Naše najnovije priče, uvidi i saveti

S obzirom na brzinu razvoja generativne veštačke inteligencije, nije čudo što mnogi izvršni direktori razmatraju mogućnosti veštačke inteligencije, brinu se o pronalaženju i zadržavanju kvalifikovanih radnika, i ponizno se suočavaju sa nedavnim korekcijama na tržištu ili propuštenim očekivanjima analitičara. Oni zamišljaju budućnost rada sa znatno manje ljudi nego danas. Ali ovo je pogrešna procena. Lideri, razumljivo zabrinuti da ne propuste sledeći talas tehnologije, nesvesno prave rizične opklade na budućnost svojih kompanija. Evo koraka koje svaki lider treba da preduzme kako bi se pripremio za neizvestan svet u kojem će generativna veštačka inteligencija i ljudska radna snaga koegzistirati, ali će se razvijati na načine koji su nepoznati.

Nedavno me je CEO jedne prominentne banke nazvao da bi razgovarao o mogućnostima generativne veštačke inteligencije. Prvo smo razmotrili scenarije za poboljšanje otkrivanja prevara i korisničke usluge, ali sa nizom nedavnih objava, bilo je jasno da ima veće ambicije na umu. Kao i mnoge druge industrije, i bankarstvo ima problem sa radnom snagom: postoji nesklad između potražnje za kvalifikovanim osobljem i ponude radnika koji su spremni da se vrate u kancelarije i rade po pravilima pre Covid-a.

Generativna veštačka inteligencija, pomislio je, možda bi mogla biti svojevrsna čarobna kugla. Mogla bi stvoriti uštede i efikasnost putem automatizacije, ali da li bi ovi novi alati mogli rešiti problem nedostatka talenata? Drugim rečima, koliko brzo bi veštačka inteligencija mogla da zameni ljudske radnike?

Naš razgovor se podudarao sa mnogima koje sam vodio od novembra prošle godine sa izvršnim direktorima različitih preduzeća, uključujući osiguranje, proizvodnju, farmaceutiku, pa čak i izvršne direktore holivudskih studija, čiji pisci i glumci trenutno štrajkuju. Svi žele znati kako njihove kompanije mogu stvoriti više vrednosti koristeći manje ljudskih resursa. To je zato što je ChatGPT, chatbot razvijen od strane OpenAI, odjednom prošle jeseni postao viralan, demonstrirajući snagu veštačke inteligencije u generisanju sopstvenih e-mailova, eseja, recepata, finansijskih izveštaja, članaka i ideja. Goldman Sachs procenjuje da će se u narednoj deceniji 300 miliona poslova ili eliminisati ili znatno smanjiti pomoću generativne veštačke inteligencije.

Već sada vidimo turbulencije. Oglasi za „inženjere za generativnu veštačku inteligenciju“ – ljude koji traže od sistema poput ChatGPT da generišu sadržaj – nude godišnje plate od 300.000 dolara ili više. GPT-4 kompanije OpenAI položio je Uniformni advokatski ispit i nagovestio da u bliskoj budućnosti možda nećemo trebati advokate za transakcione poslove. U stvari, Walmart trenutno testira generativni sistem veštačke inteligencije (nepovezan sa OpenAI) za pregovaranje o nekim svojim ugovorima sa dobavljačima; 75% advokata za ugovore i oficira za nabavku sa druge strane sada kažu da radije pregovaraju sa veštačkom inteligencijom nego sa stvarnim ljudima. Google-ov Med-PaLM 2, koji je specijalizovan model obučen na medicinskom znanju, sada odgovara na medicinske ispitne zadatke na ekspertskom nivou doktora. Ovog leta partneri će početi da testiraju aplikacije koje mogu da pregledaju rendgenski snimak i automatski napišu izveštaj o mamografiji – bez prisustva ljudskog doktora u procesu.

S obzirom na brzinu razvoja, nije čudo što toliko izvršnih direktora dolazi do istog zaključka: u roku od nekoliko godina, moćni sistemi veštačke inteligencije će obavljati kognitivne zadatke na istom (ili čak višem) nivou od njihove ljudske radne snage. Iskušavani mogućnostima veštačke inteligencije, zabrinuti zbog pronalaženja i zadržavanja kvalifikovanih radnika, i ponizno se suočavaju sa nedavnim korekcijama na tržištu ili propuštenim očekivanjima analitičara, poslovni lideri zamišljaju budućnost rada sa znatno manje ljudi nego danas. Sa mog stanovišta, ovo je ozbiljna greška.

Prvo, još je rano predvideti tačnu budućnost veštačke inteligencije – posebno ako se uzme u obzir da je generativna veštačka inteligencija samo mali deo šire oblasti sa mnogim međuzavisnostima, svaka u različitim fazama razvoja. Tačno koje poslove će veštačka inteligencija eliminisati, i kada, je nagađanje. Nije dovoljno da veštački inteligentni sistem obavi zadatak; izlazni rezultati moraju biti pouzdani, integrisani u postojeće tokove rada i upravljani u skladu sa propisima, rizikom i regulatornim pitanjima.

Drugo, u periodu brze promene izazvane tehnologijom, lideri su usredsređeni suviše usko na trenutne dobitke, umesto na to kako će se njihova mreža vrednosti transformisati u budućnosti. Kako veštačka inteligencija evoluira, biće potrebno da se čitavi segmenti poslovanja ponovo osmisle – u realnom vremenu, ali pre nego što imamo potpunu predstavu o tome kako će budućnost izgledati. Setite se najranijih dana javnog interneta i veb pretraživača, koji su bili viđeni kao zabava? Nije niko planirao fundamentalnu transformaciju koju će oboje izazvati. Tada bi bilo nemoguće predvideti kako će to jednog dana uticati na predsedničke izbore ili stvarati prve kompanije vredne trilion dolara.

