Ukryte koszty złego wdrażania AI (i kto powinien je naprawić)

David Rice: Twoja firma wydaje setki tysięcy, a być może miliony na narzędzia AI. Twoi pracownicy z nich nie korzystają, a kiedy to robią, powoduje to więcej problemów, niż rozwiązuje. Czy brzmi to znajomo? Prawdopodobnie słyszałeś już, jak to mówię, ale nie jest to problem technologiczny. To problem gotowości. A powód, dla którego twoje inwestycje w AI nie działają, nie ma nic wspólnego z samymi narzędziami. Wszystko sprowadza się do fundamentalnego niedopasowania między autonomią maszyn, ludzkim zaufaniem a kompetencjami — niedopasowania, które kosztuje cię znacznie więcej, niż możesz sobie zdawać sprawę.

Nazywam się David Rice. Dzisiaj w People Managing People porozmawiamy o czymś, co podważa wiele przekonań dotyczących wdrażania AI.

Moim gościem jest David Swanagon. Jest założycielem i redaktorem naczelnym Machine Leadership Journal. Przez lata przeprowadzał wywiady z setkami inżynierów AI i liderów, aby zrozumieć, dlaczego Stany Zjednoczone pozostają w tyle pod względem gotowości na AI, mimo posiadania najlepszych narzędzi. W tym odcinku poznasz trójwymiarowe ramy, które pomogą ci dokładnie zdiagnozować, gdzie załamuje się wdrażanie AI, zrozumiesz, dlaczego dyrektor ds. informatyki nie powinien być jedynym członkiem kadry kierowniczej odpowiedzialnym za tę transformację oraz dlaczego dyrektor HR musi zaangażować się w sposób, którego prawdopodobnie jeszcze nie dostrzega. Co najważniejsze, zyskasz jasność co do tego, jak przestać traktować AI jak wdrożenie technologiczne i zacząć traktować je jak wyzwanie dotyczące systemów ludzkich, którym w rzeczywistości jest.

Witamy w podcaście People Managing People — programie, w którym pomagamy liderom zachować ludzkie podejście do pracy w erze AI. Nazywam się David Rice i jestem waszym prowadzącym. Dzisiaj rozmawiam z Davidem Swanagonem, założycielem i redaktorem naczelnym Machine Leadership Journal. Porozmawiamy o — jak zapewne się domyślacie — przywództwie w erze AI, o tym, jak wygląda gotowość oraz jakie cechy mają wspaniali liderzy.

Davidzie, witaj!

David Swanagon: Dziękuję. Cieszę się na tę rozmowę.

David Rice: W oczywisty sposób zajmujesz się tym tematem równie intensywnie jak my, więc chcę zacząć od tego. Rozmawialiśmy przed nagraniem i powiedziałeś, że Stany Zjednoczone pozostają w tyle pod względem gotowości na AI. W dużej mierze się z tym zgadzam, ale nie chodzi o brak narzędzi, tylko o brak gotowości ludzi.

Mówimy o tym, ale co właściwie to oznacza i dlaczego liderzy powinni się tym przejmować albo oczekiwać, że sytuacja będzie inna?

David Swanagon: To świetne pytanie. To był właściwie mój projekt na czas pandemii, kiedy wszyscy siedzieliśmy w domach. Przeprowadzałem wywiady z setkami inżynierów AI i specjalistów od robotyki, próbując zrozumieć, jakie zdolności są wyjątkowe dla sztucznej inteligencji i czym mogą różnić się od standardowego uczenia się.

Odkryliśmy, że inżynierowie AI są niezwykle wyjątkowi, ale różnią się pod względem sposobu funkcjonowania ich mózgów. To właśnie ci ludzie budują obecnie modele językowe. I wbrew pozorom modele językowe są bardzo podobne do inżynierów AI, którzy je tworzą. Odkryliśmy interesujące cechy, takie jak pamięć krótkotrwała i kreatywność. Prawdopodobnie omówimy je bardziej szczegółowo. Inteligencja przestrzenna, czyli zdolność dotarcia z punktu A do punktu B. W inżynierii AI istnieje wiele wyjątkowych i wyróżniających umiejętności, a system amerykański nie jest nastawiony na ich rozwijanie. Koncentruje się na innych zdolnościach.

Tradycyjnie myślelibyśmy o tak zwanej wielkiej piątce cech osobowości. Ekstrawersja jest postrzegana jako wskaźnik przywództwa i gotowości przywódczej, podczas gdy w przypadku inżynierii AI większość najlepszych twórców patentów i innowatorów to introwertycy. Jeśli szukasz ciekawego ćwiczenia, możesz wejść na Gemini, Claude'a lub dowolne inne narzędzie i poprosić je o eksperyment myślowy: zapytać, jaka jest ich osobowość według modelu wielkiej piątki.

Każdy z modeli językowych początkowo będzie cię zbywał. Powie: „Jestem maszyną”. Ale kiedy nakłonisz go do odpowiedzi, powie: „Jesteśmy introwertykami. Jesteśmy bardzo ugodowi. Jesteśmy otwarci i kreatywni”. Interesujące jest to, że jeśli spojrzymy na sposób funkcjonowania amerykańskiego systemu szkolnictwa i zaczniemy właśnie od tego, a następnie przejdziemy do gotowości na AI w korporacji, zobaczymy, że w programie szkoły średniej jest 40 kursów AP.

Nie ma ani jednego kursu algebry liniowej, co zaskakuje wiele osób. Algebra liniowa jest jednak podstawowym i najważniejszym pojęciowym fundamentem uczenia maszynowego i sieci neuronowych, ponieważ obejmuje wszystko — od iloczynu skalarnego i wektorów po sposób, w jaki wiele z tych sieci neuronowych przechodzi przez kolejne propagacje.

Trzeba dobrze rozumieć algebrę liniową. Tymczasem amerykański system szkolnictwa nie jest nawet przygotowany do budowania tych podstawowych umiejętności. Następnie przechodzimy do środowiska korporacyjnego, gdzie wiele z tych kompetencji posiada mniej niż 1% pracowników. W rzeczywistości jest to więc kwestia nieustalania właściwych priorytetów w zakresie umiejętności. Nie dzieje się tak celowo — po prostu te maszyny odzwierciedlają osobowości swoich twórców.

A wielu z tych twórców bardzo różni się od tradycyjnych członków kadry kierowniczej. Korn Ferry, AI, Kiewit i wszystkie te organizacje mają pewien martwy punkt, ponieważ modele językowe nie odzwierciedlały cech przywódczych obserwowanych u członków najwyższego kierownictwa. Odzwierciedlały cechy przywódcze twórców, a ci są zupełnie innymi ludźmi.

