Dlaczego sztuczna inteligencja nie przynosi oczekiwanych wzrostów produktywności

David Rice: Menedżerowie sądzą, że ich pracownicy korzystają z około trzydziestu pięciu aplikacji. Rzeczywista liczba może cię zaskoczyć. Ta luka w widoczności leży u podstaw tego, dlaczego inwestycje w sztuczną inteligencję wciąż rosną, podczas gdy produktywność pracowników nadal stoi w miejscu. Ofir Bloch z WalkMe uważa, że wyszliśmy już poza etap, na którym można nazywać to przejściową krzywą adopcji. Musimy po prostu to przyznać. Wdrażanie narzędzi bez przeprojektowania pracy nie jest strategią.

W dzisiejszym programie rozmawiam z Blochem o raporcie WalkMe „State of Digital Adoption” oraz o tym, co pięć lat danych mówi nam o tym, gdzie organizacje faktycznie popełniają błędy. Problemem nie jest model. Problemem jest wszystko wokół modelu: rozdrobnione systemy, tarcia, luka między tym, co zdaniem menedżerów się dzieje, a tym, czego pracownicy rzeczywiście doświadczają każdego dnia.

Organizacje, które obecnie dobrze sobie z tym radzą, nie są tymi, które mają najbardziej zaawansowaną sztuczną inteligencję. To te, które najszybciej ograniczają tarcia. Pracownicy otrzymujący kontekstowe wsparcie w toku pracy niemal cztery razy częściej deklarują pełną pewność siebie w swojej pracy — nie dlatego, że przeszli lepsze szkolenie, ale dlatego, że pomoc pojawiła się dokładnie wtedy, gdy jej potrzebowali, a nie sześć tygodni wcześniej.

Dlatego dziś omawiamy, dlaczego luka między trzydziestoma pięcioma a setkami aplikacji wyjaśnia rozdźwięk między menedżerami a pracownikami, dlaczego tradycyjne szkolenia nie nadążają za zmianami zachodzącymi w czasie rzeczywistym, czym różni się korzystanie z narzędzia od rzeczywistego wykorzystywania jego możliwości oraz dlaczego obecnie orkiestracja ma większe znaczenie niż zaawansowanie modelu.

Nazywam się David Rice. To jest „People Managing People”. Jeśli twoja organizacja wciąż mierzy sukces AI wykorzystaniem licencji, ta rozmowa pokaże ci, czego naprawdę nie dostrzegasz. Zaczynajmy.

Ofir, witaj. Miło cię gościć.

Ofir Bloch: Dziękuję, Davidzie. Miło tu być.

David Rice: Chciałem rozpocząć dzisiejszą rozmowę od jednego z największych napięć opisanych w raporcie, który opublikowaliście. Inwestycje w sztuczną inteligencję wciąż przyspieszają, podczas gdy produktywność i doświadczenia pracowników wydają się pogarszać.

Zastanawiam się, w którym momencie przestaniemy traktować to jako przejściową krzywą adopcji i po prostu przyznamy, że w sposobie wdrażania AI istnieje fundamentalny problem?

Ofir Bloch: Szczerze mówiąc, myślę, że już wyszliśmy poza ten moment. Wiesz, masz rację — musimy po prostu to przyznać.

Musimy teraz nazwać problem i zacząć się z nim mierzyć. Widzimy liczby. Widzimy, że firmy inwestują coraz więcej pieniędzy w technologię, a teraz oczywiście także w cały ten szum wokół AI, i osiąga to rekordowe wartości — w ubiegłym roku było to pięćdziesiąt cztery miliony dolarów. Jednak, jak wiesz, inwestycje te nie przynoszą rezultatów, których oczekujemy.

Mamy więc problem. Potwierdzają go dane. Nasz raport pokazuje wiele tych kwestii i cieszę się, że mogę dziś o nich porozmawiać.

