Na ścieżce i na kursie w temacie AI
Łatwa ocena firmy
Czy jesteś na dobrej drodze w temacie AI, czy gdzieś indziej?
Allie K. Miller to rzadki przykład kogoś, kto jednocześnie jest influencerem w świecie biznesowego AI i w dodatku ma do tego kompetencje (ten drugi warunek jest rzadko spełniany). Kilka dni temu opublikowała na X/Twitterze świetny prosty test dla firm do oceny czy są w tyle jeśli chodzi o adopcję AI, na dobrej drodze, czy też przodują. Pozwoliłem sobie przetłumaczyć cały mechanizm i dodać swoje komentarze - uważam, że Miller trafiła w punkt w wielu kwestiach.
W każdej kategorii tematycznej są trzy punkty wskazujące gdzie jest firma. W wielu przypadkach odpowiedź będzie “gdzieś pomiędzy tym a tym punktem”, ale nie o to chodzi, żeby dokładnie się określić, a o to, żeby zobaczyć, które aspekty wdrożenia AI są mniej zaopiekowane.
Przekonanie
Z tyłu: Firma postrzega AI jako zabawkę lub chwilową modę, nie traktując jej poważnie.
Na dobrej drodze: Firma widzi AI jako narzędzie, które pomaga zwiększyć wydajność.
Przodująca: Firma uważa AI za system, który fundamentalnie zmienia sposób pracy.
Mój komentarz: opis kategorii “z tyłu” i “na dobrej drodze” jest dość oczywisty, natomiast, żeby firma spoza branży technologicznej znajdowała się w kategorii “przodująca”, przekonaniu, że AI zmienia sposób pracy, musi towarzyszyć przekonanie, że technologia cyfrowa będzie drugim głównym aspektem biznesu, a nie tylko pomocniczym, jak do tej pory. Innymi słowy, firma musi być przekonana, że zostanie firmą technologiczną.
Polityka dotycząca użycia AI
Z tyłu: Firma albo całkowicie zakazuje wszystkich wersji i form AI generatywnej, albo przyjmuje podejście bez żadnych ograniczeń, bez jasnych polityk.
Na dobrej drodze: Firma pozwala na użycie kilku narzędzi AI, ale z wyraźną polityką dotyczącą ich użycia.
Przodująca: Firma stosuje wielopoziomowe podejście do narzędzi AI, często używając kilku różnych narzędzi, w tym polityki umożliwiające pracownikom testowanie nowych, darmowych narzędzi AI dla konsumentów.
Mój komentarz: podobnie jak w poprzednim przypadku - Miller wyznacza poprzeczkę dla firm “przodujących” na tyle wysoko, że tylko firmy technologiczne mogą się tam odnaleźć.
Wybór narzędzi
Z tyłu: Firma nie adoptuje żadnych narzędzi AI.
Na dobrej drodze: Firma selektywnie adoptuje sprawdzone narzędzia AI od dużych dostawców, takich jak Microsoft, AWS, Google, OpenAI itp.
Przodująca: Firma szeroko adoptuje różne narzędzia AI, w tym technologie eksperymentalne i nowoczesne, oraz współpracuje jako partner projektowy z dostawcami AI.
Mój komentarz: bardzo dobrze dobrane grupy - za niesłychanie ważny uważam punkt “współpracuje jako partner projektowy”. Wyobraźcie sobie kancelarię prawną, lub firmę HR, która razem z dostawcami rozwiązań AI buduje narzędzia na rynek B2B lub B2C. To zdecydowanie firma “przodująca” w AI (i są takie w Polsce).
Szkolenie wewnętrzne
Z tyłu: Firma nie zapewnia żadnego szkolenia związanego z AI dla pracowników, brak procesów i nie korzysta z zewnętrznych punktów widzenia.
Na dobrej drodze: Firma oferuje programy szkoleniowe z AI dla wybranych zespołów, takich jak obsługa klienta i marketing.
Przodująca: Firma zapewnia rozbudowane programy szkoleniowe z AI dostępne dla wszystkich pracowników, z wyspecjalizowanymi ścieżkami dla różnych ról.
Mój komentarz: brakuje mi tutaj dość istotnej roli, na którą wskazuje Microsoft oraz my - czempiona AI (tak, tak, bardzo lubię stawiać Microsoft i Neurofusion Lab obok siebie ;) ). Ewentualnie, można by wprowadzić nową kategorię: zarządzanie zmianą.
Budżet
Z tyłu: Firma testuje AI bez wyraźnych kosztów lub kluczowych wskaźników wydajności (KPI), albo ma zakaz używania AI lub ustalony zerowy budżet na AI.
