Twoja prośba o szkolenie z AI to problem diagnostyczny
Błędna diagnoza: Prośby o szkolenia z AI często maskują niejasne rezultaty, niesprawne przepływy pracy, niewykorzystaną wiedzę ekspercką lub słabą dyscyplinę weryfikacji.
Ograniczony wpływ: 85 procent pracowników twierdzi, że szkolenia z AI nie pomagają im skutecznie stosować narzędzi w swoich rolach.
Odpowiedzialność za przepływ pracy: Skuteczne wdrażanie AI wymaga przeprojektowania procesów i przypisania odpowiedzialności wykraczającej poza zespoły zajmujące się wdrażaniem.
Ukryte koszty: Niesprawdzony materiał wygenerowany przez AI przenosi pracę związaną z oceną na dalsze etapy procesu, marnując czas odbiorców i zmniejszając zaufanie między zespołami.
Rola strategiczna: Dział HR powinien kierować przeprojektowaniem przepływów pracy związanych z AI, ponieważ zmiany technologiczne przekształcają role, umiejętności, budżety i ścieżki kariery.
Menedżer puka do drzwi dyrektora ds. wdrażania. Przekaz jest zawsze mniej więcej taki: „mój zespół nie korzysta z nowych narzędzi tak, jak miałem nadzieję, więc potrzebujemy więcej szkoleń, żeby to naprawić”.
Markus McKay-Fleisch spędził dwadzieścia lat w edukacji dorosłych, a przez ostatnie dwa koncentrował się konkretnie na wdrażaniu AI w Smartsheet, gdzie kieruje wdrażaniem AI w usługach profesjonalnych.
Podczas niedawnej konferencji AI4 opisał tę prośbę jako najczęściej otrzymywaną i tę, którą najłatwiej błędnie zinterpretować. Jego odpowiedzią jest pytanie, a nie katalog kursów: jaki rezultat próbujecie osiągnąć?
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
Prośba o szkolenie jest objawem. Pojawia się już z gotową diagnozą, a ta diagnoza jest zazwyczaj błędna.
Wskazówka kryje się w danych, które zespoły ds. wdrażania już posiadają. Wskaźniki ukończenia wyglądają dobrze, często dlatego, że szkolenie jest obowiązkowe. Dane dotyczące użytkowania mówią coś innego.
W niektórych organizacjach ludzie ledwie dotykają narzędzi. W innych korzystają z nich bez przerwy, domyślnie wybierają najdroższe dostępne modele, a dział finansowy pojawia się z prośbą o szkolenie, które ograniczy zużycie. Oba wzorce prowadzą do tej samej prośby. Żaden z nich nie jest problemem związanym z wiedzą.
Są też dobre przykłady, ale często pozostają odizolowane. Ludzie, którzy przebudowują własne przepływy pracy i uzyskują naprawdę przełomowe rezultaty? Zbyt często ta wiedza pozostaje tam, gdzie powstała, i nie rozprzestrzenia się dalej.
Szkolenie dociera do odbiorców, ale nie działa
Raport Docebo na temat luki w gotowości na AI z 2026 r., przygotowany przez Centiment na podstawie odpowiedzi 2000 respondentów z USA, Wielkiej Brytanii, Kanady, Francji, Niemiec i Włoch, wykazał, że 85% pracowników twierdzi, iż otrzymywane przez nich szkolenia nie pomagają im korzystać z AI w swojej roli.
Docebo sprzedaje oprogramowanie do nauki, co warto odnotować, biorąc pod uwagę kierunek, w którym zmierza to ustalenie, ale na potrzeby tej dyskusji załóżmy, że ta liczba jest prawdziwa, ponieważ sądząc po nastrojach panujących na wystąpieniu McKaya-Fleischa, powiedziałbym, że nie odbiega ona zbytnio od rzeczywistości.
Jeden na pięciu respondentów nie otrzymał w ogóle żadnego szkolenia z AI, co oznacza, że część z tych 85% opisuje brak szkolenia, a nie jego niepowodzenie. Pomijając tę grupę, liczba ta nadal opisuje większość pracowników, którzy wzięli udział w szkoleniu, ale nie potrafili zastosować zdobytej wiedzy.
Bardziej wymowna liczba znajduje się po drugiej stronie badania. Wśród liderów ds. nauki 79% deklaruje wykorzystywanie AI do zadań takich jak generowanie treści. Tylko 9% twierdzi, że ich organizacja wykorzystała AI do przedefiniowania przepływu pracy.
