ഉള്ളടക്ക പട്ടിക
കഴിഞ്ഞ മാസം, ഞങ്ങൾ രണ്ട് ദിവസത്തെ AI പരിശീലന സെഷൻ ആന്തരികമായി നടത്തി സ്രെസ്കി.
സത്യം പറഞ്ഞാൽ, കമ്പനിക്കുള്ളിൽ ആദ്യം വ്യത്യസ്ത അഭിപ്രായങ്ങളുണ്ടായിരുന്നു. ഞങ്ങളുടെ തിരക്കേറിയ ബിസിനസ് ഷെഡ്യൂൾ കണക്കിലെടുത്ത്, AI പഠിക്കാൻ രണ്ട് ദിവസം മാറ്റിവയ്ക്കുന്നത് "വളരെ ആദർശപരമാണെന്ന്" ചിലർ കരുതി. മറ്റുള്ളവർ AI വളരെ പ്രചാരത്തിലാണെന്ന് തോന്നുമെങ്കിലും, യഥാർത്ഥ വിൽപ്പനയിലും ഉപഭോക്തൃ ഇടപെടലുകളിലും ഇത് ബാധകമാകില്ലെന്ന് ആശങ്കപ്പെട്ടു.
എന്നാൽ രണ്ട് ദിവസങ്ങൾ കഴിഞ്ഞപ്പോൾ, എല്ലാവരുടെയും ഫീഡ്ബാക്ക് വളരെ സ്ഥിരതയുള്ളതായിരുന്നു: ഇത് ഉപയോഗപ്രദമാണോ എന്നതല്ല ചോദ്യം, മറിച്ച് അത് എങ്ങനെ ഉപയോഗിക്കണമെന്ന് മുമ്പ് ഞങ്ങൾക്ക് മനസ്സിലായിരുന്നില്ല എന്നതാണ്.
വിൽപ്പന സംഘത്തെ യഥാർത്ഥത്തിൽ പിന്നോട്ട് വലിക്കുന്നത് കഴിവല്ല - അത് സമയ മാനേജ്മെന്റാണ്.
നിങ്ങൾ B2B വിൽപ്പനയിൽ ജോലി ചെയ്തിട്ടുണ്ടെങ്കിൽ, നിങ്ങൾക്കും ഇതേ അനുഭവം ഉണ്ടായിട്ടുണ്ടാകാം:
ദിവസാവസാനത്തോടെ, "ക്ലയന്റ് തീരുമാനമെടുക്കലിനും" "ഓർഡറുകൾ മുന്നോട്ട് കൊണ്ടുപോകുന്നതിനും" ചെലവഴിക്കുന്ന സമയം അതിശയകരമാംവിധം പരിമിതമായിരിക്കും.
മിക്കപ്പോഴും ഈ ജോലികളാൽ വിഭജിക്കപ്പെട്ടിരിക്കുന്നു:
- ഇമെയിലുകളുടെ സ്വരവും വാക്കുകളും ആവർത്തിച്ച് പരിഷ്കരിക്കൽ
- ഒന്നിലധികം സിസ്റ്റങ്ങളിലുടനീളം ക്ലയന്റ് വിവരങ്ങൾക്കായി തിരയുന്നു
- ഉൽപ്പന്ന രേഖകൾ വായിക്കുന്നതിനിടയിൽ പാതിവഴിയിൽ തടസ്സം നേരിടുന്നു
- നിരവധി അന്വേഷണങ്ങൾ ലഭിക്കുന്നു, പക്ഷേ അവയ്ക്ക് വേഗത്തിൽ മുൻഗണന നൽകാൻ ബുദ്ധിമുട്ടുന്നു
വ്യക്തിഗതമായി എടുത്താൽ, ഈ ജോലികളൊന്നും സങ്കീർണ്ണമല്ല, പക്ഷേ അവ കുന്നുകൂടുമ്പോൾ, അവ ദിവസത്തിന്റെ താളം പൂർണ്ണമായും തടസ്സപ്പെടുത്തുന്നു.