David Rice: Mam wrażenie, że zakładamy, iż AI w naturalny sposób zwiększy produktywność tylko dlatego, że istnieje. Wiesz, sam fakt, że się pojawiła — i nagle każdy zwiększy swoje możliwości dziesięciokrotnie albo...

Tymczasem wdrażanie technologii i transformacja przepływu pracy to dwie zupełnie różne rzeczy. Wygląda na to, że niektóre firmy mylą aktywność z umożliwianiem pracownikom skutecznego działania. Wdrażają narzędzia bez przeprojektowania pracy i sposobu, w jaki faktycznie jest wykonywana. To prowadzi do sytuacji, w której — dlatego nie potrafimy zdefiniować zwrotu z inwestycji.

Dlatego nie potrafimy wskazać, co właściwie należy zrobić dalej. Myślę też, że obecnie działa tu psychologia kosztów utopionych: im więcej firmy wydają, tym trudniej przyznać, że wdrożenie nie działa.

Ofir Bloch: Tak, zdecydowanie. Ten problem ma wiele warstw i poziomów.

Kto odpowiada za wywołanie zmiany zachowań? Kto odpowiada za zapewnienie adopcji nowych narzędzi? Istnieje przekonanie, że jeśli coś zbudujesz, ludzie sami przyjdą. Jeśli coś wdrożysz, ludzie po prostu będą tego używać. W rzeczywistości jest zupełnie odwrotnie. Widzimy, że luka produktywności, a właściwie luka adopcji, się poszerza.

Tempo innowacji jest oszałamiające. Każdego dnia pojawia się coś nowego — właśnie usłyszałem, że jutro ukaże się Sonnet 5, a dopiero przyzwyczailiśmy się do Opus 4.7 w Claude. Każdego dnia pojawia się nowy model i każdy jest lepszy od poprzedniego. Jednak gdy ludzie używają ich tylko do podsumowywania wiadomości e-mail albo wykonywania podstawowych zadań, nie jest to rzeczywiste wykorzystywanie tych narzędzi ani czerpanie z ich pełnego potencjału.

David Rice: Podoba mi się też nawiązanie do „Pola marzeń”, bo jeśli spojrzysz na komentarze pod dowolnym materiałem o AI, przypomina to raczej pole krzyku. Wasz raport pokazuje jednak ogromną lukę percepcyjną między menedżerami a pracownikami.

Nie chodzi wyłącznie o zaufanie. Chodzi również o gotowość, szkolenia i to, czy te narzędzia faktycznie pomagają ludziom w pracy. Chciałbym poznać twoją opinię. Często o to pytam, ale jak to się dzieje, że przywództwo tak bardzo odrywa się od rzeczywistości codziennej pracy?

I co można szybko zrobić, aby ponownie nawiązać z nią kontakt?

Ofir Bloch: Myślę, że to było jedno z najwyraźniejszych spostrzeżeń wynikających z tego raportu. Co więcej, jest ono stałe. To już piąty raport, który publikujemy. Przyczyn może być wiele, ale jedną z rzeczy, które konkretnie ujawnił nasz raport, jest ogromna różnica między liczbą aplikacji i stosem technologicznym, z których — zdaniem menedżerów — korzystają ich pracownicy, a rzeczywistością.

Kiedy pytasz menedżerów, z ilu narzędzi korzystają ich pracownicy, odpowiadają: z garści, może z trzydziestu, trzydziestu pięciu aplikacji. W rzeczywistości, kiedy spojrzysz na faktyczny stos technologiczny i portfolio tych firm, okazuje się, że jest tam prawie siedemset aplikacji.

Istnieje więc ogromna luka w widoczności między tym, co — jak sądzą — posiadają, a tym, co rzeczywiście wdrożyli. To ma sens, bo obecnie bardzo łatwo kupować narzędzia. Wystarczy wyjąć kartę kredytową, zapłacić dwadzieścia dolarów miesięcznie i już ma się narzędzie. Tym bardziej dotyczy to programowania sterowanego opisami.

