Czy zasada 70-20-10 dotycząca transformacji AI sprawdza się w organizacjach różnej wielkości?

Wzorzec, za którym podążyła Firma B, nie powstał w próżni. Wyłonił się z badań przeprowadzonych przez Boston Consulting Group i MIT Sloan, analizujących setki transformacji AI. Ich wniosek był jednoznaczny: firmy osiągające rzeczywiste rezultaty dzięki AI nie były tymi, które kupowały najbardziej zaawansowane narzędzia. Były to firmy, które najwięcej inwestowały w swoich ludzi.

Jak zawsze jednak kluczowy jest kontekst. W badaniu analizowano przedsiębiorstwa z budżetami na AI przekraczającymi 10 milionów dolarów, czyli firmy dysponujące dedykowanymi zespołami ds. transformacji, dojrzałą infrastrukturą danych i armiami specjalistów.

W przypadku średnich firm zatrudniających 5000 lub mniej pracowników ograniczenia wyglądają zasadniczo inaczej. Wiele z nich nie ma nawet podstawowej infrastruktury danych. Kupują rozwiązania AI w ramach subskrypcji SaaS, w których koszty algorytmów są wliczone w miesięczne opłaty. Te same kwoty wyglądają zupełnie inaczej, gdy pracuje się z budżetem 2 milionów zamiast 20 milionów dolarów.

Czy zatem model 70-20-10 nadal ma zastosowanie? A może średnie firmy potrzebują zupełnie innego planu działania?

Wyjaśnienie modelu

Reguła 70-20-10 w swojej istocie opisuje, gdzie udane transformacje AI faktycznie wydają swoje pieniądze i energię. Liczby oznaczają podział środków na trzy podstawowe obszary:

• 70%: Ludzie i procesy. Obejmuje to programy zarządzania zmianą, szkolenia dostosowane do ról, przeprojektowanie procesów pracy, ramy zarządzania, infrastrukturę komunikacyjną, coaching menedżerów i wsparcie użytkowników. To mało efektowna praca polegająca na wyjaśnieniu, kto za co odpowiada, jak zmienia się przepływ decyzji po włączeniu AI oraz jakie zachęty należy zmodyfikować.
• 20%: Infrastruktura technologiczna. Obejmuje przygotowanie danych, warstwy integracyjne, ramy bezpieczeństwa, systemy monitorowania i architekturę skalowalności. To wszystko, co musi działać, zanim narzędzia AI będą mogły faktycznie funkcjonować w danym środowisku.
• 10%: Algorytmy i modele. Są to same narzędzia AI — licencje, koszty API, dostrajanie modeli i wybór dostawców.

Ten wzorzec wynikał z konkretnych danych. Badania BCG wykazały, że firmy stosujące taki podział osiągały zdecydowanie wyższe wskaźniki adopcji i mierzalny wzrost produktywności. MIT Sloan ustalił, że 70% wartości AI zależy od uzupełniających inwestycji w ludzi i procesy, a nie od zaawansowania technologii.

Powodem jest szybka komodytyzacja modeli AI. Każda średnia firma może uzyskać dostęp do tych samych najbardziej zaawansowanych modeli oferowanych przez OpenAI, Anthropic czy Google. Jednak zdolność organizacji do przeprowadzania zmian? Tego nie da się kupić.

To właśnie zdolność do przeprojektowywania procesów pracy, szkolenia menedżerów w zakresie wspierania adopcji AI oraz tworzenia ram zarządzania, które umożliwiają działanie zamiast je ograniczać, stanowi czynnik różnicujący.

Kiedy jednak liderzy średnich firm przyglądają się temu modelowi, pojawia się uzasadnione pytanie: Czy firmy bez dojrzałej infrastruktury danych rzeczywiście mogą przeznaczać na nią tylko 20% budżetu? Co z organizacjami kupującymi produkty AI w modelu SaaS, w których koszty algorytmów są wliczone w opłaty abonamentowe? Czy te wyliczenia nadal się sprawdzają?

Whitney Munro, założycielka FLEX Partners, firmy pomagającej organizacjom przechodzić transformacje AI, nieustannie obserwuje to napięcie w praktyce.

