Η υιοθέτηση της AI στις επιχειρήσεις προχωρά ταχύτερα από οποιαδήποτε τεχνολογική αλλαγή στην πρόσφατη ιστορία. Κάθε συνάντηση της διοίκησης καταλήγει τελικά στην ίδια προσδοκία. Η AI πρέπει να προσφέρει μετρήσιμη αξία σε ολόκληρο τον οργανισμό. Μετά την κυκλοφορία του ChatGPT, οι ομάδες μηχανικών υιοθέτησαν το Copilot, οι αναλυτές στράφηκαν στο Perplexity και οι ομάδες επιχειρησιακών λειτουργιών πειραματίστηκαν με την αυτοματοποίηση. Η παραγωγικότητα βελτιώθηκε σχεδόν αμέσως.
Ωστόσο, μόλις λίγους μήνες αργότερα, ο ρυθμός υιοθέτησης επιβραδύνθηκε. Τα πιλοτικά έργα έμειναν στάσιμα. Η απόδοση της επένδυσης άρχισε να παρουσιάζει διακυμάνσεις. Αυτή η επιβράδυνση δεν οφείλεται σε αδύναμα μοντέλα ή σε έλλειψη φιλοδοξίας από τη διοίκηση. Είναι αποτέλεσμα μιας δομικής αναντιστοιχίας ανάμεσα στις δυνατότητες της AI και στο περιβάλλον των επιχειρήσεων.
Πρόσφατα, διάβασα μια ανάλυση του Caleb, ενός δημιουργού που συχνά εξετάζει την οργανωτική πλευρά της υιοθέτησης της AI. Η προσέγγισή του δεν εισήγαγε νέες έννοιες, αλλά αποσαφήνισε μια αντίφαση που πολλοί επικεφαλής επιχειρήσεων έχουν ήδη διαισθανθεί. Εξήγησε γιατί η AI ξεχωρίζει σε μεμονωμένες περιπτώσεις χρήσης, αλλά δυσκολεύεται να επιφέρει μετασχηματισμό σε επίπεδο συστήματος.
Η υιοθέτηση της AI δεν εξαρτάται από την ισχύ του μοντέλου. Εξαρτάται από το επίπεδο στο οποίο εισάγεται η AI στην επιχείρηση.
Για τους CIOs, τους CTOs και τους επικεφαλής μετασχηματισμού που αναρωτιούνται γιατί η AI εντυπωσιάζει στις επιδείξεις αλλά μένει στάσιμη στην εφαρμογή, αυτό το άρθρο χαρτογραφεί τους κρυφούς περιορισμούς και τις στρατηγικές κατευθύνσεις που απαιτούνται για βιώσιμη υιοθέτηση σε ολόκληρη την επιχείρηση.
Από το «Πρέπει να υιοθετήσουμε AI;» στο «Γιατί η υιοθέτηση προχωρά τόσο αργά;»
Πριν από δύο χρόνια, οι επιχειρήσεις συζητούσαν αν χρειάζονταν AI. Σήμερα, το ερώτημα είναι πώς θα την ενσωματώσουν με βιώσιμο και ασφαλή τρόπο. Οι αναλυτές προβλέπουν ότι ένα σημαντικό μέρος του έργου που παράγουν οι επιχειρήσεις μπορεί σύντομα να παράγεται από AI. Στα χαρτιά, αυτό μοιάζει αναπόφευκτο. Στην πράξη, ο αντίκτυπος παραμένει άνισος.
Οι ομάδες μηχανικών κινούνται ταχύτερα, όμως η εκτέλεση εργασιών μεταξύ διαφορετικών τμημάτων μόλις που βελτιώνεται. Οι ομάδες πωλήσεων αυτοματοποιούν την προσέγγιση πελατών, αλλά εξακολουθούν να χάνουν χρόνο στον μη αυτοματοποιημένο συντονισμό. Οι ομάδες επιχειρησιακών λειτουργιών εξάγουν γρήγορα χρήσιμα συμπεράσματα, αλλά εναρμονίζουν κατακερματισμένα δεδομένα με μη αυτοματοποιημένες διαδικασίες.
