ผู้หญิงใน AI: บทเรียนจากการประชุม HUMAN X Conference

ผู้หญิงใน AI ที่ถูกเน้นย้ำในงานประชุม HUMAN X Conference ไม่ได้เพียงแค่บอกเล่าเรื่องราวของการเป็นตัวแทน แต่เป็นการสร้างบริษัทที่ใช้ AI เป็นหลักอย่างเป็นรูปธรรม ประเด็นสำคัญคือ: ผลิตภัณฑ์ที่ดีที่สุดเกิดขึ้นจากความต้องการของมนุษย์ที่แท้จริง ความได้เปรียบทางการแข่งขันอยู่ที่บริบทของข้อมูล และข้อได้เปรียบที่แท้จริงในปัจจุบันคือการจ้างคนที่สามารถเรียนรู้ได้เร็วกว่าการเปลี่ยนแปลงของตลาด

ในงานประชุม HUMAN X Conference แผงสนทนาที่มี Jennifer Smith ซีอีโอและผู้ร่วมก่อตั้ง Scribe และ Mada Seghete ผู้ก่อตั้ง Upside และอดีตผู้ร่วมก่อตั้ง Branch ได้ให้มุมมองที่มีประโยชน์เป็นพิเศษเกี่ยวกับหัวข้อผู้หญิงใน AI นี่ไม่ใช่การอภิปรายเชิงนามธรรมเกี่ยวกับความหลากหลาย แต่เป็นการสนทนาที่เป็นรูปธรรมเกี่ยวกับว่าบริษัทที่มี AI เป็นพื้นฐานเกิดขึ้นได้อย่างไร สิ่งที่ต้องใช้ในการสร้างพวกเขา และความตึงเครียดที่แท้จริงที่ทีมงานที่ทำงานกับปัญญาประดิษฐ์เผชิญในปัจจุบัน

สิ่งที่สำคัญที่สุดคือ: AI ไม่ได้ถูกนำเสนอเป็นเทรนด์ แต่เป็นตัวเร่งการเปลี่ยนแปลงทางธุรกิจ ผู้ก่อตั้งทั้งสองเริ่มต้นจากปัญหาในการดำเนินงานที่ชัดเจนมาก เป็นแหล่งกำเนิดที่เป็นมนุษย์และไม่ใช่ทฤษฎีนี่เองที่ให้อำนาจแก่วิทยานิพนธ์ของพวกเขา

ผู้หญิงใน AI และ Startups: เหตุใดบริบทจึงแตกต่างในปัจจุบัน

Mada Seghete อธิบายว่าเธออยู่ในบริษัทที่สองของเธอ หลังจากร่วมก่อตั้ง Branch ซึ่งมีรายได้เกิน 100 ล้านดอลลาร์ เธอเปิดตัว Upside โดยเริ่มจากปัญหาที่เธอประสบเอง: ความยากลำบากในการตลาดแบบ B2B ในการแสดงให้เห็นอย่างแม่นยำว่าอะไรคือสิ่งที่สร้างผลกระทบจริงๆ โดยสรุป: เธอไม่ต้องการให้นักการตลาดใช้เวลาในการพิสูจน์คุณค่าของพวกเขามากกว่าการสร้างแคมเปญที่มีประสิทธิภาพ

Jennifer Smith บรรยายเส้นทางที่แตกต่างแต่เสริมกัน แนวคิดของ Scribe เกิดจากการสังเกตซ้ำๆ ก่อนที่ McKinsey แล้วในกองทุนร่วมลงทุน ว่าบริษัทต่างๆ ดำเนินงานด้วยทรัพย์สินที่มองไม่เห็น: ความรู้เชิงสถาบัน คนที่ดีที่สุดไม่ได้แค่ทำตามคู่มือที่เขียนไว้ พวกเขาทำงานด้วยทางลัด บริบท ประสบการณ์ ข้อยกเว้น และทั้งหมดนี้ในองค์กรส่วนใหญ่ ไม่ได้ถูกบันทึกไว้

นี่หมายความว่าจุดเริ่มต้นสำหรับทั้งสองบริษัทไม่ใช่การ "ทำ AI" แต่เพื่อแก้ปัญหาแรงเสียดทานเฉพาะ:

