Przekazanie zadań między człowiekiem a AI jest bardziej skomplikowane, niż sądzą firmy

David Rice: Większość rozmów o sztucznej inteligencji w przedsiębiorstwach zaczyna się od tego samego pytania: Co możemy zautomatyzować? Ale to niewłaściwy punkt wyjścia. W dzisiejszym programie rozmawiam z Paulą Goldman, dyrektorką ds. etycznego i humanitarnego wykorzystania technologii w Salesforce, o różnicy między projektowaniem z myślą o automatyzacji a projektowaniem współpracy człowieka ze sztuczną inteligencją.

To nie jest to samo. Automatyzacja pyta, które kroki można usunąć. Współpraca pyta, czym może stać się praca, teraz gdy ludzie zyskali nowe możliwości. Przekazanie zadań między AI a ludźmi również nie jest tak jednoznaczne, jak lubimy udawać. Kiedy klienci są wściekli, chcą rozmawiać z człowiekiem. Kiedy czują zakłopotanie, często wolą AI.

Ogólne założenia dotyczące tego, gdzie przebiega ta granica, będą kosztować organizacje zaufanie, które trudno będzie odzyskać. Główna teza Pauli jest taka, że wraz ze wzrostem możliwości AI osąd i budowanie relacji stają się ważniejsze, a nie mniej ważne. Produktywność jest rezultatem pośrednim. Ciekawsze pytanie brzmi: co zrobisz z możliwościami, które dzięki niej powstaną?

Dlatego dziś omawiamy, dlaczego rozpoczynanie od automatyzacji sprawia, że liderzy nie dostrzegają, jak praca człowieka tworzy wartość, jak myśleć o przekazywaniu zadań między AI a człowiekiem w odniesieniu do konkretnych przypadków użycia, dlaczego od każdego pracownika oczekuje się dziś zarządzania AI przy takim samym braku szkoleń, jaki wcześniej dotykał menedżerów, oraz jak w praktyce wygląda projektowanie z myślą o ludzkim rozwoju i dobrostanie.

Nazywam się David Rice. To jest People Managing People. Jeśli twoja strategia AI koncentruje się na tym, co można zautomatyzować, zamiast na tym, czym praca może się stać, ta rozmowa całkowicie zmieni twoje spojrzenie na ten temat. Zaczynajmy.

Poznaj Teamflect, najwyżej ocenianą platformę do zarządzania wynikami i zaangażowaniem pracowników, stworzoną dla Microsoft Teams.

Zaufało jej ponad tysiąc organizacji. Łatwe w użyciu, a jednocześnie klasy korporacyjnej rozwiązanie. Odwiedź Teamflect.com, aby dowiedzieć się więcej.

Paulo, witamy w dzisiejszym programie.

Paula Goldman: Dziękuję za zaproszenie.

David Rice: Chciałem rozpocząć rozmowę od tego, że wiele rozmów o AI w przedsiębiorstwach wciąż zaczyna się od jakiejś wersji pytania: „Co możemy zautomatyzować?”.

Prawda? Twierdzisz, że projektowanie z myślą o automatyzacji i projektowanie współpracy człowieka ze sztuczną inteligencją to zasadniczo dwie różne rzeczy. Jeśli zaczynamy od automatyzacji jako celu, czego liderzy nie dostrzegają w pracy człowieka i sposobie, w jaki tworzy ona wartość?

Paula Goldman: Dziękuję. Bardzo dobrze sformułowałeś to pytanie i myślę, że składa się ono z kilku części.

Pierwsza dotyczy różnicy między transformacyjnym rezultatem a niewielkim wzrostem efektywności. Powinniśmy pytać: „Co AI umożliwia naszym firmom? Jak możemy jeszcze bardziej zachwycać klientów, pracowników i innych odbiorców?”. Na bardziej podstawowym poziomie chodzi jednak także o rozpoznanie, gdzie interakcja międzyludzka ma fundamentalne znaczenie dla powodzenia danego rezultatu.

