Pilotný projekt s využitím generatívnej umelej inteligencie (GenAI), ktorý vypracuje návrh užitočného e-mailu alebo zhrnie dokument, môže rýchlo vzbudiť nadšenie. To však nezmení prevádzkový model. Vedúci pracovníci, ktorí sa pýtajú, ako nasadiť GenAI do prevádzky, potrebujú plán, v ktorom bude jasné, kde prebiehajú pracovné toky, kde dochádza k zdržaniam pri rozhodovaní, ktorým údajom možno dôverovať a ako sa bude po nasadení merať výkonnosť.
Pre organizácie s vysokou prevádzkovou náročnosťou nie je cieľom len široký prístup k ďalšiemu chatovému rozhraniu. Cieľom je odstrániť prekážky pri práci s veľkým objemom úloh a zároveň zachovať kontrolu, vysledovateľnosť a kvalitu služieb. To si vyžaduje, aby bola technológia GenAI súčasťou integrovaného transformačného programu, ktorý spája návrh procesov, dátovú architektúru, automatizáciu a riadenie prevádzky.
Začnite s prevádzkovými obmedzeniami, nie s prípadmi použitia GenAI
Väčšina podnikových programov v oblasti generatívnej umelej inteligencie (GenAI) uviazne na mŕtvom bode, pretože začínajú demonštráciou technológie a až potom hľadajú príslušný obchodný problém. Lepším východiskovým bodom sú prevádzkové obmedzenia: výnimky vo faktúrach, ktoré si vyžadujú opakované ručné preverovanie, požiadavky zákazníkov, ktoré putujú medzi oddeleniami, ťažko interpretovateľné správy o údržbe alebo servisné tímy, ktoré trávia hodiny vyhľadávaním informácií v nesúvisiacich zdrojoch vedomostí.
Pred výberom modelu alebo platformy si zmapujte proces od spúšťača až po výsledok. Určite objem transakcií, čas strávený na jeden prípad, predávanie úloh, mieru výnimiek, zapojené systémy, rozhodovacie pravidlá a kontrolné mechanizmy. To umožňuje rozlíšiť, ktoré úlohy by mali byť štandardizované, automatizované prostredníctvom deterministického pracovného toku s podporou generatívnej umelej inteligencie (GenAI) alebo by mali zostať v kompetencii odborníkov.
GenAI je obzvlášť užitočná v prípadoch, keď zamestnanci musia interpretovať nestruktúrované informácie, vytvárať prvé návrhy, klasifikovať požiadavky, vyvodzovať kontext alebo zostavovať odpoveď z viacerých schválených zdrojov. Menej sa hodí na úlohy s pevne stanovenými vstupnými údajmi, stabilnými pravidlami a bez významnejjšej jazykovej alebo logickej zložky. V takýchto prípadoch je bežná automatizácia často lacnejšia, rýchlejšia a ľahšie riaditeľná.
Praktickou otázkou nie je, či GenAI dokáže vykonať určitú úlohu. Ide o to, či dokáže dostatočne skrátiť dobu cyklu, zvýšiť kvalitu, kapacitu alebo konzistentnosť rozhodovania, aby to odôvodnilo potrebnú prevádzkovú zmenu.
Pred rozšírením nasadenia je potrebné vybudovať základ
Účinná odpoveď generatívnej umelej inteligencie závisí od kvality, dostupnosti a vlastníctva informácií, na ktorých je založená. Ak sa politiky duplicitne vyskytujú, údaje o produktoch sa v jednotlivých systémoch nezhodujú alebo je dokumentácia procesov neaktuálna, generatívna umelá inteligencia tieto slabé miesta rýchlo odhalí. Model nedokáže kompenzovať fragmentované podnikové údaje.
