Możliwości AI różnią się od siebie. Strategia przedsiębiorstwa powinna to odzwierciedlać. Firmy popełniają błąd, traktując strategię AI tak, jakby agentyczna sztuczna inteligencja była jedną, uniwersalną technologią, którą można wdrożyć w ten sam sposób w całej organizacji. Tak jednak nie jest – przekonuje Marc Escobosa, wiceprezes Salesforce Futures.
To zrozumiały błąd. Obserwując grupę agentów AI, które piszą kod, a następnie samodzielnie testują go i naprawiają wykryte błędy, łatwo dojść do wniosku, że ten sam model działania sprawdzi się w całym przedsiębiorstwie. Problem polega na tym, że sztuczna inteligencja doskonale radzi sobie z niektórymi rodzajami zadań, a w przypadku innych bywa zawodna – niekiedy w niebezpiecznym stopniu. Rozwiązanie oparte na agentycznej AI, które sprawdza się w jednym procesie, może okazać się zupełnie nieodpowiednie w innym.
Programowanie jest obszarem, w którym AI sprawdza się dobrze, ponieważ obowiązują w nim jasno określone reguły, a poprawność rezultatów można zweryfikować za pomocą testów. To właśnie taki mechanizm informacji zwrotnej przyczynił się do rozwoju umiejętności modeli w tym zakresie. Jeśli jednak zapytamy tego samego agenta, czy należy obniżyć cenę produktu, który słabo się sprzedaje, udzieli odpowiedzi z równie dużą pewnością – nawet jeśli nie dysponuje danymi niezbędnymi do podjęcia takiej decyzji. Nie będzie też sposobu, aby upewnić się, że ma rację, zanim konieczne stanie się podjęcie działania.
Na szczęście nierównomierne możliwości agentycznej AI można przewidzieć. Dwa pytania pozwalają określić, w jakich obszarach agent może być skuteczny, a w jakich napotka trudności:
- Czy duży model językowy (LLM) został wytrenowany na wystarczającej ilości odpowiednich danych, aby skutecznie wykonywać zadania?
- Czy można zweryfikować odpowiedź, aby upewnić się, że jest prawidłowa?
Odpowiedzi na te pytania nie są zero-jedynkowe – mieszczą się na pewnej skali. To, jak dane zadanie plasuje się pod względem obu tych kryteriów, pomaga określić, w jaki sposób firmy powinny podzielić obowiązki między ludzi a AI.
W niektórych przypadkach agenci AI mogą działać na tyle niezawodnie, że głównym zadaniem człowieka staje się przydzielanie im zadań i kontrolowanie rezultatów. W innych przypadkach pracownicy muszą uzupełniać brakujący kontekst, selekcjonować i oceniać wyniki generowane przez AI lub samodzielnie podejmować decyzje i brać za nie odpowiedzialność.
Odpowiedzi na te dwa pytania pozwalają wyróżnić cztery szerokie kategorie zadań, z których każda wymaga innego zaangażowania człowieka:
Szerokie możliwości weryfikacji i bogaty kontekst: pozwól działać agentowi, ale sprawdzaj jego pracę
Pierwsza kategoria obejmuje zadania, w przypadku których AI dobrze zna problem do rozwiązania i istnieje obiektywna metoda oceny rezultatu. Oczywistym przykładem jest programowanie, ale ta sama zasada dotyczy wielu zagadnień naukowych i inżynieryjnych. Można na przykład poprosić agenta o znalezienie nowego materiału, który pozostaje elastyczny po zamrożeniu, ale nie topi się poniżej określonej temperatury. Uzyskany rezultat można następnie sprawdzić pod kątem spełnienia tych wymagań.
To właśnie w takich obszarach korzyści płynące z wykorzystania AI mogą się kumulować. Ten sam mechanizm można zastosować również poza programowaniem. Eksperckie kryteria oceny oraz dane dotyczące ludzkich preferencji i zachowań pozwalają modelom weryfikować rezultaty także w przypadku zadań, które nie mają jednej obiektywnie poprawnej odpowiedzi. Wraz z rozwojem modeli agenci będą mogli przejmować coraz więcej takich zadań, co stworzy ogromny potencjał zwiększania prędkości działania i produktywności w całym przedsiębiorstwie.
W związku z tym zmienia się również rola człowieka. Zamiast samodzielnie wykonywać każdy etap pracy, pracownicy określają, które zadania można delegować AI, oraz wprowadzają mechanizmy kontroli zapewniające prawidłową realizację powierzonych obowiązków.
