Οι παγκόσμιοι ηγέτες αντιμετωπίζουν πέντε βασικές εντάσεις καθώς η τεχνητή νοημοσύνη (AI) ενσωματώνεται στους χώρους εργασίας, σύμφωνα με πληροφορίες από πάνω από 100 κατασκευαστές, στελέχη, επενδυτές, συμβούλους και ερευνητές.
Αυτές οι εντάσεις περιλαμβάνουν τη σχέση μεταξύ ειδικών και αρχάριων, τη συγκέντρωση έναντι της αποκέντρωσης στη διακυβέρνηση, τον αντίκτυπο της τεχνητής νοημοσύνης στις ιεραρχικές δομές, την ισορροπία μεταξύ ταχύτητας και σκόπιμης υλοποίησης και την αλληλεπίδραση πρωτοβουλιών αλλαγής από πάνω προς τα κάτω και από ομοτίμους.
Η έρευνα δείχνει ότι οι πρώτες εφαρμογές της τεχνητής νοημοσύνης έχουν δείξει διπλά αποτελέσματα. Οι Πολωνοί ενδοσκόποι που χρησιμοποιούν την τεχνητή νοημοσύνη για την ανίχνευση καρκίνου παρουσίασαν βελτιωμένη ακρίβεια στις υποστηριζόμενες από τεχνητή νοημοσύνη διαδικασίες, αλλά μείωση σε εργασίες που δεν ήταν τεχνητές νοημοσύνη. Οι μαθητές που χρησιμοποιούσαν την τεχνητή νοημοσύνη για τη σύνταξη εκθέσεων σε στυλ SAT αρχικά έδειξαν αιχμές στη δημιουργικότητα. Ωστόσο, εκείνοι που ξεκίνησαν με ιδέες που δημιουργήθηκαν από την τεχνητή νοημοσύνη εμφάνισαν μειωμένη δραστηριότητα κυμάτων άλφα και παρήγαγαν πολύ παρόμοια απόδοση. Μια μελέτη του 2025 σε 20 ευρωπαϊκές χώρες αποκάλυψε περαιτέρω ότι οι εργαζόμενοι σε εξαιρετικά αυτοματοποιημένες θέσεις εργασίας ανέφεραν μειωμένο σκοπό, μειωμένο έλεγχο και αυξημένο άγχος, παρά το γεγονός ότι οι εργασίες έγιναν τεχνικά πιο εύκολες.
Το νέο Ινστιτούτο Work AI στο Glean συγκέντρωσε αυτά τα ευρήματα στο “AI Transformation 100”, μια σχολιασμένη λίστα ιδεών για την αξιοποίηση των πλεονεκτημάτων της τεχνητής νοημοσύνης και τον μετριασμό των μειονεκτημάτων της. Αυτή η πρωτοβουλία στοχεύει να διαφοροποιήσει τον πραγματικό μετασχηματισμό από τη διαφημιστική εκστρατεία, την κατανόηση της προόδου, της στασιμότητας και των ακούσιων συνεπειών της τεχνητής νοημοσύνης.
