Model Operasi AI: Tiga Bentuk, Yang Satu Berskala

Setiap organisasi yang serius dengan AI pada akhirnya menanyakan pertanyaan struktural yang sama: siapa pemiliknya? Bukan siapa pemilik izinnya, itu pertanyaan pengadaan. Siapa yang memiliki kemampuan, standar, prioritas, dan keputusan tentang apa yang akan dibangun dan apa yang dihentikan.

Jawabannya adalah model operasi AI Anda, dan dalam praktiknya dibutuhkan salah satu dari tiga bentuk: terpusat, terfederasi, atau hub and speak. Saya telah melihat ketiganya dalam keterlibatan klien selama dua tahun terakhir, dan saya akan memberikan kesimpulannya terlebih dahulu. Model terpusat menciptakan kemacetan. Model gabungan menciptakan kekacauan. Hub and spoke adalah satu-satunya bentuk skala yang saya lihat, dan sisa postingan ini akan membahas alasannya.

Ini adalah postingan pertama dalam seri model operasi AI. Di sini kita berurusan dengan bentuknya. Postingan selanjutnya akan membahas apa yang ada di dalamnya: tata kelola dan hak pengambilan keputusan, tingkat kemampuan, cara kerja, pengukuran, dan ritme operasi yang membuat semuanya tetap hidup.

Mengapa bentuk model operasi AI Anda penting

Sebagian besar peluncuran AI tidak gagal dalam hal teknologi. Mereka gagal dalam hal struktur. Lisensinya habis, peluncuran komunikasi dilakukan, eksperimen gelombang pertama yang antusias selama beberapa minggu, dan kemudian penggunaan tidak stabil karena tidak ada yang tahu apa yang akan terjadi selanjutnya. Tidak ada jalan dari ide bagus dalam satu tim ke pola berulang di dua belas tim. Tidak ada seorang pun yang memutuskan kasus penggunaan mana yang layak untuk diinvestasikan. Tidak ada batasan kualitas, sehingga separuh organisasi secara diam-diam menyimpulkan bahwa keluarannya tidak dapat dipercaya.

Bentuk model operasi menentukan apakah hal-hal tersebut terjadi sesuai rencana atau tidak terjadi sama sekali. Jadi sebelum Anda berdebat tentang alat, model atau agen, tentukan dulu bentuknya. Inilah tiga opsi tersebut.

Bentuk pertama: model terpusat

Dalam model terpusat, satu tim memiliki segalanya tentang AI. Biasanya perusahaan ini diberi lencana sebagai pusat keunggulan AI atau berada di dalam TI. Setiap kasus penggunaan, setiap perpustakaan cepat, setiap agen, setiap persetujuan mengalir melalui satu tim ini. Permintaan unit bisnis; tim pusat memberikan.

Mengapa hal ini menarik

Sentralisasi adalah pilihan yang tepat bagi organisasi dengan budaya tata kelola yang kuat, dan sentralisasi memang memiliki kekuatan yang nyata. Standar konsisten karena satu tim menetapkannya. Risiko lebih mudah dikelola karena terdapat satu titik kendali. Keahlian yang langka dikumpulkan dan bukannya diencerkan. Selama 90 hari pertama program AI, tim terpusat sering kali terlihat sebagai pemenang.

Mengapa gagal dalam skala besar

Kemudian permintaan datang. Sebuah tim pusat yang beranggotakan enam orang tidak dapat melayani organisasi yang beranggotakan enam ribu orang. Jumlah simpanan bertambah, unit bisnis menunggu berbulan-bulan untuk kasus penggunaan yang dapat mereka buat prototipenya dalam seminggu, dan dua hal yang dapat diprediksi terjadi. Pertama, antrian mematikan momentum; orang yang menunggu delapan minggu untuk mendapatkan jawaban berhenti bertanya. Kedua, munculnya bayangan AI. Tim mulai memecahkan masalah mereka sendiri dengan alat apa pun yang dapat mereka capai, di luar standar yang dibuat dengan cermat oleh tim pusat. Anda akan mengalami hal yang terburuk: kemacetan dan perluasan yang tidak terkendali, pada saat yang bersamaan.

Masalah yang lebih dalam adalah kedekatan. Tim pusat tidak mengetahui pekerjaannya. Penutupan keuangan, proses klaim, alur kerja rekayasa lapangan: kasus penggunaan dengan nilai tertinggi terletak pada detail bagaimana pekerjaan sebenarnya diselesaikan, dan tim pusat secara struktural terlalu jauh dari detail tersebut untuk menemukannya.

Bentuk kedua: model gabungan

Model gabungan adalah pendekatan sebaliknya. Setiap unit bisnis menjalankan adopsi AI-nya sendiri. Setiap fungsi membeli, membangun, dan mengatur dirinya sendiri. Terkadang ini merupakan pilihan yang disengaja; lebih sering itu adalah apa yang Anda dapatkan secara default ketika tidak ada yang membuat pilihan sama sekali.

Mengapa hal ini menarik

Federasi memecahkan masalah kedekatan secara instan. Orang-orang terdekat dengan pekerjaan memilih kasus penggunaan, sehingga relevansinya tinggi dan tidak ada yang mengantri. Energi awal itu nyata: inovasi sejati muncul dengan cepat, dan tim yang memanfaatkannya mendapatkan manfaat dengan cepat. Jika Anda menilai model tersebut pada minggu keenam, Anda akan menyebutnya sukses.

