Od ciekawości do pewności siebie: praktyczne ramy wdrażania sztucznej inteligencji

David Rice: Zatem Twój zespół jest ciekawy sztucznej inteligencji. Oglądali prezentacje. Czytali artykuły. Uważają, że to interesujące. I zupełnie nic z tym nie robią, ponieważ ciekawość bez pewności siebie to po prostu prokrastynacja w lepszej oprawie.

Moim dzisiejszym gościem jest Justin Angsuwat. Jest dyrektorem ds. pracowników w Culture Amp i opowie nam, jak jego organizacja sprawiła, że niemal 80% pracowników nabrało pewności siebie w korzystaniu ze sztucznej inteligencji w zaledwie sześć tygodni.

Nie ciekawości — pewności siebie. Oto co zrobili inaczej. Oddzielili eksperymentowanie od oczekiwań. Bez presji na dostarczanie dopracowanych rezultatów, bez czekania na pozwolenie — po prostu uporządkowana droga od zrozumienia, przez eksperymentowanie, po wdrożenie. Jednak Justin mierzy się teraz z kilkoma niewygodnymi kwestiami.

Pewność siebie nie przekłada się automatycznie na integrację. Ludzie nadal patrzą na pustą stronę, przeglądają swoje codzienne przepływy pracy i zamierają. Czasami pracownicy wyższego szczebla, którzy mają wprowadzać sztuczną inteligencję do organizacji, zmagają się najbardziej, ponieważ ich tożsamość jest związana z procesem pracy, który sztuczna inteligencja właśnie uczyniła przestarzałym.

Dzisiaj omówimy, dlaczego skupili się na pewności siebie pracowników, a nie na wskaźnikach wykorzystania czy celach automatyzacji. Cotygodniowe ćwiczenia, które napędzały postęp, sposoby przenoszenia ludzi od zadań deterministycznych do probabilistycznych — właśnie tam kryje się prawdziwy wpływ. Dlaczego młodsi pracownicy mogą być bardziej naturalni w korzystaniu ze sztucznej inteligencji niż kadra kierownicza prowadząca transformację oraz jak w praktyce wygląda pewność siebie na poziomie nieco poniżej 80%.

Nazywam się David Rice. To jest People Managing People. Jeśli utknęliście między ciekawością a rzeczywistym wdrożeniem, ta rozmowa pokaże Wam dokładnie, jak jedna firma wypełniła tę lukę. Zaczynajmy.

Justin, witaj w programie.

Justin Angsuwat: Dzięki, David. Miło tu być. Cieszę się na tę rozmowę.

David Rice: Dobrze Cię mieć.

Miło wrócić do naszej rozmowy w Orlando. Od tamtej pory czekałem na ten moment. Zanim zagłębimy się w coacha i wszystko, co zbudowaliście, opowiedz mi, jak Wasze zespoły faktycznie zaczęły budować rozwiązania z wykorzystaniem sztucznej inteligencji. Co pomogło im wyjść poza etap ciekawości?

Justin Angsuwat: Jeśli zaczniemy od sztucznej inteligencji w organizacji ogólnie, najpierw stworzyliśmy moment olśnienia.

To samo w sobie było dla nas lekcją. Kiedy zaczęliśmy od zespołów produktowych, przenieśliśmy się do kolejnych zespołów, co oznaczało rozpoczęcie od celu. Dla nas był nim poziom pewności siebie pracowników w korzystaniu ze sztucznej inteligencji. Wiem, że można wyznaczyć wiele innych celów, takich jak wykorzystanie czy automatyzacja, ale dla nas było jasne, że chodzi o ludzi stojących za technologią.

Naszym celem było zwiększenie pewności siebie pracowników w korzystaniu ze sztucznej inteligencji, ponieważ moment olśnienia jest dość trudny do zmierzenia. Uruchomiliśmy więc sześciotygodniowy program zaprojektowany tak, aby oddzielić eksperymentowanie od oczekiwań. Chodziło celowo o naukę, próbowanie różnych rzeczy i po prostu podjęcie próby. Nie chodziło o dostarczenie dopracowanego rezultatu, co zdjęło z ludzi presję i sprawiło, że chętniej angażowali się w korzystanie z dość nowej wówczas technologii.

