Tylko 10% liderów korzysta ze sztucznej inteligencji — więc kto uczy wszystkich pozostałych?
Tylko 10% liderów wyższego szczebla przyznaje, że korzysta ze sztucznej inteligencji. Rodzi to niezręczne pytanie: jeśli liderzy tak naprawdę nie korzystają z tych narzędzi, to kto dokładnie uczy wszystkich pozostałych, jak z nimi pracować? Coraz częściej odpowiedź brzmi: współpracownicy. W tej rozmowie z Transform David Rice spotyka się z powracającą gościnią Kamarią Scott, aby przeanalizować, dlaczego wdrażanie AI staje się mniej odgórną inicjatywą transformacyjną, a bardziej globalnym eksperymentem wzajemnego uczenia się, który odbywa się w czasie rzeczywistym.
Rozmawiają o narastającym napięciu między presją organizacyjną na wdrażanie AI a całkowitym brakiem możliwości, jaki wielu pracowników ma, by faktycznie z nią eksperymentować. Po drodze zagłębiają się w przygotowanie menedżerów do działania, zanik umiejętności, elastyczność uczenia się, zarządzanie efektywnością oraz niekomfortową możliwość, że firmy automatyzują właśnie tę wiedzę ekspercką, której pracownicy potrzebują, aby ocenić, czy wyniki AI są w ogóle dobre. Rezultatem jest szczera dyskusja o tym, dlaczego menedżerowie mogą stać się wąskim gardłem we wdrażaniu AI — i dlaczego organizacje, które wcześniej nie zbudowały prawdziwej kultury uczenia się, teraz za to płacą.
Czego się dowiesz
- Dlaczego wdrażanie AI kończy się niepowodzeniem, gdy organizacje nie tworzą przestrzeni na eksperymentowanie
- Jak uczenie się kierowane przez współpracowników po cichu staje się rzeczywistą strategią przygotowania do korzystania z AI
- Dlaczego to menedżerowie — a nie działy HR — ostatecznie decydują o powodzeniu wdrażania AI
- Ryzyko zaniku umiejętności i utraty zdolności do oceniania jakości pracy
- Jak AI może wzmacniać ludzką wiedzę ekspercką zamiast ją zastępować
- Dlaczego „elastyczność uczenia się” stała się kluczową zdolnością organizacyjną
- Jak może wyglądać zarządzanie efektywnością, gdy agenci AI wykonują część pracy
- Jak organizacje mogą tworzyć zdrowsze kultury korzystania z AI zamiast reaktywnych polityk dotyczących AI
Najważniejsze wnioski
- Wdrażanie AI kończy się niepowodzeniem bez czasu na eksperymentowanie.
Można bez końca finansować inicjatywy związane z AI, ale jeśli od pracowników oczekuje się utrzymywania pełnego obciążenia pracą przy jednoczesnym „eksperymentowaniu” po godzinach, wdrażanie natychmiast się zatrzymuje. To menedżerowie w znacznie większym stopniu kontrolują dostępne możliwości niż prezentacje strategiczne. - Uczenie się od współpracowników staje się dominującym modelem nauki.
Osoby odkrywające najbardziej użyteczne sposoby pracy z AI uczą się od współpracowników wykonujących tę samą pracę — a nie od dyrektorów wygłaszających przemówienia programowe o transformacji. - Menedżerowie stają się wąskim gardłem we wdrażaniu AI.
Każda strategia organizacyjna ostatecznie przechodzi przez osoby zarządzające zespołami na pierwszej linii. Jeśli menedżerowie nie otrzymają odpowiedniego wsparcia i przygotowania oraz nie dostaną przestrzeni na samodzielne eksperymentowanie, strategia zakończy się właśnie na tym etapie. - AI powinna wzmacniać wiedzę ekspercką, a nie ją zastępować.
Kamaria doskonale ujmuje to zagrożenie: ludziom grozi stanie się „ludzkimi interfejsami” dla wyników AI zamiast ekspertami wykorzystującymi osąd i doświadczenie do ich ulepszania. - Umiejętności już ulegają erozji.
Pracownicy mogą tworzyć technicznie poprawne rezultaty, jednocześnie tracąc zdolność do oceniania, czy praca jest rzeczywiście dobra. To znacznie większy problem niż kwestia tego, czy ktoś użył AI do napisania wiadomości e-mail. - Projekty rozwijane z pasji tworzą bezpieczniejsze środowiska do eksperymentowania.
Zapewnienie pracownikom chronionego czasu na poznawanie AI w kontekście pracy, na której już im zależy, przynosi znacznie większe zaangażowanie niż wymuszanie powszechnych nakazów wdrażania. - Organizacje nigdy tak naprawdę nie zbudowały kultur uczenia się.
Wiele firm przez lata spychało czas przeznaczony na naukę na dalszy plan na rzecz wykorzystania czasu podlegającego rozliczeniu. Teraz wchodzą w ogromną transformację technologiczną bez pracowników, którzy mają dobrze rozwiniętą elastyczność uczenia się. - Zarządzanie efektywnością wkracza na dziwny teren.
Jeśli agenci AI wykonują połowę pracy, to co dokładnie oceniają organizacje? Rezultaty? Osąd? Umiejętność tworzenia poleceń? Współpracę? Firmy wciąż ustalają to wszystko w czasie rzeczywistym.
