ผู้นำด้านเทคโนโลยีกำลังเผชิญแรงกดดันที่เพิ่มขึ้นในการส่งมอบการเปลี่ยนแปลงให้เร็วขึ้น ด้วยมาตรฐานคุณภาพที่สูงขึ้น และมีการเชื่อมโยงกับลำดับความสำคัญทางธุรกิจที่ชัดเจนยิ่งขึ้น ในขณะเดียวกันพวกเขาต้องควบคุมต้นทุนในสถานที่ที่มีต้นทุนสูง และแข่งขันเพื่อหาบุคลากรระดับอาวุโสด้านวิศวกรรมและสถาปัตยกรรมที่มีจำกัด โมเดลการดำเนินงานแบบดั้งเดิมที่อาศัยองค์กรส่งมอบขนาดใหญ่และกระจายตัวมักให้ผลลัพธ์ตรงกันข้ามกับสิ่งเหล่านี้ วงจรป้อนกลับยาวนานขึ้น บริบทเสื่อมลงเมื่อความต้องการผ่านหลายชั้น และธุรกิจรับรู้เทคโนโลยีว่าเป็นสิ่งที่มาสายและต้องเจรจาเพิ่มเติม แทนที่จะเป็นพันธมิตรที่ตอบสนองได้ทันที
โมเดลเหล่านี้ยังก่อให้เกิดบทลงโทษด้านต้นทุนโครงสร้างและความคล่องตัว การจัดตั้งหรือขยายโปรแกรมขนาดใหญ่โดยทั่วไปต้องใช้เวลานำหน้าที่มากในการสรรหา บรรจุ และจัดแนวคนจำนวนมากทั่วภูมิศาสตร์ เมื่อเริ่มดำเนินการ การเปลี่ยนทิศทางจะมีต้นทุนสูงเพราะระยะห่างระหว่างเจตนาทางธุรกิจและการดำเนินการทางเทคนิคขยายกว้างขึ้นแล้ว ในสภาพแวดล้อมการแข่งขันหรือกฎระเบียบที่เปลี่ยนแปลงรวดเร็ว ต้นทุนของระยะห่างนั้นวัดได้ไม่เพียงจากงบประมาณที่ล้นเกิน แต่ยังรวมถึงโอกาสในตลาดที่พลาดไปและความเชื่อมั่นของผู้มีส่วนได้ส่วนเสียที่ลดลง
ระบบ agentic AI ที่成熟แล้วในปัจจุบันนำเสนอทางเลือกที่ใช้ได้จริง เมื่อนำไปใช้ด้วยวินัย พวกเขาอนุญาตให้คนจำนวนน้อยที่มีทักษะสูง ซึ่งทำงานใกล้ชิดกับธุรกิจ สร้างผลผลิต คุณภาพ และความสามารถในการปรับตัวที่ก่อนหน้านี้ต้องใช้ทีมที่ใหญ่กว่ามาก เศรษฐศาสตร์เปลี่ยนไปเพราะความเข้าใจบริบท การแบ่งงานแบบมีโครงสร้าง และการตรวจสอบอย่างต่อเนื่องที่เคยต้องการคนจำนวนมาก สามารถเสริมและเร่งด้วยเอเจนต์ AI ที่ประสานงานกัน สำหรับ CIO และ CTO คำถามเชิงกลยุทธ์คือจะออกแบบโมเดลการส่งมอบใหม่โดยตั้งใจรอบความสามารถใหม่นี้อย่างไร เพื่อให้ความเร็ว ต้นทุน และการเชื่อมโยงกับธุรกิจดีขึ้นพร้อมกัน แทนที่จะแลกเปลี่ยนกัน
โมเดลการดำเนินงานใหม่สำหรับการขยายขนาด
โมเดลนี้ตั้งอยู่บนสมมติฐานที่ตรงไปตรงมา เมื่อความสามารถ AI ขั้นสูงถูกผสานอย่างตั้งใจเข้ากับวิธีการจัดระเบียบงานเทคโนโลยี กลุ่มคนขนาดเล็กที่มีทักษะสูงที่ทำงานใกล้ชิดกับธุรกิจสามารถส่งมอบผลผลิต คุณภาพ และความสามารถในการปรับตัวที่เคยต้องการทีมที่ใหญ่กว่ามากได้ กุญแจสำคัญไม่ใช่เพียงการให้เครื่องมือที่ดีขึ้นแก่บุคคล แต่คือการออกแบบจังหวะการดำเนินงานใหม่เพื่อให้บริบทถูกจับได้ครั้งเดียว งานถูกแบ่งอย่างเป็นระบบ การตรวจสอบเกิดขึ้นอย่างต่อเนื่อง และธุรกิจยังคงเชื่อมโยงโดยตรงกับการตัดสินใจและความคืบหน้า
