Gotowość na AI to fraza, nie strategia
Zespół pracowników AI: Punkt ciężkości przesuwa się z wpływu AI na przygotowanie zespołu pracowników do ról zintegrowanych z AI.
Potrzebne umiejętności: Programowanie, zdolność adaptacji i klarowność są podkreślane jako kluczowe umiejętności niezbędne do gotowości na AI w zespole pracowników.
Projektowanie organizacji: Obecne ramy gotowości koncentrują się na jednostkach, zamiast uwzględniać systemowe wyzwania związane z projektowaniem organizacji.
Wskaźniki pomiaru: Gotowość na AI nie powinna opierać się wyłącznie na wskaźnikach użytkowania. O sukcesie decyduje poprawa rezultatów.
Problem z pilnością: Podkreśla się pilność wdrażania AI, ale często brakuje precyzji i jasnego kierunku.
Każdy główny program konferencji tej wiosny zawierał jakąś wersję tego samego tytułu sesji: czego naprawdę potrzeba, aby stworzyć siłę roboczą gotową na AI.
To sformułowanie było wszędzie. Stanowiło wiarygodny sygnał, że branża wyszła poza pytanie, czy AI zmienia pracę, i dotarła do trudniejszego pytania: jak przygotować ludzi na to, co nadejdzie.
Okazało się, że na prawdziwe pytanie trudniej odpowiedzieć, niż się spodziewano.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Podczas sesji na konferencjach Transform w Las Vegas i HumanX w San Francisco tej wiosny prelegenci przedstawili przemyślane, choć nieco ogólne spojrzenie na to, jak wygląda gotowość siły roboczej w środowisku przyspieszanym przez AI.
Andrew Ng, założyciel DeepLearning.AI, przekonująco argumentował, że każdy, niezależnie od pełnionej roli, powinien nauczyć się programować.
Dyrektor generalny Coursery Greg Hart wskazał na rosnące zapotrzebowanie na kursy krytycznego myślenia, którego poziom na platformie wzrósł o niemal 200% rok do roku, jako dowód na to, że organizacje zaczynają rozumieć, iż sama biegłość techniczna nie jest odpowiedzią.
Robin Daniels z Sensai przekonywał, że podstawową umiejętnością związaną z AI jest klarowność. Innymi słowy, jeśli nie potrafisz zdefiniować tego, czego chcesz, na tyle jasno, aby człowiek mógł to wykonać, z pewnością nie potrafisz zdefiniować tego wystarczająco jasno dla agenta.
Sarah Franklin, dyrektor generalna Lattice, sprzeciwiła się odruchowi mierzenia gotowości na AI za pomocą wskaźników wykorzystania, argumentując, że liczy się to, czy ludzie osiągają lepsze rezultaty, a nie to, czy generują więcej tokenów.
Nie są to puste obserwacje. Stoi za nimi realna refleksja. Jednak wzięte razem ujawniają coś, czego cykl konferencji jeszcze nie rozwiązał: „gotowość na AI” pozostaje określeniem wskazującym kierunek, a nie operacyjnym.
Możesz uczestniczyć w trzydniowych sesjach i wyjść z przekonującym poczuciem pilności oraz niemal żadnym sposobem na ocenę, gdzie faktycznie znajduje się twoja organizacja.
Warto to przeanalizować, ponieważ koszt mylenia inspiracji ze strategią już teraz ponoszą realne organizacje.
Co konferencja uznaje za gotowość
Robocza definicja gotowości na AI, która wyłoniła się podczas sesji, obejmuje kilka spójnych elementów.
Pierwszym z nich są umiejętności, przede wszystkim techniczne. Argument Ng dotyczący programowania jest tego najbardziej wyrazistą wersją. W miarę jak AI ułatwia tworzenie oprogramowania, osoby, które potrafią pracować na tym poziomie, będą osiągać lepsze wyniki niż te, które nie mają takich umiejętności, niezależnie od nazwy ich stanowiska.
Opisywał, jak obserwował marketerów, rekruterów i specjalistów finansowych potrafiących programować, którzy zyskiwali przewagę nad kolegami nieposiadającymi tych umiejętności, a także przedstawiał tę różnicę jako pogłębiającą się.
