Jakob Nielsen: vrednost AI-a dolazi od redizajniranja radnih tokova, a ne od automatizacije zadataka

O čemu je članak

Jakob Nielsen, doktor nauka, sintetiše nalaze iz obimnog terenskog eksperimenta koji su sproveli istraživači INSEAD-a i Harvarda sa 515 startapa. Studija je poredila dve grupe: jedna je dobila standardnu obuku za AI alate i podršku u preduzetništvu, a druga je, pored toga, bila podučena principima redizajniranja radnih tokova oko AI-a od osnova. Razlika u prihodu između grupa bila je 90% u korist grupe koja je redizajnirala procese.

Kontekst

Članak počinje razlikovanjem dva tipa dobitaka u produktivnosti. Produktivnost na nivou zadatka je lokalni efikasnosni dobitak — jedan korak u procesu postaje brži. Propusnost radnog toka je sistemski dobitak — ceo niz od ulaza do izlaza proizvodi više jer se promenila struktura rada, a ne samo brzina jednog koraka. Nielsen tvrdi da većina timova ostvaruje samo prvu vrstu, ostavljajući drugu neiskorišćenom.

Istraživanje je pokazalo da optimizacija pojedinačnih koraka samo pomera uska grla nizvodno umesto da ih eliminiše. Brži prvi korak u petostepenom procesu ne povećava ukupan izlaz ako je četvrti korak ograničenje. Samo restrukturiranje celog niza omogućava realizaciju punog potencijala.

Ključne metode i zaključci

Nielsen identifikuje četiri poteza koji se ponavljaju u efikasnim AI redizajnima radnih tokova: uklanjanje predaja spajanjem koraka koji su prethodno bili razdvojeni po ulogama ili alatima; paralelizacija pokretanjem varijanti istovremeno umesto sekvencijalno; premeštanje ljudi u izuzetke tako da AI rešava standardne slučajeve dok se pažnja čoveka rezerviše za slučajeve koji izlaze van definisanih parametara; i dodavanje petlji evaluacije za kontinuirano merenje kvaliteta izlaza umesto pretpostavljanja.

Firme iz tretovane grupe u studiji su takođe zahtevale 40% manje eksternog kapitala uz nepromenjen broj zaposlenih — što znači da su dobici proistekli iz strukturnih promena u tome kako rad prolazi kroz tim, a ne od zapošljavanja više ljudi ili trošenja više na alate.

Članak posebno ističe “ljudsko lepilo” kao cilj eliminacije: ručni koraci koji postoje isključivo da premošćuju nepovezane sisteme, kao što je kopiranje podataka iz jednog alata u drugi, reformatiranje dokumenata za različite publike ili koordinacija predaja između odeljenja. Ovi koraci ne dodaju vrednost i često su nevidljivi u mapama procesa.

Kome je koristan

Product manager-ima koji su eksperimentisali sa AI alatima ali nisu videli očekivane dobitke u produktivnosti. Nielsenov okvir pruža dijagnostičku leću: ako usvajanje AI alata nije promenilo strukturu radnog toka — ko šta radi, kojim redosledom, sa kojim pregledima — onda je efikasnosni dobitak lokalan i propusnost tima ostaje ista. Članak je takođe koristan za sve koji vode AI inicijativu usvajanja na nivou tima ili organizacije, gde je lakše pratiti primenu pojedinačnih alata nego sveobuhvatan uticaj na procese.