Οι επιχειρήσεις δεν λειτουργούν ως γραμμικές μηχανές. Λειτουργούν ως σύνθετα συστήματα που διαμορφώνονται από τη διακυβέρνηση, τα κίνητρα, την κουλτούρα και την τεχνολογία παλαιότερων γενεών. Η AI εντείνει αυτή την πολυπλοκότητα αντί να τη μειώνει.
Μια χρήσιμη προσέγγιση είναι να εξετάσουμε την AI στις επιχειρήσεις μέσα από τρία επίπεδα ωριμότητας.
Επίπεδο 1. Εργασίες με υποβοήθηση από AI
Χρήσιμες αλλά με θεμελιώδεις περιορισμούς
Από εδώ ξεκινούν οι περισσότερες επιχειρήσεις. Οι εργαζόμενοι χρησιμοποιούν παραγωγική ΤΝ για έρευνα, σύνοψη, προτάσεις κώδικα και δημιουργία περιεχομένου. Αυτά τα εργαλεία προσφέρουν άμεση αξία.
Όμως η επιτάχυνση επιμέρους εργασιών δεν ισοδυναμεί με μετασχηματισμό των ροών εργασίας. Οι διαδικασίες που τις πλαισιώνουν — εγκρίσεις, παραδόσεις εργασιών, επίπεδα αναφορών — παραμένουν αμετάβλητες. Ως αποτέλεσμα, η ταχύτητα λειτουργίας της επιχείρησης δεν βελτιώνεται σημαντικά.
Η ταχύτητα εκτέλεσης των εργασιών δεν είναι το ίδιο με την ταχύτητα λειτουργίας του οργανισμού.
Αυτό το στάδιο μοιάζει ασφαλές, επειδή δεν απαιτούνται δομικές αλλαγές. Όμως η μακροπρόθεσμη απόδοση της επένδυσης έχει, εκ σχεδιασμού, ένα ανώτατο όριο.
Επίπεδο 2. Ροές εργασίας με αυτόνομους πράκτορες
Μεγάλες δυνατότητες και έντονες αντιστάσεις
Η ΤΝ με αυτόνομους πράκτορες εκτελεί αυτόνομα ροές εργασίας πολλαπλών βημάτων. Οι πράκτορες τροποποιούν αρχεία, ελέγχουν αποτελέσματα, διαχειρίζονται εργασίες ή συντονίζουν λειτουργίες. Οι προοπτικές είναι τεράστιες.
Η υιοθέτησή της, όμως, δεν είναι ανάλογη.
Το εμπόδιο δεν είναι η τεχνική ικανότητα, αλλά η οργανωτική ετοιμότητα. Τα συστήματα με αυτόνομους πράκτορες απαιτούν εμπιστοσύνη, εποπτεία, διακυβέρνηση και ανοχή στην αυτοματοποίηση. Διαταράσσουν τις καθιερωμένες ιεραρχίες και τις συνήθεις διαδικασίες συμμόρφωσης. Εισάγουν λειτουργικούς κινδύνους με τους οποίους οι επιχειρήσεις δεν είναι εξοικειωμένες.
Κατά συνέπεια, πολλά εργαλεία με αυτόνομους πράκτορες υποβαθμίζονται σε ημιαυτόνομους βοηθούς που λειτουργούν μόνο μέσα σε ασφαλή όρια.
Οι επιχειρήσεις δεν απορρίπτουν την αυτονομία από φόβο. Την απορρίπτουν επειδή δεν ευθυγραμμίζεται με τον τρόπο λειτουργίας τους.