Dziś każdy może tworzyć i budować narzędzia, a większość z nas już się tym bawi. Istnieje więc bardzo szeroka luka w widoczności między tym, co zdaniem menedżerów posiadają, a tym, co rzeczywiście jest wykorzystywane przez pracowników. Częściowo wynika to z braku narzędzi do mierzenia tego i analizowania.

To była bardzo wyraźna obserwacja płynąca z raportu, powtarzająca się z roku na rok. A jeśli chodzi o twoje drugie pytanie — co należy zrobić, aby odzyskać nad tym kontrolę — myślę, że duża część odpowiedzi wiąże się z komunikacją. Trzeba słuchać tego, czego ludzie naprawdę potrzebują w pracy.

Czego używają? Czego im brakuje? Istnieje jednak również rozwiązanie technologiczne. Są narzędzia, które pokazują, co znajduje się w stosie technologicznym i z czego ludzie faktycznie korzystają.

David Rice: Myślę, że kwestia słuchania jest świetna, bo kiedy zastanawiałem się, jak ten problem się pojawia i jak w ogóle staje się problemem, sam rozdźwięk jest fascynujący. Obie grupy formalnie funkcjonują przecież w tej samej organizacji.

Menedżerowie często widzą obietnicę, a pracownicy doświadczają tarć. Myślę, że wiele zespołów przywódczych nie docenia, jak szybko eroduje zaufanie, gdy pracownicy czują, że to na nich spoczywa ciężar eksperymentowania i dopilnowania, aby wszystko przyniosło zwrot z inwestycji. Wydaje mi się, że z góry istnieje pewien problem z empatią.

Przywódcy widzą, że coś nie działa, i uznają, że jest to problem technologiczny. Nie wiem, ile razy można to powtarzać. Widzę to wszędzie na LinkedIn, słyszę w tym podcaście i w innych podcastach. To nie jest problem technologii, tylko ludzi. Do niektórych przywódców najwyraźniej to nie dociera i nie wiem dlaczego.

Ofir Bloch: Istnieje pojęcie empatii cyfrowej. Wiele firm mówi o doświadczeniu pracownika, ale jeśli się nad tym zastanowić, szczególnie odkąd zaczęliśmy pracować z domu i w modelu hybrydowym, doświadczenie pracownika składa się dziś głównie z różnych cyfrowych punktów styku oraz z tego, jak odbieramy stos technologiczny i narzędzia używane w pracy.

Kiedy mówimy o doświadczeniu pracownika, duża część tego tematu dotyczy tarć związanych z technologią, zmiany sposobu pracy lub próby nauczenia się czegoś nowego. Masz więc absolutną rację — ten rozdźwięk w niczym nie pomaga. Gdyby kierownictwo i menedżerowie rozumieli, z jakich narzędzi korzystają ich ludzie, jakie wiążą się z tym tarcia oraz jak złożone są przepływy pracy, które wdrożyliśmy, aby wykonywali swoje zadania, życie w pracy i ogólne cyfrowe doświadczenie pracownika byłyby lepsze.

David Rice: Zgadzam się. Twierdzisz, że prawdziwe ograniczenie nie leży w możliwościach AI, lecz w braku kontekstu. To wydaje się głębszym problemem systemowym, niż większość organizacji zdaje sobie sprawę. Dlaczego kontekst staje się kluczowym ograniczeniem sztucznej inteligencji w przedsiębiorstwach?

Ofir Bloch: Częściowo wynika to ze sposobu wdrażania tych narzędzi.

Mamy więc boom na AI. Każdy dostawca integruje sztuczną inteligencję i osadza ją we własnych narzędziach. Mamy asystentów. Większość tych narzędzi koncentruje się na jednej aplikacji lub jednym ekosystemie, a praca — niestety albo na szczęście — nie odbywa się w jednej aplikacji. Nasze przepływy pracy obejmują wiele aplikacji. Modele AI nie mają rzeczywistego dostępu do wszystkich z nich.

