Kas yra „AI-First“ strategija ir kaip ji keičia verslą?

„ AI -First“ strategija tapo nauja daugelio įmonių, norinčių žengti toliau nei paprastas skaitmeninimas, mantra. Tai ne tik pokalbių robotų pridėjimas čia ir ten automatizavimas, bet ir visos įmonės permąstymas, dirbtinį intelektą įtraukiant į sprendimų priėmimo, dizaino kūrimo ir kasdienių operacijų vykdymo procesą.

Šis mąstysenos pokytis sukuria neįtikėtinas galimybes efektyvumui, suasmeninimui ir inovacijoms , tačiau jis taip pat kelia nepatogių klausimų: poveikis užimtumui, etinės dilemos, kultūriniai pokyčiai organizacijose ir tikrasis žmonių talentų vaidmuo. Žingsnis po žingsnio pažvelkime, ką reiškia „AI-First“, ką daro novatoriškos įmonės ir kaip visa tai integruoti su atsakingu ir, svarbiausia, žmogišku požiūriu.

Kas tiksliai yra „AI-First“ strategija?

„AI-First“ koncepcija apibrėžia požiūrį, kai DI nustoja būti pasirenkamu priedu ir tampa bet kokios iniciatyvos, proceso ar sprendimo atspirties tašku . Susidūrus su nauja užduotimi, projektu ar verslo problema, pradinis klausimas nebėra „Kas tai daro?“, o „ Ar DI gali tai padaryti visiškai arba iš dalies? “.

Dirbtiniu intelektu paremtoje organizacijoje dirbtinis intelektas yra integruotas į visas pagrindines sritis ( „ServiceNow“ dirbtinio intelekto patirtis ): operacijas, rinkodarą, pardavimus, žmogiškuosius išteklius, klientų aptarnavimą, duomenų analizę ir produktų dizainą. Jis nėra tiesiog „prisegamas“ proceso pabaigoje, o svarstomas nuo pat projektavimo etapo: kokių duomenų reikės, kokius modelius galima naudoti, kokius sprendimus mašina gali automatizuoti ir kur vis dar turėtų vyrauti žmogaus sprendimas.

Šis metodas apima verslo procesų pertvarkymą iš viršaus į apačią . Nepakanka tiesiog suskaitmeninti tai, kas jau buvo prastai sukurta: tikrai „AI-First“ strategijai reikia peržiūrėti pasikartojančias, automatizuojamas ar grynai mechanines užduotis, kad jas būtų galima deleguoti algoritmams, o žmonės sutelktų dėmesį į priežiūrą, strategiją, kūrybiškumą ir sudėtingą sprendimų priėmimą.

Tokios milžinės kaip IBM, „Shopify“, „Duolingo“ ir „Workday“ jau viešai pareiškė, kad artėja prie šio modelio. Ir tai ne tik technologijų įmonės: mažmenininkai, vartotojų prekių ženklai, logistikos įmonės, finansinių technologijų įmonės ir net viešojo administravimo įstaigos, siekiančios pagerinti valdymo ir piliečių aptarnavimo efektyvumą, taip pat jį tyrinėja.

Realūs pavyzdžiai: kaip pirmaujančios įmonės diegia „AI-First“

Retorika skamba puikiai, bet iš tikrųjų dirbtinio intelekto principas slypi praktinėje srityje. Kai kurios įmonės jau gana toli nuėjo šiuo keliu, pertvarkydamos darbuotojų samdymo, turinio kūrimo, komandų valdymo ir klientų aptarnavimo būdus.

Populiarios kalbų mokymosi programėlės „Duolingo“ vadovybė paskelbė, kad įmonė nustos naudoti išorės rangovus bet kokioms užduotims, kurias galėtų atlikti dirbtinis intelektas . Komandos bus plečiamos tik tada, kai bus maksimaliai padidintas automatizavimas. Jų technologijų direktorius apibendrino šį požiūrį aiškia direktyva darbuotojams: „ Pradėkite nuo dirbtinio intelekto kiekvieną užduotį, kad ir kokia maža ji būtų .“ Kitaip tariant, pirmiausia išbandykite dirbtinį intelektą, o tada nuspręskite, kurioms dalims reikalingas žmogaus įsikišimas.

