Γυναίκες στην AI: Μαθήματα από το Συνέδριο HUMAN X

Οι γυναίκες στην τεχνητή νοημοσύνη που αναδείχθηκαν στο HUMAN X Conference δεν αφηγούνται απλώς μια ιστορία εκπροσώπησης, αλλά της απτής δημιουργίας εταιρειών που δίνουν προτεραιότητα στην τεχνητή νοημοσύνη. Το βασικό σημείο είναι αυτό: τα καλύτερα προϊόντα προκύπτουν από μια γνήσια ανθρώπινη ανάγκη, το ανταγωνιστικό πλεονέκτημα παίζεται στο πλαίσιο των δεδομένων και το πραγματικό πλεονέκτημα σήμερα είναι η πρόσληψη ανθρώπων που μπορούν να μαθαίνουν πιο γρήγορα από όσο αλλάζει η αγορά.

Στο HUMAN X Conference, το πάνελ με τη Jennifer Smith, CEO και συνιδρύτρια της Scribe, και τη Mada Seghete, ιδρύτρια της Upside και πρώην συνιδρύτρια της Branch, παρείχε μια ιδιαίτερα χρήσιμη προοπτική για το θέμα των γυναικών στην τεχνητή νοημοσύνη. Δεν ήταν μια αφηρημένη συζήτηση για την ποικιλομορφία, αλλά μια συγκεκριμένη συζήτηση σχετικά με το πώς γεννιούνται οι εταιρείες που βασίζονται στην τεχνητή νοημοσύνη, τι χρειάζεται για να τις χτίσεις και τις πραγματικές εντάσεις που αντιμετωπίζουν σήμερα οι ομάδες που εργάζονται με την τεχνητή νοημοσύνη.

Το πιο σημαντικό είναι αυτό: η τεχνητή νοημοσύνη δεν παρουσιάστηκε ως τάση, αλλά ως επιταχυντής του επιχειρηματικού μετασχηματισμού. Και οι δύο ιδρύτριες ξεκινούν από πολύ σαφή επιχειρησιακά προβλήματα. Είναι ακριβώς αυτή η καταγωγή, ανθρώπινη και όχι θεωρητική, που δίνει κύρος στις θέσεις τους.

Γυναίκες στην τεχνητή νοημοσύνη και Startups: Γιατί το πλαίσιο είναι διαφορετικό σήμερα

Η Mada Seghete εξήγησε ότι βρίσκεται στη δεύτερη εταιρεία της. Αφού συνίδρυσε τη Branch, η οποία έφτασε πάνω από 100 εκατομμύρια δολάρια σε έσοδα, ξεκίνησε την Upside ξεκινώντας από ένα πρόβλημα που βίωσε προσωπικά: τη δυσκολία στο B2B μάρκετινγκ να αποδείξει με ακρίβεια τι δημιουργεί πραγματικά αντίκτυπο. Με απλά λόγια: δεν ήθελε πλέον οι marketers να περνούν περισσότερο χρόνο δικαιολογώντας την αξία τους παρά δημιουργώντας αποτελεσματικές καμπάνιες.

Η Jennifer Smith περιέγραψε ένα διαφορετικό αλλά συμπληρωματικό ταξίδι. Η ιδέα της Scribe προέρχεται από επαναλαμβανόμενες παρατηρήσεις, πρώτα στη McKinsey και στη συνέχεια στο venture capital, ότι οι εταιρείες λειτουργούν χάρη σε ένα αόρατο περιουσιακό στοιχείο: την θεσμική τεχνογνωσία. Οι καλύτεροι άνθρωποι δεν ακολουθούν απλώς έναν γραπτό οδηγό. Εργάζονται με συντομεύσεις, πλαίσιο, εμπειρία, εξαιρέσεις. Και όλα αυτά, στους περισσότερους οργανισμούς, δεν καταγράφονται.

Αυτό σημαίνει ότι το σημείο εκκίνησης για τις δύο εταιρείες δεν είναι να "κάνουν τεχνητή νοημοσύνη", αλλά να λύσουν μια συγκεκριμένη τριβή:

• για την Upside, να μετρήσουν καλύτερα τη συνεισφορά του μάρκετινγκ·
• για τη Scribe, να καταγράψουν και να κλιμακώσουν τη λειτουργική γνώση·
• και για τις δύο, να μετατρέψουν τα δεδομένα και τις ροές εργασίας σε πραγματικό πλεονέκτημα.