„Model 70-20-10 jest ogólnie trafny” — mówi — „ale problemy zaczynają się tam, gdzie brakuje odpowiedniej kolejności działań i jasno określonego celu. Pomija się mało efektowną pracę polegającą na wyjaśnieniu odpowiedzialności, celu, zachęt, procesów pracy itd., zanim w ogóle przejdzie się do narzędzi”.

Model nie ma być sztywny — jest zasadą. Transformacja AI to przede wszystkim wyzwanie dotyczące ludzi i organizacji, a nie technologii. W przypadku średnich firm zasada ta pozostaje aktualna, ale konkretne wartości procentowe mogą wymagać dostosowania do punktu wyjścia danej organizacji.

Dlaczego firmy niewłaściwie dzielą budżet

Presja, by w pierwszej kolejności inwestować w technologię, płynie z każdej strony. Dostawcy AI, co naturalne, sprzedają technologię. Członkowie zarządów chcą widzieć pulpity nawigacyjne i narzędzia — widoczny dowód, że firma „działa w obszarze AI”. Inwestorzy pytają o inicjatywy związane z AI podczas telekonferencji dotyczących wyników finansowych. Działy IT posługują się językiem infrastruktury i modeli.

Trudniej dostrzegalna, trudniejsza do zmierzenia i trudniejsza do sprzedania jest powolna praca nad budowaniem kompetencji. Programy szkoleniowe nie nadają się do efektownych prezentacji dla zarządu. Przeprojektowanie przepływów pracy nie prezentuje się dobrze w raporcie rocznym. Ramy zarządzania brzmią biurokratycznie, a nie innowacyjnie.

W przypadku firm średniej wielkości kilka pułapek sprawia, że podejście skoncentrowane na technologii staje się jeszcze bardziej kuszące:

• Niedobór zasobów tworzy fałszywy skrót. „Nie stać nas na dedykowany zespół transformacji AI, więc po prostu kupmy narzędzie i będziemy się wszystkiego uczyć w trakcie”. Ta logika wydaje się słuszna, dopóki nie uświadomisz sobie, że narzędzie pozostaje nieużywane, ponieważ nikt nie przeprojektował przepływów pracy z myślą o jego wykorzystaniu.
• Presja na szybkość przytłacza przemyślane planowanie. W szczególności firmy rozwijające się odczuwają potrzebę szybkiego działania. Poświęcenie trzech miesięcy na przeszkolenie menedżerów i przeprojektowanie procesów wydaje się powolne w porównaniu z uruchomieniem nowego narzędzia AI w przyszłym tygodniu.
• Dynamika relacji z dostawcami zaciemnia rzeczywiste koszty. Gdy kupujesz produkt AI w modelu SaaS dla przedsiębiorstw, rozwój algorytmu i znaczna część infrastruktury są zawarte w miesięcznej subskrypcji. Sprawia to wrażenie, że wydajesz na technologię mniej, niż faktycznie wydajesz, i ułatwia niedoinwestowanie w obszarze ludzkim.
• Przeciążenie rolami tworzy sytuację bez wyjścia. W firmach średniej wielkości te same osoby, które muszą utrzymywać bieżące działania, są również odpowiedzialne za ich transformację. Bez dedykowanych zasobów na zarządzanie zmianą transformacja staje się projektem pobocznym, któremu nigdy nie poświęca się należytej uwagi.

Clint Riley, dyrektor operacyjny w Globe Midwest, prowadził działania związane z obsługą klienta podczas wielu wdrożeń technologicznych. Dostrzega powtarzający się schemat.

„Liderzy często przeznaczają znaczne środki na infrastrukturę AI i osiągają ograniczone rezultaty. Narzędzia pozostają nieużywane, ponieważ zespoły nie są przygotowane, nie ufają im albo trzymają się starych nawyków. Prawdziwa różnica wynika z inwestowania w pierwszej kolejności w ludzi i procesy” — mówi.

Błędne rozumienie kosztów jest głęboko zakorzenione. Szkolenia wydają się w danym momencie drogie — 300,000 dolarów za ukierunkowane szkolenie z AI dla 500 pracowników brzmi jak duża kwota. Jednak ta inwestycja może w pierwszym roku ograniczyć liczbę rutynowych błędów o 40%. 