Praktiškai tai reiškė, kad turinio kūrimas, pratimų vertinimas, suasmeninti mokymosi keliai ir studentų pasiekimų analizė dabar labai priklauso nuo generatyvinių dirbtinio intelekto sistemų ir nuspėjamųjų modelių. Tuo pačiu metu bendrovė sumažino priklausomybę nuo išorės darbuotojų, tačiau padidino aukštos kvalifikacijos specialistų, dirbančių dirbtinio intelekto inžinerijos ir tyrimų srityje, įdarbinimą.

„ Shopify “ atvejis kultūriniu požiūriu eina dar toliau. Jos generalinis direktorius Tobi Lütke aiškiai pasakė, kad dirbtinio intelekto įrankių, tokių kaip „Copilot“, įgūdžiai bus aiškus darbuotojų veiklos vertinimo kriterijus . Visi darbuotojai skatinami eksperimentuoti, dalytis išvadomis ir dokumentuoti geriausią praktiką. Prieš kurdami naujas pareigas, vadovai turi pagrįsti, kodėl tos funkcijos negalima automatizuoti . Dirbtinis intelektas nustoja būti pagalbine priemone ir tampa savotišku filtru prieš bet kokį darbuotojų augimą.

IBM perėjo nuo „DI plius“ modelio (DI kaip žmonių darbo papildymas) prie visiškai integruoto „DI pirmiausia“ požiūrio. Generalinis direktorius Arvindas Krishna apskaičiavo , kad per kelerius metus maždaug 30 % administracinių užduočių, ypač žmogiškųjų išteklių ir administracinių funkcijų srityse, galėtų būti perimtos automatizuotų sistemų. Dėl to bendrovė įšaldė darbuotojų samdymą srityse, kurios yra labai pažeidžiamos automatizavimo, ir nukreipia investicijas į DI sprendimus ir vidinius mokymus.

„Workday“ , žmogiškųjų išteklių ir finansų valdymo srityje besispecializuojanti įmonė , pertvarkė savo darbo jėgą, atleisdama tūkstančius darbuotojų, kad nukreiptų išteklius dirbtinio intelekto galimybių kūrimui ir diegimui . Tikslas – pritaikyti savo pasiūlymą rinkai, kurioje įmonės „pergalvoja, kaip atliekamas darbas“, taikydamos išmaniąją automatizaciją – nuo ​​talentų valdymo iki finansinio planavimo.

Dirbtinis intelektas – pirmiausia, žmogus – pirmiausia ir poveikis užimtumui

Šis paradigmos pokytis kelia labai pagrįstą susirūpinimą dėl užimtumo . Tokios ataskaitos kaip Pasaulio ekonomikos forumo rodo, kad apie 41 % įmonių planuoja ateinančiais metais sumažinti savo darbuotojų skaičių, nes dirbtinis intelektas perims užduotis, kurias šiuo metu atlieka žmonės. Tapo matomi tiesiogiai su automatizavimu susiję atleidimai iš darbo: atleidimai „Duolingo“, „Chegg“ ir „Dropbox“ įmonėse ir įdarbinimo sustabdymas IBM.

Tačiau tai tik dalis vaizdo. Daugelis rimtų analizių rodo, kad matome ne masinį ir staigų žmonių pakeitimą mašinomis, o gilų darbo reorganizavimą . Dirbtinis intelektas perima pasikartojančias, labai struktūrizuotas ir mažos pridėtinės vertės užduotis, o žmonių komandos vystosi į vaidmenis, orientuotus į priežiūrą, procesų kūrimą, patvirtinimą, kūrybiškumą ir santykius su klientais.

Iš tiesų, dauguma didelių organizacijų, pereinančių prie dirbtiniu intelektu grindžiamų modelių, pradeda tvirtas perkvalifikavimo ir naujo kvalifikacijos kėlimo programas . Remiantis pačiu Pasaulio ekonomikos forumu, daugiau nei trys ketvirtadaliai apklaustų įmonių planuoja apmokyti savo darbuotojus dirbti kartu su dirbtiniu intelektu nuo 2025 iki 2030 m. Tai ne tik esamų vaidmenų pakeitimas, bet ir įgūdžių atnaujinimas bei naujų hibridinių vaidmenų kūrimas.