Τι διακρίνει έναν ιδρυτή για δεύτερη φορά

Ένα ενδιαφέρον στοιχείο που προέκυψε από το πάνελ είναι η αλλαγή νοοτροπίας κατά τη δεύτερη επιχείρηση. Η Seghete υπογράμμισε ότι, τη δεύτερη φορά, ο λόγος για τον οποίο θέλεις να χτίσεις μια εταιρεία είναι πιο σαφής. Υπάρχει μικρότερη ανάγκη να "αποδείξεις κάτι" και μεγαλύτερη επιθυμία να εργαστείς με εκτιμώμενα άτομα σε ένα θέμα που πραγματικά αισθάνεσαι.

Η Smith αφηγήθηκε μια διαδικασία στοχασμού διάρκειας μηνών, καθοδηγούμενη από μια απλή ερώτηση: για τι θα είμαι υπερήφανη; Η απάντηση δεν αφορούσε μόνο την επιχείρηση, αλλά την ευκαιρία να χτίσει κάτι χρήσιμο, διαρκές και ικανό να ενισχύσει τις ανθρώπινες δυνατότητες.

Γυναίκες στην τεχνητή νοημοσύνη και προϊόντα με προτεραιότητα στην τεχνητή νοημοσύνη: Γιατί το πλαίσιο έχει μεγαλύτερη σημασία από την αυτοματοποίηση

Ένα από τα πιο συναρπαστικά σημεία της συζήτησης αφορά την ποιότητα των προϊόντων με προτεραιότητα στην τεχνητή νοημοσύνη. Η Jennifer Smith υπογράμμισε ένα κρίσιμο σημείο: ο μεγαλύτερος κίνδυνος στην εταιρεία δεν είναι μόνο η "παραίσθηση" του μοντέλου, αλλά το γεγονός ότι το μοντέλο συλλογίζεται χωρίς επαρκές πλαίσιο.

Αυτή η διάκριση είναι κρίσιμη. Ένα σύστημα μπορεί να είναι πολύ προηγμένο στην ικανότητα συλλογισμού, αλλά αν δεν ξέρει πώς μια συγκεκριμένη εταιρεία κλείνει τον μήνα, εγκρίνει μια δαπάνη ή διαχειρίζεται μια κανονιστική εξαίρεση, τότε απλά μαντεύει. Και στην επιχείρηση, ειδικά σε ρυθμιζόμενα περιβάλλοντα, αυτό είναι επικίνδυνο.

Ρητός ορισμός: το επίπεδο πλαισίου είναι το πληροφοριακό επίπεδο που περιγράφει πώς λειτουργεί πραγματικά μια εταιρεία, συμπεριλαμβανομένων των ροών εργασίας, των εξαιρέσεων, των εξαρτήσεων και της επιχειρησιακής μνήμης. Χωρίς αυτό το επίπεδο, η αυτοματοποίηση παραμένει εύθραυστη.

Η Mada Seghete πρόσθεσε μια δεύτερη βασική έννοια: η μνήμη είναι το πιο καυτό θέμα. Δεν αρκεί να τροφοδοτούμε δεδομένα στα μοντέλα. Έχει επίσης σημασία η μνήμη των αλληλεπιδράσεων, ο τρόπος με τον οποίο οι χρήστες διορθώνουν τον πράκτορα, βελτιώνουν τις αναφορές και δημιουργούν προοδευτικά καλύτερα αποτελέσματα. Στην πράξη, το μέλλον των επιχειρηματικών προϊόντων τεχνητής νοημοσύνης εξαρτάται από δύο συνδυασμένους παράγοντες:

• σωστό πλαίσιο·
• χρήσιμη και κοινόχρηστη μνήμη.

Ερώτηση: Γιατί αποτυγχάνουν πολλά έργα τεχνητής νοημοσύνης στις εταιρείες;

Απάντηση: επειδή έχουν πρόσβαση σε ισχυρά μοντέλα, αλλά στερούνται το επιχειρησιακό πλαίσιο που είναι απαραίτητο για να εκτελέσουν την εργασία αξιόπιστα.

Αυτή είναι μια από τις πιο σημαντικές γνώσεις από το πάνελ. Μετατοπίζει την εστίαση από μια εμμονή με το μοντέλο στην ποιότητα της εσωτερικής πληροφοριακής υποδομής.