Da budemo sigurni, izvršni direktori danas moraju doneti odluke u najkompleksnijem operativnom okruženju koje sam video od ranih dana interneta. Lideri, razumljivo zabrinuti da ne propuste sledeći talas tehnologije, nesvesno prave rizične opklade na budućnost svojih kompanija. Evo koraka koje svaki lider treba da preduzme kako bi se pripremio za neizvestan svet u kojem će generativna veštačka inteligencija i ljudska radna snaga koegzistirati, ali će se razvijati na načine koji su nepoznati.

Priprema za budućnost koju ne možete predvideti

Ovo je paradoks: Moramo razmišljati o radnoj snazi kao o evoluirajućoj uz – umesto zamenjenoj – generativnom veštačkom inteligencijom. Radna snaga će morati da se razvija, a radnici će morati da nauče nove veštine, iterativno i tokom višegodišnjeg perioda. Lideri moraju da usvoje novi pristup kako bi maksimizirali potencijal veštačke inteligencije u svojim organizacijama, što zahteva praćenje ključnih razvoja u veštačkoj inteligenciji na drugačiji način, upotrebu iterativnog procesa za razvoj spremne radne snage i, najvažnije, kreiranje scenarija budućnosti koji su potkrepljeni dokazima i izazivaju konvencionalno razmišljanje unutar organizacije.

Šta lideri mogu sada da urade kako bi se snašli u ovom periodu?

Prvo, umanjite očekivanja o tome šta generativna veštačka inteligencija može i šta će da uraditi za vašu kompaniju.

Istorija veštačke inteligencije pokazuje da prolazi kroz faze koje uključuju proboje, talase finansiranja i prolazne trenutke interesovanja šire javnosti, praćene propuštenim očekivanjima i povlačenjem finansiranja.

1970. godine, Marvin Minsky, uticajni kompjuterski naučnik i jedan od osnivača veštačke inteligencije, rekao je Life magazinu da je veštačka opšta inteligencija – veštačka inteligencija sa kognitivnim sposobnostima koje su neodvojive od ljudi – udaljena samo tri godine. Imajte na umu da je 1970-ih, računarska snaga potrebna za takvu veštačku inteligenciju još uvek nije postojala. Superkompjuteri su bili uglavnom teorijski. Takođe su bili teorijski i personalni računari. Datapoint 2200 i njegov procesor na kraju su postali osnovna arhitektura za ono što smo kasnije prepoznali kao PC-jevi. Velike ambicije koje su Minsky i njegove kolege obećali nikada se nisu ostvarile, pa je finansiranje i interesovanje nestalo. Ovo se ponovilo 1987. godine, kada su opet računarski naučnici i kompanije davali hrabre izjave o vremenskom okviru za veštačku inteligenciju koja nikada nije bila izvodljiva.

Iako su današnji mainstream alati za generativnu veštačku inteligenciju – ChatGPT, Midjourney, DALL-E 2 – moćni, oni nisu završeni proizvodi. Uskoro će ljudi postati nezadovoljni njihovom novinom i shvatiće da, iako veštačka inteligencija može stvoriti sadržaj, nije dovoljno dobra da se zapravo koristi. Takođe, još uvek je vrlo rano kada je reč o alatima za veštačku inteligenciju specifičnim za određene domene kao što su medicina, klima i nauke o životu. Da bi generativna veštačka inteligencija izvodila čuda koja su nam obećana – u velikom obimu i ekonomično – potrebno je još puno posla. Zapamtite, ovi alati su bili uglavnom teoretski sve do skora.

Izvršni direktori trebaju da se jasno usmere na praktične funkcije koje će generativna veštačka inteligencija obavljati u njihovim organizacijama danas. Takođe, treba da budu pragmatični u vezi sa prilikama – i rizicima – koje će generativna veštačka inteligencija kasnije otključati. Veštačka inteligencija nije monolit, i mi smo tek na početku veoma dugog puta. Ovo može zvučati intuitivno, ali prema mom zapažanju, malo lidera razvija realnu strategiju koja povezuje današnje operacije sa vizijom budućnosti, socijalizira je unutar svojih upravljačkih timova i revidira pokazatelje performansi u skladu sa tim.

Nedavno sam se sastao sa izvršnim rukovodstvom multinacionalne kompanije za potrošačke proizvode koje želi da sarađuje sa kompanijom za generativnu veštačku inteligenciju. Prošao sam kroz scenarij visokih verovatnoća u kojem bi korisnici koristili chat alat i odgovarali na nekoliko pitanja o svojim preferencijama i ciljevima, a online korpa za kupovinu bi automatski bila popunjena artiklima koje bi im bili potrebni za nedelju. Međutim, nijedan brend CPG-a nije se pojavio u korpi – ili ako jeste, nisu bili prvi na listi. Kao što su pretraživači poput Google-a i Amazon-a izmislili nove mehanizme i pravila za optimizaciju pretrage, u budućnosti će integracije generativne veštačke inteligencije preko platformi kao što su trgovci i aplikacije za korpu za kupovinu stvarati nove izazove za kompanije CPG, koje bi se mogle naći dalje u lancu vrednosti gde se donose ključne odluke.