പരിശീലനത്തിനു ശേഷമുള്ള ഞങ്ങളുടെ അവലോകനത്തിൽ, ഞങ്ങൾ വളരെ ലളിതമായ ഒരു നിഗമനത്തിലെത്തി:
പ്രശ്നം കുറഞ്ഞ കാര്യക്ഷമതയല്ല - വിവര സംസ്കരണത്തിന്റെ കുറഞ്ഞ സാന്ദ്രതയാണ്.
AI യഥാർത്ഥത്തിൽ വ്യത്യാസം വരുത്തുന്നത് "ജോലി മാറ്റിസ്ഥാപിക്കുന്നതിലൂടെ" അല്ല, മറിച്ച് ഭാരം കുറയ്ക്കുന്നതിലൂടെയാണ്.
പരിശീലന സമയത്ത്, ഞങ്ങൾ സൈദ്ധാന്തിക ആശയങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചില്ല; പകരം, യഥാർത്ഥ ലോകത്തിലെ ബിസിനസ് സാഹചര്യങ്ങളുമായി നേരിട്ട് പ്രവർത്തിച്ചു.
ഉദാഹരണത്തിന്, ഭാഷാഭേദങ്ങളില്ലാത്ത ഇമെയിലുകൾ എടുക്കുക.
മുമ്പ്, ബിസിനസ്സ് സഹപ്രവർത്തകർ ജർമ്മൻ അല്ലെങ്കിൽ സ്പാനിഷ് ഭാഷകളിൽ ഇമെയിൽ എഴുതുമ്പോൾ, സ്റ്റാൻഡേർഡ് പ്രക്രിയ ഇതായിരുന്നു: ചൈനീസ് ഭാഷയിൽ ഡ്രാഫ്റ്റ് → വിവർത്തനം ചെയ്യുക → ടോൺ ക്രമീകരിക്കുക → സാങ്കേതിക പദാവലി പരിശോധിക്കുക.
തിരുത്തലുകൾ വരുത്തുന്നത് സാധാരണമായിരുന്നു, ഒരു ഇമെയിൽ എഴുതാൻ പലപ്പോഴും 30–40 മിനിറ്റ് എടുക്കുമായിരുന്നു.
പിന്നീട്, "ആദ്യ-ഡ്രാഫ്റ്റ് ജനറേഷനിൽ" നേരിട്ട് പങ്കെടുക്കാൻ AI-യെ അനുവദിക്കുന്ന ഒരു വ്യത്യസ്തമായ സമീപനത്തിലേക്ക് ഞങ്ങൾ മാറി.
ശ്രദ്ധേയമായ ഒരു നേട്ടം അത് "വേഗതയേറിയതായിരുന്നു" എന്നതല്ല, മറിച്ച് വാക്കുകൾ ഉപയോഗിക്കുന്നതിൽ ഞങ്ങൾക്ക് ഇനി വിഷമിക്കേണ്ടി വന്നില്ല എന്നതാണ്.
സഹപ്രവർത്തകരിൽ നിന്നുള്ള ഏറ്റവും സാധാരണമായ പ്രതികരണം ഇതായിരുന്നു: "അവസാനമായി, എനിക്ക് ഒരു വാചകം പോലും തുറിച്ചുനോക്കേണ്ടതില്ല, അതിനെക്കുറിച്ച് കാലങ്ങളോളം ചിന്തിക്കേണ്ടതില്ല."
ക്ലയന്റുകളിൽ നിന്നുള്ള ഫീഡ്ബാക്കും വളരെ നേരിട്ടുള്ളതായിരുന്നു; ചിലർ "ഈ പ്രതികരണം മുമ്പത്തേക്കാൾ പ്രൊഫഷണലും സമയബന്ധിതവുമായിരുന്നു" എന്ന് പ്രത്യേകം മറുപടി നൽകി.
ഈ മാറ്റം നാടകീയമായി തോന്നില്ലായിരിക്കാം, പക്ഷേ അന്താരാഷ്ട്ര വ്യാപാരത്തിനോ വിദേശ B2B ടീമുകൾക്കോ ഇത് യഥാർത്ഥത്തിൽ വളരെ പ്രധാനമാണ്.
രണ്ടാമത്തെ മാറ്റം "ഉപഭോക്തൃ വിവര പ്രോസസ്സിംഗിൽ" സംഭവിച്ചു.
