הדיון על בינה מלאכותית נוטה לעתים קרובות לקוטב בין קצוות: יש שחושבים על אוטומציה מוחלטת של עבודת האדם, בעוד שאחרים, לעומת זאת, רואים בבינה מלאכותית עוד טכנולוגיה מוגזמת בעלת השפעה מעשית מוגבלת. עם זאת, הניסיון שנצבר מיישום פתרונות בינה מלאכותית במאות ארגונים חושף מציאות מורכבת ומבטיחה הרבה יותר.
כפי שמדגיש מחקר שנערך לאחרונה, "הערך המשמעותי ביותר מתעורר כאשר ארגונים מעצבים מחדש את עבודתם באופן מושכל כדי למנף את החוזקות המשלימות של בני אדם ומכונות ."
במאמר זה, אנו רוצים לעזור לכם להבין כיצד הארגונים החדשניים ביותר יוצרים צוותי אדם-מכונה החורגים מגישות מסורתיות, וחולקים אסטרטגיות מעשיות המבוססות על יישומים בעולם האמיתי ולא על אפשרויות תיאורטיות.
יישומי טכנולוגיה מסורתיים מתמקדים בדרך כלל באוטומציה - זיהוי משימות המבוצעות כיום על ידי בני אדם והעברתן למכונות. בעוד שגישה זו יכולה להגביר את היעילות, היא אינה מצליחה לנצל את הפוטנציאל הטרנספורמטיבי של בינה מלאכותית.
פרדיגמת ההרחבה, לעומת זאת, מציעה גישה שונה באופן מהותי. במקום לשאול "אילו משימות ניתן להחליף על ידי מכונות?", היא שואלת "כיצד נוכל לעצב מחדש את העבודה כדי לנצל את היכולות הייחודיות של בני אדם ומכונות?"
ארגונים רבים מדווחים על חוויה דומה: בתחילה הם פנו לבינה מלאכותית ככלי אוטומציה להפחתת עלויות, והשיגו תוצאות חיוביות אך מוגבלות. כאשר הם העבירו את המיקוד שלהם להגדלת קיבולת - כיצד בינה מלאכותית יכולה לשפר את יכולותיהם של האנליסטים שלהם במקום להחליף אותם - הם ראו השפעה גדולה באופן אקספוננציאלי.
צוותי אדם-מכונה יעילים ממנפים את היכולות הייחודיות של זה:
נקודת המפנה עבור חברות רבות הגיעה כאשר הן הפסיקו להתייחס למערכות בינה מלאכותית ככלים פשוטים והחלו להתייחס אליהן כחברי צוות עם חוזקות ומגבלות ספציפיות. שינוי זה שינה באופן קיצוני את האופן שבו הן עיצבו את זרימות העבודה שלהן.
בהתבסס על ניסיון יישום במגזרים שונים, אנו יכולים לזהות חמישה מודלים יעילים לשיתוף פעולה בין אדם למכונה:
בגישה זו, מערכות בינה מלאכותית מטפלות במקרים שגרתיים ומפקידות מצבים מורכבים או חריגים בידי מומחים אנושיים.
איך זה עובד:
מפתחות יישום:
בינה מלאכותית מייצרת פתרונות או גישות פוטנציאליות שבני אדם מעריכים, משכללים ומאשרים.
איך זה עובד:
מערכות בינה מלאכותית מספקות הנחיות בזמן אמת לבני אדם המבצעים משימות מורכבות, ומשפרות את הביצועים באמצעות המלצות הקשריות.
איך זה עובד:
בני אדם מבצעים עבודה יצירתית או עתירת שיקול דעת, בעוד שמערכות בינה מלאכותית בוחנות את התוצאות כדי לזהות שיפורים או בעיות פוטנציאליות.
איך זה עובד:
מערכות בינה מלאכותית לומדות על ידי התבוננות במומחים אנושיים, ולוקחות על עצמן בהדרגה יותר אחריות ככל שבני אדם מתקדמים לכיוון פיקוח וטיפול בחריגים.