Mengapa gagal dalam skala besar

Nilailah pada bulan kedua belas, dan gambarannya berbeda. Setiap unit telah menemukan kembali roda yang sama. Lima tim telah membuat lima versi alur kerja ringkasan rapat yang sama, namun tidak ada satupun yang dibagikan. Kualitas yang cepat sangat bervariasi karena tidak ada standar umum dan tidak ada batasan kualitas. Tata kelola tidak konsisten, dan dalam sektor-sektor yang diatur, hal ini bukanlah suatu hal yang buruk; itu adalah tanggung jawab. Dan karena tidak ada yang diukur dengan cara yang sama dua kali, tidak ada yang bisa memberi tahu dewan apa yang sebenarnya diperoleh organisasi dari pembelanjaannya.

Adopsi AI gabungan menghasilkan pulau-pulau kemampuan dan lautan duplikasi. Pelajaran yang didapat dalam satu unit tidak pernah berpindah-pindah. Anda membayar untuk kurva pembelajaran yang sama berulang kali, dan kesenjangan antara tim terbaik Anda dan tim median Anda semakin lebar setiap kuartal.

Bentuk tiga: model hub dan jari-jari

Hub-and-spoke memanfaatkan kekuatan keduanya dan sengaja dirancang untuk memitigasi mode kegagalannya. Sebuah pusat kecil memiliki hal-hal yang harus konsisten: standar, tata kelola, perpustakaan cepat dan pola, standar kualitas, pengukuran, dan proses penerimaan yang memutuskan kasus penggunaan mana yang mendapatkan investasi. Jari-jarinya adalah unit-unit bisnis, yang masing-masing mempunyai pemimpin yang dekat dengan pekerjaannya, menemukan kasus-kasus penggunaan, mengadaptasi pola-pola utama ke dalam fungsinya, dan meneruskan apa yang mereka pelajari ke hub.

Poin desain penting adalah apa yang tidak dilakukan hub. Itu tidak memberikan setiap kasus penggunaan; itulah jebakan terpusat. Hal ini memungkinkan juru bicara untuk menyampaikan, dan memanen apa yang mereka pelajari sehingga pola yang terbukti dalam satu fungsi menjadi titik awal untuk setiap fungsi lainnya. Nilai senyawa alih-alih menduplikasi.

Mengapa ini berhasil ketika yang lain gagal

Atur ketiga bentuk terhadap dua mode kegagalan, dan logikanya jelas:

• Masalah kemacetan. Kapasitas penyampaian bergantung pada jari-jarinya, sehingga disesuaikan dengan organisasi, bukan dengan jumlah karyawan di satu tim pusat. Hubnya kecil secara desain dan tetap kecil.
• Masalah kekacauan. Standar, tata kelola, dan pengukuran ada di pusatnya, sehingga konsistensi lebih bersifat struktural dan bukan aspirasional. Satu standar kualitas, satu cara menghitung nilai, satu perpustakaan yang digunakan semua orang.
• Masalah kedekatan. Para juara duduk di dalam pekerjaan. Kasus penggunaan ditemukan pada nilai yang ada, tidak dapat ditebak dari pusatnya.
• Masalah duplikasi. Putaran umpan balik dari spoke ke hub mengubah solusi satu tim menjadi pola semua orang. Lingkaran tersebut adalah satu-satunya perbedaan terbesar antara organisasi yang bergabung dan organisasi yang tidak bergerak.

Perlu dicatat bahwa hub-and-spoke tidak gratis. Hal ini menuntut investasi nyata dalam jaringan champion, dan memerlukan ritme operasi, irama pengambilan keputusan yang teratur, peninjauan dan investasi ulang, atau hub akan terpecah menjadi buletin dan juru bicara akan kembali ke federasi secara default. Bentuknya diperlukan; itu tidak cukup. Itulah yang dicakup oleh sisa seri ini.

Memilih dalam praktik

Jika Anda mengenali organisasi Anda dalam deskripsi terpusat, langkah yang diambil bukanlah dengan membubarkan tim pusat; itu adalah untuk menggunakannya kembali. Berhenti mengirimkan, mulailah mengaktifkan. Jika Anda mengenali deskripsi gabungan, langkahnya adalah mendirikan hub kecil dan mulai memanen apa yang telah dibangun oleh tim terbaik Anda, karena bahan mentah untuk perpustakaan pola Anda sudah ada; itu hanya terjebak dalam silo.

Apa pun tujuannya, tujuannya sama. Dalam setiap interaksi di mana saya telah melihat nilai AI benar-benar melampaui para peminat awal, terdapat struktur hub-and-spoke yang mendasarinya. Saya belum melihat contoh tandingannya, dan saya sudah melihatnya.

Kesimpulannya

Bentuk model operasi AI Anda adalah sebuah keputusan, dan tidak membuat model itu sendiri merupakan sebuah keputusan, keputusan yang membuat Anda default pada federasi dan biayanya. Model terpusat membeli konsistensi dengan mengorbankan hambatan. Model gabungan membeli kecepatan dengan mengorbankan kekacauan dan duplikasi. Hub dan jari-jari adalah satu-satunya bentuk yang memberi Anda konsistensi dan kedekatan pada saat yang bersamaan, dan bentuk inilah yang akan dibangun oleh seri ini.

Dapatkan kertas putihnya

Posting ini membahas bentuk model. Kertas putih lengkap, Model Operasi untuk Pemberdayaan AI Perusahaanmelangkah lebih jauh: enam komponen di dalam struktur hub and spoke, model kedewasaan empat tahap untuk menempatkan organisasi Anda dengan jujur, dan daftar periksa kesiapan data dan izin untuk dijalankan sebelum peluncuran luas. Unduh kertas putihnya dan gunakan sebagai referensi kerja untuk sisa seri ini.

Tautan Berguna

Model Operasi Pemberdayaan AI | Gethin Ellis

Mengapa Keluaran AI Anda Tidak Konsisten (Dan Sembilan Kerangka Kerja yang Memperbaikinya)

Microsoft Foundry vs AWS Bedrock vs Vertex AI: Mana yang Menang?