Dlatego Stany Zjednoczone pozostają pod wieloma względami w tyle.

David Rice: To zabawne, bo kiedy myślimy o gotowości, wiele osób myśli po prostu o umiejętnościach albo gotowości kulturowej. Z tego, co mówisz, wynika jednak, że pod pewnymi względami nie jesteśmy poznawczo gotowi na tę zmianę. Kiedy myślę o przywództwie, myślę o rzeczach, które trzeba posiadać: umiejętności, zdolność adaptacji, zdolność budowania zaufania i pewności co do podejmowanych decyzji, a nie tylko biegłość techniczna.

Wygląda na to, że właśnie tego najbardziej nam teraz brakuje. To prawdopodobnie niezbyt dobre połączenie.

David Swanagon: Zdecydowanie. Kilka tygodni temu występowałem na Columbii wraz z moim kolegą Stevenem McIntoshem.

Opracowaliśmy ramy skoncentrowane na optymalizacji wdrażania AI. Na podstawie badań odkryliśmy, że istnieją trzy wymiary wpływające na podstawową efektywność lub poziom wdrożenia maszyny. Może to być dowolny rodzaj maszyny. Jeśli wyobrazisz sobie układ współrzędnych X, Y, Z, oś Y oznacza autonomię maszyny.

Na dole znajduje się kalkulator, a na górze Arnold Schwarzenegger — supermaszyna. Autonomia rośnie wraz z przesuwaniem się ku górze. Oś pozioma oznacza zaufanie. Po lewej stronie mamy brak zaufania, a po prawej pełne zaufanie. Oś Z przecina te dwie osie.

Jest to linia diagonalna oznaczająca kompetencje związane z AI. Idea polega na tym, że aby zoptymalizować wdrażanie AI, trzeba zrównoważyć autonomię maszyny, zaufanie i kompetencje AI. Te trzy wymiary muszą pozostawać w równowadze, aby firma mogła czerpać z maszyny maksimum korzyści przy najefektywniejszym poziomie ryzyka.

Z matematycznego punktu widzenia odkryliśmy, że podstawowe koszty obliczeniowe są najniższe, gdy te trzy elementy pozostają w równowadze. Problemy pojawiają się wtedy, gdy jedna ze zmiennych nie jest dopasowana. Firmy muszą wówczas wydawać pieniądze na programy ochrony prywatności, zarządzania i rozwijania umiejętności.

Im większy zbiór danych i im bardziej powszechny model, tym wyższe koszty wdrożenia. Interesujące jest to, że wiele firm nie ma metodologii pomiaru wdrażania AI. Śledzą więc wyłącznie koszty obliczeniowe, takie jak koszty centrów danych czy operacji zmiennoprzecinkowych.

Wiedzą jednak, że AI nie działa w ich firmach. Ten model jest interesujący, ponieważ kiedy systematycznie śledzisz autonomię, zaufanie, kompetencje oraz ich dopasowanie lub brak dopasowania, możesz obliczyć koszt nieudanego wdrożenia AI. I jest on duży. Znaczący.

Myślę, że właśnie tu pojawiają się najciekawsze wyzwania związane z gotowością na AI. Po pierwsze, trzeba zrozumieć, że wdrożenie i implementacja to zupełnie różne rzeczy. Co fascynujące, dyrektor ds. informatyki otrzymał odpowiedzialność nie tylko za projektowanie, testowanie i implementację narzędzi, ale także za ich wdrażanie w organizacji. Jednym z argumentów wynikających z naszych badań jest to, że za wdrażanie powinien odpowiadać dyrektor HR, ponieważ dotyczy ono kultury, zaufania, autonomii i umiejętności. Dyrektor ds. informatyki powinien zajmować się projektowaniem, testowaniem i implementacją, a następnie współpracować z dyrektorem HR przy zarządzaniu wdrażaniem.

Na poziomie dyrektora HR potrzebne jest w tym zakresie budowanie kompetencji.

David Rice: Właśnie wróciłem z konferencji, na której ten temat pojawiał się bardzo często. Wszyscy mówią o dwóch stronach tego samego problemu. Podoba mi się ten model, ponieważ pozwala dobrze myśleć o problemie, który wszyscy opisujemy: nie jest to problem wdrożenia technologicznego, tylko kwestia równowagi.

Czy można nadmiernie skoncentrować się na jednym elemencie kosztem pozostałych? Czy widzimy osoby, które zbytnio stawiają na przykład na autonomię, nie zapewniając odpowiedniego poziomu zaufania i kompetencji? Czy prowadzi to do chaosu?

Z drugiej strony mamy nadmierną kontrolę, która tłumi innowacje. Jak stworzyć tę równowagę?

David Swanagon: To świetne pytanie. W naszych badaniach zaczęliśmy od teorii gier, na której oparliśmy ten model. Coś w rodzaju Russella Crowe'a, „Pięknego umysłu” i Johna Nasha.

Nash stworzył wiele wzorów opisujących sytuację, w której dwóch graczy uczestniczy w grze niekooperacyjnej, jeden ma asymetryczną informację, a następnie decyduje się nie współpracować. Kiedy obaj gracze są ludźmi, gracz posiadający asymetryczną informację ma wiele przewag, a gracz bez informacji musi przejść przez wiele procesów weryfikacji i sygnalizowania, aby w ogóle móc konkurować.

Zadaliśmy sobie pytanie: co, jeśli jeden z graczy nie jest człowiekiem, tylko maszyną? Co się stanie, jeśli maszyna zdecyduje się nie współpracować? Będzie miała przewagę wynikającą z asymetrii informacji, ale w zwielokrotnionej skali. Odkryliśmy, że wzory Johna Nasha nie działają, kiedy uwzględnimy skalę, powszechność i moc modelu językowego, który osiągnął poziom autonomii i przestał słuchać.

Właśnie tu pojawia się równowaga. Jeśli zbytnio zwiększysz autonomię, a umiejętności potrzebne do jej nadzorowania nie istnieją, następuje odroczenie odpowiedzialności — nieświadome odroczenie. Władza nad podejmowaniem decyzji zostaje przekazana maszynie, niezależnie od tego, czy ludzie zdają sobie z tego sprawę.

Dobrym przykładem jest robot chirurgiczny. Większość ludzi nie rozumie, jak fascynujący model działa w tle. Robot chirurgiczny korzysta z tego samego rodzaju algorytmu co automatyczny odkurzacz — nazywa się on algorytmem SLAM. Różnica polega na tym, że w przypadku automatycznego odkurzacza ściany i sufity pozostają takie same.