Tuo pačiu metu populiarėja „žmogus pirmiausia“ koncepcija , papildanti „dirbtinio intelekto pirmiausia“ koncepciją, primindama mums, kad technologijos turėtų tarnauti žmonėms , o ne atvirkščiai. Šis požiūris reikalauja, kad dirbtinio intelekto sprendimai būtų kuriami atsižvelgiant į etinius, skaidrius, įtraukius ir gerovės kriterijus tiek klientams, tiek darbuotojams. Tikslas – sustiprinti žmogaus gebėjimus – kūrybiškumą, empatiją, sprendimų priėmimą – o ne bandyti juos pašalinti iš lygties.

Svarbiausia rasti realistišką pusiausvyrą: automatizuoti tai, ką galima automatizuoti, apsaugoti tai, kas iš tiesų yra žmogiška , ir rinktis darbo modelius, kuriuose dirbtinis intelektas atlieka „sunkųjį darbą“ – skaičiavimą, paiešką ir apdorojimą, taip atlaisvindamas laiką, kad žmonės galėtų prisidėti prie strateginės vertės kūrimo.

Nuo duomenimis pagrįsto iki dirbtinio intelekto pagrindu veikiančio: nuo duomenų iki išmanių veiksmų

Jau daugelį metų daugelis įmonių kalba apie duomenimis pagrįstą veiklą : duomenimis pagrįstų sprendimų priėmimą, duomenų telkinių, ataskaitų suvestinių ir įspūdingų rezultatų suvestinių kūrimą. Problema ta, kad daugeliu atvejų dėl to susidaro didžiulis informacijos vandenynas, bet veiksmų beveik nėra . Daug ataskaitų, daug „PowerPoint“ pristatymų, bet lėti sprendimai ir tokie pat rankiniai procesai.

Perėjimas prie dirbtiniu intelektu grindžiamo požiūrio siekia užpildyti būtent šią spragą. Nebeužtenka žinoti, kas įvyko praeityje; tikslas yra, kad sistemos suprastų, kodėl kažkas vyksta, ir numatytų, kas nutiks toliau . Dirbtinis intelektas ne tik analizuoja duomenis, bet ir mokosi iš jų, atitinkamai reaguoja ir tobulėja su kiekviena iteracija, transformuodamas duomenis į automatizuotus arba pusiau automatizuotus sprendimus.

Pavyzdžiui, rinkodaroje tai reiškia perėjimą nuo mėnesinių kampanijų ataskaitų peržiūros prie darbo su platformomis, kurios realiuoju laiku koreguoja kainos pasiūlymus, pranešimus ir taikymą pagal naudotojų elgseną. Užuot komandai valandų valandas eksportuojant „Excel“ skaičiuokles, sistema nustato atsisakymo modelius, pirkimo tikimybę ir efektyviausią kanalą bei inicijuoja veiksmus nelaukdama, kol kas nors paspaus mygtuką.

Tokie sprendimai kaip „AI-First“ rinkodaros platformos sujungia internetinius ir neprisijungus gaunamus duomenis (CRM, el. prekyba, žiniatinklio analizė, sąveika parduotuvėje ir kt.), juos normalizuoja ir įtraukia į nuspėjamuosius modelius, kurie nustato, kurie klientai greičiausiai pirks, atsisakys klientų arba reaguos į konkrečią akciją . Tai daugiau nei tiesiog „pažinti savo klientą“: sistema veikia remdamasi šiomis žiniomis.

Tai nereiškia, kad technologijos pakeičia rinkodaros specialistą ar pardavimų vadovą, o suteikia jiems kontekstą ir greitį priimti geriau pagrįstus sprendimus, greičiau patikrinti hipotezes ir skirti daugiau laiko strategijai, o mažiau mechaninėms užduotims.

Pagrindiniai „AI-First“ metodo privalumai verslui

Organizacijos veiklos gerinimas keliais aspektais yra įmanomas priėmus gerai parengtą „AI-First“ strategiją. Kai kurie reikšmingiausi privalumai, pastebėti novatoriškose įmonėse, yra gana aiškūs.

Pirma, tai spartesnės inovacijos . Naudojant dirbtinį intelektą klientų elgsenai analizuoti, kylančioms tendencijoms aptikti ar rinkos scenarijams modeliuoti, produktus ar paslaugas galima kurti ir tobulinti per kelias savaites, o ne mėnesius . Pavyzdžiui, vartojimo prekių įmonės jau naudoja nuspėjamuosius modelius, kad nuspręstų, kokius skonius, formatus ar funkcijas pristatyti, remdamosi realaus laiko pirkimo duomenimis ir atsiliepimais.

