وہ رہنما جو ابتدائی طور پر AI کے ساتھ مشغول ہوتے ہیں وہ اب بنیادی باتیں نہیں سیکھ رہے ہیں۔ جاری رکھنے اور آگے رہنے کا طریقہ یہاں ہے۔

میں ایک ہیلتھ کیئر ٹیکنالوجی کمپنی چلاتا ہوں، اور میں اس نوکری میں AI میں رسمی پس منظر کے ساتھ نہیں آیا تھا۔ میرے خیالات کو حقیقی کاروبار کے اندر ان نظاموں کی تعمیر اور جانچ کے ذریعے تشکیل دیا گیا ہے، اور یہ خیالات تیزی سے تیار ہو رہے ہیں۔

میں جانتا ہوں ہر لیڈر اس میں ملوث ہے۔ وہ آلات کی جانچ کر رہے ہیں، نظام کو متحرک کر رہے ہیں، اور یہ سیکھ رہے ہیں کہ کیا کام کرتا ہے اور کیا نہیں۔ میں ان میں سے ایک ہوں۔ ہم اپنی ٹیم کے ہر لیڈر کو ایسا کرنے میں مدد کرنے کے لیے جاری، انفرادی تربیت بھی فراہم کرتے ہیں۔ ہم لوگوں سے یہ نہیں پوچھتے کہ وہ خود اس کا پتہ لگائیں۔ ہم ان سے شرکت کرنے کے لیے کہہ رہے ہیں اور انھیں وہ دے رہے ہیں جو انھیں کامیابی کے لیے درکار ہے۔

دوسرے بھی انتظار کر رہے ہیں۔ وہ چاہتے ہیں کہ ٹیکنالوجی زیادہ بہتر، زیادہ ثابت، اور زیادہ محفوظ محسوس کرے۔ یہ جبلت کنٹرول کا غلط احساس پیدا کرتی ہے۔ AI سے قدر حاصل کرنے کے لیے کامل نظام کی ضرورت نہیں ہے۔ خامیوں پر قابو پانے سے فوائد پیدا ہوتے ہیں۔ اس طرح آپ سیکھتے ہیں کہ مسائل کہاں پیدا ہوتے ہیں اور انہیں کیسے بہتر کیا جائے۔

ایک خلا جسے آپ اس وقت تک نہیں دیکھ سکتے جب تک کہ بہت دیر نہ ہو جائے۔

یہ سمجھنے میں عملی فرق ہے کہ AI تھیوری میں کیا کر سکتا ہے اور یہ جاننا کہ اسے کسی تنظیم میں کیسے لاگو کرنا ہے۔ فرق اس کے بارے میں پڑھنے یا ڈیمو دیکھنے سے ختم نہیں ہوتا ہے۔ یہ تجربے سے پیدا ہوتا ہے۔ یہ نظام کو تیز کرنے، نتائج پر اعادہ کرنے، اور وقت کے ساتھ ساتھ ان پٹ میں ترمیم اور بہتری لانے سے آتا ہے۔

یہ آخری حصہ زیادہ تر لوگوں کے خیال سے زیادہ اہم ہے۔ آؤٹ پٹ کو صاف نہیں کرتا ہے۔ ہم اپنے اشارے اور ان پٹ کو بہتر کر رہے ہیں۔ نتیجہ وہی نکلا جو ہوا۔ جو چیز واقعی تیار کی جا رہی ہے وہ اس کا ترجمہ کرنے کی صلاحیت ہے کہ ایک تنظیم کس طرح کام کرتی ہے اس کے لیے گائیڈ لائنز میں نظام کیسے کام کر سکتا ہے۔ مہارت مشق کے بغیر موجود نہیں ہے اور بیرونی طور پر پیدا نہیں کیا جا سکتا.