Na przykład więź między osobą odbierającą telefon a osobą, która dzwoni, może zadecydować o tym, czy klient będzie całkowicie rozczarowany, czy zachwycony. Podobnie coaching człowieka może zdecydować o tym, czy pracownik zyska motywację i będzie się rozwijać.

Myślę, że bardzo nie doceniliśmy znaczenia tych elementów. AI jest niezwykle potężna i możemy zrobić z nią bardzo wiele. Właściwe pytanie brzmi jednak: jak sprawić, by ludzie i AI dobrze współpracowali, osiągając odpowiedzialne i ponadprzeciętne rezultaty, a nie tylko zastanawiać się, gdzie włączyć AI?

David Rice: Część naszego problemu polega na tym, że efektywność i wartość często wydają nam się synonimami. Tymczasem przepływ pracy może stać się znacznie bardziej efektywny, a jednocześnie gorszy w tworzeniu rzeczy, które mają znaczenie: zaufania, uczenia się, kreatywności czy osądu. Automatyzacja traktuje istniejący przepływ pracy jak jednostkę analizy.

Jakie kroki możemy usunąć? Współpraca zadaje inne pytanie: „Czym może stać się ten przepływ pracy, teraz gdy ludzie mają dostęp do nowego rodzaju możliwości?”.

Paula Goldman: Bardzo dobrze to ująłeś.

David Rice: Jest to szczególnie istotne dla dyrektorów HR, ponieważ lider finansowy zobaczy uwolnienie dwudziestu procent przepustowości.

HR musi zapytać, co stanie się z wiedzą zawodową i systemem organizacyjnym wokół tej przepustowości. Myślę, że to jedna z najważniejszych kwestii, z którymi obecnie musimy się mierzyć. Mówiłaś o projektowaniu przekazania zadań między AI a ludźmi. Ta granica nie jest jednak tak prosta, jak stwierdzenie, że AI zajmuje się rutynową pracą, a ludzie złożoną.

Tak mówimy, ale nie sądzę, żeby było to aż tak uporządkowane. Czasami ludzie wolą AI w bardzo wrażliwych sytuacjach, podczas gdy pozornie proste momenty w przypadku innych osób w ogromnym stopniu zależą od więzi z człowiekiem. Jak twoim zdaniem organizacje powinny określać, gdzie przebiega ta granica, zamiast przyjmować ogólne założenia?

Paula Goldman: To nie znaczy, że zasada „pozwól AI zajmować się rutyną, a ludziom złożonymi zadaniami” jest błędna. To całkiem dobry punkt wyjścia. Kiedy jednak zaczynasz analizować konkretne przypadki użycia, robi się naprawdę interesująco. Weźmy na przykład obsługę klienta.

Jeśli AI nigdy wcześniej nie spotkała się z danym pytaniem i nie ma żadnych danych dotyczących odpowiedzi, prawdopodobnie nie powinna się nim zajmować. Istnieją jednak także inne zasady. Jeśli coś podlega ścisłym regulacjom, jak porady podatkowe udzielane małym firmom przez One Eight Hundred Accountant, klienci chcą, by zajmował się tym człowiek.

Kiedy jednak uwzględnisz emocje klienta i więź emocjonalną, sytuacja staje się bardzo interesująca. Liczne badania i dane pokazują, że gdy klienci są wściekli, zazwyczaj chcą rozmawiać z człowiekiem. Kiedy czują zakłopotanie — na przykład z powodu stanu zdrowia albo czegoś, za co nie chcą być oceniani — mogą lekko preferować AI.

Dlatego bardzo ważne jest rozumienie tych tendencji i preferencji: kiedy ludzie chcą rozmawiać z ludźmi, a kiedy nie. W obsłudze klienta nie chodzi wyłącznie o efektywność. To właśnie tutaj decydujesz, czy zatrzymasz klienta.

