Tekoälyn käyttöönotto on turhamaisuusmittari

Chris Garrett on Novatechin hallinnoidun teknologian ja tietoturvaoperaatioiden varatoimitusjohtaja. Novatech on hallinnoitujen palvelujen tarjoaja. Hän on myös Skaalaa tai myy -kirjan kirjoittaja.

Tapasimme Chrisin oppiaksemme hänen tekoälyyn liittyvistä työnkuluistaan ja saadaksemme käsityksen siitä, miten tekoäly vaikuttaa alaan. Näin hän vastasi.

Järjestelmien muuttaminen rahaksi

Johdan Novatechilla hallinnoitua IT:tä ja tietoturvaa. Novatech on Perpetual Capital Partnersin omistama hallinnoitujen palvelujen tarjoaja. Nimikkeessäni lukee varatoimitusjohtaja. Työni on käytännöllisempää. Vastaan siitä, tuottaako teknologia yritykselle rahaa vai kuluttaako se sitä hiljalleen.

Polkuni tänne ei ollut suora. Etenin operatiiviselta tasolta, sieltä missä järjestelmät rikkoutuvat ja jonkun on otettava vastuu korjauksesta. Työskentelin tukipalvelussa, sitten infrastruktuurin parissa ja sen jälkeen tietoturvan parissa. Niissä tehtävissä oppii, miten kuilusta toimittajan lupausten ja verkon todellisen toiminnan välillä tulee oma ongelma kello kahdelta aamuyöllä. Tämä perusta opetti minulle läksyn, joka on kantanut siitä lähtien. Teknologia ei ole pääasia. Pääasia on, että liikevaihto suojataan, riskit hinnoitellaan oikein ja käyttökatkot poistetaan ennen kuin asiakas huomaa niitä.

Sitten opin kääntämään asioita kieleltä toiselle. Insinöörit puhuvat järjestelmistä ja johtajat rahasta, ja useimmat teknologiajohtajat valitsevat yhden kielen ja menettävät toisen yleisön. Rakensin urani toimimalla näiden rajapinnassa ja muutin viiveen, altistumisen ja arkkitehtuurin katteen ja jatkuvuuden kielelle: IT on kertoja, ei koskaan kustannuspaikka. Tämä näkökulma muutti keskusteluja, joihin osallistuin, ja päätöksiä, joihin vaikutin.

Tilanne on jälleen muuttumassa. Tekoäly ei ole teknologiapinon seuraava työkalu. Se muuttaa sitä, mitä vipuvaikutus tarkoittaa, kenellä se on ja kuinka nopeasti kyvykkyys kasautuu. Useimmat organisaatiot vastaavat tähän melulla. Ne toteuttavat pilotteja, jotka eivät todista mitään, ja laativat käytäntöjä hallitakseen ahdistusta riskien sijaan, samalla kun toimittajat myyvät väistämättömyyttä ostajille, jotka eivät ole tehneet laskelmia.

Oma kiinnostukseni on kapeampaa ja vaikeammin teeskenneltyä. Mihin tekoäly vaikuttaa todellisissa luvuissa? Mitä se paljastaa jo valmiiksi hauraasta? Mitä osaamista se edellyttää, jota useimmilla tiimeillä ei vielä ole? Suhtaudun siihen samalla tavalla kuin kaikkeen muuhunkin: näyttöä hypetyksen sijaan, tuloksia konsensuksen sijaan ja järjestelmätaso pintatarinan sijaan.

Työn monimutkaisuus

Perpetual Capital Partners on omistanut Novatechin syyskuusta 2024 lähtien. Olemme yritysoston jälkeinen, kannattava palveluliiketoiminta, jonka tehtävänä on kasvattaa katetta ja tietoturvasta saatavia tuottoja sekä samalla ylläpitää palvelun laatua, jonka ansiosta olemme saavuttaneet nykyisen asiakaskuntamme.