Drugo, procenite koje podatke vaša kompanija generiše i kako će ih generativna veštačka inteligencija koristiti danas i u budućnosti.

Poslovni podaci su neprocenjivi jer, nakon što je model obučen, može biti skupo i tehnički komplikovano preneti te podatke na drugi sistem. Trenutno se nastajuće AI platforme ne interoperiraju lako, i to je namerno. Platforme za generativnu veštačku inteligenciju evoluiraju u zatvorene vrtove gde kompanije koje stvaraju tehnologiju kontrolišu sve aspekte svojih ekosistema. Najveće AI kompanije takmiče se za tržišni udeo – i za ogromne količine podataka koje im je potrebno da bi njihovi modeli bili najkonkurentniji. Marketingom svojih platformi kompanijama, žele da ih zaključaju (i njihove podatke).

Današnji AI sistemi se kreiraju koristeći tehniku poznatu kao pojačano učenje sa povratnim informacijama uz pomoć ljudi, ili RHLF. Ukratko, AI sistemi zahtevaju konstantan povratni signal od ljudi, ili postoji rizik da nauče i zapamte pogrešne informacije. Što više podataka se unese, to više označavanja i obuke je potrebno. Danas se ovaj rad automatizuje do radnika na „gig“ platformama u zemljama u razvoju poput Kenije i Pakistana. Kako AI sazreva, biće potrebni specijalisti sa stručnim znanjem na nivou eksperata. Mnogi poslovni lideri sa kojima sam se sastajao ne planiraju za budućnost koja uključuje internu jedinicu za RHLF, koja će biti zadužena za kontinuirano praćenje, reviziju i prilagođavanje AI sistema i alatki. (Poslednje što bilo koji lider želi je AI sistem bez nadzora koji donosi odluke o tome kako da se unapredi.)

Čak i kada su obučeni ljudi uključeni, preduzeća moraju kontinuirano razvijati scenarije koji izlažu rizike rada zajedno sa sistemima generativne veštačke inteligencije, posebno onima koji su operisani od strane trećih strana. To je zato što AI sistemi nisu statički; oni se postepeno poboljšavaju tokom vremena. Sa svakim novim razvojem, pojavljuju se novi potencijalni rizici i prilike. Bilo bi nemoguće predvideti sve potencijalne negativne ishode unapred, jer bi te prognoze brzo postale zastarele. (Za sada ne postoji način da se izgradi Monte Carlo simulacija koja bi bila potpuno tačna u predviđanju budućnosti.) Umesto toga, trebalo bi osnovati poseban tim koji će biti zadužen za praćenje sistema generativne veštačke inteligencije dok uče, kao i srodnih izazova u oblasti sajber bezbednosti, i trebali bi razvijati kratke „šta ako“ scenarije koji će zamisliti načine na koje stvari mogu krenuti naopako.

Slično tome, kako se veštačka inteligencija razvija, tako će se i otvarati nove prilike za otkrivanje novog rasta. To znači da bi kompanije takođe trebalo da imaju poseban interni tim za razvoj poslovanja koji će razvijati scenarije za blisku i dugoročnu budućnost na razne načine kako bi se poboljšala produktivnost i efikasnost, vodilo ka razvoju proizvoda, podsticala inovacija i mnogo više.

Treće, kada je reč o veštačkoj inteligenciji, lideri moraju da preusmere svoj fokus sa donje linije na gornju liniju.

Ovo će se činiti kontraintuitivnim, jer mnogi smatraju da je generativna veštačka inteligencija sredstvo za smanjenje operativnih troškova. Današnji pametni chatbotovi uskoro će ustupiti mesto multimodalnim sistemima, koji su veštačke inteligencije sposobne da rešavaju različite probleme i postižu različite ciljeve istovremeno. Zamislite osiguravajuću kompaniju za imovinu i nesreće u kojoj je svaki osiguravač udružen sa AI-jem. Na početku, osiguravač može da pita AI da proceni rizik vezan za osiguranje imovine; nakon preliminarne analize teksta, može ga zamoliti da precizira rezultate koristeći slike iz izveštaja o inspekciji ili audio intervjue sa potencijalnim osiguranicima. Može se ići unatrag nekoliko puta, koristeći različite izvore podataka, dok se ne dobije optimalna ponuda kako za osiguravajuću kompaniju, tako i za klijenta.

Ključ za produktivnu upotrebu multimodalnih AI-jeva je razumevanje kako i šta delegirati mašini, tako da i čovek i AI mogu postići više kroz saradnju nego radom nezavisno. Međutim, delegiranje je nešto sa čime se stručnjaci redovno bore: ili dodeljuju previše, ili premalo, ili ne prave zadatke. Rad sa multimodalnim AI-evima će zahtevati od radnika da ovladaju veštinom delegiranja.

Kada radna snaga razume kako da pravilno delegira, delovaće kao faktor umnožavanja unutar organizacija. Individualni timovi mogli bi biti ambiciozniji u rastu gornje linije kompanije kroz osmišljavanje i simulaciju novih izvora prihoda, pronalaženje i privlačenje novih klijenata i traženje različitih poboljšanja ukupnih operacija kompanije.