ในระดับกลยุทธ์ วิธีการนี้ประกอบด้วยสี่เฟสที่เชื่อมโยงกัน เฟสแรกสร้างความตระหนักพื้นฐานที่ระบบ AI ต้องการ: การเข้าถึงความรู้ขององค์กร เอกสารที่มีอยู่ และการจัดการงานอย่างปลอดภัยและมีโครงสร้าง เพื่อให้การกระทำทุกอย่างที่ตามมาอยู่บนพื้นฐานของความเป็นจริงมากกว่าสมมติฐานทั่วไป เฟสที่สองเปลี่ยนไปสู่การร่วมมืออย่างกระตือรือร้น โดยมนุษย์และ AI ทำงานร่วมกันเพื่อกำหนดกลยุทธ์ เผยตัวเลือก และกำหนดบล็อกการสร้างที่เหมาะสม เฟสที่สามแปลงทิศทางนั้นเป็นบัญชีงานที่แม่นยำและสามารถดำเนินการได้ผ่านการแบ่งงานที่ช่วยด้วยเอเจนต์แบบวนซ้ำ การทบทวน และการปรับปรุง เฟสที่สี่เข้าสู่การส่งมอบอย่างต่อเนื่อง โดยเครือข่ายของเอเจนต์สนับสนุนงานที่กำลังดำเนินอยู่ การทบทวน และการจัดการการพึ่งพา ในขณะที่มนุษย์ยังคงควบคุมสถาปัตยกรรมและความรับผิดชอบขั้นสุดท้าย
สิ่งที่ทำให้โมเดลนี้แตกต่างจากการเสริมประสิทธิภาพแบบธรรมดาคือการรักษาความใกล้ชิดและความเป็นเจ้าของอย่างตั้งใจ เพราะทีมหลักยังคงขนาดเล็กและอยู่ร่วมสถานที่กับผู้มีส่วนได้ส่วนเสียทางธุรกิจ การป้อนกลับจึงเกิดขึ้นทันที ทิศทางสามารถเปลี่ยนได้โดยไม่มีความล่าช้าทางระบบราชการ และการตัดสินใจทางเทคโนโลยียังคงเชื่อมโยงอย่างชัดเจนกับเจตนาทางการค้า หรือการดำเนินงาน ชั้น AI ขยายกำลังโดยไม่ใส่ระยะห่าง ผลลัพธ์จึงไม่ใช่เพียงผลผลิตที่เร็วขึ้น แต่เป็นการเชื่อมโยงที่แน่นแฟ้นระหว่างธุรกิจและเทคโนโลยี ซึ่งโมเดลขนาดใหญ่หรือกระจายตัวแบบดั้งเดิมมักทำได้ยากเมื่องานถูกส่งต่อแล้ว
โมเดลนี้ทำงานอย่างไรในทางปฏิบัติ
สี่เฟสแปลสมมติฐานเชิงกลยุทธ์เป็นจังหวะการดำเนินงานที่ทำซ้ำได้ เฟสพื้นฐานสร้างบริบทร่วมที่ระบบ AI ต้องการ โดยดึงจากความรู้และเอกสารขององค์กรที่มีอยู่ เพื่อให้การกระทำในภายหลังทุกอย่างเริ่มต้นจากความเข้าใจที่ถูกต้องเกี่ยวกับเทคโนโลยี ความรับผิดชอบ และการพึ่งพา เฟสการร่วมมือแปลงบริบทนั้นเป็นทิศทางผ่านการสนทนาระหว่างมนุษย์-AI ที่มีโครงสร้าง เผยตัวเลือก ทดสอบสมมติฐาน และกำหนดสถาปัตยกรรมระดับสูงและลำดับความสำคัญ เฟสบัญชีงานแปลงกลยุทธ์เป็นรายการงานที่แม่นยำและพร้อมดำเนินการผ่านการแบ่งงานอย่างเป็นระบบ การร่างอัตโนมัติ และการทบทวนโดยมนุษย์ เฟสการประสานงานจากนั้นรักษาการส่งมอบโดยประสานเครือข่ายเอเจนต์ที่จัดการการตรวจสอบซ้ำ การอัปเดต และการติดตามการพึ่งพา ในขณะที่มนุษย์ยังคงดูแลสถาปัตยกรรมและคุณภาพ