Działy odpowiedzialne za naukę przyswoiły AI jako akcelerator produkcji. Tworzą te same kursy szybciej. Praca polegająca na przemyśleniu na nowo sposobu wykonywania samej pracy pozostaje niemal całkowicie nierozpoczęta, co trafnie wyjaśnia, dlaczego kursy nie przynoszą efektów.
Język jest interfejsem
Przez trzydzieści lat szkolenia korporacyjne służyły głównie rozwiązywaniu problemu znajomości platform. Dostawcy oprogramowania przenosili przyciski, dodawali funkcje, zmieniali nawigację, a ktoś musiał nauczyć ludzi, gdzie co się znajduje. Sama firma Microsoft stworzyła wokół tego niewielką branżę.
Generatywna AI usunęła barierę, która uzasadniała większość tych programów szkoleniowych. Interfejsem jest język. Użytkownik opisuje oczekiwany rezultat, a system składa odpowiednie kroki. Pytanie „jak to zrobić”, które stanowiło podstawę działań wdrożeniowych, można teraz zadać bezpośrednio narzędziu, wewnątrz aplikacji lub za pośrednictwem modelu ogólnego przeznaczenia korzystającego z publicznej dokumentacji pomocy.
To, co pozostaje rzeczywistą barierą, w ocenie McKaya-Fleischa, to rozumienie organizacji i ludzki osąd.
Problem z rozumieniem organizacji dobrze ilustrują dane dotyczące użytkowania w jego własnej firmie. Przeglądając dane dotyczące projektów Claude w Smartsheet, naliczył ponad pięćdziesiąt odrębnych projektów stworzonych przez pracowników działów finansów, obsługi klienta, sprzedaży i HR, z których każdy miał na celu generowanie materiałów zgodnych z marką. Prezentacje, materiały marketingowe, standardowy zestaw.
Godne uwagi jest to, że żaden z tych projektów nie pochodził od zespołu marketingowego. Dział odpowiedzialny za markę nie stworzył niczego, a ponad pięćdziesiąt osób rozwiązujących problem na własną rękę nie pomyślało, by o to zapytać.
Każdy z tych pracowników zidentyfikował rzeczywisty problem i wykorzystał sprawne narzędzie, aby się z nim zmierzyć. Nikt z nich nie rozpoznał jednak, że problem znajdował się w obszarze należącym do kogoś innego, gdzie już istniały wiedza specjalistyczna, materiały źródłowe i możliwość utrzymywania tego rozwiązania w czasie. To nie jest niedostatek umiejętności formułowania poleceń. Żaden kurs na temat pisania lepszych instrukcji nie wykształci odruchu szukania właściciela danego obszaru.
Ludzki osąd to szersza kategoria, a McKay-Fleisch zawęża ją do trybu niepowodzenia, z którym obecnie mierzy się większość organizacji. Nazywa go „armatą do produkcji papki”. Ludzie generują treści niemal bez żadnych kosztów i wysyłają je bez sprawdzenia, przenosząc pracę związaną z oceną na osoby, które je otrzymują.
Zadanie polegające na ocenie i zrozumieniu otrzymywanego wyniku, upewnieniu się, że jest dokładny i wartościowy. W mentalności armaty produkującej byle co to zadanie spada na osoby, do których ten wynik jest wysyłany, a to nie jest właściwe.
BetterUp Labs i Social Media Lab Uniwersytetu Stanforda przedstawiły liczby obrazujące ten transfer w badaniu opublikowanym we wrześniu ubiegłego roku w Harvard Business Review. Czterdzieści procent pracowników zgłosiło, że w poprzednim miesiącu otrzymało to, co badacze określili mianem „workslopu”. Każdy taki przypadek pochłaniał około dwóch godzin czasu odbiorcy, co według badaczy odpowiadało kosztowi około $186 na pracownika miesięcznie.
Etap weryfikacji nie zniknął. Został przeniesiony niżej w procesie, do osoby, która go nie wybrała, nie zna pierwotnych założeń i nie ma możliwości odesłania go z powrotem.
Przeprojektowanie i transformacja to różne budżety
McKay-Fleisch wskazuje różnicę, którą większość finansowania rozwoju kompetencji pomija. Przeprojektowanie przepływu pracy to sposób na osiągnięcie rezultatu. Transformacja AI obejmuje wszystko, co musi się wokół niego zmienić, czyli struktury organizacyjne, role oraz umiejętności potrzebne ludziom do pełnienia tych ról.
