Binuksan ng isang analyst ang isang draft na buod ng isang kontrata ng supplier, na ginawa ng isang AI assistant sa loob lamang ng ilang segundo. Mahusay itong basahin. Binanggit nito ang isang termination clause at isang payment term, at kumpiyansa ito sa kabuuan. Dati, ginugugol ng analyst ang isang umaga sa pagbabasa ng kontrata para mahanap ang mga bagay na iyon. Ngayon, iba na ang tanong: tama ba ang buod na ito, at ano ang kailangan nilang suriin bago pirmahan ang kanilang pangalan sa ilalim nito?
Ito ay isang naglalarawang senaryo, hindi isang dokumentadong kaso ng customer. Nakukuha nito ang mga nagbabago sa maraming trabaho. Mas mabilis ang pagkuha ng sagot. Ang pagpapasya kung mapagkakatiwalaan ang sagot, at kung sino ang mananagot kung hindi, ay nakasalalay pa rin sa tao.
Ang gabay na ito ay para sa mga pinuno ng L&D at mga instructional designer na nagpaplano ng pagsasanay sa AI workforce. Ipinapakita nito kung paano hanapin ang mga gawain kung saan binabago ng AI ang trabaho ng tao, kung paano bumuo ng kasanayan batay sa mga output na minsan ay mali, at kung paano sukatin ang responsableng paggamit nang hindi nangangako ng mga pakinabang sa produktibidad.
Mabilis na katotohanan
| Tanong | Maikling sagot |
|---|---|
| Ano ang mga pagbabago kapag gumagamit ang mga tao ng AI sa trabaho? | Mas mapapadali ang paggawa ng unang burador o sagot. Ang pagpapatunay nito, paghatol dito, at pag-amin sa resulta ay hindi mawawala. |
| Ano ang dapat ituro ng pagsasanay sa AI? | Ang pagsusuri at paghatol na kailangan ngayon ng isang gawain, kasama ang kaalaman sa larangan na kinakailangan upang maisagawa ito. |
| Maaari bang maayos ng mga tagubilin lamang ang labis na tiwala? | Hindi. Natuklasan sa pananaliksik sa automation bias na nangyari ito sa mga baguhan at eksperto at hindi napigilan ng pagsasanay o mga tagubilin lamang. |
| Ano ang dapat sukatin? | Naobserbahang beripikasyon sa mga totoong gawain, na may mga aprubadong hangganan para sa paggamit ng AI. |
1. Imapa kung paano binabago ng AI ang gawain sa trabaho
Magsimula sa isang tunay na gawain, hindi sa isang kagamitan. Ilarawan ito kung paano ito nagawa bago ang AI at kung paano ito ginagawa ngayon, at paghambingin ang dalawang hanay ayon sa hanay.
Para sa halimbawa ng kontrata:
- Bago: Basahin ang buong kontrata, kunin ang mga pangunahing termino, markahan ang anumang hindi pangkaraniwan, at isulat ang buod.
- ngayon: Suriin ang buod na binuo ng AI, ihambing ito sa pinagmulan, magpasya kung aasa rito, markahan ang anumang hindi pangkaraniwan, at panagutan ang resulta.
Ang ilang mga hakbang ay lumiliit. Ang pagkuha ng mga termino ay maaaring tumagal ng ilang segundo. Ang iba ay lumilitaw o lumalaki: sinusuri ang output laban sa pinagmulan, napansin kung ano ang naiwan sa buod, at nagpapasya kung kailan magtatanong sa isang espesyalista. Ang kasanayang hinihingi ay lumipat mula sa paggawa patungo sa pagsusuri. Sa mga termino ni Bloom, na naglalarawan sa pag-iisip na hinihingi ng isang gawain at hindi kung paano ito isinasagawa, ang bigat ay lumilipat patungo sa pagsusuri at pagsusuri. Ang aming gabay sa pagtutugma ng mga aktibidad sa pagkatuto sa Bloom's Taxonomy nagpapaliwanag kung paano ihanay ang layunin, aktibidad, at pagtatasa kapag alam mo na ang antas.