หัวใจของการขยายขนาดอย่างต่อเนื่องคือชั้นการประสานงาน LangGraph เหมาะสมเป็นพิเศษกับความต้องการขององค์กรเพราะมันสร้างแบบจำลองเวิร์กโฟลว์ของเอเจนต์เป็นกราฟที่ชัดเจนและควบคุมได้ การออกแบบนี้มอบการจัดการสถานะ ความโปร่งใส และจุดแทรกแซงแบบ human-in-the-loop ที่ผู้นำด้านเทคโนโลยีต้องการสำหรับการส่งมอบที่เชื่อถือได้และตรวจสอบย้อนกลับได้ เอเจนต์สามารถรักษาบริบทร่วมกันตลอดกระบวนการที่ยาวนาน วิจารณ์ผลลัพธ์ของกันและกัน และนำเสนอปัญหาเพื่อการตัดสินใจโดยมนุษย์โดยไม่สูญเสียความสอดคล้องหรือการกำกับดูแล ผลลัพธ์คือการร่วมมือแบบหลายเอเจนต์ที่ยังคงสังเกตได้และแก้ไขได้ แทนที่จะเป็นสิ่งที่มืดมนหรือเปราะบาง
โมเดลนี้ไม่จำเป็นต้องให้ทุกส่วนประกอบมาจากเฟรมเวิร์กเดียว หากมีข้อจำกัดด้านประสิทธิภาพ ความหน่วง หรือการปรับใช้ เครื่องมือเอเจนต์เสริมสามารถนำเข้ามาใช้ควบคู่กับชั้นการประสานงานหลัก หลักการชี้นำยังคงเหมือนเดิม: เลือกกลไกที่รักษาการควบคุม ความมองเห็น และการเชื่อมโยงกับธุรกิจได้ดีที่สุด ในขณะที่ขยายกำลังของทีมหลักขนาดเล็ก ในทางปฏิบัติสิ่งนี้ทำให้เกิดการเคลื่อนไหวจากเจตนาไปสู่ซอฟต์แวร์ที่ใช้งานได้เร็วขึ้น ด้วยการส่งต่อน้อยลง และความสัมพันธ์ที่แน่นแฟ้นและตอบสนองมากขึ้นระหว่างการดำเนินการทางเทคโนโลยีและผู้มีส่วนได้ส่วนเสียทางธุรกิจ
หลักฐานจากการนำไปใช้จริง
การมีส่วนร่วมล่าสุดให้ตัวอย่างที่ชัดเจนของโมเดลนี้ในการทำงาน งานเริ่มต้นโดยไม่มีทีมเฉพาะและไม่มีบัญชีงาน ชุดการประชุมและการสนทนาที่บันทึกไว้อย่างเข้มข้นถูกจัดขึ้นกับผู้มีส่วนได้ส่วนเสียด้านสถาปัตยกรรม วิศวกรรม ผลิตภัณฑ์ และโปรแกรม บันทึกการถอดเสียง บันทึกแชท และเอกสารสนับสนุนถูกผสมผสานกับเอกสารและโครงสร้างงานที่มีอยู่ขององค์กร สิ่งนี้สร้างบริบทที่สมบูรณ์และมีพื้นฐานที่ระบบ AI ต้องการเพื่อเข้าใจเทคโนโลยีที่ใช้อยู่ ความรับผิดชอบของทีม และการพึ่งพาระหว่างโปรแกรมตั้งแต่เริ่มต้น
ภายในเวลาประมาณสองสัปดาห์ สถานะได้เปลี่ยนจากไม่มีภาพรวมไปเป็นบัญชีงานที่สมบูรณ์และพร้อมสำหรับการผลิต ประกอบด้วย 17 epic และเรื่องราวมากกว่า 200 เรื่อง เรื่องราวเหล่านั้นถูกผลิตด้วยมาตรฐานสูง โดยประมาณ 80 เปอร์เซ็นต์ต้องการการปรับปรุงเพียงเล็กน้อยเพื่อให้พร้อมเต็มที่ ขอบเขตของข้อผิดพลาดที่ต่ำและคุณภาพโดยรวมเกิดขึ้นโดยตรงจากความเข้าใจที่ถูกต้องและตระหนักถึงบริบทของ AI มากกว่าการสร้างแบบทั่วไปหรือคาดเดา