B2B ബിസിനസിൽ, ഏറ്റവും കൂടുതൽ സമയം ആവശ്യമുള്ള ജോലികൾ പലപ്പോഴും "വെറും ഒരു സംഘാടനരീതി" പോലെ തോന്നിക്കുന്നവയാണ്.
ഉദാഹരണത്തിന്:
- ഒരു കൂട്ടം അന്വേഷണങ്ങൾക്ക് മുൻഗണന നൽകുന്നു
- നഷ്ടപ്പെട്ട ഉപഭോക്തൃ പശ്ചാത്തല വിവരങ്ങൾ പൂരിപ്പിക്കൽ
- വ്യത്യസ്ത പതിപ്പുകളിലെ സാങ്കേതിക സവിശേഷതകളെ താരതമ്യം ചെയ്യുന്നു
- ഇഷ്യൂ തരം അനുസരിച്ച് വിൽപ്പനാനന്തര ഫീഡ്ബാക്ക് വർഗ്ഗീകരിക്കുന്നു
ഈ ജോലികൾ ബുദ്ധിമുട്ടുള്ള കാര്യമല്ല, പക്ഷേ അവ സമയമെടുക്കുന്നതും പിശകുകൾക്ക് സാധ്യതയുള്ളതുമാണ്.
പരിശീലന വേളയിൽ ഞങ്ങൾ ഒരു പരീക്ഷണം നടത്തി:
ഞങ്ങൾ ഒരു കൂട്ടം യഥാർത്ഥ അന്വേഷണങ്ങളും ഡസൻ കണക്കിന് പേജുകളുള്ള ഉൽപ്പന്ന ഡോക്യുമെന്റേഷനും നേരിട്ട് AI-യിലേക്ക് നൽകി, കൂടാതെ ടീമിനോട് ഒരു പ്രോസസ്സിംഗ് വർക്ക്ഫ്ലോ രൂപകൽപ്പന ചെയ്യിച്ചു.
വ്യക്തമായ ഒരു ഫലം ഇതായിരുന്നു:
മുമ്പ് അര ദിവസം കൊണ്ട് സംഘടിപ്പിച്ചിരുന്ന ഉള്ളടക്കം ഇപ്പോൾ പത്ത് മിനിറ്റിനുള്ളിൽ "ഉപയോഗിക്കാവുന്ന പതിപ്പ്" ആക്കി മാറ്റാം, അതിൽ ഉൾപ്പെടുന്നവ:
- ഏതൊക്കെ ക്ലയന്റുകൾക്കാണ് മുൻഗണന നൽകേണ്ടത്
- ഏതൊക്കെ അഭ്യർത്ഥനകളാണ് അപകടസാധ്യതകൾ സൃഷ്ടിക്കുന്നത്
- ഏതൊക്കെ വിവരങ്ങളാണ് വ്യക്തമായി വിട്ടുപോയിരിക്കുന്നത്?
തീർച്ചയായും, ഇതിനർത്ഥം AI നേരിട്ട് "തീരുമാനങ്ങൾ എടുക്കുന്നു" എന്നല്ല; പകരം, മുമ്പ് ചിതറിക്കിടക്കുന്ന വിവരങ്ങൾ ആദ്യം ഒരു ഘടനാപരമായ ഫോർമാറ്റിലേക്ക് ക്രമീകരിക്കുന്നു, അതിനുശേഷം മനുഷ്യർ അന്തിമ വിധി നിർണ്ണയിക്കുന്നു.
ദൈനംദിന ജോലികളിൽ ഈ വ്യത്യാസം വളരെ പ്രധാനമാണ്:
AI നിങ്ങൾക്കായി തീരുമാനങ്ങൾ എടുക്കുന്നില്ല - അത് നിങ്ങൾ "വിവരങ്ങൾക്കായി തിരയുന്നതിന്" ചെലവഴിക്കുന്ന സമയം കുറയ്ക്കുന്നു.
മൂന്നാമത്തെ മാറ്റം കൂടുതൽ രസകരമാണ്: എല്ലാവരും അവരവരുടെ സ്വന്തം വർക്ക്ഫ്ലോകൾ സൃഷ്ടിക്കാൻ തുടങ്ങി.