Pred škálovaním je potrebné vytvoriť riadenú znalostnú základňu. Určite, ktoré dokumenty, záznamy a dátové produkty sú schválené na použitie; kto je ich vlastníkom; ako často sa aktualizujú; a ktoré skupiny používateľov k nim majú prístup. Pre mnohé prevádzkové prípady použitia sú architektúry založené na vyhľadávaní vhodnejšie než trénovanie modelu na podnikovom obsahu. Umožňujú zakladať odpovede na aktuálnych, schválených informáciách a zároveň uľahčujú správu odkazov na zdroje a riadenie prístupu.
Súčasťou pripravenosti údajov je aj ich klasifikácia. Údaje o zákazníkoch, finančné informácie, záznamy o zamestnancoch, duševné vlastníctvo a regulované dokumenty si vyžadujú odlišné opatrenia na ochranu. Bezpečnostné tímy potrebujú jasnosť v otázkach umiestnenia údajov, šifrovania, uchovávania, podmienok poskytovateľov modelov, protokolovania auditov a spôsobu zaobchádzania s výzvami a výstupmi. Tieto rozhodnutia by mali byť zakomponované do modelu poskytovania služieb už v počiatočnej fáze, a nie dodatočne pridávané až po tom, čo obchodné tímy už začali používať neformálne nástroje.
Rovnako dôležitá je aj pripravenosť procesu. Špatne navrhnutý pracovný postup s piatimi zbytočnými schvaľovacími krokmi sa nestane efektívnym len preto, že GenAI rýchlejšie vygeneruje aktualizáciu stavu. Najprv zjednodušte proces a až potom použite správnu kombináciu automatizácie pracovných postupov, integrácie a podpory GenAI.
Ako zaviesť GenAI do prevádzky prostredníctvom kontrolovaného pilotného projektu
Pilotný projekt by mal byť koncipovaný ako kandidát na sériovú implementáciu, nie ako overenie koncepcie bez ďalšieho smerovania. Vyberte si jeden pracovný postup, ktorý má významný objem, jasného zodpovedného, dostupné údaje a merateľný problém. Rozsah projektu by mal byť dostatočne úzky, aby bolo možné ho rýchlo zrealizovať, ale zároveň dostatočne rozsiahly, aby bolo možné preukázať prevádzkový dopad.
Napríklad tím zdieľaných služieb môže využiť GenAI na interpretáciu prichádzajúcich e-mailov od dodávateľov, identifikáciu požadovaných krokov, vypracovanie odpovede na základe schválených smerníc a presmerovanie výnimiek do príslušnej fronty. Model nenahrádza samotný proces. Vykonáva konkrétne kroky v rámci pracovného toku, ktoré sú náročné na jazykové spracovanie, pričom tento pracovný tok naďalej zabezpečuje overovanie, schvaľovanie, aktualizácie systému a pravidlá eskalácie.
Pred spustením definujte ukazovatele úspešnosti. Medzi relevantné ukazovatele môžu patriť priemerná doba vybavenia, miera vyriešenia na prvý pokus, miera opätovného vybavenia, náklady na transakciu, vek nevybavených požiadaviek, miera prijatia zo strany zamestnancov a kvalita reakcií zákazníkov. Stanovte referenčnú hodnotu na základe skutočných prevádzkových údajov. Bez nej môžu tímy síce hlásiť pozitívnu spätnú väzbu založenú na individuálnych prípadoch, nebudú však schopné preukázať finančný dopad ani vplyv na kvalitu služieb.
Aj riadený pilotný projekt si vyžaduje jasný ľudský dohľad. Rozhodnite, ktoré výstupy je možné vykonať automaticky, ktoré si vyžadujú kontrolu a ktoré je potrebné zablokovať. Hranica závisí od miery rizika. Odporúčaná odpoveď založená na interných znalostiach môže vyžadovať len potvrdenie zo strany používateľa. Rozhodnutie týkajúce sa platby, klinická komunikácia alebo zmluvná odpoveď si vyžadujú prísnejšie kontroly a výslovnú zodpovednosť.