Nie dostajesz wielu szans. Dopiero zaczynamy więc odkrywać, jak współpraca działa w praktyce, a zwracanie uwagi na jej ludzką stronę ma ogromne znaczenie.

David Rice: Być może rozróżnienie nie jest tak proste jak podział na proste i złożone zadania. Właściwe pytanie brzmi: czego ludzie oczekują od tej interakcji?

Kiedy są źli, chcą rozmawiać z człowiekiem. Jeśli odczuwają zakłopotanie lub obawiają się oceny, AI może wydawać się psychologicznie bezpieczniejsza, ponieważ w kontaktach z ludźmi zdarzały nam się sytuacje, które były dziwne albo powodowały dyskomfort.

To sugeruje, że przed podjęciem decyzji, gdzie powinien pojawić się człowiek, organizacje potrzebują badań użytkowników, a nie tylko mapowania procesów. Ta granica również nie jest stała. Ludzie mogą początkowo potrzebować zapewnienia ze strony człowieka, a później przyzwyczaić się do AI — albo odwrotnie.

To kwestia wyboru. Wykorzystujemy złożoność zadania jako wskaźnik tego, gdzie człowiek wnosi wartość. Czy uważasz, że lepszą zmienną są konsekwencje emocjonalne?

Paula Goldman: Myślę, że obie zmienne są bardzo ważne. Ignorowanie aspektu ludzkiej więzi może organizacjom poważnie zaszkodzić.

Obie kwestie warto uwzględniać. Masz też rację, że sytuacja będzie się zmieniać. Z czasem ludzie mogą przyzwyczaić się do interakcji z AI, a AI będzie coraz lepsza i potężniejsza. Możliwe jest jednak również to, że ludzie zaczną bardziej cenić więź z drugim człowiekiem.

Kiedy konsumenci i pracownicy coraz częściej używają AI do filtrowania napływających informacji, wiadomości marketingowych i innych treści, będziemy mieć coraz mniej kontaktów z ludźmi. Właśnie dlatego będą one znacznie ważniejsze.

Trudno przewidzieć, jak wszystko się potoczy, ale po napisaniu książki jestem całkowicie przekonana, że nie doceniamy znaczenia ludzkiego aspektu interakcji.

David Rice: Opowiedziałaś mi wcześniej świetną historię o pracownikach socjalnych, którzy sprzeciwili się narzędziu AI mającemu oszczędzić im powrotów do biura po wizytach terenowych. Kierownictwo uznało tę podróż za nieefektywność.

Pracownicy widzieli w niej miejsce, w którym wspólnie analizowali trudne przypadki. To wydaje mi się ważną lekcją dla dyrektorów HR: jak odróżnić marnotrawstwo od pozornie nieefektywnych interakcji międzyludzkich, które najbardziej wpływają na zaufanie, uczenie się, osąd i odporność?

Paula Goldman: To dobry przykład znaczenia zrozumienia rytuału. Ludzie wyjeżdżają w teren i spotykają się z trudnymi przypadkami. Czasami widzą coś po raz pierwszy, a czasami praca wywiera na nich emocjonalne obciążenie. Chcą wrócić, wspólnie to przeanalizować i czegoś się nauczyć, ponieważ kolega mógł już wcześniej spotkać się z podobną sytuacją.

AI może pomóc w sporządzaniu notatek lub przeprowadzeniu części procesu. Pytanie brzmi jednak: jak najlepiej wspierać zarówno efektywność, jak i wspólne uczenie się? Niewielka zmiana, polegająca na zrozumieniu, że celem nie jest tylko oszczędność czasu, lecz także zwiększenie poziomu uczenia się zespołu, może przynieść ogromną różnicę.

Chodzi o znalezienie najlepszych odpowiedzi dla osób, którym pomagają pracownicy socjalni. W tym przypadku niewielka korekta, polegająca na bardziej skoncentrowanym na człowieku wdrożeniu, mogłaby zachować zarówno efektywność, jak i całe uczenie się, które się z nią wiązało.