Kolejne 200,000 dolarów na przeprojektowanie kluczowych przepływów pracy z integracją AI przynosi poprawę efektywności, którą można mierzyć z kwartału na kwartał. Porównaj to z 800,000 dolarów wydanymi na narzędzia AI, które osiągają 15% poziom wykorzystania, ponieważ nikt nie zainwestował w zarządzanie zmianą potrzebne do ich wsparcia.

Zjawisko ukrytego AI, które się pojawiło, dostarcza najbardziej jednoznacznych dowodów na to, że podejście skoncentrowane na technologii tworzy problemy, które ma rozwiązywać. Badania pokazują, że 90% pracowników korzysta z narzędzi AI, ale tylko 40% przedsiębiorstw oficjalnie je udostępniło.

Ta luka istnieje, ponieważ firmy wdrożyły technologię bez zapewnienia wsparcia, pozostawiając pracowników samym sobie, aby sami odkryli, jak z niej korzystać, co doprowadziło dokładnie do powstania zagrożeń związanych z bezpieczeństwem i zarządzaniem, których obawiają się liderzy.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Jak w praktyce wygląda przeznaczenie 70% środków na ludzi

Ramy 70-20-10 brzmią prosto, dopóki nie spróbujesz przełożyć ich na praktykę. Co właściwie oznacza przeznaczenie 70% budżetu AI na „ludzi i procesy”?

W przypadku firmy średniej wielkości z budżetem 2M dolarów na transformację AI w pierwszym roku alokacja środków zgodna z podejściem skoncentrowanym na ludziach mogłaby wyglądać następująco:

1.2M dolarów (60%) na ludzi i procesy:

• 400K dolarów: Dedykowane zasoby transformacji (2–3 FTE, które rozumieją zarówno zarządzanie zmianą, jak i możliwości AI)
• 300K dolarów: Zewnętrzna wiedza ekspercka dotycząca zarządzania zmianą, projektowania przepływów pracy i ram zarządzania
• 200K dolarów: Opracowanie i realizacja programu szkoleniowego (nie jednorazowe sesje, lecz ciągłe rozwijanie kompetencji)
• 150K dolarów: Infrastruktura wspierająca i coaching menedżerów
• 150K dolarów: Systemy komunikacji, mechanizmy informacji zwrotnej i cykle iteracyjne

600K dolarów (30%) na infrastrukturę:

• 300K dolarów: Przygotowanie, integracja i poprawa jakości danych
• 150K dolarów: Systemy bezpieczeństwa, zgodności i monitorowania
• 150K dolarów: Infrastruktura analityczna do śledzenia zarówno wyników technicznych, jak i rezultatów dotyczących ludzi

200K dolarów (10%) na narzędzia AI i algorytmy:

• Subskrypcje korporacyjnych modeli LLM
• Specjalistyczne aplikacje AI
• Koszty interfejsów API i opłaty za wykorzystanie

Zwróć uwagę na dostosowanie dla firm średniej wielkości: Ten przykład pokazuje proporcje 60-30-10 zamiast klasycznych ram 70-20-10. Dlaczego? Firmy średniej wielkości często mają większe braki infrastrukturalne niż organizacje korporacyjne. Starsze systemy, silosy danych i dług technologiczny oznaczają, że infrastruktura wymaga większych inwestycji w porównaniu z firmami korporacyjnymi dysponującymi nowoczesnymi podstawami danych.

Kluczowa zasada pozostaje niezmienna: inwestycje w ludzi muszą być równe inwestycjom w technologię lub je przewyższać. Jeśli przeznaczasz łącznie 60% na narzędzia i infrastrukturę, a tylko 40% na ludzi i procesy, badania sugerują, że pozostawiasz na stole znaczną część możliwej do uzyskania wartości.

Co faktycznie zapewnia inwestycja w „ludzi”:

Gdy członkowie kadry kierowniczej widzą „$400K na zasoby transformacji”, często pytają: czym właściwie zajmują się te osoby?