Επίπεδο 3. Συστήματα σχεδιασμένα εξαρχής για την ΤΝ
Το μακροπρόθεσμο πλεονέκτημα
Τα συστήματα που έχουν σχεδιαστεί εξαρχής για την ΤΝ αντιπροσωπεύουν το υψηλότερο επίπεδο ωριμότητας. Προβλέπουν τη συμμετοχή της ΤΝ από την αρχή. Αντί να προσαρμόζουν εκ των υστέρων ροές εργασίας βελτιστοποιημένες για ανθρώπους, οι επιχειρήσεις δημιουργούν νέες λειτουργικές δομές όπου η ΤΝ ενορχηστρώνει τη ροή δεδομένων, την αλληλουχία των αποφάσεων και τους ρυθμούς εργασίας.
Αυτό επιτρέπει τη λειτουργία βάσει προβλέψεων, μειώνει τα σημεία συμφόρησης και καθιστά δυνατή τη συνεχή λήψη αποφάσεων.
Το εμπόδιο είναι μεγάλο. Όμως το μακροπρόθεσμο πλεονέκτημα ξεπερνά κατά πολύ τα οφέλη των σταδιακών βελτιώσεων.
Ωστόσο, η πορεία προς τα συστήματα που έχουν σχεδιαστεί εξαρχής για την ΤΝ είναι μακρά. Ο πραγματικός κίνδυνος εμφανίζεται στο ενδιάμεσο.
Το πρόβλημα της Ferrari
Η ανεξέλεγκτη ΤΝ είναι μια απειλή υψηλών επιδόσεων
Ο Caleb χρησιμοποίησε μια μεταφορά που αποκτά ακόμη μεγαλύτερη δύναμη στο πλαίσιο μιας επιχείρησης. Το να δίνεις στους εργαζομένους πρόσβαση σε ισχυρά εργαλεία ΤΝ, όπως το ChatGPT ή το Copilot, δεν είναι απλώς σαν να τους δίνεις μια Ferrari.
Είναι σαν να τους δίνεις μια Ferrari χωρίς εκπαίδευση, χωρίς κανόνες οδικής κυκλοφορίας, χωρίς ασφάλιση και χωρίς να μπορείς να δεις πού θα πάει πραγματικά το αυτοκίνητο.
Ο κινητήρας είναι εξαιρετικός. Όμως, σε ένα σύνθετο επιχειρησιακό περιβάλλον με ευαίσθητα δεδομένα, απαιτήσεις συμμόρφωσης και παλαιά συστήματα, αυτό το επίπεδο ανεξέλεγκτης ισχύος αποτελεί δομική απειλή.
Η τεχνητή νοημοσύνη χωρίς κανόνες οδηγεί σε ακούσιες διαρροές δεδομένων, χρήση μη εγκεκριμένων εργαλείων πληροφορικής, μη επαληθεύσιμα αποτελέσματα, ανεξέλεγκτα δεδομένα εισόδου στα μοντέλα και πλήρη απώλεια της δυνατότητας ελέγχου.
Η Ferrari δεν κινείται απλώς γρήγορα. Κινείται προς κατευθύνσεις που η επιχείρηση δεν μπορεί να δει.
Μέχρι να ανασχεδιαστούν οι ροές εργασίας, τα όρια διακυβέρνησης, τα επίπεδα επικύρωσης και η αρχιτεκτονική διασύνδεσης, η ανεξέλεγκτη τεχνητή νοημοσύνη παραμένει βάρος, όχι πλεονέκτημα.
Γιατί η κλίμακα των επιχειρήσεων δημιουργεί συστημικές τριβές
Καθώς οι οργανισμοί μεγαλώνουν, η πολυπλοκότητα του συντονισμού αυξάνεται ακόμη πιο γρήγορα. Ο διπλασιασμός μιας ομάδας δεν διπλασιάζει την πολυπλοκότητα. Την πολλαπλασιάζει.
Η τεχνητή νοημοσύνη ενισχύει την ατομική απόδοση. Οι επιχειρήσεις, όμως, λειτουργούν σε επίπεδο δικτύου. Αυτή η αναντιστοιχία απορροφά το μεγαλύτερο μέρος του αντίκτυπου.
Η έρευνα αναδεικνύει μια θεμελιώδη αλήθεια.
