązania dane były wystarczająco uporządkowane.

Najpierw wykonano mało efektowną pracę. Tak niemal zawsze powstają prawdziwe sukcesy.

Warunki uzyskania wartości

Dyrektorzy osiągający rzeczywisty postęp kierują się konkretną dyscypliną: przestali pytać, gdzie można wykorzystać AI, a zaczęli pytać, co musi być prawdą, aby AI przyniosła tutaj wartość. Różnica brzmi subtelnie. Wcale taka nie jest. 

Pierwsze pytanie prowadzi do mnożenia projektów pilotażowych, które nigdy nie wychodzą poza etap weryfikacji koncepcji. Drugie wymusza uczciwą ocenę tego, czy fundament — jakość danych, zarządzanie, współpraca między działami i jasno określona odpowiedzialność — rzeczywiście istnieje.

Najczęściej nie. A uczciwa odpowiedź na pytanie „co musi być prawdą” brzmi: potrzebna jest 12–18-miesięczna mapa drogowa, która zaczyna się od infrastruktury, której nikt nie chce finansować, ponieważ nie pojawia się ona w wersji demonstracyjnej.

Właśnie tutaj uzgodnienie stanowisk na poziomie najwyższego kierownictwa ma większe znaczenie niż strategia któregokolwiek pojedynczego działu. CHRO martwiący się zakłóceniami na rynku pracy, CIO zarządzający długiem technologicznym, COO przeprojektowujący przepływy pracy i CFO oceniający zwroty — nie patrzą na różne problemy. Patrzą na ten sam problem z różnych perspektyw. 

Gdy te perspektywy się nie łączą, inwestycje w AI są często niewłaściwie sekwencjonowane, odpowiedzialność się rozmywa, a rozbieżność między oczekiwaniami a rezultatem rośnie, aż w końcu komuś zostaje obcięty budżet.

Gonzalez jasno przedstawia ograniczenie, które wiąże wszystkie te kwestie.

„Technologia rzadko jest tym, co powstrzymuje organizacje” — powiedział. „Powstrzymują je struktura polityczna, silosy własności, konkurujące priorytety i niespójne zachęty. To problemy przywódcze. Wymagają rozwiązań przywódczych, a nie kolejnego dostawcy, nie lepszego modelu ani bardziej efektownego narzędzia.

Trwały postęp z zewnątrz wygląda nudno. To przebudowywanie architektury platform, rozstrzyganie kwestii zarządzania danymi, które ciągną się od lat, oraz podejmowanie trudnych kompromisów związanych z centralizacją odpowiedzialności za rozwój i wdrażanie AI. Nic z tego nie prezentuje się dobrze podczas kwartalnego przeglądu. Wszystko to jednak kumuluje się z czasem.

Jednak AI wynagradza dyscyplinę operacyjną. Nie tworzy jej.