جہاں ایک گروہ ابتدائی غلطیوں سے گریز کر رہا ہے، دوسرا گروہ اندرونی علم کی تعمیر کر رہا ہے۔ اور فرق کی ترکیب۔ جب تک انتظار کرنے والے محسوس کرتے ہیں کہ ٹیکنالوجی مستحکم ہے، ابتدائی لیڈروں نے اب بنیادی باتیں نہیں سیکھی ہیں۔ وہ ان سسٹمز کو بہتر بنا رہے ہیں، توسیع کر رہے ہیں اور اس میں شامل کر رہے ہیں جس طرح سے ان کی تنظیمیں دراصل کام کرتی ہیں۔

AI تعلیم دراصل کیسی دکھتی ہے۔

زیادہ تر لوگ زبان کے بڑے ماڈلز کو خلاصہ سمجھتے ہیں۔ AI دنیا میں جاتا ہے، بہت زیادہ معلومات پر کارروائی کرتا ہے اور پیداوار پیدا کرتا ہے۔ جو چیز کم سمجھی جاتی ہے وہ ہے ایک مخصوص کاروبار کے لیے اس ماڈل کی تربیت کا کام۔ یہ وہ جگہ ہے جہاں حقیقی فائدہ حاصل ہوتا ہے اور اس کے لیے جان بوجھ کر کوشش کی ضرورت ہوتی ہے۔

حقیقت میں، اس کی شروعات ہر وہ چیز لوڈ کرنے سے ہوتی ہے جس کے بارے میں تنظیم جانتی ہے کہ اس وقت سسٹم میں موجود ہے۔ اس کا مطلب ہے پالیسیاں اور طریقہ کار، قانونی دستاویزات، موجودہ ورک فلو، مالیات، سیلز کی سرگرمی کا ڈیٹا، آن بورڈنگ کے عمل، اور کسٹمر ریکارڈ۔ پھر ہم صارف کا تجربہ بناتے ہیں۔ ہمارے کاروبار میں یہ اس طرح لگتا ہے: کیس مینیجر آج واقعی کیا کرتے ہیں؟ ایک انٹیک ماہر کیا کرتا ہے؟ اکاؤنٹ ریزولوشن ماہر کس چیز کا احاطہ کرتا ہے؟ آپ کاروبار کی وضاحت کر رہے ہیں جیسا کہ یہ ہے، جیسا کہ آپ اسے ہونا چاہتے ہیں۔

ایک بار جب یہ بنیاد قائم ہو جائے تو آپ نتائج کی طرف بڑھ سکتے ہیں۔ یہ خود نتائج کے بارے میں ہے، نہ کہ آپ کے خیال میں ان نتائج کو کیسے حاصل کیا جانا چاہیے۔ مجھے دکھائیں کہ فنڈنگ ​​کا وقت 14 دن سے کم کرکے 2 دن کہاں کیا گیا تھا۔ کسٹمر کو دکھائیں کہ وہ کیا کہتے ہیں کہ وہ کیا چاہتے ہیں اور ہمارے پاس کہاں کمی ہے۔ ہمیں دکھائیں کہ ہماری سیلز ٹیم کیا کر رہی ہے اور ہمارے قریبی نرخوں کی اصل ضرورت کیا ہے۔ ڈیٹا کا جائزہ لیں، کوتاہیوں کی نشاندہی کریں اور بہتری کی تجویز کریں۔ اس سب کا مقصد زیادہ آمدنی، بہتر مارجن، اور مضبوط صارفین کا اطمینان ہے۔

یہ ورک فلو ری ڈیزائن سے مختلف ہے۔ ورک فلو تبدیلیاں بہت بعد میں آؤٹ پٹ ہوتی ہیں۔ ابتدائی مراحل میں ہمارا کام تعلیم اور تکراری تبدیلی کو فروغ دینا ہے۔ اسے اپنے کاروبار پر نظروں کے دوسرے سیٹ کے طور پر سوچیں – ایسی آنکھیں جو کسی فرد کے مقابلے میں زیادہ متغیرات کا تجزیہ کرسکتی ہیں اور ایسے مواقع جو آپ نے خود شناخت نہیں کی ہوں گی۔