Niektóre modele mogą uzyskiwać dostęp do danych za pośrednictwem interfejsów API lub innych programistycznych metod, takich jak MCP, A2A i tym podobne. Problem polega jednak na tym, że nie każda używana przez nas aplikacja obsługuje te protokoły. Dane pokazują, że tylko dwadzieścia dziewięć procent naszych przepływów pracy jest dostępnych za pośrednictwem takich metod programistycznych.

Siedemdziesiąt jeden procent pozostaje więc poza zasięgiem tych modeli. Jeśli chodzi o kontekst, duża część tego, co robi pracownik, znajduje się na jego ekranie. Kiedy ja, jako pracownik i człowiek, patrzę na ekran, w jednej chwili widzę ogrom informacji.

AI tego nie ma. Podam szybki przykład, który powinien dobrze wybrzmieć wśród twoich słuchaczy, wśród których są specjaliści HR. Załóżmy, że chcę przyznać ci, Davidzie, premię uznaniową. Powiedzmy, że pięć tysięcy dolarów brzmi odpowiednio. Przyznajmy Davidowi premię uznaniową w wysokości pięciu tysięcy dolarów.

Kiedy wchodzę do chatbota, asystenta lub asystenta AI wewnątrz aplikacji i mówię: „Chcę przyznać Davidowi premię uznaniową w wysokości pięciu tysięcy dolarów”, muszę odpowiedzieć na wiele pytań, aby to zrealizować. Podczas demonstracji dostawcy pokazują, że wszystko dzieje się magicznie. W prawdziwym życiu tak to nie wygląda.

Który David? David pracujący w naszym biurze w Londynie czy w San Francisco? Czy David jest w moim zespole? Czy mogę przyznać premię w wysokości pięciu tysięcy dolarów? Czy musi to zatwierdzić dyrektor finansowy? Zamiast więc wydawać polecenia AI, zaczynasz otrzymywać pytania, podczas gdy po zalogowaniu się do systemu HCM wszystkie te informacje byłyby widoczne na jednym ekranie.

Graficzny interfejs użytkownika zawiera dużą część tego kontekstu, ale modele AI go nie mają, bo nie widzą twojego ekranu. To kolejny problem, który dostrzegliśmy w badaniu.

David Rice: To fascynujące, bo tak duża część pracy jest głęboko zależna od kontekstu, a systemy — jak powiedziałeś — nie widzą tego wszystkiego.

Przez ostatnie dwa lata rozmawialiśmy o inteligencji modeli. Nie wiem, czy wystarczająco dużo mówimy o inteligencji organizacyjnej i o konieczności połączenia wszystkich tych punktów. AI może generować niezwykłe rezultaty, ale bez kontekstu i bez zrozumienia priorytetów organizacji, polityki, historii i zależności — całego tego niewidocznego elementu, który sprawia, że organizacja działa — trudno dostrzec zwrot z inwestycji. Rezultaty mogą wydawać się całkowicie oderwane od tego, kim jesteśmy jako organizacja i co zawodowo próbujemy osiągnąć.

Ofir Bloch: Dodam jeszcze jedną statystykę. Stwierdziliśmy, że trzydzieści siedem procent pracowników całkowicie pomija AI. Nawet nie próbują z niej korzystać, ponieważ muszą odpowiedzieć na tak wiele pytań i wprowadzić tak wiele informacji. Czasami nie ufają też AI na tyle, aby powierzyć jej wykonanie zadania, więc całkowicie z niej rezygnują.

Masz więc absolutną rację.