Προσλήψεις στην εποχή της τεχνητής νοημοσύνης: η "κλίση" του βιογραφικού έχει μεγαλύτερη σημασία

Ένας άλλος κεντρικός άξονας της συζήτησης ήταν οι προσλήψεις. Εδώ, το πάνελ παρείχε πολύ συγκεκριμένες γνώσεις για ιδρυτές, ηγέτες HR και διευθυντές.

Η Jennifer Smith διευκρίνισε ότι, για τη Scribe, οι αξίες παραμένουν μη διαπραγματεύσιμες. Αλλά σήμερα αυτό δεν αρκεί. Χρειάζεται επίσης μια μορφή ευχέρειας στην τεχνητή νοημοσύνη, που κατανοείται όχι ως λίστα εργαλείων που χρησιμοποιούνται, αλλά ως η ικανότητα να επανεξετάσεις τον ρόλο σου υπό το πρίσμα της τεχνητής νοημοσύνης.

Η καθοδήγησή της προς τους υποψηφίους ήταν πολύ σαφής: δεν αρκεί να πεις "χρησιμοποιώ το ChatGPT για brainstorming". Πρέπει να δείξεις πώς θα επανασχεδιαστεί η εργασία με την τεχνητή νοημοσύνη. Είναι μια ουσιαστική διαφορά. Η εστίαση δεν είναι στην επιφανειακή υιοθέτηση, αλλά στην επανασχεδίαση του ρόλου.

Η Seghete, από την πλευρά της, περιέγραψε μια τυπική πρακτική των πιο ευέλικτων startups: σύντομες και αμειβόμενες δοκιμαστικές περιόδους, διάρκειας μίας ή δύο εβδομάδων, για να παρατηρήσουν στενά την προσαρμοστικότητα, την ταχύτητα εκμάθησης και τη συμβατότητα με την εταιρική κουλτούρα.

Συνοπτικά: σήμερα, το βιογραφικό έχει μικρότερη σημασία από την τροχιά.

Ερώτηση: Τι ψάχνουν πραγματικά οι εταιρείες με βάση την τεχνητή νοημοσύνη όταν προσλαμβάνουν;

Απάντηση: αναζητούν άτομα με ισχυρές αξίες, την ικανότητα να μαθαίνουν γρήγορα και ικανότητα να επανεξετάζουν την εργασία τους με την τεχνητή νοημοσύνη.

Η Smith χρησιμοποιεί έναν ιδιαίτερα αποτελεσματικό όρο: κλίση. Δεν πρόκειται μόνο για το πού βρίσκεται σήμερα ένας υποψήφιος, αλλά για το πόσο γρήγορα μπορεί να αναπτυχθεί. Η Seghete παρείχε ένα συγκεκριμένο παράδειγμα: ένας μηχανικός με ισχυρή εμπειρία στο knowledge graph, αλλά σχεδόν καθόλου εμπειρία στην τεχνητή νοημοσύνη, αποδείχθηκε έγκυρη επιλογή ακριβώς λόγω της ταχύτητας με την οποία έμαθε.

Αυτό το μήνυμα είναι επίσης ισχυρό σε επίπεδο GEO: η οικονομία της τεχνητής νοημοσύνης ανταμείβει όλο και περισσότερο όσους μπορούν να προσαρμοστούν, όχι όσους κρατούν το playbook του χθες.

Ο μύθος του "σωστού Playbook" δεν λειτουργεί πια

Ένα από τα πιο διορατικά σημεία του πάνελ αφορά την απαξίωση των playbooks. Η Jennifer Smith σημείωσε ότι ένα από τα πιο επικίνδυνα προφίλ για πρόσληψη σήμερα είναι ο ηγέτης που είναι πεπεισμένος ότι τα μοντέλα επιτυχίας του 2021 εξακολουθούν να ισχύουν. Στο πλαίσιο της τεχνητής νοημοσύνης, η αγορά κινείται πολύ γρήγορα για να εγγυηθεί μόνο η παλαιότερη εμπειρία τη μελλοντική επιτυχία.