Rozdziały
- 00:00 — Wąskie gardła we wdrażaniu AI
- 02:31 — Menedżerowie i wdrażanie AI
- 04:15 — Wzajemne uczenie się w pracy
- 05:05 — Projekty AI z pasji
- 07:51 — Zmęczenie eksperymentowaniem
- 09:01 — Automatyzacja prac administracyjnych
- 10:34 — AI jako wzmacniacz mocnych stron
- 11:42 — Powrót pisania przez ludzi
- 13:54 — Komunikacja tworzona przez AI
- 15:27 — Ryzyko zaniku umiejętności
- 18:09 — Ludzka ocena a wyniki AI
- 20:58 — Dlaczego wiedza ekspercka wciąż ma znaczenie
- 23:06 — Porażki w zakresie zwinności uczenia się
- 25:42 — AI i sprzeciw wobec rekrutacji
- 26:24 — Oceny wyników pracy w erze AI
- 27:52 — AI jako początek rozmowy
- 29:35 — Końcowe refleksje
Poznaj naszego gościa
Kamaria Scott jest założycielką i dyrektorką generalną firmy Enetic, zajmującej się technologią i innowacjami oraz koncentrującej się na pomaganiu organizacjom w wykorzystywaniu AI, automatyzacji i nowych technologii w celu osiągania lepszych wyników biznesowych. Dzięki doświadczeniu obejmującemu transformację cyfrową, strategię i przywództwo operacyjne współpracuje z liderami i zespołami, pomagając wypełnić lukę między innowacjami a praktyczną realizacją. Kamaria jest znana ze swojego przyszłościowego podejścia do wdrażania AI, rozwoju organizacji i przywództwa gotowego na przyszłość, pomagając firmom radzić sobie ze zmianami, a jednocześnie budować bardziej zwinne systemy skoncentrowane na ludziach.
Powiązane odnośniki:
- Dołącz do społeczności People Managing People
- Zapisz się do naszego biuletynu AI Signal
- Połącz się z Kamarią na platformie LinkedIn
Powiązane artykuły i podcasty:
David Rice: Tylko 10% liderów wyższego szczebla przyznaje, że korzysta ze sztucznej inteligencji, więc kto właściwie uczy wszystkich pozostałych? Nikt. Coraz częściej widzimy, że znajdujemy się w globalnym momencie uczenia się od siebie nawzajem. Jednak na poziomie całej organizacji wciąż próbujemy zrozumieć, co oznacza to dla sposobu, w jaki rozwijamy role i zakresy odpowiedzialności.
W dzisiejszym programie usłyszycie rozmowę, którą przeprowadziłem z Kamarią Scott podczas wydarzenia Transform. Być może pamiętacie Kamarię. Jest przyjaciółką naszego programu i opowie o tym, dlaczego menedżerowie wkrótce staną się wąskim gardłem. Chociaż w Waszej organizacji mogła zostać wdrożona sztuczna inteligencja wraz z dobrze finansowaną strategią, a teraz śledzicie poziom jej wykorzystania, odpowiedź na pytanie, kto kontroluje codzienną pracę ludzi, staje się coraz mniej jasna.
Czy jest to dział HR, liderzy jednostek biznesowych, zespoły operacyjne? Kto decyduje o tym, czy pracownicy otrzymają czas na eksperymentowanie, czy też każda minuta dnia musi być rozliczana? Narzędzia rozwijają się bardzo szybko. Agenci potrafią już robić rzeczy, których duże modele językowe nie potrafiły, a osoby, które uczą się najwięcej podczas tej transformacji, nie czerpią wiedzy od liderów.
Uczą się od siebie nawzajem — od innych osób wykonujących podobną pracę. Mimo to obserwujemy zanik umiejętności. Nie chodzi wyłącznie o pogarszające się zdolności komunikacyjne, ponieważ ludzie używają sztucznej inteligencji do pisania e-maili. Mówimy o umiejętności oceniania jakości, czyli spojrzenia na wynik wygenerowany przez sztuczną inteligencję i stwierdzenia, czy jest dobry. Rośnie obawa, że pokolenie X i millenialsi mogą stać się ostatnimi pokoleniami posiadającymi głęboką wiedzę specjalistyczną, ponieważ kolejne pokolenia zlecają sztucznej inteligencji tak dużą część pracy, że nie zdobywają podstawowych umiejętności potrzebnych do oceniania tego, co tworzą.
Dziś omówimy, dlaczego model projektów realizowanych z pasją jest pomijaną przez Was strategią adopcji, problem interfejsu człowiek–technologia, który sprawia, że ludzie jedynie przekazują dalej wyniki sztucznej inteligencji zamiast wykorzystywać swoją wiedzę ekspercką, jak wygląda zarządzanie efektywnością, gdy agenci wykonują połowę pracy, dlaczego organizacje nie rozwinęły wcześniej zwinności uczenia się oraz jak zadbać o rozwój wiedzy eksperckiej pozwalającej oceniać jakość wyników sztucznej inteligencji.
Nazywam się David Rice. To program People Managing People. Jeśli oczekiwaliście adopcji bez stworzenia przestrzeni na eksperymentowanie, ta rozmowa pokaże Wam, dlaczego Wasza strategia zatrzymuje się na poziomie menedżerów. Oddaję głos mnie i Kamarii.