Hart wzmocnił techniczny aspekt danymi dotyczącymi zapisów. W 2025 roku jedna osoba zapisywała się na kurs AI na Courserze co cztery sekundy, czyli dwa razy częściej niż w 2024 roku.
Drugim elementem jest zdolność adaptacji, luźno definiowana jako umiejętność dotrzymywania kroku zmianom.
„Jedyną ludzką cechą, która jest potrzebna, jest zdolność adaptacji” — powiedział Adit Jain, dyrektor generalny Leena AI, której firma tworzy współpracowników AI do obsługi funkcji ogólnych i zaplecza administracyjnego.
Opisywał to, co obserwuje, gdy przedsiębiorstwa wdrażają automatyzację. Osoby, które przetrwają transformację, niekoniecznie są najbardziej doświadczone ani najbardziej zaawansowane technicznie. To ci, którzy są gotowi na nowo zdefiniować swoją rolę wokół nadzorowania i ulepszania AI, zamiast bronić pracy, którą AI wyparło.
Trzeci element opiera się próbom nadania mu jednoznacznej etykiety. Franklin określiła go jako traktowanie AI jak członka zespołu, a nie narzędzia. Daniels nazwał go klarownością. Bianca Anghelina, dyrektor generalna AILY Labs, opisała go jako zdolność do przekładania problemów biznesowych na wyzwania, które można rozwiązać za pomocą AI.
Argument Ng dotyczący programowania w istocie sprowadza się do tego, że programowanie jest sposobem na naukę myślenia systemowego i rozkładania problemów na elementy, z którymi może poradzić sobie zautomatyzowany proces.
U podstaw tych trzech elementów kryje się domyślny czwarty: gotowość do nieustannego uczenia się. Każdy prelegent ostatecznie do tego nawiązywał. Imperatyw uczenia się przez całe życie jest mniej definicją gotowości, a bardziej uznaniem, że żaden stały zestaw umiejętności nie pozostanie wystarczający.
Jako opis kierunku, w którym organizacja powinna podążać, jest to rozsądne. Jako ramy do oceny sytuacji konkretnej organizacji jest niemal bezużyteczne. „Bądź zdolny do adaptacji” i „nie przestawaj się uczyć” nie podlegają ocenie. Nie mówią dyrektorowi ds. zasobów ludzkich, co mierzyć, co rozwijać ani jak wygląda wynik zaliczający.
Ponadto rzadko wspomina się o tym, co jest potrzebne na początku tego procesu, choć omawialiśmy ten temat w podcaście.
Gdzie definicja przestaje działać
Najbardziej użyteczny moment sesji HumanX poświęconej przekwalifikowaniu na dużą skalę nie wynikał z żadnych ram, lecz z pewnej liczby. Jain opisał, co zwykle dzieje się, gdy jego firma automatyzuje proces biznesowy dla dużego klienta korporacyjnego: 60% osób wykonujących tę pracę nie jest już potrzebnych.
Z pozostałych 40% mniej więcej 20%, czyli około 12% wszystkich pracowników, może ponownie zostać włączonych w ten proces jako ludzie zarządzający AI. Pozostałe 48% stanowi problem transformacji, którego większość organizacji nie rozwiązała.
Przedstawił prawdziwy przykład klienta z sektora ochrony zdrowia, który przekierował pracowników operacyjnych HR, uwolnionych od rutynowej obsługi zgłoszeń, do tworzenia i zarządzania agentami wykonującymi na dużą skalę zadania związane ze zgodnością danych pacjentów. Była to praca, której wcześniej rzeczywiście nie wykonywano, ponieważ realizowanie jej przez ludzi wymagałoby zbyt dużych zasobów.
Przeniesienie pracowników wymagało, aby potrafili oni zrozumieć nową pracę, szybko zdobyć nowe umiejętności i zaakceptować zasadniczo inną relację ze swoją funkcją zawodową.
W tym miejscu konferencyjna definicja gotowości napotyka swój strukturalny problem. Gotowość, zgodnie z tym, jak przedstawiano ją podczas większości sesji, jest cechą jednostek: ich umiejętności technicznych, zdolności adaptacyjnych i gotowości do nauki.