David Rice: Z tego, co dotąd widziałem, firmy, które analizowaliśmy lub z którymi rozmawialiśmy, dość łatwo wzbudzają ciekawość. Ludzie chcą eksperymentować. Jednak rzeczywisty ruch naprzód zwykle wymaga pewnej struktury, jasności albo — najlepiej — wspólnego wczesnego sukcesu. Zastanawiam się, jak wyglądało to przejście w Waszym zespole. Wspomniałeś o momencie olśnienia.

Czy pojawił się jakiś impuls albo wczesny sukces, który pomógł ludziom przejść od „tak, nauczmy się o tym” albo „to interesujące” do „oto co z tym zrobimy”?

Justin Angsuwat: Tak. To było kluczowe, jak właśnie powiedziałeś. Nie mieliśmy pełnej jasności, co właściwie będziemy mogli z tym zrobić.

I to nie był moment olśnienia. Interesujące było to, że momenty olśnienia różnych osób wyglądały zupełnie inaczej. Trudno było je ustandaryzować. Dlatego zrobiliśmy to, o czym wspomniałem wcześniej: sześciotygodniowy program, który nazwaliśmy Accelerate, z „AI” w środku słowa „accelerate”.

Bo przecież nie można mieć programu bez sztucznej inteligencji w nazwie. Ustaliliśmy etapy, które w szerokim ujęciu pomagały ludziom przejść tę drogę: od zrozumienia, przez eksperymentowanie, po wdrożenie i codzienne korzystanie. Ta ostatnia część jest najtrudniejsza i nadal próbujemy ją rozgryźć.

Program nie był doskonały, ale bardzo pomógł naszym pracownikom czuć się wspieranymi, a nie poganianymi czy wystawionymi na ocenę. Jeśli wszyscy inni coś tworzą, a ja nie wiem, jak coś stworzyć, łatwo się zablokować. Jednocześnie pilnowaliśmy, żeby ludzie nie czuli się zbyt komfortowo z dotychczasowym stanem rzeczy.

Nieustannie przechodziliśmy od zrozumienia, przez eksperymentowanie, do wdrożenia. Robiliśmy to za pomocą dużej ilości treści i sesji edukacyjnych, podczas których ludzie mogli wejść do narzędzi i rzeczywiście coś stworzyć — od gry komputerowej po film. Następnie dzieliliśmy się małymi sukcesami, aby napędzać dalszy impet.

Uruchamiałem cotygodniowe ćwiczenia lub konkursy dla całej firmy. Jedno z zadań polegało na stworzeniu filmu wygenerowanego przez sztuczną inteligencję dla naszej marki pracodawcy. Innym była gra Gandalf, w której trzeba było złamać hasło i przekonać Gandalfa, żeby je podał. Sprawdzaliśmy, kto dotrze do ostatniego etapu i czego się nauczył.

Wspaniale było to obserwować. Pamiętam pracownika, który w ciągu kilku minut stworzył agenta i tak bardzo się tym podekscytował, że poszedł do domu i opowiedział o tym partnerowi. Partner zapytał: „Naprawdę to zrobiłeś?”. A on odpowiedział: „Tak, zrobiłem to”. Jego pewność siebie wzrosła, podobnie jak pewność siebie całego zespołu.

Pomyśleli: „Potrafię to zrobić”. To było bardzo ważne dla utrzymania tempa przez sześć tygodni: ciągłe powtarzanie procesu, pomaganie ludziom w przechodzeniu od zrozumienia, przez eksperymentowanie, do wdrożenia, a następnie pokazywanie, jak uczynić sztuczną inteligencję bardziej użyteczną w codziennej pracy.

Mamy jeszcze wiele do zrobienia w tym obszarze, ale punktem wyjścia była próba korzystania z tych samych narzędzi, których ludzie mogli używać w pracy — Miro, Glean, Gemini, Copilot i innych. Współpracowaliśmy z ich dostawcami, zapraszaliśmy ich do udziału, a kiedy uruchomiliśmy program, nie czekaliśmy na pozwolenie ani o nie nie prosiliśmy.

Po prostu uruchomiliśmy program i konsekwentnie go rozwijaliśmy. Niedawno opublikowałem na LinkedIn wpis na ten temat. Ktoś podsumował go świetnym komentarzem, który dobrze oddawał Twój punkt widzenia, David: wiele firm od razu przechodzi do tworzenia listy pomysłów na ulepszenie pracy dzięki sztucznej inteligencji, ale nie zaczyna od wyposażenia ludzi w podstawową pewność siebie potrzebną do rozpoczęcia działania. To właśnie było naszym kluczowym początkowym celem.