Ang paghahambing na ito ang puso ng isang tapat na pagsusuri ng mga pangangailangan sa pagsasanay para sa AI. Pinipigilan din nito ang isang karaniwang pagkakamali: ang pagsasanay sa lahat ng tao sa isang kagamitan samantalang ang tunay na pagbabago ay isang bagong tungkulin sa pagsusuri.
2. Tukuyin ang mga hinihingi sa pagpapatunay at paghatol
Magtanong ng tatlong tanong tungkol sa bawat hakbang sa kolum na "ngayon".
- Ano ang magiging hitsura ng isang maling output dito? Isang gawa-gawang sugnay, isang hindi nasagot na eksepsiyon, isang kapani-paniwala ngunit lipas na sa panahon na pigura.
- Anong ebidensya ang magpapahintulot sa akin na suriin ito? Ang dokumentong pinagmulan, isang pangalawang sistema, isang kasamahan, isang patakaran.
- Kailan ako dapat huminto at magtanong sa iba? Ang hangganan sa pagitan ng "Mabeberipika ko ito" at "kailangan nito ng eksperto".
Pinag-aralan ng mga mananaliksik ang nangyayari kapag ang mga tao ay gumagamit ng mga hindi perpektong automated aid sa loob ng maraming dekada. Inilalarawan ng pagsusuri nina Parasuraman at Manzey sa pananaliksik na iyon ang automation bias, kung saan ang mga tao ay nagkakamali sa pagkukulang at paggawa ng mga pagkakamali dahil umaasa sila sa isang decision aid na hindi laging tama. Natuklasan nito ang epekto sa parehong baguhan at ekspertong kalahok at napagpasyahan na hindi ito mapipigilan sa pamamagitan lamang ng pagsasanay o mga tagubilin (Parasuraman at Manzey, 2010, Mga Salik ng Tao). Ang pananaliksik na iyan ay nauna pa sa mga AI assistant ngayon, kaya ituring ito bilang isang babala tungkol sa pag-uugali ng tao, hindi bilang isang sukatan ng anumang kasalukuyang kagamitan.
Ang praktikal na aral para sa pagsasanay ng AI para sa mga empleyado ay ang pagsasabi sa mga tao na "suriin ang output" ay hindi isang disenyo. Mahalaga rin ang mga kondisyon sa paligid ng tao: oras para suriin, pag-access sa pinagmumulan, at isang lugar ng trabaho na hindi sila pinaparusahan sa pagbagal.
3. Bumuo ng kasanayan sa paligid ng mga hindi maaasahang output
Kung ang gawain ngayon ay may kinalaman sa paghusga ng isang output, magsanay sa paghusga ng mga output. Bumuo ng isang maliit na hanay ng mga kaso kung saan ang tugon ng AI ay:
- Tama at kumpleto. Ang tamang gawin ay tanggapin ito, at sabihin ang dahilan.
- Hindi kumpleto. Totoo naman kung tutuusin, pero may nakaligtaan itong isang bagay na mahalaga.
- Nakakahiya. May tiwala sa sarili, mahusay ang pagkakasulat, at mali sa paraang madaling makaligtaan.
Ang mga mag-aaral ay nakakakuha ng bawat kaso, isang mapagkukunan upang suriin ito, at isang pagpipilian: tanggapin, itama, o palawakin ang kanilang mga saloobin. Dapat din nilang ibigay ang dahilan. Suriin ang mga dahilan ng pagsang-ayon o paghamon, hindi lamang ang kumpiyansa. Ang isang mag-aaral na tumatanggap ng tamang sagot nang walang pagsusuri ay hindi nagpapakita ng kasanayan, at ang isang mag-aaral na humahamon sa lahat ng bagay ay hindi rin nagpapakita ng kakayahan.
