Шумът около изкуствения интелект (AI) доминира разговорите сред топ ръководителите, защото повечето организации все още не успяват да генерират значими резултати от своите AI инициативи.

Според резултатите от изследване сред над 100 ръководители на най-високо ниво от различни индустрии, 45% от участниците в анкетата смятат възвръщаемостта на инвестициите от приемането на AI за по-ниска от очакванията. Само 10% от анкетираните съобщават за резултати, които надхвърлят очакванията.

Данните подчертава, че най-значимите бариери са организационни, а не технически, според HBR. Така медията идентифицира набор от взаимосвързани препятствия в три области: хора, процеси и политика.

Култивиране на готовността на хората за AI

Когато мислим за готовността на служителите за изкуствения интелект, изследването идентифицира три проблема: несигурност, страх от замяна и проблем със самооценката.

Проблемът с несигурността: "Какво всъщност ще прави AI?"

Глобално проучване на Slack от 2024 г. сред повече от 17 000 офис служители установява, че 61% от тях са прекарали по-малко от пет часа в учене за AI, а 30% не са получили никакво обучение. При липса на знания мненията могат да бъдат поляризирани. Някои служители отхвърлят AI като обикновен шум, докато други приемат, че може да прави всичко.

Несигурността на компаниите относно AI се простира отвъд техническите способности. Една одиторска фирма например идентифицира AI възможности в целия си работен процес, но както клиентите, така и одиторите се съпротивляват заради регулаторния риск. В крайна сметка фирмата се е отказала от много от своите AI-базирани подходи.

За да адресират тези притеснения, фирмите трябва да вградят AI управлението в ежедневната си работа и да го направят интуитивно за всеки служител. Ефективното управление не само предпазва от непредвидени последствия, но и помага за демистифициране на AI.

През 2018 г. например DBS Bank въведе рамката PURE - Целенасочен, Неизненадващ, Уважителен и Обясним, за оценка на всеки случай на използване на AI. Вместо да разчитат на дълги политически документи, служителите се ръководят от четири прости въпроса:

• Използването целенасочено и смислено ли е?
• Ще се изненадат ли клиентите от резултатите?
• Защитени ли са клиентите и техните данни?
• Могат ли резултатите да бъдат обяснени?

Този подход намалява несигурността, като същевременно осигурява отговорно използване. DBS също така създаде комисия за отговорно използване на данни за преглед на проекти, които не отговарят на изискванията на PURE. С лесна за разбиране рамка и ясен човешки надзор, банката овласти служителите на всички нива да иновират отговорно. До 2023 г. AI вече е генерирал 274 милиона долара стойност за DBS.

Страх от замяна: "Ще запазя ли работата си?"

Когато служителите подозират, че обучават система, която ще ги замени, те не полагат особени усилия да "етикетират данни" или да "обучават модела". Този "капан на обучението" забавя приемането на AI от бизнеса.

Компаниите могат да противодействат на това, като споделят положителната страна и насочват печалбите от ефективността от технологията към преквалификация, а не към съкращения.

Тъй като много от тези ползи се основават на бъдещи обещания, които са лесни за нарушаване, фирмите трябва да направят обещанията си лесни за проверка. Една компания за електронна търговия например се ангажира да увеличава общите разходи за труд с 1% годишно, за да демонстрира ангажимента си към инвестиции в служителите. Това число е лесно за проверка и трудно за манипулиране, така че помогна за изграждане на доверие с работниците.

Същата компания даде на служителите си формални места в ръководния комитет за AI и по-голямо влияние върху решенията за персонала. Тези засилени правомощия допълнително укрепиха доверието.

Друга форма на съпротива е търсенето на грешки: прилагане на много по-високи стандарти към AI, отколкото към хората. В една водеща застрахователна компания мисиите на служителите да търсят грешки доведоха до изискване за нереалистично високи нива на точност от AI системите, което, от своя страна, забави внедряването и повиши инвестиционните разходи. Независими изследвания и външни одити, сравняващи AI и човешките резултати, са помогнали за възстановяване на реализма.

