Οι ηγέτες των επιχειρήσεων αγωνίζονται να καταλάβουν πόσο σοβαρά πρέπει να λάβουν το πιο πρόσφατο φαινόμενο στον κόσμο της τεχνητής νοημοσύνης: την γενετική τεχνητή νοημοσύνη. Από τη μία πλευρά, έχει ήδη επιδείξει μια εκπληκτική ικανότητα να δημιουργεί νέο περιεχόμενο όπως μουσική, ομιλία, κείμενο, εικόνες και βίντεο και χρησιμοποιείται επί του παρόντος, για παράδειγμα, για τη σύνταξη λογισμικού, τη μεταγραφή των αλληλεπιδράσεων των γιατρών με τους ασθενείς τους και επιτρέπουν στους ανθρώπους να συνομιλούν με ένα σύστημα διαχείρισης σχέσεων με πελάτες. Από την άλλη πλευρά, απέχει πολύ από το να είναι τέλειο: Μερικές φορές παράγει παραμορφωμένα ή εντελώς κατασκευασμένα αποτελέσματα και μπορεί να αγνοεί τις ανησυχίες σχετικά με το απόρρητο και τα πνευματικά δικαιώματα.
Είναι υπερβολική η σημασία της γενετικής τεχνητής νοημοσύνης; Αξίζουν οι κίνδυνοι του τα πιθανά οφέλη; Πώς μπορούν οι εταιρείες να καταλάβουν πού να το εφαρμόσουν καλύτερα; Ποια πρέπει να είναι τα πρώτα τους βήματα; Για να παρέχει καθοδήγηση, αυτό το άρθρο βασίζεται στην έρευνά μας που περιλαμβάνει μελέτες συγκεκριμένων έργων γενετικής τεχνητής νοημοσύνης και ευρείες αναλύσεις για το πώς η τεχνολογία θα επηρεάσει εργασίες και θέσεις εργασίας σε ολόκληρη την οικονομία.
Οι πράκτορες εξυπηρέτησης πελατών της εταιρείας, που βοηθούν τους ανθρώπους μέσω διαδικτυακών συνομιλιών, αντιμετώπισαν μια κοινή πρόκληση: Οι νέες προσλήψεις χρειάστηκαν αρκετούς μήνες για να ενημερωθούν σχετικά με το πώς να απαντούν σε τεχνικές ερωτήσεις και να αντιμετωπίζουν μπερδεμένους πελάτες, αλλά πολλοί τα παράτησαν πριν γίνουν ικανοί. Η εταιρεία είδε τη γενετική τεχνητή νοημοσύνη ως λύση. Ασχολήθηκε με την Cresta (την οποία συμβουλεύει ο Erik), μια γεννήτρια start-up τεχνητής νοημοσύνης, να εφαρμόσει δύο είδη τεχνητής νοημοσύνης. Το πρώτο ήταν ένα μεγάλο γλωσσικό μοντέλο (LLM) – σχεδιασμένο για να κατανοεί και να ανταποκρίνεται στους ανθρώπους με τα δικά τους λόγια – που «άκουγε» στις συνομιλίες. Ήταν προσαρμοσμένο ώστε να αναγνωρίζει φράσεις που οδήγησαν σε καλά αποτελέσματα εξυπηρέτησης πελατών σε διάφορες καταστάσεις. Ωστόσο, λόγω του κινδύνου σύγχυσης ή εύλογων αλλά εσφαλμένων απαντήσεων, το σύστημα χρησιμοποίησε επίσης μια τεχνική μηχανικής μάθησης που ονομάζεται μάθηση εντός περιβάλλοντος, η οποία αντλούσε απαντήσεις από σχετικά εγχειρίδια χρήστη και έγγραφα.
Μετά από ένα πιλοτικό επτά εβδομάδων, το σύστημα κυκλοφόρησε σε περισσότερους από 1.500 πράκτορες. Μέσα σε δύο μήνες εμφανίστηκαν πολλαπλά οφέλη. Τόσο ο μέσος αριθμός ζητημάτων που επιλύονται ανά ώρα όσο και ο αριθμός των συνομιλιών που θα μπορούσε να χειριστεί ένας πράκτορας αυξήθηκαν ταυτόχρονα σχεδόν κατά 15%. O μέσος χρόνος συνομιλίας μειώθηκε κατά σχεδόν 10%, και μια ανάλυση των αρχείων καταγραφής συνομιλιών έδειξε ότι αμέσως μετά την εφαρμογή του νέου συστήματος, η ικανοποίηση των πελατών βελτιώθηκε. Οι καταγγελίες παραπόνων μειώθηκαν, όπως και η πληκτρολόγηση με ΚΕΦΑΛΑΊΑ.