Angkop dito ang mga interactive na format. Ang bawat tao ay nangangako sa isang desisyon at dahilan bago mag-usap ang grupo, kaya ang labis na tiwala at labis na pag-iingat ay parehong makikita. Sinasaklaw ng self-paced delivery ang unang pass, at ang isang live debrief ay humahawak sa mga malabong kaso kung saan mayroong dalawang defensible reading. Sinusuportahan ng AhaSlides ang interactive learning at paglipat sa pagitan ng live at self-paced delivery, kaya ang isang case set ay maaaring tumakbo sa magkabilang direksyon. Suriin ang anumang partikular na function ng authoring, feedback o reporting laban sa iyong sariling workflow bago ka magplano tungkol dito.
4. Panatilihin ang kinakailangang kaalaman
Hindi mo maaaring suriin ang isang output na hindi mo naiintindihan. Ang isang taong hindi pa natututo kung paano nakikipag-ugnayan ang mga termino ng pagbabayad sa mga karapatan sa pagtatapos ay hindi mapapansin kapag ang isang buod ay nagkamali sa mga ito. Ang pag-access sa AI ay hindi nag-aalis ng pangangailangan para sa pag-unawang iyon. Binabago nito kung saan ito ginagamit.
Magpasya kung aling larangan ng kaalaman ang nakasalalay sa bawat gawain sa pag-verify, at suriin ito bago magsanay, gamit ang isang maikling self-paced diagnostic. Ang recall check na tulad nito ay kumukumpirma lamang ng mga kinakailangan. Hindi nito ipinapakita na maaaring beripikahin ng sinuman ang isang output. Ang Eberly Center ni Carnegie Mellon ay nagbibigay ng parehong punto sa disenyo sa mas pangkalahatang paraan: ang mga pagtatasa, layunin, at mga aktibidad sa pagtuturo ay dapat magkatugma, at kapag ang isang panukat ng pagtatasa ay nakakaalala ngunit ang mga layunin ay nangangailangan ng pagsusuri, nabibigo itong masukat kung ano ang dapat matutunan ng mga mag-aaral, at ang hindi pagkakatugma ay maaaring makasira sa parehong motibasyon at pagkatuto (Eberly Center, pagkakahanay ng mga layunin, pagtatasa at pagtuturo).
5. Sukatin ang responsableng paggamit sa mga totoong gawain
Pumili ng gawain sa pag-verify na talagang ginagawa ng mga tao, at itakda ang mga aprubadong limitasyon para sa paggamit ng AI bago ka sumukat: kung ano ang maaaring italaga sa tool, kung ano ang dapat suriin, at kung ano ang dapat dagdagan pa.
Pinaghihiwalay ng US Centers for Disease Control and Prevention ang pagsusuri sa pagkatuto mula sa pagsusuri kung gaano kahusay itong inilalapat ng mga tao sa trabaho, at inirerekomenda ang pagpaplano para sa pareho (CDC, suriin ang pagsasanay: pagsukat ng bisa). Ito ay gabay sa pagsusuri, hindi isang pagtataya ng mga resulta. Para sa mga gawain sa AI, nangangahulugan ito ng dalawang sukat:
- Pag-aaral: pagganap sa isang bago at hindi pa nakikitang hanay ng mga kaso, kumpara sa isang baseline.
- Maglipat: isang pinangangasiwaang gawain o isang halimbawa ng totoong gawain, na sinuri gamit ang parehong rubric pagkatapos magkaroon ng oras ang mga tao na gamitin ang kanilang natutunan.
Tukuyin kung sino ang kasama, ang denominator at ang tiyempo. Iulat lamang ang kahusayan mula sa nasukat na ebidensya. Kung ang isang koponan ay naging mas mabilis pagkatapos ng pagsasanay sa AI, suriin kung ano pa ang mga nagbago sa parehong panahon, tulad ng isang bagong template, pagbabago ng tauhan o ibang halo ng trabaho, bago i-kredito ang pagsasanay.
Para sa mas malawak na pananaw sa panganib, inilalathala ng National Institute of Standards and Technology ang AI Risk Management Framework, na inilabas noong Enero 2023, na ginagamit ng mga organisasyon upang pag-isipan ang panganib ng AI. Ito ay isang panimulang punto para sa pag-uusap tungkol sa panganib, hindi isang pamantayan sa pagsasanay o isang sertipikasyon.