سسٹم کی سفارشات کو نافذ کرنے سے پہلے ان کا جائزہ لیں۔ آپ دہرائیں۔ آپ اس کے ارد گرد تربیت. یہ عمل اس طرح ہے کہ اعتماد کیسے بنایا جاتا ہے، اور اس کے لیے قیادت سے حقیقی مشغولیت کی ضرورت ہوتی ہے۔

ایکشن سے کال کی طرف ایکشن کی طرف تبدیلی واقعی کی ضرورت ہے۔

وہ تنظیمیں جو AI کا زیادہ سے زیادہ فائدہ اٹھاتی ہیں وہ صرف ٹولز کو نہیں اپناتی ہیں۔ وہ دوبارہ سوچ رہے ہیں کہ کاروبار میں کام کیسے چلتا ہے۔ یہ تبدیلی ٹیکنالوجی سے زیادہ وضاحت کے بارے میں ہے۔ اگر ورک فلو واضح نہیں ہے، ملکیت مبہم ہے، اور کامیابی کی اچھی طرح وضاحت نہیں کی گئی ہے، تو نظام ان مسائل کو سامنے نہیں لائے گا۔ وہاں صرف ایک اچھا جواب نہیں ہو گا. کچرا اندر، کچرا باہر نکالنا کوئی کلیچ نہیں ہے۔ یہ اس بات کی درست وضاحت ہے کہ جب نظام ناقص تربیت یافتہ ہوتے ہیں تو کیا ہوتا ہے۔

جو پھانسی ہوا کرتی تھی اب ایک سمت بن چکی ہے۔ جو پروگرامنگ ہوا کرتا تھا وہ اب زور دے رہا ہے۔ سب سے زیادہ قیمت حاصل کرنے والے رہنما اپنی مصنوعات، صارفین اور ورک فلو کے بارے میں کافی گہری سمجھ رکھتے ہیں تاکہ ان سب کو سسٹم میں تربیت دی جا سکے۔ اس کے بعد یہ نظام کو یہ بتائے بغیر کہ وہاں کیسے جانا ہے وائٹ بورڈ گول کی طرف پیغام بھیجتا ہے۔ اپنے راستے سے ہٹنے اور نظام کو آپ کو راستہ دکھانے کا نظم و ضبط وہ جگہ ہے جہاں زیادہ تر رہنما پہلے جدوجہد کرتے ہیں۔

یہی وجہ ہے کہ مجھے یقین ہے کہ یہاں حقیقی مسابقتی مہارتیں تکنیکی نہیں ہیں۔ میں کسی بھی دن تکنیکی ماہر کے مقابلے میں گہرے کاروباری علم کے ساتھ ایک مضبوط آپریٹر کو لے جاؤں گا۔ وہ لوگ جو سمجھتے ہیں کہ کوئی تنظیم کیا کرتی ہے، یہ کیسے کرتی ہے، اور جو کچھ حاصل کرنے کی کوشش کر رہی ہے وہ ان سسٹمز کو مؤثر طریقے سے تربیت دینے اور رہنمائی کرنے کے لیے بہتر پوزیشن میں ہیں ان لوگوں کے مقابلے جو یہ بتا سکتے ہیں کہ یہ نظام میکانکی طور پر کیسے کام کرتے ہیں۔

خطرہ پہلے ہی یہاں ہے۔

وشوسنییتا کے بارے میں خدشات درست ہیں۔ ریگولیٹڈ ماحول میں ہمیشہ خراب آؤٹ پٹ شامل نہیں ہوتا ہے۔ یہ ورک فلو کے ذریعے آگے بڑھ سکتا ہے، فیصلوں پر اثر انداز ہو سکتا ہے، صارفین یا مریضوں تک پہنچ سکتا ہے، اور قانونی یا تعمیل کی نمائش پیدا کر سکتا ہے جسے حل کرنا مشکل ہے۔ یہ خطرات حقیقی ہیں، یہی وجہ ہے کہ ابتدائی تجربات کم خطرے والے ماحول میں کیے جانے چاہئیں جن میں واضح انسانی جائزہ شامل ہے۔