Vytvorte prevádzkový model zameraný na ľudí a výnimky
GenAI mení nielen rýchlosť vykonávania úloh, ale aj rozdelenie práce. Keď sa rutinné vypracovávanie návrhov, klasifikácia a vyhľadávanie informácií automatizujú, zamestnanci venujú viac času riešeniu výnimiek, overovaniu rozhodnutí, odstraňovaniu príčin problémov a zlepšovaniu procesov. Vedúci pracovníci by sa mali na túto zmenu pripraviť, namiesto toho, aby vnímali GenAI len ako prostriedok na znižovanie počtu zamestnancov.
Operačné tímy potrebujú praktické usmernenia: kedy dôverovať výsledkom, ako ich opravovať, kam hlásiť chyby a aké informácie by sa do nástroja nikdy nemali zadávať. Vlastníci produktov musia niesť zodpovednosť za realizáciu hodnoty, vlastníci procesov potrebujú právomoc schvaľovať zmeny pracovných postupov a IT oddelenie potrebuje udržateľný model pre integráciu, bezpečnosť, monitorovanie a podporu.
Práve na spracovaní výnimiek závisí úspech alebo neúspech škálovateľných nasadení. Modely sa budú stretávať s nejednoznačnými požiadavkami, chýbajúcimi údajmi, protichodnými zdrojmi a okrajovými prípadmi. Návrh pre produkčné prostredie by mal odhaľovať neistotu, zachovávať pôvodný kontext, smerovať prípady k správnej osobe a využívať schválené opravy na vylepšenie výziev, vyhľadávaného obsahu alebo procesných pravidiel. Cieľom nie je predstierať, že výnimky zmiznú. Cieľom je vyriešiť ich s menšou námahou a lepšou prehľadnosťou.
Integrujte GenAI do systémov, ktoré riadia prevádzku
Zamestnanci by nemali byť nútení kopírovať údaje medzi rozhraním GenAI, e-mailom, tabuľkami a podnikovými systémami. To totiž vytvára nové medzery v kontrole a brzdí zavádzanie tejto technológie. GenAI prináša väčšiu hodnotu, ak je integrovaná do prostredí, v ktorých sa práca už vykonáva: servisné platformy, ERP pracovné toky, systémy správy dokumentov, CRM aplikácie a vrstvy na koordináciu automatizácie.
Integrácia premieňa užitočnú odpoveď na operatívnu akciu. Komponent GenAI dokáže interpretovať požiadavku, zatiaľ čo obchodné pravidlá overujú povinné polia, automatizácia pracovných postupov vytvorí prípad a hlavný systém zaznamená transakciu. Každá zložka má svoju špecifickú úlohu. GenAI spracováva variabilný jazyk a kontext; deterministická automatizácia zabezpečuje opakovateľné vykonávanie; podnikové systémy zostávajú zdrojom záznamov.
Táto architektúra tiež umožňuje lepšie meranie. Tímy môžu sledovať priebeh požiadavky od jej prijatia až po dokončenie, porovnávať prípady s asistenciou a bez nej, identifikovať opakujúce sa výnimky a odhaľovať problémy v predchádzajúcich fázach procesu. Prehľadové panely v reálnom čase by mali poskytovať viac informácií než len údaje o využívaní. Vysoký počet výziev môže naznačovať, že sa systém používa, ale nedokazuje jeho hodnotu. Merajte priepustnosť, kvalitu, rizikové udalosti a úsporu manuálnej práce.
Vládnime v záujme zmien, nie v záujme stagnácie
Správa a riadenie v podniku by malo zvýšiť bezpečnosť nasadenia GenAI, nie ho znemožniť. Najúčinnejší prístup spočíva vo využívaní primeraných kontrolných mechanizmov založených na riziku konkrétneho prípadu použitia. Interný asistent na prípravu dokumentov s nízkym rizikom by nemal podliehať rovnakým schvaľovacím požiadavkám ako systém, ktorý ovplyvňuje finančné rozhodnutia alebo záväzky voči externým zákazníkom.
Praktický model riadenia zahŕňa štyri oblasti:
- Vlastníctvo podniku, vrátane zodpovednej osoby za proces a definovaných ukazovateľov hodnoty.