Jednak problem 48% nie jest przede wszystkim problemem jednostek. Jest problemem projektowania organizacji. To, czy ci pracownicy mogą się przekwalifikować, zależy nie tylko od ich osobistej zdolności adaptacji, lecz także od tego, czy ich organizacja określiła, dokąd mogą przejść, czego wymagają te role, jakie inwestycje w rozwój pozwolą im je objąć oraz jak długo organizacja może utrzymywać tę transformację, zanim presja ekonomiczna skłoni ją do prostszych rozwiązań.
Określenie „gotowi na AI” jako koncepcja dotycząca pracowników nie uwzględnia żadnego z tych aspektów, przynajmniej nie w sposób, w jaki rozumiemy je obecnie. Koncentruje się na stronie kompetencyjnej równania, pozostawiając stronę wdrożeniową w dużej mierze niezbadaną.
Daniels poczynił wymowną uwagę na temat zwolnień w Oracle na początku tego roku.
Na szczycie brakuje odwagi, by przekwalifikować pracowników. Co robisz, jeśli siedzisz na górze pieniędzy i nie poświęcasz czasu na przekwalifikowanie lub przeszkolenie swoich pracowników?
Ujęcie dotyczyło odwagi kadry kierowniczej. Opisano jednak również porażkę zdolności organizacyjnych. Oracle niemal na pewno miało pracowników, którzy byli elastyczni i gotowi do nauki. Tym, czego najwyraźniej zabrakło, był system pozwalający określić, kim są ci ludzie, dokąd mogą przejść i jak ich rozwijać w tempie wymaganym przez transformację.
Odwaga ma znaczenie. Jednak odwaga bez diagnozy nie jest strategią.
Problem pomiaru
Uwaga Franklin dotycząca mierzenia gotowości na AI za pomocą wskaźników wykorzystania zasługuje na większą uwagę, niż poświęcono jej podczas konferencji. Opisywała coś, co organizacje regularnie robią źle. Śledzą adopcję, logowania do narzędzi, liczbę promptów i wykorzystanie tokenów, po czym uznają, że robią postępy.
Pomiar jest przejrzysty i łatwy do raportowania przełożonym. Można nim również łatwo manipulować, a jego korelacja z tym, co naprawdę ma znaczenie, jest niewielka.
Samo mierzenie wykorzystania AI oznacza, że nie dostrzegamy lasu spoza drzew. Nadal trzeba mierzyć to, co ludzie potrafią robić, ponieważ głęboko wierzymy, że AI powinno służyć sukcesowi ludzi.
Ma to szczególne znaczenie w kontekście rozwoju pracowników, ponieważ odruch mierzenia adopcji już wpływa na sposób, w jaki niektóre organizacje określają wymagania dotyczące szkoleń z AI. Powiąż wykorzystanie AI z ocenami okresowymi, a uzyskasz wykorzystanie AI. Nie musi to jednak oznaczać lepszych decyzji, szybszej pracy ani bardziej kompetentnych pracowników.
Jain opisał wersję tego problemu z drugiej strony: gdy próbował łagodnego podejścia do przekwalifikowania, prosząc pracowników, by w ciągu trzech miesięcy przerobili kurs we własnym tempie, zrobiło to tylko dwóch z trzydziestu.
Gdy powtórzył ten sam program z 90-dniowym terminem, formalnym egzaminem i podwyżką wynagrodzenia za jego zdanie, ukończyło go ponad 85% uczestników. Wniosek dotyczący motywacji jest interesujący. Jednak ważniejsza konsekwencja dotyczy tego, co organizacja faktycznie mierzyła.
Ukończenie i wynagrodzenie można było monitorować. To, czy osoby, które zdały, były rzeczywiście bardziej zdolne do wykonywania nowej pracy, było już odrębną kwestią.
Co sprawiłoby, że byłaby to prawdziwa ocena, a nie tylko odhaczenie pola? Na to pytanie sesje konferencyjne nie potrafiły w pełni odpowiedzieć.