Liiketoimintayksikkö toimii hallinnoidun teknologian, hallinnoidun toimiston ja kenttäpalvelun rinnalla ja tekee työtä, joka pitää asiakkaiden toiminnan käynnissä ja suojattuna. Tiimiini kuuluu 68 insinööriä ja analyytikkoa palvelupisteen, infrastruktuurin ja erillisen tietoturvatiimin tehtävissä, ja tuemme 400 asiakkaan ympäristöjä.

Arkkitehtuuri ei ole yksi tuote, vaan se on usean vuokraajan ympäristö. Käytämme kymmeniä erillisiä asiakasympäristöjä, joista jokaisessa on oma yhdistelmänsä paikallista infrastruktuuria, Microsoft 365:tä, Azurea, AWS:ää ja Google Cloudia sekä hybridiverkkoja, joita emme aina suunnitelleet mutta joista nyt vastaamme. Tämä vaihtelu luo monimutkaisuutta. Yhdelle asiakkaalle rutiininomainen muutos aiheuttaa toiselle tuotantoriskin. Kurinalaisuus tarkoittaa tämän kokonaisuuden hallintaa niin, että luotettavuus ja tietoturvan taso pysyvät yhtenäisinä ilman, että jokaista asiakasta pakotetaan samaan muottiin.

Käyttöönottomallimme on hallinnoitu ja etätyö ensisijaisena, ja kenttäpalvelu tukee paikan päällä tehtävää työtä edellyttäviä tehtäviä. Valvomme, päivitämme ja suojaamme jatkuvasti. Mittaamme itseämme käytettävyyden, vasteajan ja sen perusteella, kuinka nopeasti rajaamme tietoturvatapahtumat ennen kuin asiakkaat kokevat niiden vaikutukset.

Miten tekoäly muuttaa teknisen päätöksenteon prosesseja – mutta ei ota niitä hallintaansa

Ydinfilosofiani on "Kiedo insinööri tekoälyn ympärille", jotta saamme molempien maailmojen parhaat puolet. Henkilöstömäärää ei vähennetä, vaan tiimi tekee avustavien työkalujen avulla enemmän ja parempaa työtä.

Tekoäly tehostaa nyt suurten volyymien työtä, jossa ihmistarkastaja oli aina pullonkaula eikä koskaan varsinainen arvo. Esimerkiksi tietoturvahälytysten lajittelu kulkee ensin tekoälykerroksen läpi, koska SOC-analyytikon käsin tekemä kymmenentuhannen vähäisen signaalin tapahtuman lukeminen on kallista ja tuottaa huonomman tuloksen kuin malli.

Käytämme tekoälyä samalla tavalla lokien analysointiin tutkinnan aikana, dokumentoinnin ja toimintaohjeiden luonnosten ensimmäiseen versioon sekä asiakkaan ympäristön tiivistämiseen ennen katselmusta. Näin insinööri aloittaa työn perehtyneenä eikä valmistautumattomana. Kaikissa näissä tapauksissa tekoäly nopeuttaa perehtymistä, mutta ei tee päätöstä.

Päätös pysyy ihmisellä, ja tämä raja on harkittu. Asiakasympäristön arkkitehtuuria koskevat päätökset tehdään edelleen ihmisten toimesta, koska malli optimoi teknisesti siistin vastauksen. Todellisessa päätöksessä punnitaan budjettia, asiakkaan riskinsietokykyä ja sitä, mitä heidän tiiminsä pystyy tosiasiassa ylläpitämään sen jälkeen, kun me lähdemme.

Häiriötilanteisiin vastaaminen pysyy ihmisen vastuulla johtotasolla. Tekoäly voi tuoda esiin, mitä tapahtui, mutta eristämistä koskevilla valinnoilla on liiketoiminnallisia seurauksia, oikeudellisia riskejä ja vaikutuksia asiakkaiden luottamukseen. En luovuta paineen alla tehtävää harkintaa työkalulle, jota ei voida saattaa vastuuseen lopputuloksesta. Lopullinen tietoturvatarkastus ennen hyväksyntää pysyy samasta syystä ihmisen vastuulla. Malli on erinomainen tunnettujen kaavojen löytämisessä, mutta se ei havaitse uusia ongelmia, joilla on todella merkitystä.

