Reshaping the tree: rebuilding organizations for AI

Перестраивая дерево: как переделать организации под ИИ

Технологические перемены влекут за собой организационные.

Я хочу поговорить о будущем организаций, но для этого нам нужно начать с их прошлого. Более того, я хочу начать как можно дальше от ИИ — с железной дороги New York and Erie Railroad образца 1855 года. Останьтесь со мной, обещаю, что через абзац-другой всё станет понятно.

Перед железной дорогой встала огромная новая технологическая и организационная задача: как организовать работу на огромном географическом расстоянии при огромном числе сотрудников, сохраняя при этом централизованное управление и планирование? Используя технологию того времени — телеграф, — руководитель Дэниел Маккаллум нашёл решение: первую в мире организационную схему.

Эта схема, которая долгое время считалась утерянной, прежде чем её вновь обнаружила Caitlin Rosenthal, — настоящее произведение искусства. Нарисованная в виде растения, с ветвями и листьями, она показывает одновременно и географию (обозначена каждая линия и станция), и организационную структуру: указан каждый сотрудник, вплоть до листьев для каждого чистильщика или машиниста. Если убрать эти изящные детали, заменив органические формы линиями и прямоугольниками, и перевернуть схему с ног на голову, вы получите современную организационную схему, на удивление не изменившуюся за полтора века.

Каждая новая волна технологий приносила новую волну организационных нововведений. Генри Форд воспользовался достижениями в области механических часов и стандартизированных деталей, чтобы внедрить сборочные конвейеры. Agile-разработка появилась в 2001 году, опираясь на новые способы работы с программным обеспечением и общения через интернет, чтобы внедрить новый метод создания продуктов.

Все эти методы построены на человеческих способностях и ограничениях. Именно поэтому они так долго сохраняются — у нас по-прежнему есть организационные схемы и сборочные конвейеры. Человеческое внимание остаётся конечным, наши эмоции по-прежнему важны, а работникам всё так же нужны перерывы. Технологии меняются, но работники и руководители — всего лишь люди, и единственным способом добавить в проект больше интеллекта было добавить людей или заставить их работать эффективнее.

Но это больше не так. Кто угодно может добавить в проект интеллект — своего рода, — подключив ИИ. И всё указывает на то, что люди уже так делают, просто не сообщают об этом начальству: новый опрос показал, что более половины тех, кто использует ИИ на работе, делают это без разрешения, а 64% выдавали работу ИИ за свою собственную.

Такое теневое использование ИИ возможно потому, что LLM уникально приспособлены для выполнения организационных ролей — они работают в человеческом масштабе. Они могут читать документы, писать письма, адаптироваться к контексту и помогать с проектами, не требуя от пользователей специальной подготовки или сложного, написанного на заказ ПО. Хотя масштабные корпоративные внедрения LLM могут давать некоторые преимущества, например интеграцию с данными компании (хотя я сомневаюсь, насколько много ценности это добавляет), любой, у кого есть доступ к GPT-4, может просто начать поручать ИИ работу за себя. И они явно именно это и делают.

Что это означает для организаций, когда мы признаём, что это происходит? Перед нами стоит та же задача, что и перед Дэниелом Маккаллумом 150 лет назад: как перестроить организацию вокруг фундаментального сдвига в том, как работа выполняется, организуется и обсуждается. У меня пока нет ответов на то, как это сделать. Их нет ни у кого. Но я могу дать вам предварительное представление о том, как это может выглядеть.

