การปฏิวัติทักษะของ Gen AI: การคิดใหม่เกี่ยวกับกลยุทธ์ด้านบุคลากรของคุณ

การพัฒนาบุคลากรด้านซอฟต์แวร์นั้น บริษัทต่างๆ จำเป็นต้องเติบโตโดยคำนึงถึงทักษะมากกว่าบทบาทหน้าที่ เพื่อก้าวไปข้างหน้าในช่วงเวลาแห่งความไม่แน่นอนนี้เกี่ยวกับบุคลากร

หากทุกบริษัทจำเป็นต้องเป็นบริษัทซอฟต์แวร์ คุณมีองค์กรซอฟต์แวร์ที่สามารถส่งมอบผลงานได้หรือไม่ คำตอบของคำถามนี้อาจมีความสำคัญต่ออนาคตของบริษัทหลายแห่งแถบด้านข้าง

เกี่ยวกับผู้เขียน

ความสามารถในการแข่งขัน  ขึ้นอยู่กับว่าองค์กรต่างๆ สามารถสร้างผลิตภัณฑ์และบริการซอฟต์แวร์ได้ดีเพียงใด ปัจจุบัน องค์กรที่มีผลงานทางเศรษฐกิจดีเกือบ 70 เปอร์เซ็นต์ใช้ซอฟต์แวร์ของตนเองเพื่อสร้างความแตกต่างจากคู่แข่ง เมื่อเทียบกับเพียงครึ่งเดียวขององค์กรที่มีผลงานทางเศรษฐกิจดี องค์กรที่มีผลงานทางเศรษฐกิจดีเหล่านี้หนึ่งในสามใช้ซอฟต์แวร์หารายได้จากซอฟต์แวร์โดยตรง¹Generative AI (gen AI) นำเสนอโอกาสอันน่าดึงดูดที่จะเพิ่มโอกาสในการสร้างมูลค่านี้ด้วยการช่วยให้ผู้มีความสามารถด้านซอฟต์แวร์สร้างโค้ดที่ดีขึ้นได้รวดเร็วยิ่งขึ้น

การทดลองที่น่าสนใจซึ่งใช้ gen AIเพื่อสนับสนุนงานเขียนโค้ดแสดงให้เห็นถึงการปรับปรุงประสิทธิภาพการทำงานที่น่าประทับใจ gen AI ช่วยปรับปรุงประสิทธิภาพการทำงานของผู้จัดการผลิตภัณฑ์ (PM) ได้ถึง 40 เปอร์เซ็นต์ ในขณะเดียวกันก็  ลดเวลาที่ใช้  ในการจัดทำเอกสารและเขียนโค้ดลงครึ่งหนึ่ง ตัวอย่างเช่น ที่ IBM Software นักพัฒนาที่ใช้ gen AI พบว่าประสิทธิภาพการทำงานเพิ่มขึ้น 30 ถึง 40 เปอร์เซ็นต์²แบ่งปันแถบด้านข้าง

เกี่ยวกับ McKinsey Technology

แม้ว่า Gen AI จะมีแนวโน้มที่ดี แต่แทบไม่ได้แสดงศักยภาพออกมาอย่างเต็มที่ แม้ว่าผู้ตอบแบบสำรวจMcKinsey Global Survey เกี่ยวกับสถานะของ AI ราว 65 เปอร์เซ็นต์  จะรายงานว่าพวกเขาใช้ Gen AI เป็นประจำ แต่มีเพียง 13 เปอร์เซ็นต์เท่านั้นที่ใช้ Gen AI อย่างเป็นระบบในวิศวกรรมซอฟต์แวร์³ประสบการณ์ของเราที่ทำงานร่วมกับบริษัทต่างๆ เผยให้เห็นว่าในปัจจุบันเครื่องมือ Gen AI ช่วยในกิจกรรมการเขียนโค้ดของนักพัฒนาได้ประมาณ 10 ถึง 20 เปอร์เซ็นต์แบ่งปันแถบด้านข้าง

เกี่ยวกับ QuantumBlack, AI โดย McKinsey

การปรับขนาดความสามารถของ Gen AI จำเป็นต้องให้บริษัทต่างๆปรับเปลี่ยนวิธีการทำงานใหม่และจุดเน้นที่สำคัญในการปรับเปลี่ยนคือการพัฒนาบุคลากรที่จำเป็นสำหรับความสามารถเหล่านี้ ภาพรวมของ Gen AI และวิธีที่ทีมซอฟต์แวร์ทำงานร่วมกับเทคโนโลยีเพื่อสร้างผลิตภัณฑ์และบริการมีแนวโน้มที่จะคงที่ในอีกสองถึงสามปีข้างหน้า เมื่อเทคโนโลยีมีความสมบูรณ์มากขึ้นและบริษัทต่างๆ ได้รับประสบการณ์มากขึ้น ทักษะและแนวทางปฏิบัติที่จำเป็นต่อความสำเร็จในขณะนี้อาจเปลี่ยนแปลงไปอย่างมากเมื่อเวลาผ่านไป จนกว่าจะถึงเวลานั้น บริษัทต่างๆ จะต้องเดินหน้าผ่านช่วงเวลาแห่งการเปลี่ยนแปลงและการเรียนรู้ที่ไม่แน่นอน

