Czy kiedykolwiek zastanawiałeś się nad różnicą między narzędziem a systemem?
Narzędzia to to, czego używamy do wykonywania zadań. Systemy podobnie usprawniają zadania.
Niektórzy mogą wyobrażać sobie system jako po prostu bardziej złożone narzędzie.
Jednak gdy zadania zostaną skategoryzowane na dwa typy — pracę iteracyjną i pracę przepływową — rozróżnienie między narzędziami a systemami staje się jasne.
Praca Iteracyjna i Praca Przepływowa
Praca iteracyjna to proces stopniowego tworzenia produktów końcowych poprzez elastyczne próby i błędy.
W pracy iteracyjnej przydatny jest zestaw narzędzi, który można wymieniać w zależności od konkretnych zadań.
Natomiast praca przepływowa to proces, który postępuje stopniowo, produkując produkt końcowy na ostatnim etapie.
W pracy przepływowej posiadanie systemu do kierowania przepływem zadań znacząco poprawia produktywność i jakość.
Konwersja Pracy Przepływowej i Systematyzacja
Wiele zadań wykonywanych przez ludzi to praca iteracyjna albo część usystematyzowanej pracy przepływowej.
Dzięki konwersji pracy iteracyjnej w pracę przepływową, a następnie jej systematyzacji, można znacząco zwiększyć produktywność i jakość.
Rewolucja Przemysłowa i Rewolucja IT
Rewolucja Przemysłowa i Rewolucja IT to doskonałe przykłady tego, jak przekształcenie pracy iteracyjnej w pracę przepływową, a następnie jej systematyzacja, drastycznie poprawiły produktywność i jakość.
Przed Rewolucją Przemysłową produkcja odbywała się jako praca iteracyjna, gdzie ludzie umiejętnie posługiwali się narzędziami i za każdym razem swobodnie zmieniali układy i procedury.
Podobnie, przed Rewolucją IT, przetwarzanie informacji wymagało od ludzi używania narzędzi w nieustrukturyzowany, iteracyjny sposób.
Dzięki systematyzacji tych procesów, podobnie jak w przypadku linii produkcyjnych w fabrykach czy biznesowych systemów IT, produktywność i jakość zostały znacząco zwiększone.
Jednak nie tylko systematyzacja, ale także konwersja pracy iteracyjnej w pracę przepływową jest niezwykle kluczowa. To właśnie zdolność do przejścia na pracę przepływową umożliwiła w pierwszej kolejności systematyzację.
Rewolucja Generatywnej AI
Dążąc do poprawy produktywności i jakości poprzez wykorzystanie generatywnej AI w operacjach biznesowych, samo użycie AI jako narzędzia nie uwolni jej prawdziwej wartości.
Głównym celem jest konwersja pracy iteracyjnej na pracę przepływową, a następnie systematyzacja tej pracy przepływowej.
Generatywna AI może wykonywać pracę iteracyjną ze względu na swoją zdolność adaptacji. Jednakże, niezależnie od tego, czy jest wykonywana przez ludzi, czy generatywną AI, istnieją ograniczenia co do produktywności i jakości pracy iteracyjnej.
Dlatego kluczowe jest dążenie do konwersji pracy iteracyjnej na pracę przepływową i jej systematyzacji.
Można by argumentować, że gdyby konwersja pracy iteracyjnej na pracę przepływową mogła poprawić produktywność i jakość u ludzkich pracowników, takie inicjatywy mogłyby zostać podjęte jeszcze przed pojawieniem się generatywnej AI.
Jednak konwersja pracy iteracyjnej na pracę przepływową, gdy opiera się na ludzkich pracownikach, jest w rzeczywistości bardzo trudnym problemem. Ludzcy pracownicy nie są w stanie natychmiast dostosować się do zmian w przydziałach zadań czy ich treści.
Odwrotnie, gdy pracownikiem jest generatywna AI, łatwo jest iteracyjnie rekonfigurować role i treść zadań.
W przeciwieństwie do ludzi, generatywna AI może zapomnieć poprzednie kroki, natychmiast przeczytać i zrozumieć nowe procedury oraz wykonywać zadania na ich podstawie.