David Rice: Kolejna kwestia to pomaganie ludziom w zrozumieniu, co naprawdę jest użyteczne. Dlaczego, Twoim zdaniem, zadziałało to tak dobrze? Wiele innych podejść zatrzymuje się w miejscu. Ludzie dochodzą do wniosku: „Mogę zrobić wszystko”, a potem stają przed pustym płótnem i nie wiedzą, od czego zacząć, albo mówią: „Tak naprawdę tego nie potrzebuję”.

Opowiedz mi, jak nauczyliście ludzi zadawać właściwe pytania, bo potrzebne są tu niuanse i kontekst. Jak pomóc ludziom zrozumieć, jakie informacje przekazać sztucznej inteligencji, żeby uzyskać z niej jak najwięcej?

Justin Angsuwat: To było trudne. To będzie nasz ostatni etap: jak korzystać ze sztucznej inteligencji na co dzień i zintegrować ją z codziennymi przepływami pracy.

Nadal nad tym pracujemy. Sukces pierwszego kroku polegał na tym, że skupiliśmy się wyłącznie na początkowej kwestii: jak sprawić, żeby ludzie nabrali pewności siebie w korzystaniu ze sztucznej inteligencji, zanim jeszcze znajdziemy wszystkie przypadki użycia. Wiele osób miało mentalną barierę: „To jest zbyt trudne”.

Co ciekawe, nawet podczas sześciotygodniowego programu niektórzy wykonywali małe ćwiczenia i tworzyli grę komputerową, a potem wracali do zwykłego codziennego przepływu pracy i znowu czuli się onieśmieleni. Patrzyli na pustą stronę.

Dla niektórych zespołów uruchomiliśmy mały hackathon. Nawet w małych, trzyosobowych zespołach ludzie pytali: „Czy to ja muszę tworzyć polecenia? Czy ktoś inny może to zrobić? Od czego zacząć?”. Było to jednak bezpieczniejsze środowisko i impuls, którego potrzebowali, żeby powiedzieć: „Dobrze, siedzę przed ekranem. Po prostu spróbuję”.

Ich moment olśnienia polegał na odkryciu, że to nie było tak trudne, jak sądzili. Nie sądzę, żebyśmy już całkowicie rozwiązali ten problem. Pierwszy etap polegał na stworzeniu pewności siebie i osiągnęliśmy ten cel. Po zakończeniu programu zmierzyliśmy rezultaty. Nieco poniżej 80% całej organizacji deklarowało pewność siebie w korzystaniu ze sztucznej inteligencji w codziennej pracy.

Około 4% odpowiedzi było negatywnych. Zmierzyliśmy też inne stwierdzenie: „Eksplorujemy i wdrażamy nowe technologie, takie jak sztuczna inteligencja”. Odnotowaliśmy poprawę o 24 punkty procentowe — do poziomu około 84%. Widać więc silny impet i przekonanie do korzystania ze sztucznej inteligencji. Kolejnym krokiem jest rozwiązanie kwestii integracji jej z codziennym użytkowaniem.

Właśnie o tym rozmawialiśmy w Orlando: o korzystaniu ze sztucznej inteligencji nie tylko jako z lepszego kalkulatora, ale jako z czegoś zupełnie innego.

David Rice: Wokół tego tematu jest teraz mnóstwo szumu. Ludzie są przytłoczeni wyborem sposobu wykorzystania sztucznej inteligencji, a często rozczarowują się rezultatami, ponieważ nie wiedzą, jakie informacje najlepiej jej przekazać.

Większość osób potrzebuje czegoś, od czego można zacząć, co ma najwięcej sensu, a następnie stopniowo rozwijać działania. Brzmi to tak, jakby stworzony przez Was model dał ludziom pozwolenie na zaprzestanie czekania na idealny przypadek użycia. Udało Wam się w ten sposób odblokować pewien impet.

Justin Angsuwat: Masz całkowitą rację. W internecie widzimy wiele osób robiących naprawdę niesamowite rzeczy, co może być onieśmielające. Można pomyśleć: „Ja nie używam sztucznej inteligencji w taki sposób. Nadal uczę się, jak tworzyć polecenia”.

