Túl a Hype-on: Miért a kísérletezés a Generatív MI sikerének kulcsa?

 

A generatív mesterséges intelligencia (Gen AI) viharként söpört végig a szoftveriparon, és mostanra a fizikai világot – a gyártósorokat és az irodákat – is kezdi átformálni, vagy inkább csak szeretné megváltoztatni.

Az ígéret, az elvárások óriásiak:

• ·       a tudás kodifikálása,
• ·       folyamatok automatizálása
• ·       és a valós idejű döntéshozatal támogatása.

Mégis, ha a vállalati eredményeket nézzük, egy furcsa ellentmondással találkozunk, ami a múltban történtek megvilágításában nem annyira tűnnek meglepőnek.

A McKinsey 2025-ös felmérése szerint bár a cégek tömegesen vezetik be a technológiát, a válaszadók több mint 80%-a arról számolt be, hogy a Gen AI egyelőre semmilyen jelentős hatást nem gyakorolt a bevételeikre.

Hasonlóan kezdődik, mint a számítógépek, szoftverek bevezetésénél, évtizedekig próbálták számszerűen kimutatni, hogy a vállalati eredményekben milyen a hatása, de valahogy mindig kicsúszott a kezükből.

Mi történik itt? Miért nem látjuk a megtérülést?

Az egyik lehetséges választ a "termelékenységi J-görbe" jelenségében keresendő, nicsak megjelent megint egy fura görbe. Ahogy az elektromosság vagy a nyomtatás elterjedésekor is történt:

a teljesítmény gyakran visszaesik a bevezetés korai szakaszában, miközben a szervezetek próbálnak alkalmazkodni, új folyamatokat tanulni és átalakítani a munkavégzést.

Ha ez a válasz, akkor a kérdés az: hogyan hidalhatják át a vezetők ezt a szakadékot?

A válasz nem a vakmerő "mindent bele" bevezetésben, de nem is a kivárásban rejlik. A megoldás a szisztematikus szervezeti kísérletezés.

A Tudományos Módszer: kísérletezés

Unalmas, elcsépelt, de nincs jobb megoldás szerintem a mai világban nehéz elképzelni bármilyen változást, kísérletek, hipotézisek tesztelése nélkül.

Sok vállalat esik abba a hibába, hogy összekeveri a "pilot projekteket" a valódi kísérletekkel. A hagyományos pilotok gyakran informális tesztek, amelyeket lelkes önkéntesekkel végeznek, és a döntések inkább a felhajtásra (hype), mintsem bizonyítékokra megszerzésére irányulnak.

Ezzel szemben a valódi szervezeti kísérletezés a tudományos módszert alkalmazza a munkahelyen, amelynek bizonyos alapelvei vannak, ha jól akarjuk elvégezni azokat:

•      Kontrollcsoportok: Véletlenszerűen (vagy lépcsőzetesen) választják ki, ki használja az eszközt és ki nem, hogy mérhető legyen a valós hatás.

•      Hipotézisek: Előre meghatározott kérdésekre keresik a választ (pl. "Növeli-e ez az eszköz a junior munkavállalók hatékonyságát?").

•      Adatgyűjtés: Objektív teljesítménymutatókat és kvalitatív visszajelzéseket gyűjtenek heteken vagy hónapokon át.

A GitHub és a Google például kontrollált kísérletekkel igazolta, hogy az AI-kódoló asszisztenst használó fejlesztők 21-55%-kal gyorsabban dolgoztak, sőt, a munkahelyi elégedettségük is nőtt közben.

A kísérletezés nem csak arról szól, hogy "működik-e a AI ebben az esetben". Mélyebb stratégiai előnyöket kínál:

•      Ok-okozati összefüggések: Segít megkülönböztetni a korrelációt a kauzalitástól. Nélküle nem tudhatjuk, hogy a termelékenység növekedése az AI-nak köszönhető-e, vagy csak annak, hogy a legmotiváltabb dolgozók kezdték el használni.

•      Granularitás: Kiderülhet, kinek segít valójában az eszköz. Egy Fortune 500-as szoftvercég kísérlete kimutatta, hogy míg az átlagos termelékenység 14%-kal nőtt, a kevésbé tapasztalt ügyfélszolgálatosoknál ez az ugrás 34% volt, míg a szenioroknál alig volt érzékelhető.

•      Kockázatcsökkentés: A "feszültséghatás" elkerülése érdekében a kísérletek segítenek kiszűrni a hamis pozitív eredményeket, mielőtt a cég dollármilliókat költene a teljes bevezetésre.

