Wiceprezes ds. Ludzi i Organizacji w firmie AI o statusie jednorożca mówi, że liderzy HR muszą stać się architektami zespołu ludzi i maszyn
Brad Wilkins wyjaśnia, jak liderzy HR mogą przeprojektować pracę z myślą o AI, jednocześnie pozostawiając ludzką ocenę, empatię i odpowiedzialność w centrum uwagi.
Brad Wilkins
Wiceprezes ds. Ludzi i Organizacji w firmie Cognite
Najpierw przeprojektowanie: Wiodące firmy przeprojektowują przepływy pracy i struktury organizacyjne z myślą o AI, zamiast dodawać narzędzia do przestarzałych procesów HR.
Szybsza diagnoza: Połączone dane dotyczące pracowników mogą w ciągu kilku godzin przekształcić słabe sygnały w rozwiązania problemów strukturalnych, usprawniając rekrutację, wdrażanie i utrzymanie pracowników.
Ludzka ocena: AI zajmuje się syntezą informacji i rutynowymi decyzjami, podczas gdy ludzie zachowują odpowiedzialność za empatię, kontekst, awanse i rozwiązania umów o pracę.
Umiejętności związane z przepływem pracy: Transformacja z wykorzystaniem AI odnosi sukces dzięki połączonym umiejętnościom i projektom, a nie bibliotekom poleceń, które zapewniają jedynie umiarkowany wzrost produktywności.
Ryzyko związane z wdrożeniem: Skuteczne wdrożenie wymaga laboratoriów nauki, ambasadorów w jednostkach biznesowych, podwójnych wskaźników oraz jasno określonej odpowiedzialności za pracę wspomaganą przez AI.
Brad Wilkins jest wiceprezesem ds. Ludzi i Organizacji w Cognite, przemysłowym jednorożcu AI. Dzięki dwóm dekadom doświadczenia w kierowaniu obszarem People w firmach SaaS i rozwijających się przedsiębiorstwach AI doskonale rozumie, jak AI zmienia HR.
W naszym wywiadzie powiedział nam, że najlepsze firmy nie tylko wdrażają AI — przeprojektowują całe swoje przedsiębiorstwa wokół AI. Oto jak.
Wyprzedzać zmiany
Nazywam się Brad Wilkins i jestem wiceprezesem ds. Ludzi i Organizacji w Cognite, przemysłowym jednorożcu AI. Pełnię funkcję strategicznego partnera biznesowego HR dla naszych liderów wykonawczych w Europie, Indiach, na Bliskim Wschodzie, w Japonii i obu Amerykach, ale ważniejsza od jakiegokolwiek pojedynczego stanowiska jest wspólna nić ostatnich dwudziestu lat.
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
Pięć stanowisk wiceprezesa i dyrektora ds. zasobów ludzkich w rozwijających się firmach SaaS i AI, a także pełniona obecnie funkcja partnera w funduszu VC inwestującym w branże regulowane, dały mi wyjątkową perspektywę. Obserwowałem ten sam schemat w ponad tuzinie firm i wcześnie reagowałem na zmiany na rynku pracy, które reszta HR uznawała za przedwczesne.
Dziesięć lat temu w Altisource zlikwidowaliśmy coroczną ocenę wyników i zastąpiliśmy ją tym, co nazwaliśmy „oceną wpływu”. Ta sama rozmowa, ale z zupełnie innym punktem ciężkości. Mierzyliśmy to, co ludzie osiągnęli, a nie to, co robili. Zmniejszyliśmy rotację na wczesnym etapie z 14% do 4% i zwiększyliśmy utrzymanie najlepszych pracowników z 48% do 98%.
Ta decyzja okazała się trafna. W Loadsmart potroiliśmy wycenę do 1,3 miliarda dolarów, jednocześnie podwajając zatrudnienie w 21 krajach. W Collibra przeprowadziliśmy firmę przez gwałtowne zmiany zatrudnienia z 600 do 450, a następnie do 825 osób podczas pandemii COVID, nie tracąc przy tym siły napędowej. Żadne z tych działań nie było inicjatywą HR. Były to decyzje biznesowe, które akurat poprowadziła funkcja ds. pracowników.
Obecny moment jest większą wersją wszystkich tych decyzji. Raport Deloitte „Trendy w kapitale ludzkim 2026” przedstawia go jako punkt zwrotny: 7 na 10 liderów twierdzi obecnie, że w ciągu najbliższych trzech lat ich główną przewagę konkurencyjną będzie stanowić szybkość i zdolność adaptacji, a nie skala.
Indeks AI Stanforda pokazuje tę samą krzywą kompresji po stronie technologii. Istnieje również 60-punktowa różnica między liderami, którzy twierdzą, że celowe projektowanie współpracy człowieka z AI ma znaczenie, a tymi, którzy faktycznie wykonują tę pracę. Ta luka jest prawdziwą historią 2026 roku.
Najbardziej zdecydowane firmy nie korzystają z AI w HR — przebudowują HR wokół AI. Schematy organizacyjne obejmują teraz agentów jako osobne pola, a nie tylko ludzi. Poszczególni pracownicy kierują zespołami sześcioosobowymi, w których wszystkie sześć osób podlegających im bezpośrednio to agenci.
Moderna połączyła HR i IT w jedną funkcję pod kierownictwem dyrektora ds. Ludzi i Technologii Cyfrowych. Walmart opisuje swoją transformację jako „prowadzoną przez ludzi i napędzaną technologią”. Disney powołał dyrektora ds. AI i Współpracy.