Rzeczywiście jest dużo szumu, ale oznacza to również, że jest tam wiele wartościowych treści. Dla osób, które chcą zacząć, może to być jednak bardzo onieśmielające: „Nawet nie jestem blisko tego poziomu” albo „To było kreatywne. Jak wpadłeś na pomysł wykorzystania sztucznej inteligencji w ten sposób? Nie wiem nawet, jak tworzyć polecenia”.

Próbowaliśmy więc odfiltrować część szumu i powiedzieć: „Skup się tylko na tym sześciotygodniowym programie. Doprowadzimy Cię do poziomu pewności siebie, nawet jeśli nie będziemy jeszcze w stanie wskazać dokładnie, do czego powinieneś teraz wykorzystywać sztuczną inteligencję”.

David Rice: Wspomniałeś o kalkulatorze — o tym, żeby przestać używać sztucznej inteligencji wyłącznie jako lepszego kalkulatora. Co właściwie dzieje się wtedy, gdy ludzie dokonują tej mentalnej zmiany? Jakie masz doświadczenia z tego momentu?

Justin Angsuwat: Istnieje wiele modeli dojrzałości sztucznej inteligencji i różnych ram opisujących sposób myślenia o niej. Uprościłbym to do dwóch poziomów zmiany.

W organizacjach, w których widzę, że sztuczna inteligencja zmienia ludzi i wykonywaną pracę, dostrzegam dwa poziomy. Pierwszy to robienie czegoś szybciej lub lepiej. Drugi to odblokowanie czegoś nowego.

Wiem, że sam to wymyśliłem, bo nie jest chwytliwe ani aliteracyjne. Rozmawialiśmy o kalkulatorze i o tym, jak zmieniła się ta rozmowa. Kiedy pojawiły się arkusze kalkulacyjne, początkowo były po prostu lepszym kalkulatorem.

To pierwszy etap: robienie czegoś szybciej lub lepiej, ulepszanie tego, co już znamy. Wcześniej księgowi korzystali z papierowych ksiąg. Jeśli chcieli zmienić jedną liczbę w budżecie, musieli ręcznie wymazać ją i ponownie obliczyć każdą zależną wartość. Zajmowało to godziny.

Dzięki arkuszowi kalkulacyjnemu mogli zamknąć księgi w pięć lub dziesięć minut zamiast w pięć godzin. To ogromna poprawa efektywności — robienie czegoś szybciej lub lepiej. Właśnie to wiele osób otrzymuje dziś od sztucznej inteligencji: automatyzację czynności wykonywanych wielokrotnie.

Prawdziwy moment olśnienia pojawia się jednak dzięki temu, co odblokowuje się później. Kiedy obliczenia stały się natychmiastowe, księgowi nie byli już tylko osobami zajmującymi się liczbami. Mogli tworzyć scenariusze. Zamiast jedynie szybko korygować liczby w arkuszu, mogli modelować odpowiedzi na pytania.

Mogli zapytać: „Jeśli obniżymy ceny o 10%, ale zwiększymy sprzedaż o 20%, co stanie się z naszą marżą brutto?”. Przestali być tylko księgowymi prowadzącymi dokumentację i stali się planistami scenariuszy, modelującymi strategie oraz finansami strategicznymi patrzącymi w przyszłość. Rozwiązali problem, o którego istnieniu wcześniej nie wiedzieli.

Na tym polega mentalna zmiana. Pierwszy etap to pytanie: „Jak mogę robić obecne rzeczy szybciej lub lepiej?”. Drugi brzmi: „Co nowego staje się możliwe?”. Trudno to opisać, dopóki samemu nie przejdzie się tego procesu.

David Rice: To ciekawe, bo może właśnie dlatego w działach personalnych jest tyle wahania. Kiedy pojawia się moment olśnienia i myślisz: „Mógłbym zrobić wszystkie te rzeczy”, natychmiast zaczynasz się martwić, że zadzwoni dział prawny.

Co może pomóc ludziom przejść przez ten moment? Czy podczas własnych eksperymentów miałeś chwilę, w której pomyślałeś: „Nie jestem pewien, czy to dobry pomysł”?