David Rice: Przez dekady mówiliśmy o tarciu jak o czymś złym, co należy usuwać. AI daje nam bezprecedensową możliwość właśnie tego dokonania.

Myślę jednak, że odkryjemy więcej przykładów pozytywnego tarcia. Powrót do biura wyglądał na marnotrawstwo transportowe na mapie procesu, ale w rzeczywistości był okazją do wzajemnego nadzoru, wspólnego odreagowania i wymiany nieformalnej wiedzy.

Podobne przykłady istnieją wszędzie: młodsi pracownicy słuchający starszych kolegów, rozmowy po spotkaniach, pytanie osoby siedzącej obok, jak poradziłaby sobie z daną sytuacją. Te interakcje są niewidoczne, ale ich znaczenie dla zwrotu z inwestycji i rozwoju pracowników jest nie do przecenienia.

Paula Goldman: Zgadzam się. W Salesforce nazywamy to uważnym tarciem. AI i technologia są bardzo potężne i mogą generować odpowiedzi w wielu dziedzinach. Istnieją jednak sytuacje, w których o sukcesie lub porażce decyduje wkroczenie człowieka i wykorzystanie jego osądu.

Codziennie dużo czasu poświęcam na identyfikowanie momentów, w których warto zachęcić kogoś do ponownego zastanowienia się. Może chodzić o decyzję o dużych konsekwencjach, którą AI rekomenduje w procesie rekrutacji, przy ocenie wniosku kredytowego lub w innej sytuacji wymagającej ludzkiego nadzoru.

Czasami chodzi po prostu o zaangażowanie człowieka, które może znacząco wpłynąć na rezultat. Trzeba to robić bardzo ostrożnie, ale twierdzenie, że tarcie jest zawsze złe, nie jest prawdziwe. W systemie zdecydowanie potrzebujemy miejsc, w których występuje tarcie.

David Rice: Ktoś kiedyś nazwał to obciążającymi nieefektywnościami. Czy to dyrektor HR powinien identyfikować takie nieefektywności, zanim transformacja AI je usunie?

Paula Goldman: Rola HR jest niezwykle istotna w pomaganiu wszystkim funkcjom firmy w korzystaniu z AI w sposób zapewniający najlepsze rezultaty. Jednocześnie odpowiedzialność za tę kwestię musi zostać przekazana każdej funkcji, ponieważ to jej pracownicy najlepiej wiedzą, gdzie potrzebne są ludzkie umiejętności.

Marketing wie, gdzie w komunikatach ważne są wyczucie trendów i autentyczność człowieka, a gdzie można poprosić AI o spersonalizowanie wiadomości na dwadzieścia tysięcy sposobów dla dwudziestu tysięcy klientów.

Potrzebne są oba elementy. AI jest dziś wszędzie, a nie tylko w jednej czy dwóch aplikacjach. W kontekście Salesforce jest głęboko obecna we wszystkim, co robimy, we wszystkich funkcjach. Dlatego eksperci poszczególnych dziedzin muszą określać najważniejsze przypadki użycia, a HR musi zadbać o to, by ludzka wiedza pozostała centralnym elementem najlepszych rezultatów.

David Rice: Pracownicy nie mogą być jedynie odbiorcami transformacji AI. Wiedzą o pracy rzeczy, których mogą nie wiedzieć osoby projektujące te transformacje. Organizacje nie mogą jednak przeprojektowywać każdego przepływu pracy w drodze komitetu. Jak wygląda znaczący udział pracowników bez spowalniania transformacji do poziomu, który stałby się dla kadry kierowniczej niekomfortowy?

Paula Goldman: Pracownicy powinni mieć miejsce przy stole. Historia pracowników socjalnych dobrze pokazuje, dlaczego ich pomijanie przynosi skutki odwrotne do zamierzonych. Można jednak angażować ich w sposób, który przyspiesza osiąganie rezultatów i pozwala przewidywać problemy, zanim staną się naprawdę poważne.