Käytännön työnkulku tietoturvahälytysten käsittelyyn

Syvennytään tietoturvahälytysten käsittelyyn, koska sitä tehdään päivittäin ja se osoittaa selvästi, missä tekoäly toimii ja missä ihminen ottaa ohjat.

Prosessi alkaa määrästä, jota yksikään ihminen ei pysty eikä hänen pitäisi käsitellä jatkuvasti manuaalisesti. Asiakaskannassamme valvonta tuottaa päivittäin kymmeniätuhansia tapahtumia, joista suurin osa on kohinaa. Ennen tekoälyä analyytikko käsitteli jonoa, ja varsinainen signaali jäi epäonnistuneiden kirjautumisten ja harmittomien poikkeamien alle. Tärkeät ongelmat saivat huomiota myöhässä, koska analyytikon oli kahlattava kohinan läpi löytääkseen ne.

Tekoälykerros käsittelee ensin tuon raakavirran. Se ryhmittelee toisiinsa liittyvät tapahtumat, poistaa ilmeiset väärät positiiviset havainnot tunnettujen normaalien mallien perusteella, yhdistää toimintaa asiakasympäristössä, jonka ihminen katsoisi koostuvan toisiinsa liittymättömistä osista, ja asettaa jäljelle jäävät kohteet järjestykseen sen perusteella, kuinka paljon ne muistuttavat todellista tunkeutumista. Analyytikko ei saa tietotulvaa. Sen sijaan hän saa lyhyen, järjestetyn luettelon, jossa on mukana konteksti, nimetyt vaikutuksen kohteena olevat järjestelmät ja selkeästi ilmaistu syy jokaisen kohteen esiin nostamiselle. Malli tekee alustavan tarkastelun, mutta ei tee päätöksiä.

Analyytikko avaa luettelon, ja ihmisen työ alkaa. Hän tutkii epäilyttävää tapahtumaketjua, ja tekoäly auttaa jälleen tiivistämällä olennaiset lokit ja aikajanan, jolloin analyytikko voi rekonstruoida tapahtumat minuuteissa tunnin sijaan. Harkinta säilyy ihmisellä. Onko kyse todellisesta tietoturvaloukkauksesta vai hyväksytystä muutoksesta, joka näyttää epäilyttävältä? Vastaako kaava jotain uutta, jota malli ei merkitsisi? Malli nopeuttaa todisteiden tarkastelua; analyytikko tekee ratkaisun.

Kun todellinen tapahtuma sattuu, eristäminen pysyy ihmisen tekemänä johtopäätöksenä. Analyytikko tai vakavissa häiriötilanteissa kokenut päivystäjä päättää, eristetäänkö isäntä, poistetaanko tili käytöstä vai irrotetaanko asiakas verkosta. Näillä valinnoilla on liiketoiminnallisia kustannuksia, oikeudellisia riskejä ja vaikutuksia asiakkaiden luottamukseen, eikä mitään työkalua voida saattaa vastuuseen näistä päätöksistä. Tekoäly voi kertoa, mitä tapahtui, mutta se ei valitse toimintaamme paineen alla.

Eristämisen jälkeen tekoäly laatii luonnoksen häiriötilannetietueesta, aikajanasta, toteutetuista toimista ja asiakkaalle suunnatusta yhteenvedosta. Tämä luonnos säästää huomattavasti aikaa verrattuna tyhjästä aloittamiseen. Sitä ei lähetetä eteenpäin ennen kuin insinööri korjaa ja allekirjoittaa sen. Huolellisesti viimeistelty virheellinen raportti on pahempi kuin raportin puuttuminen, ja tekoälyn laatima virallinen toimintamenettely ilman ihmistä vastuuhenkilönä loisi vastuun, jonka päätimme, ettei koskaan anneta syntyä valvontamme aikana.