Z tego powodu głównym podejściem do wykorzystania generatywnej AI w biznesie będzie konwersja pracy iteracyjnej na pracę przepływową i jej późniejsza systematyzacja.
Efektywność Biznesowa dzięki Generatywnej AI
Rozważmy przykład efektywności biznesowej osiągniętej dzięki generatywnej AI.
Jako przykład, weźmy zadanie odpowiadania na zapytania pracowników dotyczące wewnętrznych zasad firmy.
Generatywna AI może być wykorzystana do przeszukiwania wewnętrznych zasad i tworzenia projektów odpowiedzi.
Istnieje jednak możliwość, że generatywna AI może odwołać się do nieaktualnych zasad lub błędnie wygenerować odpowiedzi oparte na wyobrażonych informacjach, których w zasadach nie ma.
Ponadto zapytania mogą napływać różnymi kanałami, takimi jak e-mail, komunikatory, telefon czy osobiście.
Dlatego pracownik obsługujący zapytania nadal musi je odbierać tak jak dotychczas.
Można sobie wyobrazić, że efektywność można by poprawić, pozwalając pracownikom odpowiadać na zapytania od razu, gdy to możliwe, a w przypadku tych wymagających weryfikacji zasad, wprowadzając treść zapytania do generatywnej AI, aby wygenerować projekty odpowiedzi.
Dodatkowo, w przypadku często zadawanych pytań, konieczne jest umieszczenie ich na wewnętrznej stronie internetowej firmy jako FAQ.
Generatywna AI może być również użyta do wprowadzenia reprezentatywnych pytań i odpowiedzi oraz wygenerowania projektów w formie punktów do publikacji na stronie internetowej.
Co więcej, generatywna AI może być wykorzystana do przeglądania projektów sformułowań, gdy konieczne są zmiany zasad.
Takie zastosowania mogą usprawnić pewien procent zadań związanych z obsługą zapytań.
Jednakże, to jedynie traktuje obsługę zapytań jako pracę iteracyjną i wykorzystuje generatywną AI jako narzędzie.
W konsekwencji, zyski z efektywności wynikające z tego podejścia są bardzo ograniczone.
Konwersja na Pracę Przepływową
Aby zmaksymalizować efektywność zadania obsługi zapytań, o którym wspomniano jako przykład, musi ono zostać przekształcone w pracę przepływową.
Wymaga to uszczegółowienia i udokumentowania kroków podejmowanych przez osobę odpowiedzialną podczas obsługi zapytań:
- Odbieraj zapytania przez różne kanały.
- Jeśli zapytanie jest takie samo jak wcześniej udzielona odpowiedź i nie ma zmian w odpowiednich zasadach, udziel tej samej odpowiedzi co poprzednio.
- W przypadku nowego zapytania lub zapytania dotyczącego zmiany zasad, przejrzyj zasady i przygotuj projekt odpowiedzi.
- Sprawdź, czy projekt odpowiedzi nie odwołuje się do starych zasad lub nie zawiera informacji, których w zasadach nie ma.
- Sprawdź, czy przed odpowiedzią wymagana jest zgoda, i uzyskaj ją w razie potrzeby.
- Odpowiedz za pośrednictwem kanału, przez który zapytanie zostało odebrane.
- Zarejestruj treść zapytania, wynik zatwierdzenia i wynik odpowiedzi w danych historii zapytań.
- Okresowo sprawdzaj dane historii zapytań, aby tworzyć proponowane aktualizacje dla często zadawanych pytań i odpowiedzi.
- Zaktualizuj wewnętrzną stronę internetową firmy po uzyskaniu zgody.
- Po zaktualizowaniu zasad, zaktualizuj dane zasad, do których się odwołujesz.
- Równocześnie odnotuj w danych historii poprzednich zapytań, że nastąpiły powiązane odpowiedzi i aktualizacje zasad.
- Zweryfikuj, czy często zadawane pytania i odpowiedzi wymagają rewizji z powodu zmian zasad, i zaktualizuj je w razie potrzeby.
Poprzez wyjaśnienie szczegółów tych zadań i ich połączenie, elastyczna praca iteracyjna może zostać przekształcona w jasną pracę przepływową.
