Trudna część zaczyna się po tym, jak AI zaczyna działać
![[OPT 1] IMG PMP – Editorial – Dinner Conversation with CHROs-14152](https://peoplemanagingpeople.com/cdn-cgi/image/format=auto,quality=82,onerror=redirect,width=792,height=446,fit=crop/wp-content/uploads/sites/3/2026/09/OPT-1-IMG-PMP-–-Editorial-–-Dinner-Conversation-with-CHROs-14152.jpg)
Zacznij od pracy: Firmy powinny przeprojektowywać przepływy pracy wokół problemów biznesowych, zanim wybiorą narzędzia AI lub zaczną mierzyć oczekiwane zwroty.
Ocena przypadków zastosowania: Szkolenia z AI przynoszą większą wartość, gdy pracownicy uczą się identyfikować problemy warte rozwiązania, a nie tylko obsługiwać nowe narzędzia.
Przeprojektowanie stanowisk pracy: Skuteczne wdrożenie AI zmusza liderów do zdefiniowania na nowo zakresów odpowiedzialności, umiejętności, standardów wyników i ścieżek kariery w miarę zmiany zadań.
Skaluj ostrożnie: Projekty pilotażowe rzadko dają się bezpośrednio przenieść między działami; organizacje muszą standaryzować sprawdzone praktyki, dostosowując je jednocześnie do przepływów pracy, ryzyka i danych.
Równy dostęp: Nierówny dostęp do AI może zniekształcać oceny wyników, możliwości rozwoju i porównania produktywności między pracownikami wykonującymi podobną pracę.
W zeszłym tygodniu spotkałem się w Atlancie z grupą dyrektorów ds. zasobów ludzkich, aby porozmawiać o skalowaniu AI w całej organizacji.
Zaczęliśmy od zwrotu z inwestycji, ale rozmowa wciąż wracała do samej pracy: które problemy zasługują na inwestycje w AI, co organizacje powinny zrobić z potencjałem, który ona tworzy, oraz kiedy zmieniło się wystarczająco dużo zadań, aby wraz z nimi zmienić również stanowisko.
Kia Painter wyznaczyła punkt wyjścia naszej rozmowy. Należy zacząć od problemu biznesowego, zrozumieć przebieg pracy, przeprojektować proces, a dopiero potem zdecydować, gdzie jest miejsce dla AI.
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
Painter niedawno przeszła na emeryturę po 28 latach pracy w Cox Communications, gdzie ostatnio pełniła funkcję dyrektorki ds. personalnych. Jej kolejność działań ma znaczenie, ponieważ organizacje mają wiele sposobów wykorzystania AI. Trudniejszym zadaniem jest określenie, które zastosowania zasługują na czas, pieniądze i zmiany organizacyjne.
Ocena przypadków użycia może być ważniejsza niż szkolenie z narzędzi
Kilka tygodni przed kolacją przeprowadziłem nieformalne badanie w naszym biuletynie AI Signal, pytając, dlaczego menedżerowie prosili o więcej szkoleń z AI dla swoich zespołów. Najczęstszy powód: nie byli pewni, które przypadki użycia mają znaczenie.
Wskazuje to na problem ze sposobem, w jaki wiele firm podchodzi do wdrażania AI. Uczenie ludzi jak tworzyć polecenia, podsumowywać dokumenty czy generować treści buduje znajomość technologii. W niewielkim stopniu pomaga im jednak zdecydować, gdzie AI może poprawić istotny rezultat biznesowy.
Angela Cheng-Cimini, dyrektorka ds. zasobów ludzkich w The Chronicle of Philanthropy, opisała podejście skoncentrowane na problemach pracowników, a nie na możliwościach narzędzi. Powiedziała, że jej organizacja planuje zebrać od pracowników informacje o codziennych wyzwaniach, wybrać kilka z nich, które mają szerokie znaczenie, i zorganizować krótkie hackathony, aby je rozwiązać. Jedna z pracownic już wcześniej zastosowała takie podejście, tworząc agenta do obsługi powtarzalnych próśb dotyczących faktur, które zalewały skrzynkę odbiorczą działu obsługi klienta.