Μια ένταση προκύπτει από την ικανότητα της τεχνητής νοημοσύνης να θολώνει τα όρια μεταξύ ειδικών και αρχαρίων, επιτρέποντας σε μη ειδικούς να εκτελούν εργασίες που απαιτούν ιστορικά εκτεταμένη εκπαίδευση, όπως κωδικοποίηση ή ανάλυση δεδομένων. Αυτή η μετατόπιση διευρύνει τις ευκαιρίες συνεισφοράς, αλλά κινδυνεύει να μπερδέψει την ευχέρεια της τεχνητής νοημοσύνης με την πραγματική γνώση. Ο John Lilly, μέλος του διοικητικού συμβουλίου της Duolingo, σημείωσε ότι οι μη μηχανικοί δημιούργησαν ένα πρωτότυπο μάθημα σκακιού χρησιμοποιώντας τεχνητή νοημοσύνη σε τέσσερις μήνες, ξεπερνώντας άλλες εσωτερικές πρωτοβουλίες, επειδή οι ειδικοί, εάν εμπλακούν πολύ νωρίς, μπορεί να εκφράσουν λόγους για τους οποίους ένα έργο δεν θα λειτουργούσε. Οι ομάδες της Google έχουν επίσης υιοθετήσει μια προσέγγιση «πρώτου πρωτοτύπου», χρησιμοποιώντας «κωδικοποίηση vibe» με τεχνητή νοημοσύνη για τη δημιουργία επιδείξεων εργασίας πριν από τη σύνταξη προτάσεων, επιταχύνοντας την επανάληψη. Ωστόσο, η υπερβολική εξάρτηση από αρχάριους μπορεί να οδηγήσει σε «υπόπτωση AI» – αποτελέσματα που φαίνονται πειστικά αλλά δεν έχουν ουσία. Η έρευνα του Stanford δείχνει μείωση στις προσλήψεις προγραμματιστών αρχικού επιπέδου, ενώ η ζήτηση για ανώτερους μηχανικούς έχει αυξηθεί, υποδηλώνοντας ότι οι εταιρείες βασίζονται σε ειδικούς για να αντιμετωπίσουν αυτό το φαινόμενο.
Για να αντιμετωπιστεί αυτό, οι στρατηγικές περιλαμβάνουν να επιτρέπεται στους γενικούς να ξεκινούν έργα με τεχνητή νοημοσύνη, αλλά να διασφαλίζεται ότι οι ειδικοί βελτιώνουν και κλιμακώνουν τα επιτυχημένα αποτελέσματα. Στο Stitch Fix, ο πρώην Chief Algorithm Officer Eric Colson περιέγραψε προσαρμοσμένους αλγόριθμους που επισημαίνουν τις ανεκπλήρωτες ανάγκες, με τους ανθρώπινους σχεδιαστές στη συνέχεια να επιλέγουν επιλογές που ευθυγραμμίζονται με την επωνυμία και τα πρότυπα ποιότητας. Οι οργανισμοί θα πρέπει επίσης να εμπλέξουν κορυφαίους υπαλλήλους, όπως κλινικούς ιατρούς ή ειδικούς δεδομένων, στην εκπαίδευση μοντέλων τεχνητής νοημοσύνης και σε πιλοτικά προγράμματα από την αρχή, όπως συνέστησε ο αντιπρόεδρος της τεχνητής νοημοσύνης της TELUS, Alexandre Guilbault, ο οποίος είπε: «Οι καλύτεροι άνθρωποι είναι αυτοί που μπορούν να οδηγήσουν τον μεγαλύτερο μετασχηματισμό». Η ενσωμάτωση ειδικών σε τοπικές ομάδες, όπως η ομάδα “Glean on AI” της Glean για λειτουργική αυτοματοποίηση και η ομάδα “AI Outcomes” για λύσεις πελατών, διευκολύνει επίσης τον εντοπισμό και την ανάπτυξη διαδικασιών που βασίζονται στην τεχνητή νοημοσύνη.
Μια άλλη ένταση περιλαμβάνει την ισορροπία μεταξύ του κεντρικού και της αποκέντρωσης του ελέγχου της τεχνητής νοημοσύνης εντός των οργανισμών. Η συγκέντρωση, συχνά μέσω κέντρων αριστείας AI, στοχεύει στην επιβολή προτύπων και τη διαχείριση του κινδύνου, αλλά μπορεί να καταπνίξει την καινοτομία λόγω εκτεταμένων διαδικασιών έγκρισης. Αντίθετα, η αποκεντρωμένη ανάπτυξη τεχνητής νοημοσύνης μπορεί να οδηγήσει σε ταχεία αλλά ασυντόνιστη καινοτομία, με αποτέλεσμα κατακερματισμένα εργαλεία και ψηφιακή εξάντληση, σύμφωνα με τον καθηγητή του UC Santa Barbara, Paul Leonardi.