Kierros päättyy vaiheeseen, jonka useimmat tiimit ohittavat. Otamme näytteitä siitä, minkä tekoäly hylkäsi, emmekä ainoastaan siitä, minkä se eskaloi, ja syötämme nämä ohilyönnit takaisin seuraavan kierroksen parantamiseksi. Tämä otantakuri estää automaatioharhan juurtumisen. Työkalu, joka tekee analyytikoista nopeampia, tekee heistä myös välinpitämättömiä, jos kukaan ei tarkista kohteita, jotka se hylkää.

Miksi yritysten on siivottava käyttöoikeutensa ennen tekoälyn integrointia

Otin käyttöön myös Microsoft Copilotia koskevan hallintaportin.

Aiemmin Copilot vaikutti tuottavuuden parannukselta, ja asiakkaat suhtautuivat siihen kuin yksinkertaiseen kytkimeen, joka vain käännetään päälle. Ongelma on, että Copilot perii käyttäjän olemassa olevat käyttöoikeudet. Useimmilla asiakkaistamme oli vuosien aikana syntynyt käyttöoikeuksien hallitsematon leviäminen: avoimia SharePoint-sivustoja, jakamia asemia, joita kukaan ei ollut karsinut, sekä tiedostoja, jotka olivat teknisesti saavutettavissa mutta käytännössä näkymättömiä. Heti kun työntekijälle annetaan työkalu, joka hakee kaikesta hänen saavutettavissaan olevasta sisällöstä, näkymätön sisältö muuttuu hakutulokseksi. Nuorempi työntekijä saattoi esittää kysymyksen tavallisella kielellä ja saada näkyviin palkkatietoja tai hallituksen esityksen, jota ei ollut koskaan tarkoitettu hänelle. Kukaan ei ollut käsitellyt käyttöoikeuksia, mutta riski oli todellinen ja ollut olemassa jo vuosia.

Rakensin pakollisen valmiusarvioinnin, joka tehdään ennen kuin otamme Copilotin käyttöön kenellekään. Kartoitamme tosiasialliset käyttöoikeudet, etsimme liian laajasti jaettua sisältöä ja korjaamme käyttöoikeusmallin ensin. Asiakas hyväksyy, mihin hänen omilla työntekijöillään on pääsy, ennen kuin yksikään tekoälylisenssi aktivoidaan. Muutimme ominaisuuspyynnön hallituksi käyttöönotoksi, jolla on ehdoton ennakkoehto.

Chris korostaa

Heti kun annat työntekijälle työkalun, joka etsii kaikesta hänen ulottuvillaan olevasta sisällöstä, näkymättömästä sisällöstä tulee hakutulos.

Miten tekoälyn hyödyt tuovat mukanaan kurinalaisuuden kustannuksia

Tietoturvan puolella hälytysten käsittelykerros vähensi analyytikkojen manuaalisesti käsittelemää määrää noin 70 prosenttia. Todellisen hälytyksen kuittaukseen kuluva keskimääräinen aika lyheni tunneista minuutteihin hiljaisina ajanjaksoina, koska analyytikkojen ei enää tarvinnut kahlata hälyn läpi löytääkseen tärkeät tapahtumat. Tämä on selkein voittoalueemme. Väärän päätöksen kustannus on pieni; ihminen tarkistaa lyhyen luettelon joka tapauksessa, ja malli on erinomainen hahmontunnistuksessa, jossa ihmiset suoriutuvat päivästä toiseen huonosti.

CoPilot-valmiustyö tuotti toisenlaisen tuloksen. Löysimme paljastunutta dataa jokaisessa tekemässämme arvioinnissa – ongelmia, jotka olivat peräisin tekoälyä edeltävältä ajalta ja olisivat jääneet piiloon. Se on hyvää tietoturvaa ja hyvää liiketoimintaa.

