В новой среде, дополненной искусственным интеллектом, организациям необходимо отказаться от традиционных показателей, пишет на портале InformationWeek Пол Макдонах-Смит, приглашенный лектор MIT Sloan School of Management.
Компании часто начинают измерение ИИ с неправильного места, задавая вопросы:
• Сколько сотрудников используют ChatGPT?
• Сколько запросов было написано?
• Сколько лицензий активно?
Эти показатели легко подсчитать, но они плохо отражают реальные изменения.
Более уместный начальный вопрос: для выполнения каких внутренних задач нашей организации мы «нанимаем» передовые технологии ИИ?
Я использую словосочетание «метрики ценности», потому что это знакомый язык. Но меня действительно интересуют показатели ценности — способы осмысления влияния и опыта, которые обеспечивают прорывные технологии.
ИИ не просто добавляет инструмент; он меняет то, как выполняется работа. А когда работа меняется на уровне задачи, ценность может проявляться там, где нам этого не увидеть на наших панелях мониторинга.
Таксономия работы устарела
Мы должны перестать рассматривать названия должностей и сквозные рабочие процессы как единственные таксономии, имеющие значение. Нам необходимо научиться декомпозировать задачи. Исследования показывают, что подавляющее большинство рабочих мест, если их декомпозировать, содержат от 15 до 25 основных задач. Как только вы видите задачи, становится неизбежной необходимость получить ответ на фундаментальный вопрос: в какой степени каждая задача может быть ответственно, безопасно и точно автоматизирована, дополнена или обеспечена помощью агента?
Если вы реструктурируете анатомию работы, задачу за задачей, вы меняете ДНК рабочего процесса. Так почему же мы должны ожидать, что те же самые устаревшие метрики и KPI, которые мы использовали раньше, останутся такими же точными?
По мере того, как организации внедряют и интегрируют ИИ, они могут генерировать новые метрики ценности, которые они ранее не признавали и даже не называли. Человеческое восприятие узко. Мы часто используем старую логику измерения, потому что она нам знакома. Но крупные технологические сдвиги могут заставлять нас изобретать новые способы описания реальности. ИИ не станет исключением.
Что же нам следует теперь измерять?
Ниже приведены пять метрик, которые я считаю практичными, поскольку они напрямую связаны с тем, как ИИ меняет принятие решений, креативность, инновации и обучение.
1. Скорость принятия решений. Как ИИ сокращает цикл принятия решений и повышает оперативность? В некоторых областях интеллектуального труда — например, в разработке ПО — получены данные, свидетельствующие о том, что ИИ может сократить время выполнения задач на
2. Повышение качества решений (и более качественные вопросы). Если я покажу свои рассуждения машине, она может помочь мне уточнить мой подход, выявив пробелы, оспорив предположения и предложив улучшения. Есть и обратная сторона: вы улучшаете не только ответ, но и вопрос. Более качественные вопросы приводят к лучшим результатам.
3. Индекс усиления возможностей человека. Генеративный ИИ может повысить человеческую креативность: он помогает людям генерировать варианты, составлять черновики, итеративно совершенствовать и исследовать. Но он также может ухудшить положение людей в некоторых областях, если они отдают на аутсорсинг слишком много мыслительной работы. Поэтому отслеживайте усиление возможностей с течением времени: расширяет ли ИИ человеческие возможности или ограничивает их?
4. Результативность инноваций. Организации генерируют множество идей, но лишь немногие из них становятся реальными функциями или улучшениями. Если агенты ИИ теперь участвуют в процессе генерации идей, каков мультипликатор силы? Каково улучшение результативности, процент идей, которые воплощаются в реальность? Исследования показывают, что люди, генерирующие идеи с помощью агентов ИИ, могут превзойти людей, генерирующих идеи в одиночку, и что команда, использующая одного общего агента ИИ, может избежать издержек, связанных с агрегированием результатов работы нескольких агентов.
5. Эффективность циклов обучения. Циклы обучения имеют решающее значение для развития рабочей силы. Программы стажировки работали потому, что один человек помогал другому учиться с течением времени. ИИ открывает возможность запуска новых циклов обучения между машинами и людьми, а также между самими людьми в присутствии машины. Далее возникает вопрос: улучшает ли ИИ скорость и качество обучения на рабочем месте?
Чем стоит заняться в понедельник
Некоторые метрики всегда будут иметь значение. Оценка удовлетворенности сотрудников и клиентов подобна измерению температуры. Но наряду с ними нам нужно быть внимательными к новым метрикам. Опасно жить в мире, где ваши результаты неизмеримы. Метрики формируют поведение. Метрики, которые мы выберем для ИИ, будут определять, что будут оптимизировать руководители, что будут создавать команды и какими станут предприятия.
Поэтому, если вы хотите измерить ИИ-трансформацию, не начинайте с вопроса «Сколько людей использовали инструмент?». Начните с самой работы: разложите ее на составляющие, посмотрите, какие задачи изменились, а затем спросите, какой новый смысл создается. Ценность часто уже есть. Вопрос в том, создали ли мы единицы измерения, чтобы ее увидеть.