പരിശീലനത്തിന്റെ അവസാന ദിവസം, എല്ലാവരോടും താരതമ്യേന “തുറന്ന” ഒരു ജോലി ഏറ്റെടുക്കാൻ ഞങ്ങൾ ആവശ്യപ്പെട്ടു:
അവരുടെ ദൈനംദിന ജീവിതത്തിൽ ഏറ്റവും കൂടുതൽ ആവർത്തിക്കുന്ന മൂന്ന് ജോലികൾ തിരിച്ചറിയുകയും AI ഉപയോഗിച്ച് അവയെ എങ്ങനെ പരസ്പരം ബന്ധിപ്പിക്കാമെന്ന് കണ്ടെത്തുകയും ചെയ്യുക.
കോഡിംഗ് ആവശ്യകതകളോ സ്ഥിരമായ ഉത്തരങ്ങളോ ഉണ്ടായിരുന്നില്ല.
ഫലങ്ങൾ വളരെ രസകരമായിരുന്നു:
മത്സരാർത്ഥി ഗവേഷണം, ആഴ്ചതോറുമുള്ള റിപ്പോർട്ട് എഴുത്ത്, ആന്തരിക റിപ്പോർട്ടിംഗ് എന്നിവ ഒരൊറ്റ വർക്ക്ഫ്ലോയിലേക്ക് ഒരു വ്യക്തി ബന്ധിപ്പിച്ചു. ആഴ്ചയിൽ നിരവധി മണിക്കൂറുകൾ എടുത്തിരുന്നത് ഇപ്പോൾ അരമണിക്കൂറിനുള്ളിൽ പൂർത്തിയാക്കാൻ കഴിയും.
മറ്റുള്ളവർ ഒരു "പുതിയ ക്ലയന്റ് ഓൺബോർഡിംഗ് പ്രക്രിയ" സൃഷ്ടിച്ചു, അതിൽ ഇവ ഉൾപ്പെടുന്നു:
- കമ്പനി പശ്ചാത്തലം സ്വയമേവ ക്രമീകരിക്കുന്നു
- പ്രധാന ആശയവിനിമയ പോയിന്റുകൾ വേർതിരിച്ചെടുക്കുന്നു
- ആദ്യ മീറ്റിംഗിനായി സംസാരിക്കാനുള്ള പോയിന്റുകൾ സൃഷ്ടിക്കുന്നു
ഏറ്റവും ശ്രദ്ധേയമായ മാറ്റം വേഗതയല്ല, മറിച്ച് "ഇനി ഒന്നും അവഗണിക്കപ്പെടുന്നില്ല" എന്നതാണെന്ന് വിൽപ്പന സംഘം അഭിപ്രായപ്പെട്ടു.
ഈ പോയിന്റ് യഥാർത്ഥത്തിൽ വളരെ നിർണായകമാണ്:
കാര്യക്ഷമതയിലെ പല പ്രശ്നങ്ങളും മന്ദതയിൽ നിന്നല്ല, മറിച്ച് പൊരുത്തക്കേടിൽ നിന്നാണ് ഉണ്ടാകുന്നത്.
മാറ്റങ്ങൾ നമ്മൾ സങ്കൽപ്പിച്ചത്ര നാടകീയമായിരുന്നില്ല, പക്ഷേ അവ സ്ഥിരമായിരുന്നു.
പരിശീലനത്തിനു ശേഷം, ഒരു മാസ കാലയളവിൽ ഞങ്ങൾ ഒരു ലളിതമായ താരതമ്യം നടത്തി:
- ഇമെയിൽ പ്രോസസ്സിംഗ് സമയം ഗണ്യമായി കുറഞ്ഞു (ഏകദേശം 60% ആണെന്ന് ഞങ്ങൾ കണക്കാക്കുന്നു).
- അന്വേഷണ സ്ക്രീനിംഗ് വേഗത്തിലായി
- വിവരങ്ങൾ സ്വമേധയാ ക്രമീകരിക്കുന്നതിന് ചെലവഴിക്കുന്ന സമയം കുറഞ്ഞു.
- പിശക് നിരക്കും ചെറുതായി കുറഞ്ഞു
എന്നാൽ ഈ സംഖ്യകളേക്കാൾ കൂടുതൽ ശ്രദ്ധേയമായത് ഞങ്ങളുടെ പ്രവർത്തന ശൈലിയിലെ മാറ്റമായിരുന്നു.
