От инструментов, поддерживающих команды, до «ремесленных» и «заводских» команд ИИ
В работе технических команд происходит фундаментальная эволюция, которая выходит далеко за рамки сегодняшнего использования инструментов ИИ для повышения индивидуальной производительности. Вместо этого лидеры будут реструктурировать целые процессы и рабочие процессы в каждой корпоративной технологической области, чтобы интегрировать команды людей и ИИ и обеспечить максимальную производительность и креативность человека. Команды могут развиваться с двумя новыми моделями взаимодействия человека и ИИ: «фабрика» и «ремесленник (Artisan)».
- Фабричный шаблон. В этой модели лидеры развертывают автономных агентов с поддержкой искусственного интеллекта, которые могут сотрудничать и управлять работой от начала до конца. Этот подход лучше всего подходит для предсказуемых, рутинных процессов в корпоративных технологиях, таких как мониторинг журналов, обновления нормативных технологий или миграция устаревшего кода .
- Ремесленный шаблон (Artisan). В этой модели инструменты ИИ внедряются как помощники, помогая и улучшая работу опытных инженеров-программистов, стратегов и руководителей корпоративных технологий. Этот подход наиболее подходит для процессов, требующих человеческого суждения и изобретательности, таких как управление затратами на корпоративные технологии и оптимизация, а также поиск и оценка поставщиков. Это недетерминированные действия, то есть может быть много потенциальных способов решения проблемы, что делает их, как правило, плохими кандидатами для автономного агента ИИ, поскольку они требуют мышления более высокого уровня и часто не имеют больших объемов обучающих данных, необходимых для больших языковых моделей (LLM) для получения четко определенного ответа.
Команды могут развиваться с использованием двух новых моделей взаимодействия человека и искусственного интеллекта. Одной из проблем, с которой могут столкнуться руководители, является эффективное смешивание этих подходов для создания гибкого, синхронизированного рабочего процесса, поскольку задачи переходят от человека к ИИ и обратно к человеку. Для поддержки этой работы руководители технологий должны рассмотреть возможность разработки структуры и стратегии управления и управления рисками , которая будет направлять их усилия.
- Какую работу должен выполнять ИИ, а какую — человек?
- Как эффективно объединить подходы фабрики и ремесленника для оптимизации доставки корпоративных технологий?
- Какая работа остается неизменной, поскольку ИИ не представляет особой ценности, кроме элементарного повышения производительности?
- Как управлять передачей от человека к ИИ (и наоборот) в каждом процессе?
Каждый рабочий процесс необходимо будет оценить, разобрать и реконструировать с помощью четко определенных правил поведения. То, как корпоративные технологические команды взаимодействуют с искусственным интеллектом, будет зависеть от варианта использования.
Также потребуются новые роли и навыки. Для задач, управляемых ИИ, понадобятся «заводские» супервайзеры, которые смогут контролировать и внедрять механизмы аудита, проверять образцы выходных данных ИИ, выявлять и исправлять любые отклонения агентов ИИ от предполагаемого поведения и обеспечивать необходимое управление и объяснимость для поддержания высокого уровня точности и доверия. Там, где процессы управляются человеком, экспертам по корпоративным технологиям необходимо будет расширить навыки стратегии, суждения и исполнения — например, быстро перебирая решения проблемы, а не передавая работу младшему персоналу, или используя идеи, предоставленные ИИ-генералом, для активации мозгового штурма и вдохновения на новое мышление.
По мере того, как внедрение заводских и ремесленных моделей будет масштабироваться от нескольких корпоративных технологических областей до многих, ожидается, что объем технического долга (на долю которого приходится около 40% балансов ИТ), а также время и стоимость управления средой значительно сократятся. В результате персонал, занятый ежедневным обслуживанием, можно перенаправить на инновации.
