Przewodnik po przygotowaniu i angażowaniu pracowników do wdrożenia asystenta AI. Część II: System

To jest druga część naszej serii artykułów, w której dzielimy się naszymi spostrzeżeniami i wnioskami z niedawnego studium przypadku dotyczącego wdrożenia asystentów AI w dużych firmach zatrudniających od 100 do 1 000 pracowników zaangażowanych w tworzenie treści, a także w firmach produkcyjnych obsługujących tysiące zgłoszeń serwisowych dziennie.

Wierzymy, że nasze wnioski mogą być cenne zarówno dla organizacji medialnych, jak i produkcyjnych, więc jeśli działasz w tej branży – zapraszamy. Krótkie omówienie projektu i jego kontekstu znajdziesz tutaj.

Ta część skupia się na systemie — opisując kluczowe elementy, które uważamy za istotne dla udanego wdrożenia asystenta AI. Lista nie jest wyczerpująca – chcemy opisać to, co było dla nas najważniejsze (i najtrudniejsze). Omawiane elementy to: 1) Bezszwowa implementacja, 2) Podejście kebab vs. gorset, 3) Powolność AI oraz 4) Limity kosztów.

Sprawdź też pozostałe dwie części naszego studium: Ludzie i Relacje.

1) Bezszwowa implementacja

Włączenie AI do istniejącego przepływu pracy to nie tylko kwestia integracji technicznej – chodzi o stworzenie płynnego doświadczenia użytkownika. Naszym celem było uniknięcie wprowadzenia nowej aplikacji, modułu lub przestrzeni roboczej, którą użytkownicy musieliby poznawać od zera. Zamiast tego skupiliśmy się na wbudowaniu asystenta AI bezpośrednio w istniejący interfejs, w którym użytkownicy już codziennie spędzali znaczną część czasu. Takie podejście pomogło natychmiast skrócić dystans między użytkownikiem a nowym narzędziem.

W większości organizacji procesy, które AI ma wspierać, istnieją już od jakiegoś czasu, podobnie jak narzędzia i systemy, w których te procesy się odbywają. Dokładnie taka była nasza sytuacja: dobrze ugruntowany proces redakcyjny i system obsługi klientów, z którymi nasi użytkownicy byli zaznajomieni. Ostatnią rzeczą, jakiej chcieli, było poruszanie się po nowej aplikacji lub dostosowywanie się do znaczących zmian w środowisku pracy. Dlatego naszym głównym celem było bezszwowe „wplecenie" funkcji AI w istniejące rozwiązania.

Nowe funkcje zostały zaprojektowane tak, aby korzystać ze znanych wzorców i komponentów z istniejącego systemu projektowania, dzięki czemu zapowiadana rewolucja w przepływie pracy przypominała bardziej ewolucję istniejącej aplikacji.

Takie podejście nie tylko ułatwiło użytkownikom przejście, ale też przyspieszyło wdrożenie i zmniejszyło koszty związane z szkoleniami, wsparciem i konserwacją systemu. Warto jednak zaznaczyć, że choć bezszwowa integracja jest kluczowa dla finalnego wdrożenia, zalecamy przeprowadzanie eksperymentów i Proof of Concept (POC) osobno. Szybkie prototypowanie, błyskawiczne testowanie i szybka iteracja mogą przynieść cenne wnioski, które następnie kształtują bardziej strategiczne, długoterminowe decyzje dotyczące pełnoskalowej implementacji.

Obejrzyj: 6 nieoczywistych sygnałów, że możesz potrzebować konsultacji UX:

2) Podejście niezależne od silnika

Steve Jobs powiedział kiedyś: „Najpierw doświadczenie klienta, potem technologia."

Kierując się tą filozofią, od samego początku przyjęliśmy podejście niezależne od silnika. Naszym celem było zapewnienie, że technologia ani silnik napędzający asystenta AI pozostają niewidoczne dla użytkownika.

Niezależnie od tego, czy silnik się zmienia lub ewoluuje w czasie, doświadczenie użytkownika pozostaje spójne, bez konieczności wprowadzania jakichkolwiek zmian z ich strony. Ta przejrzystość sprawia, że uwaga skupia się na użyteczności i funkcjonalności, nie obciążając użytkowników złożonością techniczną.

3) Podejście kebab vs. gorset

Wdrożenie AI w firmie angażuje wiele działów w procesie podejmowania decyzji. Przy stole zasiadają przedstawiciele działów IT, finansów i prawnych, każdy wnoszący własny zestaw ograniczeń. Nazywamy te ograniczenia podejściem „gorsetowym" – modelem, który kształtuje ostateczne narzędzie, ściśle ograniczając jego formę.