David Rice: Zastanawiam się, czy nie powinniśmy zacząć inaczej patrzeć na czas, który AI uwalnia. Zawsze mówiliśmy o zaoszczędzonym czasie, ale wydaje mi się, że wykorzystaliśmy go do produkowania większej ilości pracy i upychania jeszcze większej liczby zadań w ciągu dnia. Warto byłoby zacząć badać, szczególnie w obszarach takich jak HR, czy uwolniony czas można przeznaczyć na lepsze poznanie systemów i uczynienie ich bardziej spójnymi w całej organizacji.

Myślę, że właśnie tu tkwi największa szansa na to, aby ta technologia przynosiła lepsze rezultaty. Większość organizacji przedstawia nieautoryzowane wykorzystanie AI jako problem związany z zarządzaniem lub zgodnością, ale raport sugeruje, że często jest to sygnał, iż ulepszone systemy nie odpowiadają rzeczywistości pracy.

Czy rzeczywiście widzisz, że firmy błędnie diagnozują ten problem?

Ofir Bloch: W większości przypadków tak. Zacznę jednak od tego, że nie podoba mi się określenie „nieautoryzowana AI”. Wolę mówić o AI kierowanej przez biznes, bo właśnie tym ona jest. Domyślną reakcją w większości organizacji będzie stwierdzenie: „To problem bezpieczeństwa, to nieautoryzowane narzędzia, zablokujmy je”.

Z perspektywy ryzyka ma to sens, ale pomija to, co rzeczywiście się dzieje. Dlatego nie lubię tego określenia. Ostatecznie twoi ludzie mówią ci: „Nie otrzymuję od narzędzi, które zapewniacie, tego, czego potrzebuję”. Czterdzieści pięć procent przebadanych pracowników przyznało, że korzysta z niezatwierdzonych narzędzi, a trzydzieści sześć procent z nich stwierdziło, że używa ich również z poufnymi informacjami.

Nie sądzę, aby ci pracownicy chcieli wyrządzić krzywdę. Po prostu próbują wykonać swoją pracę, a narzędzia zapewnione przez organizację prawdopodobnie nie przynoszą oczekiwanych rezultatów. Mogą też preferować różne modele. Być może ktoś woli Claude'a do pisania, a nie ChatGPT, albo podoba mu się sposób, w jaki Codex buduje komponenty interfejsu, bardziej niż rozwiązanie Claude'a.

Użyje więc narzędzia, które pomoże mu lepiej wykonywać pracę. Nie sądzę, aby nieautoryzowana AI była problemem związanym z zachowaniem. To po prostu skutek tego, że praca w zatwierdzonym systemie i ekosystemie jest trudniejsza niż praca poza nim. Pracownicy sygnalizują: „Posłuchajcie nas. Nie zapewniacie właściwych narzędzi”.

David Rice: Podoba mi się to nowe ujęcie nieautoryzowanej AI. Zawsze miałem wrażenie, że to określenie nie pasuje do rzeczywistości. Brzmi jak „Mission: Impossible”, jakby Ethan Hunt włamywał się do głównego komputera CIA. W rzeczywistości większość ludzi korzysta z tych narzędzi, ponieważ nie próbuje stwarzać ryzyka.

Próbują ograniczyć tarcia. Historycznie obejścia pojawiają się tam, gdzie systemy przestają odpowiadać rzeczywistości. Zamiast pytać, dlaczego pracownicy łamią zasady lub korzystają z niezatwierdzonych narzędzi, lepiej zapytać: dlaczego czują, że oficjalne systemy nie pomagają im robić tego, co muszą?

Jedną z naprawdę interesujących rzeczy jest to, że pracownicy niekoniecznie odrzucają AI dlatego, że są odporni na technologię. Odrzucają przerwy, fragmentację i niepewność — warunki, które AI tworzy. Czy uważasz, że przywódcy nie doceniają obciążenia poznawczego, jakie AI generuje we współczesnej pracy?

Ofir Bloch: Zdecydowanie. Widać to bardzo wyraźnie w danych. Przebadaliśmy obie grupy i osiemdziesiąt jeden procent menedżerów twierdzi, że AI zwiększyła produktywność, ponieważ widzą rezultat. Pracownicy natomiast zgłaszali wiele rodzajów tarcia związanych z AI.