Για την πλοήγηση σε αυτό, οι εταιρείες συγκεντρώνουν τομείς υψηλού κινδύνου, όπως η διακυβέρνηση δεδομένων και η υποδομή για ασφάλεια, ενώ αποκεντρώνουν τους πειραματισμούς χαμηλού κινδύνου, όπως οι αυτοματισμοί ροής εργασιών. Οι οργανισμοί θα πρέπει επίσης να αποφεύγουν τη δημιουργία συμβολικών ρόλων τεχνητής νοημοσύνης χωρίς προϋπολογισμό ή εξουσία, αντί να κατανέμουν τις ευθύνες τεχνητής νοημοσύνης στις υπάρχουσες ομάδες. Οι τεχνολογικές επιλογές θα πρέπει να περιλαμβάνουν χαρακτηριστικά διακυβέρνησης εταιρικού επιπέδου, όπως ίχνη ασφάλειας και ελέγχου, επιτρέποντας παράλληλα ευελιξία στις μεμονωμένες ομάδες. Οι ομάδες ανθρώπινου δυναμικού της Booking.com εφάρμοσαν μια πλατφόρμα αναζήτησης με τεχνητή νοημοσύνη που διασφαλίζει ότι οι εργαζόμενοι έχουν πρόσβαση μόνο σε πληροφορίες για τις οποίες έχουν άδεια, σύμφωνα με τον Senior Engineering Manager Tadeu Faedrich, ο οποίος είπε: «Δεν θέλαμε οι άνθρωποι να βρίσκουν έγγραφα στα οποία δεν θα έπρεπε να έχουν πρόσβαση».
Η τρίτη ένταση αφορά την τάση προς πιο επίπεδες οργανωτικές ιεραρχίες. Ενώ η τεχνητή νοημοσύνη αυτοματοποιεί τις αποφάσεις ρουτίνας και τις αναφορές, πολλοί ηγέτες υποθέτουν ότι επιτρέπει την αφαίρεση των επιπέδων διαχείρισης για ταχύτερη κίνηση. Ωστόσο, ο Michael Arena, πρώην Chief Talent Officer της General Motors, διαπίστωσε ότι η υπερβολική ισοπέδωση μπορεί να υπερφορτώσει τους διαχειριστές και να δημιουργήσει σημεία συμφόρησης, ειδικά όταν εποπτεύει περισσότερες από επτά άμεσες αναφορές. Οι διευθυντές συχνά εργάζονται 10 έως 13 ώρες τις ημέρες και εξακολουθούν να αγωνίζονται με τα καθήκοντά τους.
Οι οργανισμοί θα πρέπει να αξιολογούν τους τρόπους εργασίας τους πριν από την ισοπέδωση. Εάν η εργασία περιλαμβάνει πρωτίστως εργασίες «με τα κεφάλια κάτω» που απαιτούν ελάχιστο συντονισμό, οι πράκτορες τεχνητής νοημοσύνης μπορούν να διαχειρίζονται εργασίες ρουτίνας, επιτρέποντας στους διευθυντές να ηγούνται μεγαλύτερων ομάδων. Για την εργασία “heads-up”, η οποία απαιτεί αλληλεξάρτηση και επικοινωνία σε πραγματικό χρόνο, η διατήρηση μικρότερων μεγεθών ομάδων επιτρέπει στους διευθυντές να επικεντρωθούν στην καθοδήγηση, την κρίση και τη δημιουργία σχέσεων. Η τεχνητή νοημοσύνη θα πρέπει να ελαφρύνει, όχι να εξαλείψει, τη διαχείριση, εκφορτώνοντας διοικητικές εργασίες, όπως ενημερώσεις κατάστασης και προγραμματισμό. Workday Αντιπρόεδρος του People Analytics, Phil Wilburn, σημείωσε ότι η ομάδα του δεν συγκεντρώνει πλέον ενημερωτικά decks ή εβδομαδιαίες ενημερώσεις επειδή ένα σύστημα AI συγκεντρώνει μη δομημένα δεδομένα από το Slack και τα σχέδια έργων, επιτρέποντάς του να χρησιμοποιεί AI για τη σύνταξη συνοπτικών ή ερευνητικών θεμάτων πριν από τις συναντήσεις. Η τεχνητή νοημοσύνη έχει αφαιρέσει τις διοικητικές επιβαρύνσεις χωρίς να αντικαταστήσει τις λειτουργίες διαχείρισης.