To znacznie bardziej użyteczny model szkoleń z AI, ponieważ łączy naukę z pracą, którą ludzie już rozumieją. Zdolnością, którą firmy muszą rozwijać, jest ocena przypadków użycia: czy menedżer potrafi przyjrzeć się przebiegowi pracy, wskazać, gdzie tracony jest czas lub jakość, i rozpoznać, gdzie AI mogłaby coś zmienić?
Ta umiejętność zwiększa również szanse na uzyskanie zwrotu z inwestycji. Wdrożenie zakończone sukcesem technicznym, ale ukierunkowane na problem o niskiej wartości, nadal jest złą inwestycją.
Wolne moce przerobowe wymuszają decyzje dotyczące pracy
Następne pytanie brzmi: co zrobić, gdy przypadek użycia zakończy się sukcesem.
AI może wyeliminować pracę administracyjną, skrócić czas realizacji i zapewnić ludziom możliwości, których wcześniej nie mieli. Liderzy muszą następnie zdecydować, do czego te możliwości wykorzystać.
Przy stole doprowadziło to do dyskusji o kompresji stanowisk i szerszych zakresach ról. Kesi Dorner, dyrektorka ds. zasobów ludzkich w Metro Atlanta Regional Transit Authority (MARTA), mówiła o łączeniu zadań, które obecnie są rozdzielone między wyspecjalizowane stanowiska w dziale HR, w bardziej kompleksowe role partnerów biznesowych.
Moje pytanie, kiedy stanowisko zmieniło się na tyle, że powinno zostać całkowicie przeprojektowane, pozostało bez odpowiedzi.
To właśnie te wybory sprawiają, że zaoszczędzone godziny przekładają się na decyzję operacyjną. Firma może wykorzystać dodatkowe możliwości, aby zwiększyć produkcję, poprawić jakość usług, ograniczyć przyszłe zatrudnienie, rozszerzyć zakresy odpowiedzialności lub zająć się pracą, która wcześniej była spychana na dalszy plan. Każdy wybór tworzy inny rodzaj wartości.
Zmienia to również zakres odpowiedzialności pracownika.
Stało się to jeszcze wyraźniejsze, gdy dyskusja zeszła na temat liczby pracowników. Painter opisała rozmowy z dyrektorem finansowym na temat tego, czy AI może obniżyć koszty pracy. Jej odpowiedzią było ponowne przyjrzenie się pracy.
Weźmy zobowiązania wobec dostawców. Co właściwie robią ludzie? Które zadania może przejąć AI? Co pozostaje? Jaki rezultat biznesowy nadal trzeba osiągnąć?
Jej wniosek był taki, że AI należy analizować z perspektywy modelu operacyjnego i sposobu zaprojektowania pracy, zanim liderzy zaczną wyciągać wnioski dotyczące zatrudnienia.
Jest to cenna rola dla HR, ponieważ AI często stopniowo zmienia miejsca pracy. Gdy jedno zadanie znika, inne staje się szybsze. Rutynowej pracy może być mniej, ale pozostała praca wymaga większego osądu. Nowe obowiązki mogą następnie wypełnić powstałą przestrzeń.
W pewnym momencie skumulowane zmiany prowadzą do powstania innego stanowiska.
HR powinien obserwować ten moment. Opisy stanowisk, wymagane umiejętności, wynagrodzenia, ścieżki kariery i oczekiwania dotyczące wyników zależą od dokładnego zrozumienia tego, czego obecnie wymaga dana rola. Jeśli liderzy będą dodawać AI do istniejących ról bez ponownego przeanalizowania tych podstaw, pracownicy mogą ostatecznie wykonywać inną pracę w ramach starego modelu stanowiska.
Ten sam problem dotyczy oczekiwań wobec wyników zespołów. Jeśli jeden zespół staje się bardziej produktywny dzięki AI, liderzy w naturalny sposób zapytają, czy nowy poziom wyników powinien stać się standardem.
Ta decyzja wymaga czegoś więcej niż dowodu, że technologia zadziałała. Potrzebna jest pewność, że uzyskana poprawa jest możliwa do utrzymania, że pracownicy mają porównywalny dostęp do narzędzi oraz że praca jest wystarczająco podobna, aby można było zastosować takie same oczekiwania w całej organizacji.