Wspomnieliśmy o tym wcześniej, ale tylko dziewięć procent pracowników ufa AI przy złożonych zadaniach. Ma to związek z halucynacjami oraz z czasem potrzebnym na kopiowanie i wklejanie danych oraz przechodzenie między systemami. Praca nie odbywa się przecież w jednej aplikacji.

Jeśli weźmiemy osobę pracującą w dziale sprzedaży, prosty przepływ od leada przez szansę sprzedaży do płatności może obejmować kilkanaście różnych aplikacji i pięć działów: prawny, sprzedaż, marketing i inne. Jeśli za każdym razem trzeba kopiować i wklejać dane, a każde narzędzie ma własną funkcję AI lub własnego asystenta, powstaje ogromne tarcie.

Trzeba też stale myśleć: „Czy zachowuję zgodność z przepisami? Czy mogę użyć tego narzędzia? Czy mogę przesłać ten dokument? Czy to halucynacja? Czy muszę sprawdzić źródła danych?” Jeśli weźmiesz to wszystko pod uwagę, tak — AI zdecydowanie nakłada obciążenie poznawcze, ale menedżerowie go nie widzą.

Widzą tylko rezultat.

David Rice: Kiedy rozmawiam z przywódcami, słyszę często, że część z nich w ogóle nie korzysta z AI. Mówią: „Próbowałem, ale nie podobało mi się to, co otrzymałem, albo nie zaufałem rezultatowi”. Wtedy pytasz: „Co wprowadziłeś?”. Pojawia się problem: nie wprowadzasz właściwych informacji, więc nie otrzymujesz czegoś, czemu możesz zaufać, i nie budujesz — nie lubię tego określenia — relacji z tym narzędziem, ale w pewnym sensie rzeczywiście musisz ją zbudować.

W wielu rozmowach pomija się mentalny nakład pracy związany z tym procesem. Nie tylko wykonujesz pracę. Zarządzasz systemem, którego działania wielu z nas, szczerze mówiąc, nie rozumie.

Ofir Bloch: Tak, staje się to pracą wykonywaną na dodatek do pracy. Ludzie są z natury istotami przyzwyczajenia i bardzo trudno zmienić ich zachowania.

Pomyśl o menedżerach. Ile razy pobrałeś aplikację na iPhone'a lub telefon z Androidem, a ona nie działała tak, jak oczekiwałeś, albo działała słabo, więc całkowicie z niej zrezygnowałeś?

Zwykle nie wracamy do aplikacji, aby sprawdzić, czy coś się zmieniło albo czy pojawiła się aktualizacja. Po prostu ją porzucamy, bo w naszej pamięci nie przyniosła oczekiwanego rezultatu. To samo stało się z AI w ciągu ostatnich kilku lat. Przechodziliśmy przez kolejne wersje modeli, które stawały się coraz lepsze.

Być może jednak dwanaście miesięcy temu spróbowałeś zrobić coś za pomocą AI i nie otrzymałeś oczekiwanego rezultatu. Prezentacja nie została zaprojektowana tak, jak chciałeś, a dokument nie miał oczekiwanego stylu. Po prostu zrezygnowałeś, bo uznałeś, że narzędzie nie potrafi wykonać zadania.

Wielu menedżerów eksperymentowało z AI i stwierdziło: „Nie działa. Nie dostarcza tego, czego potrzebuję”. Nigdy do niej nie wrócili. Jedną z rzeczy, które obserwujemy w przypadku AI, jest konieczność ciągłego powracania do niej i eksperymentowania, ponieważ szybko się rozwija. Trzeba też stale zmieniać sposób pracy.