W Salesforce organizujemy między innymi hackathony, podczas których pracownicy proponują sposoby wykorzystania AI. Jednym z moich ulubionych przykładów są neuroróżnorodni pracownicy, którzy opracowywali sposoby korzystania z AI w Slacku, aby nie czuli się przytłoczeni nadmiarem informacji. Później wykorzystaliśmy te pomysły w trybie skupienia w Slacku.

Zaangażowanie ludzi zwiększa innowacyjność. Nie chodzi tylko o hackathony, lecz także o zbieranie opinii w aplikacji, angażowanie pracowników w ustalanie, które aplikacje będą ważne, oraz słuchanie ich informacji zwrotnych.

Celem nie jest wdrożenie AI i nakazanie jej używania. Chodzi o to, jak ludzie faktycznie wykorzystują ją w codziennej pracy, aby osiągać lepsze rezultaty. Osoby znajdujące się najbliżej pracy najlepiej wiedzą, jak to zrobić.

Widziałam przykład fabryki Stellantis, gdzie pracownicy hali uczyli innych pracowników obsługi robotów. Ponieważ sami pracowali z robotyką, jedna z instruktorek stworzyła własną aplikację dla uczniów, wyjaśniającą, jak rozwiązywać problemy z robotem. To wiedza wynikająca z prawdziwego doświadczenia i przykład, dlaczego technologii nie należy narzucać odgórnie.

David Rice: Istnieje różnica między prawem weta pracowników a dostarczaniem wiedzy projektowej. Pracownicy pierwszej linii znają rozwiązania zastępcze i zasady, które często nie pojawiają się w standardowych procedurach. Mają nieformalne przepływy pracy.

Paula Goldman: Dokładnie. Czasami AI może wychwycić tę ukrytą wiedzę i udostępnić ją większej liczbie osób. Innym razem istnieją elementy, które nigdy się nie pojawią, bo nie zostały wyraźnie skodyfikowane. To odczytywanie sytuacji, rozumienie sposobu, w jaki coś robiono przez lata, i wiedza, jak postąpić. Właśnie dlatego potrzebujemy tej ekspertyzy.

David Rice: Ująłbym to mniej jako partycypację, a bardziej jako zbieranie wymagań. Istnieje też argument dotyczący adopcji: ludzie chętniej korzystają z systemu, jeśli rozpoznają w jego projekcie swoją rzeczywistość.

Paula Goldman: W stu procentach. To świetny sposób przedstawienia tej kwestii.

David Rice: Jak odróżnić uzasadnioną wiedzę pracowników pierwszej linii od oporu wynikającego głównie z tego, że ktoś nie chce, aby jego praca się zmieniła?

Paula Goldman: To bardzo ważne pytanie. Przechodzimy przez ogromną transformację sposobu pracy. Zmiana jest trudna. Właśnie dlatego angażowanie ludzi, dawanie im miejsca przy stole i zbieranie wymagań prowadzi do lepszych rezultatów.

Prosimy ludzi o zmianę sposobu pracy, a łatwo nie docenić ogromnej krzywej emocjonalnej, przez którą przechodzą. Warto pytać, co powinno pozostać ludzkie, i zbierać opinie na ten temat. Nie oznacza to, że każda opinia określi wynik, ale trzeba naprawdę słuchać i rozumieć, gdzie osąd, budowanie relacji oraz rozstrzyganie nietypowych przypadków mają znaczenie.

Ludzie muszą zostać zaangażowani w projektowanie tego, jak powinna wyglądać praca. Potrzebują czasu, aby zaakceptować zmianę i zobaczyć, że dzięki niej praca stanie się lepsza. To trudne, ale jest częścią zarządzania zmianą.

David Rice: Kolejny wymiar współpracy człowieka z AI dotyczy rozwoju ekspertyzy. Jeśli systematycznie przekazujemy AI określone zadania poznawcze, nie tylko przeprojektowujemy stanowiska. Możemy również przeprojektować sposób, w jaki ludzie rozwijają wiedzę i wpływają na to, co powstaje w miejscu pracy.