Это может вызвать два важных изменения. Во-первых, ожидается, что масштаб инноваций увеличится, поскольку ИТ-отдел будет направлять больше ресурсов на решение стратегических проблем, закрывая отставание в выполнении бизнес-запросов и принимая новые запросы от бизнеса. Во-вторых, по мере роста производительности персонала ожидается, что скорость, с которой ИТ-отдел сможет разрабатывать, создавать и запускать возможности, также увеличится, в то время как стоимость этой работы, скорее всего, снизится. Gen AI может не сократить бюджеты корпоративных технологий напрямую. Вместо этого он приведет к стратегическому перераспределению в портфеле корпоративных технологий, при этом руководители технологий будут все больше концентрироваться на проектах, ориентированных на рост, а не на текущем обслуживании.
Руководителям технологических компаний, вероятно, придется усилить планирование и управление рисками, чтобы поддерживать быстрый темп. Это может включать, например, гораздо более частое согласование с высшим руководством по дорожным картам инноваций, чтобы сосредоточиться на ценности, а не на объеме среди множества новых бизнес-запросов. Необходимо разработать строгие ограничения для обеспечения объяснимости, безопасности, конфиденциальности и других рисков, связанных с ИИ, чтобы обеспечить как скорость, так и масштабируемость безопасным и ответственным образом. Руководители технологий также должны регулярно пересматривать, как их организации применяют как ремесленные, так и заводские модели, и настраивать свой подход для эффективного баланса между эффективностью затрат и инновациями по мере изменения бизнес-приоритетов. Это может включать изучение дополнительных возможностей применения автономных агентов в рабочих процессах, а также способов повышения производительности групп ремесленников.
Ожидается, что ИТ-архитектуры также будут существенно отличаться, переходя от традиционного подхода, ориентированного на приложения, к новым многоагентным архитектурам, где технические лидеры контролируют сотни или тысячи различных агентов ИИ, которые могут общаться друг с другом и с внешним миром для достижения общей цели. Например, группа агентов на базе искусственного интеллекта может взаимодействовать с существующими системами управления запасами, цепочками поставок и аналитикой для автоматического мониторинга уровня запасов, выявления низких запасов, а также формирования и отправки заказов на закупку поставщикам без сложной интеграции.
Ожидается, что руководители технических подразделений будут использовать этих агентов в своих средах тремя основными способами:
Также потребуются новые роли и навыки. Для задач, управляемых ИИ, понадобятся «заводские» супервайзеры, которые смогут контролировать и внедрять механизмы аудита, проверять образцы выходных данных ИИ, выявлять и исправлять любые отклонения агентов ИИ от предполагаемого поведения и обеспечивать необходимое управление и объяснимость для поддержания высокого уровня точности и доверия. Там, где процессы управляются человеком, экспертам по корпоративным технологиям необходимо будет расширить навыки стратегии, суждения и исполнения — например, быстро перебирая решения проблемы, а не передавая работу младшему персоналу, или используя идеи, предоставленные ИИ-генералом, для активации мозгового штурма и вдохновения на новое мышление.
По мере того, как внедрение заводских и ремесленных моделей будет масштабироваться от нескольких корпоративных технологических областей до многих, ожидается, что объем технического долга (на долю которого приходится около 40% балансов ИТ), а также время и стоимость управления средой значительно сократятся. В результате персонал, занятый ежедневным обслуживанием, можно перенаправить на инновации.
Это может вызвать два важных изменения. Во-первых, ожидается, что масштаб инноваций увеличится, поскольку ИТ-отдел будет направлять больше ресурсов на решение стратегических проблем, закрывая отставание в выполнении бизнес-запросов и принимая новые запросы от бизнеса. Во-вторых, по мере роста производительности персонала ожидается, что скорость, с которой ИТ-отдел сможет разрабатывать, создавать и запускать возможности, также увеличится, в то время как стоимость этой работы, скорее всего, снизится. Gen AI может не сократить бюджеты корпоративных технологий напрямую. Вместо этого он приведет к стратегическому перераспределению в портфеле корпоративных технологий, при этом руководители технологий будут все больше концентрироваться на проектах, ориентированных на рост, а не на текущем обслуживании.