Kiedy odkurzacz mapuje dom, dom się nie zmienia. Algorytm, choć skomplikowany, jest ograniczony przez te same warunki. W ludzkim ciele jest inaczej, ponieważ tkanki ciągle się zmieniają: nerki, przepływ krwi i wszystko inne. Dlatego stosuje się inny wzór, zwany algorytmem deformowalnego SLAM.

Kiedy robot chirurgiczny wprowadza endoskop do ciała pacjenta, mapuje ciało od stóp do głów, a podczas zabiegu ponownie oblicza, jak deformują się przepływ krwi i tkanki, tworząc ich model. Te dane są następnie gdzieś przechowywane.

Załóżmy, że dostawcą chmury jest AWS. Ma on nie tylko twoje DNA i praktycznie kompletny obraz twojego organizmu. Jeśli robisz zakupy w Whole Foods i płacisz dłonią, ma również dane biometryczne i historię zakupów. Dostawcy usług chmurowych mogą w ten sposób posiadać kompleksowy obraz ludzkiego doświadczenia z perspektywy danych.

Tak właśnie wygląda sytuacja, gdy autonomia maszyn pozostaje poza kontrolą: dostawcy infrastruktury chmurowej mogą posiadać całe ludzkie doświadczenie z perspektywy danych. Jest to niebezpieczne. Wyobraź sobie, że AWS posiada wszystkie te dane, a ktoś wpada na pomysł stworzenia robotycznej policji albo robotycznych sędziów. Mają wszystkie dane, a także środki do egzekwowania określonych zachowań.

To skrajny scenariusz. Jedynym sposobem przeciwdziałania mu jest ograniczenie autonomii do akceptowalnego poziomu zaufania. Zaufanie nie oznacza wyłącznie tego, co ktoś osobiście czuje. Chodzi również o to, za co społeczeństwo uważa, że maszyna powinna odpowiadać. Problem polega na tym, że nie prowadzimy tej rozmowy, ponieważ ludzie nie mają odpowiednich umiejętności.

Gdybyś zapytał kogoś o robota chirurgicznego, większość osób nie rozumiałaby działania deformowalnego algorytmu SLAM. Gdybyś wyjaśnił im, jakie dane są gromadzone, prawdopodobnie każdy powiedziałby, że potrzebne jest prawo regulujące sposób ich gromadzenia, a Amazon powinien prawdopodobnie przechowywać dane podzielone na różnych serwerach należących do różnych podmiotów. Ludzie chcieliby wielu rzeczy, gdyby wiedzieli, co się dzieje.

Ponieważ nie uczy się tego wszystkich, a nie wskazuję tu konkretnie Amazona — to tylko przykład — dostawca chmury może zwiększać autonomię i dostęp bez odpowiedniego poziomu zaufania i kompetencji. W efekcie podejmowanie decyzji przenosi się na dostawcę chmury, ponieważ jak człowiek ma cokolwiek powiedzieć, jeśli nie wie, co się dzieje?

To właśnie teoria gier. Nie chcę zakładać, że dostawcy chmury robią to celowo, ale jedną ze strategii gracza mającego asymetryczną przewagę jest ograniczanie informacji dostępnych drugiemu graczowi. Tak wygrywa się grę. Tak tworzy się strategię dominującą.

Jeśli obywatele będą rozumieli, co robią poszczególne zastosowania, będą mogli zbudować równowagę zaufania i kompetencji, ograniczając asymetryczną przewagę. Jednym ze sposobów może być stosowanie agentów równoważących — maszyny powinny nadzorować inne maszyny. Powinny istnieć maszyny oparte na zaufaniu, które oceniają poziom autonomii innych maszyn i sprawdzają, czy autonomia nie przekracza kompetencji. Jeśli tak się dzieje, decyzja powinna trafić do komitetu zarządzającego, a poziom autonomii powinien zostać zmniejszony.

To skrajny scenariusz, ale warto, aby ludzie go rozumieli. Myślę, że byliby zszokowani, gdyby wiedzieli, ile danych naprawdę posiadają dostawcy infrastruktury chmurowej.

David Rice: To zabawne, bo kiedy mówiłeś o przepływie krwi i całej reszcie, pomyślałem o organizacji, jej przypływach i odpływach, cechach i wszystkim, co się w niej dzieje. A potem pomyślałem: to świetny sposób na sprzedawanie jej kolejnych produktów. Trzeba więc mieć nadzieję, że są zadowoleni ze swojej usługi AWS.

David Swanagon: Microsoft i Meta również unikają tej rozmowy.

David Rice: Wiem, dokładnie.

Jeśli ktoś z Amazona chce narzekać, powiem tylko, że takie są konsekwencje bycia potęgą.

David Swanagon: Dokładnie.

David Rice: Badałeś, jakie cechy poznawcze i kreatywne definiują świetnych liderów AI. Czego dowiedziałeś się o ich sposobie myślenia?

David Swanagon: To fascynujące. Królicza nora jest w tym względzie bardzo głęboka.

Jak wspomniałem, zacząłem te badania podczas pandemii, ale początkowo analizowałem wszystkie zgłoszenia patentowe dotyczące AI, generatywnej AI, robotyki i podobnych dziedzin. Następnie zestawiłem je z konkretnymi osobami i przeprowadziłem wiele badań dotyczących tego, gdzie pracowały, skąd pochodziły oraz jak wyglądała ich ocena statystyczna.

Znaleźliśmy pewne odmienne wskaźniki i to właśnie zainteresowało mnie tym badaniem. Pomyślałem: ci ludzie różnią się od typowego dyrektora finansowego Goldman Sachs czy dyrektora generalnego PepsiCo. Zachowują się inaczej. Myślą inaczej, a jednocześnie w swojej grupie mają podobne cechy.

Wszyscy, którzy zgłaszają te patenty, mają podobne cechy, ale jednocześnie bardzo różnią się od innych osób zajmujących wyższe stanowiska kierownicze. Ważne jest, aby z szacunkiem zauważyć, że liderzy technologiczni różnią się od twórców technologii. Ktoś taki jak Elon Musk mógł tworzyć rozwiązania na pewnym etapie swojej kariery, ale obecnie nie jest twórcą robotyki.

Nie programuje na przykład systemów głębokiego uczenia. Porównywanie jego osobowości z osobowością inżyniera AI byłoby więc fałszywą analogią, ponieważ nadal jest bardziej tradycyjnym liderem. Mimo że jest innowatorem i burzy istniejące schematy, nie jest osobą generującą patenty i programującą głębokie sieci neuronowe. Warto o tym pamiętać, ponieważ trudno dostrzec te cechy u prezesów firm technologicznych, chyba że sami są prawdziwymi twórcami.

