Czy kiedykolwiek zastanawiałeś się nad różnicą między narzędziem a systemem?
Narzędzia to rzeczy, których używamy podczas pracy. Systemy, podobnie, zwiększają efektywność pracy.
Niektórzy mogą sobie wyobrażać, że system to po prostu bardziej złożone narzędzie.
Jednakże, jeśli sklasyfikujemy pracę na dwa typy — pracę iteracyjną i pracę opartą na przepływie — rozróżnienie między narzędziem a systemem staje się niezwykle wyraźne.
Iteracja i przepływ
Praca iteracyjna to proces stopniowego tworzenia rezultatu poprzez próby i błędy, elastycznie dostosowując się w miarę postępów.
W przypadku pracy iteracyjnej przydatny jest zestaw narzędzi, który pozwala wybrać odpowiednie narzędzie do konkretnych zadań.
Z kolei praca oparta na przepływie polega na przechodzeniu przez kolejne etapy, a produkt końcowy jest wytwarzany na ostatnim etapie.
W przypadku pracy opartej na przepływie, posiadanie systemu, który prowadzi pracę wzdłuż przepływu, znacząco poprawia produktywność i jakość.
Transformacja pracy iteracyjnej w pracę opartą na przepływie i jej systematyzacja
Większość pracy wykonywanej przez ludzi to albo praca iteracyjna, albo element usystematyzowanego procesu opartego na przepływie.
Przekształcenie pracy iteracyjnej w pracę opartą na przepływie, a następnie jej systematyzacja, znacząco przyczynia się do poprawy produktywności i jakości.
Rewolucja Przemysłowa i Rewolucja IT
Rewolucja Przemysłowa i Rewolucja IT to doskonałe przykłady znacznego wzrostu produktywności i jakości dzięki przekształceniu pracy iteracyjnej w pracę opartą na przepływie i jej późniejszej systematyzacji.
Przed Rewolucją Przemysłową produkcja odbywała się jako praca iteracyjna, gdzie ludzie umiejętnie posługiwali się narzędziami, swobodnie zmieniając układy i procedury za każdym razem.
Przetwarzanie informacji przed Rewolucją IT również było pracą iteracyjną, w której ludzie używali narzędzi i postępowali w sposób niestandaryzowany.
Poprzez systematyzację tych procesów, podobnie jak w przypadku linii produkcyjnych w fabrykach i systemów informatycznych w biznesie, zwiększono produktywność i jakość.
Jednakże, nie tylko systematyzacja, ale transformacja opartej na przepływie tej iteracyjnej pracy jest niezwykle istotna. To właśnie dzięki osiągnięciu transformacji opartej na przepływie systematyzacja stała się możliwa.
Rewolucja Generatywnej AI
Dążąc do poprawy produktywności i jakości poprzez wykorzystanie generatywnej sztucznej inteligencji w biznesie, samo użycie AI jako narzędzia nie przyniesie prawdziwej wartości.
Głównym celem jest przekształcenie pracy iteracyjnej w pracę opartą na przepływie, a następnie systematyzacja tej pracy opartej na przepływie.
Generatywna AI, zdolna do elastycznego dostosowywania się, może obsługiwać zadania iteracyjne. Jednak niezależnie od tego, czy są wykonywane przez ludzi, czy przez generatywną AI, istnieją ograniczenia co do produktywności i jakości pracy iteracyjnej.
Dlatego kluczowe jest dążenie do transformacji opartej na przepływie i systematyzacji.
Można by argumentować, że gdyby transformacja oparta na przepływie mogła poprawić produktywność i jakość nawet z ludzkimi pracownikami, takie inicjatywy mogłyby zostać podjęte przed pojawieniem się generatywnej AI.
Jednak transformacja oparta na przepływie, zakładająca pracę ludzką, jest w rzeczywistości bardzo trudnym problemem. Ludzcy pracownicy nie mogą natychmiast dostosować się do zmian w przydzielonych zadaniach lub ich treści.
Z drugiej strony, gdy pracownikiem jest generatywna AI, łatwo jest rekonfigurować przydziały i zawartość zadań poprzez próby i błędy.
W przeciwieństwie do ludzi, generatywna AI może zapomnieć poprzednie kroki, błyskawicznie czytać i rozumieć nowe procedury oraz pracować na ich podstawie.