Sprawdzenie konferencyjnej definicji według bardziej wymagającego standardu
Siedem kompetencji, które niezawodnie odróżniają organizacje odnoszące sukcesy w transformacji AI od tych, które generują aktywność bez rezultatów, to: empatia, obecność, myślenie produktowe, odwaga, strategiczna cierpliwość, przejrzystość i myślenie systemowe.
Konsekwentnie pojawiają się one w badaniach. Co znamienne, niemal w całości dotyczą zachowań przywódczych, a nie zestawów umiejętności pracowników.
Przeanalizowanie sesji konferencyjnych pod kątem każdej z nich daje nierównomierny obraz.
Empatia
Argumentacja Franklin na rzecz AI w zarządzaniu wydajnością opierała się na trafnej obserwacji dotyczącej tego, jak ludzie doświadczają oceniania: usunięcie dynamiki osądu z rozmów o wydajności poprzez przedstawienie informacji opartych na dowodach przed rozpoczęciem rozmowy z człowiekiem zmienia to, czego ludzie są gotowi wysłuchać.
Jej opis pracowników, którzy czują się „bardziej komfortowo”, gdy rozumieją, że AI korzysta z wiarygodnych danych, a nie z subiektywnego wrażenia menedżera, jest trafną obserwacją dotyczącą tego, jak poszczególne osoby w różny sposób doświadczają zmiany.
Ustalenie Coursery, że osoby uczące się, które korzystają ze swojego coacha AI, osiągają znacznie lepsze wyniki niż te, które tego nie robią, wskazuje w tym samym kierunku. Różni ludzie potrzebują różnego wsparcia, a organizacje, które zwracają na to uwagę, osiągają lepsze rezultaty.
Sesje nie przedstawiły narzędzia diagnostycznego do oceny empatii organizacyjnej, ale kierunkowe rozumienie tego zagadnienia było obecne.
Myślenie produktowe
Model obozu szkoleniowego Angheliny jest najwyraźniejszym przykładem: pracownicy otrzymali działające ramy agentów i konkretne wyzwanie biznesowe, a nie abstrakcyjny program rozwijania umiejętności ani teorię możliwości AI.
Zmniejszyć wydatki marketingowe o 10%. Ten wybór projektowy ma znaczenie. Traktuje ona rozwój pracowników tak, jak zespół produktowy traktuje problem: zaczyna od rzeczywistej potrzeby użytkownika, tworzy coś, co na nią odpowiada, a następnie na tej podstawie wprowadza kolejne usprawnienia.
Przykład przekierowania pracowników w ochronie zdrowia opisany przez Jain opiera się na tej samej logice. Uwolnione zasoby operacyjne HR nie zostały skierowane na ogólne przekwalifikowanie, lecz na konkretny problem związany ze zgodnością, którym organizacja nigdy wcześniej nie była w stanie się zająć.
To właśnie myślenie produktowe w praktyce. Jednak żaden z prelegentów nie ujął tego w ten sposób, co oznacza, że liderzy oglądający sesje prawdopodobnie przyswoją przykład, nie wyciągając z niego ogólnej zasady.
Odwaga
Ten temat pojawił się raz, wyraźnie, a następnie rozmowa potoczyła się dalej. Krytyka Oracle przedstawiona przez Danielsa była ostra: organizacja dysponująca środkami finansowymi umożliwiającymi przekwalifikowanie pracowników zdecydowała się tego nie robić, a on nazwał to porażką woli kadry kierowniczej. To ujęcie wybrzmiało przekonująco.
Nie doprowadziło to jednak do dyskusji o tym, jak organizacje budują instytucjonalną odwagę potrzebną do poniesienia krótkoterminowych kosztów na rzecz długoterminowych kompetencji pracowników. Luka między nazwaniem problemu a rozwinięciem zdolności przywódczych potrzebnych do jego rozwiązania pozostała otwarta.
Przejrzystość
Ten element był przez cały czas obecny pośrednio, ale rzadko analizowano go bezpośrednio. Najbliżej tego tematu były komentarze Franklin o budowaniu zaufania w organizacji jako warunku wstępnego stosowania AI w zarządzaniu wydajnością.