Dedykowane zasoby transformacji:

• Przeprowadzanie analizy procesów przed wdrożeniem technologii
• Projektowanie szkoleń dostosowanych do konkretnych ról (analityk finansowy potrzebuje innych umiejętności związanych ze sztuczną inteligencją niż pracownik obsługi klienta)
• Tworzenie ram zarządzania, które umożliwiają działanie, zamiast je blokować
• Tworzenie pętli informacji zwrotnej umożliwiających iteracyjne doskonalenie na podstawie rzeczywistego wykorzystania
• Koordynowanie działań między działami IT, HR i jednostkami biznesowymi

Wspieranie menedżerów:

• Przygotowywanie menedżerów do wspierania zespołów w korzystaniu z narzędzi sztucznej inteligencji (a nie tylko do osobistego używania tych narzędzi)
• Pomaganie menedżerom w zrozumieniu, jak zmienia się ocena wyników pracy, gdy sztuczna inteligencja wspiera wykonywanie obowiązków
• Wspieranie menedżerów w procesie zmiany własnej tożsamości zawodowej w miarę zmieniania się charakteru pracy
• Tworzenie społeczności menedżerów umożliwiających dzielenie się wyzwaniami i rozwiązaniami

Infrastruktura komunikacji i informacji zwrotnej:

• Regularna komunikacja podczas spotkań ogólnofirmowych na temat postępów transformacji
• Kanały umożliwiające pracownikom zgłaszanie problemów i obaw
• Systemy rejestrujące, co działa, a co nie
• Przejrzyste podejmowanie decyzji dotyczących tego, które narzędzia sztucznej inteligencji są wdrażane i dlaczego

Skuteczne szkolenia:

• Nie jednorazowe warsztaty, lecz programy ciągłego uczenia się
• Środowiska do praktycznych ćwiczeń, w których można bezpiecznie popełniać błędy
• Nauka dokładnie wtedy, gdy jest potrzebna, powiązana z rzeczywistymi potrzebami związanymi z pracą
• Sieci wzajemnego wsparcia umożliwiające rozwiązywanie problemów

Ograniczenie tych inwestycji prowadzi do dość przewidywalnych rezultatów: niskiego poziomu adopcji, oporu pracowników, proliferacji nieautoryzowanych narzędzi sztucznej inteligencji, a ostatecznie zmarnowanych wydatków na technologię. W przypadku liderów kadry kierowniczej wyższego szczebla lub członków zarządu, którzy postrzegają to jako coś „wydumanego” albo „zbyt miłego dla pracowników”, kluczowe jest podkreślenie, że chodzi o wykorzystanie wartości, którą technologia umożliwia, ale której nie jest w stanie zapewnić samodzielnie.

„Zarządy uwielbiają obserwować wdrażanie nowych technologii” — przyznaje Riley. „Dlatego przedstawiajcie koncentrację na ludziach jako rozsądne zarządzanie ryzykiem, przynoszące silne, kumulujące się zwroty: wyższą produktywność, lepsze utrzymanie pracowników i korzyści biznesowe narastające z czasem. Sama technologia zwykle szybko osiąga szczyt, a następnie się stabilizuje”.

Rzeczywistość firm średniej wielkości

Ta alokacja zakłada jednak stosunkowo dojrzały punkt wyjścia. Co z firmami, w których proporcje trzeba zmienić znacznie bardziej?

Alix Gallardo, dyrektor ds. produktu w Invent, pomaga firmom średniej wielkości radzić sobie właśnie z takimi scenariuszami. Jej spojrzenie na sztuczną inteligencję w modelu SaaS zmienia sposób kalkulacji. 

„Kupując sztuczną inteligencję w modelu SaaS, korzystacie z pracy, którą dostawca już wykonał — z trudnych i kosztownych prac nad modelami oraz z dużej części infrastruktury. Dlatego pytanie powinno brzmieć: „Skoro to wszystko jest już gotowe, na czym powinniśmy skupić nasze ograniczone zasoby czasu i budżetu wewnętrznego?””

Jej podział dla konfiguracji SaaS opartej w większości na gotowych rozwiązaniach nadal stawia ludzi na pierwszym miejscu, ale uwzględnia fakt, że wyzwania infrastrukturalne często mają większe znaczenie dla firm średniej wielkości.

„Konfiguracje firm średniej wielkości bywają chaotyczne” — zauważa Gallardo. „Wiele niepołączonych produktów SaaS, starsze systemy, natywne integracje, nieciągłe przepływy danych i niewielkie zespoły IT. Dlatego na początku infrastruktura może normalnie pochłaniać nawet 25–35%”.

