نکات کلیدی
- کارهای مکانیکی را خودکار کنید، اما کارهایی که قضاوت را تقویت میکنند، حفظ کنید.
- هوش مصنوعی باید یادگیری را تسریع کند و افراد تازهکار را به سمت تجزیه و تحلیل، ارزیابی و تصمیمگیری سوق دهد.
چالشهای آموزش تفکر
آیا تاکنون به این فکر کردهاید که وقتی به افراد یاد نمیدهید چگونه فکر کنند، چه اتفاقی برای شرکت شما میافتد؟ این سوالی است که با توجه به اینکه تیمها کارهای سطح پایین را به هوش مصنوعی واگذار میکنند، بارها به آن فکر کردهام. بله، خروجیها هنوز هم تولید میشوند. اکسل هنوز هم ساخته میشود. داشبورد هنوز هم بهموقع بهروزرسانی میشود. و بله، از نظر ظاهری، بهرهوری بهتر از همیشه به نظر میرسد. اما هزینهی خاموش در جای دیگری نشسته است.
کارمندان تازهکار که قبلاً از طریق این کارها قضاوت خود را کسب میکردند، دیگر همان تجربه را ندارند. آنها دیگر با ورودیهای نامنظم دست و پنجه نرم نمیکنند. آنها دیگر اشتباهات کوچک را که باعث ایجاد غریزه میشود، انجام نمیدهند. آنها دیگر تحت آموزش نقاط کور قرار نمیگیرند که «هوشمند» را به «قابل اعتماد» تبدیل کند.
اهمیت کارهای قضاوتساز
وقتی به A-پلیرهای تیم خود نگاه میکنم، میبینم که آنها به خاطر اجتناب از اشتباهات و کارهای بنیادی بزرگ نشدهاند. آنها بزرگ شدند زیرا این کارها را انجام دادند، بازخورد گرفتند، دوباره انجام دادند و از تجربیات واقعی دیگران یاد گرفتند. اگر این مسیر را کاملاً حذف کنید، نوعی کوتاهنگری خطرناک در سازمان ایجاد میکنید. دانش ممکن است در سیستمها و دستورات وجود داشته باشد، اما افراد کمتری یاد میگیرند که چگونه آن را تولید کنند، به چالش بکشند و منتقل کنند.
استفاده هدفمند از هوش مصنوعی
این یک استدلال علیه هوش مصنوعی نیست. این یک استدلال برای استفاده از آن با هدف است. کارهایی که قضاوت را آموزش میدهند، با کارهایی که زمان را هدر میدهند، متفاوت است. بسیاری از کارهای سطح پایین زمانبر هستند. آنها تکراری هستند و معمولاً در پایین یک فرایند قرار دارند. رهبران با دیدن این کارها به سرعت فکر میکنند: «آن را خودکار کنید.» اینجا جایی است که اشتباه شروع میشود.
برخی از کارهای سطح پایین مکانیکی هستند. آنها باید انجام شوند، اما قضاوت زیادی نمیسازند. به عنوان مثال، فرمتبندی ارائهها، استخراج گزارشهای استاندارد، پاکسازی اکسلهای تکراری یا تهیه یک الگوی اولیه که هر بار همان الگو را دنبال میکند. اگر هوش مصنوعی میتواند این کارها را به خوبی انجام دهد، باید اجازه دهید این کارها را انجام دهد. حفظ کارهای بیفایده، استعداد را نمیسازد. بلکه آن را خسته میکند.
تغییر در کارها با هوش مصنوعی
برخی از کارهای سطح پایین جایی است که قضاوت شکل میگیرد. این لحظهای است که کسی یاد میگیرد سیگنال را از نویز جدا کند. این لحظهای است که آنها متوجه میشوند یک رویکرد آشنا با یک وضعیت خاص مطابقت ندارد. این کار، رهبران آینده را میسازد و دقیقاً همان کاری است که نمیتوانید از طریق هوش مصنوعی انجام دهید بدون اینکه چیزی بهطور مساوی توسعهدهنده جایگزین کنید.
چگونه این کار را درست انجام دهیم
به بار کار سطح پایین تیم خود با چشمان تازه نگاه کنید. کارهای صرفاً رویهای را از کارهایی که نیاز به قضاوت دارند، جدا کنید. اگر یک کار میتواند با دنبال کردن یک چکلیست انجام شود، آن را خودکار کنید. اگر نیاز به قضاوت دارد، آن را به افراد واگذار کنید. آنچه بعد از آن میآید، جایی است که بیشتر سازمانها متوقف میشوند. شما نمیتوانید کار مکانیکی را حذف کنید و امیدوار باشید که توسعه بهطور خودکار اتفاق بیفتد.
شما باید کارهای قضاوتساز را دوباره طراحی کنید تا افراد تازهکار هنوز هم تجربه، آموزش و مسئولیت را دریافت کنند. این به معنای قرار دادن استانداردهای بررسی است. به معنای این است که از افراد تازهکار بخواهید توضیح دهند که چرا خروجی هوش مصنوعی درست است و چه چیزی آن را نادرست میکند. این به معنای دادن مالکیت به تفکر، نه فقط به خروجی است.
پیگیری پیشرفت
در نهایت، بیشتر از بهرهوری را پیگیری کنید. اگر تنها امتیاز شما خروجی و کارایی را پاداش میدهد، برای آیندهای اشتباه بهینهسازی خواهید کرد. به این توجه کنید که آیا تیم تازهکار شما در طول زمان در تحلیل و تصمیمگیری بهتر میشود یا خیر. اگر اینگونه نیست، شما در حال ساخت قابلیت واقعی نیستید.