Ryzyko działa jednak w obie strony. Zbyt powolne przekazywanie zadań sztucznej inteligencji może sprawić, że konkurencja zacznie działać szybciej. Z kolei zbyt wczesne delegowanie obowiązków może doprowadzić do równie sprawnej automatyzacji błędów, co skutecznych działań.
Nie wszystkie zadania można jednak realizować w ten sposób. Często problemem jest niespełnienie jednego z dwóch warunków, a niekiedy – obu jednocześnie.
Szerokie możliwości weryfikacji, ale brak kontekstu: AI mogłaby wykonać zadanie, gdyby tylko dysponowała wiedzą pracowników
Inny problem pojawia się w sytuacji, gdy rezultat pracy można łatwo zweryfikować, ale AI nie została odpowiednio wytrenowana ani nie otrzymała informacji zwrotnych dotyczących zadań danego rodzaju.
W przypadku konieczności terminowego dostarczenia klientowi pilnego zamówienia łatwo sprawdzić, czy przesyłka dotrze do niego do piątku. Doświadczony pracownik może jednak wiedzieć, że jeden z dostawców regularnie nie dotrzymuje deklarowanych terminów realizacji, inny jest w stanie przyspieszyć zamówienie, jeśli skontaktujemy się z odpowiednią osobą, a trzeci może zrealizować opóźnioną wysyłkę, jeśli otrzyma wystarczająco dużo czasu na przygotowanie. Żadna z tych informacji nie musi być uwzględniona w formalnie opisanym procesie.
Znaczna część takiej wiedzy funkcjonuje w wątkach na Slacku, nieformalnych rozmowach na korytarzu i doświadczeniu pracowników. Dlaczego zespół pominął jeden z etapów procesu na danym rynku? Dlaczego handlowiec zrobił wyjątek dla jednego klienta, ale nie dla innego? Dlaczego menedżer tym razem zrezygnował z zastosowania standardowej procedury?
Zadaniem człowieka jest połączenie informacji, które wynikają z wiedzy nieformalnej lub doświadczenia, i udostępnienie tego kontekstu AI. Kamery montowane na głowach pracowników serwisowych rejestrują dziś, jak w praktyce wykonują oni swoje obowiązki. Firma Mercor i podobne podmioty zbudowały model biznesowy oparty na przeprowadzaniu wywiadów z ekspertami i sprzedawaniu pozyskanej w ten sposób wiedzy laboratoriom AI.
Organizacje, które potrafią skutecznie przekształcać nieformalną wiedzę w użyteczny kontekst, mogą rozwijać swoich agentów w sposób trudny do odtworzenia przez konkurencję – nawet jeśli korzysta ona z tego samego modelu AI. Utrzymanie takiej przewagi wymaga jednak ochrony zastrzeżonych danych i wzorców podejmowania decyzji przed wykorzystaniem ich do trenowania zewnętrznych modeli.
Ograniczone możliwości weryfikacji, ale bogaty kontekst: AI może udzielić całkiem dobrej odpowiedzi – i właśnie w tym tkwi problem
Inny rodzaj ryzyka pojawia się wtedy, gdy AI dysponuje dużą ilością odpowiedniego kontekstu, ale nie ma obiektywnego sposobu, na weryfikację poprawności jej odpowiedzi – przynajmniej nie na tyle szybko, by można było uwzględnić wynik takiej oceny przed podjęciem decyzji. Do tej kategorii należy znaczna część działań związanych z marketingiem, pozycjonowaniem marki i strategią.
Poproszony o przygotowanie nowej kampanii marketingowej agent może stworzyć dopracowany materiał, który zrobi dobre wrażenie na zespole. Ponieważ jednak opiera się na wcześniejszych przykładach, może wygenerować treść, która sprawia wrażenie nowej, ale w rzeczywistości nie jest szczególnie oryginalna. Dwie konkurujące ze sobą firmy, zadając modelowi podobne pytania, mogą otrzymać przekonujące i przemyślane odpowiedzi, które wydają się wyróżniające. Dopiero po sześciu miesiącach mogą jednak zauważyć, że ich kampanie, komunikaty, a być może nawet strategie zaczynają być do siebie coraz bardziej podobne.
W tym przypadku rolą człowieka jest ocena rezultatów – wykraczanie poza schematyczne rozwiązania, zachowanie tego, co wyróżnia organizację, oraz rozpoznawanie sytuacji, w których odpowiedź AI jest po prostu zbyt przewidywalna. Szczególnego znaczenia nabiera tu ludzka wrażliwość i umiejętność oceny, co jest charakterystyczne, zaskakujące lub autentyczne dla danej organizacji, a nie tylko poprawne i kompetentne.