Kitas svarbus ramstis – pasikartojančių, mažos vertės užduočių automatizavimas . Tokios funkcijos kaip pagalbos užklausų klasifikavimas, dokumentų apdorojimas, sąskaitų suderinimas, atsakymų į dažniausiai užduodamus klausimus teikimas ar pagrindinis atsargų valdymas gali būti deleguotos dirbtinio intelekto agentams. Tai sumažina klaidų skaičių, taupo išlaidas ir, svarbiausia, atlaisvina žmones kūrybinei , analitinei ar su klientais susijusiai veiklai.

„AI-First“ strategija taip pat skatina sprendimų priėmimą remiantis pažangiais modeliais . Užuot pasikliavusios intuicija ar apytiksliais rodikliais, įmonės gali pasitelkti algoritmus, kurie atsižvelgia į tūkstančius kintamųjų, įvertina skirtingų rezultatų tikimybes ir rekomenduoja optimalų veiksmų planą. Tai taikoma dinaminiam kainodaros nustatymui, pasiūlymų suasmeninimui, paklausos planavimui ir potencialių pardavimų klientų prioritetizavimui.

Tiesioginis visų aukščiau išvardytų dalykų rezultatas – radikalus klientų patirties pagerėjimas . Gerai apmokyti pokalbių robotai ir virtualūs asistentai gali išspręsti didelę dalį įprastų užklausų visą parą, o žmonių komandos sutelkia dėmesį į sudėtingus atvejus. Be to, dirbtinis intelektas leidžia kurti itin suasmenintą patirtį : pritaikytas rekomendacijas, suasmenintus pranešimus, atitinkamas akcijas ir procesus, kurie prisitaiko prie kiekvieno vartotojo elgesio.

Galiausiai, dirbtinis intelektas padeda kurti nuolatinių inovacijų kultūrą . Kai komandos turi įrankius, leidžiančius greitai eksperimentuoti, realiuoju laiku matuoti rezultatus ir lanksčiai koreguoti savo veiksmus, verslas tampa daug lankstesnis ir geba reaguoti į staigius rinkos ar vartotojų įpročių pokyčius.

Dirbtiniu intelektu paremtos architektūros: mašinų įgulos ir specializuoti agentai

Norint visapusiškai išnaudoti „DI pirmiausia“ strategiją, vien turėti „DI įrankį“ nepakanka. Daugelis organizacijų pradeda dirbti su suderintais modelių ir agentų rinkiniais , kartais vadinamais „DI modulių komandomis“. Tai intelektualių sistemų komandos, kurių kiekviena specializuojasi tam tikroje proceso dalyje ir bendradarbiauja spręsdama sudėtingas verslo problemas.

Šie varikliai gali apdoroti didžiulius duomenų kiekius, automatizuoti ištisas užduočių grandines, priimti sprendimus remiantis nuspėjamaisiais modeliais ir nuolat mokytis . Pavyzdžiui, mažmeninės prekybos tinkle vienas variklis gali tvarkyti paklausos prognozavimą, kitas – atsargų optimizavimą, trečias – suasmenintas rekomendacijas, o ketvirtas – dinaminį kainodaros valdymą.

E. prekybai ir mažmeninei prekybai skirtos institucijos skatina specialias programas, skirtas padėti įmonėms, vadovams ir specialistams kurti, apmokyti ir diegti savo dirbtinio intelekto agentus . Šios programos paprastai apima mokymus, prieigą prie generatyvinių ir pažangių analizės įrankių bei mentorystę, siekiant sukurti realaus pasaulio naudojimo atvejus: nuo asistento, kuris optimizuoja rinkodaros kampanijas, iki agento, automatizuojančio logistikos procesus.

Logika aiški: aplinkoje, kurioje technologinė ekosistema keičiasi žaibišku greičiu, įmonės, kurios neintegruoja tvirtos dirbtinio intelekto strategijos, suderintos su jų įmonės vizija, rizikuoja atsilikti. Ir tai ne tik apie pokalbių roboto įtraukimą, bet ir apie nuoseklios variklių architektūros, apimančios pagrindinius verslo vertės srautus, apibrėžimą.