Η τεχνητή νοημοσύνη ενισχύει ό,τι ήδη υπάρχει. Η ευθυγράμμιση επιταχύνεται. Ο κατακερματισμός καταρρέει.
Χωρίς ανασχεδιασμό των ροών εργασίας και της διακυβέρνησης, η τεχνητή νοημοσύνη προσφέρει μεμονωμένες βελτιώσεις αντί για μετασχηματισμό ολόκληρου του συστήματος.
Η πραγματικότητα των επιχειρήσεων
Ασφάλεια, εμπιστοσύνη, κίνδυνοι για τα δεδομένα και εσωτερική αντίσταση
Πριν οι επιχειρήσεις επιδιώξουν αυτονομία ή ροές εργασίας σχεδιασμένες εξαρχής για την τεχνητή νοημοσύνη, έρχονται αντιμέτωπες με αναπόφευκτους περιορισμούς.
Οι απαιτήσεις ασφάλειας δεν επιτρέπουν κανέναν συμβιβασμό στα όρια των δεδομένων ή στην κανονιστική συμμόρφωση.
Η αναξιοπιστία των LLM προκαλεί δισταγμό, επειδή οι παραισθήσεις δεν μπορούν να γίνουν ανεκτές.
Η χρήση μη εγκεκριμένων εργαλείων πληροφορικής εμφανίζεται όταν τα επίσημα εργαλεία δεν συμβαδίζουν με τις ανάγκες των εργαζομένων.
Τα στρατηγικά και προσωπικά δεδομένα συνεπάγονται νομικούς κινδύνους και κινδύνους για τη φήμη.
Η έλλειψη κεντρικής διακυβέρνησης δημιουργεί αβεβαιότητα ως προς την επικύρωση και την εποπτεία.
Αυτά δεν είναι σημάδια συντηρητισμού.
Είναι σημάδια θεσμικής ευθύνης.
Η υιοθέτηση της τεχνητής νοημοσύνης επιταχύνεται μόνο όταν γίνονται σεβαστές αυτές οι θεμελιώδεις αρχές.
Το πραγματικό κενό στην αγορά
Δεν επιζητούν όλες οι ροές εργασίας τη ριζική ανανέωσή τους
Ορισμένες αφηγήσεις γύρω από την τεχνητή νοημοσύνη θεωρούν δεδομένο ότι οι εργαζόμενοι θέλουν αυτοματοποίηση. Στην πραγματικότητα, πολλές ροές εργασίας παραμένουν σταθερές επειδή δίνουν μια αίσθηση προβλεψιμότητας και ασφάλειας μέσα στην κουλτούρα του οργανισμού.
Η πραγματική ευκαιρία βρίσκεται αλλού.
Χειροκίνητες μεταφορές δεδομένων.
Επαναλαμβανόμενη τεκμηρίωση.
Εναλλαγή μεταξύ εργασιών.
Απομονωμένες πλατφόρμες.
Ασύνδετες ροές εργασίας.
Αυτά τα σημεία τριβής διαβρώνουν αθόρυβα την παραγωγικότητα.
Εξαλείψτε την αόρατη τριβή και η υιοθέτηση γίνεται φυσική υπόθεση.
Πρακτικά βήματα για βιώσιμο επιχειρησιακό μετασχηματισμό
Οι επιχειρήσεις που πετυχαίνουν ακολουθούν κοινές πρακτικές.
Ελέγξτε λεπτομερώς τις ροές εργασίας.
Εισαγάγετε σταδιακά συμπεριφορά αυτόνομων πρακτόρων, με εποπτεία.
Επανασχεδιάστε τους ρόλους πριν επανασχεδιάσετε την τεχνολογία.
Ξεκινήστε από τομείς με λίγους περιορισμούς από παλαιά συστήματα.
Μετρήστε την ταχύτητα του οργανισμού συνολικά, όχι την ταχύτητα εκτέλεσης επιμέρους εργασιών.
Αυτά τα βήματα φαίνονται απλά. Ο αντίκτυπός τους είναι εκθετικός.