Руководителям технологических компаний, вероятно, придется усилить планирование и управление рисками, чтобы поддерживать быстрый темп. Это может включать, например, гораздо более частое согласование с высшим руководством по дорожным картам инноваций, чтобы сосредоточиться на ценности, а не на объеме среди множества новых бизнес-запросов. Необходимо разработать строгие ограничения для обеспечения объяснимости, безопасности, конфиденциальности и других рисков, связанных с ИИ, чтобы обеспечить как скорость, так и масштабируемость безопасным и ответственным образом. Руководители технологий также должны регулярно пересматривать, как их организации применяют как ремесленные, так и заводские модели, и настраивать свой подход для эффективного баланса между эффективностью затрат и инновациями по мере изменения бизнес-приоритетов. Это может включать изучение дополнительных возможностей применения автономных агентов в рабочих процессах, а также способов повышения производительности групп ремесленников.
От архитектур приложений, доминирующих в ландшафте, до преимущественно архитектур агентов ИИ и данных
Ожидается, что ИТ-архитектуры также будут существенно отличаться, переходя от традиционного подхода, ориентированного на приложения, к новым многоагентным архитектурам, где технические лидеры контролируют сотни или тысячи различных агентов ИИ, которые могут общаться друг с другом и с внешним миром для достижения общей цели. Например, группа агентов на базе искусственного интеллекта может взаимодействовать с существующими системами управления запасами, цепочками поставок и аналитикой для автоматического мониторинга уровня запасов, выявления низких запасов, а также формирования и отправки заказов на закупку поставщикам без сложной интеграции.
Ожидается, что руководители технических подразделений будут использовать этих агентов в своих средах тремя основными способами:
- Суперплатформы. Суперплатформы представляют собой следующее поколение сторонних бизнес-приложений, таких как инструменты для совместной работы, решения для управления взаимоотношениями с клиентами (CRM) или планирования ресурсов предприятия (ERP), со встроенными агентами искусственного интеллекта. Эти агенты по сути являются товарами, которые можно быстро ввести в эксплуатацию.
- Обертки ИИ. По сути, это посреднические платформы, которые позволяют корпоративным службам взаимодействовать и сотрудничать со сторонними службами через API, не раскрывая свои собственные данные. Например, банк может создать обертку с поддержкой ИИ поколения вокруг внутренней модели кредитного риска, управляемой ИИ.
- Пользовательские агенты ИИ. Агенты с поддержкой пользовательского ИИ разрабатываются внутри компании путем тонкой настройки предварительно обученного LLM или с использованием генерации дополненного поиска (RAG) с использованием собственных данных компании. Например, корпоративные технологии могут снабжать существующую модель данными о клиентах, стенограммами колл-центра, политиками компании и другой внутренней информацией для создания агента на базе искусственного интеллекта, который может помочь сотрудникам колл-центра отвечать на вопросы клиентов.
Архитектуры могут развиваться с использованием трех моделей реализации ИИ. Выбор платформы технологической организацией предприятия может зависеть от ряда факторов, включая потенциал фирменных данных для конкурентоспособного дифференцирования бизнеса. С помощью суперплатформ организации предоставляют поставщикам доступ к своим фирменным данным, которые могут быть анонимными, но, скорее всего, будут использоваться для обучения и дальнейшего улучшения модели в интересах клиентов поставщика, включая конкурентов. В результате домены с конфиденциальными или фирменными данными могут быть лучше всего обслуживаться путем защиты данных внутри внутренней платформы с использованием оболочки ИИ. Понимание того, когда следует защищать фирменные данные для сохранения конкурентного преимущества, будет постоянной заботой руководителей в области технологий, поскольку ответ не всегда очевиден.
Более того, проектирование и управление многоагентной архитектурой, которая эффективно использует различные агентные системы, требует принципиально иных соображений, чем управление архитектурами, ориентированными на приложения. Модульные фреймворки, которые направляют разработку общих повторно используемых агентов и инструментов ИИ, важны для обеспечения того, чтобы агенты могли быть легко изменены и собраны, как LEGO, для использования в различных рабочих процессах агентов. Архитектуры должны включать агентов, разработанных для управления входящими запросами и упрощения работы на всех этапах процесса, таких как агенты оркестровки для координации задач между несколькими агентами или агенты-коммуникаторы, которые могут обмениваться сообщениями и обновлениями с агентами на протяжении всего рабочего процесса. Они также должны включать ориентированных на задачи агентов, таких как агент-планировщик, который может определять, какие шаги необходимы для выполнения данного запроса, или исследовательский агент, который собирает и синтезирует информацию из различных источников для поддержки принятия решений.