ผลลัพธ์นี้แสดงให้เห็นถึงเวลาในการสร้างคุณค่าที่ใช้ได้จริงที่โมเดลสามารถส่งมอบได้ วิธีการแบบดั้งเดิมในการจัดตั้งบัญชีงานที่เทียบเคียงกันมักต้องใช้เวลาที่นานกว่ามาก หลายรอบของการชี้แจง และค่าใช้จ่ายในการประสานงานที่ใหญ่กว่า ที่นี่การผสมผสานของข้อมูลนำเข้าจากผู้มีส่วนได้ส่วนเสียที่ถูกจับ การแบ่งงานที่ช่วยด้วยเอเจนต์แบบมีโครงสร้าง และการทบทวนโดยมนุษย์ สร้างพื้นฐานคุณภาพสูงภายในกรอบเวลาที่สั้นกว่าปกติมาก การมีส่วนร่วมแสดงให้เห็นว่าแม้เริ่มจากศูนย์ ทีมหลักขนาดเล็กที่ได้รับการสนับสนุนจากจังหวะการดำเนินงาน AI ที่เหมาะสมสามารถขจัดคอขวดในช่วงแรกที่มักทำให้โปรแกรมขนาดใหญ่ล่าช้า และทำได้ในขณะที่ยังคงเชื่อมโยงธุรกิจโดยตรงกับรูปร่างที่กำลังเกิดขึ้นของงาน
การวัดผลกระทบ
ในระดับ CIO และ CTO ตัวชี้วัดที่สำคัญคือสิ่งที่เชื่อมโยงการส่งมอบเทคโนโลยีโดยตรงกับผลลัพธ์ทางธุรกิจ เวลาในการออกสู่ตลาด ความเร็วในการส่งมอบ ต้นทุนการดำเนินงานของทีม และคุณภาพของการเชื่อมโยงระหว่างธุรกิจและเทคโนโลยี ไม่ใช่ตัวแปรที่เป็นอิสระจากกัน โมเดลขนาดใหญ่หรือกระจายตัวแบบดั้งเดิมมักบังคับให้แลกเปลี่ยนระหว่างกัน: ความเร็วที่ได้มาด้วยการเสียการเชื่อมโยง หรือต้นทุนที่ลดลงโดยการเพิ่มระยะห่างจากธุรกิจ โมเดลทีมขนาดเล็กที่เสริมด้วย AI ถูกออกแบบมาเพื่อปรับปรุงตัวชี้วัดเหล่านี้พร้อมกัน แทนที่จะขัดแย้งกัน
เวลาในการออกสู่ตลาดดีขึ้นเพราะบัญชีงานคุณภาพสูงที่พร้อมดำเนินการสามารถจัดตั้งได้ภายในไม่กี่สัปดาห์แทนที่จะเป็นเดือน แม้เริ่มจากศูนย์ ความเร็วเพิ่มขึ้นเมื่อการพัฒนาเริ่มต้น โดยได้รับการสนับสนุนจากเรื่องราวที่ชัดเจนขึ้น ความคลุมเครือน้อยลง และการตรวจสอบที่ช่วยด้วย AI ภายในไปป์ไลน์การส่งมอบ ต้นทุนการดำเนินงานของทีมลดลงเพราะคนอาวุโสจำนวนน้อยที่ได้รับการสนับสนุนดีสามารถรักษาผลผลิตที่ก่อนหน้านี้ต้องการจำนวนคนถาวรที่มากกว่ามาก ที่สำคัญที่สุด การเชื่อมโยงระหว่างธุรกิจและเทคโนโลยีแข็งแกร่งขึ้นผ่านความใกล้ชิดโดยตรง ผู้มีส่วนได้ส่วนเสียสามารถเห็นความคืบหน้า ยกประเด็นในเวลาจริง และชี้นำทิศทางโดยไม่มีความล่าช้าและการบิดเบือนจากการส่งต่อหลายชั้น ความใกล้ชิดนี้แทนที่รูปแบบที่คุ้นเคยของความต้องการที่ถูกโยนข้ามกำแพงและถูกส่งคืนช้า พร้อมสิ่งที่ต้องเจรจาเพิ่มเติม
ตัวชี้วัดเหล่านี้เสริมซึ่งกันและกัน บัญชีงานที่เร็วขึ้นและชัดเจนขึ้นลดความพยายามที่สูญเปล่าและงานซ้ำ ซึ่งช่วยปรับปรุงความเร็วและลดต้นทุนที่มีประสิทธิภาพ การมีส่วนร่วมของธุรกิจโดยตรงเผยลำดับความสำคัญที่ถูกต้องตั้งแต่เนิ่นๆ ซึ่งช่วยปรับปรุงทั้งเวลาในการออกสู่ตลาดและความเชื่อมั่นของผู้มีส่วนได้ส่วนเสีย ผลลัพธ์สุทธิคือองค์กรที่สามารถตอบสนองต่อความต้องการที่เปลี่ยนแปลงได้เร็วขึ้น ในขณะที่ยังคงควบคุมการใช้จ่ายและคุณภาพได้แน่นแฟ้นยิ่งขึ้น สำหรับผู้นำด้านเทคโนโลยี การผสมผสานนี้เป็นการเปลี่ยนแปลงเชิงวัตถุในเศรษฐศาสตร์หน่วยและความสามารถในการตอบสนองของการส่งมอบ