Накрая, страховете от замяна намаляват, когато AI подхранва растеж, а не свиване. Ако технологията разширява бизнеса, печалбите от ефективността се усещат като възможност, а не като заплаха.

Проблемът със самооценката: "Ще изглеждам ли компетентен?"

Страхът от загуба на статус може да бъде дори по-силен от страха от загуба на работа. Мнозина се притесняват, че ако признаят, че използват AI, ще изглеждат мързеливи, некомпетентни или дори нечестни.

Една фирма за финансови услуги обърна тази стигма, като стартира специална програма за служители, които демонстрират изключителни AI умения, независимо от тяхния стаж и опит. Там овладяването на AI инструментите се счита за прогресивно мислене, а не мързел или некомпетентност. Като излъчват това послание, организациите могат да създадат положителни стимули за служителите да приемат AI.

Компаниите могат да позиционират AI като инструмент, който представя факти без осъждане, като оставя окончателните заключения на професионалистите. Това рамкиране укрепва експертизата, вместо да я подкопава.

Някои фирми са създали частни "конзоли за второ мнение", където служителите могат да се консултират с AI без страх или репутационен риск.

Процеси: Преосмисляне на работните потоци

Приемането на AI често се проваля, когато организациите го третират като просто наслояване върху съществуващите процеси. Истинската трансформация изисква систематична промяна на три нива: индивидуален работен процес (възли), междуфункционални връзки (ръбове) и координация в цялата система (мрежи).

Ниво на възлите: Трансформиране на начина, по който индивидите работят

Юридическият екип на една консултантска фирма първоначално използва AI като инструмент за проверка на правопис, т.е. в края на работния процес. Подходът произвежда незначителни ползи, тъй като AI е 100% точен за 40% от типовете грешки. Като преструктурира работния процес така, че AI да провежда първия преглед и да проверява само типовете грешки, с които се справя най-добре, адвокатите се фокусират само върху останалите. Това демонстрира как преосмислянето на работните потоци отключва стойността на технологията.

Някои фирми ускорияват промяната, като поставят невъзможни цели. Това принуждава екипите да изоставят старите навици и да открият нови начини на работа. Един стартъп от Бостън например се изправя пред съпротива при използването на AI в подготовката на документи. За да пробие, компанията изисква документите - преди завършвани за седмица, да бъдат завършвани в рамките на един ден. Екстремният времеви натиск не оставя на служителите друг избор, освен да интегрират AI от самото начало и да преосмислят процесите си.

Ниво на ръбовете: Преосмисляне на връзките

Нивото на ръбовете се фокусира върху това как подобрената локална преценка и данни могат да трансформират процесите между отделите и потоците на вземане на решения.

В една японска козметична компания съветниците по красота в магазините понякога предоставят ненадеждна, анекдотична обратна връзка. Генеративният изкуствен интелект им помага да анализират разговорите с клиенти и моделите на трафик, като им дава структурирани прозрения.

Централата, сега уверена в данните, изгражда двупосочен цикъл: кампаниите могат да стартират по-бързо и да бъдат коригирани в реално време въз основа на доверими теренни разузнавания. Ръбът между локалните операции и централното планиране става отзивчива верига.

Ниво на мрежата: Оркестриране на въздействие в цялата система

За да генерират реално бизнес въздействие от AI, компаниите трябва да разгледат нивото на мрежата - как подобренията в множество възли и ръбове взаимодействат в по-широката система. Без тази перспектива AI може просто да премести тесните места от една част на мрежата в друга и да ограничи общите печалби от производителност.

Това явление е често, защото много организации концентрират усилията си за внедряване на генеративен изкуствен интелект в няколко области с голямо въздействие - като маркетинг, клиентско обслужване или софтуерна разработка, а същевременно пренебрегват взаимозависимостта между бизнес единиците.

Един голям производител на автомобили открива това, когато приема AI базирани инструменти за повишаване на производителността в софтуерната разработка за автомобили. Това позволява по-бързи корекции на дизайна, генериране на код и тестване на функции.

Все пак цялостната мрежа за производство на превозни средства не показва особено подобрение, тъй като производството на хардуер става основното тясно място. Подобрените възли за софтуерна разработка сега чакат непроменените хардуерни възли, а ръбовете, които ги свързват, не могат да се справят с увеличения темп на софтуерни разработки.