Na dobrej drodze: Firma przeznacza eksperymentalny budżet na AI, często procent przychodów lub przekierowanie środków z R&D.
Przodująca: Firma przeznacza kompleksowy budżet na technologię i zarządzanie zmianami, w tym szkolenia, zakup narzędzi, testowanie i rozwój projektów AI.
Mój komentarz: “eksperymentalny budżet” to trafienie w sedno. Nie jakieś wyśnione minima, nie gigantyczne inwestycje. Eksperymentalny budżet, dostosowany do potrzeb i możliwości firmy.
Postęp w zastosowaniach
Z tyłu: Firma nie ma żadnych przypadków użycia AI w toku, czeka na doskonały dowód zwrotu z inwestycji AI przed rozpoczęciem, lub używa AI bez wyraźnego problemu do rozwiązania.
Na dobrej drodze: Firma ogranicza użycie AI do kilku konkretnych przypadków biznesowych, szeroko ale płytko wykorzystuje narzędzia produktywności, takie jak Microsoft Copilot lub ChatGPT Enterprise.
Przodująca: Firma widzi AI jako możliwość generowania przychodów, posiada liczne przypadki użycia w produkcji, uniwersalny dostęp pracowników do narzędzi AI, integruje AI z produktami w celu wzrostu przychodów.
Mój komentarz: nie wiem jak nazwać czekanie na dowody, że zwrot z inwestycji w AI się sprawdza przy poziomie inwestycji w tę technologię już od $20 miesięcznie od pracownika (na próbę, bez długoterminowego kontraktu). Ale spotykam takie firmy tydzień w tydzień.
Prywatność i bezpieczeństwo
Z tyłu: Firma nie ma dedykowanego punktu kontaktowego ds. prywatności, formalnych polityk, szkoleń z zakresu ochrony danych, nie jest zgodna z regulacjami, brak planu reakcji na incydenty.
Na dobrej drodze: Firma ma podstawowe polityki dotyczące danych, szyfruje dane, używa kontroli dostępu, zapewnia regularne szkolenia dla pracowników, jest zgodna z kluczowymi regulacjami, anonimizuje dane tam, gdzie to możliwe.
Przodująca: Firma ma dedykowany zespół ds. prywatności, projektuje prywatność w systemach, zarządza ryzykami w sposób ciągły, przeprowadza regularne audyty, posiada szczegółowy plan reakcji na incydenty, utrzymuje przejrzystą komunikację.
Mój komentarz: kryteria w tej i następnej kategorii są skrojone pod firmy większe i znowu bardziej z branży technologicznej. Są branże, w których tematyka “anonimizacji danych” w zasadzie nie istnieje.
Talenty
Z tyłu: Firma nie wprowadza zmian w rekrutacji ani zatrudnianiu pod kątem potrzeb AI, lub zamierza budować kompetencje AI wewnętrznie od podstaw.
Na dobrej drodze: Firma zatrudnia kilku naukowców danych (data scientist) lub inżynierów uczenia maszynowego (machine learning engineer), dodaje wymagania dotyczące AI do opisów stanowisk inżynieryjnych.
Przodująca: Firma przekierowuje zasoby na talenty AI w całej organizacji, podnosi kwalifikacje obecnych pracowników, dodaje kwalifikacje związane z AI do opisów stanowisk na szeroką skalę.
Mój komentarz: tutaj znowu mamy do czynienia ze spojrzeniem z punktu widzenia branży IT. Zatrudnienie naukowca danych w firmach nietechnologicznych zazwyczaj się kończy katastrofą, albo w najlepszym przypadku szybką rezygnacją obydwu stron ze współpracy.
Podsumowanie
Schemat, który zbudowała Miller bardzo mi się podoba i, poza niewielkimi wyjątkami, firmy z dowolnej branży mogą go zaaplikować i zobaczyć czy, i ewentualnie gdzie odstają od bycia na ścieżce i na kursie.
Ciekawe niusy
Narzędzie Artefakt dołożone do modelu Claude Sonnet 3.5, o którym pisałem poprzednio stało się bardzo popularne. Wiele osób znajduje rewelacyjne zastosowania. Oto przykłady:
wspomniana wyżej Allie K. Miller zrobiła interaktywnego bota do podejmowania decyzji w oparciu o wiele kryteriów
Ethan Mollick eksperymentuje z tworzeniem symulacji wyjaśniających różne koncepty biznesowe, na przykład błąd przeżywalności
użytkownik X “omarsar” tworzy interaktywne przykłady edukacyjne do swojej książki na temat głębokiego uczenia maszynowego
Firmy tworzące treści edukacyjne powinny piać z zachwytu. Ale sądzę, że jeszcze o tym nie słyszały.