การเตรียมองค์กร
การนำโมเดลการดำเนินงานนี้มาใช้ไม่ได้เป็นเพียงการนำเครื่องมือใหม่ๆ เข้ามา แต่เป็นการเปลี่ยนแปลงวิธีการที่ต้องการการลงทุนอย่างตั้งใจในคนควบคู่ไปกับเทคโนโลยี ชั้น AI ขยายกำลังได้ก็ต่อเมื่อมนุษย์ที่เกี่ยวข้องรู้วิธีชี้นำมัน ตรวจสอบผลลัพธ์อย่างมีวิจารณญาณ และผสานเข้ากับจังหวะประจำวันของพวกเขา หากขาดความสามารถนี้ ประโยชน์จะยังคงเป็นบางส่วน และความเสี่ยงจากการพึ่งพามากเกินไปหรือผลลัพธ์ที่ไม่สม่ำเสมอจะเพิ่มขึ้น
ข้อกำหนดนี้ขยายออกไปนอกเหนือจากทีมส่งมอบหลัก นักพัฒนาต้องการการฝึกปฏิบัติจริงในการชี้นำเอเจนต์และตรวจสอบงานที่สร้างขึ้น เพื่อนร่วมงานด้านผลิตภัณฑ์และ scrum master ได้ประโยชน์จากการเข้าใจว่าการแบ่งงานและการตรวจสอบที่ช่วยด้วย AI เปลี่ยนการวางแผนและการจัดลำดับความสำคัญอย่างไร ผู้มีส่วนได้ส่วนเสียนอกทีมทันทีก็ต้องการความคุ้นเคยเพียงพอเพื่อมีส่วนร่วมอย่างมั่นใจกับจังหวะและการมองเห็นความคืบหน้าใหม่ การฝึกอบรมด้าน AI literacy ที่มีโครงสร้างควบคู่กับเวิร์กช็อปเชิงปฏิบัติจะเป็นพื้นฐาน การแสดงผลและการอธิบายเป็นประจำ การสื่อสารชัยชนะแรกๆ อย่างชัดเจน และการนำเสนอความคิดจากผู้นำด้านเทคโนโลยีและธุรกิจระดับสูงที่มองเห็นได้ ช่วยฝังแนวทางนี้ทั่วทั้งองค์กรที่กว้างขึ้น
การเปิดตัวที่มีประสิทธิภาพที่สุดถือสิ่งนี้เป็นส่วนประกอบที่สำคัญของ试点แทนที่จะเป็นงานแยก การเริ่มต้นด้วยขอบเขตที่จำกัด การแสดงผลลัพธ์ที่จับต้องได้อย่างรวดเร็ว และการผสานการฝึกอบรมเข้ากับงานจริง องค์กรสร้างความสามารถโดยไม่สร้างค่าใช้จ่ายขนานหรือรบกวนภาระผูกพันที่มีอยู่ การสนับสนุนจากผู้นำที่มองเห็นได้ส่งสัญญาณว่าการเปลี่ยนแปลงนี้เป็นเชิงกลยุทธ์มากกว่าการทดลอง เมื่อการเตรียมการนี้ทำได้ดี โมเดลจะขยายขนาดได้ราบรื่นขึ้น การนำไปใช้เร็วขึ้น และองค์กรได้รับทั้งความสามารถทางเทคนิคและวัฒนธรรมเพื่อรักษาวิธีการทำงานใหม่นี้
ต้นทุน ความยั่งยืน และการเลือกเครื่องมือ