Gorset jest restrykcyjny, sztywny i dopuszcza jedynie z góry określony kształt, co może dusić innowacje, kreatywność i śmiałe wizje przyszłości. Choć takie podejście może utrzymywać projekt w bezpiecznych i przewidywalnych granicach, często hamuje sam potencjał, który AI może odblokować.

Preferujemy inną metodę – którą nazywamy podejściem „kebabowym". W tym scenariuszu zaczynamy od naszkicowania idealnego, śmiałego i nieograniczonego planu. W centrum tej wizji stoją cele biznesowe i potrzeby użytkowników – nic więcej. Takie podejście pozwala na najpełniejszy wyraz kreatywności i innowacyjności, skupiając się na tym, co można osiągnąć w idealnym świecie, bez natychmiastowych ograniczeń.

Dopiero po stworzeniu tej idealnej wizji zaczynamy nakładać niezbędne ograniczenia ze strony IT, finansów i działu prawnego. Ostrożnie odcinamy elementy, które są zbyt trudne, zbyt kosztowne lub zbyt ryzykowne prawnie. Biorąc pod uwagę, jak szybko ewoluuje technologia i warunki prawno-finansowe w świecie AI, gwarantuję, że podejście „kebabowe" przyniesie znacznie cenniejsze rezultaty niż restrykcyjny gorset.

Kebab i gorset to nazwy podejść do procesu podejmowania decyzji.

4) AI może być powolna

Na pierwszy rzut oka AI imponuje swoją szybkością. Zadania, które wcześniej zajmowały minuty, godziny, a nawet dni, są teraz wykonywane w sekundy. Ten szybki czas odpowiedzi jest jedną z głównych zalet AI, tworząc poczucie efektywności, które szybko zdobywa użytkowników. Jednak codzienne, powszechne użytkowanie AI w dużej firmie może też przynosić mniej korzystne doświadczenia.

Choć AI jest na ogół szybka, zdarzają się momenty, gdy czas odpowiedzi jest znacznie dłuższy niż oczekiwany, wystawiając na próbę nawet najbardziej cierpliwych użytkowników. Może to być frustrujące, zwłaszcza gdy użytkownicy przyzwyczaili się już do zwykłej szybkości AI. Ważne jest, aby antycypować te opóźnienia i skutecznie zarządzać oczekiwaniami użytkowników.

Zdarzają się też sytuacje, gdy AI zawodzi całkowicie i oczekiwane wyniki po prostu się nie pojawiają. Może to wynikać z błędów systemu, przeciążonych serwerów lub ograniczeń możliwości AI. Choć takie momenty są rzadkie, mogą podważać zaufanie do systemu, jeśli nie są właściwie obsługiwane.

Przeczytaj też: Praca, przyszłość i AI: trzy obszary przed nami

Jak przygotować swój system

Aby sprostać tym wyzwaniom, niezbędne jest zbudowanie solidnych ram zdolnych skutecznie obsłużyć zarówno opóźnienia, jak i awarie.

Informacyjne aktualizacje procesu

Prosty kręcący się kółko z komunikatem „ładowanie" to za mało. Po około 10 sekundach użytkownicy zaczną myśleć, że system się zawiesił. Aby temu zapobiec, wprowadź wieloetapowe aktualizacje postępu zmieniające się w czasie, zapewniając użytkowników, że AI pracuje i przechodzi przez kolejne fazy procesu. To nie tylko informuje użytkowników, ale też zwiększa ich tolerancję na czekanie.

Opcje przerwania procesu

Czasem użytkownicy mogą nie chcieć czekać lub być niezadowoleni z początkowego wyniku. Zapewnienie opcji zatrzymania procesu może zaoszczędzić czas i pozwolić użytkownikom podjąć świadomą decyzję o kolejnym kroku – takim jak ponowne uruchomienie AI lub wybranie innego podejścia.

Tryb ręczny

Ilekroć to możliwe, przygotuj plan awaryjny – tryb ręczny, w którym zadanie może być wykonane w całości przez człowieka. Tak jak ludzie, AI też może mieć gorsze dni, a posiadanie opcji ręcznej zapewnia ciągłość pracy bez większych zakłóceń. Ta opcja awaryjna jest kluczowa dla utrzymania produktywności i pewności użytkowników.

Przeczytaj też: Automatyzacja niemożliwego: Jesse Lord o Fabriq

5) Limity kosztów

Musimy to powiedzieć wprost: AI wiąże się z własnymi kosztami. Wraz ze wzrostem skali operacji koszty korzystania z silników AI stają się znaczące, a bez starannego zarządzania można znaleźć się w sytuacji, gdy koszt pracy wspomaganej przez AI zbliża się do kosztu wykonania tego zadania przez człowieka.