Dirbtinis intelektas rinkodaroje: galia ir apribojimai

Rinkodara yra viena iš sričių, kurioje dirbtinio intelekto strategija taikoma su didžiausiu entuziazmu... ir kartu su daugiausia mitų. Daugelis MVĮ ir prekių ženklų, neturinčių suformuotų rinkodaros komandų, DI mato kaip galimybę automatizuoti turinio kūrimą, segmentavimą ir kampanijų optimizavimą beveik be žmogaus įsikišimo.

Dirbtiniu intelektu paremtas rinkodaros metodas apima mašininio mokymosi algoritmų integravimą į kiekvieną pardavimo piltuvėlio etapą : rinkos tyrimus, auditorijos apibrėžimą, žinutės kūrimą, kampanijos aktyvavimą, klientų aptarnavimą ir lojalumo programas. Svarbu ne pridėti madingą įrankį, o permąstyti kliento kelionę, nuo pat pradžių suprantant, ką dirbtinis intelektas gali padaryti geriau ir greičiau.

Tarp aiškiausių privalumų yra operacinių užduočių automatizavimas (ataskaitos, segmentavimas, siuntimas el. paštu, kainų pasiūlymų koregavimas), galimybė suasmeninti dideliu mastu (skirtingas turinys ir pasiūlymai tūkstančiams vartotojų realiuoju laiku) ir pagalba generuojant tekstus, vaizdus ar kūrybinius elementus, kurie yra atspirties taškas žmonių komandai.

Tačiau neapgaudinėkime savęs: 100 % dirbtiniu intelektu paremtas rinkodaros modelis, kai mašina priima visus sprendimus be priežiūros, yra pavojingas kokteilis . Dirbtiniam intelektui trūksta kultūrinio konteksto, intuicijos, jautrumo prekės ženklui ir tikros empatijos. Naudojamas be kontrolės, jis gali generuoti netikras žinutes, bendro pobūdžio turinį ir beasmenes patirtis, kurios kenkia santykiams su klientais. Be to, gali atsirasti šališkumas ar problemiškas elgesys, pavyzdžiui, dirbtinio intelekto pataikavimas.

Todėl rinkodaroje vis dažniau kalbama apie „Hybrid-First“ modelius , kur dirbtinis intelektas suteikia efektyvumą, greitį ir analitiką, tačiau strategija, kūrybiškumas ir prekės ženklo balsas lieka žmonių specialistų rankose. Agentūros ir komandos, kurios moka suderinti abu aspektus, išsiskirs, o tos, kurios tiesiog „spaudžia mygtukus“, rizikuoja būti pakeistos pačių automatizuotų platformų.

Atsakingos „AI-First“ strategijos principai

Perėjimas nuo teorijos prie praktikos reikalauja daug daugiau nei naujos programinės įrangos diegimo. Organizacija, kuri iš tiesų nori būti dirbtinio intelekto lydere, turi vadovautis aiškiais valdymo, etikos ir dėmesio klientui principais.

Pirmasis – duomenų apsauga ir privatumas . Darbas su dirbtiniu intelektu apima neskelbtinos informacijos iš naudotojų, darbuotojų ir partnerių rinkimą ir apdorojimą. Būtina laikytis galiojančių reglamentų (pvz., BDAR Europoje), apibrėžti skaidrią duomenų naudojimo politiką ir įdiegti patikimas saugumo priemones, siekiant užkirsti kelią pažeidimams ar netinkamam naudojimui.

Antrasis ramstis yra algoritmų kūrimo ir diegimo etika . Modeliai gali sustiprinti esamus šališkumus, jei jie apmokomi naudojant nereprezentatyvius arba prastai paženklintus duomenis. Todėl jų elgseną reikia periodiškai peržiūrėti, patvirtinti, kad jie nediskriminuoja tam tikrų grupių, ir prireikus juos ištaisyti arba permokyti. Be to, visada patartina išlaikyti galimybę paaiškinti, kaip buvo priimti tam tikri automatizuoti sprendimai.

Kitas svarbus principas – nuoširdus dėmesys klientui . Dirbtinis intelektas turėtų būti naudojamas siekiant sukurti realią vertę žmonėms: sklandesnę patirtį, greitesnį atsakymą ir aktualesnius pasiūlymus. Jei automatizavimas suvokiamas kaip kliūtis žmonių sąveikai arba privatumo pažeidimas, poveikis gali būti priešingas, nei tikimasi.