Rozważmy trzy scenariusze, w których konieczne jest dostosowanie alokacji:

Scenariusz 1: Firma pozbawiona odpowiedniej infrastruktury

Firma produkcyjna zatrudniająca 2000 pracowników działa od 30 lat. Dane znajdują się w odizolowanych zasobach wielu systemów. Informacje o klientach są przechowywane w jednej bazie danych, dane produkcyjne w innej, a wskaźniki jakości w arkuszach kalkulacyjnych. Zespół IT liczy pięć osób.

W przypadku tej firmy alokacja może początkowo wymagać proporcji 50% na ludzi, 40% na infrastrukturę i 10% na algorytmy. Bez podstawowej infrastruktury danych narzędzia sztucznej inteligencji nie mogą działać skutecznie. Jednak nawet tutaj nie można poświęcić inwestycji w ludzi. Musi ona po prostu mieć strategiczny charakter i koncentrować się na budowaniu wewnętrznych kompetencji potrzebnych do podejmowania lepszych decyzji dotyczących infrastruktury oraz na przygotowaniu pracowników do zmian, które nastąpią po uruchomieniu infrastruktury.

Scenariusz 2: Dynamicznie skalująca się firma

Firma programistyczna zatrudniająca 800 pracowników od pierwszego dnia korzysta z infrastruktury natywnej dla chmury. Systemy komunikują się ze sobą. Zespół ma zaawansowane kompetencje techniczne. Infrastruktura nie stanowi wąskiego gardła.

W tym przypadku alokacja może wynosić 75% na ludzi, 15% na infrastrukturę i 10% na algorytmy. Szybki rozwój firmy oznacza, że kultura i procesy wymagają dodatkowych inwestycji, aby można je było skalować. Przy solidnych podstawach technicznych ograniczenie ma charakter organizacyjny, a nie technologiczny.

Scenariusz 3: Firma średniej wielkości o awersji do ryzyka

Firma świadcząca usługi finansowe, zatrudniająca 4500 osób, działa w ściśle regulowanej branży. Kultura organizacyjna jest odporna na zmiany, zarządzanie ryzykiem ma kluczowe znaczenie, a wymagania dotyczące zgodności są rozbudowane.

Firma ta może przeznaczyć 65% na ludzi, 20% na infrastrukturę i 15% na algorytmy. Większe wydatki na algorytmy nie wynikają z pogoni za najnowszymi modelami — chodzi o inwestowanie w narzędzia AI wyposażone we wbudowane funkcje zarządzania, ścieżki audytu i mechanizmy przejrzystości, które ograniczają ryzyko związane ze zgodnością.

Diagnoza nie jest skomplikowana. Oceń swoją firmę w czterech wymiarach w skali od 1 do 10:

• Jakość obecnej infrastruktury danych
• Zdolność organizacji do zmian
• Koncentracja talentów technicznych
• Złożoność regulacyjna i związana ze zgodnością

Niższe oceny infrastruktury i talentów sugerują, że potrzebne będą większe inwestycje w te obszary. Większa zdolność do zmian oznacza, że można przeznaczyć więcej środków na ludzi i procesy. Wysoka złożoność regulacyjna może uzasadniać większe inwestycje w zaawansowane narzędzia z wbudowanymi funkcjami zarządzania.

Jednak we wszystkich scenariuszach obowiązuje jedna zasada: inwestycje w ludzi muszą być równe inwestycjom w technologię lub je przewyższać.

Jak ujmuje to Munro: „Większość organizacji nie ponosi porażki z powodu samej AI, lecz dlatego, że inwestuje w prompty i oczekuje, że AI będzie magicznym rozwiązaniem, zamiast robić to, co powinny, czyli upewnić się, że ich pracownicy wiedzą, czym jest AI, jakie daje możliwości, jak z niej korzystać, jakich narzędzi używać w swoich rolach oraz jak korzystać z niej w sposób uczciwy i odpowiedzialny”.

Problem ukrytych kosztów

Jednym z powodów, dla których firmy błędnie alokują środki, jest to, że wiele z nich tak naprawdę nie wie, ile wydaje w każdym z tych obszarów. Koszty są rozproszone między działami i ukryte w różnych pozycjach budżetowych.