Luonnosten tuottamisesta saadut hyödyt ovat todellisia, mutta pienempiä kuin hypetys antaa ymmärtää. Tekoälyavusteinen dokumentointi ja käyttöohjeiden luonnokset lyhensivät ensimmäisen version laatimiseen kulunutta aikaa yli puolella. Insinöörin on edelleen korjattava työ, joten säästö syntyy tyhjän sivun ongelman ratkaisemisesta, ei lopputuotteesta.

Eniten kustannuksia aiheuttanut epäonnistumismalli oli automaatioharha. Alussa pari analyytikkoa alkoi luottaa tekoälyn tekemään hälytysten käsittelyyn liikaa ja päästi läpi asioita, jotka heidän olisi pitänyt avata tutkittaviksi. Huomasimme tämän tarkistuksessa, mutta se opetti minulle, että ihmisiä nopeuttava työkalu tekee heistä myös laiskempia, jos sen annetaan tapahtua, ja ratkaisu oli prosessi, ei teknologia. Otamme nyt näytteitä siitä, minkä tekoäly hylkää, emmekä ainoastaan siitä, mitä se eskaloi.

Lyhyesti sanottuna tekoäly toi meille nopeutta kaikkialle, mutta ei harkintakykyä mihinkään. Jokainen hyöty toi mukanaan kurinalaisuuden kustannuksen, jotta ihmiset eivät luottaisi siihen enempää kuin se oli ansainnut.

Miten tekoäly parantaa tuotosta mutta ei kyvykkyyttä

Tässä on asia, josta kukaan ei halua puhua: tekoäly ei tehnyt ihmisistä kyvykkäämpiä. Se antoi heidän vuokrata vaikutelman kyvykkyydestä ja teeskennellä, että se oli todellista.

Kutsutaan sitä "äänen vuokraamiseksi". Henkilö tuottaa asian, jota hän ei olisi voinut tuottaa yksin — esimerkiksi koodin, arkkitehtuuriperustelun, tietoturvakäytännön tai asiakkaalle suunnatun analyysin — ja asia vaikuttaa sujuvalta ja auktoritatiiviselta. Sujuvuus on todellista. Sanat lainaavat taustalla olevaa osaamista, joka katoaa heti, kun malli lakkaa kirjoittamasta. Henkilö omistaa tuotoksen, mutta ei ymmärrystä. Tämä aukko on näkymätön, kunnes jokin rikkoutuu, ja silloin aukko on huoneen kuuluvin asia.

Tässä esimerkki: nuorempi insinööri toimittaa tekoälyn tuottaman korjauksen, joka toimii esittelyssä, mutta ei pysty selittämään sitä kolme viikkoa myöhemmin tapahtuman aikana. Niinpä vanhempi insinööri selvittää takaperin ratkaisun, jota kukaan tiimissä ei ollut itse laatinut. Etupainotteinen nopeus johti takapainotteisiin kustannuksiin, ja kustannus oli suurempi, koska sujuva pinta viivästytti hetkeä, jolloin joku tarkisti sisällön.

Epäonnistunut oletus koski vipuvaikutusta. Lupaus oli, että tekoäly moninkertaistaisi osaavien ihmisten vaikutuksen. Todellisuudessa se tasoittaa näkyvän eron sellaisen henkilön välillä, joka tietää, ja sellaisen, joka osaa kirjoittaa kehotteita, ja tämä tasoittuminen on kallista, koska nämä kaksi tuottavat ulkoisesti identtisen näköistä työtä mutta täysin erilaisia tuloksia kuormituksessa.