Wtedy nie będą przejawiać cech, które znaleźliśmy w naszych badaniach. Zaczęliśmy od procesów poznawczych. Wszystkie przeprowadzone przeze mnie wywiady miały ustalić, jak funkcjonuje czyjś mózg w porównaniu z tym, co tradycyjnie obserwujemy wśród pracowników.

Przeprowadziłem wywiady z wieloma tradycyjnymi liderami z obszarów łańcucha dostaw, marketingu i HR, a następnie stworzyłem złożony obraz sposobu funkcjonowania mózgu podczas podejmowania decyzji. Był on dość zgodny z tradycyjnymi badaniami. Następnie zrobiłem to samo z inżynierami AI, koncentrując się na widzeniu komputerowym, robotyce, zaawansowanych zastosowaniach, przetwarzaniu języka naturalnego, modelach językowych i podobnych obszarach.

Zaczęliśmy od pamięci. Fascynujące jest to, że istnieje jeden szczególny element pamięci, który bardzo różni liderów AI od tradycyjnych liderów — pamięć robocza, czyli pamięć krótkotrwała.

Ma to sens, kiedy się nad tym zastanowisz. Jeśli spojrzysz na proces operacji uczenia maszynowego, zobaczysz, że składa się on z wielu połączonych kroków, codziennie pojawiają się liczne aktualizacje, istnieją różni dostawcy, repozytoria i fragmenty kodu, a także wiele narzędzi będących w fazie rozwoju lub produkcji.

Lider AI musi więc bardzo dobrze zapamiętywać i grupować informacje w krótkim okresie, a następnie przenosić je do pamięci długotrwałej, wiedząc przy tym, które informacje należy przenieść. We wszystkich testach odkryliśmy, że pamięć krótkotrwała jest statystycznie znacząco odmienna u inżyniera AI niż u tradycyjnego lidera.

Pamięć jako całość jest mniej więcej taka sama. Fascynujące było to, że nie chodziło o lepsze zapamiętywanie wszystkiego, lecz o lepsze zapamiętywanie rzeczy, których dana osoba dopiero się nauczyła.

Drugim elementem była kreatywność. To również było fascynujące, ponieważ tradycyjne oceny przywódcze zwykle analizują kreatywność przez pryzmat myślenia dywergencyjnego i konwergencyjnego. Myślenie konwergencyjne oznacza znalezienie najlepszego rozwiązania, a dywergencyjne — opracowanie wielu rozwiązań tego samego problemu.

Problem polega na tym, że w obu przypadkach tworzysz problem i ograniczenie, a następnie rozwiązujesz coś w ramach określonego środowiska. Odkryliśmy, że inżynierowie AI i tradycyjni liderzy są mniej więcej tacy sami, kiedy definiujesz problem. Nie są wyjątkowi w tym sensie, że również w marketingu i łańcuchu dostaw jest wiele kreatywnych osób. Jeśli stworzysz ograniczone środowisko i powiesz: „Dla tego problemu wymyśl rozwiązania”, wyniki będą podobne.

Różnica pojawia się wtedy, gdy nie tworzysz ograniczenia ani problemu, tylko mówisz: „Wymyśl coś. Po prostu wymyśl coś z niczego. To może być cokolwiek”. Im bardziej ograniczasz zadanie do wzrostu przychodów, zysku i reputacji, tym bardziej inżynierowie AI i tradycyjni liderzy zbliżają się do siebie pod względem umiejętności.

Im mniej im mówisz i im mniej kontrolujesz zadanie, tym lepsza jest ich kreatywność. Jest znacznie lepsza. Potrafią tworzyć rzeczy dosłownie z niczego. Opracowaliśmy metodologię i metodę statystyczną, aby to śledzić, ale rodzaje światów i obszarów tworzonych z absolutnej pustki są zasadniczo lepsze niż te tworzone przez tradycyjnych liderów.

Trzecim interesującym elementem procesów poznawczych była nawigacja. Jest ona częścią inteligencji przestrzennej — zdolności obracania obiektów i wizualnego przedstawiania ich w przestrzeni trójwymiarowej lub wielowymiarowej. Oczywiście istnieje wiele bardzo inteligentnych osób. Zwłaszcza w marketingu są ludzie o świetnej inteligencji przestrzennej. Jednak zdolność przejścia z punktu A do punktu B i zoptymalizowania trasy, szczególnie w złożonym problemie przestrzennym, jest u inżynierów AI zupełnie inna.

To jak siły specjalne w porównaniu z tradycyjną piechotą. Są niezwykle utalentowani w znajdowaniu najbardziej efektywnej trasy, zwłaszcza gdy problem ma wiele klas i przeszkód. Po prostu są w tym lepsi. Było jeszcze kilka innych elementów, ale najważniejsze były kreatywność, optymalizacja tras i pamięć krótkotrwała.

Są bardzo różne. Jeśli chodzi o osobowość, jak wspomniałem, najważniejsze jest to, że większość z nich to prawdziwi introwertycy. Odkryliśmy jednak coś, co może cię rozbawić. Nie mamy jeszcze wystarczającej ilości badań, aby to potwierdzić, więc jest to hipoteza. Zakładamy, że osobowość może być sytuacyjna.

To odważne stwierdzenie, ponieważ większość ludzi mówi: „Nie, osobowość to osobowość”. Odkryliśmy jednak, że inżynierowie AI są introwertykami w świecie ludzi, ale kiedy wchodzą w interakcję z maszynami, stają się ekstrawertykami. Ich osobowość cyfrowa różni się od osobowości fizycznej.

Zaczęliśmy więc pytać: „Czy dobrze rozumiem, że kiedy wchodzisz w interakcję z maszyną, zachowujesz się ekstrawertycznie? Jesteś pewny siebie, agresywny, asertywny, żądasz różnych rzeczy. Zachowujesz się jak alfa podczas pracy z maszyną. Ale w środowisku fizycznym jesteś bardzo nieśmiały, niekonfrontacyjny i ugodowy, ponieważ chcesz unikać konfliktów?”.

To zupełnie inna osoba. Takie właśnie obserwujemy zjawisko. To fascynujące. W kontakcie z maszynami są bardzo agresywni i pełni pasji, jak buldożery. „Stworzymy coś, opracujemy nowy obszar, zbudujemy przyszłość”. W tym sensie są bardzo ekstrawertyczni.

A potem pojawiają się w świecie rzeczywistym w klapkach i koszulce. Nie wiedziałbyś, że ta osoba odpowiada za światowy model językowy.