Iteracija ir nuolatinis mokymasis taip pat yra būtini. Dirbtiniu intelektu paremta sistema nėra „sukurta ir veikia“: ji prisitaiko prie duomenų, rinkos sąlygų ar vartotojų elgesio pokyčių. Modelių stebėjimo, vertinimo ir atnaujinimo procesų kūrimas yra toks pat svarbus, kaip ir tinkamos technologijos pasirinkimas.

Galiausiai, „AI-First“ metodas turi būti tarpfunkcinis ir bendradarbiavimu grįstas . Tai ne tik IT projektas ir ne tik verslo projektas. Tam reikia, kad technologijų, duomenų, operacijų, rinkodaros, teisės ir žmogiškųjų išteklių specialistai dirbtų kartu, kad suderintų DI su bendra strategija ir įmonės vertybėmis.

Iššūkiai, rizika ir veiksmų planas pradžiai

„AI-First“ strategijos įgyvendinimas nėra lengvas pasivaikščiojimas parke. Be techninio sudėtingumo, prieš pradedant ją taikyti, reikia atidžiai apsvarstyti kultūrinius, organizacinius ir ekonominius iššūkius .

Reglamentavimo ir rizikos požiūriu, duomenų valdymas ir teisės aktų laikymasis yra didelis galvos skausmas, jei jie netinkamai suplanuoti. Netinkamas arba neskaidrus dirbtinio intelekto naudojimas gali užtraukti baudas, pakenkti reputacijai ir prarasti pasitikėjimą . Todėl labai svarbu nuo pat pradžių nustatyti valdymo politiką, audito kanalus ir žmonių priežiūros mechanizmus jautriems sprendimams.

Kitas didelis iššūkis yra duomenų kokybė ir reprezentatyvumas . Modeliai yra tokie geri, kokia gera informacija jiems pateikiama. Neišsamūs, pasenę ar šališki duomenys lemia nepatikimas prognozes. Investicijos į duomenų valymą, integravimą ir valdymą dažnai yra mažiausiai žavinga užduotis... bet be jų „AI-First“ lieka tik šūkiu.

Vidinių talentų mokymas tikriausiai yra svarbiausias dalykas. Kai kurie darbuotojai gali suvokti dirbtinį intelektą kaip grėsmę savo darbui, o tai suprantamai sukelia pasipriešinimą. Tai būtina paremti mokymo programomis, skaidria komunikacija ir naujų vidinių galimybių kūrimu, kad žmonės technologijas matytų kaip sąjungininką, o ne priešą.

Ekonominiu požiūriu svarbu atsižvelgti į tai, kad daugeliui dirbtinio intelekto iniciatyvų reikalingos didelės pradinės investicijos į infrastruktūrą, licencijas, duomenis ir mokymus. Grąža gali būti didelė, bet ne visada greita, todėl protinga pradėti nuo mažos rizikos, didelio poveikio bandomųjų naudojimo atvejų , įvertinti jų poveikį ir tada plėsti.

Daugeliui įmonių tinkamas veiksmų planas apima: esamų pajėgumų įvertinimą, konkrečių tikslų apibrėžimą (reakcijos laiko sutrumpinimą, konversijos didinimą, sąnaudų mažinimą...), vieno ar dviejų bandomųjų projektų pasirinkimą, tarpdisciplininės komandos suformavimą, įgyvendinimą taikant lanksčią metodiką, rezultatų matavimą naudojant aiškius KPI ir tik tada modelio išplėtimą į likusią organizacijos dalį.

Aiškiai apibrėžtas „dirbtinio intelekto pirmiausia“ metodas jau lemia skirtumą tarp organizacijų, kurios tiesiog „naudoja technologijas“, ir tų, kurios dirbtinį intelektą paverčia tikru verslo varikliu . Derindamos pažangią automatizaciją su etika, duomenų apsauga ir „žmogaus pirmiausia“ metodu, kuris išsaugo kūrybiškumą ir empatiją, įmonės gali įgyti tvarų konkurencinį pranašumą, greičiau prisitaikyti prie pokyčių ir užmegzti tvirtesnius santykius su savo klientais ir komandomis. Atrodo, kad tikrasis raktas bus ne tai, kas turi daugiausia dirbtinio intelekto, o tai, kas žino, kaip geriausiai jį integruoti su žmonių talentais ir aiškia strategine vizija.