เพื่อช่วยวางแผนเส้นทางข้างหน้าได้อย่างประสบความสำเร็จ บทความนี้จะระบุทักษะใหม่ๆ ที่ทีมซอฟต์แวร์จะต้องมี ตรวจสอบว่าวิวัฒนาการของซอฟต์แวร์จะเปลี่ยนแปลงบทบาทและความเสี่ยงไปอย่างไร และเปิดเผยว่าบริษัทต่างๆ สามารถปรับแนวทางการจัดการบุคลากรเพื่อพัฒนาทักษะให้มีความยืดหยุ่นและตอบสนองได้ดีขึ้นอย่างไร

การพัฒนาซอฟต์แวร์กำลังเปลี่ยนแปลงไปอย่างไร

การคิดทบทวนความสามารถด้านวิศวกรรมใดๆ จำเป็นต้องเริ่มต้นด้วยความเข้าใจว่า Gen AI จะส่งผลต่อวงจรชีวิตการพัฒนาผลิตภัณฑ์ (PDLC) อย่างไร การเปลี่ยนแปลงเหล่านี้น่าจะมีนัยสำคัญ  และส่งผลต่อทุกขั้นตอนของวงจรชีวิต (แสดง) การวิจัยล่าสุดของ McKinsey แสดงให้เห็นว่าเครื่องมือ Gen AI มีผลกระทบเชิงบวกต่องานที่เน้นเนื้อหา (เช่น การสังเคราะห์ข้อมูล การสร้างเนื้อหา และการระดมความคิด) เกือบสองเท่า  เมื่อเทียบกับงานที่เน้นเนื้อหา (เช่น การสร้างภาพ)

นิทรรศการ

เราพยายามให้ผู้พิการสามารถเข้าถึงเว็บไซต์ของเราได้อย่างเท่าเทียมกัน หากคุณต้องการข้อมูลเกี่ยวกับเนื้อหานี้ เรายินดีที่จะร่วมงานกับคุณ โปรดส่งอีเมลถึงเราที่: 

McKinsey_Website_Accessibility@mckinsey.com

หากจะยกตัวอย่างเพียงบางส่วน เราได้เห็นเทคโนโลยี AI เจนเนอเรชันจัดการกับงานง่ายๆ บางอย่าง เช่น การเขียนโค้ดและไวยากรณ์พื้นฐาน การจัดทำเอกสารโค้ด และงานออกแบบเว็บและกราฟิกบางส่วน นอกจากนี้ ยังมีความคืบหน้าเบื้องต้นกับฟังก์ชันที่ซับซ้อนมากขึ้น เช่น การสร้างกรณีทดสอบและแบ็กล็อก การพัฒนาข้อมูลเชิงลึกจากแนวโน้มตลาด การทำให้การรวบรวมข้อมูลอัตโนมัติ และการประมาณและแก้ไขผลกระทบของจุดบกพร่อง

การคิดทบทวนความสามารถด้านวิศวกรรมใดๆ จำเป็นต้องเริ่มด้วยการทำความเข้าใจว่า Gen AI จะส่งผลต่อวงจรชีวิตการพัฒนาผลิตภัณฑ์อย่างไร

เมื่อเวลาผ่านไป Gen AI ควรสามารถสร้างข้อมูลเชิงลึกจากการทดสอบที่สร้างขึ้นโดยอัตโนมัติ บันทึกระบบ ข้อเสนอแนะของผู้ใช้ และข้อมูลประสิทธิภาพ Gen AI สามารถใช้ข้อมูลเชิงลึกและแนวคิดที่สร้างขึ้นเองสำหรับฟีเจอร์ใหม่เพื่อสร้างหลักฐานของแนวคิดและต้นแบบ รวมถึงลดต้นทุนการทดสอบและปลดล็อกความเชื่อมั่นในการตรวจสอบที่สูงขึ้น (เช่น สมมติฐานหลายรายการและการทดสอบ A/B) คาดว่าการพัฒนาเหล่านี้จะลดเวลา PDLC ลงอย่างมากจากหลายเดือนเป็นหลายสัปดาห์หรือหลายวัน ปรับปรุงคุณภาพโค้ด และลดหนี้ทางเทคนิค

ทักษะใหม่สำหรับยุคใหม่

บทความนี้มีความเกี่ยวข้องและมีประโยชน์ต่อคุณมากเพียงใด?