لیکن انتظار خطرے کو ختم نہیں کرتا۔ اسے بدل دیتا ہے۔ وہ تنظیمیں جو سائیڈ لائن پر بیٹھی ہیں مختلف قسم کی نمائشیں جمع کر رہی ہیں، بشمول قابلیت کے فرق کو بڑھانا، ٹیلنٹ کو اپنی طرف متوجہ کرنے میں ناکامی جو توقع کرتے ہیں کہ یہ ٹولز کام کرنے کے طریقے کا حصہ بنیں گے، اور جب مسابقتی ماحول ان کا مطالبہ کرتا ہے تو ردعمل کا وقت سست ہے۔

میری تنظیم میں، میں خود جانتا ہوں کہ میں کہاں کھڑا ہوں۔ AI انسانوں کی جگہ نہیں لیتا۔ یہ ان انسانوں کو بے گھر کر رہا ہے جو اسے استعمال کرنے سے گریزاں ہیں۔ یہ دھمکی نہیں ہے۔ یہ اس کی وضاحت ہے جو پہلے سے ہو رہا ہے۔ ہم تربیت، مدد، اور رسائی فراہم کرتے ہیں جو ہر رہنما کو شرکت کے لیے درکار ہے۔ جو لوگ ایسا نہ کرنے کا انتخاب کرتے ہیں وہ آخر کار اس حقیقت کا سامنا کریں گے، چاہے وہ کہیں بھی کام کریں۔

جیتنے والی کمپنیاں بہتر ورژن کا انتظار نہیں کرتیں۔ وہ اب اپنے علم کی بنیاد بنا رہے ہیں، اپنے نظام کو تربیت دے رہے ہیں کہ ان کا کاروبار کس طرح کام کرتا ہے، اور انہیں ان نتائج کی طرف لے جا رہے ہیں جو ان کے حریف ابھی تک حاصل نہیں کر سکتے۔ وہ سر آغاز کسی کا انتظار نہیں کرتا۔

میں ایک ہیلتھ کیئر ٹیکنالوجی کمپنی چلاتا ہوں، اور میں اس نوکری میں AI میں رسمی پس منظر کے ساتھ نہیں آیا تھا۔ میرے خیالات کو حقیقی کاروبار کے اندر ان نظاموں کی تعمیر اور جانچ کے ذریعے تشکیل دیا گیا ہے، اور یہ خیالات تیزی سے تیار ہو رہے ہیں۔

میں جانتا ہوں ہر لیڈر اس میں ملوث ہے۔ وہ آلات کی جانچ کر رہے ہیں، نظام کو متحرک کر رہے ہیں، اور یہ سیکھ رہے ہیں کہ کیا کام کرتا ہے اور کیا نہیں۔ میں ان میں سے ایک ہوں۔ ہم اپنی ٹیم کے ہر لیڈر کو ایسا کرنے میں مدد کرنے کے لیے جاری، انفرادی تربیت بھی فراہم کرتے ہیں۔ ہم لوگوں سے یہ نہیں پوچھتے کہ وہ خود اس کا پتہ لگائیں۔ ہم ان سے شرکت کرنے کے لیے کہہ رہے ہیں اور انھیں وہ چیز دے رہے ہیں جو انھیں کامیابی کے لیے درکار ہے۔

دوسرے بھی انتظار کر رہے ہیں۔ وہ چاہتے ہیں کہ ٹیکنالوجی زیادہ بہتر، زیادہ ثابت، اور زیادہ محفوظ محسوس کرے۔ یہ جبلت کنٹرول کا غلط احساس پیدا کرتی ہے۔ AI سے قدر حاصل کرنے کے لیے کامل نظام کی ضرورت نہیں ہے۔ خامیوں پر قابو پانے سے فوائد پیدا ہوتے ہیں۔ اس طرح آپ سیکھتے ہیں کہ مسائل کہاں پیدا ہوتے ہیں اور انہیں کیسے بہتر کیا جائے۔