สถานที่ที่มีต้นทุนสูงยังคงน่าสนใจสำหรับโมเดลนี้อย่างแม่นยำเพราะขนาดทีมเล็กและการมีส่วนร่วมสามารถกำหนดระยะเวลาได้ แทนที่จะสร้างและรักษาโครงสร้างถาวรขนาดใหญ่ องค์กรสามารถจัดตั้งความสามารถที่มุ่งเน้นสำหรับช่วงเวลาที่กำหนด ส่งมอบผลลัพธ์ที่ต้องการ แล้วปรับขนาดหรือปรับใช้ใหม่ ความยืดหยุ่นนี้ปรับปรุงเศรษฐศาสตร์ของการส่งมอบเทคโนโลยี โดยเฉพาะอย่างยิ่งเมื่อความต้องการผันแปรหรือเมื่อโครงการใหม่ต้องพิสูจน์คุณค่าก่อนขยายขนาด
การรันเครือข่ายเอเจนต์นำต้นทุนการดำเนินงานเพิ่มเติมเข้ามา ดังนั้นการควบคุมที่มีวินัยจึงจำเป็น วิธีการที่มีประสิทธิภาพที่สุดคือการจับคู่โมเดลกับงานแทนที่จะใช้ตัวเลือกความสามารถสูงเดียวสำหรับทุกอย่าง งานโครงสร้างเริ่มต้นและการสำรวจสามารถจัดการได้อย่างมีประสิทธิภาพด้วยคลาสของโมเดลหนึ่ง ในขณะที่การพัฒนาและการปรับปรุงแบบวนซ้ำในชีวิตประจำวันได้รับประโยชน์จากสมดุลความเร็วและต้นทุนที่แตกต่างกัน โมเดลเฉพาะทางทำงานได้ดีกับกิจกรรมเฉพาะเจาะจง เช่น การวิเคราะห์ล็อกและการดีบั๊ก การใช้แบบเลือกสรรในลักษณะนี้ลดการใช้จ่ายโดยรวมลง ในขณะที่มักปรับปรุงความเร็วและความเกี่ยวข้องของผลลัพธ์ ในทางปฏิบัติ ต้นทุนเพิ่มเติมของการดำเนินงานในลักษณะนี้มักอยู่ในระดับหลายร้อยดอลลาร์สหรัฐต่อสัปดาห์สำหรับงานที่มีขนาดใหญ่ ซึ่งเป็นตัวเลขที่พอเหมาะเมื่อเทียบกับต้นทุนเต็มรูปแบบของแม้แต่ผู้พัฒนาอาวุโสเพียงคนเดียว
กุญแจสำคัญคือการปฏิบัติกับการใช้เอเจนต์เป็นค่าใช้จ่ายการดำเนินงานที่จัดการได้ แทนที่จะเป็นตัวแปรที่เปิดกว้าง แนวทางที่ชัดเจนเกี่ยวกับการเลือกโมเดล การติดตามการใช้งาน และการทบทวนเป็นประจำ ช่วยให้ต้นทุนคาดการณ์ได้และสอดคล้องกับคุณค่าที่ส่งมอบ เมื่อมีวินัยนี้ โมเดลส่งมอบอัตราส่วนระหว่างผลกระทบและต้นทุนที่เอื้ออำนวย โดยเฉพาะเมื่อเปรียบเทียบกับทางเลือกของการขยายจำนวนคนแบบดั้งเดิมเพื่อให้ได้ผลผลิตและการตอบสนองที่ใกล้เคียงกัน
จุดที่แนวทางนี้เก่งที่สุด
โมเดลนี้ส่งมอบผลตอบแทนที่แข็งแกร่งที่สุดในกระบวนการที่ทำซ้ำได้ซึ่งดำเนินการในสภาพแวดล้อมที่มีข้อมูลมาก สภาพแวดล้อมเหล่านี้ให้ปริมาณและโครงสร้างของข้อมูลที่ระบบ agentic สามารถดูดซับและนำกลับมาใช้ได้อย่างมีประสิทธิภาพ เมื่อบริบทถูกสร้างขึ้น รูปแบบเดียวกันของความเข้าใจ การแบ่งงาน และการตรวจสอบสามารถนำไปใช้อย่างสม่ำเสมอตลอดปริมาณงานจำนวนมากโดยไม่ทำให้คุณภาพหรือความเร็วลดลงเมื่อขอบเขตขยาย
สิ่งนี้ทำให้แนวทางเหมาะสมเป็นพิเศษกับโครงการ modernization ระบบธนาคารหลัก การสร้างแพลตฟอร์ม API ที่ครอบคลุม การแทนที่หรือการย้ายระบบ internet banking และการสร้างชั้นข้อมูลการดำเนินงานเหนือระบบ legacy ในแต่ละกรณี งานเกี่ยวข้องกับการเข้าใจระบบที่มีอยู่ที่ซับซ้อน การกำหนดบล็อกการสร้างที่สม่ำเสมอ และจากนั้นการขยาย API คุณสมบัติ และฟังก์ชันการทำงานอย่างรวดเร็ว โมเดลเร่งเฟสการย้อนวิศวกรรมและการจัดโครงสร้างเริ่มต้น ซึ่งมักเป็นส่วนที่ช้าที่สุดและเสี่ยงต่อข้อผิดพลาดมากที่สุดของโครงการดังกล่าว และจากนั้นสนับสนุนการขยายขนาดที่ตามมาด้วยความสอดคล้องที่รักษาไว้