ข้อมูลเชิงลึกที่ได้รับความนิยมมากที่สุด

1. อนาคตของสำนักงาน
2. หน่วยงานระดับสูงในสถานที่ทำงาน: ส่งเสริมให้ผู้คนสามารถปลดล็อกศักยภาพทั้งหมดของ AI
3. ซีอีโอในฐานะนักกีฬาชั้นนำ: ผู้นำธุรกิจสามารถเรียนรู้อะไรจากกีฬาสมัยใหม่ได้บ้าง
4. อนาคตของ Medicare Advantage
5. การบรรลุการเติบโต: การนำแนวคิดและพฤติกรรมของผู้นำไปปฏิบัติจริง

แม้ว่าผู้นำหลายคนจะเข้าใจในระดับสูงว่าจำเป็นต้องมีทักษะใหม่ในการทำงานกับ AI เจนเนอเรชั่น แต่แนวคิดของพวกเขาเกี่ยวกับวิธีที่การเปลี่ยนแปลงเหล่านี้อาจสร้างมูลค่าได้นั้นมักคลุมเครือและขาดข้อมูลเพียงพอ ดังนั้น การตัดสินใจที่ดูเหมือนจะกล้าหาญบนกระดาษ เช่น การซื้อใบอนุญาตเครื่องมือ AI เจนเนอเรชั่นหลายร้อยใบให้กับนักพัฒนา จึงเกิดขึ้นโดยขาดความเข้าใจที่ชัดเจนเกี่ยวกับผลประโยชน์ที่อาจได้รับ และขาดการฝึกอบรมนักพัฒนาอย่างเพียงพอ ผลลัพธ์ที่ได้คือผลลัพธ์ที่คาดเดาได้ไม่ดี

บทบาทที่สำคัญทั่วทั้งองค์กร ไม่ว่าจะเป็นนักวิทยาศาสตร์ข้อมูลและนักออกแบบประสบการณ์ ไปจนถึงผู้เชี่ยวชาญด้านไซเบอร์และตัวแทนฝ่ายบริการลูกค้า จะ ต้องเรียนรู้ทักษะ ใหม่ๆ มากมาย⁴ธุรกิจที่หวังจะดำเนินการเช่นเดียวกับบริษัทซอฟต์แวร์จะต้องให้ความสนใจเป็นพิเศษกับบทบาทสำคัญสองตำแหน่ง นั่นก็คือ วิศวกรและผู้จัดการโครงการ

วิศวกร

ทักษะที่วิศวกรต้องพัฒนาจะแบ่งออกเป็น 3 ด้าน:

• การตรวจสอบโค้ดจำนวนมากที่สร้างขึ้นโดยเครื่องมือ AI รุ่นปัจจุบันจำเป็นต้องมีการแก้ไข ในระดับหนึ่ง จำเป็นต้องให้ผู้พัฒนาเปลี่ยนจากผู้ทำเป็นผู้ตรวจสอบ ซึ่งไม่ใช่เรื่องพื้นฐานอย่างที่คิด นักเขียนโค้ดที่เชี่ยวชาญบางคนไม่ใช่ผู้ตรวจสอบที่ดี ผู้ตรวจสอบที่ดีต้องสามารถประเมินความเข้ากันได้ของโค้ดกับที่เก็บโค้ดและสถาปัตยกรรมที่มีอยู่ได้ ตัวอย่างเช่น และเข้าใจสิ่งที่จำเป็นเพื่อให้ทีมอื่นสามารถดูแลโค้ดได้อย่างง่ายดาย ซึ่งเป็นทักษะที่วิศวกรที่มีประสบการณ์มากกว่ามักมี แต่เพื่อนร่วมงานรุ่นน้องจำเป็นต้องสร้าง นักพัฒนาจะต้องไม่เพียงแค่ค้นหาสิ่งที่ซ้ำซ้อนหรือข้อผิดพลาดที่ชัดเจนเท่านั้น แต่ต้องมั่นใจว่าโค้ดมีคุณภาพสูงโดยพัฒนาทักษะการตรวจสอบทางนิติวิทยาศาสตร์ขั้นสูงเพื่อระบุและแก้ไขปัญหา การ “ฝึกอบรม” เครื่องมือ AI รุ่นปัจจุบันจะซับซ้อนยิ่งขึ้น ซึ่งต้องเรียนรู้จากการทำงานเพื่อให้ดีขึ้น ซึ่งจะต้องให้วิศวกรเข้าใจวิธีการให้ข้อเสนอแนะกับเครื่องมือและกำหนดว่างานประเภทใดที่เครื่องมือที่กำหนดจะมีโอกาสเรียนรู้ได้ดีที่สุด
• เชื่อมต่อการรวมความสามารถของเอเจนต์ AI หลายตัวเข้าด้วยกันสามารถปรับปรุงความเร็วในการแก้ปัญหาและคุณภาพของโซลูชันได้ องค์กรบางแห่งได้รวม Gen AI เข้ากับกรณีการใช้งาน AI เชิงประยุกต์แล้ว เช่น การใช้ระบบ AI เชิงประยุกต์เพื่อวิเคราะห์ประสิทธิภาพของเนื้อหาที่สร้างโดย Gen-AI โดยระบุรูปแบบในการมีส่วนร่วมของผู้ใช้ ซึ่งจากนั้นจะป้อนกลับไปยังโมเดล⁵ตัวอย่างเช่น Recursion ซึ่งเป็นบริษัทด้านเทคโนโลยีชีวภาพ ได้พัฒนาแพลตฟอร์ม AI รุ่นใหม่ที่ช่วยให้นักวิทยาศาสตร์สามารถเข้าถึงโมเดลการเรียนรู้ของเครื่องจักรหลายโมเดลที่สามารถประมวลผลชุดข้อมูลทางชีววิทยาและเคมีที่เป็นกรรมสิทธิ์จำนวนมากได้ ทักษะสำคัญที่วิศวกรต้องพัฒนาก็คือวิธีการเลือกและรวมแอปพลิเคชันและโมเดล AI รุ่นใหม่เข้าด้วยกัน (ตัวอย่างเช่น วิธีที่โมเดลหนึ่งอาจเหมาะกับการควบคุมคุณภาพสำหรับโมเดลเฉพาะอื่น)
• การออกแบบเนื่องจากเทคโนโลยี AI เจนเนอเรชันเข้ามามีบทบาทกับงานเขียนโค้ดพื้นฐานมากขึ้น วิศวกรจึงสามารถพัฒนา “ทักษะต้นน้ำ” ใหม่ๆ ที่มีคุณค่าสูงขึ้นได้ เช่น การเขียนเรื่องราวของผู้ใช้ การพัฒนาโครงร่างโค้ด (เช่น ไลบรารีโค้ด โปรแกรมสนับสนุน) การทำความเข้าใจผลลัพธ์ทางธุรกิจ และการคาดการณ์เจตนาของผู้ใช้ การสื่อสารเป็นทักษะใหม่ที่สำคัญ และจำเป็นเพื่อให้แน่ใจว่าวิศวกรสามารถมีส่วนร่วมกับทีม ผู้นำ เพื่อนร่วมงาน และลูกค้าได้อย่างมีประสิทธิภาพมากขึ้น

คุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับMcKinsey Technologyหรือไม่

ผู้จัดการผลิตภัณฑ์

สำหรับผู้จัดการผลิตภัณฑ์ทักษะที่ซับซ้อนพอๆ กันจะเน้นไปที่พื้นที่ต่อไปนี้:

• การใช้เทคโนโลยี Gen AIเช่นเดียวกับวิศวกรซอฟต์แวร์ ผู้จัดการโครงการจะต้องพัฒนาทักษะใหม่ๆ เพื่อทำงานกับเทคโนโลยี Gen AI ได้อย่างมีประสิทธิภาพ องค์กรด้านฮาร์ดแวร์/ซอฟต์แวร์แห่งหนึ่งได้ประเมินทักษะของพนักงานด้านเทคโนโลยีและพบว่าผู้จัดการโครงการจำเป็นต้องพัฒนาทักษะด้าน AI ในระดับเดียวกันกับบทบาทอื่นๆ ตัวอย่างเช่น เมื่อ Gen AI พัฒนาต้นแบบได้ดีขึ้น ผู้จัดการโครงการจะต้องเชี่ยวชาญในเครื่องมือแบบ low-code และ no-code และคำสั่งแบบวนซ้ำเพื่อทำงานกับโมเดลเพื่อปรับแต่งผลลัพธ์ ผู้จัดการโครงการจะต้องเชี่ยวชาญในการทำความเข้าใจและพัฒนาเฟรมเวิร์ก “ตัวแทน” ซึ่งเป็นโมเดลภาษาขนาดใหญ่ (LLM) ที่ทำงานร่วมกันเพื่อทำงานให้เสร็จสมบูรณ์ ซึ่งจะต้องให้ผู้จัดการโครงการพัฒนาแผนสำหรับการทำงานกับ LLM เหล่านี้ โดยคำนึงถึงปัจจัยเฉพาะ เช่น ต้นทุนที่เกิดขึ้นเมื่อโมเดลดำเนินการอนุมาน
• การนำไปใช้และความไว้วางใจเนื่องจากมีความกังวลอย่างมากเกี่ยวกับความไว้วางใจ ไม่ว่าจะเป็นการไม่ไว้วางใจ AI ทั่วไปหรือไว้วางใจมากเกินไป โปรแกรมการนำมาตรฐานมาใช้ (เช่น การฝึกอบรมขั้นพื้นฐานเกี่ยวกับวิธีการใช้เครื่องมือใหม่) จึงไม่เพียงพอ ผู้จัดการโครงการต้องพัฒนาทักษะความเห็นอกเห็นใจที่แข็งแกร่งเพื่อระบุอุปสรรคที่ชัดแจ้งและโดยนัยต่อความไว้วางใจ (เช่น ไม่ไว้วางใจคำตอบที่โซลูชัน AI ทั่วไปให้มา) และเพื่อจัดการกับอุปสรรคเหล่านี้ ความกังวลที่สำคัญเกี่ยวกับความเสี่ยงหมายความว่าผู้จัดการโครงการจะต้องทำงานร่วมกับผู้เชี่ยวชาญด้านความเสี่ยงเพื่อให้แน่ใจว่ามีการรวมการตรวจสอบและมาตรการที่เหมาะสม  ในทุกขั้นตอนของ PDLC