Większość programów rozwoju kompetencji w zakresie AI jest finansowana tak, jakby nie chodziło ani o jedno, ani o drugie. Finansuje się szkolenia z obsługi narzędzi, co było właściwą odpowiedzią na barierę, która już nie istnieje.
Badanie wpływu AI firmy Grant Thornton z 2026 roku, obejmujące 950 liderów biznesowych z dziesięciu branż, a także sektor kapitału prywatnego, przeprowadzone między 23 lutego a 18 marca tego roku, wykazało, że tylko 12% liderów uważa swoje zespoły za w pełni gotowe na AI. Kolejne 81% plasuje się na poziomie dość lub w większości gotowym, a 97% dostrzega pewnego rodzaju wyzwania związane z wdrażaniem.
Zapytani o przyczyny słabszych wyników inicjatyw związanych z AI, liderzy ci wskazali na pierwszym miejscu kwestie zarządzania i zgodności z przepisami — 46%. Na drugim miejscu znalazł się niewystarczający poziom szkoleń — 31%. Około 34% wskazuje szkolenia jako obszar inwestycji, w który organizacja inwestuje najmniej.
Diagnoza, którą na dużą skalę stawiają osoby zarządzające, jest więc taka sama jak ta, która trafia na biurko dyrektora ds. rozwoju kompetencji. Za mało szkoleń. Trzeba sfinansować ich więcej.
Warto zachować własną interpretację Grant Thornton. Szkolenia uświadamiające zapewniają znajomość tematu, a nie kompetencje. Znajomość tematu jest dokładnie tym, co mają dostarczać większość programów nauczania dotyczących AI, i właśnie to opisuje 85% pracowników ankietowanych przez Docebo, którzy twierdzą, że szkolenie nie pomogło im wykonywać pracy. Pieniądze gdzieś trafiają. Trafiają do interwencji, która wymaga najmniejszej zmiany strukturalnej od osób ją zatwierdzających.
Wynik Docebo na poziomie 9% to ten sam wniosek ujęty z drugiej strony. Działy zajmujące się nauką i rozwojem entuzjastycznie wdrożyły AI do tworzenia treści, ale niemal nie zajęły się przeprojektowaniem pracy. Zinterpretowałbym to tak, że oba budżety są wydawane na przeprojektowanie niczego.
Co oznacza prośba o szkolenie
Gdy osoba zarządzająca prosi o szkolenie, zwykle kryje się za tym jeden z czterech warunków. Każdy z nich ma sygnał, który pozwala go rozpoznać, oraz odpowiedź, która nie jest kursem.
Cel nigdy nie został określony
Sygnałem jest to, że osoba zarządzająca nie potrafi odpowiedzieć na pytanie, jak wygląda sukces, bez opisywania aktywności. Wykorzystanie rośnie albo spada, ale nikt nie potrafi powiedzieć, co zespół powinien umieć zrobić, czego wcześniej nie potrafił. Ludzie eksperymentują bez konkretnego celu, a eksperymentowanie jest postrzegane jako brak adopcji.
Interwencją jest sesja robocza z osobą zarządzającą, podczas której definiuje się jeden mierzalny rezultat, a następnie cofa się do kompetencji, która mu służy.
Przepływ pracy nigdy nie został przeprojektowany
Sygnałem jest AI dołączona do procesu zbudowanego wokół ograniczenia, które AI usunęła. Łańcuchy zatwierdzania dopasowane do czasu, jaki wcześniej zajmowało przygotowanie treści. Przekazywanie zadań wynikające z tego, że dwie osoby korzystały z różnych narzędzi. Cykle weryfikacji dostosowane do wzorców ludzkich błędów, a nie do wzorców błędów modelu.
Ludzie używają narzędzia w ramach procesu, który karze ich za szybkość, jaką ono zapewnia. Interwencją jest mapowanie procesu z działem odpowiedzialnym za przepływ pracy, a wykonanie tego zadania nie należy wyłącznie do działu rozwoju kompetencji.
Wiedza ekspercka istnieje i pozostaje niewykorzystana
Sygnałem jest duże zróżnicowanie wyników w obrębie tego samego zespołu korzystającego z tych samych narzędzi. Zaawansowani użytkownicy już rozwiązali ten problem. Ich rozwiązania znajdują się w osobistych plikach projektowych i kartach przeglądarki.
