Hver á innleiðingu gervigreindar?

Fjórir þættir sem hvert fyrirtæki þarf að hugsa um

Flest fyrirtæki eru komin með aðgang að gervigreindartólum. Starfsfólk hefur fengið leyfi til að nota ChatGPT, Claude eða Copilot, og einhverjir eru farnir að gera ótrúlega hluti með þeim. En það er oft óljóst hver ber ábyrgð á innleiðingunni, hvort hún sé á ábyrgð UT eða mannauðs, eða hvort hver og einn eigi að bjarga sér sjálfur.

Undanfarið hef ég verið að skilgreina hvernig hlutverk gervigreindarleiðtoga (AI lead) gæti litið út innan fyrirtækja. Ég komst að því að best er að hugsa innleiðinguna í fjórum þáttum. Þeir byggja hver á öðrum, en þurfa að ganga samhliða. Hver þáttur kallar á sínar spurningar, og svörin við þeim ráða því hvort tæknin verður hluti af daglegum störfum eða bara enn eitt tólið sem fáir nota.

AI lead er þráður í gegnum greinina, en það þýðir ekki að hann eigi allt. Sviðin eiga vandamálin sín og lausnirnar sem leysa þau. Hlutverk AI lead er að sjá til þess að einhver eigi hvern þátt og að hlutirnir tengist saman.

Ekkert af þessu gengur nema framkvæmdastjórn standi á bak við það. AI lead þarf skýrt umboð og fjármagn, og stjórnendur sviða þurfa að gefa starfsfólki tíma til að prófa sig áfram.

1. Almenn fræðsla og menning

Fyrsti þátturinn snýst um að allir fái grunnfræðslu og hvatningu til að fara af stað með tólin sem þeim standa til boða.

Þetta hljómar einfalt, en strax vakna spurningar. Hver heldur utan um hverjir hafa fengið fræðsluna og ber ábyrgð á að allir fái hana? Hér kæmi mannauðssvið eða AI lead til greina. Og á fræðslan að vera aðkeypt eða þróuð innanhúss? Fyrir almenna grunnfræðslu er oft skynsamlegt að kaupa hana. Hún er svipuð milli fyrirtækja og til eru góðir aðilar sem sinna henni.

Erfiðari spurningin er menningin. Hvernig fáum við fólk til að vera með okkur í liði?

Traust er grunnforsenda. Ef fólk óttast að missa starfið sitt mun það ekki taka tækninni opnum örmum, og það er skiljanlegt. Þess vegna þarf að hafa starfsfólk með í verkefnunum og stilla þeim upp sem valdeflingu. Fólk þarf líka tíma til að tileinka sér nýja tækni og prófa sig áfram, og þann tíma þurfa stjórnendur að gefa.

Ein hugmynd sem mér finnst áhugaverð er að gera mat á áhrifum á störf og starfsfólk að hluta af áhættumati hverrar lausnar. Þannig er alltaf hugsað um áhrifin á fólkið áður en lausn er tekin í notkun.

2. Sértæk fræðsla og stuðningur

Annar þátturinn er fræðsla og stuðningur sem tekur mið af verkefnum hvers og eins. Hér fer fólk frá því að vita hvað tólin geta yfir í að nota þau í sínum eigin störfum.

Þennan stuðning getur verið erfiðara að kaupa. Utanaðkomandi ráðgjafi þarf mikinn tíma til að setja sig inn í verkefni hvers og eins, og þegar hann er loks kominn inn í málin er samningnum oft lokið. Í stærra fyrirtæki er mögulega betra að stuðningurinn komi innan frá, t.d. frá UT. Það hefur líka þann kost að sérfræðingar UT fara að snerta á raunverulegum vandamálum sviðanna, sem leggur grunninn að þróunarvinnunni.

Ein leið sem ég hef séð virka vel á mörgum stöðum er „champion network“, eða jafningjafræðsla. Áhugasamasta fólkið á hverju sviði fær aukið frelsi til tilrauna, gegn þeirri skyldu að hjálpa samstarfsfólki sínu að nota tæknina. Fólk lærir best af samstarfsfólki sem þekkir sömu verkefni og sömu vandamál.

Til að þetta gangi þarf skýrar línur. Fólk þarf að vita hvaða gögn má setja inn í hvaða tól og hvert það getur leitað þegar það er óvisst. Ef ferli fyrir áhættumat notkunartilfella er óljóst eða þungt hætta margir einfaldlega að prófa.

3. Þróun

Þriðji þátturinn snýr að verkefnum sem krefjast tæknivinnu, þegar lausn sem starfsmaður bjó til þarf að verða að einhverju sem reksturinn getur treyst á, eða þegar þarf að smíða eitthvað nýtt.

Hér þarf forgangsraðaðan lista yfir tækifæri, og einhver þarf að eiga hann. Ég myndi setja hann á ábyrgð AI lead. Listinn fær hugmyndir úr tveimur áttum. Annars vegar úr viðtölum við starfsfólk á völdum sviðum þar sem tækifærin eru greind kerfisbundið. Hins vegar þegar starfsfólk prófar sig áfram og upp koma notkunartilfelli sem þurfa að færast í öruggara rekstrarumhverfi.

Mikilvægasta spurningin í þessum þætti er að mínu mati: Hvernig lítur leiðin út frá tilraun í rekstur?

Fólk nennir frekar að gera tilraunir ef það veit að góð tilraun deyr ekki í skúffunni. Það þarf að vera skýrt hvað gerist næst. Til þess þarf UT að hafa ramma utan um það hvað þarf að gera tæknilega til að koma lausn í rekstur, líka lausn sem var upphaflega smíðuð af almennum starfsmanni.

Þegar ákveðið er að ráðast í verkefni sé ég fyrir mér lítið teymi: sérfræðing úr UT, AI lead og sérfræðing úr rekstrinum sem þekkir vandamálið best. Saman hanna þau, þróa og innleiða lausnina.

4. Rekstur og stýring

Fjórði þátturinn snýst um það sem tekur við þegar lausnirnar eru komnar í notkun.

Val á tæknistakk og högun er á ábyrgð UT, en AI lead kemur að málum þegar um er að ræða gervigreindarlausnir. Þar skipta gögnin mestu. Góð gögn og traustir innviðir eru undirstaða allra gervigreindarlausna. Áður en lausn fer í rekstur þarf að vera ljóst hvaða gögn hún vinnur með og hvort samningar við birgja, þar á meðal vinnslusamningar, standist kröfur um persónuvernd og öryggi.

Mælingar gleymast oft. Það er erfitt að mæla árangur gervigreindarverkefna, og það verður nær ómögulegt ef ekki er hugsað um það frá byrjun. Því þarf að hanna mælingarnar strax í upphafi verkefnis, og þar myndi ég setja ábyrgðina á AI lead.

Loks þarf eignarhald. Lausnir sem reksturinn treystir á, og eru meira en persónuleg framleiðniaukning, þurfa skýran eiganda á sviðinu sem notar þær. AI lead hefur yfirsýn yfir lausnirnar og sér til þess að engin þeirra sé án eiganda.

Hvar á að byrja?

Ég myndi byrja á tvennu samhliða: grunnfræðslu fyrir alla og viðtölum við starfsfólk á völdum sviðum til að greina tækifærin. Fræðslan kemur fólki af stað og viðtölin gefa fyrstu hugmyndirnar á forgangslistann.

Það þarf ekki að gera allt í einu. En það borgar sig að vita hver á hvern þátt, áður en þörfin verður brýn.