Justin Angsuwat: Słusznie zwracasz uwagę na dział prawny. Sztuczna inteligencja wymaga ostrożności, ponieważ łatwiej zweryfikować arkusz kalkulacyjny niż polegać na odpowiedzi sztucznej inteligencji.

Rozmawialiśmy o różnicy między imponującym pokazem a rzeczywistym wpływem. Dobrym przykładem jest rozróżnienie zadań probabilistycznych i deterministycznych.

Zadania deterministyczne mają zwykle jedną prawidłową odpowiedź — na przykład obliczenie matematyczne albo ustalenie, co jest legalne, a co nie, nawet jeśli czasami występują szare obszary. Zadania probabilistyczne mogą mieć wiele dobrych odpowiedzi — na przykład napisanie wiadomości e-mail lub podsumowanie spotkania.

Wykorzystywanie sztucznej inteligencji wyłącznie do zadań deterministycznych może być przydatne, na przykład: „Podaj moje przychody w czwartym kwartale”. W wielu przypadkach używamy jednak silnika probabilistycznego do rozwiązania problemu deterministycznego. Może to być wolniejsze, prowadzić do halucynacji i być mniej dokładne niż zapytanie SQL, arkusz kalkulacyjny albo zwykłe sprawdzenie danych.

Może wyglądać efektownie, ale nie wykorzystuje pełnego potencjału sztucznej inteligencji. Aby zmaksymalizować wpływ, warto skupić się na interpretacji zadań probabilistycznych.

Na przykład można poprosić sztuczną inteligencję: „Przeczytaj 500 opinii pracowników i wskaż trzy najważniejsze emocjonalne frustracje, które odczuwają — nie tylko dokładne tematy, ale właśnie frustracje”. Arkusz kalkulacyjny nie obliczy emocjonalnej frustracji. W tym obszarze sztuczna inteligencja może naprawdę pomóc.

Dlatego zawsze warto dokładnie sprawdzać odpowiedzi, zanim bezkrytycznie się na nich oprzemy.

David Rice: To dobra rada. Nie mogę jej wystarczająco mocno podkreślić.

Rozwijanie globalnego zespołu nie powinno oznaczać żonglowania pięcioma różnymi systemami do obsługi kadr, płac i IT. Deel łączy to wszystko w jednym miejscu, dzięki czemu możesz zatrudniać, wdrażać, opłacać i wyposażać pracowników w dowolnym miejscu, bez typowego chaosu.

Niezależnie od tego, czy zatrudniasz pracowników w dziesięciu krajach, czy zarządzasz kontraktorami w różnych strefach czasowych, Deel obsługuje zgodność z przepisami, świadczenia i płace w jednym miejscu. Oznacza to mniej rozproszonych narzędzi, mniej problemów i więcej czasu na skupienie się na ludziach. Chcesz zobaczyć, jak naprawdę wygląda zatrudnianie bez granic?

Odwiedź deel.com/pmp. Jeszcze raz: deel.com/pmp, aby umówić prezentację. Deel. Zatrudniaj, zarządzaj i płać każdemu, wszędzie.

Zbudowaliście teraz coacha opartego na sztucznej inteligencji. Opowiedz trochę o celach, jakie Wam przyświecały.

Justin Angsuwat: Celem było stworzenie stale dostępnego coacha AI — albo naukowca zajmującego się ludźmi, którego można mieć w kieszeni.

Niektórzy mówią: „Nie potrzebuję coacha. Coachowie są bardzo drodzy”. Powiedziałbym więc, że chodzi raczej o naukowca zajmującego się ludźmi, któremu można zadać pytania, na przykład: „Jak przeprowadzić trudną rozmowę związaną z przekazaniem informacji zwrotnej?”.

W pewnym sensie pomagamy partnerom biznesowym HR, zespołom HR i zespołom ds. pracowników udzielać menedżerom porad na żądanie w całej organizacji.

Coach jest jednak świadomy kontekstu. To najważniejsza różnica. Jeśli zapytasz ogólny model sztucznej inteligencji, jak zareagować w określonej sytuacji, otrzymasz średnią z internetu. Porada będzie prawdopodobnie technicznie poprawna, ale niekoniecznie użyteczna w konkretnej sytuacji. To trochę jak horoskop — jest wystarczająco ogólny, by pasować do każdego, więc tak naprawdę nie pomaga nikomu konkretnie.

