· 3 min czytania

Ten o nadprodukcji z AI

AI przyspiesza tworzenie kodu, dokumentów i analiz. Kiedy to nie przyspiesza całej organizacji i jak uniknąć lokalnej nadprodukcji przed wąskim gardłem.

Jak AI wpłynie na wytwarzanie rozwiązań cyfrowych?

Obserwacje ostatnich miesięcy wskazują, że sztuczna inteligencja może mocno zmieniać sposób, w jaki tworzymy różne elementy, od kodu po treści marketingowe. Produkcja staje się szybsza i bardziej dostępna. Czy na pewno prowadzi to do wzrostu efektywności całej organizacji?

Czy szybsze działy oznaczają szybszą firmę?

Niekoniecznie. Łatwy dostęp do narzędzi AI sprawia, że każdy dział może produkować więcej i szybciej. Organizacja dostarcza jednak klientowi wynik całego łańcucha. Eliyahu Goldratt w „The Goal” pokazał, że przepustowość systemu wyznacza jego najwolniejsze ogniwo. Przyspieszanie pozostałych ogniw nie zwiększa wyniku, tylko powiększa zapas przed wąskim gardłem.

Jeśli AI pozwala zespołowi produktowemu napisać dziesięć specyfikacji tygodniowo zamiast dwóch, a zespół, który je realizuje, nadal zrobi dwie, to osiem czeka. Jeśli developerzy piszą kod dwa razy szybciej, a przegląd kodu i testy akceptacyjne trwają tyle samo, kolejka rośnie przed przeglądem.

Czym jest lokalna nadprodukcja?

Wytwarzaniem więcej, niż kolejny krok jest w stanie przyjąć. Taiichi Ohno w „Toyota Production System” uznał nadprodukcję za najgorsze z marnotrawstw, bo ukrywa pozostałe: zapasy, czekanie i poprawki. W pracy z wiedzą nadprodukcja jest mniej widoczna niż w fabryce. Nikt nie potyka się o stos dokumentów, prototypów i analiz, które powstały, bo powstawały łatwo, i które nikomu nie posłużyły.

Takie produkty mają jednak koszt. Ktoś je czyta, uzgadnia, przegląda, utrzymuje. Opisałem podobny mechanizm przy nadprodukcji w security: więcej wyników narzędzia nie daje więcej bezpieczeństwa, gdy nikt nie nadąża ich obsłużyć.

Nadprodukcja z AI. Na górze łańcucha przepływu: pomysł, specyfikacja, kod, przegląd, wdrożenie, klient. AI przyspiesza specyfikację i kod. Przegląd i wdrożenie zostają wąskim gardłem, przed którym rośnie kolejka dokumentów, prototypów i analiz. Pod spodem koszty nadprodukcji: czytanie, uzgadnianie, przegląd, utrzymanie. Na dole trzy pytania: gdzie jest wąskie gardło całego przepływu, czy AI je odciąża, czy tylko dokłada mu pracy, kto koordynuje przepływ między działami.

Gdzie AI może dać najwięcej?

W wąskim gardle. Jeśli ograniczeniem jest przegląd kodu, AI, która pomaga go przyspieszyć albo zmniejsza liczbę poprawek, da więcej niż AI, która pozwala pisać więcej kodu. Jeśli ograniczeniem jest decyzja biznesowa, pomoże analiza, która tę decyzję ułatwia. Dziesięć kolejnych wersji prototypu jej nie przyspieszy. To ta sama logika, którą opisałem przy jednym wąskim gardle: najpierw znajdź ograniczenie, potem mu podporządkuj resztę.

Co z koordynacją między działami?

Bez niej wąskie gardła nadal ograniczają potencjał organizacji. Każdy dział, który wdraża AI na własną rękę, optymalizuje swoją część. Ktoś musi patrzeć na cały przepływ: od pomysłu do klienta. Może to być wspólna mapa strumienia wartości, wspólne miary czasu od pomysłu do wdrożenia albo regularny przegląd, na którym działy patrzą na to, gdzie praca czeka najdłużej.

Być może największe wyzwanie polega na tym, jak zintegrować nowe możliwości technologiczne z procesami, które obejmują całą organizację. Wraca tu też pytanie o adopcję: szybsza budowa nie przyspiesza tego, jak ludzie przyjmują nowe rozwiązania.

Jakie zmiany Waszym zdaniem pozwoliłyby w pełni wykorzystać potencjał AI w organizacji?

Bibliografia

  1. Goldratt, E. M., Cox, J. (1984). The Goal: A Process of Ongoing Improvement. North River Press.
  2. Ohno, T. (1988). Toyota Production System: Beyond Large-Scale Production. Productivity Press.

💬 Dołącz do dyskusji na LinkedIn → Komentuj i podziel się swoim podejściem