Na przykład zauważyliśmy, że praca z dłuższymi tekstami lub wielokrotne iteracje poprawiające ich jakość sprawiają, że liczba wykorzystywanych tokenów rośnie niemal wykładniczo. Dzieje się tak, ponieważ AI często musi ponownie wysyłać historię czatu lub treść źródłową, aby utrzymać kontekst. Może to szybko windować koszty, jeśli nie jest kontrolowane.

Wdrażanie zabezpieczeń i edukacja

Aby uniknąć spirali wydatków, potrzebujesz solidnego systemu kontroli kosztów. Zacznij od stworzenia prognozy kosztów wykorzystania AI w swoich procesach. Zdefiniuj punkt rentowności dla całej operacji, a także dla poszczególnych zadań. Pomoże Ci to zrozumieć, kiedy AI pozostaje opłacalna, a kiedy może zacząć być zbyt kosztowna.

Z naszego doświadczenia wynika, że ustalenie limitu liczby promptów dopuszczalnych dla jednej treści okazało się skuteczne. Na przykład ograniczenie do 10 promptów na artykuł pomogło nam utrzymać efektywność kosztową bez kompromisów w zakresie jakości. Taki bezpiecznik jest niezbędny, zwłaszcza przy dużej bazie użytkowników, gdzie koszty mogą szybko eskalować.

6) Baza wiedzy

Wprowadzając nowe narzędzie, takie jak asystent AI, użytkownicy często odczuwają opór, wynikający zazwyczaj z krzywej uczenia się i obawy przed zakłóceniem wypracowanych przepływów pracy.

Aby odpowiedzieć na potencjalne obawy użytkowników i uniknąć dezorientacji co do tego, gdzie szukać wsparcia po początkowej fazie wdrożenia, wdrożyliśmy czterowarstwowy system wiedzy dla naszego asystenta AI:

Centralny podręcznik instrukcji: Kompleksowy przewodnik opisujący zasady i wytyczne korzystania z asystenta AI, a także ogólne praktyki AI w organizacji.

Instrukcje kontekstowe: Podpowiedzi i wyjaśnienia w aplikacji dostosowane do konkretnych funkcji i opcji, zapewniające pomoc w czasie rzeczywistym.

Polityka aktualizacji: Uznając trudność utrzymania aktualności dokumentacji, zwłaszcza dla szybko ewoluujących narzędzi, wyznaczyliśmy dedykowany personel i procesy, aby dokumentacja pozostawała na bieżąco.

Wsparcie ludzkie: Ostatnia warstwa wsparcia, obejmująca wyznaczone kontakty, takie jak ambasadorzy AI, którzy mają bezpośrednią komunikację z działem IT. Ta struktura zapewnia, że kwestie związane z modelem językowym, często wykraczające poza kompetencje IT, są rozwiązywane przez dopracowywanie promptów na podstawie potrzeb redakcyjnych.

Przeczytaj też: Jak zbudować system wiedzy wokół nowego narzędzia?

7) Przygotowanie na nieznane

Biorąc pod uwagę obecne tempo rozwoju AI, stajemy w obliczu zwiększonego ryzyka pojawienia się długu technologicznego już kilka tygodni lub miesięcy po wdrożeniu. Wzmacnia to już i tak wysoką wagę gotowości na zmiany, elastyczności procesów i adaptowalności interfejsu, który nimi zarządza.

Kiedy projektujemy proces, stale zadajemy sobie pytanie: „To działa teraz, ale co jeśli jutro...?" Idealnie, nasz plan wdrożenia podąża ewolucyjną ścieżką – każda nowa wersja buduje na istniejącym narzędziu i je ulepsza, zamiast wprowadzać zupełnie nowe systemy. Takie podejście zapewnia, że użytkownicy pozostają zaznajomieni z narzędziem w miarę jego ewolucji, minimalizując zakłócenia. Zamiast porzucać MVP (Minimum Viable Product), dążymy do używania go jako fundamentu, na którym stale dodajemy nowe warstwy i możliwości.

Przeczytaj też: Co jest złotym standardem procesu odkrywania? Nasze wzorcowe podejście – BBUD

Czytaj dalej!

To była druga część naszych spostrzeżeń z projektu wdrożenia asystenta AI. Kliknij tutaj, aby przejść do Części Pierwszej (Ludzie) i Części Trzeciej (Relacje). Jeśli uważasz, że brakuje czegoś ważnego i chcesz podzielić się swoją opinią, skontaktuj się ze Sławkiem, który chętnie omówi z Tobą ten temat!