Ainoa kestävä tapa käyttää tekoälyä on siis se, että jo valmiiksi osaava henkilö käyttää tekoälyä työskennelläkseen nopeammin, koska kyseinen henkilö pystyy tunnistamaan, milloin tuotos on väärä. Kun saman työkalun antaa henkilölle, joka lainaa osaamisen suoraan, kapasiteetti ei kasva. Syntyy vain itsevarmaa tuotosta, jonka takana ei ole ketään vastuullista.

Miksi nuorempia tiiminjäseniä tarvitaan edelleen tekoälyn kanssa

Chris korostaa

Yksi tapa välttää tähän pisteeseen päätyminen on ottaa tekoäly käyttöön suppeammin, taso kerrallaan ansaiten. Samat hyödyt ilman, että samalla hiljaa romutetaan niiden osaajien kehityspolku, jotka tekevät tästä turvallista.

Tätä mallia käytin jokaisen johtamani palveluorganisaation rakentamiseen: kokoa nuorempien osaajien kapasiteetti vanhempien osaajien valvonnan alle, anna työn määrän ohjautua halvimmille päteville käsille ja kasvata pyramidia kysynnän kasvaessa.

Tekoäly söi pyramidin pohjan. Työ, johon ennen käytin nuorempia työntekijöitä — ensimmäisen vaiheen hälytysten käsittely, lokien lukeminen, käyttöohjeiden luonnostelu ja rutiinipyynnöt — on juuri sitä työtä, jonka malli tekee nyt nopeammin ja halvemmalla kuin työssä oppiva henkilö. Laajaan perustaan ja edulliseen suurivolyymiseen työhön perustunut henkilöstölaskelma ei enää päde, koska suurivolyymiseen työhön ei enää tarvita ihmistä.

Nuorempi taso ei kuitenkaan koskaan ollut pelkkää halpaa työvoimaa. Se oli oppikoulu. Ihmisistä tuli niitä kokeneita asiantuntijoita, joihin luotan, kun he käsittelivät tuhansia vähäriskisiä tikettejä ja kehittivät harkintakykyään yksi virhe kerrallaan. Kun tämä porras poistetaan, et ole muuttanut vain tämän vuoden kustannusrakennetta. Olet lopettanut niiden kokeneiden insinöörien tuottamisen, joita tarvitset viiden vuoden kuluttua, etkä huomaa puutetta ennen kuin sen korjaaminen on kallista.

Yksi tapa välttää tähän tilanteeseen joutuminen on toteuttaa tekoälyä suppeammin, taso kerrallaan ansaitusti. Samat hyödyt ilman, että hiljaisesti lopetetaan niiden kokeneiden asiantuntijoiden kasvattamiseen tarvittava kehityspolku, jotka tekevät tästä turvallista.

Minä en tehnyt niin, joten rakennan tikapuut uudelleen. Pidämme nuoremmat asiantuntijat mukana, mutta emme siksi, että he käsittelisivät määrää, jonka malli jo hoitaa. He ovat mukana kehittämässä yhtä asiaa, jota tekoäly ei voi heille antaa: harkintakykyä tunnistaa, milloin sen itsevarma tulos on väärä. Tämä tarkoittaa tarkoituksellista altistamista vaikeille ongelmille jo varhaisessa vaiheessa, kokeneiden asiantuntijoiden ajan käyttämistä opettamiseen delegoinnin sijaan sekä pienempää ja terävämpää perustaa kuin vanha talousmalli olisi rakentanut.

Miksi käyttöönotto on turhamaisuusmittari

Käyttöönotto epäonnistuu inhimillisellä tasolla, ei teknologiatasolla. Jouduin peruuttamaan lähes kaiken, koska ymmärsin asian väärin päin.

Käsittelin käyttöönottoa kyvykkyysongelmana. Valitse työkalut, osoita niiden toimivuus, anna ihmisille pääsy niihin ja mittaa käyttöönottoa. Käyttöönotto kasvoi, ja tulkitsin sen menestykseksi. Todellisuudessa seurasin, kuinka ihmiset tottuivat luottamaan tuloksiin, joita he eivät olleet oppineet kyseenalaistamaan, ja tottumus on varhainen epäonnistumisen oire, ei todiste menestyksestä.