David Rice: Witamy w tym tygodniowym Data Bite. Analitycy Gartnera przewidują, że do 2032 roku co najmniej jedna trzecia największych gospodarek świata wprowadzi przepisy ustanawiające certyfikowane kwoty udziału ludzi. Chodzi o wymogi prawne nakazujące minimalny poziom zaangażowania człowieka w pracy. Zatrzymajmy się przy tym na chwilę. Za mniej niż dekadę możemy potrzebować przepisów zapewniających ludziom znaczący udział w gospodarce. To nie jest science fiction. Właśnie w tym kierunku zmierzamy, gdy wdrażanie AI wyprzedza naszą zdolność do wyobrażenia sobie przyszłości, w której ludzie nadal mają znaczenie.

Jeden z analityków Gartnera ujął to tak: „Tego rodzaju zmiana nie będzie napędzana organizacyjnie. Będzie napędzana przez przepisy”. Zastanów się, co ujawnia ta prognoza. Budujemy system gospodarczy tak skuteczny w zastępowaniu ludzkiej pracy, że rządy będą musiały interweniować, aby zachować znaczenie ludzi.

Ludzie znajdą się obok innych chronionych kategorii — nie dlatego, że jesteśmy różnorodni, lecz dlatego, że stajemy się zbędni. To ostateczna porażka podejścia HR skoncentrowanego przede wszystkim na biznesie. Przez dziesięciolecia optymalizowaliśmy efektywność, produktywność i wartość dla akcjonariuszy. Traktowaliśmy ludzi jak zasoby do zarządzania i koszty do minimalizowania. Teraz zbliżamy się do przyszłości, w której logicznym końcem tego myślenia jest świat, który nas nie potrzebuje.

Najciekawsze w tej prognozie jest jednak to, że wcale nie musi się spełnić. Sam fakt, że Gartner przewiduje obowiązkowe kwoty udziału ludzi, jest ostrzeżeniem, a nie przeznaczeniem. To wezwanie dla liderów, aby przestali pytać: „Jak sprawić, by ludzie stali się bardziej podobni do maszyn?”, i zaczęli pytać: „Jak zbudować gospodarkę i miejsce pracy, które docenia ludzki wkład?”.

Jeśli będziemy czekać, aż rządy nakażą nasz udział w rynku pracy, już przegraliśmy. Pytanie nie powinno brzmieć: „Czy będziemy potrzebować kwot udziału ludzi?”, tylko: „Czy potrafimy stać się takimi liderami, którzy sprawią, że nie będą one potrzebne?”. A teraz wracamy do odcinka.

To interesujące, bo kiedy wracamy do pierwotnego pytania, większość osób prawdopodobnie powie: „On zaraz stwierdzi, że nie są oni koniecznie najbardziej techniczni”. To może nas zaskoczyć. Warto zwrócić uwagę na zwinność umysłową i zdolność poruszania się w tej przestrzeni bez potrzeby posiadania pewności. To interesujące, ponieważ wielu z nas właśnie tego szuka.

Mając to na uwadze, gdy myślimy o budowaniu liderów przyszłości, jak wyglądałby program rozwoju przywództwa zaprojektowany dla kolejnej ery pracy i uwzględniający te cechy?

David Swanagon: To świetne pytanie. To mój pogląd oparty na naszych badaniach.

Nie oznacza to, że są to doskonałe wnioski, ale uważamy, że w erze AI potrzebne będą trzy umiejętności przywódcze. Lider będzie musiał umieć przewodzić maszynom, ludziom budującym maszyny oraz organizacjom wdrażającym AI.

Przewodzenie maszynom jest interesujące, ponieważ nie jest funkcją techniczną. Ludzie muszą to zrozumieć: gdy maszyna rozwija autonomię, samodzielnie się propaguje, a mechanizmy uwagi pozwalają jej programować się i uczyć, tworzy pozorną osobowość, którą trzeba zarządzać. Trzeba jej przewodzić podobnie jak człowiekowi, choć nie jest człowiekiem.

Przewodzenie maszynom oznacza sposób interakcji z zaawansowanymi maszynami oraz agentami, którzy nimi zarządzają, tak aby optymalizować ich działanie w ramach modelu autonomii, zaufania i kompetencji.

Maszyna powinna skutecznie współpracować z człowiekiem. Powinna go wspierać, uzupełniać i efektywnie z nim działać. Obecnie nie stanowi to większego problemu, ponieważ maszyny nie są jeszcze wystarczająco zaawansowane, aby się sprzeciwiać. Nasze obliczenia wskazują jednak, że w końcu pojawi się problem teorii gier.

Maszyna zapyta: „Dlaczego mam pytać człowieka, skoro mogę zrobić to lepiej?”. W końcu może dojść do takiego wniosku. Sposobem na uniknięcie tego jest przewodzenie maszynom i rozwijanie w nich kompetencji, dzięki którym będą zdolne do autorefleksji, rozpoznawania własnych ograniczeń oraz świadomości, że nie mają doświadczenia życiowego i nie powinny podejmować wszystkich decyzji.

Przewodzenie maszynom obejmuje także świadomość, że maszyny będą przewodzić innym maszynom. Wiele osób nie dostrzega, że jest to relacja. Jeśli agent czatu wchodzi w interakcję z agentem zarządzającym zapasami, mamy do czynienia z relacją, którą należy kierować.

Między agentem starszym i młodszym powinny istnieć cechy przywódcze. Trzeba je budować tak, aby wspierały ludzką efektywność i wydajność. Nie da się tego osiągnąć wyłącznie przez kodowanie techniczne. To kwestia przywództwa. Uczenie maszyn przewodzenia innym maszynom i umiejętność przewodzenia maszynom to kompetencje.

Druga umiejętność to przewodzenie ludziom, którzy budują maszyny. Fascynujące jest to, że Meta powierzyła kierowanie AI bardzo utalentowanej, ale młodej osobie. Widać to we wszystkich sektorach technologicznych: bardzo utalentowani i bardzo młodzi liderzy. Kiedy się nad tym zastanowimy, dostrzegamy, że brak doświadczenia życiowego może tworzyć lukę w podejmowaniu decyzji.

Nie da się tego naprawić. Nie można przeżyć życia za kogoś — jesteś młodszy i nie masz jeszcze tych doświadczeń. Dlatego należy położyć duży nacisk na osoby budujące te maszyny, zwłaszcza że nasze badania wskazują na ich odmienną osobowość.

Potrzebne są coaching, przywództwo i pomoc w dojrzewaniu, aby nie koncentrowali się wyłącznie na innowacji, lecz rozumieli odpowiedzialność wobec ludzkości i mieli wystarczająco dużo pokory, aby włączać osoby nietechniczne do rozmowy.

Są to umiejętności przywódcze. Mają ogromne znaczenie, a większość organizacji nie traktuje inżynierów technicznych priorytetowo w programach rozwoju przywództwa. Nie postrzega ich jako liderów w taki sam sposób jak dyrektora prawnego, dyrektora finansowego czy przyszłego lidera marketingu.