Interwencja polega na wydobyciu i rozpowszechnieniu tej wiedzy, co McKay-Fleisch przedstawia jako wbudowanie wiedzy zaawansowanych użytkowników bezpośrednio w materiały i działania wsparcia wdrożeniowego, zamiast organizowania kolejnych sesji dla osób, które już znalazły rozwiązanie.
Załamała się dyscyplina przeglądania
Sygnałem jest wzorzec „workslop” — skargi na jakość wyników, które pochodzą od odbiorców, a nie od ich twórców. Wskaźniki zespołu wytwarzającego te wyniki wyglądają doskonale. Wolumen wzrasta, czas realizacji się skraca, a koszt został przeniesiony na kolejne stanowisko.
Interwencja polega na ustanowieniu standardu określającego, co podlega weryfikacji przed przekazaniem dalej, egzekwowanego przez menedżerów, a także na wykonaniu niekomfortowej pracy polegającej na uświadomieniu twórcom wytwarzającym duży wolumen, że ich wyniki częściowo stają się problemem kogoś innego.
Żadnego z tych czterech problemów nie rozwiąże program nauczania. Trzy z nich nie są problemami, za które wsparcie wdrożeniowe może odpowiadać samodzielnie — i właśnie dlatego wciąż trafiają do tego zespołu.
To samo polecenie, dwie odpowiedzi i program szkoleniowy, który nie może tego naprawić
Pod tym wszystkim kryje się warstwa techniczna, którą większość liderów obszarów personalnych zachęcano do ignorowania, a ignorowanie jej prowadzi do nieskutecznego wsparcia wdrożeniowego.
Pracownicy spotykają się ze sztuczną inteligencją w wielu miejscach. Istnieje asystent wbudowany w aplikację, wytrenowany na dokumentacji tej platformy i działający na rzeczywistych danych użytkownika.
Istnieje też model ogólnego przeznaczenia, który uzyskuje dostęp do tej samej platformy za pośrednictwem protokołu połączeń. Przykład McKay-Fleisch dotyczy prośby o zbudowanie pulpitu pokazującego, które projekty są realizowane zgodnie z planem, zagrożone lub opóźnione, z podziałem według portfela i właściciela.
Jego zdaniem wynik powinien być identyczny niezależnie od tego, gdzie użytkownik wpisze takie polecenie. Na wielu platformach obecnie tak nie jest.
Ta różnica wynika z architektury systemu, a szkolenie z poleceń nie jest w stanie jej zniwelować. Wsparcie wdrożeniowe może natomiast wiedzieć, które miejsce daje jaki rezultat, i jasno powiedzieć ludziom: w przypadku tego zadania przejdź tutaj.
Pominięcie tego elementu uczy pracowników, że narzędzia są zawodne — i jest to lekcja, którą zastosują szeroko oraz zapamiętają na dłużej niż cokolwiek zawartego w programie nauczania.
Drugą zmienną techniczną jest ilość kontekstu dostarczanego przez platformę w imieniu użytkownika. Model ogólnego przeznaczenia połączony z danymi biznesowymi nie rozumie automatycznie, co te dane oznaczają, jak są uporządkowane ani co aplikacja z nimi robi. Lepsze platformy ładują to rozumienie po stronie serwera, w postaci wielokrotnego użytku zestawów instrukcji, z których korzysta każdy podłączony użytkownik, nawet nie wiedząc o ich istnieniu. Smartsheet robi to za pomocą tego, co McKay-Fleisch nazywa „wbudowanymi umiejętnościami”.
Konsekwencja dla wsparcia wdrożeniowego jest bezpośrednia i ma wpływ na budżet. Gdy platforma dostarcza kontekst, ilość instrukcji dotyczących poleceń, których potrzebują użytkownicy, gwałtownie spada. Gdy tego nie robi, projektowanie poleceń i kontekstu staje się umiejętnością kluczową, a szkolenie musi odpowiednio ją obejmować.
Liderzy wsparcia wdrożeniowego powinni pytać dostawców, w którym z tych dwóch światów się znajdują. Odpowiedź wyznacza istotną część programu nauczania.
Dwa spojrzenia na tę samą organizację
Wskaźnik 12% osób w pełni gotowych skrywa podział. Wśród CIO i CTO 39% opisuje swoich pracowników jako w pełni gotowych. Wśród COO odsetek ten wynosi 7%.