Είναι ιδιαίτερα ενδιαφέρον ότι οι λιγότερο ικανοί πράκτορες, οι οποίοι ήταν επίσης συχνά οι νεότεροι, ωφελήθηκαν περισσότερο. Για παράδειγμα, οι αναλύσεις ανά ώρα από πράκτορες που ήταν μεταξύ των πιο αργών με ποσοστό 20% πριν από την εισαγωγή του νέου συστήματος βελτιωθήκαν κατά 35%. Το σύστημα παραγωγής τεχνητής νοημοσύνης ήταν μια τεχνολογία αναβάθμισης ταχείας δράσης. Έθεσε στη διάθεση όλων των αντιπροσώπων γνώσεις που προηγουμένως προέρχονταν μόνο με εμπειρία ή εκπαίδευση. Επιπλέον, ο κύκλος εργασιών των πρακτόρων μειώθηκε, ειδικά μεταξύ εκείνων με λιγότερο από έξι μήνες εμπειρίας – ίσως επειδή οι άνθρωποι είναι πιο πιθανό να παραμείνουν όταν διαθέτουν ισχυρά εργαλεία για να τους βοηθήσουν να κάνουν τη δουλειά τους καλύτερα.
Δεδομένης της δυνατότητας της γενετικής τεχνητής νοημοσύνης να βελτιώσει την παραγωγικότητα σε πολλές άλλες λειτουργίες το να την ονομάζουμε τεχνολογική επανάσταση δεν είναι καθόλου υπερβολή. Οι ηγέτες των επιχειρήσεων θα πρέπει να το δουν ως μια τεχνολογία γενικής χρήσης παρόμοια με τον ηλεκτρισμό, την ατμομηχανή και το διαδίκτυο. Ωστόσο, παρόλο που το πλήρες δυναμικό αυτών των άλλων τεχνολογιών χρειάστηκε δεκαετίες για να αξιοποιηθεί, ο αντίκτυπος της γενετικής τεχνητής νοημοσύνης στην απόδοση και τον ανταγωνισμό σε ολόκληρη την οικονομία θα είναι σαφής σε λίγα μόλις χρόνια.
Αυτό οφείλεται στο γεγονός ότι οι τεχνολογίες γενικής χρήσης του παρελθόντος απαιτούσαν μεγάλη συμπληρωματική φυσική υποδομή (γραμμές ρεύματος, νέα είδη κινητήρων και συσκευών, επανασχεδιασμένα εργοστάσια κ.λπ.) μαζί με νέες δεξιότητες και επιχειρηματικές διαδικασίες. Αυτό δεν συμβαίνει με τη Generative AI. Μεγάλο μέρος της απαραίτητης υποδομής είναι ήδη σε ισχύ: Το cloud, το λογισμικό ως υπηρεσία, οι επαφές προγραμματισμού εφαρμογών, τα καταστήματα εφαρμογών και άλλες εξελίξεις συνεχίζουν να μειώνουν τον χρόνο, την προσπάθεια, την τεχνογνωσία και τα έξοδα που απαιτούνται για την απόκτηση και την έναρξη χρήσης νέων συστημάτων. Ως αποτέλεσμα, γίνεται όλο και πιο εύκολο για τις εταιρείες να αναπτύξουν σχεδόν οποιαδήποτε ψηφιακή τεχνολογία. Αυτός είναι ένας μεγάλος λόγος που το ChatGPT πήγε από μηδέν σε 100 εκατομμύρια χρήστες σε 60 ημέρες. Καθώς η Microsoft, η Google και άλλοι πάροχοι τεχνολογίας ενσωματώνουν εργαλεία παραγωγής τεχνητής νοημοσύνης στους πελάτες, σε email και σε άλλες εφαρμογές τους, δισεκατομμύρια χρήστες θα αποκτήσουν γρήγορα πρόσβαση ως μέρος της καθημερινής τους ρουτίνας.