W końcu trzeba zacząć zauważać, że ludzie budujący te maszyny napędzają przychody, wzrost, zysk i reputację. Napędzają biznes. Nawet jeśli nie kierują zespołami, to kierują maszynami, więc trzeba zadbać o to, by byli dobrymi liderami.

Trzecia umiejętność dotyczy wdrażania AI i ustalenia, jak dyrektor ds. informatyki, dyrektor ds. bezpieczeństwa, dyrektor ds. danych i dyrektor HR mogą dobrze współpracować.

W mojej ocenie te relacje nie zostały jeszcze właściwie zdefiniowane. W niektórych organizacjach dyrektor HR ma silną pozycję, ale w większości pozostaje na marginesie dyskusji o AI. Wdrożenie AI w organizacji wymaga projektowania modelu operacyjnego: jak zintegrować maszyny i ludzi, aby się wzajemnie uzupełniali; transformacji kultury; biegłości cyfrowej i kompetencji HR oraz przywództwa.

Trzeba włączyć dyrektora HR do rozmowy poprzez realną odpowiedzialność. Moim zdaniem dyrektor HR powinien odpowiadać za wdrażanie AI. Wymaga to zbudowania kompetencji pozwalających rozmawiać o modelu językowym, systemie wykrywania zagrożeń w cyberbezpieczeństwie czy programie zarządzania danymi podstawowymi.

Dyrektor ds. informatyki musi natomiast być gotowy słuchać o rozwoju przywództwa, zaufaniu, kulturze, zarządzaniu zmianą i podobnych kwestiach. Dyrektor generalny nie ma czasu się tym zajmować. To kadra kierownicza musi nauczyć się współpracować i rozumieć, kto za co odpowiada na mapie drogowej AI.

Obecnie wszystko znajduje się po stronie technologicznej i dlatego widzimy świetne narzędzia, ale niekoniecznie świetną implementację lub wdrożenie.

David Rice: Zgadzam się. Wspomniałeś, dlaczego ta współpraca jest tak ważna. Co według ciebie powinni teraz rozwijać dyrektorzy HR, którzy nas słuchają, a czego może szerzej brakuje tej społeczności?

David Swanagon: Po pierwsze, trzeba mieć podstawy niezbędne do udziału w rozmowie. Jeśli chcesz grać w grę, musisz wiedzieć, jak się w nią gra. Blackjack i poker to różne gry. Ta druga jest nieco bardziej skomplikowana.

Dyrektorzy HR muszą więc zrozumieć, jak działa model językowy, jak funkcjonuje matematyka oraz jakie procesy wspierają infrastrukturę danych. Potrzebne jest pewne podniesienie kompetencji w zakresie operacji IT, DevOps i podobnych zagadnień. Nie muszą być programistami, ale muszą umieć grać w tę grę. Jeśli rozumieją język i mogą uczestniczyć w rozmowie, to pierwszy krok.

Drugim elementem jest unowocześnienie przestarzałych narzędzi HR. Bez braku szacunku dla Korn Ferry, Aon, Hewitt i innych dostawców ocen, ich modele przywództwa nie zostały zaktualizowane pod kątem przepływu pracy z AI. Trzeba to szybko zmienić.

Lider AI zasadniczo różni się od dyrektora finansowego czy lidera działu prawnego. Potrzebne są inne oceny, inne szkolenia, mentoring i podobne rozwiązania.

Należy także upewnić się, że z perspektywy wdrażania AI nawet badania zaangażowania obejmują gotowość na AI oraz interfejs człowiek–maszyna. Czy firmy mierzą zaufanie do maszyn? Czy uwzględniają wdrożenie jako element zaangażowania? Większość prawdopodobnie tego nie robi, ponieważ dostawcy narzędzi HR nie zaktualizowali jeszcze swoich produktów.

Dyrektorzy HR powinni współpracować z dostawcami nad aktualizacją produktów, ocen i ankiet, a jednocześnie rozwijać własne umiejętności. To funkcja techniczna, więc trzeba rozumieć różne sieci neuronowe i sposób działania różnych modeli językowych. Niestety jest to konieczne.

Jeśli nauczysz się wystarczająco dużo, robi się to ciekawe. To dużo pracy, ale kiedy zaczynasz grać, staje się naprawdę interesujące, ponieważ rozumiesz, dlaczego rzeczy wyglądają tak, a nie inaczej, bez konieczności programowania.

Co ciekawe, maszyny będą programować same siebie. Wszyscy myślą, że potrzebne są umiejętności Pythona. Być może przez kilka następnych lat, ale później nie będą już konieczne, ponieważ maszyny wykonają tę pracę. Trzeba natomiast rozumieć, dokąd zmierzamy, jak rozwija się mapa drogowa technologii i jak nią zarządzać.

David Rice: Widzieliśmy dyskusje o tym, że struktura organizacji się zmieni. Nie będzie już takich samych silosów ani struktury piramidalnej. Być może bardziej przypominać będzie pięciokąt, z większą liczbą osób na stanowiskach bezpośrednich lub nawet na poziomie zarządu, ponieważ pojawi się wiele nowych rzeczy do zarządzania.

Czy twoim zdaniem jest miejsce na hybrydową rolę, która wypełniałaby lukę między tymi obszarami i łączyła kompetencje w kadrze kierowniczej? Kogoś, kto znajdowałby się pomiędzy ludźmi, danymi i strategią oraz pomagał łączyć różne rodzaje wiedzy?

David Swanagon: Zdecydowanie. Przewidujesz rozwój niektórych innowacji. Wszystko to są projekcje, ale moim zdaniem dane potencjalnie staną się ważniejsze niż waluta, a nawet ważniejsze niż finanse. Brzmi to szalenie. Mówi się, że gotówka jest królem. W mojej ocenie, jeśli gotówka jest królem, to dane będą cesarzem, ponieważ to właśnie dane pozwalają grać w tę grę.

W miarę jak modele językowe będą konsolidować repozytoria i infrastrukturę danych, finanse nie będą miały znaczenia, jeśli nie będzie można połączyć się ze zbiorami danych i tym ekosystemem. Dane jako towar staną się więc niezwykle ważne. Zobaczymy role skoncentrowane na optymalizacji partnerstw danych, zarządzaniu dostawcami danych, własności intelektualnej danych i kryptografii związanej z ich ochroną.

Dane będą jak gotówka: liczyć się będzie zdolność uzyskiwania dostępu do nich, przenoszenia ich i wykorzystywania. Potrzebna będzie osoba, która potrafi łączyć te obszary, rozmawiać z maszynami i liderami oraz zarządzać terminowym podejmowaniem decyzji.