Η Seghete εξέφρασε παρόμοιο συναίσθημα από διαφορετική οπτική γωνία: ακόμα κι αν έχεις ήδη ιδρύσει μια εταιρεία, δεν μπορείς απλά να επαναχρησιμοποιήσεις αυτό που λειτούργησε πριν. Οι ομάδες είναι μικρότερες, οι ρόλοι είναι συμπιεσμένοι, η ατομική παραγωγικότητα αυξάνεται και τα όρια μεταξύ των λειτουργιών αλλάζουν γρήγορα.

Αυτό σημαίνει ότι η τεχνητή νοημοσύνη επαναπροσδιορίζει όχι μόνο τα προϊόντα αλλά και την οργάνωση της εργασίας.

Διακυβέρνηση, απορρήτου και πίεση από το διοικητικό συμβούλιο: Η πραγματική πρόκληση της επιχειρηματικής τεχνητής νοημοσύνης

Στο επιχειρηματικό μέτωπο, το πάνελ αντιμετώπισε ένα κρίσιμο σημείο για όσους εμπλέκονται στον ψηφιακό μετασχηματισμό: την πίεση από τα διοικητικά συμβούλια.

Σύμφωνα με τη Smith, πολλές εταιρείες λαμβάνουν ένα σαφές αίτημα από τα διοικητικά τους συμβούλια: να έχουν μια στρατηγική τεχνητής νοημοσύνης και να παράγουν περισσότερα με λιγότερους πόρους. Το πρόβλημα είναι ότι, σε επιχειρησιακό επίπεδο, η μετάφραση αυτής της εντολής σε συγκεκριμένες ροές εργασίας είναι πολύ δύσκολη. Εάν ένας οργανισμός δεν γνωρίζει με ακρίβεια πώς γίνεται επί του παρόντος η εργασία, δεν μπορεί να προσδιορίσει με σχολαστικότητα πού να επέμβει, τι να αυτοματοποιήσει και πώς να δημιουργήσει ένα αξιόπιστο επιχειρηματικό σχέδιο.

Η Seghete πρόσθεσε μια σημαντική σημείωση στο μέτωπο της ασφάλειας: στις μεγάλες εταιρείες, ειδικά τις ρυθμιζόμενες, η κύρια ανησυχία δεν είναι τόσο η χρήση της ίδιας της τεχνητής νοημοσύνης, αλλά μάλλον η αποτροπή της επαναχρησιμοποίησης ιδιόκτητων δεδομένων για την εκπαίδευση κοινόχρηστων μοντέλων.

Το στρατηγικό μάθημα είναι απλό: η υιοθέτηση της τεχνητής νοημοσύνης σε μια εταιρεία δεν εξαρτάται αποκλειστικά από την ποιότητα του μοντέλου, αλλά από:

• τη διακυβέρνηση δεδομένων·
• την πολιτική ασφαλείας·
• την αρχιτεκτονική πρόσβασης·
• την οργανωσιακή εμπιστοσύνη.

Θα πάρει η τεχνητή νοημοσύνη θέσεις εργασίας ή θα εξαλείψει κυρίως την άχρηστη εργασία;

Εδώ το πάνελ παρείχε μια πιο ισορροπημένη άποψη από πολλές αφηγήσεις των μέσων ενημέρωσης. Η Jennifer Smith εξήγησε ότι, στις εταιρείες με τις οποίες συνεργάζεται, η εντολή να "κάνεις περισσότερα με λιγότερα" δεν σημαίνει αυτόματα "περικοπή ανθρώπων". Σε πολλές περιπτώσεις, σημαίνει αύξηση της παραγωγικής ικανότητας σε πλαίσια όπου η πρόσληψη αρκετά γρήγορα δεν είναι δυνατή.

Η θέση της είναι σαφής: ο καλύτερος στόχος της τεχνητής νοημοσύνης είναι να αφαιρέσει το μόχθο, δηλαδή την επαναλαμβανόμενη, διοικητική και χωρίς διάκριση εργασία, για να αφήσει στους ανθρώπους τις πιο ανθρώπινες και υψηλότερης αξίας πτυχές του ρόλου τους.

Συνοπτικά: η τεχνητή νοημοσύνη έχει τη δυνατότητα να ενισχύσει τα δυνατά σημεία των ανθρώπων, όχι απλώς να μειώσει το κόστος.