บทบาทที่เกิดขึ้นใหม่และการรวมเข้าด้วยกัน โดยมีการกำกับดูแลจากผู้นำมากขึ้น

ทักษะใหม่ๆ ที่จำเป็นในการใช้ AI ทั่วไปจะส่งผลต่อวิธีการทำงานและสิ่งที่ผู้คนทำในงานของตน ส่งผลให้เกิดคำถามสำคัญว่าบทบาทต่างๆ จำเป็นต้องปรับตัวอย่างไรและผู้นำต้องกำกับดูแลอย่างไร

บทบาทที่เกิดขึ้นและการรวมเข้าด้วยกัน

เมื่อ AI เจนเนอเรชั่นช่วยให้ผู้คนมีประสิทธิผลมากขึ้น ก็อาจเกิดความคิดที่ว่าทีมซอฟต์แวร์จะมีขนาดเล็กลง ซึ่งอาจเป็นเรื่องจริง แต่การดูแลรักษาหรือขยายทีมเพื่อให้ทำงานได้มากขึ้นก็อาจดูสมเหตุสมผลเช่นกัน บ่อยครั้ง การสนทนาจะเน้นไปที่บทบาทที่อยู่ในตำแหน่งหรือไม่อยู่ในตำแหน่ง ในขณะที่ความเป็นจริงนั้นอาจมีความซับซ้อนและสับสนมากกว่า เราคาดหวังว่าบทบาทต่างๆ จะต้องรับภาระความรับผิดชอบใหม่ๆ เช่น วิศวกรซอฟต์แวร์ใช้เครื่องมือ AI เจนเนอเรชั่นในการดำเนินกิจกรรมการทดสอบ และบทบาทบางอย่างจะรวมเข้ากับบทบาทอื่นๆ ตัวอย่างเช่น บทบาทของผู้จัดการผลิตภัณฑ์และนักพัฒนาอาจรวมเข้าเป็นนักพัฒนาผลิตภัณฑ์ในที่สุด ซึ่งบุคคลที่มีประสิทธิภาพสูงคนหนึ่งสามารถใช้เครื่องมือ AI เจนเนอเรชั่นต่างๆ เพื่อสร้างแบบจำลอง พัฒนาข้อกำหนด และสร้างโค้ดตามข้อกำหนดเหล่านั้น

บ่อยครั้ง การสนทนาเน้นไปที่บทบาทใดที่จะอยู่ในหรืออยู่นอกบทบาท ในขณะที่ความเป็นจริงมักจะมีความซับซ้อนและสับสนมากกว่า

เนื่องจากธรรมชาติของ AI เจนเนอเรชันที่ยังพิสูจน์ไม่ได้และคาดเดาไม่ได้ในระยะสั้น จึงจำเป็นต้องมีบทบาทใหม่ เช่น บทบาทที่เน้นที่ความปลอดภัยของ AI และความรับผิดชอบต่อข้อมูล และตรวจสอบและอนุมัติโค้ดด้วย พื้นที่อื่นๆ ที่มีขอบเขตสำคัญที่อาจต้องการบทบาทใหม่อาจรวมถึงการเลือกและจัดการ LLM การฝึกอบรมและการจัดการตัวแทน AI เจนเนอเรชัน ความรับผิดต่อบุคคลที่สามของโมเดล และความสามารถในการดำเนินการ LLM (LLMOps) เพื่อดูแลประสิทธิภาพของโมเดลในช่วงเวลาต่างๆ

เราคาดการณ์ว่าการเปลี่ยนแปลงในภูมิทัศน์ของทักษะด้านเทคโนโลยีจะเร่งตัวขึ้น ซึ่งต้องให้ทีมทรัพยากรบุคคลและเทคโนโลยีตอบสนองมากขึ้นในการกำหนด (และกำหนดใหม่) ว่าทักษะต่างๆ จะถูกรวมเข้ากับบทบาทต่างๆ อย่างไร

การกำกับดูแลที่เข้มแข็ง

การกำหนดว่าทักษะใดมีความสำคัญต่อธุรกิจและกลยุทธ์เป็นความรับผิดชอบของผู้นำในระยะยาว อย่างไรก็ตาม ความไม่แน่นอนและโอกาสเฉพาะตัวที่เกี่ยวข้องกับ AI เจนเนอเรชั่นนั้นต้องการการเน้นย้ำเป็นพิเศษจากผู้นำ มีสองด้านที่โดดเด่นเป็นพิเศษและมีความสำคัญเป็นพิเศษ:

• การสร้างมาตรฐานเมื่อกลุ่มและบุคคลต่างๆ เริ่มนำร่อง AI เจนเนอเรชั่น เครื่องมือ แพลตฟอร์ม และสถาปัตยกรรมต่างๆ ก็เพิ่มขึ้นอย่างรวดเร็ว บริษัทต่างๆ ควรเน้นที่ความสามารถมาตรฐานชุดเดียวและพัฒนาความสอดคล้องกันเกี่ยวกับประเภทของทักษะที่จำเป็น ผู้นำจะต้องทำให้เครื่องมือ โมเดล กระบวนการ และแนวทางของ AI เจนเนอเรชั่นเป็นมาตรฐาน และกำหนดว่าควรออกใบอนุญาตความสามารถ สร้างมันขึ้นมา หรือร่วมมือกับผู้ให้บริการ  (โดยส่วนใหญ่แล้วจะขึ้นอยู่กับทักษะที่มีอยู่ในธุรกิจ)
• ความเสี่ยงความกังวลอย่างต่อเนื่องเกี่ยวกับความเสี่ยงที่เกี่ยวข้องกับ Gen AI  ต้องการให้ผู้นำพัฒนาแนวทางปฏิบัติและความคาดหวังที่ชัดเจนสำหรับพนักงาน แม้ว่าจะไม่สามารถคาดหวังให้บุคลากรด้านซอฟต์แวร์กลายเป็นผู้เชี่ยวชาญด้านความเสี่ยงอย่างลึกซึ้งได้ แต่คาดหวังได้ว่าพวกเขาจะพัฒนาทักษะพื้นฐาน เช่น การเข้าใจว่ามีความเสี่ยงประเภทใดบ้าง การพัฒนานิสัยในการผสานการป้องกันเข้ากับโค้ด และการเรียนรู้วิธีใช้เครื่องมือทดสอบใหม่ๆ (เช่น SonarQube, Checkmarx หรือ Coverty) องค์กรบางแห่งยังสร้างแรงจูงใจให้ผู้ใช้แนวหน้าเข้าใจโอกาส ความเสี่ยง และขอบเขตของ Gen AI และยังกำหนดให้มีการฝึกอบรมบางประเภทเป็นข้อบังคับ เนื่องจากความกังวลเกี่ยวกับความเสี่ยงและการปฏิบัติตามข้อกำหนดมีแนวโน้มที่จะเปลี่ยนแปลงอย่างรวดเร็วเช่นเดียวกับ Gen AI เอง ผู้นำจึงควรลงทุนในเครื่องมือเพื่อทดสอบโค้ดโดยอัตโนมัติตามนโยบายที่กำหนด (นั่นคือ นโยบายในรูปแบบโค้ด)

การเปลี่ยนแปลงการจัดการความสามารถที่สร้างขึ้นจากทักษะ

แนวทางปัจจุบันในการบริหารจัดการบุคลากรมักเน้นที่วิธีการผสานรวม Gen AI เข้ากับโปรแกรมที่มีอยู่ ซึ่งวิธีนี้จะใช้ไม่ได้ผลในระยะยาว ลักษณะของระบบทรัพยากรบุคคลที่มีโครงสร้างชัดเจนในบริษัทยุคใหม่ เช่น บทบาทที่ถูกกำหนดไว้อย่างชัดเจนพร้อมความสามารถที่ชัดเจน เส้นทางอาชีพที่คุ้นเคย ระดับค่าตอบแทนที่แน่นอน และการเรียนรู้ที่เป็นทางการ ล้วนประสบปัญหาในการตามทันการเปลี่ยนแปลงที่เกิดจากศักยภาพทางดิจิทัล ซึ่งไม่สามารถเทียบได้กับพลวัตของ Gen AI ที่ไม่แน่นอนและคาดเดาได้ยาก

ผู้นำด้านทรัพยากรบุคคลที่ทำงานร่วมกับซีอีโอและผู้นำด้านเทคโนโลยี จะต้องเปลี่ยนวิธีการค้นหาและส่งเสริมบุคลากรที่มีความสามารถโดยเน้นที่สองด้านโดยเฉพาะ ได้แก่ การวางแผนกำลังคนเชิงกลยุทธ์และศักยภาพในการฝึกงาน

การวางรากฐานการวางแผนกำลังคนเชิงกลยุทธ์ตามความต้องการและทักษะทางธุรกิจ

การเปลี่ยนแปลงความสามารถเริ่มต้นด้วยการที่ผู้นำด้านทรัพยากรบุคคลพัฒนาแผนกำลังคนเชิงกลยุทธ์ที่สร้างขึ้นจากทักษะ บริษัทต่างๆ มักให้ความสำคัญกับบทบาทต่างๆ ระหว่างการวางแผนกำลังคน แต่นั่นยังไม่เพียงพอ การระบุถึงความต้องการสำหรับบทบาทวิศวกรซอฟต์แวร์หรือวิศวกรข้อมูลอาวุโส เช่น ไม่มีประโยชน์เมื่อเครื่องมือ AI ทั่วไปเข้ามาทำหน้าที่แทนบทบาท

ผู้นำด้านทรัพยากรบุคคลไม่สามารถทำสิ่งนี้ได้ในภาวะไร้ทิศทาง พวกเขาจำเป็นต้องทำงานร่วมกับผู้นำในธุรกิจเพื่อทำความเข้าใจเป้าหมาย เช่น นวัตกรรม ประสบการณ์ของลูกค้า และผลงาน เพื่อช่วยมุ่งเน้นความพยายามของบุคลากร เมื่อได้สิ่งนี้แล้ว พวกเขาสามารถวางแผนความต้องการบุคลากรในอนาคตได้