Для агентских рабочих процессов требуется новая функциональная архитектура.
Центральная технологическая группа предприятия может предоставить общую платформу, включая уровень данных для согласованных высококачественных данных обучения для всех вариантов использования; инструменты и приложения, такие как генератор изображений или API, которые позволяют агентам взаимодействовать с различными сторонними и корпоративными системами; и средства управления рисками. Команды по науке о данных и бизнесу могут предоставить агентов для решения конкретных критически важных для бизнеса проблем. Такой подход позволяет бизнес-подразделениям быстро двигаться, напрямую создавая и экспериментируя с агентами.
В результате основной приоритет корпоративных технологий смещается с традиционных циклов выпуска и обновлений на постоянное совершенствование агентов ИИ и базовых наборов данных. Надежные механизмы обратной связи являются важной частью этого процесса, поскольку они позволяют корпоративным технологическим организациям повышать производительность агентов, а также обеспечивать эффективное сотрудничество и координацию задач между всеми агентами в их экосистеме.
От «пирамидальной» или «ромбовидной» организационной структуры к более плоской с учетом новых соображений в отношении развития рабочей силы
По мере того, как автоматизация и взаимодействие искусственного интеллекта и человека в сфере ИТ набирают обороты, руководители технических подразделений, скорее всего, начнут перестраивать свою организационную структуру, чтобы в полной мере воспользоваться преимуществами производительности. Сотрудники среднего звена в областях, наиболее соответствующих модели ремесленной команды, таких как разработка программного обеспечения, проектирование пользовательского опыта и ИТ-финансы, будут все чаще брать на себя более интегрированные роли, охватывающие весь спектр стратегии и исполнения, что позволит им тестировать и дорабатывать идеи с бизнес-экспертами в режиме реального времени. Для областей, наиболее соответствующих модели заводской команды, таких как ИТ-операции и служба поддержки, мы увидим значительное выравнивание организации и сокращение младших ролей, а также потребность в нескольких руководителях, которые могут контролировать и внедрять механизмы аудита, проверять образцы выходных данных ИИ, а также выявлять и исправлять любые отклонения агентов ИИ от предполагаемого поведения. В разработке программного обеспечения. Например, инженеры полного цикла, владеющие бизнес-стратегией и разработкой с использованием ИИ, будут выполнять задачи на более высоком уровне, такие как понимание намерений конечного пользователя и бизнес-результатов, концептуализация и разработка прототипа функциональности нового продукта с менеджерами по продуктам и руководителями бизнеса, а также разработка фреймворков кода (например, библиотек кода и программ поддержки). Для некоторых проектов, таких как разработка внутренней аналитической панели на основе ИИ для отдела продаж или маркетинга компании, инженеры полного цикла, наделенные полномочиями ИИ, могут брать на себя совмещенные роли (свою собственную и роль менеджера по продукту), возглавляя как бизнес-идею, так и разработку продукта.
Коммуникация — это критически важный новый навык, и он необходим для того, чтобы инженеры могли более эффективно взаимодействовать с руководителями, коллегами и клиентами. Поскольку ИИ автоматизирует многие базовые задачи и повышает производительность и возможности персонала, роли старших и младших экспертов могут кардинально измениться. Например, в разработке программного обеспечения технические руководители и менеджеры по продуктам могут перейти на новые роли, которые используют их опыт для решения сложнейших бизнес-задач или предоставляют экспертные знания в контроле за агентами ИИ. Младших разработчиков могут попросить контролировать отдельных агентов, а не писать код. В результате может возникнуть более плоская и потенциально более компактная организационная модель корпоративных технологий. Это, несомненно, приведет к революции навыков с новыми соображениями относительно рабочей силы и развития карьеры.
- Как вы адаптируете пути повышения квалификации и обучения, чтобы подготовить персонал к этим изменениям?
- Как вы обучаете старших экспертов для новых ролей, которые требуют от них разбивать сложные проблемы, оспаривать предположения (и решения агентов ИИ поколения) и находить креативные решения при небольшом количестве имеющихся данных?