Dlatego głównym podejściem do wykorzystania generatywnej AI w biznesie będzie przekształcenie pracy iteracyjnej w pracę opartą na przepływie i jej późniejsza systematyzacja.
Poprawa Efektywności Biznesowej przy Użyciu Generatywnej AI
Rozważmy przykład poprawy efektywności biznesowej z wykorzystaniem generatywnej AI.
Jako przykład, weźmy zadanie odpowiadania na zapytania pracowników dotyczące zasad firmowych.
Używając generatywnej AI, można przeszukiwać zasady firmy i tworzyć projekty odpowiedzi.
Istnieje jednak możliwość, że generatywna AI może odwoływać się do nieaktualnych zasad lub błędnie wyobrażać sobie i podawać odpowiedzi, które nie są wyraźnie zawarte w zasadach.
Co więcej, zapytania przychodzą w różnych formach, takich jak e-mail, komunikatory, rozmowy telefoniczne czy komunikacja ustna.
Dlatego pracownicy obsługujący zapytania nadal muszą je przyjmować tak jak dotychczas.
Można sobie wyobrazić, że efektywność można by poprawić, odpowiadając na pytania, które można rozwiązać od razu, a w przypadku tych wymagających weryfikacji zasad, wprowadzając treść zapytania do generatywnej AI w celu wygenerowania projektu odpowiedzi.
Dodatkowo, w przypadku często zadawanych pytań, konieczne jest umieszczenie ich na wewnętrznej stronie internetowej firmy jako FAQ.
Generatywna AI może być również wykorzystana do wprowadzania typowych pytań i odpowiedzi oraz tworzenia projektów w formie punktowej do publikacji na stronie internetowej.
Ponadto, gdy potrzebne są rewizje zasad, generatywna AI może być użyta do tworzenia propozycji.
Takie zastosowania mogą uczynić pewien procent zadań związanych z obsługą zapytań bardziej efektywnymi.
Jednakże, to jedynie pozostawia obsługę zapytań jako pracę iteracyjną i używa generatywnej AI jako narzędzia.
W konsekwencji, korzyści z efektywności są bardzo ograniczone.
Transformacja pracy w oparciu o przepływ
Aby zmaksymalizować efektywność zadania obsługi zapytań podanego jako przykład, zadanie to musi zostać przekształcone w przepływ.
W tym celu, zadania wykonywane przez osobę odpowiedzialną podczas obsługi zapytań muszą zostać szczegółowo opisane i sformalizowane:
- Odbieranie zapytań przez różne kanały.
- Jeśli zapytanie jest takie samo jak wcześniej udzielone i nie ma zmian w powiązanych zasadach, udzielenie tej samej odpowiedzi.
- W przypadku nowych zapytań lub zapytań dotyczących zmian w zasadach, potwierdzenie zasad i opracowanie projektu odpowiedzi.
- Sprawdzenie, czy projekt odpowiedzi nie odwołuje się do nieaktualnych zasad lub nie zawiera informacji, których nie ma w zasadach.
- Sprawdzenie, czy wymagana jest zgoda przed udzieleniem odpowiedzi, i uzyskanie jej w razie potrzeby.
- Odpowiedź za pośrednictwem kanału, przez który zapytanie zostało odebrane.
- Rejestracja treści zapytania, wyniku zatwierdzenia i wyniku odpowiedzi w danych historii zapytań.
- Regularne sprawdzanie danych historii zapytań i tworzenie projektów aktualizacji często zadawanych pytań i odpowiedzi.
- Aktualizacja wewnętrznej strony firmowej po uzyskaniu zgody.
- Aktualizacja danych zasad referencyjnych, gdy zasady są aktualizowane.
- Jednocześnie, odnotowanie w danych historii zapytań, że nastąpiły powiązane odpowiedzi i aktualizacje zasad.
- Potwierdzenie, czy często zadawane pytania i odpowiedzi wymagają przeglądu z powodu zmian w zasadach, i aktualizacja w razie potrzeby.
Poprzez jasne zdefiniowanie szczegółów wykonywanych zadań, jak opisano powyżej, zadania te mogą zostać połączone, przekształcając elastyczną pracę iteracyjną w bardziej klarowny proces oparty na przepływie.
