Praktičan AI workshop

Vodio sam fokusiran workshop sa startupima iz Scale SEE programa o skaliranju organizacije uz AI.

Ušao sam očekujući da ćemo uglavnom pričati o automatizaciji.

A najkorisnije je bilo šta su ljudi napisali kad sam pitao: „Koji interni loop i dalje svake nedelje visi o jednoj osobi?“

Odgovori su bili jednostavni, ali stvarni: fakture, customer support, onboarding, outbound, sales follow-up, lead follow-up, WhatsApp feedback koji postaje Jira ticket, zahtevi za code review koji postaju merge odluke, i content review kome treba product i tehnički kontekst.

Startupi su imali različite proizvode, ali se pojavio sličan problem.

Bitan kontekst zapne: u nečijoj glavi, na Google Drive-u, u Confluence-u, u mejlovima, u ChatGPT ili Claude threadovima, u WhatsApp grupama, i u alatima koje ne čitaju svi.

Onda jedna osoba to prevodi za sve ostale.

Sales ka tehničkom. Feedback klijenta ka produktu. Ideja osnivača ka izvršenju. Tehničko ograničenje ka objašnjenju klijentu.

Tokom sesije, timovi su mapirali interne loop-ove koji i dalje svake nedelje vise o jednoj osobi.

• Fakture i računovodstvo
• Customer support
• Onboarding
• Outbound
• Sales follow-up
• Lead follow-up
• WhatsApp feedback koji postaje Jira ticket
• Zahtevi za code review koji postaju merge odluke
• Content review kome treba product i tehnički kontekst

Glavni framework je bio: Trigger > Source > Judgment > Output > Check.

To je odvojilo maglovite ideje „treba nam AI ovde“ od pravog dizajna sistema.

Koristan AI sistem treba da zna šta pokreće loop, gde živi source materijal, koja se procena mora doneti, koji output treba da izađe, i ko ili šta proverava rezultat.

AI pomaže kad kontekst treba da se kreće između ljudi, alata i odluka sa manje trenja.

Ne tako što magično zameni ljude.

Nego tako što pravi kontekst stigne do prave osobe, alata ili tačke odluke u pravo vreme.

Izašao je koristan pattern: pre automatizacije, učini kontekst dovoljno jasnim da tim može da ga koristi.

Na workshop-u mi se svidelo to što, kad su timovi pitali za sledeći potez, niko nije izabrao „automatizuj sad“.

Većina je izabrala ili custom build, ili prvo popravi loop.

To je zvučalo kao pravi odgovor.

AI sistemi padaju kad tim preskoči source sloj i sloj ljudskog odobrenja.

Pre nego što se nešto automatizuje ili potpomogne, tim treba da razume source-ove, vlasnike, odluke, alate i provere iza posla.

Ponekad pravi odgovor nije „automatizuj sad“.

• Prvo popravi loop
• Kupi jednostavan alat
• Custom-build samo deo kome treba custom logika
• Ostavi čoveka u loop-u

Ovaj workshop nije tehnički build case study.

Pokazuje discovery sloj pre build-a.

• Mapiranje nerednog internog rada
• Prepoznavanje AI-ready loop-ova
• Odvojiti hype oko automatizacije od dizajna sistema
• Prevesti poslovni problem u moguću AI arhitekturu
• Pomoći timu da odluči šta popraviti, kupiti, napraviti ili ostaviti na miru

Timovi su pokušavali da razumeju gde AI može da pomogne, ali im je interni rad bio rasut po ljudima, dokumentima, alatima, porukama i koracima odobrenja.

Facilitirao sam workshop koji je mapirao uloge, interne loop-ove, izvore znanja, tačke procene, očekivane outpute i ljudske provere.

Sesija je koristila Trigger > Source > Judgment > Output > Check da maglovite AI prilike pretvori u konkretna pitanja dizajna sistema.

Output je bio jasniji pogled koji su loop-ovi AI-ready, kojima prvo treba bolja struktura, i gde custom AI sistemi imaju smisla.