องค์กรที่เผชิญกับการเปลี่ยนแปลงประเภทนี้จึงได้รับเส้นทางที่ใช้ได้จริงสู่ความก้าวหน้าที่เร็วขึ้นและความเสี่ยงที่ต่ำลง ความสามารถในการเคลื่อนจากความเข้าใจ legacy ไปสู่ API และคุณสมบัติที่ใช้งานได้ภายในกรอบเวลาที่ถูกบีบอัด ในขณะที่ยังคงรักษาทีมขนาดเล็กที่เชื่อมโยงสูงไว้ตรงกลาง เปลี่ยนเศรษฐศาสตร์และโปรไฟล์ความเสี่ยงของโครงการเทคโนโลยีขนาดใหญ่ เป็นในบริบทของ modernization และการสร้างแพลตฟอร์มที่ทำซ้ำได้และใช้ข้อมูลหนักเหล่านี้ที่การผสมผสานของทีมขนาดเล็ก บริบทที่สมบูรณ์ และเอเจนต์ AI ที่ประสานงานกัน แสดงให้เห็นถึงข้อได้เปรียบเชิงกลยุทธ์ที่ชัดเจนที่สุด
ขั้นตอนแรกที่แนะนำและความเสี่ยงที่ต้องจัดการ
สำหรับ CIO และ CTO ที่พร้อมสำรวจโมเดลนี้ จุดเข้าใช้งานที่มีประสิทธิภาพที่สุดคือ试点ที่มีขอบเขตชัดเจนและผลลัพธ์ที่วัดได้ เลือกโปรแกรมหรือกระแสงานที่คุณค่าของการสร้างบัญชีงานที่เร็วขึ้นและการเชื่อมโยงกับธุรกิจที่แน่นแฟ้นขึ้นปรากฏชัดเจน โดยควรเป็นโครงการที่มีลักษณะทำซ้ำได้และบริบทองค์กรที่เข้าถึงได้ กำหนดเกณฑ์ความสำเร็จล่วงหน้า เช่น เวลาจากการเริ่มต้นไปจนถึงบัญชีงานที่พร้อมสำหรับการผลิต ร้อยละของเรื่องราวที่ต้องการการปรับปรุงน้อยที่สุด ความพึงพอใจของผู้มีส่วนได้ส่วนเสียต่อความใกล้ชิดและการตอบสนอง และต้นทุนเพิ่มเติมเมื่อเทียบกับวิธีการแบบดั้งเดิม ลงทุนในการฝึกอบรมสำหรับทีมหลักและผู้มีส่วนได้ส่วนสำคัญตั้งแต่เนิ่นๆ และสร้างแนวป้องกันต้นทุนที่เรียบง่ายเพื่อให้การใช้เอเจนต์ยังคงมองเห็นได้และควบคุมได้ตั้งแต่เริ่มต้น
ความเสี่ยงจำนวนน้อยที่ควรให้ความสนใจอย่างชัดเจน การพึ่งพาผลลัพธ์ที่สร้างโดย AI มากเกินไปสามารถจัดการได้ด้วยวงจรการทบทวนโดยมนุษย์ที่มีวินัยในทุกขั้นตอน การเบี่ยงเบนของบริบท ซึ่งความเข้าใจของ AI ค่อยๆ แตกต่างจากความเป็นจริงปัจจุบัน ถูกบรรเทาด้วยการรีเฟรชเอกสารต้นทางเป็นประจำและการตรวจสอบเป็นระยะกับระบบจริงและข้อมูลนำเข้าจากผู้มีส่วนได้ส่วนเสีย ความเหนื่อยล้าจากการเปลี่ยนแปลงในทีมที่ถูกขอให้นำวิธีการทำงานใหม่มาใช้ ควรได้รับการแก้ไขด้วยการสนับสนุนจากผู้นำที่มองเห็นได้ การสื่อสารผลลัพธ์แรกๆ อย่างโปร่งใส และการผสานการฝึกอบรมเข้ากับงาน试点จริงแทนที่จะเป็นภาระแยก