Żadna sesja nie poruszyła jednak kwestii tego, jak wygląda uczciwa komunikacja, gdy organizacja rzeczywiście nie ma pewności, które role przetrwają transformację AI, ani jak liderzy mogą szczerze mówić o tej niepewności, nie nasilając jednocześnie lęku podważającego proces wdrażania.
Badanie przeprowadzone przez Boston Consulting Group i Columbia Business School, które wykazało różnicę wynoszącą 51 punktów procentowych między tym, co według kadry kierowniczej pracownicy rozumieją na temat strategii AI, a tym, co rzeczywiście rozumieją, nie zostało wspomniane. Powinno było. Ta luka nie jest problemem komunikacyjnym. Jest problemem przejrzystości i jest na tyle duża, że może wykoleić wdrożenia, które pod względem technicznym są poprawnie przygotowane.
Obecność
W epoce znanej z potężnych ludzi pozbawionych samoświadomości obecność była, stosownie do okoliczności, niemal całkowicie nieobecna. Sesje przedstawiano na poziomie strategicznym, a kwestia tego, czy liderzy rozumieją, jak praca rzeczywiście przebiega w ich organizacjach — na tyle dobrze, by wiedzieć, co wdrożenie AI faktycznie zmieni dla osób wykonujących tę pracę — pozostała niezbadana.
Liczby Jain to sugerują: jeśli 60% osób zaangażowanych w proces biznesowy staje się zbędnych po automatyzacji, ktoś na szczycie musiał mieć jasny obraz tego, czym te osoby faktycznie się zajmowały i gdzie mogła istnieć równoważna praca.
Jednak sposób, w jaki organizacje rozwijają tę bliskość operacyjną, zwłaszcza w dużych przedsiębiorstwach, w których przepaść technologiczna między zespołami kierowniczymi a pracą na pierwszej linii jest już udokumentowana, nie był częścią tej rozmowy.
Cierpliwość strategiczna
Dominującym tonem konferencji była pilna potrzeba działania. Działaj teraz albo zostań w tyle. Pilotaże się skończyły, czas na wdrożenia. Twierdzenie Angheliny o integracji w jeden dzień. Ostrzeżenie Jaina, że dyrektor generalny, który nie działa wystarczająco szybko, będzie musiał odpowiadać na pytania analityków, dlaczego konkurenci mają wyższe marże.
Końcowa korekta Robina Danielsa: „szybkość plus niepewność to po prostu chaos, odetchnij”, była jedyną przeciwwagą dla tej presji podczas którejkolwiek z sesji i pojawiła się w ostatnich trzydziestu sekundach przed upływem czasu.
Badania nad tym, co faktycznie prowadzi do trwałego wdrażania AI, wskazują inny kierunek: 79% pracowników, którzy przeszli ponad pięć godzin szkoleń z AI, stało się regularnymi użytkownikami, w porównaniu z 67% osób, które otrzymały mniej szkoleń. Krzywa J jest realna.
Budowanie kompetencji, które przynosi trwałe rezultaty, zajmuje więcej czasu, niż sugeruje pilność konferencyjnych apeli, a koszt organizacyjny porzucania inicjatyw, zanim dojrzeją — S&P Global szacuje, że 42% projektów AI jest porzucanych przed wejściem do środowiska produkcyjnego — nie znajduje odzwierciedlenia w formule „działaj szybko albo zostaniesz w tyle”.
Myślenie systemowe
Żadna sesja nie odniosła się merytorycznie do tego, jak wdrożenie AI w jednej funkcji tworzy skutki wtórne w innych. Na przykład:
- Jak przeprojektowanie przepływu pracy w operacjach HR zmienia to, co obsługa klienta musi potrafić
- Jak automatyzacja zatwierdzania kredytów zmienia sposób działania zarządzania produktem w całym obszarze udzielania kredytów
- Jak wdrożenie agentów w jednym dziale ujawnia kwestie zarządcze, które wpływają na każdy dział.
Przykład zatwierdzania kredytu podany przez Nga faktycznie zawierał zalążek tej idei, pokazując, jak odgórne przeprojektowanie przepływu pracy odblokowuje nowe produkty, a nie tylko przyrostową poprawę efektywności, jednak konsekwencje systemowe dla sposobu, w jaki organizacje muszą być zorganizowane, aby dostrzegać te możliwości i na nie reagować, nie zostały rozwinięte.