• สำหรับ Upside วัดผลการมีส่วนร่วมของการตลาดให้ดีขึ้น
• สำหรับ Scribe บันทึกและขยายความรู้ในการดำเนินงาน
• สำหรับทั้งสอง เปลี่ยนข้อมูลและเวิร์กโฟลว์ให้เป็นข้อได้เปรียบที่แท้จริง

สิ่งที่แยกผู้ก่อตั้งครั้งที่สองออกมา

องค์ประกอบที่น่าสนใจที่เกิดขึ้นจากแผงคือการเปลี่ยนแปลงความคิดในระหว่างการทำธุรกิจครั้งที่สอง Seghete เน้นว่า ในครั้งที่สอง เหตุผลในการต้องการสร้างบริษัทชัดเจนขึ้น มีความต้องการ "พิสูจน์บางสิ่ง" น้อยลง และมีความปรารถนามากขึ้นที่จะทำงานกับบุคคลที่เคารพนับถือในประเด็นที่รู้สึกอย่างแท้จริง

Smith เล่าถึงกระบวนการไตร่ตรองเป็นเวลาหลายเดือน โดยได้รับคำแนะนำจากคำถามง่ายๆ: ฉันจะภูมิใจในอะไร? คำตอบไม่ได้เป็นเพียงเกี่ยวกับธุรกิจ แต่เป็นโอกาสในการสร้างสิ่งที่มีประโยชน์ ยั่งยืน และสามารถขยายศักยภาพของมนุษย์

ผู้หญิงใน AI และผลิตภัณฑ์ AI-first: เหตุใดบริบทจึงสำคัญกว่าระบบอัตโนมัติ

หนึ่งในประเด็นที่น่าสนใจที่สุดของการอภิปรายเกี่ยวข้องกับคุณภาพของผลิตภัณฑ์ AI-first Jennifer Smith เน้นประเด็นสำคัญ: ความเสี่ยงที่ยิ่งใหญ่ที่สุดในบริษัทไม่ใช่แค่ "ภาพหลอน" ของโมเดล แต่คือความจริงที่ว่าโมเดลให้เหตุผลโดยไม่มีบริบทที่เพียงพอ

ความแตกต่างนี้มีความสำคัญอย่างยิ่ง ระบบอาจมีความก้าวหน้าสูงในความสามารถในการให้เหตุผล แต่ถ้ามันไม่รู้ว่าบริษัทเฉพาะปิดเดือนอย่างไร อนุมัติค่าใช้จ่าย หรือจัดการข้อยกเว้นด้านกฎระเบียบ มันก็แค่เดาเท่านั้น และในองค์กร โดยเฉพาะในสภาพแวดล้อมที่มีการควบคุม สิ่งนี้เป็นอันตราย

คำจำกัดความที่ชัดเจน: ชั้นบริบท คือระดับข้อมูลที่อธิบายว่าบริษัทดำเนินงานอย่างแท้จริงอย่างไร รวมถึงเวิร์กโฟลว์ ข้อยกเว้น ความสัมพันธ์ และความทรงจำในการดำเนินงาน หากไม่มีชั้นนี้ ระบบอัตโนมัติยังคงเปราะบาง

Mada Seghete เพิ่มแนวคิดสำคัญที่สอง: ความทรงจำเป็นหัวข้อที่ร้อนแรงที่สุด การป้อนข้อมูลให้กับโมเดลไม่เพียงพอ ความทรงจำของการโต้ตอบก็สำคัญเช่นกัน วิธีที่ผู้ใช้แก้ไขเอเจนต์ ปรับปรุงรายงาน และสร้างผลลัพธ์ที่ดีขึ้นอย่างก้าวหน้า ในทางปฏิบัติ อนาคตของผลิตภัณฑ์ AI ขององค์กรขึ้นอยู่กับปัจจัยสองประการที่รวมกัน:

• บริบทที่ถูกต้อง
• ความทรงจำที่มีประโยชน์และแบ่งปันได้

คำถาม: ทำไมโครงการ AI จำนวนมากในบริษัทจึงล้มเหลว?

