Uzyskiwanie wartości biznesowej ze sztucznej inteligencji: porozmawiaj z interesariuszami

Każda z tych grup wnosi swoją własną, całkowicie uzasadnioną perspektywę. Na przykład inżynierowie zajmują się wykonalnością i praktycznością. Użytkownicy koncentrują się na wpływie i wynikach, podczas gdy ludzie biznesu wnoszą swoją perspektywę wydatków i wartości. Dla każdej z tych grup ważne jest, aby zacząć je rozumieć zarówno pod względem potrzeb biznesowych, jak i tego, co motywuje ich jako jednostki. Ponadto musimy współpracować z trzema stronami, aby negocjować ramy projektu, ponieważ musi istnieć równowaga między każdą z ich perspektyw, ponieważ każda z nich jest poprawna. Budując relacje i budując zaufanie z interesariuszami, jesteśmy w stanie lepiej zrozumieć ich i ich potrzeby, pomóc im współpracować, co z kolei poprawia nasz projekt rozwiązania, a ostatecznie sukces projektu.

Starsi sponsorzy i interesariusze reprezentujący firmę mają wizję (i zazwyczaj finansowanie) i często chętnie angażują się w proces tworzenia i definiowania projektu. Może to być świetne - są zaangażowani, chcą, aby projekt zakończył się sukcesem i bardzo go wspierają (zarówno pod względem czasu, jak i pieniędzy). Jednak interesariusze wyższego szczebla mają zazwyczaj niepełny obraz operacji biznesowych oraz indywidualnych ról i obowiązków na poziomie codziennym. Może to prowadzić do luk w zrozumieniu tego, do czego wymagane jest rozwiązanie, jaki jest pełny zakres zadań, które powinno być w stanie wykonać, oraz w jaki sposób rozwiązanie może wchodzić w interakcje z użytkownikami po wdrożeniu.

Budowanie relacji i konsultowanie się z tymi, którzy ostatecznie będą korzystać z ostatecznego rozwiązania, ma zatem kluczowe znaczenie. Osoby te prawdopodobnie będą miały bardziej szczegółowe zrozumienie problemu, który rozwiązanie ma rozwiązać lub rozwiązać, a także bardzo jasne zrozumienie potencjalnych pułapek, nietypowych okoliczności lub wymagań, które rozwiązanie będzie musiało z powodzeniem pokonać.

Równie ważne jest zaangażowanie osób zajmujących się technicznymi aspektami działalności. Osoby te, pochodzące z perspektywy inżynierskiej, najprawdopodobniej dodadzą cały dodatkowy zakres potencjalnych pułapek, nietypowych okoliczności i wymagań, które będą musiały zostać uwzględnione w rozwiązaniu. Chociaż rozmowy te niewątpliwie dodadzą wyzwań i złożoności do projektu, ważne jest, aby zostały one odkryte tak szybko, jak to możliwe, aby można je było uwzględnić w projekcie rozwiązania.

Posiadanie wszystkich właściwych interesariuszy obecnych w początkowej definicji projektu, określaniu zakresu i planowaniu to tylko połowa sukcesu w wypełnianiu luki - jedną rzeczą, o której należy pamiętać, jest potencjalna luka w zrozumieniu i wizji. Na przykład, jako naukowiec zajmujący się danymi lub inny specjalista AI, byłeś zaangażowany w poprzednie projekty, rozumiałeś, jak przebiegały i jak wyglądało ostateczne rozwiązanie. Do tego dochodzi dogłębne zrozumienie podstawowych technologii - algorytmicznych, danych i infrastruktury, a także powiązanych obszarów, takich jak UX i projektowanie. Wszystko to razem oznacza, że jesteś w dobrym miejscu, aby wyobrazić sobie, jak będzie wyglądać rozwiązanie i co jest możliwe. W przypadku interesariuszy jest to mało prawdopodobne i mogą oni cierpieć z powodu ograniczonego horyzontu, co oznacza, że albo nie doceniają tego, co można zrobić, albo przeceniają możliwość jakiegoś magicznego rozwiązania. Jedno i drugie jest błędne i nieprzydatne.

Na marginesie, w tym miejscu warto pokrótce omówić bardziej szczegółowo naszą rolę: Jako ekspert AI w projekcie, musimy działać jako przewodnik i uzyskać najlepsze wyniki dla projektu w takich sytuacjach. W przypadku ograniczonego horyzontu lub niedoszacowania tego, co można zrobić, mamy do czynienia z ubóstwem aspiracji. Dlatego też, jako przewodnik, masz pod górkę, próbując pomóc interesariuszowi wyobrazić sobie, jak może wyglądać rozwiązanie i odciągnąć go od czegoś gorszego, co może nie w pełni rozwiązać problem biznesowy. Być może najlepszą strategią jest tutaj działanie jako facylitator, pomagając im zrozumieć wpływ ich decyzji na rozwiązanie.

Ważne jest również, aby zdawać sobie sprawę z odwrotnej sytuacji, w której znajduje się interesariusz, czyli nierealistycznego optymizmu co do "magicznych mocy" AI lub Gen AI, aby automatycznie zapewnić rozwiązanie bez konieczności werbalizowania problemu (nie mówiąc już o systematycznym dokumentowaniu) w pierwszej kolejności. Dlatego też w opisanym wcześniej procesie zrozumienia problemu biznesowego wiele kroków poświęconych jest wydobyciu informacji na jego temat. Zbierając wymagania i identyfikując potencjalne problemy, łatwiej jest przedyskutować konkretnie, jak może wyglądać rozwiązanie w tych wczesnych rozmowach z interesariuszami.

Jednakże, szczególnie w przypadku takich interesariuszy, istnieje kilka powtarzających się wyzwań: po pierwsze, istnieją nierealistyczne oczekiwania co do tego, jak może wyglądać gotowe rozwiązanie i co jest w ogóle możliwe do zrobienia. Po drugie, może brakować realizmu co do szczegółów wymagań użytkownika/rozwiązania, które wymagają udokumentowania (ponieważ dzieje się to magicznie). Po trzecie, kontynuując temat magii, może również brakować zrozumienia, ile czasu zajmuje zbudowanie takiego rozwiązania. Wszystko to razem może oznaczać kłopoty dla niczego niepodejrzewających naukowców zajmujących się danymi lub kierowników projektów. Jednak często wielką zaletą takiego interesariusza jest jego bezgraniczny entuzjazm. Ważne jest, aby go wykorzystać, jednocześnie odpowiednio ustalając oczekiwania i kierując ich energię w konstruktywny sposób (np. pracując z nimi nad szczegółami, jak wyglądałoby idealne rozwiązanie, jak mogłoby działać, wprowadzając kluczowych interesariuszy itp.)

Niezależnie od typu interesariuszy (a nie ma dwóch takich samych), ważne jest, aby byli oni zaangażowani w projekt w miarę jego rozwoju, aby mogli być zaangażowani i przekazywać bieżące informacje zwrotne, zapewniając, że nie odbiega on daleko od tego, czego potrzebuje firma.

Jak już widzieliśmy, możliwość jasnego powiązania naszego rozwiązania - niezależnie od tego, czy jest to Gen AI, "stara" AI czy cokolwiek innego - z problemem biznesowym jest kluczem do sukcesu naszego projektu. W następnym artykule zajmiemy się bardziej szczegółowo projektowaniem rozwiązania, aby zbadać, w jaki sposób sztuczną inteligencję można zmapować do logiki biznesowej organizacji.