ความร่วมมือนี้มีความสำคัญอย่างยิ่งต่อการพัฒนาทักษะ ซึ่งจะช่วยให้บริษัทต่างๆ มีฐานข้อมูลที่ช่วยให้ประเมินได้ว่าตนเองมีทักษะใดบ้าง ทักษะใดที่จำเป็นต้องมี และทักษะใดที่เครื่องมือ AI ทั่วไปครอบคลุมได้ การจำแนกทักษะนี้ควรใช้ภาษาที่ชัดเจนและสอดคล้องกัน (เพื่อให้สามารถนำไปประยุกต์ใช้ทั่วทั้งองค์กร) ระบุระดับความเชี่ยวชาญ และจัดระบบตามลำดับชั้นเพื่อให้จัดระเบียบข้อมูลได้ง่ายขึ้น

การเปลี่ยนแปลงด้านบุคลากรเริ่มต้นจากการที่ผู้นำด้านทรัพยากรบุคคลพัฒนาแผนกำลังคนเชิงกลยุทธ์ที่สร้างขึ้นจากทักษะต่างๆ

อย่างไรก็ตาม เพื่อให้มีประโยชน์ บริษัทต่างๆ ควรปฏิบัติต่อทักษะเป็นข้อมูลมากกว่าเอกสาร โดยการเพิ่มทักษะที่มีแท็กที่เกี่ยวข้อง (เช่น ระดับความเชี่ยวชาญ) ลงในฐานข้อมูล บริษัทต่างๆ สามารถใช้ AI และ LLM เพื่อกำหนดความสัมพันธ์และความเชื่อมโยงระหว่างทักษะสำหรับการฝึกทักษะใหม่ กำหนดลำดับความสำคัญของทักษะที่จะพัฒนา เปิดใช้งานการวางแผนกำลังคนเพื่อกำหนดความต้องการทักษะเฉพาะตามโปรแกรมหรือทีม และพัฒนาโปรแกรมการเรียนรู้ที่ปรับแต่งได้

ตัวอย่างหนึ่งได้แก่ บริษัทด้านวิทยาศาสตร์ชีวภาพแห่งหนึ่งที่กำลังดำเนินการใช้เครื่องมืออนุมานทักษะ AI เพื่อสร้างมุมมองทักษะที่ครอบคลุมของบุคลากรดิจิทัลของตน เครื่องมือนี้จะสแกนตำแหน่งงานว่าง คำอธิบายบทบาท ข้อมูลทรัพยากรบุคคลเกี่ยวกับบทบาท โปรไฟล์ LinkedIn และแพลตฟอร์มภายในอื่นๆ (เช่น Jira คลังข้อมูลโค้ด) เพื่อสร้างมุมมองเกี่ยวกับทักษะที่จำเป็นสำหรับบทบาทที่กำหนด จากนั้นพนักงานแต่ละคนที่เกี่ยวข้องจะตรวจสอบและยืนยันว่าตนเองมีทักษะและความเชี่ยวชาญเหล่านั้นหรือไม่ เมื่อยืนยันแล้ว ทักษะเหล่านั้นจะถูกเพิ่มไม่เพียงแต่ในโปรไฟล์ของบุคคลเท่านั้น แต่ยังรวมถึงฐานข้อมูลทักษะของบริษัทสำหรับการประเมินในอนาคตด้วย

เพื่อให้แนวทางการวางแผนกำลังคนเชิงกลยุทธ์นี้มีประสิทธิผล บริษัทต่างๆ จะต้องวัดความคืบหน้าเมื่อเทียบกับช่องว่างทักษะที่ระบุอย่างต่อเนื่อง และทบทวนกลยุทธ์เพื่อพิจารณาว่ามีความต้องการอื่นๆ เกิดขึ้นหรือไม่ โดยเฉพาะอย่างยิ่งเมื่อเครื่องมือและความสามารถด้าน AI รุ่นใหม่เริ่มใช้งาน ทีมงานทรัพยากรบุคคลจะต้องทำงานร่วมกับผู้นำด้านวิศวกรรมเพื่อประเมินเครื่องมือและทำความเข้าใจทักษะที่เครื่องมือเหล่านี้สามารถทดแทนได้ รวมถึงการฝึกอบรมใหม่ๆ ที่จำเป็น

การสร้างศักยภาพการฝึกงานเป็นส่วนหนึ่งของโครงการบุคลากรที่มีความสามารถที่กว้างขึ้น