മുൻകാലങ്ങളിൽ എല്ലാവരും "ആദ്യം ജോലികൾ കൈകാര്യം ചെയ്യുക, തുടർന്ന് വിവരങ്ങൾ അന്വേഷിക്കുക" എന്ന സമീപനമാണ് പിന്തുടർന്നിരുന്നത്.
ഇപ്പോൾ, ഇത് "ആദ്യം വിവരങ്ങൾ ക്രമീകരിക്കാൻ സിസ്റ്റത്തെ അനുവദിക്കുക, തുടർന്ന് ചുമതല കൈകാര്യം ചെയ്യുക" എന്നതിനുള്ള ഒരു ഉദാഹരണമാണ്.
ക്രമത്തിലുള്ള ഈ മാറ്റം സൂക്ഷ്മമാണ്, പക്ഷേ അതിന്റെ ആഘാതം പ്രധാനമാണ്.
എളുപ്പത്തിൽ അവഗണിക്കാവുന്ന ഒരു കാര്യം: AI കാര്യക്ഷമത കൊണ്ടുവരിക മാത്രമല്ല - അത് ജോലിയുടെ ഘടനയെ മാറ്റുന്നു.
പിന്നീട് ഞങ്ങൾ ആന്തരികമായി ഒരു പ്രശ്നം ചർച്ച ചെയ്തു:
കാര്യക്ഷമത നേട്ടങ്ങളിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയാണെങ്കിൽ, AI യുടെ സ്വാധീനത്തെ കുറച്ചുകാണാൻ എളുപ്പമാണ്.
കൂടുതൽ പ്രധാനപ്പെട്ട മാറ്റങ്ങൾ യഥാർത്ഥത്തിൽ ഇവയാണ്:
- ആളുകളുടെ സമയം ഇപ്പോൾ "വിധി"യിലും "ആശയവിനിമയത്തിലും" കേന്ദ്രീകരിച്ചിരിക്കുന്നു.
- "സംഘടന"യും "ആവർത്തിച്ചുള്ള ജോലികളും" ക്രമേണ കുറയ്ക്കുന്നു.
- വിവരങ്ങളിലുള്ള ടീമിന്റെ ആശ്രയത്വം മാറി.
മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഒരു പ്രത്യേക ജോലി വേഗത്തിലായി എന്നല്ല, മറിച്ച് ജോലിയുടെ ശ്രദ്ധ മാറിയിരിക്കുന്നു എന്നതാണ്.
അന്തിമ ചിന്തകൾ: AI ഒരു ഉപകരണ പ്രശ്നമല്ല, മറിച്ച് ഒരു പ്രക്രിയ പ്രശ്നമാണ്.
ഇക്കാലത്ത് പല കമ്പനികളും AI-യെക്കുറിച്ച് സംസാരിക്കുന്നുണ്ട്, എന്നാൽ യഥാർത്ഥ നടപ്പാക്കലിന്റെ കാര്യത്തിൽ, അവർ പലപ്പോഴും ഒരു കാര്യത്തിൽ കുടുങ്ങിപ്പോകുന്നു:
"അത് ഉപയോഗിക്കണോ വേണ്ടയോ" എന്നതല്ല, മറിച്ച് "അത് എങ്ങനെ സംയോജിപ്പിക്കാം" എന്നതാണു ചോദ്യം.
ഇത്തവണ ഞങ്ങളുടെ അനുഭവം വളരെ ലളിതമായിരുന്നു:
AI വെറുമൊരു സ്വതന്ത്ര ഉപകരണമാണെങ്കിൽ, അതിന്റെ മൂല്യം പരിമിതമാണ്;
പക്ഷേ അത് പ്രക്രിയകളുമായി സംയോജിപ്പിച്ചാൽ, അത് ടീമുകളുടെ പ്രവർത്തിക്കുന്ന രീതിയെ ക്രമേണ പരിവർത്തനം ചെയ്യും.
ഇത് ഏറ്റവും വ്യക്തമായ ഒരു ഏറ്റെടുക്കൽ കൂടിയായിരുന്നു സ്രെസ്കിയുടെ പരിശീലന സെഷൻ.