Koszty technologii są zwykle widoczne: licencje na oprogramowanie, opłaty za przetwarzanie w chmurze, umowy z dostawcami. Są one wyraźnie uwzględniane w budżetach działów IT.

Koszty infrastruktury bywają ukryte. Czas pracy zespołu inżynierii danych zostaje ujęty w budżecie operacyjnym działu IT. Prace integracyjne odbywają się w ramach „utrzymywania systemów”. Przeglądy bezpieczeństwa są dodatkowym projektem realizowanym przez kogoś przy okazji. Systemy monitorowania są traktowane jako sprawa drugorzędna.

Jednak koszty ludzi i procesów są często całkowicie niewidoczne. Czas pracowników poświęcony na szkolenia oznacza koszt alternatywny (pracę, która nie jest wykonywana, gdy ludzie się uczą). Czas poświęcony na coaching menedżerski nie pojawia się w żadnym budżecie. Prace nad przeprojektowaniem procesów odbywają się w salach konferencyjnych bez jasnego przypisania środków. Koszty komunikacji są wszędzie i nigdzie. Spotkania dotyczące zarządzania wymagają czasu, ale rzadko są uwzględniane jako koszty transformacji AI.

Gallardo wskazuje trzy sygnały ostrzegawcze świadczące o tym, że alokacja środków jest nieprawidłowa, niezależnie od tego, co wynika z oficjalnego budżetu:

„Kilku zaawansowanych użytkowników uwielbia narzędzie AI, ale większość pozostałych je ignoruje. Nie ma wyraźnych zmian w decyzjach ani przepływach pracy wynikających z zastosowania AI — są tylko ciekawe funkcje, ale brak rzeczywistego wpływu na sposób wykonywania pracy. Nowe eksperymenty z AI są rozproszone po całej organizacji i nie mają wspólnych standardów, podręczników działania, wskaźników, studiów przypadku ani zasad zarządzania”.

Kiedy widzisz te objawy, „przesunięcie budżetu w stronę zarządzania produktem, operacji, zarządzania zmianą i tworzenia «ambasadorów AI» przynosi znacznie większe efekty niż przeznaczenie pieniędzy na kolejny projekt integracyjny” — mówi.

Riley dostrzega ten sam schemat: „Nawet gdy pracownicy po cichu korzystają z narzędzi AI na własną rękę, odpowiedzią nie są bardziej rygorystyczne kontrole. Chodzi o ukierunkowanie tej energii za pomocą praktycznych szkoleń i jasnych wytycznych. Nadmierne inwestowanie w ludzi zdarza się rzadko — wiele firm robi w tym obszarze zdecydowanie za mało, a nie za dużo”.

Aby zrozumieć rzeczywistą alokację środków, potrzebujesz uczciwego audytu. Za ostatni kwartał uwzględnij:

• Wszystkie licencje na oprogramowanie związane z AI, koszty chmury i opłaty dla dostawców
• Czas poświęcony przez zespoły IT i zespoły danych na infrastrukturę AI, integrację i bezpieczeństwo
• Czas spędzony przez pracowników na szkoleniach z AI (pomnóż liczbę godzin przez średni koszt godziny pracy)
• Czas menedżerów poświęcony na wspieranie wdrażania AI
• Czas spotkań poświęconych zarządzaniu, przeprojektowywaniu procesów i planowaniu inicjatyw związanych z AI
• Koszty zewnętrznych konsultantów i doradztwa

Przyporządkuj wszystko do trzech obszarów: algorytmów, infrastruktury lub ludzi i procesów. Większość firm odkrywa, że wydaje znacznie więcej na technologię i znacznie mniej na ludzi, niż sądziła.

More Articles

• Problemy z premią za umiejętności AI: dlaczego wyższe wynagrodzenie za kompetencje AI może przynieść odwrotny skutek

Dlaczego właściwa alokacja ma znaczenie

Różnica w wynikach między firmami, które prawidłowo alokują środki, a tymi, które tego nie robią, jest ogromna.

Badania pokazują, że organizacje stosujące podejście skoncentrowane na człowieku mają 2,3 razy więcej zaangażowanych pracowników i osiągają 1,5 raza wyższą wydajność.  