Pytanie nie sprowadza się więc wyłącznie do tego, czy wygenerowany rezultat jest dobry, ale również do tego, czy rzeczywiście pasuje do organizacji. Czy odzwierciedla to, co klienci cenią w firmie? Czy nie brzmi jak coś, co równie dobrze mógłby powiedzieć konkurent? Czy wnosi coś naprawdę nowego, czy jedynie przedstawia w innej formie rozwiązania, które sprawdziły się już wcześniej?
Kiedy ostateczne rezultaty są mierzalne, firmy mogą wykorzystać uzyskane dane, aby udoskonalić kryteria oceny przy kolejnych zadaniach. Dzięki temu podobne działania mogą z czasem trafić do kategorii, w której łatwiej zweryfikować pracę AI.
Największym zagrożeniem w tym przypadku nie są więc błędne rezultaty, tylko poprawnie brzmiące, ale pozbawione oryginalności treści, które stopniowo sprawiają, że firmy i ich pomysły stają się do siebie coraz bardziej podobne.
Ograniczone możliwości weryfikacji i brak kontekstu: nikt nie zna odpowiedzi, ale ktoś i tak musi podjąć decyzję
W tej kategorii AI bywa zawodna, gdy działa autonomicznie, a jej odpowiedzi nie można obiektywnie zweryfikować lub brakuje odpowiednich wcześniejszych przykładów, na których mogłaby się oprzeć.
Wyobraźmy sobie firmę rozważającą przejęcie przedsiębiorstwa na rynku, na którym dotychczas nie prowadziła działalności. AI może przeanalizować dane finansowe, znaleźć porównywalne transakcje i opracować różne scenariusze. Żadna z tych czynności nie pozwoli jednak ustalić kierownictwu, czy przejęcie wzmocni firmę, odciągnie ją od jej kluczowej działalności, czy też okaże się kosztownym błędem za pięć lat.
Jeśli sytuacja jest rzeczywiście bezprecedensowa, nie ma powodów, by zakładać, że model będzie w stanie skutecznie wyciągać wnioski na podstawie niewielkiej ilości podobnych danych, z którymi mógł zetknąć się podczas trenowania. W momencie podejmowania decyzji nie będzie jeszcze wystarczających danych, by przewidzieć jej konsekwencje.
Nie oznacza to, że AI jest w takich sytuacjach bezużyteczna. Zmienia się jedynie jej rola. Może wskazywać założenia, identyfikować wcześniejsze analogiczne przypadki, generować alternatywne rozwiązania i przedstawiać najmocniejsze argumenty przeciwko preferowanej opcji. Może pomóc kadrze zarządzającej przeanalizować decyzję i związane z nią kompromisy, nie udając przy tym, że jest w stanie samodzielnie rozstrzygnąć sprawę.
W pewnym momencie analiza ustępuje miejsca ocenie, jakie ryzyko warto podjąć, na jakie kompromisy można się zgodzić i które rozwiązanie najlepiej odzwierciedla wartości firmy. Ostateczną decyzję nadal musi podjąć człowiek i to on ponosi za nią odpowiedzialność.
Dopasowanie roli człowieka do charakteru zadania
Dla osób zarządzających najważniejszy wniosek nie powinien sprowadzać się do pytania: „Gdzie powinniśmy wdrożyć AI?”, lecz: „Z jakim rodzajem zadania mamy do czynienia i jaką rolę powinien w nim odgrywać człowiek?”.
Przedstawione powyżej cztery kategorie stanowią oczywiście pewne uproszczenie. Możliwości weryfikacji i dostępność kontekstu nie są wartościami stałymi. Zadania mogą przechodzić z jednej kategorii do drugiej w miarę udostępniania AI dodatkowych informacji i opracowywania bardziej trwałych kryteriów oceny. Firmy wyciągają wnioski z dotychczasowych rezultatów i uczą się, na co zwracać uwagę przy kolejnych działaniach, a także opracowują lepsze sposoby weryfikowania odpowiedzi generowanych przez AI.
Nie chodzi o to, aby na siłę przyporządkowywać każde zadanie do jednej z czterech kategorii. Najważniejsze jest regularne zadawanie tych dwóch pytań i odpowiednie dostosowywanie roli człowieka. Możliwości AI różnią się od siebie. Strategia przedsiębiorstwa powinna uwzględniać tę rzeczywistość, zamiast ją ignorować.
