Jaunumi

Gandrīz katrs vadītājs šodien vēlas redzēt tūlītēju produktivitātes lēcienu, ieviešot mākslīgo intelektu (MI). Tomēr realitāte ir skaudra: pētījumi un intervijas liecina, ka aptuveni 80% līdz 90% uzņēmumu negūst nekādu taustāmu peļņu vai labumu no MI ieviešanas. Lielākā kļūda? Uzņēmumi joprojām uzskata MI par tīru IT projektu, pilnībā ignorējot biznesa arhitektūru un cilvēcisko faktoru.

Lai meklētu risinājumus šim izaicinājumam, AI Master Lab rīkotajā diskusijā tikās eksperti: pārmaiņu vadības eksperte un organizāciju psiholoģe Iveta Bikse, starptautiskais MI treneris un HR eksperts Dov Zavadskis, kā arī AI Master Lab partneris un biznesa stratēģis Guntis Kalniņš.

Šajā rakstā esam apkopojuši diskusijas svarīgākos punktus un praktiskus soļus, kā uzņēmumiem pāriet no "haotiskas eksperimentēšanas" uz pelnošu un drošu MI integrāciju.

1. "Ēnas MI" un drošības riski: Ko darbinieki slēpj no vadības?

Dati ir pārsteidzoši – aptuveni 78% biroja darbinieku jau šodien ikdienā izmanto ģeneratīvo MI, taču gandrīz puse no viņiem to slēpj no vadības. Šī parādība, ko dēvē par ēnu MI (Shadow AI), rada milzīgus riskus uzņēmumiem.

• Nekontrolēti rīki un datu noplūde: Darbinieki instalē dažādus bezmaksas rīkus, pārlūkprogrammu paplašinājumus un savieno tos ar uzņēmuma failiem (piemēram, Excel lapām), neizlasot lietošanas noteikumus. Tas rada tiešus draudus sensitīvu datu drošībai.
• "Klusā paaugstināšana" (Quiet Promotion): Ja darbinieks, pateicoties MI, paveic darbu ātrāk, viņš bieži vien baidās to atklāt vadītājam. Kāpēc? Jo sods par efektivitāti parasti ir vienkārši lielāks darba apjoms bez algas pielikuma.
• Akla uzticēšanās halucinācijām: Strādājot steigā un bez skaidrām vadlīnijām, darbinieki pilnībā paļaujas uz MI rezultātiem, ignorējot sistēmu tendenci "halucinēt" jeb izdomāt faktus. Tas var radīt dārgas kļūdas, par kurām uzņēmums maksā ar savu reputāciju.

Risinājums: Uzņēmuma vadībai ir jārada skaidra MI politika un MI vadlīnijas. Nav jēgas rīkus aizliegt. Ir jādefinē, kuri rīki ir droši, kādus datus tajos drīkst ievadīt un kā pārliecināties par rezultātu kvalitāti.

2. Vidējā līmeņa vadītāju lamatas un "tehno-stress"

Vidējā līmeņa vadītāji šobrīd atrodas krustugunīs. No vienas puses, augstākā vadība pieprasa efektivitāti un rezultātus. No otras puses, komandā valda klusas bailes un pretestība, jo darbinieki baidās zaudēt darbu.

Tas rada jaunu fenomenu – tehno-stresu un izdegšanas riskus. Darbinieki un vadītāji jūtas apjukuši, jo nezina, kas no viņiem tiks sagaidīts rīt. Kā norāda mūsu eksperti, šobrīd tiek pārrakstīts "psiholoģiskais līgums" starp darbinieku un uzņēmumu, kas daudziem šķiet draudīgs.

Kā vadītājam izkļūt no šīm lamatām?

• Samaziniet mikromenedžmentu un fokusējieties uz cilvēku: MI spēj lieliski strukturēt informāciju un nodot ziņojumus, taču tas nespēj sniegt cilvēcisku atbalstu. Vadītāja lielākā vērtība šodien ir spēja runāt par noklusinātajām tēmām un palīdzēt komandai adaptēties.
• Definējiet, ko MĒS pārtraucam darīt: Efektivitāte nenozīmē strādāt 20 stundas diennaktī. Vadītājam ir palīdzēt darbiniekam saprast, kurus procesus nodot MI un kā lietderīgi izmantot iegūto laiku.
• Esiet kā bērni – eksperimentējiet: Šajā straujajā pārmaiņu laikā neviens nav absolūts eksperts. Labākie vadītāji ir tie, kuri spēj parādīt savu ievainojamību, atzīstot, ka nezina visas atbildes, un mācās kopā ar komandu.