ไม่มีเส้นทางเดียวที่จะนำไปสู่ชัยชนะในการค้นหาและรักษาบุคลากรที่มีความสามารถที่บริษัทต้องการ ประสบการณ์ของเราแสดงให้เห็นว่าบริษัทต่างๆ จำเป็นต้องนำกลยุทธ์ด้านบุคลากร มาใช้ ตั้งแต่แนวทางการจ้างงานที่เน้นลูกค้าเป็นศูนย์กลางมากขึ้นไปจนถึงแนวทางการฝึกอบรมที่ปรับแต่งได้ แต่เนื่องจากปัญญาประดิษฐ์รุ่นปัจจุบันพัฒนาอย่างรวดเร็วและมีความชัดเจนเพียงเล็กน้อยว่าทักษะใดที่จำเป็น การพัฒนาทักษะจึงจำเป็นต้องเป็นหัวข้อหลักและสำคัญที่สุด ความท้าทายในการพัฒนาโปรแกรมพัฒนาทักษะ ได้แก่ การขาดแนวทางปฏิบัติที่ดีที่สุดที่เป็นลายลักษณ์อักษรและแรงต้านทานของพนักงานต่อการเรียนรู้ทักษะใหม่ๆ แม้ว่าวิศวกรอาจสนใจที่จะเชี่ยวชาญการเขียนโค้ดมากขึ้น แต่ความจำเป็นในการเรียนรู้ทักษะประเภทต่างๆ เช่น การสื่อสารที่มีประสิทธิภาพหรือการพัฒนาเรื่องราวของผู้ใช้ อาจดูไม่สำคัญหรือเป็นภัยคุกคามด้วยซ้ำ

ด้วยเหตุนี้ บริษัทต่างๆ จึงควรให้ความสนใจเป็นพิเศษกับรูปแบบการฝึกงาน ซึ่งมักจะถูกมองข้ามในฐานะส่วนหนึ่งของทักษะการพัฒนาทักษะของธุรกิจ การฝึกงานช่วยให้ได้เรียนรู้เชิงปฏิบัติจริงเพื่อไขข้อข้องใจเกี่ยวกับการเปลี่ยนแปลงและเป็นแบบอย่างในการแสดงทักษะที่สอนได้ยาก เช่น วิธีคิดในการแก้ปัญหาและวิธีใช้วิจารณญาณที่ดีในการประเมินความเหมาะสมของโค้ด แต่เพื่อให้การฝึกงานมีประสิทธิผล ผู้เชี่ยวชาญระดับอาวุโสจะต้องมีส่วนร่วมอย่างแข็งขันมากกว่าแค่ทำเครื่องหมายในช่อง ผู้เชี่ยวชาญเหล่านี้มีความน่าเชื่อถือและมักมีความรู้เชิงสถาบันที่สามารถเป็นประโยชน์ได้ เช่น การนำทางปัญหาความเสี่ยงที่เฉพาะเจาะจงสำหรับบริษัท ผู้เชี่ยวชาญจะต้องเขียนโค้ดและตรวจสอบโค้ดกับเพื่อนร่วมงานระดับจูเนียร์ คอยติดตามพวกเขาในขณะที่ทำงาน และนัดเยี่ยมชมเพื่อดูงาน เพื่อให้พวกเขาค้นพบว่าทีมงานทำงานกับ AI ทั่วไปอย่างไร พวกเขายังสามารถทำหน้าที่เป็นที่ปรึกษาเพื่อฝึกทักษะใหม่ๆ เช่น วิธีแยกแยะปัญหา การส่งมอบเป้าหมายทางธุรกิจ การทำความเข้าใจความต้องการของผู้ใช้ปลายทางและจุดเจ็บปวด และการตั้งคำถามที่เกี่ยวข้อง

เพื่อให้แน่ใจว่าโปรแกรมการฝึกงานจะประสบความสำเร็จ บริษัทต่างๆ ควรสร้างแรงจูงใจด้วยการทำให้การฝึกงานเป็นส่วนหนึ่งของการประเมินผลการปฏิบัติงาน และจัดสรรเวลาให้เพียงพอสำหรับผู้คนในการเข้าร่วม บริษัทเครื่องเสียงแห่งหนึ่งได้กำหนดให้การฝึกงานเป็นส่วนหนึ่งของโปรแกรมการเรียนรู้อย่างชัดเจน โดยได้จัดค่ายฝึกอบรมทักษะปัญญาประดิษฐ์สำหรับวิศวกรที่มีผลงานดีเด่นประมาณ 12 คน ซึ่งเป็นอาสาสมัครเข้าร่วมโปรแกรม เพื่อแลกกับการฝึกอบรมนี้ ผู้เข้าร่วมจะต้องฝึกอบรมผู้อื่นด้วย ผู้เข้าร่วมแต่ละคนตกลงที่จะจัดค่ายฝึกอบรมเป็นเวลา 3 ถึง 4 วันสำหรับวิศวกร 10 ถึง 15 คน ตามด้วยเซสชัน 2 เซสชันต่อสัปดาห์เป็นเวลา 3 เดือน ซึ่งทุกคนสามารถถามคำถามและแบ่งปันการเรียนรู้ของตนเองได้

แม้ว่าความสามารถของปัญญาประดิษฐ์จะเสถียรและได้รับการพิสูจน์มากขึ้นในท้ายที่สุด แต่ในระยะสั้น บริษัทต่างๆ จะต้องรับมือกับความไม่แน่นอนในระดับสูง การเน้นที่ทักษะและปรับแนวทางการจัดการบุคลากร และความยืดหยุ่นเพียงพอที่จะเรียนรู้และปรับตัว บริษัทต่างๆ สามารถเปลี่ยนความท้าทายด้านบุคลากรให้กลายเป็นข้อได้เปรียบในการแข่งขันได้

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-gen-ai-skills-revolution-rethinking-your-talent-strategy