 Tehát nagyon egyszerű a kísérletezés folyamata, legyenek egyértelműen megfogalmazott hipotézisek, legyen kontrollcsoport, amihez képest nézzük a hatást-nem hatást, és gyűjtsünk adatokat, és természetesen elemezzük azokat. Ez mindenhol alkalmazható, laborban, üzleti életben, marketingben, de a munkán kívűli életünkben is. Ha ezek adottak, akkor csökkenthető a bizonytalanság, a projekt egyéb kockázatai, kiderül kinek segít, kinek nem, és valódi ok-okozati összefüggésekre lelhetünk. De forduljunk most egy régi nagy stabil céghez, hogyan birkóznak meg ezzel

A Siemens Tanulságai

A vállalat létrehozott egy "gyári asszisztenst" (shop-floor assistant), amely a karbantartókat segíti a gépek javításában, azonnali hozzáférést biztosítva a kézikönyvekhez és a vizsgált gép adataihoz.

A kísérletek tanulságos eredményeket hoztak:

•      A szkepticizmus biztonságérzetté vált: A karbantartók eleinte féltek, hogy az AI elveszi a munkájukat. Pár hét használat után azonban biztonságosabbnak érezték a pozíciójukat, mert az eszköz megszabadította őket a monoton információkereséstől, így a valódi szakértelmet igénylő feladatokra koncentrálhattak.

•      Tanulási eszköz: Az asszisztens nemcsak megoldotta a problémákat, hanem tanította is a dolgozókat, növelve a gépismeretüket anélkül, hogy szenior kollégákra kellett volna várniuk.

•      Autonómia: A technikusok önállóbban tudtak dolgozni, így kevesebbszer kellett a mérnököket hívniuk, akik így felszabadultak a magasabb hozzáadott értékű feladatokra.

•      Reziliencia: Amikor a csapatlétszám csökkent (az AI-tól független okokból), a dolgozók arról számoltak be, hogy az asszisztens segítségével kevésbé volt stresszes a munka, még támogatás nélkül is.

Önmagában mindegyik hihetetlen hasznos és hosszú távra előremutatónak tűník, összeségében mindenképpen az egymásra hatásuk lehet a nagy előnye a rendszernek.

Ökoszisztéma-kísérletek

A kísérletezés nem áll meg a cégkapuban. Az innovátorok – mint a Microsoft vagy a Grab – "ökoszisztéma-kísérleteket" folytatnak, ahol partnereikkel együtt , közösen tesztelik a technológiát. A Microsoft például 66 cégnél, több mint 7000 alkalmazott bevonásával vizsgálta a Copilot hatását. Kiderült: az e-mailezésre fordított idő csökkent, de a megbeszélésekre fordított idő nem változott.

Hogyan váljunk kísérletező szervezetté, hogyan vezessük be az AI-t a vállalatunknál?

 

1.    Fókuszáljunk a valós igényekre: Ne "nice-to-have" megoldásokat keressünk. A P&G például arra használta az AI-t, hogy csökkentse a súrlódást a marketing és a K+F csapatok között.

2.    Használható prototípusok: Korai, működőképes verziókat kell a felhasználók kezébe adni, hogy valós körülmények között tesztelhessék azokat.

3.    Tanulási szemlélet: A hagyományos, lassú termékfejlesztés helyett rövid sprintekben, a felhasználókkal együttműködve kell dolgozni.

4.    Kísérleti szakértelem: A tudományos módszertan alkalmazása szakértelmet kíván. Olyan cégek, mint az Amazon vagy a Walmart, akadémiai közgazdászokat és kutatókat vettek fel, hogy professzionális szintre emeljék a kísérletezést.

5.    Partnerségek: Nem kell mindent házon belül megoldani. A Google, a GitHub és a P&G is egyetemekkel működött együtt a kísérletek lebonyolításában.

A generatív mesterséges intelligencia nem csodaszer, ami egyik napról a másikra megjavítja a mérleget. A technológiai potenciál és a szervezeti előnyök közötti szakadék áthidalása kemény munkát igényel. A kísérletezés az az eszköz, amely átalakítja a bizonytalanságot stratégiai előnnyé.

A ki nem mondott igazság az, hogy amíg mi a stratégián vitatkozunk, az éves bónuszokon, vagy a következő évi büdzsén, addig a versenytársak már szisztematikusan tanulják, mi működik és mi nem az AI-al.