איך זה עובד:
יישום טכנולוגיה הוא רק חצי מהמשוואה. יצירת צוותי אדם-מכונה יעילים דורשת גם הסתגלות תרבותית:
בארגונים מבוססי בינה מלאכותית, המומחיות כוללת יותר ויותר ידיעה כיצד לשתף פעולה ביעילות עם מערכות חכמות, ולא רק ידע בתחום.
בארגונים מתקדמים, בעלי הביצועים המובילים אינם עוד רק אלו עם המומחיות הטכנית העמוקה ביותר, אלא אלו ששולטים באומנות שיתוף הפעולה עם מערכות בינה מלאכותית ויודעים מתי לסמוך על המלצות מכונה ומתי להתעלם מהן.
שיתוף פעולה יעיל דורש אמון מכויל - לא אמונה עיוורת בהמלצות של בינה מלאכותית או ספקנות מזלזלת. הארגונים המצליחים ביותר מיישמים גישות מובנות לבניית אמון:
מדדי ביצועים מסורתיים לרוב אינם מצליחים ללכוד את הערך של שיתוף פעולה יעיל בין אדם למכונה. ארגונים מובילים מיישמים גישות חדשות למדידה:
בהתבסס על ניסיון בהובלת ארגונים דרך טרנספורמציה זו, מומלץ להשתמש בגישה הדרגתית:
למרות הפוטנציאל של צוותי אדם-מכונה, ארגונים מתמודדים עם מספר אתגרים משותפים:
פחד מעקירה מעבודה וספקנות לגבי יכולותיה של בינה מלאכותית עלולים לעכב את אימוץה.
בחברות רבות, ההתנגדות הראשונית לאימוץ בינה מלאכותית מורגשת. נקודת המפנה מתרחשת לעתים קרובות כאשר אנו מפסיקים לדבר על "יישום בינה מלאכותית" ומתחילים לדון כיצד "להעצים צוותים עם יכולות חדשות". שינוי זה בפרספקטיבה יכול להפוך התנגדות למעורבות פעילה.
אסטרטגיות להתגברות על התנגדות:
.png)
הצלחה תלויה בממשקים ובאינטראקציות המתוכננות סביב צרכים אנושיים.
ארגונים רבים מדווחים כי היישומים הראשוניים שלהם היו תקינים מבחינה טכנית אך לא הצליחו להגיע לאימוץ משום שלא התחשבו כראוי בגורם האנושי . נוהג מתפתח הוא לשלב מומחי UX ופסיכולוגים ארגוניים בצוותי פיתוח כבר מתחילת הפרויקט.
עקרונות עיצוב יעילים:
הפוטנציאל האמיתי של בינה מלאכותית אינו טמון באוטומציה מלאה וגם לא בהיותה כלי גרידא, אלא ביצירת שותפויות בין אדם למכונה המגבירות את היכולות של שניהם.
ארגונים המתייחסים לבינה מלאכותית כהזדמנות לחשוב מחדש באופן מהותי על העבודה - במקום פשוט להפוך זרימות עבודה קיימות לאוטומטיות - צוברים יתרונות תחרותיים משמעותיים.
הדיון בין בני אדם למכונות תמיד החמיץ את הנקודה. ארגונים משגשגים אינם בוחרים בין כישרון אנושי לבינה מלאכותית - הם יוצרים מערכות אקולוגיות שבהן כל אחד מהם משפר את יכולותיו של השני.
ככל שאנו ממשיכים להתקדם אל עבר גבול חדש זה, ההצלחה תהיה שייכת לאלו שיכולים לדמיין וליישם דרכי עבודה חדשות אשר ישחררו את מלוא הפוטנציאל של בני אדם ומכונות כאחד - לא כמתחרים, אלא כמשתפי פעולה בעידן של אפשרויות חסרות תקדים.
.svg)
.svg)
.svg)