David Rice: Sama praca polegająca na sprawdzaniu rezultatów to kolejny rodzaj ciągłego przełączania kontekstu, bo nie robimy i nie myślimy już tak samo jak wcześniej. Zawsze mówię mojemu zespołowi, że perspektywa redaktora różni się od perspektywy autora. W danym momencie trzeba założyć zupełnie inną czapkę.

Technicznie robimy więc rzeczy szybciej, ale pod wieloma względami całkowite obciążenie poznawcze jest większe. Powstała sytuacja, w której zautomatyzowaliśmy pracę, a mimo to nadal czuję się wyczerpany pod koniec dnia.

Ofir Bloch: Bo robisz więcej. Po prostu próbujesz osiągnąć więcej.

David Rice: Raport zwraca uwagę, że tradycyjne szkolenia nie nadążają, ponieważ współczesna praca zmienia się w czasie rzeczywistym. Dla wielu osób brzmi to prawdziwie, ale prowadzi do pytania: co z tym zrobić? Jak przygotować ludzi podobnie jak dawniej za pomocą szkoleń, ale w nowoczesnym środowisku?

Ofir Bloch: Wiele organizacji wciąż próbuje rozwiązywać nowe problemy za pomocą starych narzędzi. Firmy nadal myślą: przeprowadzimy lepsze szkolenie, będziemy robić to częściej, zorganizujemy zajęcia w sali i przygotujemy filmy. To jednak nie działa.

Te tradycyjne podejścia nie działają w 2026 roku. Wiemy, że ludzie zapominają to, czego się uczą. Mówiliśmy też o przeciążeniu poznawczym, które zdecydowanie występuje, szczególnie gdy w miejscu pracy spotykają się różne pokolenia, a ich zdolność koncentracji jest bardzo ograniczona.

Jak nadążyć za wszystkimi innowacjami i nowymi modelami pojawiającymi się każdego dnia? Raport pokazuje, że gdy osadzisz wsparcie w toku pracy, zamiast przeprowadzać jednorazowe szkolenie, samouczek lub wyświetlać film, a pomoc jest dostępna dokładnie wtedy, gdy jest potrzebna — prowadząc przez proces lub przypominając, jak coś wykonać — wtedy pojawiają się ogromne wzrosty produktywności.

Kilka statystyk z raportu: pracownicy, którzy otrzymywali kontekstowe wsparcie w toku pracy, od 1,9 do 3,7 raza częściej deklarowali pełną pewność siebie we wszystkich wymiarach swojej pracy. Dostęp do wsparcia w toku pracy, w momencie potrzeby, zamiast konieczności wcześniejszego uczenia się, jest prawdopodobnie najlepszym sposobem adopcji nowych technologii.

David Rice: Podoba mi się idea kontekstowego wsparcia w danym momencie, bo współczesna praca często wydaje się chaotyczna. Po osiągnięciu pewnego etapu kariery cały czas pojawia się coś nowego. Tradycyjne szkolenia zakładają stabilne środowisko lub punkt początkowy: naucz się oprogramowania, poznaj przepływ pracy i powtarzaj.

AI zmienia jednak wszystko tak szybko, że statyczna wiedza zaczyna się dezaktualizować w chwili, gdy ją zdobywasz. Powtarzamy to cały czas, a dowody wciąż to potwierdzają: przyszłość nie polega wyłącznie na szkoleniu ludzi z obsługi narzędzi. Chodzi raczej o budowanie pewności siebie w obliczu zmian i uczenie ludzi ciągłego uczenia się w ruchu.

Ofir Bloch: Zdecydowanie.

David Rice: Jedną z bardziej subtelnych idei raportu jest to, że zwycięzcami mogą nie być organizacje z najbardziej zaawansowaną AI, lecz te, które najlepiej orkiestrują ludzi, systemy, przepływy pracy i cały kontekst. Czy wchodzimy w erę, w której integracja operacyjna ma większe znaczenie niż zaawansowanie modelu?