Ovo nagoveštava budućnost koja zahteva drugačiji pristup usavršavanju veština. Većina radnika neće morati da nauči kako da programira, ili kako da piše osnovne naredbe, kako često čujemo na konferencijama. Umesto toga, moraće da nauče kako da iskoriste multimodalnu veštačku inteligenciju kako bi obavili više i bolji posao. Pogledajte samo Excel, koji koristi 750 miliona radnika svakodnevno. Softver sadrži više od 500 funkcija – ali većina ljudi koristi samo nekoliko desetina, jer ne razumeju potpuno kako da upare ogroman broj funkcija koje Excel nudi sa svojim dnevnim kognitivnim zadacima. Sada zamislite budućnost u kojoj je veštačka inteligencija – znatno komplikovaniji, složeniji softver – sveprisutna. Kolika će korist ostati na stolu jednostavno zato što su lideri kompanija pristupili usavršavanju veština suviše usko?

Okvir za navigaciju kroz evoluciju radne snage AI

Promene u radnoj snazi su neizbežna nuspojava tehnološke evolucije, i lideri treba da imaju sistematizovan način da vide kako će budućnost njihovih organizacija izgledati nakon razvoja generativne AI. Cilj nije da se prave dugoročne prognoze, niti da se budete spremni za sve – cilj je pozicionirati organizacije da budu spremne za bilo šta kako AI bude nastavljao da se poboljšava.

Ovaj okvir treba koristiti za razvoj scenarija za budućnost poslovanja. On je dizajniran da pomogne liderima u svakoj organizaciji da unapred vide rizik i priliku dovoljno rano za akciju. Redovna upotreba ovog okvira omogućava liderima da jasnije vide pejzaž, procene praznine u svojim organizacijama i povežu nastale tehnologije sa postojećom strategijom, pozicionirajući ih da donose odluke sa samopouzdanjem. Važno je napomenuti da ovaj okvir traži od lidera da razmišljaju eksponencijalno o AI-u, ali da deluju postepeno u odgovoru na nove razvoje. Iako neće predviđati singularnu budućnost vaše kompanije – nijedan scenarijo to ne može – pripremiće lidere da donesu odluke mnogo pre svojih konkurenata.

Najbolja stvar koju organizacije mogu da urade sada – u ovom periodu koji se čini kao da je preplavljen promenama i nesigurnošću – je da planski razmišljaju o budućnosti. To zahteva poznavanje ograničenja generativne veštačke inteligencije, kao i njenih prednosti, i usvajanje kulture kontinuirane evaluacije i unapređenja. Takođe znači da treba da se prevaziđe iskušenje da se smanji radna snaga, i umesto toga koristi strateška predviđanja kako bi se stvorila budućnost u kojoj će veštačka inteligencija biti iskorišćena od strane visoko obučene radne snage, i gde će timovi ljudi i veštačke inteligencije biti produktivniji, kreativniji i efikasniji kada rade zajedno nego odvojeno.

U 2022. godini, američki potrošači su vratili 16,5% kupovina, što je prodavce koštalo procenjenih 816 milijardi dolara izgubljenog prihoda. Istraživanja sugerišu da je unakrsna prodaja proizvoda tokom procesa povrata efikasna strategija za smanjenje ovog gubitka prihoda. Tokom brojnih eksperimenata, istraživači su otkrili da potrošači tretiraju povraćaj novca kao novac koji je već izgubljen, tako da je manje bolno potrošiti ta sredstva na drugu kupovinu, sve dok se unakrsna prodaja dogodi pre nego što se novac ponovo izda na prvobitni način plaćanja kupaca i potrošača. Istraživači su takođe otkrili da se ovaj „efekat povrata“ primenjuje na sve kategorije. Kreiranje politika i praksi povrata zasnovanih na efektu refundiranja može smanjiti gubitak prihoda od povraćaja proizvoda na način koji koristi i potrošačima i trgovcima na malo.

Povraćaj proizvoda predstavlja veliki izazov za trgovce na malo. U 2022. godini, američki potrošači su vratili 16,5% kupljene robe, što je prodavce koštalo procenjenih 816 milijardi dolara izgubljenog prihoda. Tipične strategije za smanjenje prihoda izgubljenog zbog povraćaja proizvoda uključuju smanjenje verovatnoće povraćaja pružanjem više informacija o proizvodima (npr. recenzije i česta pitanja) i povećanje finansijskih i transakcionih troškova za potrošače koji vraćaju proizvode (npr. troškovi isporuke i ograničeni rokovi povrata ). Ali prva strategija je skupa za trgovce na malo, a druga za potrošače. Naše nedavno istraživanje identifikuje efikasnu strategiju za smanjenje ovog gubitka prihoda koji koristi svima: unakrsna prodaja proizvoda tokom procesa vraćanja proizvoda.

U šest eksperimenata otkrili smo da potrošači tretiraju povraćaj novca kao već izgubljeni novac, pa je trošenje ovih sredstava na drugu kupovinu manje bolno. Učesnici istraživanja su imali veću verovatnoću da potroše novac od povraćaja proizvoda nego od bonusa, i čak je verovatnije da će potrošiti refundirani novac nego neočekivani prihod, kao što su dobici na lutriji i povraćaji poreza. Ovo nazivamo „efekat refundiranja“.

U jednom laboratorijskom eksperimentu, na primer, dali smo svim učesnicima 4 dolara. Neki od učesnika su zamoljeni da iskoriste novac za kupovinu lopte za stres za koju su kasnije saznali da mogu da vrate, što je većina i uradila. Drugi u kontrolnoj grupi nisu izvršili početnu kupovinu. Zatim smo svima ponudili priliku da zadrže svoja 4 dolara ili ih iskoriste za kupovinu Starbucks poklon kartice od 5 dolara uz popust. Samo 48% kontrolne grupe koristilo je svojih 4 dolara za kupovinu poklon kartice, dok je 78% učesnika koji su dobili povraćaj kupilo poklon karticu. Replicirali smo ovu studiju sa onlajn uzorkom gde je vraćeni proizvod bila poklon kartica od velikog prodavca (tj. Best Buy ili Kohls). U ovom eksperimentu, samo 10% kontrolne grupe je odlučilo da kupi Starbucks poklon karticu, dok je 25% učesnika sa refundiranim novcem koristilo to za kupovinu Starbucks poklon kartice.