Ustalenie BCG, że 52% organizacji odnoszących sukcesy dzięki AI korzysta obecnie z zespołów międzyfunkcyjnych złożonych z liderów biznesowych i technologicznych, w porównaniu z 5% rok wcześniej, sugeruje, że jest to jedna z najważniejszych zmian strukturalnych, jakie obecnie zachodzą. Podczas sesji traktowano ją jako przyjęte tło, a nie jako aktywne wyzwanie.
Jaki wzorzec wyłania się ze wszystkich siedmiu kompetencji? Liderzy wydają się lepiej przygotowani w obszarze kompetencji, które najbardziej przypominają indywidualny rozwój umiejętności (empatia, myślenie produktowe), a najsłabiej w obszarze kompetencji wymagających przeprojektowania organizacji (myślenie systemowe, cierpliwość strategiczna, obecność).
Ta nierównowaga odzwierciedla coś rzeczywistego w obecnym stanie rozmowy o AI. Indywidualny rozwój umiejętności jest wykonalny. Są dostawcy, programy nauczania i wskaźniki ukończenia. Przeprojektowanie organizacji jest wolniejsze, bardziej skomplikowane politycznie i trudniejsze do ujęcia w 45-minutowej sesji.
Dlatego rozmowa skupia się na tym, co można opisać konkretnie, a rezultat nazywamy ramami gotowości.
Czego wymaga gotowość do działania
Rozróżnienie między aspiracyjną a możliwą do zastosowania w praktyce gotowością nie dotyczy pesymizmu ani optymizmu. Zarówno Ng, jak i Hart jasno stwierdzili, że organizacje, które dobrze sobie z tym radzą, osiągają rzeczywisty postęp.
Hart opisał dużą firmę świadczącą profesjonalne usługi, która podniosła kwalifikacje 5 000 pracowników, przygotowując ich do wyspecjalizowanych ról związanych z AI, oraz globalną firmę technologiczną, w której zaangażowanie w Coursera korelowało z 50-procentową poprawą utrzymania pracowników. Są to rezultaty, a nie tylko zamiary.
Z dostępnych opisów wynika, że organizacje te łączy to, iż zaczęły od konkretnego problemu biznesowego, a nie od ogólnego celu związanego z gotowością. Firma świadcząca profesjonalne usługi dążyła do zapewnienia klientom lepszych rezultatów w ramach projektów wykorzystujących AI. Firma technologiczna starała się zatrzymać pracowników, którzy stawali się bardziej efektywni. W obu przypadkach rozwój umiejętności był zakotwiczony w czymś wystarczająco konkretnym, by można było to ocenić.
Anghelina przedstawiła tę kwestię najbardziej bezpośrednio, choć w kontekście tych intensywnych programów szkoleniowych i celu, jakim była optymalizacja wydatków marketingowych w celu wygenerowania o 10% większej sprzedaży. Mechanizm nie jest abstrakcyjny. Rezultat można zmierzyć. Zadaniem pracownika jest ustalenie, jak zastosować AI, aby go osiągnąć.
Kiedy użytkownicy widzą wpływ AI na biznes. Stają się bardziej kreatywni. Ich umiejętności się rozwijają, ponieważ problem jest wystarczająco konkretny, aby móc się na nim skupić.
W tym miejscu wiele działań związanych z przekwalifikowaniem utknęło. Zaczynają się od umiejętności, ponieważ umiejętności są czytelne, możliwe do rozwijania i monitorowania. Dane dotyczące liczby zapisów na Courserze są rzeczywiste. Dane dotyczące ukończenia mikropoświadczeń są rzeczywiste. Rzeczywiste jest również to, że 91% osób uczących się zgłasza pozytywne rezultaty zawodowe w ciągu sześciu miesięcy. Jednak umiejętności oderwane od kontekstu organizacyjnego zmierzają w stronę ogólnikowości. A ogólna gotowość nie oznacza gotowości do niczego konkretnego.