- Как вы создаете сильный поток экспертов по управлению затратами на корпоративные технологии, специалистов по операциям и инженеров полного цикла, когда большая часть работы, на которой младший персонал традиционно оттачивал свои навыки, теперь автоматизирована?
- Как вы обучаете персонал в полной мере использовать ИИ этими новыми способами, но не использовать его в качестве костыля вместо критического и творческого мышления?
Помимо обучения, вероятно, потребуется новый набор и партнерство с внешними поставщиками для приобретения специализированных знаний в области ИИ там, где это необходимо, включая оперативное проектирование, которое будет иметь решающее значение для оптимизации затрат на вычисления.
Кроме того, прежде чем организации произведут этот переход, разработка четкой базовой линии и процесса для измерения воздействия от ИИ может помочь в принятии решений по планированию рабочей силы и повышению квалификации. В идеале метрики должны отслеживать индивидуальную производительность (на основе того, где и как тратится время), скорость разработки (например, время цикла от идеи программного продукта до запуска) и качество.
По мере роста производительности труда персонала затраты на рабочую силу корпоративных технологий будут снижаться. В то же время руководители технологических компаний могут тратить больше на инфраструктуру, в частности на вычисления, для поддержки агентов ИИ — сдвиг, который потребует пристального внимания, чтобы снизить риск опережения затрат на вычисления по сравнению с ростом производительности, полученным от ИИ.
При оптимизации расходов на вычисления руководители должны тщательно анализировать расходы на вычисления и хранение на протяжении всего жизненного цикла — от первоначального планирования до постоянного управления агентами ИИ нового поколения.
Поскольку руководители оценивают, какие виды деятельности должны быть подчинены ИИ, измерение стоимости рабочих процессов с агентами ИИ и без них может дать ценную информацию. Некоторые процессы могут выполняться менее затратно в долгосрочной перспективе с использованием сочетания местных и офшорных талантов после учета вычислительных и операционных расходов (включая расходы на повышение квалификации и управление), необходимых для получения точных результатов от агентов.
Во время разработки агентов ИИ проведение обзоров оптимизации затрат может выявить наиболее экономически эффективные варианты. Например, меньшие, специально созданные LLM могут потребовать меньше вычислений, чем большие LLM, для достижения того же уровня точности прогнозирования и вывода, необходимого для данного процесса. Более точные подсказки или динамическое распределение ресурсов также могут помочь сократить некоторые расходы в конечном итоге. Первые выводы из нашей работы показывают, что расходы могут быстро накапливаться при использовании моделей и подходов ИИ, которые не были оптимизированы по сравнению с теми, которые были оптимизированы.
Наконец, как только агенты ИИ будут запущены в эксплуатацию, руководители должны рассмотреть возможность постоянного мониторинга затрат на вычисления, чтобы избежать неконтролируемых расходов. Многие проблемы, включая более высокое, чем ожидалось, использование агентов, более сложные запросы, чем тестировались, и нерешенные зависимости задач, которые заставляют агентов повторять шаги, могут привести к значительно более высоким затратам на вычисления, чем предполагалось. Как и в случае с облаком, использование подхода FinOps как кода (FaC) для интеграции финансового управления в работу фабрики может предоставить руководителям информацию в реальном времени, необходимую для упреждающего выявления проблем и принятия мер по эффективному управлению эксплуатационными расходами.
Полное принятие этой новой корпоративной технологической операционной модели, вероятно, произойдет через десятилетие, и для успеха потребуется нечто большее, чем просто инструменты. Это зависит от понимания того, где внедрять фабричные и ремесленные шаблоны, проектирования эффективной архитектуры агентов и подготовки ко многим последствиям для таланта, затрат, операций и риска. Начав с нескольких корпоративных технологических доменов, лидеры могут нарастить организационную силу для работы этими новыми способами и экстраполировать полученные знания для повышения эффективности по мере масштабирования. Учитывая масштаб изменений, путь будет сложным, однако долгосрочное воздействие, вероятно, будет больше, чем сейчас воспринимается.
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/enterprise-technologys-next-chapter-four-gen-ai-shifts-that-will-reshape-business-technology
Enterprise technology’s next chapter: Four gen AI shifts that will reshape business technology. December 2, 2024. Article. By James Kaplan, Mark Gu, Megha Sinha.