Firmy, w których CHRO i CIO pracują jako prawdziwi partnerzy, odnotowują 15-krotnie wyższą produktywność swoich inicjatyw związanych ze sztuczną inteligencją. Nie zdarza się to jednak tak często, jak mogłoby się wydawać. Problem zaczyna się od fundamentalnego nieporozumienia dotyczącego tego, za co w transformacji opartej na sztucznej inteligencji powinni odpowiadać CIO, a za co CHRO.

„Fascynujące jest to, że CIO powierzono nie tylko projektowanie, testowanie i wdrażanie narzędzi, lecz także ich adopcję” — zauważa David Swanagon, założyciel Machine Leadership Journal, na podstawie swoich badań nad gotowością organizacji do wykorzystania sztucznej inteligencji. „Uważam, że jednym z wniosków płynących z naszych badań jest to, że za adopcję powinien odpowiadać CHRO, ponieważ wiąże się ona z kulturą, zaufaniem, autonomią i umiejętnościami. CIO powinien zajmować się projektowaniem, testowaniem i wdrażaniem, ale na tym poprzestać, a następnie współpracować z CHRO przy zarządzaniu adopcją”.

POSŁUCHAJ PEŁNEGO ODCINKA Z DAVIDEM SWANAGONEM

To rozróżnienie ma charakter strukturalny. Gdy CIO odpowiada zarówno za wdrożenie, jak i adopcję, rezultatem są przewidywalne, poprawne technicznie rozwiązania, z których nikt nie korzysta, albo które powodują tarcia w organizacji, ponieważ nie zostały zaprojektowane z uwzględnieniem kultury i kompetencji.

Koszt niewłaściwego podziału zasobów szybko się kumuluje. Klarna trafiła na pierwsze strony gazet dzięki wzrostowi efektywności osiągniętemu za pomocą sztucznej inteligencji, a następnie po cichu zmieniła kierunek, gdy stało się jasne, jakie koszty ponoszą ludzie i kultura organizacyjna.

Ukryte zastosowania sztucznej inteligencji rozwijają się, gdy firmy nie zapewniają wspieranych narzędzi i szkoleń, tworząc zagrożenia bezpieczeństwa, których obawiają się liderzy. Dane branżowe pokazują, że 80% projektów związanych ze sztuczną inteligencją nie skaluje się, często dlatego, że zostały wdrożone bez organizacyjnego wsparcia niezbędnego do adopcji — czasami prowadząc do obwiniania sztucznej inteligencji za szersze niepowodzenia organizacyjne.

Wypalenie zawodowe pracowników i ich opór stają się ukrytymi podatkami nakładanymi przez podejście skoncentrowane przede wszystkim na technologii. Gdy narzędzia są wdrażane bez odpowiednich szkoleń i przeprojektowania przepływów pracy, pracownicy odbierają sztuczną inteligencję jako coś robionego im, a nie dla nich. Narzędzia zwiększają ich obciążenie pracą zamiast je zmniejszać. Opór się umacnia.

„To niezwykle dysfunkcyjne i niepokojące, że większość firm, które zwracają się do nas o pomoc, uważa, iż po „włączeniu” narzędzia magia zacznie działać samoistnie” — mówi Munro. Ta dysfunkcja nie jest tylko marnotrawstwem; aktywnie szkodzi zdolności organizacji do transformacji.

Firmy średniej wielkości, które właściwie dzielą zasoby, mają jednak strukturalną przewagę nad przedsiębiorstwami. Krótsze linie komunikacji oznaczają, że zmiany rozprzestrzeniają się szybciej. Szybsze cykle decyzyjne umożliwiają sprawną iterację. Bliższe relacje między liderami a pracownikami pozwalają na bardziej autentyczne zarządzanie zmianą. Większa zwinność w dostosowywaniu procesów oznacza, że przepływy pracy mogą ewoluować wraz z uczeniem się organizacji.

„Jako COO, który prowadził operacje związane z obsługą klienta podczas wielu wdrożeń technologii, podchodzę do sztucznej inteligencji w ten sam sposób: najpierw ludzie, następnie solidne procesy, które ich wspierają, a technologia jako czynnik umożliwiający” — wyjaśnia Riley. „Gdy na pierwszym miejscu stawia się czynnik ludzki, cała transformacja się utrwala i przynosi trwałe rezultaty, które mają największe znaczenie”.