3. HR transformācija: No administratīva atbalsta līdz MI čempioniem

HR nodaļa vēsturiski ir bijusi uzskatīta par mazāk tehnoloģisku departamentu. Taču tieši HR šobrīd ir jākļūst par tiltu starp IT tehnoloģijām un cilvēkiem.

• Pārmaiņu vadība: Tehnoloģiju ieviešana ir tikai 10% no panākumiem, dati – 20–30%, bet atlikušie 60–70% ir cilvēki un organizācijas kultūra. Ja HR neiesaistās pārmaiņu vadībā, jebkura sistēmas ieviešana cietīs neveiksmi.
• Sinerģija ar IT: Nākotnes HR vairs nav tikai "personāla lietvedība". HR ir jāstrādā roku rokā ar IT departamentu. ASV jau šobrīd parādās tādas lomas kā Talent Engineer – speciālisti, kas ir tehniski, bet strādā tieši ar talantu piesaisti un HR datu analītiku.
• Iekšējo "čempionu" meklēšana: Tā vietā, lai paļautos tikai uz ārējiem konsultantiem, HR uzdevums ir identificēt uzņēmuma iekšējos MI entuziastus. Dodiet viņiem platformu (piemēram, 15 minūtes iknedēļas sapulcē), lai viņi dalītos ar reāliem lietošanas piemēriem un iedvesmotu pārējos.

Noskaties pilno diskusijas ierakstu

Esam pievienojuši šim ierakstam subtitrus latviešu valodā. Noskaties pilno sarunu, lai uzzinātu vairāk par:

• Kāpēc darbinieki, kuri strādā ar MI, ASV saņem līdz pat 50% lielāku atalgojumu?
• Kā atšķirt darbu, kas tapis "ar MI palīdzību" (with AI), no darba, ko pilnībā veica MI (by AI)?
• Kas mūs sagaida autonomo MI aģentu (AI Agents) laikmetā un kāpēc Baltijas valstīm jārīkojas ātri, lai nezaudētu globālo konkurētspēju.

Lai gan mūsu vebinārā par MI vadlīniju ieviešanu daudz runājām par "ēnu IT", mūsu ekspertu sarunās ar klientiem atklājas trīs specifiskas problēmas, kas paplašina ierasto un vienkāršoto "atļaut/aizliegt" pieeju.

Lūk trīs stratēģiskas un tehniskas atziņas no mūsu ekspertu – Vijas Kalniņas un Jāņa Judrupa – sarunas, kas mainīs Tavu skatījumu uz drošību.

1. "Bezmaksas siera" lamatas: modeļu apmācība

Problēma nav tā, ka darbinieki lieto MI, bet gan kādu MI versiju viņi lieto.

Vebinārā uzsvērām būtisku atšķirību:

• Bezmaksas rīki (Public AI): Ja jūsu jurists iekopē līgumu bezmaksas ChatGPT vai DeepL versijā, šis teksts visticamāk tiek saglabāts un izmantots, lai apmācītu nākamo modeļa versiju. Teorētiski pastāv risks, ka jūsu organizācijas konfidenciālā informācija kādreiz parādīsies kā atbilde citam lietotājam.
• Enterprise / Team risinājumi: Maksas versijās (API vai Team plānos) iestatījumi parasti paredz, ka dati netiks izmantoti lielo modeļu apmācībā.

Secinājums: Jūsu vadlīnijās nepietiek pateikt "angļu valodas dokumentu sagatavošanā izmantojiet X rīku". Ir jābūt skaidrai robežšķirtnei – publiskas versijas rīkus drīkst izmantot tikai vispārīgai informācijai, bet sensitīviem datiem ir nepieciešama smilškastes vide, kas neizplata datus tālāk.

2. "Luksofora princips" datu klasifikācijā

Viena no lielākajām vadītāju bailēm – "Kā mēs izkontrolēsim visu?" Atbilde: organizācijai nav jākontrolē pašu rīku izmantošana, ir jākontrolē kur tiek izmantoti kādi dati.

Mēs rekomendējam ieviest vienkāršu "luksofora principu" darbiniekiem:

Šī pieeja noņem stresu darbiniekiem – viņiem nav jābūt IT ekspertiem, viņiem tikai jāsaprot, ar kādiem datiem viņi strādā.

3. Cilvēks cilpā (Human-in-the-loop)

Vija Kalniņa uzsvēra kritisku ētikas un drošības aspektu, kas bieži tiek aizmirsts automatizācijas eiforijā.

Neviens MI lēmums, kas skar cilvēkus (piemēram, darbinieku atlase, pabalstu piešķiršana vai juridiska analīze), nedrīkst būt pilnībā automatizēts. Vadlīnijās ir obligāti jāiekļauj princips: MI ir asistents, nevis lēmuma pieņēmējs.