Перестройка процесса

Я помогаю руководить Wharton Interactive — небольшим внутренним софтверным стартапом внутри Wharton, посвящённым преобразованию образования с помощью симуляций на базе ИИ. Неудивительно, что мы рано взяли на вооружение мощь LLM. Поскольку мы старательно выстраивали организацию с культурой исследования, у нас нет проблемы тайных киборгов, и все охотно делятся своими способами применения с остальной командой. Так что я знаю, что наша служба поддержки использует ИИ для генерации документации на лету — как в нашей внутренней вики, так и для клиентов. Наш CTO научил ИИ генерировать скрипты на заказном языке программирования, который мы используем (модифицированной версии Ink, языка для интерактивных игр). Мы используем его, чтобы добавлять временную графику-заглушку, писать код, генерировать идеи, переводить письма для международной поддержки, помогать обновлять HTML на наших сайтах, писать маркетинговые материалы, разбивать сложную документацию на простые шаги и многое другое. По сути, мы добавили в нашу небольшую команду несколько человек, и суммарная «зарплата» этих виртуальных сотрудников составляет менее 100 долларов в месяц на подписки ChatGPT Plus и расходы на API.

Но во многих смыслах это только начало. Потому что мы начинаем задумываться о том, как полностью изменить процессы: как срубить организационное дерево и вырастить его заново. Это потребует изменить очень многое в том, как мы привыкли работать. Возьмём, к примеру, процесс, который мы используем при проектировании новой функции для нашей основной образовательной платформы — скажем, экрана, который даёт обратную связь о ходе игры в нашей Entrepreneurship Game.

Поскольку никто прежде не создавал таких сложных образовательных игр, какие разрабатываем мы, нам приходится много заниматься фундаментальным осмыслением: как отображать результаты по множеству разных учебных целей? Как сохранить ощущение эксперимента, когда людей оценивают по их результатам? Как переводить абстрактные игровые решения в баллы? Проектирование функции — сложный и итеративный процесс, который, если его записать, выглядел бы примерно так:

Этот процесс включает множество встреч и уйму времени и сил. Но как можно перепроектировать его так, чтобы встроить ИИ не просто как инструмент, а как «интеллект», который может дополнять процесс, а не только автоматизировать его?

Что ж, одна из вещей, которые ИИ умеет довольно хорошо, — это давать обратную связь. Из исследований мы знаем, что от ИИ-персон можно получить достаточно неплохую смоделированную обратную связь — конечно, не такую точную, как от реального человека, но достаточно хорошую для промежуточного этапа. Так давайте дадим нашим тестировщикам возможность сосредоточиться на более важных задачах, а ИИ поручим сделать первый проход по пользовательской обратной связи. Я вставил скриншот, который вы видели выше, и написал: ты — студент MBA первого года, играющий в entrepreneurship game, созданную Wharton Interactive. Это экран оценки, который ты видишь в середине игры. дай свои реакции и способы её улучшить, исходя из твоей точки зрения. Сделай это в роли. (Затем я попросил то же самое с точки зрения школьника.) Неплохой способ получить первоначальные реакции.

Что ещё мы можем изменить в нашем процессе? Перейдём к той первой часовой встрече, где мы всей группой разбираем всю внешнюю и внутреннюю обратную связь. Встречи — важный способ достичь согласия и генерировать идеи, но довольно плохое место для сбора и сведения информации. Что, если мы сможем сократить эту встречу с целого часа, поручив синтез ИИ? Каждый может просто воспользоваться сервисом голосовой транскрипции на базе ИИ, чтобы зафиксировать свою обратную связь. Я смоделировал развёрнутую обратную связь от членов команды Alice, Bill и Carol и попросил GPT-4 свести все результаты предложенных изменений в таблицу. Теперь руководитель проекта может просмотреть этот документ (ИИ всё ещё ошибается) и доработать его, составив повестку для сокращённой встречи.

Но ИИ может пойти дальше. Я попросил его создать примерные HTML-страницы, иллюстрирующие возможные изменения, просто чтобы было легче визуализировать варианты. И сама встреча может сосредоточиться на создании, а не только на планировании. Вместо долгой встречи по сведению информации мы можем воспользоваться одним из множества бесплатных инструментов, использующих GPT-4 для создания HTML-прототипов на лету из скриншотов и рисунков (здесь я использовал бесплатный screenshot-to-code). Мы не просто совещаемся — мы тут же можем запросить изменения и увидеть прототип результата, даже без опыта программирования: сделай в одну колонку, добавь иконки, сделай вид более футуристичным и так далее. И это всего лишь готовые проекты, построенные на GPT-4. Представьте, что будут делать модели ИИ через несколько месяцев.