Prodavci koji razumeju dinamiku efekta refundiranja – kada, zašto i kako funkcioniše – mogu da ublaže jednu od višegodišnjih glavobolja ove industrije. Evo tri nalaza koje trgovci na malo treba da imaju na umu da bi maksimalno iskoristili efekat povraćaja:

Mogućnosti za unakrsnu prodaju se javljaju tokom procesa vraćanja – pre nego što se novac ponovo izda na prvobitni način plaćanja kupaca

Mnogo je manje verovatno da će efekat refundiranja povećati prodaju nakon što je novac vraćen na kreditnu karticu ili tekući račun. Zašto? Efekat povraćaja novca zavisi od stvaranja i održavanja „namenske oznake“ koja podseća potrošače da je novac izgubljen. Naše istraživanje je pokazalo da ako se refundirani novac objedini sa novcem iz drugih izvora, namenska se sredstva uklanjaju i potrošači ih troše ništa drugačije od novca iz drugih izvora. Na primer, veća je verovatnoća da će učesnici istraživanja koristiti povraćaj novca za par patika za kupovinu košulje ako tek treba da dobiju svoj novac nazad. Ako je novac već bio deponovan na njihov tekući račun, nije bila veća verovatnoća da će kupiti majicu od učesnika koji su jednostavno videli majicu na mreži.

Neki trgovci na malo već efikasno koriste ovu strategiju unakrsne prodaje. Podrazumevano, Amazon pita kupce da li žele da iskoriste svoj povratak za kupovinu poklon kartice. Kupci koji odbiju ovu unakrsnu prodaju onda dobijaju povraćaj novca. Clothier Todd Snider omogućava kupcima da iskoriste povraćaj novca da odmah kupe druge proizvode pre nego što pošalju povraćaj. Ostatak njihovog povraćaja se izdaje kada se povraćaj primi. Ove strategije unakrsne prodaje će verovatno funkcionisati, jer kupci kupuju od povraćaja novca pre nego što dobiju novac od povrata.

Efekat refundiranja funkcioniše samo kada potrošači očekuju da će izgubiti novac

Naše istraživanje je pokazalo da potrošači u početku moraju da očekuju da zadrže robu i usluge koje kupuju kako bi stvorili namensku marku koja će omogućiti efekat povraćaja novca. Strategije „Probajte pre nego što kupite“, gde potrošači ne očekuju da će platiti za vraćenu robu, verovatno neće stvoriti efekat povraćaja ako se ta roba vrati.
Na primer, učesnici istraživanja koji su zamislili da kupe dva para cipela da isprobaju sa očekivanjem da će vratiti jedan par, nije veća verovatnoća da će potrošiti refundiranje na jaknu. Nasuprot tome, učesnici koji nisu očekivali da vrate par cipela kada su ih kupili, verovatnije su iskoristili povrat novca za kupovinu jakne

Efekat refundiranja se primenjuje na sve kategorije

Pošto se refundirani novac čini kao da je već izgubljen, efekat refundiranja se primenjuje i na proizvode koji se više prodaju u istoj kategoriji i na proizvode u drugim kategorijama.

Na primer, učesnici istraživanja u petom eksperimentu su imali veću verovatnoću da potroše povraćaj novca od vraćene boce vina bilo na poklon karticu od prodavnice ili od brenda za sportsku zabavu nego da kupe bilo koju vrstu poklon kartice novcem iz svog džepa. Ovo je dobra vest za trgovce koji nude niz kategorija proizvoda.

Strategije prodaje kao što su dodatna prodaja i razmene tokom procesa vraćanja proizvoda trebale bi na sličan način da imaju koristi od efekta refundiranja i mogu biti bolje za upravljanje odnosima sa kupcima nego povećanje troškova povraćaja proizvoda. Nove kompanije su zakoračile na ovo tržište. Na primer, Loop Returns pomaže 1.500 Shopify trgovaca, kao što su Allbirds i Brooklinen, da unakrsnu prodaju, prodaju i razmenjuju proizvode tokom procesa vraćanja proizvoda, štedeći 28% prihoda koji bi inače bili izgubljeni.

Lekcija za trgovce na malo? Umesto pribegavanja praksama čiji strogi transakcioni troškovi mogu da otuđuju kupce, ponekad trajno, kreiranje politika vraćanja i praksi zasnovanih na efektu refundiranja može biti efikasan način da se smanji gubitak prihoda nastao vraćanjem proizvoda na način koji koristi i potrošačima i trgovcima na malo.

Uspešan proces donošenja odluka ima tri koraka: uokvirivanje odluke, generisanje alternativa i odlučivanje između njih. Veliki jezički modeli mogu pomoći u svakoj fazi procesa. Ali iako je možda primamljivo samo pitati ChatGPT za odgovore, prava moć LLM-a je u tome kako oni mogu pomoći u svakoj fazi. Zatražite pomoć razmišljajući o razmatranjima koja možda nedostaju ili o alternativama koje možda niste razmatrali. LLM mogu biti alat za uklanjanje pristrasnosti, pomažući vam da sami uokvirite i donesete odluku.