Przykład Systematyzacji
Dzięki przekształceniu zadań w pracę przepływową, ścieżka do systematyzacji staje się jasna.
Podczas systematyzacji, jeśli pewne poświęcenie wygody pracowników jest akceptowalne, jedną z opcji jest skonsolidowanie kanałów zapytań.
Z drugiej strony, jeśli wygoda pracowników jest najwyższym priorytetem, wszystkie kanały zapytań powinny pozostać otwarte.
Zasadniczo system powinien bezpośrednio odbierać zapytania. Tylko w przypadku zapytań ustnych, człowiek wprowadzałby szczegóły do systemu.
Po otrzymaniu zapytania, system IT i generatywna AI wykonają jak najwięcej kolejnych zadań zgodnie z przepływem. Początkowo, ludzkie kontrole i zatwierdzenia powinny być wplatane w cały system, a operatorzy ludzcy powinni mieć możliwość dokonywania poprawek.
Następnie, w miarę użytkowania systemu do obsługi zapytań, jeśli generatywna AI popełni błąd, instrukcje dla AI powinny zostać zaktualizowane o punkty uwagi, elementy do sprawdzenia, przykłady błędów i poprawne przykłady, aby zapobiec ponownemu wystąpieniu błędu.
Ten proces może zmniejszyć liczbę błędów generatywnej AI. Sama aktualizacja tych instrukcji AI może stać się jeszcze bardziej efektywna poprzez przekształcenie jej z pracy iteracyjnej w pracę przepływową.
W ten sposób, systematyzując zadania przekształcone w pracę przepływową, nawet operacje, które początkowo wydawały się wymagać interwencji człowieka, mogą zostać zastąpione przez system oparty na generatywnej AI.
Częste Błędne Przekonania
Wiele osób uważa, że zastosowania biznesowe generatywnej AI obecnie mają niewielki efekt lub że jest na to za wcześnie.
Jednak większość tych osób często ma dwa rodzaje błędnych przekonań.
Pierwsze błędne przekonanie wynika z koncentrowania się na wykorzystywaniu generatywnej AI jako zwykłego narzędzia.
Jak pokazano tutaj, wykorzystywanie generatywnej AI jako narzędzia do pracy iteracyjnej nie zwiększa znacząco efektywności biznesowej. To błędne przekonanie wynika z doświadczania lub obserwowania tak ograniczonych rezultatów.
Drugie błędne przekonanie wynika z koncentrowania się na tym, aby generatywna AI wykonywała pracę iteracyjną.
Rzeczywiście, próby nakłonienia obecnej generatywnej AI do wykonywania pracy iteracyjnej często kończą się niepowodzeniem. W konsekwencji ludzie błędnie wnioskują, że generatywna AI nie może przejąć zadań wykonywanych przez ludzi, opierając się wyłącznie na tej obserwacji.
Wniosek
Jak omówiono, poprzez przekształcenie pracy iteracyjnej w pracę przepływową i jej systematyzację, można oczekiwać większej efektywności niż przy użyciu samych narzędzi.
Co więcej, nawet jeśli generatywna AI nie jest w stanie wykonywać pracy iteracyjnej, może obsługiwać wiele pojedynczych zadań w ramach procesu pracy przepływowej. Nawet jeśli początkowo występuje wiele błędów, ciągłe doskonalenie można osiągnąć poprzez aktualizację instrukcji.
Alternatywnie, w razie potrzeby, zadania można podzielić, oddzielając sporządzanie od sprawdzania, lub wdrażając wieloetapowe kontrole.
Jeśli systematyzacja zostanie osiągnięta w ten sposób, to ulepszenia będą postępować z każdym wykonanym zadaniem, a operacje staną się bardziej efektywne z biegiem czasu.
Jest to metoda pracy, która pozwala na ciągłe doskonalenie samego mechanizmu, podobnie jak w produkcji fabrycznej i systematyzacji IT.
Aby efektywnie wykorzystywać generatywną AI, wymagana jest zmiana sposobu myślenia: zamiast próbować ulepszać własną pracę iteracyjną, należy obiektywnie przekształcić swoje zadania w pracę przepływową i je usystematyzować.