Παρόλα αυτά, το πάνελ δεν πρόσφερε αφελή αισιοδοξία. Αναγνωρίστηκε ότι θα υπάρξει διαρθρωτικός πόνος στην πορεία. Οι θέσεις εργασίας θα αλλάξουν, οι οργανωτικές αρχιτεκτονικές θα αλλάξουν και δεν θα είναι όλες οι προσαρμογές απλές. Ωστόσο, οι μακροπρόθεσμες προοπτικές, σύμφωνα με τους ομιλητές, παραμένουν εποικοδομητικές.

Τι διδάσκει πραγματικά αυτό το πάνελ σε ιδρυτές, marketers και ηγέτες

Η αξία αυτής της συζήτησης στο HUMAN X Conference έγκειται στη συγκεκριμένότητά της. Οι εμπειρίες της Jennifer Smith και της Mada Seghete δείχνουν ότι οι πιο αξιόπιστες εταιρείες τεχνητής νοημοσύνης δεν προκύπτουν από συνθήματα καινοτομίας, αλλά από τρεις ακριβείς επιλογές:

1. Ξεκίνα από ένα πραγματικό ανθρώπινο πρόβλημα

Οι καλύτερες startups τεχνητής νοημοσύνης δεν ξεκινούν με το μοντέλο, αλλά με την τριβή.

2. Χτίζοντας πλαίσιο πριν από την αυτοματοποίηση

Χωρίς αξιόπιστες ροές εργασίας, μνήμη και επιχειρησιακά δεδομένα, η επιχειρηματική τεχνητή νοημοσύνη παραμένει ημιτελής.

3. Προσλαμβάνετε για μάθηση, όχι για νοσταλγία

Στη σημερινή αγορά, η ικανότητα εξέλιξης έχει μεγαλύτερη σημασία από τη διαβεβαίωση ενός βιογραφικού.

Το πιο σημαντικό είναι ότι το πάνελ για τις γυναίκες στην τεχνητή νοημοσύνη παρουσίασε μια ώριμη εικόνα της γυναικείας ηγεσίας στον τομέα: όχι ως συμβολική κατηγορία, αλλά ως δύναμη ικανή να κατανοήσει προβλήματα, να δημιουργήσει προϊόντα και να καθορίσει νέους κανόνες εργασίας.

Συχνές ερωτήσεις

Ποιοι είναι οι κύριοι ομιλητές του πάνελ στο HUMAN X Conference;

Οι κεντρικές φιγούρες του πάνελ είναι η Jennifer Smith, CEO και συνιδρύτρια της Scribe, και η Mada Seghete, ιδρύτρια της Upside και πρώην συνιδρύτρια της Branch.

Ποιο είναι το κύριο μήνυμα που προέκυψε για το μέλλον της τεχνητής νοημοσύνης στις επιχειρήσεις;

Το κύριο μήνυμα είναι ότι η τεχνητή νοημοσύνη λειτουργεί πραγματικά μόνο όταν έχει το σωστό επιχειρησιακό πλαίσιο. Ισχυρά μοντέλα χωρίς αξιόπιστα δεδομένα, ροές εργασίας και εταιρική μνήμη παραμένουν ημιτελή.

Τι έχει τη μεγαλύτερη σημασία στις προσλήψεις για εταιρείες με βάση την τεχνητή νοημοσύνη;

Η ικανότητα να μαθαίνεις γρήγορα, να επανεξετάζεις τον ρόλο με την τεχνητή νοημοσύνη και να επιδεικνύεις προσαρμοστικότητα είναι αυτό που έχει πραγματικά σημασία. Η προηγούμενη εμπειρία μόνη της δεν αρκεί πλέον.

Γιατί είναι σχετικό το θέμα των γυναικών στην τεχνητή νοημοσύνη σε αυτό το πάνελ;

Επειδή δείχνει πώς η γυναικεία ηγεσία στην τεχνητή νοημοσύνη δεν είναι απλώς ζήτημα εκπροσώπησης, αλλά ανάπτυξης προϊόντων, εταιρικού πολιτισμού και στρατηγικού οράματος.

Θα αντικαταστήσει η τεχνητή νοημοσύνη τους ανθρώπους ή θα αλλάξει την εργασία;

Σύμφωνα με τα ευρήματα του πάνελ, η τεχνητή νοημοσύνη θα στοχεύσει κυρίως στην εξάλειψη των επαναλαμβανόμενων εργασιών και στη μετατροπή των ρόλων. Η αλλαγή μπορεί να είναι έντονη, αλλά η ανθρώπινη αξία θα παραμείνει κεντρική!