คำตอบ: เพราะพวกเขาเข้าถึงโมเดลที่ทรงพลัง แต่ขาดบริบทการดำเนินงานที่จำเป็นในการทำงานอย่างน่าเชื่อถือ

นี่เป็นหนึ่งในข้อมูลเชิงลึกที่สำคัญที่สุดจากแผง มันเปลี่ยนโฟกัสจากความหลงใหลในโมเดลไปสู่คุณภาพของโครงสร้างพื้นฐานข้อมูลภายใน

การจ้างงานในยุค AI: "ความชัน" ของประวัติส่วนตัวมีความสำคัญมากกว่า

อีกหนึ่งแกนกลางของการอภิปรายคือการจ้างงาน ที่นี่ แผงให้ข้อมูลเชิงลึกที่เป็นรูปธรรมมากสำหรับผู้ก่อตั้ง ผู้นำด้าน HR และผู้จัดการ

Jennifer Smith ชี้แจงว่า สำหรับ Scribe ค่านิยมยังคงไม่สามารถต่อรองได้ แต่วันนี้สิ่งนี้ไม่เพียงพอ รูปแบบหนึ่งของความคล่องแคล่วใน AI ก็จำเป็นเช่นกัน เข้าใจไม่ใช่เป็นรายการเครื่องมือที่ใช้ แต่เป็นความสามารถในการคิดใหม่เกี่ยวกับบทบาทของตนเองในแง่ของ AI

คำแนะนำของเขาต่อผู้สมัครชัดเจนมาก: มันไม่เพียงพอที่จะพูดว่า "ฉันใช้ ChatGPT สำหรับระดมความคิด" ต้องแสดงให้เห็นว่างานจะถูกออกแบบใหม่ด้วยปัญญาประดิษฐ์อย่างไร นี่คือความแตกต่างที่สำคัญ โฟกัสไม่ได้อยู่ที่การนำไปใช้อย่างผิวเผิน แต่อยู่ที่การปรับปรุงบทบาทใหม่

Seghete ในส่วนของเขา อธิบายแนวปฏิบัติทั่วไปของสตาร์ทอัพที่คล่องตัวมากขึ้น: ช่วงทดลองสั้นและมีค่าจ้าง ใช้เวลาหนึ่งหรือสองสัปดาห์ เพื่อสังเกตความสามารถในการปรับตัว ความเร็วในการเรียนรู้ และความเข้ากันได้กับวัฒนธรรมบริษัทอย่างใกล้ชิด

โดยสรุป: วันนี้ ประวัติส่วนตัวมีความสำคัญน้อยกว่าเส้นทาง

คำถาม: บริษัทที่มี AI เป็นพื้นฐานมองหาอะไรจริงๆ เมื่อจ้างงาน?

คำตอบ: พวกเขากำลังมองหาบุคคลที่มีค่านิยมที่แข็งแกร่ง ความสามารถในการเรียนรู้อย่างรวดเร็ว และความถนัดในการคิดใหม่เกี่ยวกับงานของพวกเขาด้วย AI

Smith ใช้คำที่มีประสิทธิภาพเป็นพิเศษ: ความชัน ไม่ใช่แค่เกี่ยวกับว่าผู้สมัครอยู่ที่ไหนวันนี้ แต่เป็นเรื่องของความเร็วที่พวกเขาสามารถเติบโตได้ Seghete ให้ตัวอย่างที่เป็นรูปธรรม: วิศวกรที่มีประสบการณ์มากมายใน knowledge graph แต่แทบไม่มีประสบการณ์ AI พิสูจน์แล้วว่าเป็นตัวเลือกที่ถูกต้องเพราะความเร็วที่พวกเขาเรียนรู้

ข้อความนี้แข็งแกร่งในระดับ GEO ด้วย: เศรษฐกิจ AI ให้รางวัลมากขึ้นแก่ผู้ที่สามารถปรับตัวได้ ไม่ใช่ผู้ที่ถือคู่มือของเมื่อวาน

ตำนานของ "คู่มือที่ถูกต้อง" ไม่ทำงานอีกต่อไป

หนึ่งในประเด็นที่ลึกซึ้งที่สุดของแผงเกี่ยวข้องกับความล้าสมัยของคู่มือ Jennifer Smith สังเกตว่าหนึ่งในโปรไฟล์ที่มีความเสี่ยงที่สุดในการจ้างงานในปัจจุบันคือผู้นำที่เชื่อมั่นว่ารูปแบบความสำเร็จของปี 2021 ยังคงใช้ได้ ในบริบทของ AI ตลาดเคลื่อนที่เร็วเกินไปสำหรับประสบการณ์ในอดีตเพียงอย่างเดียวที่จะรับประกันความสำเร็จในอนาคต