Može li ChatGPT pomoći rukovodiocima da donesu bolje odluke? Veliki jezički model o kojem svi pričaju mesecima takođe ima elokventan odgovor na ovo pitanje: „Da, mogu da vas podržim u donošenju odluka menadžmenta pružanjem informacija, činjenica, analiza i perspektiva koje vam mogu pomoći da donesete informisanu odluku.“ ChatGPT odmah nastavlja sa ograničenjem sopstvene nadležnosti. „Međutim, važno je napomenuti da su moji saveti i preporuke zasnovani na algoritamskoj analizi podataka i informacija, a vi, kao ljudsko biće, ipak morate da donesete konačnu odluku na osnovu svog iskustva, znanja i procene situacija.”

Pošteno. Ali uprkos ovoj dozi skromnosti — ili zbog nje — veliki jezički modeli poput ChatGPT-a mogu postati moćni alati za donošenje odluka za menadžere i kompanije. Njihovo obećanje nije u pružanju odgovora, već u pružanju pomoći da prođemo kroz sistematičniji proces donošenja odluka nego što je to danas često slučaj, čak i sa važnim menadžment odlukama.

Tri faze karakterišu odluke sa dobrim informacijama. Prvo, moramo definisati naše ciljeve i kontekst. O čemu je tačno odluka i na osnovu kojih ciljeva, vrednosti i preferencija? Na ovaj način definišemo problem donošenja odluka i postavljamo okvir za donošenje odluka. Drugi korak je razvijanje izbora: Koje opcije donošenja odluka su nam dostupne? Ovde je cilj da se generiše mnogo različitih alternativa, a ne, kao što je to često slučaj, da se fokusiramo samo na očigledne opcije. Tek kada smo razvili dovoljno opcija iz okvira za donošenje odluka, da ih procenimo i u trećem koraku donesemo dobro informisanu odluku.

Kada se vešto koristi, ChatGPT može da pruži dragocene usluge u sve tri faze za poslovne odluke u trenutnom stanju obuke. U praksi, to znači da možemo ući u dijalog sa sistemom o bilo kojoj od tri faze dobro informisanog sistema donošenja odluka. Kada procenjujemo alternative donošenja odluka, možemo se zapitati, na primer: Koje greške prave direktori velikih i srednjih preduzeća u mašinstvu kada odluče da se prošire na nova tržišta? A koji su bili kriterijumi uspeha za uspešnu ekspanziju?

ChatGPT nam onda ne pruža šablon pomoću kojeg možemo savršeno odmeriti opcije u našem slučaju. Ali to nam može pomoći da otkrijemo sopstvene predrasude i izazovemo unapred stvorena shvatanja. Pametno korišćenje ChatGPT-a može biti poput alatke za uklanjanje pristrasnosti koja je naizgled intenzivno čitala Daniela Kahnemana i Amosa Tverskyja. Stoga nudi hranu za razmišljanje da bolje razmislimo o tome kako možemo da procenimo opcije na bolje informisan način.

Sistem je već danas još vredniji kada se koristi za izradu dodatnih opcija sa kojima ne možemo da izađemo na kraj ili da ih lako smislimo. Na ovaj način proširujemo naše horizonte donošenja odluka i shvatamo da postoji mnogo više i dalekosežnijih opcija za donošenje odluka nego što mislimo.

Kako da smanjimo našu zavisnost od Kine i diversifikujemo lanac snabdevanja? Izvršni direktor i njegov tim se možda nikada ranije nisu bavili ovim pitanjem donošenja odluka. ChatGPT, međutim, će moći da ponudi mnoge strategije dokumentovane na internetu od strane kompanija u sličnoj situaciji i može doći do originalnijih ideja od jednostavnog premeštanja proizvodnje u Vijetnam. To je zato što sistem ima pristup delu javno dostupne riznice opcija u deltanostima industrije ili kompanije.

Veliki jezički modeli takođe mogu pomoći u postavljanju ciljeva i preferencija, proceni okolnosti donošenja odluka i odabiru okvira za donošenje odluka. Opet, dijalog je ključan. Sa pravim pitanjima postajemo sagovornik da bolje razumemo kontekst odluke. Na primer, sa ChatGPT-om možemo brzo da vidimo predloge o tome koje su tipične ciljeve druge kompanije mogle da imaju na umu u uporedivoj situaciji donošenja odluka. Na primer, pitanje može izgledati ovako: „Zdravo ChatGPT, ja sam šef uspešnog proizvođača alata srednje veličine izvan Kolumba u Ohaju. Imam poteškoća da privučem nove talente, posebno inženjere. Šta mogu biti razlozi za ovo? Koje strategije koriste slične proizvodne kompanije da bi se izborile sa nedostatkom talenata?"

Suština je: ChatGPT postaje sve inteligentniji razgovor i sparing partner. To nas ne oslobađa od definisanja okvira za donošenje odluka, izrade širokog spektra opcija i njihove evaluacije. Međutim — i ovde je samoprocena sa početka ovog članka tačna — ona pruža zanimljive perspektive. Veliki jezički model ima nekoliko prednosti u poređenju sa ljudskim sparing partnerom: ne teži sopstvenim interesima i ne želi da ugodi onima koji donose odluke na vrhu, na primer, da promoviše sopstvenu karijeru. Ne podleže internom grupnom razmišljanju i birokratskoj politici i takođe je mnogo jeftiniji od eksternih konsultanata za upravljanje ili odeljenja za internu strategiju. Ovo takođe znači da ChatGPT može da pojeftini pripremu i pomoć u donošenju odluka za manje kompanije, čime bi se izjednačili uslovi.