Μια καταληκτική σκέψη για τους ηγέτες των επιχειρήσεων
Η υιοθέτηση της τεχνητής νοημοσύνης στις επιχειρήσεις δεν είναι πρόκληση που αφορά τα μοντέλα. Είναι μια πρόκληση δομής και κουλτούρας. Οι περισσότεροι οργανισμοί παραμένουν εγκλωβισμένοι σε οφέλη που περιορίζονται στις επιμέρους εργασίες, επειδή οι ροές εργασίας τους δεν σχεδιάστηκαν για αυτόνομα συστήματα.
Οι ηγέτες που το αναγνωρίζουν αυτό και προχωρούν σε επανασχεδιασμό με σαφή πρόθεση θα διαμορφώσουν την επόμενη εποχή της επιχειρησιακής παραγωγικότητας.
Η τεχνητή νοημοσύνη ενισχύει τους ευθυγραμμισμένους οργανισμούς και μεγεθύνει τους κατακερματισμένους. Ενισχύστε πρώτα τα θεμέλια. Έπειτα προχωρήστε σε κλιμάκωση.
Μια πρακτική σημείωση
Η ανάγκη για ένα ασφαλές και ενοποιημένο επιχειρησιακό επίπεδο
Στις συζητήσεις με CIOs και ομάδες μετασχηματισμού, ένα θέμα επανέρχεται. Οι επιχειρήσεις δεν χρειάζονται έναν ακόμη μεμονωμένο βοηθό. Χρειάζονται ένα ασφαλές, ελέγξιμο επίπεδο παραγωγικότητας, με βαθιά ενσωμάτωση, που συνδέει εφαρμογές, προστατεύει δεδομένα, ευθυγραμμίζεται με τη διακυβέρνηση και εισάγει την τεχνητή νοημοσύνη στις ροές εργασίας χωρίς να αποσταθεροποιεί τα υπάρχοντα συστήματα.
Οι πλατφόρμες που έχουν δημιουργηθεί με βαθιές διασυνδέσεις, αρχιτεκτονική που δίνει προτεραιότητα στην ιδιωτικότητα και εποπτεία επιχειρησιακού επιπέδου μετατρέπουν την τεχνητή νοημοσύνη χωρίς διαχείριση από κίνδυνο σε στρατηγικό πλεονέκτημα. Παρέχουν το μελετημένο οδικό δίκτυο που η Ferrari δεν είχε ποτέ.
Αυτή είναι η φιλοσοφία πίσω από το Dvina. Δεν έχει σχεδιαστεί ως εργαλείο για επιμέρους εργασίες ή ως απομονωμένος πράκτορας, αλλά ως ένα επίπεδο παραγωγικότητας που κατανοεί τις ροές εργασίας, ενοποιεί εφαρμογές, προστατεύει ευαίσθητα δεδομένα και επιτρέπει στις ομάδες να επιτύχουν μετασχηματισμό σε επίπεδο ροής εργασίας χωρίς να θυσιάζουν τον έλεγχο.
Τελική σκέψη
Το μέλλον ανήκει στις επιχειρήσεις που χτίζουν τους σωστούς δρόμους
Οι επιχειρήσεις που θα κερδίσουν στη μετάβαση στην τεχνητή νοημοσύνη δεν θα είναι εκείνες με τα περισσότερα μοντέλα. Θα είναι εκείνες που χτίζουν τις ασφαλέστερες, σαφέστερες και πιο προσαρμόσιμες διαδρομές για τη λειτουργία της.
Όταν οι ροές εργασίας, η διακυβέρνηση και οι ροές δεδομένων ευθυγραμμίζονται, η τεχνητή νοημοσύνη παύει να λειτουργεί σαν πειραματική μηχανή και γίνεται πραγματική επιχειρησιακή υποδομή.
Το μέλλον δεν ανήκει στις επιχειρήσεις με τους ταχύτερους κινητήρες. Ανήκει σε εκείνες με τους πιο ανθεκτικούς δρόμους.