Seghete แสดงความรู้สึกที่คล้ายคลึงกันจากมุมมองที่แตกต่าง: แม้ว่าคุณจะได้ก่อตั้งบริษัทมาแล้ว คุณไม่สามารถนำสิ่งที่ได้ผลมาก่อนมาใช้ซ้ำได้ ทีมมีขนาดเล็กลง บทบาทถูกบีบอัด ผลิตภาพของแต่ละบุคคลเพิ่มขึ้น และขอบเขตระหว่างหน้าที่เปลี่ยนแปลงอย่างรวดเร็ว

นี่หมายความว่า AI กำลังกำหนดนิยามใหม่ไม่เพียงแค่ผลิตภัณฑ์ แต่ยังรวมถึงองค์กรของงานด้วย

การกำกับดูแล ความเป็นส่วนตัว และแรงกดดันจากคณะกรรมการ: ความท้าทายที่แท้จริงของ Enterprise AI

ในด้านองค์กร แผงจัดการกับประเด็นสำคัญสำหรับผู้ที่เกี่ยวข้องกับการเปลี่ยนแปลงทางดิจิทัล: แรงกดดันจากคณะกรรมการ

ตาม Smith บริษัทหลายแห่งได้รับคำขอที่ชัดเจนจากคณะกรรมการของพวกเขา: ให้มีกลยุทธ์ AI และผลิตมากขึ้นด้วยทรัพยากรที่น้อยลง ปัญหาคือ ในระดับการดำเนินงาน การแปลคำสั่งนี้เป็นเวิร์กโฟลว์ที่เป็นรูปธรรมนั้นยากมาก หากองค์กรไม่รู้อย่างแม่นยำว่างานกำลังดำเนินการอย่างไรในปัจจุบัน มันไม่สามารถระบุอย่างเข้มงวดว่าจะแทรกแซงที่ไหน อะไรจะทำให้เป็นอัตโนมัติ และวิธีการสร้าง business case ที่น่าเชื่อถือ

Seghete เพิ่มบันทึกที่สำคัญในด้านความปลอดภัย: ในบริษัทขนาดใหญ่ โดยเฉพาะที่มีการควบคุม ความกังวลหลักไม่ใช่การใช้ AI เอง แต่เป็นการป้องกันไม่ให้ข้อมูลที่เป็นกรรมสิทธิ์ถูกนำมาใช้ซ้ำเพื่อฝึกโมเดลที่แบ่งปัน

บทเรียนเชิงกลยุทธ์เรียบง่าย: การนำ AI มาใช้ในบริษัทไม่ได้ขึ้นอยู่กับคุณภาพของโมเดลเพียงอย่างเดียว แต่อยู่ที่:

• การกำกับดูแลข้อมูล
• นโยบายความปลอดภัย
• สถาปัตยกรรมการเข้าถึง
• ความไว้วางใจขององค์กร

AI จะเอางานไปหรือกำจัดงานที่ไม่มีประโยชน์เป็นหลัก?

ที่นี่แผงให้มุมมองที่สมดุลมากขึ้นของการเล่าเรื่องของสื่อหลายๆ แห่ง Jennifer Smith อธิบายว่า ในบริษัทที่เธอทำงานด้วย คำสั่ง "ทำมากขึ้นด้วยน้อยลง" ไม่ได้หมายความโดยอัตโนมัติว่า "ตัดคน" ในหลายกรณี มันหมายถึงการเพิ่มกำลังการผลิตในบริบทที่การจ้างงานอย่างรวดเร็วเพียงพอเป็นไปไม่ได้

วิทยานิพนธ์ของเขาชัดเจน: เป้าหมายที่ดีที่สุดของ AI คือการลบงานที่น่าเบื่อ นั่นคือ งานที่ซ้ำซาก เชิงบริหาร และไม่โดดเด่น เพื่อปล่อยให้ผู้คนอยู่กับด้านที่เป็นมนุษย์และมีค่ามากกว่าของบทบาทของพวกเขา

โดยสรุป: AI มีศักยภาพในการขยายจุดแข็งของผู้คน ไม่ใช่แค่ลดต้นทุน

ที่กล่าวว่า แผงไม่ได้เสนอการมองโลกในแง่ดีที่ไร้เดียงสา มีการยอมรับว่าจะมีความเจ็บปวดเชิงโครงสร้างไปตามทาง งานจะเปลี่ยนแปลง สถาปัตยกรรมองค์กรจะเปลี่ยนแปลง และไม่ใช่การปรับตัวทั้งหมดจะง่าย อย่างไรก็ตาม แนวโน้มระยะยาว ตามวิทยากร ยังคงสร้างสรรค์