Budućnost studija slučaja

Nadobudni menadžeri u poslovnim školama već indirektno uče o donošenju odluka kroz veliki broj studija slučaja. Cilj je sticanje repertoara modela donošenja odluka razvijanjem i procenom mogućih opcija za akciju u okviru donošenja odluka. Naravno, studije slučaja ne sadrže rešenje u vidu savršenog odgovora na konkretnu situaciju donošenja odluka. U studijama slučaja postavljaju se pitanja, predstavljaju okviri za donošenje odluka i navode se opcije za donošenje odluka. Ne samo da potencijalni menadžeri mogu da uče iz ovih studija slučaja i sa njima, već se mogu koristiti i za obuku velikih jezičkih modela. Međutim, to se još nije dogodilo.

Programeri ChatGPT-a mogli su da nahrane svoj model samo delom javno dostupnih studija slučaja. Prava riznica podataka je ekskluzivna i uskladištena je kod velikih provajdera. Ako se čuvari ovih poslovnih studija slučaja udruže sa kreatorima velikih jezičkih modela, jezički pomoćnik za programiranje, pisanje tekstova i upite kupaca mogao bi se pretvoriti u moćnog pomoćnika za donošenje odluka za kompanije.

I to će u budućnosti biti lakše jer algoritmi učenja postaju sve efikasniji, a samim tim i „modeli srednje veličine“ u kojima više nije potrebno hraniti pola interneta i čitave biblioteke, već pre svega tekstove i dokumenata relevantne za konkretnu oblast. Samo je pitanje vremena kada će se ovo desiti. U svakom slučaju, ekonomski podsticaj za bolje informisane poslovne odluke je odličan i pokrenuće tranziciju sa današnjeg ChatGPT-a na još moćniju budućnost koju bismo mogli nazvati „DecisionGPT“.

Velika snaga ChatGPT-a i sličnih sistema je upoređivanje i kontrast sličnih situacija. Upravo je to najvažnija potreba u mnogim odlukama rukovodstva. Vrlo malo odluka sa kojima se menadžeri suočavaju su jedinstvene. Hiljade, ponekad čak i milioni menadžera pre njih morali su da naprave sličan izbor. Što je bolje opisano ljudskim jezikom kako postavljaju okvir za donošenje odluka, vagaju opcije i donose svoju odluku, to je lakše za DecisionGPT da postane moćno sredstvo za donošenje odluka na osnovu informacija.

Na kraju, mnoge takve odluke rukovodstva bi mogle biti automatizovane. Robo-menadžeri bi mogli biti raspoređeni ranije i češće nego što danas mnogi rukovodioci u svojim kancelarijama u ćošku mogu da poveruju.

U međuvremenu, prednost će imati menadžeri koji koriste trenutno dostupne alate za poboljšanje procesa donošenja odluka. Ne pitajte modele kao što je ChatGPT za odgovore; ispitajte ih u svakoj fazi procesa donošenja odluka.

Autentičnost je među najvažnijim vrednostima generacije Z. Osećaju se ovlašćenim da postavljaju i odgovaraju na sopstvena pitanja na raznim društvenim forumima o bilo kojoj temi — od lepote preko zdravlja do poboljšanja doma preko tehnologije do nauke. A njihov pogled na autoritet se proširio od tradicionalnih izvora, poput akademskih institucija ili uglednih urednički glasnika, do uočenog uticaja. Autor nudi pet lekcija za brendove koji žele da uđu u ovu eru uticajnih ljudi i uspostave autentične veze sa generacijom Z.

Ako niste čuli za Alik Earle, možda je jednostavno pitanje vremena kada ćete. Ova mlada influenserka – koja je upravo diplomirala na Univerzitetu u Majamiju – ima više od 5 miliona pratilaca na TikTok-u, a nedavno je potpisala za United Talent Agenci (UTA), jednu od tri najbolje kompanije koje predstavljaju talente širom sveta u medijima i ekosistemu zabave. Ona je iskoristila svoj lični brend za partnerstvo sa kozmetičkim kompanijama kao što su Tarte i Rare Beauty.

Gledanje bezbroj video snimaka Alik Earle na mreži čini njenu formulu sasvim jasnom. Ima lepotu poput modela. Ona je usavršila format „pripremi se sa mnom“ (GRWM – get ready with me) (između ostalog), kratki video u kojem ide od prirodne lepote do besprekornog savršenstva, prikazujući profesionalne, ali ponovljive tehnike šminkanja i upotrebu proizvoda. Dok primenjuje svoj izgled tokom „selfi” videa, ona nudi mešavinu pripovedanja, humora, ranjivosti, težnje, povezanosti i pominjanja proizvoda u brzom monologu bez napora. Pratioci je osećaju dovoljno pristupačnom i doživljavaju kao  „samo još jedan student“.

Ta pristupačnost je razlog zašto Erl toliko rezonuje sa generacijom Z. Autentičnost je među najvažnijim vrednostima ove generacije. Kao što nedavno istraživanje EI ističe: „Posle ere lažnih vesti i filtriranih fotografija koje projektuju ’savršen život‘, generacija Z je završila sa tim. Osećaju se ovlašćenim da postavljaju i odgovaraju na sopstvena pitanja na raznim društvenim forumima o bilo kojoj temi — od lepote preko zdravlja do poboljšanja doma preko tehnologije do nauke. A njihov pogled na autoritet proširio se sa tradicionalnih izvora, poput akademskih institucija ili uglednih uredničkih glasova, do uočenog uticaja - što pokazuje Erlin meteorski uspon.