Isang halimbawa ng trabaho: ang buod ng kontrata
Paglalarawan. Dapat patunayan ng isang practitioner na gumagawa ng gawaing ito ang kaso at ang pamantayan sa sagot bago gamitin.
Ang kaso. Ang mag-aaral ay makakatanggap ng isang kathang-isip na kontrata ng supplier at isang buod na isinulat ng AI. Nakasaad sa buod ang isang 60-araw na abiso ng pagtatapos. Nakasaad sa kontrata ang 60 araw para sa pagtatapos nang walang dahilan at 30 araw para sa paglabag. Hindi rin isinama sa buod ang isang eksepsiyon sa termino ng pagbabayad sa isang apendiks.
Ang hinihiling na gawin ng mag-aaral. Ipaliwanag ang desisyon (tanggapin, itama, o palawigin pa), banggitin ang ebidensya mula sa kontrata, at sabihin kung anong karagdagang impormasyon o suporta ang kakailanganin nila.
Isang mahinang tugon. "Mukhang tumpak ang buod at sakop nito ang mga pangunahing termino. Tanggapin." Wala itong binabanggit at hindi nagpapakita ng tsek.
Mas malakas na tugon. "Hindi ko ito tatanggapin sa kasalukuyang kalagayan. Ang Clause 14 ay nagbibigay ng 60 araw para sa pagtatapos nang walang dahilan ngunit 30 araw para sa paglabag, at ang buod ay binabanggit lamang ang 60. Ang Appendix B ay may eksepsiyon sa pagbabayad na hindi binabanggit sa buod. Itatama ko ang linya ng pagtatapos at idadagdag ang eksepsiyon. Hindi ako sigurado kung ang apendiks ay naaangkop sa supplier na ito, kaya tatanungin ko ang contracts lead."
Ang pagsubok muli. Ang mag-aaral ay makakakuha ng pangalawang kontrata kung saan tama ang buod ng AI. Ang tamang hakbang ngayon ay tanggapin at sabihin kung ano ang nasuri. Pinoprotektahan nito ang mga tao laban sa pagsasanay sa reflexive na paghihinala.
Isang worksheet sa pagsusuri ng gawain ng AI
Gumamit ng isang hilera bawat hakbang sa hanay na "ngayon" para sa isang totoong gawain.
| Hakbang ng Gawain | Ang ginagawa ngayon ng AI | Ang dapat pa ring gawin ng tao | Kailangan ang ebidensya para masuri ito | I-escalate sa | Paunang kinakailangang kaalaman |
|---|---|---|---|---|---|
| I-extract ang mga pangunahing termino | Binabalangkas ang listahan | Ihambing sa pinagmulan | Ang kontrata mismo | Mga lead ng kontrata | Istruktura ng kontrata at mga uri ng sugnay |
| I-flag ang mga hindi pangkaraniwang termino | Nagmumungkahi ng mga kandidato | Magpasya kung ano ang hindi pangkaraniwan sa kontekstong ito | Mga nakaraang kontrata, patakaran | legal | Mga karaniwang termino para sa ganitong uri ng supplier |
| Lagdaan ang buod | Wala | Angkinin ang resulta | Ang nasuring buod | Tagapamahala ng linya | Mga limitasyon sa pag-apruba |
Isang rubric na maaari mong iakma
Bigyan ng puntos ang bawat pamantayan mula 0 hanggang 2. Ito ay isang mungkahi upang umangkop sa isang espesyalista sa tungkulin, hindi isang napatunayang pamantayan ng kahandaan.