Gala atbildību vienmēr uzņemas darbinieks. Tas nozīmē, ka "copy-paste" no čatbota bez pārlasīšanas un faktu pārbaudes ir uzskatāms par darba disciplīnas pārkāpumu.

2025. gada novembrī tika publicētas jaunās "Praktiskās vadlīnijas mākslīgā intelekta ieviešanai publiskajā pārvaldē". Tas ir ilgi gaidīts un būtisks solis, lai sakārtotu vidi, kurā saskaņā ar datiem jau 65% iestāžu izmanto MI risinājumus – diemžēl bieži vien bez skaidras stratēģijas vai drošības ietvara.

Šis dokuments ir milzīgs solis uz priekšu MI vides sakārtošanā Latvijā. Taču ar dokumenta publicēšanu darbs tikai sākas.

Izaicinājums: no papīra uz procesiem

Iestāžu vadītājiem, IT pārvaldniekiem un juristiem tagad priekšā ir nākamais, kritiskais uzdevums: šīs vispārējās vadlīnijas integrēt savas organizācijas specifiskajos procesos.

Galvenais jautājums, ar ko saskaras ikviens vadītājs – kā ieviest nepieciešamo kontroli un drošību, nepadarot ikdienas darbu birokrātisku, lēnu un sarežģītu? MI potenciāls slēpjas efektivitātē, un pārāk smagnēja regulācija to var "nogalināt" jau saknē.

No teorijas uz drošu rīcību

Lai atbalstītu valsts un pašvaldību iestādes jauno prasību apgūšanā un praktiskā ieviešanā, AI Master Lab rīkoja ekskluzīvu vebināru. Tā nebija teorētiska lekcija, bet gan saruna ar ekspertiem, kuri fiziski izstrādāja šo vadlīniju saturu – Jāni Judrupu, Dr. sc. ing., un Viju Kalniņu, Dr. iur.

Ko mēs apskatījām

Fokusējāmies uz trīs praktiskiem pīlāriem, kas veido drošu MI pārvaldību:

• "Baltā saraksta" izveide: Kā praktiski auditēt rīkus, definēt "sarkanās līnijas" un izveidot iestādē atļauto MI rīku sarakstu, lai darbinieki skaidri zinātu spēles noteikumus.
• Risku novērtēšana: Kā izmantot vadlīnijās iekļautos lēmumu kokus, lai 5 minūšu laikā noteiktu – vai konkrētais rīks ir drošs un kādas prasības uz to attiecas saskaņā ar MI Aktu.
• MI kultūra un cilvēkresursi: Kā panākt, lai darbinieki kļūst par drošības sabiedrotajiem? Par "MI čempionu" lomu un to, kā veidot vidi, kurā inovācijas netiek slēptas ("ēnu IT"), bet tiek vadītas.

Mākslīgā intelekta risinājumi vairs nav tikai inovāciju laboratoriju rīks – tie kļuvuši par daļu no ikdienas lēmumu pieņemšanas, datu apstrādes un klientu apkalpošanas procesiem. Taču līdz ar iespējām nāk arī jauna veida atbildība. Kur beidzas inovācija un sākas normatīvo prasību vai ētikas robežu pārkāpums?

AI Master Lab vebinārā "MI risku pārvaldība organizācijās: droša un uzticama MI izmantošana – likuma prasība vai ētisks pienākums" Vija Kalniņa un Ivars Krampis-Vanags palīdzēja saprast, kā MI riskus pārvērst vadības līmeņa uzdevumā, nevis tikai IT vai juridiskās nodaļas rūpēs.

Par ko runājām

• MI riski organizācijās: kā tie izpaužas praksē un kādi incidenti jau notikuši biznesa vidē.
• Atbildība: kurš nes atbildību par MI rīku radītajiem riskiem – izstrādātāji, lietotāji vai valsts?
• Normatīvais ietvars: kā ES MI Akts palīdz vai sarežģī riska pārvaldību.
• Ētika praksē: kā noteikt, kas ir pieņemama un kas – riskanta MI izmantošana.
• Kā sākt: praktiskas rekomendācijas organizācijām, kas tikai sper pirmos soļus MI ieviešanā.

Eksperti

Vija Kalniņa – juridisko zinātņu doktore, MI ētikas un tiesību eksperte, pētniece ar pieredzi Hārvardas un Bostonas universitātēs. Viņas darbs palīdz organizācijām ieviest mākslīgo intelektu ar skaidru atbildību un pārskatāmību.

Ivars Krampis-Vanags – datu analīzes eksperts, Excel Know How dibinātājs un Microsoft Power BI praktiķis ar plašu pieredzi finanšu un datu vadībā.