Η τέταρτη ένταση περιλαμβάνει την ώθηση για γρήγορη υιοθέτηση της τεχνητής νοημοσύνης έναντι της ανάγκης για προσεκτική, σκόπιμη ολοκλήρωση. Η υπερβολική εστίαση στην ταχύτητα μπορεί να δημιουργήσει κενά στην εφαρμογή αποφάσεων, όπου νέα εργαλεία υιοθετούνται γρήγορα, αλλά χωρίς να αντιμετωπίζονται υπάρχοντα συστημικά ζητήματα ή να κατανοείται η τεχνολογική προσαρμογή. Αυτό μπορεί να οδηγήσει σε άνιση υιοθέτηση, καθυστερήσεις ή εγκατάλειψη πρωτοβουλιών τεχνητής νοημοσύνης. Ο καθηγητής του Πανεπιστημίου Northwestern Hatim Rahman περιέγραψε ένα νοσοκομειακό έργο όπου η εκπαίδευση της τεχνητής νοημοσύνης για ιατρικά διαγνωστικά απαιτεί χιλιάδες εικόνες υπερήχων, αλλά οι υπάρχουσες πιέσεις αποτελεσματικότητας της υγειονομικής περίθαλψης ελαχιστοποιούν την απόκτηση εικόνας. Οι διαδικασίες συναίνεσης των ασθενών και οι διυπηρεσιακές συγκρούσεις επιβραδύνουν περαιτέρω την πρόοδο, οδηγώντας σε μεγαλύτερους χρόνους εφαρμογής από τον αναμενόμενο. Οι τεχνικοί αντιστέκονται επίσης στο έργο, φοβούμενοι την κατάχρηση δεδομένων για την παρακολούθηση της απόδοσης ή τις περικοπές θέσεων εργασίας.
- Προστατέψτε τις αργές λειτουργίες δημιουργώντας προσκρούσεις ταχύτητας σε δημιουργική και στρατηγική εργασία, συμπεριλαμβανομένων σημείων ελέγχου και περιόδων προβληματισμού. Ο Perry Klebahn, ο οποίος ηγείται του επιταχυντή Launchpad του Stanford d.school, παρατήρησε ότι ενώ η τεχνητή νοημοσύνη επιταχύνει τη δημιουργία πρωτοτύπων, μπορεί να μειώσει τη δέσμευση των ιδρυτών στις ιδέες, καθώς τις αντιλαμβάνονται ως πολύ εύκολα παραγόμενες.
- Επιβράβευση της μάθησης έναντι της επίδειξης. Οι εκδηλώσεις εκμάθησης τεχνητής νοημοσύνης «U-Days» της Udemy απονέμουν βραβεία για επιχειρηματικό αντίκτυπο, μετρήσιμη βελτίωση και σχόλια από ομοτίμους, και όχι αποκλειστικά για φανταχτερές επιδείξεις.
- Πραγματοποιήστε μια δοκιμή “Υπόλειμμα AI”: Αφαιρέστε όλη την ορολογία που σχετίζεται με την τεχνητή νοημοσύνη από τις εκθέσεις για να αξιολογήσετε την υποκείμενη ουσία. Εάν το υπόλοιπο περιεχόμενο είναι ασήμαντο, υποδηλώνει αδύναμη ιδέα.
Η τελική ένταση εξετάζει εάν ο μετασχηματισμός AI θα πρέπει να οδηγείται από πάνω προς τα κάτω ή να καθοδηγείται από ομοτίμους. Η ηγεσία από πάνω προς τα κάτω είναι ζωτικής σημασίας για την υιοθέτηση σε όλη την εταιρεία, με τα δεδομένα του Worklytics να δείχνουν ότι οι ομάδες είχαν διπλάσιες πιθανότητες να υιοθετήσουν εργαλεία τεχνητής νοημοσύνης εάν τα χρησιμοποιούσαν πρώτα οι διευθυντές τους. Ωστόσο, η υπερβολική πίεση από πάνω προς τα κάτω μπορεί να οδηγήσει σε αντίσταση ή επιφανειακή συμμόρφωση. Η υπερβολική εξάρτηση από τις προσπάθειες από κάτω προς τα πάνω μπορεί να οδηγήσει σε κατακερματισμό και ασυντόνιστο πειραματισμό. Ένας CTO σημείωσε ότι αυτό θα μπορούσε να συγκριθεί με «εκατοντάδες μικρά ταχύπλοα που αγωνίζονται σε διαφορετικές κατευθύνσεις».