Skalowanie poza etap pilotażowy
W tym miejscu udany pilotaż staje się wyzwaniem dla całej organizacji.
Dany przypadek użycia może dobrze sprawdzać się w jednym zespole, ponieważ przepływ pracy jest uporządkowany, dane są oczyszczone, menedżer rozumie technologię lub pracownicy mieli czas na eksperymentowanie. Inna funkcja może nie mieć żadnej z tych przewag.
Painter opisała współpracę z szefem AI w swojej organizacji nad mapą drogową docelowego stanu, która łączyła decyzje technologiczne z przyszłym modelem operacyjnym.
Firma utworzyła również międzyfunkcyjną radę ds. AI, w której uczestniczyli przedstawiciele HR, działu technologicznego, finansów i działu prawnego. Celem było koordynowanie inwestycji i zarządzania wokół priorytetów biznesowych, zamiast pozwalania każdej funkcji na tworzenie własnego zestawu narzędzi i projektów.
Jest to kluczowy element skalowania, ponieważ nie można po prostu skopiować tego, co sprawdziło się gdzie indziej. Liderzy muszą określić, które elementy skutecznego podejścia można ustandaryzować, a które zależą od charakteru pracy, pracowników lub profilu ryzyka danej funkcji.
To powinno również powściągać szeroko zakrojone założenia dotyczące produktywności. Jeden udany pilotaż może dostarczyć dowodów na skuteczność konkretnego przypadku użycia. Nie dostarcza jednak automatycznie dowodów dotyczących całej grupy pracowników.
Dostęp do narzędzi jest częścią równania wyników
Skalowanie stwarza również problem związany ze sprawiedliwością.
Uczestnicy opisali organizacje, w których pracownicy mają dostęp do różnych narzędzi AI w zależności od funkcji, budżetu lub polityki. Niektórzy pracownicy uzupełniają narzędzia zapewniane przez pracodawcę o płatne narzędzia, z których korzystają w domu lub na prywatnych urządzeniach. Inni nie mają takiej możliwości.
Gdy AI wpływa na ilość lub jakość pracy, jaką ktoś może wykonać, różnice te mają znaczenie dla zarządzania wynikami.
Kara Miller, była wiceprezes ds. talentów, uczenia się i transformacji pracowników w Visa, zwróciła uwagę na jeszcze jedną kwestię: Jeśli dwóch pracowników podlega temu samemu standardowi wyników, ale tylko jeden ma dostęp do bardziej zaawansowanego narzędzia, to jaka część różnicy w wynikach wynika z indywidualnych możliwości, a jaka ze środowiska stworzonego wokół nich przez organizację?
Ten sam problem może wpływać na rozwój i mobilność zawodową, jeśli niektóre role dają pracownikom znacznie więcej możliwości rozwijania umiejętności związanych z AI niż inne.
Firmy nie potrzebują identycznych narzędzi dla każdego pracownika, zgodzili się uczestnicy. Muszą jednak rozumieć, kiedy nierówny dostęp zaczyna wpływać na standardy stosowane do oceny pracowników.
Lepsza miara dojrzałości w zakresie AI
Pod koniec wieczoru zapytałam, co musiałoby się zmienić w ciągu kolejnego roku, aby liderzy nabrali pewności, że ich organizacje opracowały sposób skalowania AI.
Odpowiedzi koncentrowały się na lepszym osądzie w całej organizacji: kadrze kierowniczej, która potrafiłaby w miarę swobodnie rozmawiać o technologii, pracownikach rozumiejących odpowiedzialne korzystanie z niej, menedżerach potrafiących identyfikować wartościowe zastosowania oraz bardziej przejrzystych decyzjach dotyczących dostępu.
Daje to liderom HR użyteczny sposób myślenia o kolejnym etapie wdrażania AI.
Jeśli chcesz uzyskać większą wartość z AI, musisz lepiej wybierać właściwe problemy do rozwiązania, przeprojektowywać pracę po ich rozwiązaniu oraz decydować, które korzyści można odtworzyć w innych miejscach.
HR będzie również musiał bardziej świadomie podchodzić do tego, co nowe możliwości oznaczają dla stanowisk i oczekiwań dotyczących wyników.