LIAA ir izsludinājusi vērienīgu Mākslīgā intelekta (MI) atbalsta programmu mazajiem un vidējiem uzņēmumiem. Tā ir pirmā šāda mēroga iniciatīva Latvijā, un tā jau izraisījusi ievērojamu interesi uzņēmēju vidū.

AI Master Lab partneri Guntis Kalniņš un Ivars Krampis-Vanags vebinārā dalījās ar ieskatu, kā gudri sagatavoties pieteikumam, ņemot vērā gan programmas nosacījumus, gan plānoto ieguldījumu apjomu.

Skatīties vebināra ierakstu →

Kā optimāli pieiet dalībai LIAA MI atbalsta programmā

• Programma ir dāsna – bet nav vienkārša. Pieejami vairāk nekā 18 miljoni EUR līdz 2029. gadam, taču pieteikšanās nav copy-paste uzdevums. Nepieciešama pārdomāta, stratēģiska pieeja.
• Organizācijas līmenis, ne personīgā produktivitāte. Programma nav paredzēta atsevišķiem MI rīkiem vai GPT licencēm. Runa ir par procesiem visa uzņēmuma līmenī.
• Viena iespēja – viens projekts. LIAA programma šobrīd atbalsta tikai vienu pieteikumu uz uzņēmumu. Ja tas neizdodas – otrās iespējas nav. Tāpēc ir kritiski svarīgi pārbaudīt ideju praktiski.
• Nesasteidz pieteikšanos. Guntis uzsver: "Nelec iekšā tikai tāpēc, ka nauda ir pieejama." Jāsāk ar sagatavošanos un eksperimentu.
• Eksperimentēšana ir obligāta. Lielākā daļa MI projektu cieš neveiksmi dēļ pārlieku lielām cerībām un nepietiekamiem datiem. Eksperimentālie sprinti palīdz validēt ideju, pirms ieguldīt lielus resursus.
• Brieduma līmenis nosaka izdošanos. Uzņēmuma MI briedums – nevis vispārējais digitālais līmenis – ir izšķirošs. Bez pieredzes vai eksperimentiem izdošanās varbūtība ir tikai 5–15%.
• Fokuss, ne vispārinājumi. MI projektam jābūt konkrētam, ar izmērāmiem rezultātiem un skaidru biznesa mērķi. Nevis "uzlabot visu".
• Nepietiek ar labu ideju – jābūt datiem. Pat spoža ideja neizdzīvos bez kvalitatīviem, sakārtotiem datiem. Datu sagatavošana bieži ir viens no sarežģītākajiem (un dārgākajiem) sagatavošanās posmiem.
• Piesakies tikai pēc gatavības. Stratēģija → Idejošana → Eksperimentēšana → Pieteikums. Šī ir ieteicamā secība, ja vēlies palielināt savas izredzes uz atbalstu.

3. aprīlī notika AI Master Lab vebinārs "Mākslīgā intelekta attīstība: Kas mainījies gada laikā?", kurā analizējām, kā pēdēja gada laikā ir mainījusies MI ainava Latvijā un pasaulē. Mūsu mērķis bija ne tikai izskaidrot tehnoloģiskās pārmaiņas, bet arī iedziļināties tajā, ko tās nozīmē uzņēmumiem, valsts pārvaldei un speciālistiem praksē.

Vebināra laikā apskatījām gan ģeneratīvā MI lietojuma piemērus, gan biežākos izaicinājumus, ar ko saskaras organizācijas, mēģinot integrēt šos rīkus savā ikdienas darbībā. Dalībnieki dzirdēja reālus piemērus no Tilde pieredzes, analīzi par ES regulējumiem, kā arī ieteikumus uzņēmumiem, kā izstrādāt MI ieviešanas stratēģiju.

Skatīties vebināra ierakstu →

Galvenās atziņas

• MI risinājumu pieejamība strauji aug; uzņēmumi saskaras ar "FOMO" – sajūtu, ka nedrīkst atpalikt.
• Daudzi uzņēmumi sāk ar rīkiem, kas palīdz ar ikdienas uzdevumiem: teksta pārveide, sanāksmju pieraksti, tulkošana.
• Tehnoloģijas bieži tiek "ieviestas" bez mērķa vai reāla problēmas risinājuma.
• Trūkst MI lietošanas stratēģijas un izpratnes par datu kvalitāti.
• ES MI Akts nāk ar daudzām prasībām – jādomā par ētiku un datu aizsardzību no pirmās dienas.
• Sākt ieteicams ar nelielu, skaidru problēmu – nevis ar "lielo MI".
• Nākotnes konkurētspēja būs atkarīga no spējas gudri integrēt MI, nevis tikai eksperimentēt.