Przykład Systematyzacji
Stworzenie tego przepływu pracy jasno wskazuje drogę do systematyzacji.
Dla systematyzacji, jeśli dopuszczalne jest poświęcenie pewnej wygody pracowników, jedną z opcji jest skonsolidowanie kanałów zapytań.
Z kolei, jeśli priorytetem jest wygoda pracowników, system powinien zachować możliwość przyjmowania zapytań przez wszystkie kanały.
Zasadniczo, system powinien bezpośrednio odbierać zapytania. Tylko w przypadku zapytań ustnych, osoba odpowiedzialna powinna wprowadzać je do systemu.
Po otrzymaniu zapytania, system IT i generatywna AI powinny wykonać jak największą część kolejnych prac, zgodnie z przepływem. Początkowo, ludzkie kontrole i zatwierdzenia powinny być wplecione w cały system, a ludzcy operatorzy powinni mieć możliwość dokonywania korekt.
Następnie, w miarę użytkowania systemu do obsługi zapytań, jeśli generatywna AI popełni błąd, instrukcje dla generatywnej AI powinny być aktualizowane o ostrzeżenia, punkty do sprawdzenia, przykłady błędów i poprawne przykłady, aby zapobiec ich powtórzeniu.
Pozwala to na redukcję błędów generatywnej AI. Ten proces aktualizacji instrukcji dla generatywnej AI może być jeszcze bardziej efektywny, jeśli zostanie przekształcony w zadanie oparte na przepływie, a nie iteracyjne.
W ten sposób, poprzez systematyzację pracy opartej na przepływie, nawet zadania, które pozornie wymagają interwencji człowieka, mogą zostać zastąpione przez system oparty na generatywnej AI.
Powszechne nieporozumienia
Wiele osób uważa, że zastosowanie generatywnej sztucznej inteligencji w biznesie jest obecnie mało efektywne lub że jest jeszcze za wcześnie na jej szerokie wdrożenie.
Jednak znaczna część tych osób często popełnia błędy wynikające z dwóch wzorców nieporozumień.
Pierwsze nieporozumienie wynika z koncentrowania się na wykorzystywaniu generatywnej sztucznej inteligencji jako narzędzia.
Jak tu pokazano, wykorzystanie generatywnej sztucznej inteligencji jako narzędzia do zadań iteracyjnych nie zwiększa znacząco efektywności biznesowej. Doświadczanie tego lub słyszenie o tym prowadzi do tego nieporozumienia.
Drugie nieporozumienie wynika z koncentrowania się na tym, aby generatywna sztuczna inteligencja wykonywała zadania iteracyjne.
Rzeczywiście, próba sprawienia, by obecna generatywna sztuczna inteligencja wykonywała zadania iteracyjne, nie działa dobrze. W konsekwencji, generatywna sztuczna inteligencja nie może w pełni przejąć obowiązków wykonywanych przez ludzi, a skupianie się wyłącznie na tym punkcie prowadzi do nieporozumienia.
Na koniec
Jak tutaj omówiono, poprzez przekształcenie pracy iteracyjnej w pracę opartą na przepływie i jej systematyzację, można oczekiwać większej efektywności niż przy użyciu samych narzędzi.
Co więcej, nawet jeśli sama praca iteracyjna nie może być w pełni obsługiwana, wiele pojedynczych zadań w procesie opartym na przepływie może być zarządzanych przez obecną generatywną AI. Nawet jeśli początkowo występuje wiele błędów, ciągłe doskonalenie można osiągnąć poprzez aktualizację instrukcji.
Alternatywnie, zadania można dzielić w zależności od potrzeb, oddzielając tworzenie projektów od ich sprawdzania lub wdrażając wieloetapowe sprawdzanie.
Jeśli w ten sposób uda się osiągnąć systematyzację, wówczas ulepszenia będą postępować z każdym zadaniem, a operacje staną się z czasem bardziej efektywne.
Jest to sposób pracy, który umożliwia ciągłe doskonalenie samego mechanizmu, podobnie jak w przypadku produkcji fabrycznej i wdrażania systemów IT.
Aby wykorzystać generatywną AI, wymagana jest zmiana sposobu myślenia: zamiast tylko ulepszać własne zadania iteracyjne, należy obiektywnie przekształcić swoją pracę w procesy oparte na przepływie i je usystematyzować.