Jak liderzy powinni myśleć o tym, co ludzie muszą nadal robić — nie dlatego, że AI nie potrafi tego zrobić, lecz dlatego, że wykonywanie tych zadań pozwala rozwijać osąd potrzebny do odnoszenia sukcesów?

Paula Goldman: Zacznijmy od różnicy między tym, czy AI może coś zrobić, a tym, czy powinna to robić. W obsłudze klienta i innych obszarach różnica między „może” a „powinna” decyduje o sukcesie lub porażce.

Z perspektywy HR myślę o technologii przypominającej menedżerom o dokładniejszych ocenach wyników i przekazywaniu pełniejszej informacji zwrotnej. Istnieje jednak różnica między AI pomagającą zebrać informacje a menedżerem, który bierze odpowiedzialność za treść oceny i sam ją przekazuje. To może decydować o motywacji.

Dlatego warto zachęcać menedżera do częstszego kontaktu z zespołem, zamiast pozwalać AI robić to za niego. Rozwój ekspertyzy jest niezwykle ważny. Właśnie dlatego obserwujemy powrót zainteresowania praktykami zawodowymi, szkoleniami i umiejętnościami.

Za pięć lub dziesięć lat to pytanie może wyglądać inaczej. Gdy pojawiły się arkusze kalkulacyjne, obawiano się utraty umiejętności wykonywania obliczeń. Nadal trzeba znać podstawy, ale można nauczyć się korzystać z technologii i sprawdzać rezultaty.

Pojawiają się nowe role, w których podstaw uczymy się poprzez nadzorowanie AI. Można obserwować, gdzie AI działa, gdzie nie działa i jak ją ulepszać. W ten sposób powstaną nowe sposoby uczenia się biznesu, ponieważ AI zmienia sposób wykonywania pracy.

David Rice: Niektóre zadania mogą pozostać celowo ludzkie jako zadania szkoleniowe, nawet jeśli AI wykonuje je szybciej. Pojawia się jednak trudne pytanie ekonomiczne: kto zapłaci za tę rozwojową nieefektywność?

Paula Goldman: To niewłaściwe ujęcie efektywności. Mówimy o uczeniu ludzi zarządzania systemami AI. Inwestujesz ogromne środki w AI, więc potrzebujesz osób, które znają biznes i potrafią ocenić, jakie zadania przekazać AI, a jakich jej nie przekazywać.

To nie jest nieefektywność. Przeciwnie — bez tych kompetencji wydajesz pieniądze na problem, którego nie rozwiązujesz. To lepszy sposób myślenia o efektywności.

David Rice: Wiele uzasadnień biznesowych dotyczących AI dobrze mierzy to, co znika: zaoszczędzone godziny, zautomatyzowane zadania i stworzoną przepustowość. Gorzej mierzą to, co może zniknąć wraz z nimi: przekazywanie ukrytej wiedzy, relacje, osąd, mentoring i nieformalne momenty wspólnego rozumienia trudnej pracy.

Czy obecna definicja zwrotu z inwestycji w AI systematycznie zaniża wartość ludzkiego aspektu pracy?

Paula Goldman: To się zmienia, ale tak. Coraz częściej zaczynamy mierzyć zwrot z inwestycji w AI przez pryzmat rezultatów, a nie wyłącznie liczby zaoszczędzonych godzin. Ile połączeń rozwiązało AI, a nie tylko ile godzin zaoszczędziliśmy? To dwa różne sposoby pomiaru tego samego problemu.

Jeśli używasz AI do szkoleń, czy umiejętności ludzi rzeczywiście się zwiększyły? Jeśli korzystasz z niej w obszarze prawnym, czy poprawiła się jakość składanych pism, czy też pojawiły się halucynacje, które doprowadziły do problemów?