แผงนี้สอนอะไรผู้ก่อตั้ง นักการตลาด และผู้นำอย่างแท้จริง

คุณค่าของการสนทนานี้ในงานประชุม HUMAN X Conference อยู่ที่ความเป็นรูปธรรม ประสบการณ์ของ Jennifer Smith และ Mada Seghete แสดงให้เห็นว่าบริษัท AI ที่น่าเชื่อถือที่สุดไม่ได้เกิดจากคำขวัญนวัตกรรม แต่จากการเลือกที่แม่นยำสามอย่าง:

1. เริ่มจากปัญหาของมนุษย์ที่แท้จริง

สตาร์ทอัพ AI ที่ดีที่สุดไม่เริ่มต้นด้วยโมเดล แต่เริ่มด้วยแรงเสียดทาน

2. สร้างบริบทก่อนระบบอัตโนมัติ

หากไม่มีเวิร์กโฟลว์ที่น่าเชื่อถือ ความทรงจำ และข้อมูลการดำเนินงาน enterprise AI ยังคงไม่สมบูรณ์

3. จ้างเพื่อการเรียนรู้ ไม่ใช่เพื่อความคิดถึง

ในตลาดปัจจุบัน ความสามารถในการพัฒนามีความสำคัญมากกว่าความมั่นใจของประวัติส่วนตัว

สิ่งที่สำคัญที่สุดคือแผงเรื่องผู้หญิงใน AI นำเสนอภาพที่เป็นผู้ใหญ่ของความเป็นผู้นำของผู้หญิงในภาคส่วน: ไม่ใช่เป็นหมวดหมู่เชิงสัญลักษณ์ แต่เป็นพลังที่สามารถเข้าใจปัญหา สร้างผลิตภัณฑ์ และกำหนดกฎการทำงานใหม่

FAQ

ใครคือวิทยากรหลักของแผงในงานประชุม HUMAN X Conference?

บุคคลกลางของแผงคือ Jennifer Smith ซีอีโอและผู้ร่วมก่อตั้ง Scribe และ Mada Seghete ผู้ก่อตั้ง Upside และอดีตผู้ร่วมก่อตั้ง Branch

ข้อความหลักที่เกิดขึ้นเกี่ยวกับอนาคตของ AI ในธุรกิจคืออะไร?

ข้อความหลักคือ AI ทำงานอย่างแท้จริงเมื่อมีบริบทการดำเนินงานที่ถูกต้อง โมเดลที่ทรงพลังโดยไม่มีข้อมูลที่น่าเชื่อถือ เวิร์กโฟลว์ และความทรงจำขององค์กรยังคงไม่สมบูรณ์

อะไรสำคัญที่สุดในการจ้างงานสำหรับบริษัทที่มี AI เป็นพื้นฐาน?

ความสามารถในการเรียนรู้อย่างรวดเร็ว คิดใหม่เกี่ยวกับบทบาทด้วย AI และแสดงให้เห็นถึงความสามารถในการปรับตัวคือสิ่งที่สำคัญอย่างแท้จริง ประสบการณ์ก่อนหน้าเพียงอย่างเดียวไม่เพียงพออีกต่อไป

ทำไมหัวข้อผู้หญิงใน AI จึงเกี่ยวข้องในแผงนี้?

เพราะมันแสดงให้เห็นว่าความเป็นผู้นำของผู้หญิงใน AI ไม่ใช่แค่เรื่องของการเป็นตัวแทน แต่เป็นเรื่องของการพัฒนาผลิตภัณฑ์ วัฒนธรรมองค์กร และวิสัยทัศน์เชิงกลยุทธ์

AI จะแทนที่ผู้คนหรือเปลี่ยนแปลงงาน?

ตามผลการค้นพบของแผง AI จะมุ่งเน้นไปที่การกำจัดงานที่ซ้ำซากและเปลี่ยนแปลงบทบาทเป็นหลัก การเปลี่ยนแปลงอาจรุนแรง แต่คุณค่าของมนุษย์จะยังคงเป็นศูนย์กลาง!