Адресирането на такива предизвикателства на ниво мрежа изисква координирани действия във всички възли и ръбове. Организациите трябва да започнат с картографиране на цялата мрежова топология - разбиране как се движат работните потоци между екипите и идентифициране на потенциални тесни места. Приемането на базирани на изкуствен интелект технологии трябва да бъде синхронизирано в свързаните възли, така че подобренията на капацитета да се съчетават в цялата мрежа.

Политика: Навигиране на властта и влиянието

AI оформя кой печели и кой губи вътре в организациите. Политиката около данните, йерархията и отчетността често се оказва по-грозна от техническите проблеми.

Успешното приемане на AI често изисква преосмисляне на управленските структури, коригиране на механизмите за тсимули и, в някои случаи, разчита старшото ръководство да посредничи за споразумения и да премахва бариери. Ето три специфични проблема, които изследването идентифицира:

Натрупване на ресурси

Организациите бързо откриват, че гладът на AI за данни и знания се сблъсква директно с дълбоко вкоренените конкурентни инстинкти. В една голяма китайска IT фирма изследователите разкрива, че програмистите са с 16-18% по-малко склонни да препоръчат AI достъп на собствените си колеги. Те ефективно трупат знания, за да запазят личното си предимство.

В бизнес единиците по-големите, по-успешни дивизии, които притежават усъвършенствани AI модели и ценни набори от данни, често нямат особен стимул да ги споделят с по-малките единици, които биха могли да се възползват най-много. Споделянето може да се усеща като подпомагане на потенциални вътрешни конкуренти, като същевременно разрежда собствените им метрики за ефективност.

Данните от проучване на Deloitte-HKU потвърждават, че висшите мениджъри идентифицират "изолирани отделения, които предотвратяват сътрудничеството" като топ бариера за приемане на изкуствения интелект.

DBS Bank се изправя срещу тази съпротива, като проектира структура за стимули и възнаграждава единиците, които споделят собствени набори от данни и ги превръщат в многократно използваеми активи на централната платформа. Ключова метрика проследява процента на специфичните за случаите на използване набори данни на всяка единица, които са трансформирани в споделими ресурси. Този подход разбива силозите, като мотивира както големи, така и малки единици да допринасят за формирането на висококачествени, достъпни данни.

Нарушаване на йерархията

AI разклаща традиционната йерархия, изградена на два стълба: опит и численост. Опитът отслабва, когато младши служители, въоръжени с AI, превъзхождат опитни ветерани. В една софтуерна фирма програмисти само с две години опит започват да произвеждат повече и по-чист код от колеги с пет години стаж. Младшите чувстват, че правят повече за по-малко.

Някои компании разширяват моделите на компетентност, за да включат изрично владеене на AI, и съкращават стълбата за повишение. Когато циклите на напредък се свиват от пет години до една или две и овладяването на нови инструменти се награждава, младите служители виждат незабавна полза от изучаването на AI.

Вторият стълб, властта чрез численост и контрол над ресурсите, създава още по-силна съпротива. Мениджърите са пазители на приемането на AI, но техният авторитет често зависи от размера на техните екипи. Когато ефективността заплашва да свие тези екипи, техният личен интерес може тихо да провали иначе ценни AI инициативи. В един отдел за превод лидерите се колебаят да автоматизират, защото това би свило тяхната численост, бонуси и престиж.

OPPO, производителят на смартфони, се справя с това, като организира AI турнир, където всеки служител има равен достъп до инструменти, а резултатите са класирани по отдели. Мениджърите трябва да подкрепят приемането на AI или да рискуват екипите им да изостанат. Състезанието преформулира успеха: статусът вече не идва от управлението на големи екипи, а от даването на възможност да постигнат повече с помощта на технологии.

Приписване на отчетност

AI също нарушава традиционния баланс на вина и преценка в организациите. Неговата точност превръща неясната отговорност в твърди данни и това може да създаде ново триене.