Zwrot z inwestycji ma charakter transformacyjny. Te 300 000 USD przeznaczone na ukierunkowane szkolenia z zakresu sztucznej inteligencji, które zmniejszają liczbę błędów o 40%? To nie jest jednorazowa korzyść. To kompetencja, która poprawia się z każdym kwartałem, w miarę jak ludzie zdobywają większe umiejętności. Te 200 000 USD przeznaczone na przeprojektowanie przepływów pracy? Usprawnienia te kumulują się, ponieważ zbudowaliście zdolność do innowacji procesowych.

Od reguły do zasady

Reguła 70-20-10 nie jest sztywnym wzorem, którego należy ślepo przestrzegać. To zasada wywodząca się z obserwacji firm, którym rzeczywiście udaje się osiągać sukces dzięki sztucznej inteligencji, oraz z faktu, że transformacja jest przede wszystkim wyzwaniem dotyczącym ludzi i organizacji, a nie technologii.

W przypadku firm średniej wielkości zasada ta wymaga przełożenia na praktykę, ale nie porzucenia. Luki w infrastrukturze mogą wymagać przeznaczenia 25–35% budżetu zamiast 20%. Narzędzia SaaS wykorzystujące sztuczną inteligencję mogą uwzględniać koszty algorytmów w opłatach abonamentowych, co zmienia sposób obliczania 10%. Konkretne ograniczenia branżowe mogą wymagać korekt.

Jednak podstawowa prawda pozostaje niezmienna: jeśli wydajecie więcej na technologię niż na ludzi, niemal na pewno pozostawiacie na stole znaczną wartość.

Ujęcie Rileya jest pragmatyczne: „Przy początkowym budżecie w wysokości 2 mln USD przeznaczyłbym około 65% na ludzi poprzez ukierunkowane szkolenia i wsparcie w zarządzaniu zmianą. Około 25% powinno trafić na podstawowe elementy, takie jak dostęp do danych i podstawowa konfiguracja chmury, a tylko 10% na algorytmy — przede wszystkim na wybór dobrych rozwiązań SaaS zamiast tworzenia własnych”.

Perspektywa Gallardo uwzględnia realia SaaS, z którymi mierzy się większość firm średniej wielkości: „Tak, podział pozostaje taki sam, nawet jeśli nigdy nie dotykacie samego modelu. W przypadku konfiguracji opartej głównie na gotowych rozwiązaniach: około 10% przeznacza się na algorytmy, około 20% na infrastrukturę, a około 70% na ludzi i procesy. To właśnie tutaj powinniście inwestować większą część budżetu”.

Wspólny wniosek z ich wypowiedzi jest taki, że sukces przejawia się we wskaźnikach adopcji, pewności siebie pracowników i codziennych rezultatach, a nie tylko w wydanych kwotach. Zakupiona technologia ma mniejsze znaczenie niż działania podejmowane w celu pomocy ludziom w skutecznym korzystaniu z niej.

Działanie na poziomie kadry zarządzającej jest proste: przeprowadźcie audyt alokacji w tym miesiącu. Obliczcie, ile naprawdę wydajecie na algorytmy, infrastrukturę i ludzi, uwzględniając wszystkie ukryte koszty. Jeśli technologia pochłania więcej niż ludzie, znaleźliście swój problem.

Następnie wykonajcie tę pracę. 

• Zainwestuj w nieefektowną pracę związaną z zarządzaniem zmianą, zanim wdrożysz kolejne narzędzie. 
• Twórz programy szkoleniowe dostosowane do konkretnych ról. 
• Wyznacz ambasadorów AI. 
• Wyposaż swoich menedżerów w umiejętności wspierania wdrażania. 
• Przeprojektuj przepływy pracy przed wdrożeniem technologii. 
• Stwórz ramy zarządzania, które umożliwiają, zamiast ograniczać.

Pamiętaj o ostrzeżeniu Munro: „Tam, gdzie zaczynają być widoczne szkody, brakuje odpowiedniej kolejności działań i jasno określonego celu. Pomija się „nieefektowną” pracę polegającą na wyjaśnieniu kwestii odpowiedzialności, celu, zachęt, przepływów pracy itd., zanim w ogóle przejdzie się do narzędzi”.

Technologia będzie dostępna, gdy będziesz na nią gotowy. Twoi ludzie nie będą czekać wiecznie.