W przypadku coacha AI istnieją trzy warstwy kontekstu. Pierwsza to warstwa podstawowa: na czym został wytrenowany coach? Nie szkolimy go na średniej z internetu, wątkach Reddita czy przypadkowych blogach. Wytrenowaliśmy go na nauce o ludziach. Mamy około półtora miliarda punktów danych dotyczących ludzi, kultury i wyników, zebranych przez dekadę w tysiącach miejsc pracy.

Mamy zespoły naukowców zajmujących się ludźmi i doktorów, którzy projektują oraz zasilają coacha odpowiednimi poleceniami. Warstwa podstawowa opiera się więc na solidnej nauce o coachingu i na danych organizacyjnych.

Na niej kładziemy warstwę kontekstu organizacyjnego. Coach zna kontekst firmy: jej wizję, strategię, cele roczne, wartości, zachowania stojące za wartościami oraz wykorzystywane ramy informacji zwrotnej, takie jak radykalna szczerość czy model SBI.

Następnie dodajemy warstwę wyników: dane dotyczące zaangażowania, wyniki, rozmowy indywidualne, informacje zwrotne i inne elementy. Coach zaczyna rozumieć zespół i konkretną osobę.

Kiedy połączymy te warstwy, nie otrzymujesz ogólnej porady: „Powinieneś więcej słuchać”. Otrzymujesz konkretną poradę: „Biorąc pod uwagę niski poziom zaangażowania Twojego zespołu, nowy cel firmy związany z radykalną szczerością oraz ekspansję do nowego kraju, zadam Ci kilka pytań, aby zrozumieć sytuację, a następnie wykorzystamy konkretny scenariusz opracowany na podstawie nauki o ludziach i przećwiczymy go w formie odgrywania ról”.

Te trzy warstwy kontekstu są niezwykle ważne. To one odróżniają coacha AI od zwykłego dużego modelu językowego lub narzędzia generatywnej sztucznej inteligencji udzielającego porad.

David Rice: Wszyscy znamy sytuację, w której narzędzie technicznie działa, ale nic o nas nie wie, więc wydaje się czymś bezosobowym. Myślisz wtedy: „Dlaczego właściwie z tym rozmawiam?”.

Justin Angsuwat: Pewnie często to widzisz, pracując z wieloma liderami HR i budując różne rozwiązania. Czy też to obserwujesz?

David Rice: Tak. Sam zbudowałem kilka takich narzędzi i zastanawiałem się: „O czym ono w ogóle mówi?”. W końcu człowiek stwierdza: „To mi nie pomaga”.

Kiedy mówisz o dodawaniu kontekstu — dynamice zespołu, historii organizacji czy indywidualnych mocnych stronach — całkowicie zmienia to model, od którego wielu z nas zaczyna. Jakie sygnały sprawiają, że porada AI wydaje się naprawdę trafna?

Justin Angsuwat: Jest kilka kwestii. Po pierwsze, coach opiera się na nauce o ludziach i zna kontekst organizacji. Menedżer nie musi więc za każdym razem od nowa wyjaśniać całej sytuacji.

Po pewnym czasie człowiek zaczyna myśleć: „To dużo kontekstu. Za każdym razem muszę tłumaczyć coachowi, jaki ma być ton, o kim rozmawialiśmy i co już się wydarzyło”. Byłoby wspaniale, gdyby coach mógł powiedzieć: „Przeprowadziłeś już kilka rozmów z tą osobą. Co nie działa? Wróćmy do tego ponownie”.

Potężne jest to, że kontekst już istnieje. Drugą kwestią jest różnica między firmą SaaS a firmą AI. Coach stale się uczy, analizuje różnicę między tym, co jest użyteczne, a tym, co nie jest, i wykorzystuje ją do dalszego szkolenia. Staje się lepszy dzięki negatywnej informacji zwrotnej.

David Rice: Niedawno słuchałem osoby, która mówiła, że chce, aby jej firma działała jak firma AI, a nie tylko jak firma SaaS. Co to właściwie oznacza w biurze we wtorek?

Justin Angsuwat: Działanie jak firma AI nie oznacza kupowania dużej liczby licencji Copilot.

Chodzi mniej o kupowane oprogramowanie, a bardziej o sposób budowania i pracy. Jednym z ciekawych aspektów jest przejście od jawnej do ukrytej informacji zwrotnej.