Кроме того, прежде чем организации произведут этот переход, разработка четкой базовой линии и процесса для измерения воздействия от ИИ может помочь в принятии решений по планированию рабочей силы и повышению квалификации. В идеале метрики должны отслеживать индивидуальную производительность (на основе того, где и как тратится время), скорость разработки (например, время цикла от идеи программного продукта до запуска) и качество.
От структур затрат на основе приложений к структурам затрат на инфраструктуру с повышенным вниманием к расходам на вычисления
По мере роста производительности труда персонала затраты на рабочую силу корпоративных технологий будут снижаться. В то же время руководители технологических компаний могут тратить больше на инфраструктуру, в частности на вычисления, для поддержки агентов ИИ — сдвиг, который потребует пристального внимания, чтобы снизить риск опережения затрат на вычисления по сравнению с ростом производительности, полученным от ИИ.
При оптимизации расходов на вычисления руководители должны тщательно анализировать расходы на вычисления и хранение на протяжении всего жизненного цикла — от первоначального планирования до постоянного управления агентами ИИ нового поколения.
Поскольку руководители оценивают, какие виды деятельности должны быть подчинены ИИ, измерение стоимости рабочих процессов с агентами ИИ и без них может дать ценную информацию. Некоторые процессы могут выполняться менее затратно в долгосрочной перспективе с использованием сочетания местных и офшорных талантов после учета вычислительных и операционных расходов (включая расходы на повышение квалификации и управление), необходимых для получения точных результатов от агентов.
Во время разработки агентов ИИ проведение обзоров оптимизации затрат может выявить наиболее экономически эффективные варианты. Например, меньшие, специально созданные LLM могут потребовать меньше вычислений, чем большие LLM, для достижения того же уровня точности прогнозирования и вывода, необходимого для данного процесса. Более точные подсказки или динамическое распределение ресурсов также могут помочь сократить некоторые расходы в конечном итоге. Первые выводы из нашей работы показывают, что расходы могут быстро накапливаться при использовании моделей и подходов ИИ, которые не были оптимизированы по сравнению с теми, которые были оптимизированы.
Наконец, как только агенты ИИ будут запущены в эксплуатацию, руководители должны рассмотреть возможность постоянного мониторинга затрат на вычисления, чтобы избежать неконтролируемых расходов. Многие проблемы, включая более высокое, чем ожидалось, использование агентов, более сложные запросы, чем тестировались, и нерешенные зависимости задач, которые заставляют агентов повторять шаги, могут привести к значительно более высоким затратам на вычисления, чем предполагалось. Как и в случае с облаком, использование подхода FinOps как кода (FaC) для интеграции финансового управления в работу фабрики может предоставить руководителям информацию в реальном времени, необходимую для упреждающего выявления проблем и принятия мер по эффективному управлению эксплуатационными расходами.
Полное принятие этой новой корпоративной технологической операционной модели, вероятно, произойдет через десятилетие, и для успеха потребуется нечто большее, чем просто инструменты. Это зависит от понимания того, где внедрять фабричные и ремесленные шаблоны, проектирования эффективной архитектуры агентов и подготовки ко многим последствиям для таланта, затрат, операций и риска. Начав с нескольких корпоративных технологических доменов, лидеры могут нарастить организационную силу для работы этими новыми способами и экстраполировать полученные знания для повышения эффективности по мере масштабирования. Учитывая масштаб изменений, путь будет сложным, однако долгосрочное воздействие, вероятно, будет больше, чем сейчас воспринимается.
Источник
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/enterprise-technologys-next-chapter-four-gen-ai-shifts-that-will-reshape-business-technology
Enterprise technology’s next chapter: Four gen AI shifts that will reshape business technology. December 2, 2024. Article. By James Kaplan, Mark Gu, Megha Sinha.
Следующая глава корпоративных технологий: четыре поколения ИИ, которые изменят бизнес-технологии. 2 декабря 2024 г. Статья. Джеймс Каплан, Марк Гу, Мегха Синха
Комментариев нет:
Отправить комментарий