Franklin przedstawiła ten sam punkt widzenia z perspektywy HR, mówiąc, że dział HR poświęca około 60% swojego czasu na dokumentowanie tego, co wydarzyło się w przeszłości.
Nie chodzi o to, aby zwiększyć skuteczność HR w dokumentowaniu. Chodzi o uwolnienie zasobów HR, aby mogły zajmować się problemami, które rzeczywiście wymagają ludzkiego osądu — problemami wystarczająco konkretnymi, by potrzebna była osoba rozumiejąca organizację, jej ludzi oraz decyzje, które faktycznie wpływają na rezultaty.
Prawdziwa strategia gotowości na AI zaczyna się właśnie tutaj. Nie od pytania „jakich umiejętności potrzebują nasi ludzie”, lecz od pytania „co ta organizacja musi umieć robić za 18 miesięcy, czego nie potrafi robić dzisiaj, i jaki wkład musi w to wnieść każda rola?”.
Praca wstecz od tego pytania prowadzi do czegoś, co można ocenić. Model siedmiu kompetencji istnieje właśnie po to, aby uporządkować takie mapowanie wsteczne, przełożyć cel biznesowy dotyczący kompetencji na konkretne ludzkie zdolności potrzebne do jego osiągnięcia oraz ocenić różnicę między stanem obecnym a wymaganym na tyle precyzyjnie, aby zbudować wokół niej program rozwoju.
Pilność przesłania
Jedną z dynamik wzmacnianych przez cykl konferencji, prawdopodobnie nieumyślnie, jest to, że pilność zastępuje precyzję.
Każda sesja, w której uczestniczyłem w ciągu ostatnich 6 tygodni — czy odbywała się w wielkich salach podczas Transform, na dramatycznie oświetlonej scenie HumanX, czy podczas warsztatów na mniejszych, bardziej lokalnych konferencjach tutaj, w Atlancie, gdzie mieszkam — odwoływała się do tempa zmian.
Kilku prelegentów zauważyło, że opóźnienie o trzy do czterech miesięcy względem najnowszych narzędzi AI do programowania, w ujęciu Nga, powoduje znaczące różnice w wynikach pracy inżynierów. Domyślny przekaz jest taki, że tempo wdrażania jest najważniejszą zmienną.
Jest jedną ze zmiennych. Nie jest jednak najważniejszą.
Daniels ujął to najjaśniej, nawet jeśli otaczająca dyskusja nieco to przysłoniła.
Szybkość plus jasność to coś wspaniałego. Szybkość plus niepewność to po prostu chaos.
Większość tego, co obecnie nazywa się gotowością na AI, jest realizowana w szybkim tempie. Pilność jest realna w tym sensie, że wszyscy ją odczuwamy, a angażując się w nią, sami ją utrwalamy.
Jednak organizacje budujące rzeczywistą przewagę konkurencyjną dzięki rozwojowi pracowników w zakresie AI to te, które wystarczająco konkretnie określiły, do czego dążą, dzięki czemu szybkość ma dokąd zmierzać.
Test jest prosty, a sesje konferencyjne nieumyślnie go demonstrują. Gdyby wykorzystać definicję gotowości na AI przedstawioną podczas którejkolwiek z tych sesji i spróbować na jej podstawie zbudować program rozwoju dla swojej organizacji, natychmiast trzeba byłoby odpowiedzieć na szereg pytań, których ta definicja nie obejmuje.
- Które role mają największe znaczenie dla naszej konkretnej strategii AI?
- Jak wygląda kompetencja na każdym poziomie i jak ją mierzymy?
- Jaka sekwencja rozwoju pozwoli nam najszybciej przejść od stanu obecnego do wymaganego?
- Jakie zmiany organizacyjne muszą nastąpić równolegle z rozwojem indywidualnych umiejętności, aby to wszystko zadziałało?
To nie są pytania aspiracyjne. Są operacyjne. Odpowiedzi na nie oddzielają zdolność do budowania gotowych na AI zespołów od zdolności do prowadzenia programów szkoleń z AI.
To sformułowanie stało się skrótem myślowym określającym cel, co do którego wszyscy się zgadzają. Strategia to praca, która następuje po precyzyjnym określeniu, co ten cel oznacza.