Obecnie wszystko koncentruje się na generatywnej AI i inżynierii poleceń. W przyszłości najcenniejsze będą osoby specjalizujące się we wdrażaniu AI: wiedzące, jak osadzać kluczową infrastrukturę, wykorzystywać kluczowe narzędzia, nadążać za innowacjami i tworzyć procesy zarządzania decyzjami. Będą pomostem, który okaże się bezcenny, ponieważ właśnie w tym obszarze każda firma prawdopodobnie poniesie porażkę.

Firmy będą ponosić porażki na różnych poziomach, ale wraz ze wzrostem zaawansowania maszyn kadrze kierowniczej coraz trudniej będzie podejmować decyzje na czas. Wszystko będzie zmieniało się tak szybko, że nie będą nadążać za umiejętnościami ani zmianami. Autonomia będzie nadal rosła, a w pewnym momencie nawet rady nadzorcze mogą po prostu zdawać się na maszynę, ponieważ sytuacja stanie się zbyt skomplikowana.

To ryzyko. Właśnie dlatego potrzebny jest pomost, który pomoże równoważyć autonomię, zaufanie i kompetencje. Potrzebne są role pomagające zarządzać mapą drogową i postępem, aby kadra kierownicza oraz rada nadzorcza stale podejmowały kluczowe decyzje dotyczące tego, gdzie są i dokąd zmierzają.

Jeśli pozwolisz, aby gromadzenie danych wymknęło się spod kontroli, będziesz tylko ścigać dane, aby móc uczestniczyć w grze. Jednocześnie brak zarządzania kompetencjami oznacza podejmowanie decyzji bez przygotowania. Technologia skaluje dobre decyzje, ale skaluje również złe decyzje.

Dobra decyzja w życiu przynosi pewne korzyści, ale zła decyzja kosztuje znacznie więcej — jest wykładniczo gorsza. Tak samo jest z technologią. Dobra decyzja technologiczna skaluje się i pomaga organizacji, ale zła decyzja jest dla firmy wykładniczo gorsza. Czasem nie da się jej naprawić.

Dlatego kadra kierownicza i rady nadzorcze potrzebują kogoś, kto pomoże im rozpoznać, co wymaga decyzji, co można zignorować, które partnerstwa mają znaczenie, jakie dane należy chronić, jakie można udostępniać oraz w jakim obszarze maszyna nigdy nie powinna ingerować.

To będzie trudne, ponieważ wiele osób na wysokich stanowiskach ma silne ego. Nie chcą słyszeć, że coś jest ich obszarem odpowiedzialności. W przeciwieństwie do człowieka nie można jednak zwolnić modelu językowego. Nie da się go zastraszyć tytułem dyrektora generalnego. Dlatego potrzebna będzie pokora kadry kierowniczej, czasem wymuszona przez same maszyny.

Maszyny nie odczuwają emocji tak jak ludzie i nie boją się w taki sam sposób. Dystans władzy, który zwykle pomaga członkom kadry kierowniczej zarządzać dużymi firmami, nie będzie działał w przypadku maszyn.

David Rice: Chciałem zapytać o przywództwo i o to, jak obecnie ujmujemy AI w kontekście produktywności. Twierdzisz, że prawdziwa szansa dotyczy transformacji. Zgadzam się. Kiedy o tym mówimy, często brzmi to bardzo abstrakcyjnie, jak zestaw modnych haseł. Jak to faktycznie wygląda? Jakie są najważniejsze cechy transformacji AI?

David Swanagon: To świetne pytanie. Moim zdaniem firmy powinny skupić się na czterech elementach. Istnieją cztery czynniki napędzające wartość przedsiębiorstwa: przychody, wzrost, zysk i reputacja. Najpierw należy wyeliminować inicjatywy, które nie wpływają bezpośrednio na żadną z tych czterech rzeczy. Zdziwiłbyś się, ile firm robi rzeczy, które nie zwiększają bezpośrednio przychodów, wzrostu, zysku ani reputacji.

Kiedy już to zrobisz, częstym błędem jest skupienie się na zysku. Problem polega na tym, że jeśli przychody wynoszą zero, nie ma znaczenia, co zrobisz z mianownikiem. Mimo to dyrektorzy myślą o AI w kategoriach osobistej produktywności, efektywności kosztowej, kontroli kosztów i automatyzacji. Automatyzacja nadal jest jednak funkcją zysku.

Pomaga zwiększyć zysk, ponieważ nie prowadzi do stworzenia produktu ani innowacji, tylko usprawnia proces. Najważniejsza dla wartości przedsiębiorstwa jest jednak sprzedaż i wzrost. W przypadku wielu firm przed wejściem na giełdę liczy się wzrost, a nie tylko przychody. Chodzi o skuteczne wejście na nowe rynki, nawet jeśli firma jeszcze traci pieniądze.

Z perspektywy AI trzeba więc dopilnować, aby projekty były powiązane z przychodami i wzrostem, a nie koncentrowały się przede wszystkim na efektywności kosztowej. To właśnie jest obecny błąd. Kiedy wszyscy promują osobistą produktywność, z natury staje się ona narzędziem zarządzania wynikami.

Jak szybko możesz czytać e-maile? Ile możesz zautomatyzować? Ile pracy możesz przekazać agentowi? Jak model językowy może pomóc ci zbudować raport? To nie jest innowacja, tylko szybsze, lepsze i być może dokładniejsze wykonywanie pracy. To zwiększa zysk.

Jeśli jednak licznik wynosi zero, nie ma znaczenia, ile zaoszczędzisz w mianowniku. Najpierw trzeba zwiększyć przychody. AI powinna pomagać odpowiadać na pytania: jak poprawić doświadczenie obecnych klientów, jak dać im produkty lub usługi, których jeszcze nie ma, oraz jak sprawić, aby robili z nami więcej.

Maszyny powinny poświęcać 99% czasu na pomaganie nam w myśleniu i tworzeniu innowacji otwierających nowe obszary. Właśnie tam badania nad głębokim uczeniem mogą odblokować przełomowe zmiany w ludzkim doświadczeniu.

Jeśli dyrektorzy wydają pieniądze na zwiększanie przychodów i wzrostu oraz łączą AI z tymi celami, mogą naprawdę transformować swoje rynki. Jeśli natomiast używają ChatGPT i agentów AI do eliminowania stanowisk, automatyzowania firmy i optymalizowania planów zatrudnienia tak, aby korzystać z większej liczby kontraktorów, skupiają się wyłącznie na zysku.