Κατά συνέπεια, οι ηγέτες των επιχειρήσεων δεν πρέπει να κάθονται στο περιθώριο και να περιμένουν να δουν πώς αναπτύσσεται η χρήση της γενετικής τεχνητής νοημοσύνης. Δεν έχουν την πολυτέλεια να αφήσουν τους ανταγωνιστές να τους κλέψουν μια επιτυχημένη πορεία.
Πώς θα επηρεάσει η Generative AI τις θέσεις εργασίας της εταιρείας σας;
Οι προβλέψεις για τα είδη και τον αριθμό των θέσεων εργασίας που θα αντικατασταθούν από τη γενετική τεχνητή νοημοσύνη αφθονούν. Αλλά στην πραγματικότητα είναι πιο χρήσιμο να σκεφτόμαστε τις γνωστικές εργασίες που η τεχνολογία θα μπορούσε να εκτελέσει ή να βοηθήσει στην εκτέλεση.
Επί του παρόντος, τα περισσότερα παραγωγικά έργα τεχνητής νοημοσύνης επικεντρώνονται στη βελτίωση συγκεκριμένων εργασιών. Αυτό είναι σωστό, γιατί υπάρχουν τόσες πολλές ευκαιρίες για να χρησιμοποιηθεί η τεχνολογία με αυτόν τον τρόπο. Αλλά καθώς ωριμάζει και οι εταιρείες αποκτούν εμπειρία με αυτό, οι παραγωγικές προσπάθειες τεχνητής νοημοσύνης θα περιλαμβάνουν ολόκληρες επιχειρηματικές διαδικασίες αντί για μεμονωμένες εργασίες. Για παράδειγμα, θα χρησιμοποιηθούν για να μεταμορφώσουν κάθε πτυχή της αλληλεπίδρασης μιας εταιρείας με τους πελάτες, όχι μόνο για τη βελτίωση των διαδικτυακών συνομιλιών αντιμετώπισης προβλημάτων. Το Generative AI εξακολουθεί να είναι μια εκκολαπτόμενη τεχνολογία και δεν μπορούμε να προβλέψουμε πώς ακριβώς θα τεθεί σε λειτουργία τα επόμενα χρόνια. Μπορούμε όμως με σιγουριά να προβλέψουμε ότι θα έχει μεγάλο ρόλο στις ψηφιακές στρατηγικές επιτυχημένων εταιρειών.
Να είστε έτοιμοι να πειραματιστείτε
Τις τελευταίες δεκαετίες κορυφαίοι οργανισμοί έχουν χρησιμοποιήσει την ευέλικτη μέθοδο για την επιτυχή ανάπτυξη και υιοθέτηση νέων πληροφοριακών συστημάτων (βλ. «Embracing Agile», HBR, Μάιος 2016). Διαχειρίζονται τις προσπάθειές τους με επαναλαμβανόμενες δοκιμές και όχι με εκτεταμένο σχεδιασμό. Χωρίζουν τα έργα σε σύντομους κύκλους που μπορούν να ολοκληρωθούν σε μία ή δύο εβδομάδες, μερικές φορές ακόμη και λιγότερο. Τα μέλη της ομάδας έργου παρακολουθούν την πρόοδο και σκέφτονται τι έχουν μάθει πριν ξεκινήσουν τον επόμενο κύκλο. Συχνά, στην πραγματικότητα, ολόκληρος ο κύκλος είναι ένα πείραμα: ο στόχος δεν είναι τόσο να οικοδομήσουμε κάτι όσο να ελέγξουμε μια υπόθεση και να αποκτήσουμε κατανόηση.
Η Generative AI υπόσχεται να έχει σημαντικό αντίκτυπο στον τρόπο λειτουργίας των επιχειρήσεων—και μέσα σε λίγα χρόνια, όχι σε δεκαετίες από τώρα. Η τάση του να μπερδεύει και οι κίνδυνοι της ιδιωτικής ζωής, της πνευματικής ιδιοκτησίας και της μεροληψίας αποτελούν θεμιτές ανησυχίες, αλλά μπορούν να περιοριστούν. Οι ηγέτες δεν έχουν την πολυτέλεια να τηρούν στάση αναμονής. Θα πρέπει να αρχίσουν να εξερευνούν τις δυνατότητες της τεχνολογίας τώρα.
ΠΗΓΗ: hbr.org