Ofir Bloch: Zdecydowanie. Istnieje ogromna różnica między używaniem narzędzia a wykorzystywaniem jego możliwości. Możesz zauważyć wzrost wykorzystania licencji. Ludzie mogą wchodzić do aplikacji i z nich wychodzić, ale co właściwie robią w środku? Jeśli tylko zadaję podstawowe pytania, podsumowuję wiadomość e-mail albo zmieniam sformułowanie, czy naprawdę wykorzystuję pełny potencjał tego drogiego modelu korzystającego z miliardów tokenów? Prawdopodobnie nie.

Firmy, które rzeczywiście obserwują wzrost produktywności i wyprzedzają inne, rozumieją potrzebę zniwelowania luki między ludźmi a technologią. W miejscu pracy mamy różne pokolenia, różne poziomy biegłości cyfrowej i opór wobec zmian.

Jeśli chcesz wyrównać poziom i upewnić się, że każda osoba w organizacji może osiągnąć taki sam rezultat za pomocą tych narzędzi, musisz zrozumieć, że rozwiązanie powinno być kontekstowe i spersonalizowane. Trzeba doprowadzić technologię do ludzi, ludzi do technologii i znaleźć wspólny grunt.

Orkiestracja jest dobrym słowem na kilku poziomach. Po pierwsze, chodzi o orkiestrację ludzi i narzędzi. Po drugie, o pomoc ludziom w zrozumieniu, jakich narzędzi używać i kiedy, bez konieczności uczenia się tego wszystkiego samodzielnie.

Jako pracownik nie powinienem przejmować się tym, jak sporządzamy raporty wydatków, która aplikacja służy do zarządzania kapitałem ludzkim ani jaki mamy system CRM. Mam cel biznesowy i zadanie. Jeśli AI może pomóc mi wykonać przepływ pracy bez przełączania się kombinacją Alt+Tab między dwunastoma aplikacjami i bez szukania odpowiedniego asystenta, to świetnie. Wtedy orkiestruję AI wokół człowieka i mogę osiągnąć rezultat biznesowy. Na tym powinny koncentrować się organizacje.

Zamiast wdrażać po prostu najmądrzejszy model, trzeba pytać, jak zniwelować lukę między ludźmi a wdrożonymi modelami.

David Rice: To bardzo ważny moment tej zmiany, bo rozmowa rynkowa zwykle koncentruje się na wojnach modeli. Nie sądzę jednak, aby większość organizacji miała problemy dlatego, że model nie jest wystarczająco inteligentny.

Poniosły porażkę, ponieważ systemy wokół modelu są rozdrobnione i nie zabrały wszystkich w tę podróż. Orkiestracja wydaje się słowem, na które wszyscy się zgodziliśmy, i może ostatecznie stać się dziś największą przewagą konkurencyjną, a nie surowe możliwości AI.

Najważniejsze jest to, że organizacja, która najszybciej ograniczy tarcia, prawdopodobnie uzyska największą przewagę.

Ofir Bloch: Zdecydowanie. Nie mógłbym ująć tego lepiej.

David Rice: Ofir, to była bardzo dobra rozmowa. Dziękuję, że do nas dołączyłeś.

Ofir Bloch: Dziękuję za zaproszenie. Jestem pewien, że umieścisz gdzieś w komentarzach link, ale tym z was, którzy chcieliby przeczytać raport, przypominam: to „State of Digital Adoption 2026” firmy WalkMe. Do zobaczenia.

David Rice: Zdecydowanie — warto go pobrać. Przeczytałem go i był fascynujący. Opublikuję więcej informacji, gdy będę promował ten odcinek, ale koniecznie zajrzyjcie do raportu.

Słuchacze, jeśli jeszcze tego nie zrobiliście, odwiedźcie peoplemanagingpeople.com/subscribe. Zapiszcie się do newslettera. Ten podcast i wszystko inne, co tworzymy, trafi prosto do waszej skrzynki odbiorczej.

Do następnego razu: kontekst, kontekst, kontekst.