- Opatrenia na riadenie údajov, vrátane prístupových práv, schválených zdrojov informácií, doby uchovávania a klasifikácie.
- Riadenie modelov, vrátane testovania, správy výziev, správy verzií, vyhodnocovania a monitorovania výstupov.
- Prevádzkové kontrolné mechanizmy, vrátane postupov eskalácie, ľudského posúdenia, reakcie na incidenty a riadenia zmien.
Testovanie by malo odrážať skutočné prevádzkové podmienky, nie ideálne príklady. Používajte reprezentatívne prípady, zložité formulácie, neúplné záznamy, rozpory v pravidlách a známe hraničné prípady. Posudzujte nielen to, či je výstup plynulý, ale aj to, či je presný, primerane opatrný, založený na schválenom obsahu a či sa dá využiť v rámci pracovného postupu.
Správa a riadenie si tiež vyžadujú neustále prehodnocovanie. Obsah zdrojov sa mení, modely sa vyvíjajú, obchodné pravidlá sa aktualizujú a správanie používateľov odhaľuje nové spôsoby zlyhania. K procesom využívajúcim GenAI pristupujte ako k spravovaným prevádzkovým produktom s cyklami vydávania verzií, monitorovaním výkonu a zodpovednými správcami.
Škálujte prostredníctvom opätovného využitia vzorov, nie opakovaním experimentov
Akonáhle pilotný projekt preukáže merateľnú hodnotu, je potrebné ho rozšíriť prostredníctvom opakovane použiteľnej architektúry a štandardov implementácie. Opakujte použitie schválených kontrol identít, konektorov, metód získavania znalostí, hodnotiacich rámcov, monitorovacích panelov a komponentov pracovných postupov. Tým sa skráti čas implementácie a zároveň sa zabráni tomu, aby si každá obchodná jednotka vytvárala vlastné izolované riešenie.
Určite priority nasledujúcich prípadov použitia na základe hodnoty, realizovateľnosti a rizika. Procesy s veľkým objemom, ktoré zahŕňajú opakované nestruktúrované vstupy a jasné odovzdávanie úloh, sú zvyčajne vhodnejšími kandidátmi než vysoko špecifické úlohy s nízkou frekvenciou. Pomôže tiež zoskupiť prípady použitia okolo spoločnej dátovej domény alebo platformy. Napríklad dobre spravovaná znalostná základňa pre prevádzku služieb môže podporovať asistenciu agentov, zhrnutie prípadov, kontroly kvality a usmernenia pri zaškolení nových zamestnancov.
Ide o kompromis medzi rýchlosťou a fragmentáciou. Centralizácia každého rozhodnutia môže spomaliť dodávku, zatiaľ čo umožnenie neobmedzeného lokálneho experimentovania spôsobuje problémy v oblasti bezpečnosti, údržby a duplicity. Najlepšie sa často osvedčuje federatívny model: centrálny tím zabezpečuje architektúru, riadenie a opakovane použiteľné komponenty; obchodné tímy zodpovedajú za priority, zavádzanie a výsledky procesov.
Spoločnosť Ective k tomu pristupuje ako k disciplíne v oblasti realizácie: optimalizuje pracovný tok, prepojí a spravuje údaje, automatizuje deterministické úlohy a využíva generatívnu umelú inteligenciu (GenAI) tam, kde interpretácia a kontext prinášajú merateľnú prevádzkovú hodnotu. Výsledkom nie je súbor pilotných projektov, ale prostredie automatizácie, ktoré je možné prevádzkovať, merať a zdokonaľovať.
Ďalším efektívnym krokom je vybrať jedno prevádzkové úzkoprofilové miesto s viditeľným objemom a určeným zodpovedným za proces, a následne navrhnúť výrobnú trasu už od prvého dňa. Disciplinované prvé nasadenie vytvára štandardy, podklady a istotu potrebné pre ďalších desať nasadení.