Proučavanje uspeha Aliks Erl nudi prodavcima brendova pet moćnih lekcija o tome kako da uđu u ovu eru uticajnih ljudi – i uspostave autentične veze sa generacijom Z.

1. Pronađite prave uticajne osobe za svoj brend

Jednostavno nasilno rangiranje lista najboljih influensera nije odgovor. Brendovi žele da pronađu osobu ili ljude koji dosežu njihovu ciljnu publiku.

Kada brendovi definišu kategoriju u kojoj se takmiče, trgovci mogu tražiti uticajne ljude koji imaju najviše angažovanja i koji imaju glas i stil koji rezonuju sa brendom. AI i drugi alati za analizu podataka mogu pomoći da to shvatite — na primer, analiza podataka može otkriti pratioce, kreativne pristupe i zajednice koje su zajedničke između influensera i brendova. Postoje i kompanije, od Gallery Media, na primer, do vodećih agencija za talente, koje kuriraju influensere i upravljaju složenijim odnosima i izvršenjem za brendove.

2. Kreirajte priče o brendu za mobilnu potrošnju

Gen Z ispunjava svoje slobodne trenutke skrolujući kroz njihove algoritamski vođene, personalizovane „za vas“ fidove na svojim telefonima, ispunjene fotografijama, video zapisima i memovima. U idealnom slučaju, brendovi bi trebalo da osnaže uticajne ljude sa kojima rade da kreiraju sadržaj koji je kratak, upečatljiv i napravljen za mobilne uređaje.

Prihvatanje ranjivosti i otvorenosti, kao što Erl čini u kratkim pričama od jednog do tri minuta, omogućava brendovima da se povežu sa mlađim generacijama na način koji je lično relevantan i autentičan. Međutim, brendovi moraju da shvate da ovo nije televizijski spot koji traje 30 sekundi, a influenseri će odvesti priču u pravcu koji sami izaberu. Ovo je dopuna pričanju priča o drugim brendovima - a ne zamena.

3. Motivisati potrošače da učine sopstveni sadržaj brenda

Za razliku od prethodnih generacija, Gen Z ne „emituje“ svoje postove na društvenim mrežama naveliko. Oni češće dele sa mnogo manje ljudi putem „privatnih priča“. Angažovanost je mnogo veća zbog učestalosti i intimnosti ovih objava, a sa ovom smenom, takođe vidimo da se Gen Z udaljava od ranijih generacijskih ponašanja širokog emitovanja svojih srećnih trenutaka na svojim nalozima na društvenim mrežama ka deljenju sirovih trenutaka poput lične krize...

Mlada osoba koja vidi kozmetički proizvod u GRWM video snimku od Aliks na TikTok-u koji potom podržava taj proizvod sa svojom grupom prijatelja u njihovoj privatnoj priči na Snap-u je primer kako put brenda ide od uticaja društvenih medija visokog profila do duboko ličnog uticaj. Brend mora da stekne pravo na pristup ovom svetom prostoru - i mora da razume neprozirnost i nove rizike ovih lično intimnijih mesta.

4. Pređite granice da biste se istakli

Trebaće novi izvori inspiracije cija i kreativnost kako bi se istakli kao generativna i konverzaciona AI  koja se primenjuju u kreativnim kontekstima u velikom obimu. Pošto svi influenseri sada imaju pristup istoj tehnologiji za pokretanje istraživanja, unapređenje ideja i ubrzanje proizvodnje, brendovi koji razmišljaju unapred će nastojati da se razlikuju kroz ljudsku originalnost ili pravu slavnu ličnost. Lestvica stvarne kreativnosti će se samo povećavati, zahtevajući kreativne pozicije brendova ili nove pozive potrošačima da zajedno stvaraju. Naša trenutna definicija uticaja može se brzo promeniti, jer AI manipuliše i ciljanjem i kreativnim pokretanjem algoritama.

5. Izbegavajte kulturu klonova

Kao marketinški stručnjaci, možemo da cenimo priliku da podstaknemo potrošnju po svaku cenu tako što ćemo osmisliti trendove koji će imati brzinu preko influensera. Ali ako previše uspemo, da li stvaramo komore za odjek trendova koje su u suprotnosti sa našim opredeljenjima za raznolikost i inkluziju, ili kloniramo ponavljana ponašanja unutar određenih društvenih arhetipova? A ako se uticaj oslanja barem na izgled originalnosti, da li će to biti teže, jer svi koriste slične uvide vođene veštačkom inteligencijom? Brendovi precizno pokreću svoje komercijalne ambicije koristeći kombinaciju kreativnosti i podataka (ili umetnosti i nauke), ali sve više mogu tražiti da prošire strategije kako bi pronašli novu publiku, glasove i inspiraciju za diverzifikaciju svoje baze potrošača i ideja.

Ekonomija kreatora napreduje, kreativna je i vredna, posebno zato što ekonomski modeli zasnovani na tehnologiji motivišu jake talente da od toga naprave pravi profesionalni poduhvat. Brendovi koji koriste svoju novu dinamiku za stvaranje vrednosti će se razlikovati i pokretati eksponencijalni rast. Ključ uspeha je oslanjanje na najnovije izvore uticaja uz svu najnoviju dinamiku rizika i nagrade.