W świecie SaaS zwykle polegamy na tym, że użytkownicy mówią nam wprost, co myślą: oceniają funkcję od jednej do pięciu gwiazdek albo odpowiadają „tak” lub „nie” na pytanie, czy artykuł był pomocny. Problem polega na tym, że ludzie rzadko klikają takie przyciski, chyba że są bardzo zadowoleni albo bardzo niezadowoleni. Wiele danych pozostaje więc niewykorzystanych.

Działanie w sposób właściwy dla firmy AI oznacza skupienie się na ukrytej informacji zwrotnej. Jeśli sztuczna inteligencja przygotuje projekt wiadomości e-mail lub podsumowanie spotkania, a użytkownik usunie jedno zdanie, jawna informacja zwrotna może wyglądać jak porażka albo zwykła edycja. Firma AI widzi jednak sygnał: przewidywanie modelu dla tego kontekstu było błędne.

Różnica między tym, co sztuczna inteligencja napisała pierwotnie, a tym, z czego człowiek był ostatecznie zadowolony, jest bardzo wartościowym materiałem treningowym. Wiedza o tym, co jest błędne, może być bardziej użyteczna niż wiedza o tym, co jest poprawne.

Firmy SaaS chcą przede wszystkim Twojej uwagi i korzystania z platformy. Firmy AI chcą delegowania. Chcą być tak dobre, żebyś mógł po prostu zatwierdzić rezultat. Wykorzystują więc luki i braki jako sygnały do ponownego szkolenia modelu. Z czasem sztuczna inteligencja coraz lepiej Cię rozumie.

David Rice: To fascynujące. Pytam o to, ponieważ wiele osób zatrzymuje się na etapie zamiany tej ambicji w zachowanie operacyjne. Narzędzia takie jak Coach mogą w tym pomóc.

Wydaje mi się, że firmy AI więcej eksperymentują, podejmują decyzje w czasie rzeczywistym, są mniej dopracowane, ale szybsze. Kiedy usuniemy marketingowy szum, co faktycznie zmienia się w zespołach, które zaczynają żyć tą ideą?

Justin Angsuwat: To tylko jeden element — sposób myślenia o jawnej i ukrytej informacji zwrotnej. Kolejny dotyczy tworzenia funkcji. Przechodzimy od tradycyjnego, kaskadowego modelu tworzenia oprogramowania do modelu, który pozwala działać znacznie szybciej.

Dla niektórych inżynierów oprogramowania i menedżerów produktu momentem olśnienia było odkrycie: „Zbudowałem w tydzień coś, co wcześniej mogło zająć miesiące”. Pierwszy prototyp powstaje znacznie szybciej. Można go szybko zbudować, sprawdzić, przekazać testerom i użytkownikom, a następnie poprawić, zamiast najpierw dokładnie definiować projekt, planować harmonogram i przechodzić przez cały tradycyjny proces.

To duża zmiana w sposobie tworzenia oprogramowania.

David Rice: Wcześniej powiedziałeś coś, co bardzo do mnie trafiło: zaawansowany technicznie proces nie musi być potrzebny. Łatwo pomylić złożoność ze skutecznością.

To będzie jedno z głównych wyzwań przywódczych: jak utrzymać koncentrację na wartości, gdy pokusa pokazania możliwości sztucznej inteligencji będzie tak silna. W 2026 roku nie wydaje się, żeby ten problem miał zniknąć.

Justin Angsuwat: Najpierw trzeba rozwiązać problem biznesowy. Jaki problem chcemy rozwiązać? Dopiero potem pytamy, jak zbudować narzędzie, które go rozwiąże.

Trudność polega na tym, że sztuczna inteligencja może rozwiązywać problemy, o których istnieniu wcześniej nie wiedzieliśmy. Nie można więc po prostu siedzieć i myśleć: „Chciałbym, żeby rozwiązała ten problem”, bo możemy nie wiedzieć, że taki problem istnieje, dopóki nie zaczniemy tworzyć poleceń.

Pamiętam dyrektora generalnego, który powiedział zespołowi kierowniczemu: „Jeśli nie utworzyliście stu poleceń w sztucznej inteligencji, Wasza opinia na temat AI nie ma dla mnie jeszcze dużej wagi”. Po prostu nie wiecie, czego można dokonać.