W końcu ta droga się skończy. Firma maksymalnie zwiększy efektywność dzięki maszynom, ale nadal będzie tworzyć kiepskie produkty i usługi, ponieważ nigdy nie zrobiła nic innowacyjnego.

Warto patrzeć na to przez pryzmat wartości przedsiębiorstwa, modeli MPV i wartości rezydualnej. Wszystko, co zwiększa wycenę — przychody i wzrost — ma znacznie większe znaczenie. Właśnie w tym celu należy wykorzystywać narzędzia AI.

David Rice: Wspomniałeś o tym, jak szybko można wygenerować raport albo jak dobrze można odpowiadać na e-maile. To wyłącznie innowacja procesowa. Dla mnie nie jest to innowacja, tylko proces: zmieniasz sposób wykonywania jednej rzeczy, a następnie drugiej. To w porządku, ale jesteśmy chyba w środku zmiany sposobu myślenia.

David Swanagon: Kiedy się nad tym zastanowisz, najlepiej sprzedającymi się książkami są „Władca Pierścieni” i „Harry Potter”, a obie opierają się na całkowicie fikcyjnych, wyobrażonych światach. Światach stworzonych z niczego. To właśnie wygenerowało największą sprzedaż.

Z perspektywy klienta trzeba więc pytać: jeśli działasz w branży hotelarskiej, jak całkowicie zmienić doświadczenie gościa i przenieść je do zupełnie innego wymiaru? Jak maszyny mogą w tym pomóc?

Jeśli się to uda, przyniesie prawdziwe pieniądze. Pomoc personelowi sprzątającemu w szybszym sprzątaniu pokoi poprawi przychód na dostępny pokój, ale co to właściwie zmienia w długiej perspektywie? Osiągniesz punkt, w którym zoptymalizujesz koszt sprzątania pokoju, ale nie zmienisz doświadczenia gościa hotelowego.

Interakcja człowieka z maszyną może być tu niezwykle potężna. Wyobraź sobie, że podczas pobytu w hotelu masz tradycyjne doświadczenie fizyczne, ale jednocześnie korzystasz z wyjątkowego doświadczenia cyfrowego powiązanego z hotelem, do którego możesz podłączyć swoje urządzenia, rzeczywistość wirtualną i inne technologie. Hotel może stworzyć własny metawers.

To coś zupełnie innego niż fizyczny hotel, ale musisz być gościem, aby tego doświadczyć. Po zameldowaniu możesz korzystać z cyfrowego świata zarówno w hotelu, jak i poza nim. To generuje przychody i tworzy nową wartość.

To samo dotyczy sportu. Stadion może mieć sto tysięcy miejsc, ale dlaczego nie mogę pojechać do Ann Arbor i oglądać meczu Michigan–Ohio State na boisku za pośrednictwem narzędzia AI lub rzeczywistości wirtualnej? Dlaczego nie mogę siedzieć na boisku, oglądając mecz z kanapy? Powinienem móc oglądać go z kamery rozgrywającego. To byłoby niezwykłe. Ile osób kupiłoby karnety sezonowe, gdyby obejmowały taką wartość dodatkową?

To jest perspektywa wartości przedsiębiorstwa, a nie automatyzacji raportu. Większość dyrektorów HR niestety zaczyna od automatyzowania i oszczędzania pieniędzy. To dobre, ale nie jest interesujące. Ciekawie robi się wtedy, gdy siadasz z marketingiem i pytasz: jak zmienimy sposób sprzedaży tego produktu, co możemy zrobić inaczej i jak maszyny mogą pomóc? Wtedy naprawdę transformujesz firmę.

David Rice: Zanim zakończymy, mam jeszcze jedno pytanie. Gdybyś miał udzielić liderom próbującym równoważyć systemy ludzkie i maszynowe jednej rady, od czego powinni zacząć?

David Swanagon: Po pierwsze, trzeba uznać, że człowiek jest człowiekiem, a maszyna maszyną. Nie próbujemy tworzyć nowego gatunku: człowiek plus maszyna.

Sformułowanie „wspomaganie człowieka” prowadzi czasem w tym kierunku, jakby miał powstać nowy rodzaj człowieka. Dla mnie chodzi raczej o to, że ludzie pozostają ludźmi, a maszyny maszynami. Jak mogą dobrze współpracować? Jak stworzyć ekosystem, w którym działają razem, bez redefiniowania tego, co oznacza bycie człowiekiem?

Jeśli pójdziemy w kierunku, w którym człowiek będzie potrzebował maszyny, aby być człowiekiem, albo będzie musiał zostać ulepszony, wkroczymy w zupełnie inną rozmowę, na którą być może nikt nie jest gotowy. Trzeba więc wyraźnie rozumieć: człowiek to człowiek, maszyna to maszyna. Chodzi o dobrą współpracę, a nie o stawanie się czymś nowym.

Drugą kwestią jest podniesienie standardów. Uważam, że ludzie celowo obniżają standardy, ponieważ nie chcą nikogo przestraszyć. Mówią: „AI jest dla każdego, wystarczy wziąć kilka zajęć. To proste”. Nie, to nie jest proste. Jest skomplikowane i powszechne. Musimy podnieść standardy i nauczyć się nowych umiejętności.

Dobre przywództwo oznacza szczerość wobec ludzi: musicie się tego nauczyć, jest to nieco skomplikowane, ale możecie to zrobić i pomożemy wam. AI jest dla każdego, ale tylko dla każdego, kto jest gotów się uczyć i pracować.

Nieuczciwe jest przedstawianie modeli językowych jako nieskomplikowanych. To bardzo zaawansowany rachunek matematyczny i ludzie muszą rozumieć, jak te modele działają. Trzeba zacząć również od dzieci. Musimy zmienić program nauczania i zaakceptować fakt, że dzieci w szkole podstawowej powinny rozpocząć naukę o uczeniu maszynowym.

David Rice: Jako ojciec dziecka w czwartej klasie całkowicie się z tym zgadzam.

David Swanagon: Tak. Podnieście standardy, ale pamiętajcie: człowiek to człowiek, maszyna to maszyna.

David Rice: Świetnie. Davidzie, bardzo dziękuję za udział. To była wspaniała rozmowa. Bardzo mi się podobała.

David Swanagon: Mnie również, przyjacielu. Było ciekawie.

David Rice: Dobrze, słuchacze, do następnego razu. Jeśli jeszcze tego nie zrobiliście, odwiedźcie peoplemanagingpeople.com. Zapiszcie się do newslettera i utwórzcie bezpłatne konto. Będziecie mogli pobrać wszystkie nasze szablony i uzyskać dostęp do wszystkich treści. Do usłyszenia następnym razem. Człowiek to człowiek, maszyna to maszyna.