На протяжении всего этого процесса ИИ, разумеется, записывает встречу и в конце выдаёт нам выводы и список задач. Эта функция уже встроена в Microsoft Teams Co-pilot и, уверен, скоро появится и в других программах для конференций. После встречи наш разработчик может не только спросить у ИИ о поднятых на встрече вопросах — он также получает рабочий прототип, от которого может отталкиваться при разработке. И, конечно, при фактической реализации прототипа он получает помощь ИИ, что добавляет скорости.

Итак, даже с сегодняшними инструментами мы можем радикально изменить наш процесс. Теоретические обсуждения становятся практическими. Рутинная работа устраняется. И, что ещё важнее, часы встреч исчезают, а оставшиеся встречи становятся более результативными и полезными. Процесс, который раньше занимал неделю, можно сократить до одного-двух дней.

И это даже не самая смелая версия такого будущего. Мы уже можем разглядеть мир, в котором автономные ИИ-агенты начинают с замысла и доходят до кода и развёртывания при минимальном участии человека. Это, к слову, заявленная цель следующего этапа разработки продуктов OpenAI. Вероятно, целые задачи можно будет в значительной мере передавать таким агентам, а люди будут выступать в роли надзирателей.

Как перестраивать организации

Даже без агентов ИИ уже влияет на организации, и руководителям нужно начать активно формировать то, как это выглядит. Как и во всём, что связано с ИИ, нет центрального авторитета, который мог бы сказать вам, как лучше всего использовать ИИ, — каждой организации придётся разбираться в этом самой. Тем не менее я хотел бы предложить несколько принципов:

Позвольте командам вырабатывать собственные методы. Поскольку ИИ ведёт себя скорее как люди, чем как ПО (хотя он и есть ПО), им зачастую лучше управлять как дополнительными членами команды, а не как внешними IT-решениями, навязанными руководством. Командам нужно будет самим находить способы использования ИИ через этичные эксперименты, а затем понадобится способ делиться этими методами друг с другом и с руководством организации. Чтобы это произошло, потребуется привести в соответствие стимулы и культуру, а правила должны стать гораздо яснее, чтобы сотрудники чувствовали себя свободно экспериментировать.Стройте с расчётом на грядущее будущее. Всё, что я вам показал, уже возможно сегодня с помощью GPT-4. Но если мы что и вынесли из драмы с руководством OpenAI, так это то, что более продвинутые модели идут — и идут быстро. Организационные изменения требуют времени, поэтому те, кто адаптирует процессы под ИИ, должны учитывать будущие версии ИИ, а не строить только под сегодняшние модели.У вас нет времени. Если тот прирост эффективности, который мы наблюдаем в ранних экспериментах с ИИ, сохранится, организации, которые медлят с экспериментами, очень быстро отстанут. Если мы действительно можем сжать процесс, занимавший недели, до нескольких дней, это глубинное изменение в том, как делается работа, и вы хотите, чтобы ваша организация пришла к этому первой — или хотя бы была готова адаптироваться к переменам. Это означает предоставление правил для краткосрочных экспериментов, а не опору на спускаемые сверху решения, на внедрение которых уходят месяцы или годы.

Не уверен, кто сказал это первым, но на экспоненциальные изменения можно реагировать лишь двумя способами: слишком рано или слишком поздно. Сегодняшние ИИ во многом несовершенны и ограниченны. И хотя это сдерживает то, что ИИ способен делать, возможности ИИ растут экспоненциально — как в плане самих моделей, так и в плане инструментов, которыми эти модели могут пользоваться. Может показаться, что слишком рано задумываться о перестройке организации под ИИ, но я думаю, что есть высокая вероятность того, что вскоре это станет слишком поздно.

Поделиться