Dlatego zaczęliśmy od pewności siebie. Dopiero gdy ludzie zaczną korzystać ze sztucznej inteligencji, odkryją problemy, które można dzięki niej rozwiązać — także takie, o których wcześniej nie wiedzieli, że istnieją.

David Rice: Mapujecie dojrzałość AI nie tylko u klientów, lecz także we własnej organizacji. Co najbardziej Was zaskakuje?

Justin Angsuwat: Nadal jesteśmy na wczesnym etapie. Ciężko pracujemy, ale postęp wydaje się skokowy. Za każdym razem, gdy patrzę wstecz, pojawia się coś nowego — nowa publikacja, nowa możliwość.

Jedną z rzeczy, które obserwuję w wielu organizacjach, jest założenie, że starsi lub najlepiej działający pracownicy jako pierwsi opanują sztuczną inteligencję. Nie zawsze tak się dzieje, ponieważ oduczenie się dotychczasowego sposobu pracy bywa trudniejsze niż nauczenie się nowego.

Jeśli jest to Twoja pierwsza praca, nie obchodzi Cię aż tak, jak coś zostanie zrobione. Chcesz po prostu znaleźć najkrótszą drogę od punktu A do punktu B. Jeśli przez 20 lat wykonywałeś coś w ten sam sposób, część Twojej tożsamości wiąże się z dotarciem do odpowiedzi właśnie tą drogą. Poświęciłeś życie na doskonalenie tego procesu, a sztuczna inteligencja może bardzo szybko uczynić go przestarzałym.

Dlatego młodsi pracownicy lub osoby dopiero wchodzące na rynek pracy mogą działać z wykorzystaniem sztucznej inteligencji w bardziej zaawansowany sposób niż pracownicy starsi stażem. Ci drudzy odpowiadają za wprowadzenie AI do organizacji, ale jednocześnie muszą wykorzystać inne umiejętności. Na przykład dla starszego inżyniera ważniejsze stają się skalowanie i architektura, a nie samo programowanie.

Nie rozwiązaliśmy jeszcze całkowicie tej zmiany kulturowej. Nadal jesteśmy w trudnym okresie przejściowym. Musimy zrozumieć, jak współpracować z nowymi pracownikami, którzy są naturalnymi użytkownikami AI, oraz z bardziej doświadczonymi osobami, które mają uzasadnione powody, by działać w określony sposób, ale muszą dostosować się do możliwości sztucznej inteligencji.

David Rice: To rzeczywiście wyzwanie. Podoba mi się jednak, że naprawdę przez to przechodzicie. To pokorne doświadczenie — sami czasami zmagamy się z tym samym. Wydaje nam się, że wyprzedzamy innych, a potem myślimy: „Nie jestem nawet pewien, czym w tej chwili jest krzywa rozwoju”.

Justin Angsuwat: Wypadłem poza krzywą, ale jestem jedyną osobą na tej krzywej. Co się stało? Gdzie jest reszta krzywej?

David Rice: Wspaniale jest słuchać historii innych osób, które przez to przechodzą i naprawdę tego doświadczają. Dziękuję, że podzieliłeś się tym dzisiaj. To było bardzo pomocne.

Justin Angsuwat: Dzięki, David. Dziękuję za zaproszenie.

Bardzo podobała mi się nasza poprzednia rozmowa i ta rozmowa również. Sami przez to przechodzimy i próbujemy wszystko rozwiązywać dzień po dniu. Nie mamy rocznego planu, który mówiłby, jak rozgryźć ten problem. Po prostu nad nim pracujemy i chętnie dzielimy się wszystkim, czego się uczymy — dobrym, złym i brzydkim.

David Rice: Oczywiście. Każdego dnia staramy się być elastyczni. Jeszcze raz dziękuję za udział. Wspaniale było Cię gościć.

Justin Angsuwat: Jeszcze raz dzięki, David. Do usłyszenia.

David Rice: Drodzy słuchacze, do usłyszenia następnym razem. Jeśli jeszcze tego nie zrobiliście, zapiszcie się do newslettera: peoplemanagingpeople.com/subscribe. Sprawdźcie również naszego Explorera Transformacji AI.

Do następnego razu — żyjcie tym procesem. W końcu wszyscy to rozgryziemy.