Aiheesta puheen ollen, minun olisi pitänyt kieltäytyä mittaamasta käyttöönottoa. Se on turhamaisuusluku, ja se johdatti minut väärään suuntaan. Merkityksellistä oli se, tarkistivatko ihmiset tuloksen ennen kuin luottivat siihen, ja koska sitä on vaikeampi laskea, seurasin sen sijaan helppoa asiaa. Käytön mittaaminen palkitsi juuri sen käyttäytymisen, joka aiheutti jatkuvan säätämisen: ihmiset nojautuivat työkaluun enemmän ja nopeammin sekä tarkastelivat sitä vähemmän kriittisesti.

Mittaisin nyt tarkistamista ja uudelleentyötä enkä antaisi enää koskaan käyttökaavion korvata parantuneen työn osoittamista.

Miksi teknologiajohtajien on sidottava jokainen tekoälypäätös liiketoiminnan lukuihin

Tässä on neuvoni:

1. Hallinto ensin. Se ei ole jännittävää, eikä se innosta FOMO-väkeä uusimpien huippumallien tavoin, mutta se on ehdottoman välttämätöntä. Hallitse koko käyttöalue ennen käyttöönottoa ja laajentamista. Useimmat näkemäni vakavat ongelmat johtuivat teknologiajohtajista, jotka ottivat tekoälyn käyttöön nopeuden lisäämiseksi ja kirjoittivat hallintokäytännöt vasta jälkikäteen. Käännä järjestys toisinpäin.
2. Lopeta kypsyyden ostaminen ja ala ostaa todennettavaa kyvykkyyttä. Puolet toimittajien esityksissä olevasta tekoälystä kietoo sovellusrajapinnan ympärilleen ja myydään omana osaamisena. Vaadi jokaiselta toimittajalta, että se näyttää ratkaisun toiminnassa esittelynsä ulkopuolisessa ongelmassa, ja vaadi omilta tiimeiltäsi samaa.
3. Suojele niitä, jotka jo osaavat. Vipuvaikutus on todellinen vain sellaisen ihmisen käsissä, joka osaa tunnistaa, milloin malli on väärässä. Investoi tähän harkintakykyyn, mittaa sitä äläkä anna kehotteiden sujuvan käytön korvata sitä organisaatiokaaviossasi.
4. Sido jokainen tekoälypäätös lukuun, josta liiketoiminta välittää jo valmiiksi. Suojele liikevaihtoa, hinnoittele riski ja palauta tunteja ihmisille, jotka tekevät merkityksellistä työtä. Teknologia-aloitteena tekoälyn esittävät teknologiajohtajat joutuvat taistelemaan budjetista joka vuosineljännes. Ne, jotka kehystävät sen katteeksi ja riskiksi, saavat kutsun huoneisiin, joissa päätettiin aiemmin ilman heitä. Tekninen perustelu liikuttaa johtajaa harvoin; tulos- ja tasevaikutusten laskelmat liikuttavat.
5. Harjoita kurinalaisuutta. Ota tekoäly käyttöön siellä, missä ihminen edelleen vastaa tuloksesta, pidä se poissa tehtävästä, jossa tulos ei anna anteeksi virheitä, ja tarkasta se, minkä se ohittaa, älä ainoastaan sitä, minkä se nostaa esiin. Markkinat palkitsevat tällä hetkellä nopeutta ja käyttävät seuraavat vuodet niiden tiimien uudelleenarviointiin, jotka sekoittivat sujuvuuden osaamiseen. Rakenna toimintasi niin, ettet kuulu niihin.

Seuraa mukana

Voit seurata Chris Garrettin työtä LinkedInissä. Tutustu myös hänen uusimpaan kirjaansa, Skaalaa tai myy.

Lisää asiantuntijahaastatteluja on tulossa The CTO Clubissa!