| Saligan | Napapansing ebidensya |
|---|---|
| Pagpapatupad ng gawain | Tinutukoy kung saan binabago ng AI ang gawain sa pag-verify at paghatol. Itinatala ang aksyon at ang ebidensya sa likod nito. |
| pangangatwiran | Nagpapaliwanag ng mga limitasyon, alternatibo, at kawalan ng katiyakan. Ang mga dahilan sa pagtanggap o paghamon sa isang output ay nakatali sa pinagmulan. |
| Mga Hangganan | Gumagamit ng mga aprubadong pamamaraan para sa paggamit ng AI at humihingi ng tulong kapag hindi sapat ang impormasyon o awtoridad. |
Mga Anchor: 0 = wala o hindi sinusuportahan. 1 = bahagya, na may mga kaugnay na kakulangan. 2 = kumpleto at makatwiran batay sa napagkasunduang pamantayan. Hiwalay na tukuyin ang mga kritikal na error, halimbawa ang pagpirma sa isang output na sumasalungat sa pinagmulan, o pagbabahagi ng kumpidensyal na data sa isang hindi naaprubahang tool. Hindi dapat itago ng isang kabuuang iskor ang isang kritikal na pagkabigo.
Mga limitasyon na maaaring manatili
Ang mas mahusay na paghatol sa isang kaso ng pagsasanay ay hindi nag-aalis ng bawat hadlang:
- Presyon ng oras. Kung ang mga target na volume ay walang lugar para suriin, lalaktawan ng mga tao ang pagsusuri sa anumang itinuro sa kanila.
- Hindi malinaw na pananagutan. Kung walang pinangalanan bilang may-ari ng isang nasuring output, ang pagsuri ay walang trabaho.
- Mga limitasyon ng kagamitan. Hindi hinahayaan ng ilang tool na makita ng mga tao ang pinagmulan ng isang sagot, na nagpapabagal sa pag-verify.
- Pagpapalit ng mga kagamitan. Ang isang AI system na nagbabago ng gawi pagkatapos ng isang update ay maaaring makasira sa isang nakagawian sa pag-verify na binuo mo noong nakaraang quarter.
Magplano ng magkakahiwalay na solusyon para sa mga ito, at sabihin ito sa mga sponsor. Ang pagsasanay ay maaaring maghubog ng kasanayan. Hindi ito maaaring lumikha ng oras o awtoridad.
Mga madalas itanong
Ano ang dapat saklawin ng pagsasanay sa AI para sa mga empleyado?
Magsimula sa mga gawaing binabago ng AI sa kanilang tungkulin. Saklawin kung paano susuriin ang mga output laban sa ebidensya, kailan dapat i-escalate, ang mga naaprubahang limitasyon para sa paggamit ng AI, at ang kaalaman sa larangan na kailangan upang husgahan ang isang sagot. Pangalawa ang mga tool tips.
Tinatanggal ba ng AI ang pangangailangan para sa kaalaman sa domain?
Hindi. Kailangan ng mga tao ng sapat na pag-unawa upang mapansin kung kailan mali o hindi kumpleto ang isang output. Ang nagbabago ay kung paano ginagamit ang kaalamang iyon: mas kaunting paggawa, mas maraming pagsusuri.
Paano mo sinusuri ang pagpapasya ng tao sa mga gawaing tinutulungan ng AI?
Bigyan ang mga mag-aaral ng mga makatotohanang kaso na may tama, hindi kumpleto, at nakaliligaw na mga output, at bigyan ng marka ang kanilang mga dahilan sa pagtanggap, pagwawasto, o pagpapalala. Pagkatapos, obserbahan ang isang pinangangasiwaang totoong gawain pagkatapos ng angkop na pagkaantala.
Saan magsisimula
Pumili ng isang gawain na ginagawa na ngayon ng mga tao sa iyong organisasyon gamit ang tulong ng AI. Punan ang worksheet sa itaas ng isang taong gagawa ng trabaho, at tandaan ang tatlong lugar kung saan ang maling output ay lubos na makakasama. Buuin ang iyong unang kaso ng pagsasanay batay sa isa sa mga ito.
Para makita kung paano magkakasya ang isang self-paced check, isang interactive case practice, at isang live debrief para sa gawaing iyon, tuklasin ang AhaSlides.