Kiedy spojrzysz na całościowy wskaźnik, uwzględnisz zarówno możliwości AI, jak i jej ograniczenia, potrzebę udziału ludzi w procesie, dodatkowej kontroli oraz uczenia się podczas pracy.

Jestem przekonana, że będziemy mierzyć bardziej całościowe rezultaty biznesowe. Dzięki temu podejmiemy lepsze decyzje inwestycyjne i stworzymy wyraźniejszą mapę rozwoju stanowisk w sposób, który będzie ekscytujący, wzmacniający i da ludziom więcej możliwości wykonywania większych i lepszych rzeczy.

David Rice: Korzyści można zmierzyć od razu, ale rozproszone straty, takie jak słabszy osąd, mogą ujawnić się dopiero po roku lub dwóch. Korzyść jest zapisywana teraz, a koszt utraty kompetencji pojawia się później. Coraz więcej osób zaczyna rozumieć, że trzeba mierzyć to inaczej.

Paula Goldman: To samo dotyczy zadowolenia klientów. AI może odpowiedzieć na wszystkie pytania, ale nie oznacza to, że klient dokona zakupu albo będzie zadowolony z usługi. AI jest bardzo potężna, ale trzeba mierzyć jej wpływ we właściwy sposób, aby zachować równowagę i rozumieć, gdzie ludzie powinni wkroczyć oraz dlaczego ma to znaczenie.

David Rice: Co konkretnie powinniśmy mierzyć, jeśli chcemy pokazać długoterminowe skutki transformacji i uzasadnić ogromny budżet na jej przeprowadzenie?

Paula Goldman: Z perspektywy klienta należy mierzyć nie tylko zaoszczędzone godziny, lecz także zadowolenie klientów, ich odpływ oraz liczbę osób dokonujących zakupu dzięki działaniom sprzedażowym wspieranym przez AI.

To nie są nowe wskaźniki. Są to całościowe sposoby mierzenia biznesu, które już stosujemy. Należy po prostu właściwie je zastosować. Klient powinien móc zadać AI dowolne pytanie dotyczące produktu. Jeśli sprawa jest prosta, może dokonać transakcji online. Jeśli jest trudniejsza, należy przekazać ją osobie, która może sfinalizować sprzedaż i pomóc klientowi lepiej zrozumieć jego problem.

Nie potrzebujemy nowych wskaźników. Musimy zachować rozsądek w ich stosowaniu.

David Rice: Powiedziałaś wcześniej: „Technologia jest potężna, ale nie jest protagonistą. To my nim jesteśmy”. Jeśli potraktujemy to poważnie, celem transformacji AI nie może być wyłącznie zwiększenie produktywności ludzi. Co organizacje powinny chcieć rozwijać u ludzi, gdy maszyny stają się coraz bardziej zdolne?

Paula Goldman: Napisałam książkę, ponieważ wiele inteligentnych osób zaczęło obawiać się, czy nadal ma znaczenie i czy ludzie nie staną się zbędni. Z moich obserwacji wynikało jednak coś przeciwnego: im potężniejsza staje się AI, tym ważniejsze stają się osąd i budowanie relacji.

Wszyscy stajemy się menedżerami AI. Będziemy musieli zarządzać technologią, rozumieć, w czym jest dobra, gdzie ma ograniczenia i kiedy należy wkroczyć.

Nie chodzi o zbudowanie szybszego konia, lecz o wyobrażenie sobie tego, co staje się możliwe, gdy AI potrafi personalizować interakcje na ogromną skalę, odpowiadać na pytania klientów albo udostępniać pracownikom wszystkie informacje dotyczące świadczeń.

To wszystko stanie się podstawą. Najważniejsi będą ludzie, którzy potrafią wykorzystać te efektywności, aby zrobić coś lepszego dla klientów i pracowników. Potrzebujemy osób biegłych w AI, a jednocześnie mających przestrzeń do korzystania z własnego osądu i wymyślania nowych rozwiązań.

Nie szybszy koń, lecz przeprojektowany biznes. Dlatego ta rozmowa jest tak ważna.