Για να εξισορροπήσουν αυτές τις προσεγγίσεις, οι εταιρείες καθιερώνουν ρυθμούς αλλαγής. Ένας Διευθύνων Σύμβουλος λιανοπωλητή του Fortune 20 διατηρεί την τεχνητή νοημοσύνη ως μόνιμο θέμα στις μηνιαίες συναντήσεις αντιπροσώπων και μια διαλειτουργική διευθύνουσα επιτροπή ευθυγραμμίζει τις περιπτώσεις υιοθέτησης και χρήσης. Οι συναντήσεις του προσωπικού του Τμήματος περιλαμβάνουν μια «στιγμή AI» για την ανταλλαγή εμπειριών. Οι οργανισμοί σχεδιάζουν επίσης να αποτύχουν τα πειράματα, αναγνωρίζοντας ότι περίπου το 80% των έργων τεχνητής νοημοσύνης ενδέχεται να μην πληρούν τους αρχικούς στόχους παραγωγικότητας. Ένας οργανισμός του Fortune 500 δεν επανασχεδιάζει θέσεις εργασίας έως ότου υπάρχουν «πειστικά στοιχεία» ότι η τεχνητή νοημοσύνη θα αυξήσει την αποτελεσματικότητα. Οι κύκλοι ανασκόπησης εφαρμόζονται για να συλλάβουν μαθήματα από υπαλλήλους σε χαμηλότερα επίπεδα, διασφαλίζοντας ότι οι αποτυχίες τροφοδοτούν τη μάθηση. Η μέτρηση του αντίκτυπου στη δραστηριότητα είναι επίσης κρίσιμη. Ο Ανώτερος Αντιπρόεδρος Μηχανικής της Zendesk, Nan Guo, χρησιμοποιεί μια ισορροπημένη κάρτα αποτελεσμάτων έξι μετρήσεων παραγωγικότητας μηχανικής, συμπεριλαμβανομένου του χρόνου κύκλου και του ποσοστού αποτυχίας αλλαγών, αντί για επιφανειακούς δείκτες όπως συνδέσεις ή μετρήσεις προτροπών. Η επισημοποίηση δικτύων ομοτίμων, όπως η πρωτοβουλία της Uber που εντόπισε 53 πρώιμους πρωταθλητές της τεχνητής νοημοσύνης σε όλες τις λειτουργίες, ενισχύει τις εσωτερικές κοινότητες μάθησης και τη δέσμευση.
Οι επιτυχημένοι ηγέτες πλοηγούνται στην πολυπλοκότητα της τεχνητής νοημοσύνης αντιμετωπίζοντας αυτές τις εντάσεις ως σχεδιαστικά χαρακτηριστικά και όχι ως ελαττώματα. Παραμένουν προσαρμόσιμοι, αναγνωρίζοντας ότι η βέλτιστη πορεία προς τα εμπρός είναι προσωρινή. «Το πενήντα τοις εκατό από αυτά που σας διδάσκουμε θα αποδειχθεί λάθος», φέρεται να είπε στους εισερχόμενους φοιτητές ένας πρύτανης της Ιατρικής Σχολής του Χάρβαρντ, αντανακλώντας την αβεβαιότητα στην εφαρμογή της τεχνητής νοημοσύνης. Οι ηγέτες που επιδεικνύουν ταπεινότητα και καλλιεργούν οργανωτική ευελιξία θα είναι καλύτερα εξοπλισμένοι για να μαθαίνουν συνεχώς και να προσαρμόζονται καθώς εξελίσσεται το τεχνολογικό τοπίο.
VIA: DataConomy.com