เมื่อรวมกันแล้ว ขั้นตอนเหล่านี้ทำให้โครงการยังคงใช้ได้จริงและมีความเสี่ยงต่ำ试点ที่เลือกอย่างดีแสดงให้เห็นถึงผลกระทบของโมเดลในสภาพแวดล้อมที่ควบคุมได้ สร้างความสามารถและความเชื่อมั่นขององค์กร และให้หลักฐานที่จำเป็นในการตัดสินใจนำไปใช้ในวงกว้าง ความเสี่ยงมีจริงแต่จัดการได้ด้วยวินัยที่ตรงไปตรงมาซึ่งสอดคล้องกับแนวปฏิบัติด้านวิศวกรรมและการจัดการการเปลี่ยนแปลงที่ดี องค์กรส่วนใหญ่ที่เริ่มต้นด้วยวิธีนี้พบว่าการเปลี่ยนผ่านราบรื่นกว่าและประโยชน์ยั่งยืนกว่าที่คาดไว้ในตอนแรก
สรุป
องค์กรที่เชี่ยวชาญการผสมผสานระหว่างทีมขนาดเล็กที่มีทักษะสูงและเอเจนต์ AI ที่ประสานงานอย่างตั้งใจ จะได้รับข้อได้เปรียบที่ยั่งยืนในด้านความเร็ว ต้นทุน และการเชื่อมโยงกับธุรกิจ โมเดลนี้ไม่ได้เพียงเร่งวิธีการทำงานที่มีอยู่ แต่เปลี่ยนเศรษฐศาสตร์หน่วยของการส่งมอบเทคโนโลยีโดยอนุญาตให้กลุ่มที่มุ่งเน้นบรรลุสิ่งที่ก่อนหน้านี้ต้องการโครงสร้างที่ใหญ่กว่ามาก ในขณะที่ยังคงรักษาการตัดสินใจทางเทคโนโลยีให้เชื่อมโยงอย่างชัดเจนกับเจตนาทางธุรกิจ หลักฐานจากการนำไปใช้จริงแสดงให้เห็นว่าแม้เริ่มจากศูนย์ เวลาในการได้บัญชีงานคุณภาพสูงที่พร้อมดำเนินการสามารถวัดได้เป็นสัปดาห์แทนที่จะเป็นเดือน โดยมีกำไรที่วัดได้ในความเร็ว ต้นทุน และความเชื่อมั่นของผู้มีส่วนได้ส่วนเสียเมื่อการส่งมอบเริ่มต้น
ปัจจัยชี้ขาดคือผู้นำเลือกที่จะปฏิบัติกับ AI อย่างไร ผู้ที่มองว่าเป็นการเพิ่ม productivity ในระดับเล็กน้อยที่วางทับบนโมเดลการดำเนินงานแบบดั้งเดิม จะได้รับการปรับปรุงแบบเพิ่มทีละน้อย ผู้ที่ใช้มันเพื่อออกแบบใหม่ว่าวิธีการทำงานถูกจัดโครงสร้าง บริบทถูกแบ่งปันอย่างไร การตรวจสอบเกิดขึ้นอย่างไร และธุรกิจยังคงใกล้ชิดกับการดำเนินการอย่างไร จะปลดล็อกการเปลี่ยนแปลงระดับก้าวกระโดดในความสามารถในการตอบสนองและประสิทธิภาพ อนาคตเป็นขององค์กรเทคโนโลยีที่ปฏิบัติกับ AI เป็นส่วนประกอบหลักของระบบปฏิบัติการมากกว่าตัวเร่งทางเลือก
สำหรับ CIO และ CTO เส้นทางที่ใช้ได้จริงนั้นชัดเจน: เริ่มต้นด้วย试点ที่มีขอบเขตจำกัดซึ่งแสดงโมเดลในบริบทที่เกี่ยวข้อง ลงทุนตั้งแต่เนิ่นๆ ในคนและวินัยที่จำเป็น วัดสิ่งที่สำคัญ และขยายขนาดด้วยหลักฐาน องค์กรที่ทำเช่นนั้นจะอยู่ในตำแหน่งที่ดีกว่าในการรับมือกับแรงกดดันที่ต่อเนื่องสำหรับการส่งมอบเทคโนโลยีที่เร็วขึ้น คุณภาพสูงขึ้น และเชื่อมโยงกับธุรกิจอย่างใกล้ชิดยิ่งขึ้น ในขณะที่ควบคุมต้นทุนและใช้ประโยชน์จากบุคลากรอาวุโสที่มีจำกัดอย่างมีประสิทธิภาพ