David Rice: Coraz więcej liderów dostrzega, że to wybór dotyczący projektu organizacji, a nie tylko nieunikniony skutek pojawienia się technologii w miejscu pracy. Dobry lider nie musi mieć wszystkich odpowiedzi. Powinien umieć zadawać właściwe pytania, wykorzystywać osąd, właściwie formułować problemy i budować zaufanie, aby ludzie czuli się swobodnie, biorąc odpowiedzialność.

Produktywność jest rezultatem pośrednim, a nie celem samym w sobie. Ciekawsze pytanie brzmi: co robimy z możliwościami, które dzięki niej powstają?

Paula Goldman: Dokładnie. Produktywność jest oczywiście bardzo ważna, ale nie jest wszystkim. Widzieliśmy katastrofy związane z AI, dlatego potrzebujemy ludzi, którzy rozumieją granice tego, gdzie AI powinna wkroczyć, a gdzie powinien wkroczyć człowiek.

Potrzebujemy również osób, które mogą przeprojektowywać działania i utrzymywać klientów oraz pracowników w centrum transformacji. To właśnie te firmy moim zdaniem wygrają. Już to widzę.

David Rice: Stanowiska są przeprojektowywane, a menedżerowie są dobrym przykładem. Jeśli AI usunie raportowanie i pracę administracyjną, od menedżera możemy oczekiwać czegoś innego: lepszego coachingu i skuteczniejszego rozwijania podwładnych.

Paula Goldman: To jeden z moich ulubionych tematów. Obecnie niemal każdego pracownika prosimy o zarządzanie AI, przy podobnym braku szkoleń, jaki wcześniej dotyczył menedżerów. Szerzej rzecz ujmując, dobry menedżer nie musi być najlepszym wykonawcą pracy indywidualnej. Może wspierać wyobraźnię innych, dzielić się wiedzą i pomagać ludziom dostrzegać lepsze sposoby działania.

Kiedy pisałam książkę, mój ówczesny menedżer, John Stormer, nie odrzucił tego pomysłu ani nie próbował mnie od niego odwieść. Po prostu dyskretnie karmił moją wyobraźnię, wysyłał podcasty i artykuły oraz dawał mi do zrozumienia, że ten pomysł jest ważny.

Z tej wiary powstała cała książka. Nikt nie kazał mi jej napisać. Powstała z inspiracji i więzi, które wspierało wiele osób z mojego otoczenia. Tego rodzaju rzeczy nie chcemy utracić, gdy AI stanie się coraz potężniejsza. Chcemy je zaprojektować w systemie i sprawić, by były jeszcze powszechniejsze.

David Rice: Paulo, to była świetna rozmowa. Dziękuję, że poświęciłaś nam dziś czas.

Paula Goldman: Dziękuję za zaproszenie i za tak znakomite pytania. Bardzo mi się podobało.

David Rice: Drodzy słuchacze, jeśli jeszcze tego nie zrobiliście, koniecznie sprawdźcie AI Signal. Co tydzień przygotowujemy odprawę dla kadry kierowniczej z jedną rzeczą, o której trzeba pomyśleć w danym tygodniu: kwestią wymagającą uwagi, pytaniem, które warto zadać na najbliższym spotkaniu zespołu kierowniczego, albo narzędziem do oceny bieżącej pracy.

Zapiszcie się. Do usłyszenia następnym razem. Myślcie o możliwościach. Tutaj przeprojektowujemy pracę.

Przeprowadzaj oceny wyników i przenoś informacje o zaangażowaniu pracowników do swojego ulubionego narzędzia AI. Połącz Teamflect z ChatGPT, Claude lub dowolnym dużym modelem językowym, aby sprawdzać cele, pisać oceny, analizować informacje zwrotne, tworzyć zadania i robić jeszcze więcej — wszystko za pomocą prostego czatu. Wypróbuj Teamflect już teraz bezpłatnie.