В Dingdong Maicai, китайска компания за електронна търговия с хранителни стоки, AI системите проследяват всяка жалба на клиент обратно до точния виновен отдел. Когато клиент получава развалени плодове, алгоритмите могат да посочат дали снабдяването е купило лоша продукция, дали складирането неправилно е обработило стоките, или доставката е причинила щетата. Това, което някога е споделена несигурност, сега е изрична отчетност.

Двоичният характер на алгоритмичното преценяване, което приписва пълна отговорност на една страна, игнорира сивите зони на реалните операции. Това обаче води до изостряне на спорове и жалби от ръководители на отдели.

Урокът е, че перфектната отчетност може да подкопае организационната хармония. Dingdong в крайна сметка променя системата си за приписване, като позволява окончателната преценка да е на хората. Целта не е да се отхвърли прозрачността, а да се буферира с доверие. Ефективното приемане на AI изисква да се знае кога точността помага за ефективността и кога просто подхранва вътрешната политика.

Дърпане на множество лостове за задвижваната от AI трансформация

Фирма за професионални услуги с 2200 практикуващи - предимно софтуерни разработчици и продуктови мениджъри, започва пилотни инициативи с генеративен изкуствен интелект в средата на 2023 г. В рамките на седмици индивидуалната производителност се повишава с 30-40%, но до средата на 2024 г. цялостната ефективност, измерена по производителност и време за доставка, е плоска.

Няколко фактора обясняват тази пропаст. Разработчиците нямат стимули да увеличат производството, защото се опасяват, че печалбите от ефективността могат да задействат съкращения. Потопът от нови AI инструменти създава несъгласувани практики между екипите, нарушава установените стандарти и усложнява управлението на проекти. Междувременно младшите разработчици често превъзхождат старшите, но възлаганията на работа и признанията все още следват традиционните йерархии.

За да адресира тези предизвикателства, фирмата размества хора, процеси и политика. На фронта на хората тя предефинира модела си на компетентност, за да награди изрично владеенето на AI. Това прави експертизата видима в цялата организация. За да противодейства на страховете от замяна, структурата на компенсацията е преработена: базовите заплати да намалени до 80%, докато стимули, базирани на ефективност, са директно свързани с печалбите от ефективност.

Процесното измерение също е преработено, за да вгради AI в целия работен процес. Разработчиците са на практика стюарди на данни и процеси, отговорни за следване на стандартизирани дефиниции на данни, практики за кодиране и AI протоколи, като участват в обучение за засилване на процесната консистентност.

Унифицирана рамка от край до край хармонизира AI интеграцията в етапите на разработка, с актуализирани стандартни оперативни процедури, които включват AI-увеличени стъпки за по-лесно обучение и съответствие. На организационно ниво централизиран модел на управление с дефинирани контролни точки осигурява съгласуваност в данните, AI и работните потоци.

Политическите бариери с конфронтирани директно. Длъжностните категории се разширяват от 6 на 14, с полугодишни прегледи, които позволяват бързо повишение или понижение. Тази система награждава AI приемниците с по-голяма отговорност и влияние, като пренасочва стимулите, които някога са фаворизирали стажа над способностите.

До средата на 2025 г. тези промени започват да се изплащат. Производителността се повишава с 22%, което позволява 10% намаление на цената и увеличава продажбите с 20%. Разходите за труд растат с 5%, тъй като фирмата реинвестира в работната си сила и укрепва ангажимента си към служителите. Цялостната рентабилност се подобрява с 3%, което демонстрира, че задвижваната от изкуствен интелект трансформация се превръща в осезаема бизнес стойност. Подпомаганите от AI разработки съкращава и кривата на учене на нови езици за програмиране, което позволява на компанията да разшири предложенията си.

Този случай показва, че истинската AI трансформация надхвърля технологията. Като съгласува стимулите, преосмисля процесите и преконфигурира организационната власт, компанията превръща приемането на AI в трайна бизнес стойност.

В крайна сметка предизвикателството не е да се приеме изкуственият интелект, а да се еволюира заедно с него. Истинското предимство се крие в изграждането на организация, която може напълно да използва властта на AI. Фирмите, които виждат AI само като технологична надстройка, неизбежно ще се провалят.