Liderzy technologiczni mierzą wdrożenie na poziomie systemu: uruchomione licencje, działające integracje, zarejestrowane użycie. Liderzy operacyjni mierzą, czy praca stała się lepsza. Różnica wynosząca trzydzieści dwa punkty procentowe wskazuje na ogrom pracy, którą trzeba wykonać, aby odpowiedzieć na oba te pytania.
Rozkład miejsc, w których potrzebne jest wsparcie, jeszcze wyraźniej to pokazuje. Pracownicy pierwszej linii stanowią 37% przypadków, w których liderzy wskazują największą potrzebę wsparcia. Menedżerowie średniego szczebla odpowiadają za 30%. Wyższe kierownictwo odpowiada za 8%.
Osoby podejmujące decyzje dotyczące sztucznej inteligencji czują się wspierane. Dwie trzecie organizacji, które żyją z konsekwencjami tych decyzji, tego wsparcia nie odczuwa.
To właśnie wzorzec leżący u podstaw prośby o szkolenie. Lider, który czuje się odpowiednio wyposażony, obserwuje zespół, który taki nie jest, i sięga po interwencję niewymagającą od lidera żadnego działania. Prośba o więcej szkoleń to prośba, którą można spełnić bez zmiany sposobu organizacji pracy, tego, kto jest właścicielem poszczególnych decyzji, ani tego, co zespół ma wytwarzać.
Niemal nikt w tej próbie nie kwestionuje, że coś jest nie tak. Spór dotyczy tego, gdzie tkwi problem.
HR powinien przejąć ten obszar, zanim stanie się to rozwiązaniem domyślnym
Końcowa rekomendacja McKay-Fleisch skierowana do uczestników spotkania brzmiała: wróćcie do organizacji i ustalcie, kto odpowiada za przeprojektowanie przepływów pracy z wykorzystaniem sztucznej inteligencji. Zauważył, że przez pewien czas był to on, dopóki Smartsheet nie zatrudnił kogoś na to stanowisko.
W większości firm uczciwa odpowiedź brzmi: nikt. A kiedy nikt za to nie odpowiada, praca nie znika. Trafia do osoby, która jest najbliżej, zazwyczaj do L&D lub funkcji wspierającej wdrażanie, docierając w postaci kolejnych, pojedynczych próśb o szkolenia — bez mandatu i bez uprawnień do zmiany procesów, które faktycznie wymagają przeprojektowania.
Odziedziczenie tego w taki sposób to najgorsza forma odpowiedzialności za ten obszar. HR powinien świadomie przejąć odpowiedzialność za przeprojektowanie procesów pracy, wraz z budżetem i uprawnieniami, ponieważ alternatywą jest ponoszenie odpowiedzialności bez jednego i drugiego.
Argument za tym, by HR przejął ten obszar, nie ma charakteru sentymentalnego. Przeprojektowanie procesów pracy decyduje o tym, jakie stanowiska będą istnieć za trzy lata, czego będą wymagać i kto w firmie będzie miał możliwość przejścia na te stanowiska. To decyzje dotyczące ludzi, podejmowane jako produkt uboczny decyzji technologicznych. Pozostawienie ich osobom, które akurat konfigurują narzędzia, jest wyborem — i właśnie taki wybór większość organizacji obecnie podejmuje domyślnie.
Funkcja, która rozumie, jak zorganizowana jest praca, jak buduje się kompetencje i co dzieje się z ludźmi, gdy oba te elementy się zmieniają, powinna stać na czele tego obszaru. To stanowisko trzeba zająć, zanim struktura organizacyjna utrwali się wokół kogoś innego.
O co pytać
Kiedy pojawi się kolejny lider zespołu, nie otwieraj katalogu kursów. Zadaj dwa pytania.
- Jaki rezultat chcesz osiągnąć? Nie chodzi o większą adopcję ani częstsze korzystanie. Chodzi o coś, co można zmierzyć w samej pracy.
- W ramach jakiego procesu pracy ten rezultat jest osiągany i kto jest za niego odpowiedzialny?
Jeśli lider potrafi odpowiedzieć na oba pytania, masz podstawę do działania. Jeśli nie, szkolenie i tak nie miało szans zadziałać, a najbardziej użyteczną rzeczą, jaką może zrobić osoba pracująca w funkcji wspierającej wdrażanie, jest powiedzieć to głośno.