Stanowisko dyrektora ds. zasobów ludzkich staje się rolą architekta hybrydowej siły roboczej człowiek–maszyna, a nie lidera rekrutacji. Umiejętności tracą na wartości szybciej, niż mogą to śledzić roczne cykle, a każdy proces, którego nie przeprojektowaliście, składa się na to, co BCG i EY nazywają obecnie „długiem talentów” — niewykorzystanym potencjałem uwięzionym w starej logice organizacyjnej.
Tak to widzę i powiem to wprost, ponieważ uważam, że branża wciąż obchodzi ten temat na palcach: AI jako narzędzie to absolutne minimum. AI jako sposób myślenia — na tym polega prawdziwa praca.
Zmiana nie polega na tym, że „dodajmy asystenta do rekrutacji”. Polega na założeniu, że agent może wykonać część pracy, a następnie prześledzeniu procesu wstecz, aby ustalić, gdzie człowiek jest naprawdę potrzebny — nazywam to dowodzeniem negatywnym.
Chodzi o zrozumienie, że czwartym odbiorcą treści szkoleniowych jest teraz sam LLM. O zaakceptowanie, że IT prawdopodobnie powinno ponownie znaleźć się w ramach funkcji People. O uznanie, że pracownicy ze stażem od czterech do dziesięciu lat mogą być teraz bardziej zagrożeni niż osoby na początku kariery, ponieważ nowi absolwenci są rodzimymi użytkownikami AI, a pracownicy w połowie kariery wciąż bronią procesu pracy, którego opanowanie zajęło im dekadę.
Moim zadaniem jest wyprowadzić organizację w tę przyszłość przed innymi, a nie pozostawać za nimi.
Jak AI skraca czas między słabym sygnałem a strukturalnym rozwiązaniem
Największą zmianą nie było narzędzie, które wdrożyliśmy. Było nią skrócenie czasu między słabym sygnałem dotyczącym siły roboczej a strukturalnym rozwiązaniem.
Dominującym modelem operacyjnym w naszej dziedzinie był historycznie model, w którym dane dotyczące zaangażowania znajdują się tutaj, dane dotyczące wyników — tam, informacje z ankiet przeprowadzanych wśród nowych pracowników — w trzecim systemie, metadane kalendarza i ewidencji czasu pracy — w czwartym, a ktoś raz na kwartał przygotowuje syntezę, która trafia do kadry kierowniczej sześć tygodni po tym, jak mogła mieć znaczenie.
Zbudowaliśmy naszą funkcję personalną na tej samej architekturze, którą nasza firma sprzedaje klientom przemysłowym: łączymy rozproszone dane w jeden graf, nakładamy na niego warstwę agentową i pozwalamy systemowi ujawniać zależności, których ludzie działający samodzielnie nie dostrzegliby na czas.
Niedawny przykład: ankieta przeprowadzona wśród nowych pracowników po 90 dniach wykazała słabą więź z menedżerem. Niezależnie od tego dane z ewidencji czasu pracy pokazywały, że kalendarz tego menedżera został po cichu przejęty przez działania przedsprzedażowe, które w rzeczywistości nie należały do jego zakresu obowiązków — zajmowały mniej więcej połowę tygodnia.
Trzy lata temu byłyby to dwa niezwiązane ze sobą punkty danych w dwóch niezależnych systemach, wykryte przez dwóch różnych analityków w odstępie sześciu tygodni. Do tego czasu albo stracilibyście nowego pracownika, albo utrwalilibyście strukturalny problem w tej roli. Dzięki temu, że AI porównuje sygnały w czasie rzeczywistym, diagnoza zajęła kilka minut.
Kiedy wykryliśmy niewłaściwie przydzieloną pracę przedsprzedażową, nie ograniczyliśmy się do uporządkowania kalendarza menedżera. Wróciliśmy do opisu rodziny stanowisk, ponownie przeanalizowaliśmy, czy ta praca w ogóle powinna należeć do tej roli, sprawdziliśmy punkty odniesienia dotyczące porównywalnych firm i podjęliśmy strukturalną decyzję o tym, gdzie ta praca powinna być realizowana.
Ćwiczenie, które historycznie pochłonęłoby tygodnie pracy partnera biznesowego HR — wyszukiwanie opisów stanowisk, porównywanie ich z danymi zewnętrznymi i mapowanie odpowiedzialności — zostało wykonane w około trzy godziny.
Jak AI zmienia funkcję personalną
Istotna zmiana zachowania nie polega na tym, że „teraz używamy AI w HR”. Wiele organizacji może tak powiedzieć. Zmiana polega na tym, że czas między słabym sygnałem a decyzją strukturalną skrócił się mniej więcej stukrotnie. To zmienia to, czym jest funkcja personalna.
Planowanie zatrudnienia przestaje być kwartalnym dokumentem, a staje się praktyką realizowaną we wtorkowe popołudnia. Zarządzanie kompetencjami przestaje być statyczną taksonomią, a staje się stale aktualizowaną mapą. Rola partnera biznesowego funkcji personalnej przestaje polegać na prowadzeniu procesu, a zaczyna na orkiestracji systemu.
Liczy się wpływ na dalsze działania. Każda kolejna osoba zatrudniana w tym zespole zaczyna dziś od opisu stanowiska, który odzwierciedla rzeczywiście wykonywaną pracę, a nie pracę wyobrażoną w momencie tworzenia tej roli. Skraca się czas wdrożenia. Spada koszt zatrudnienia. Rośnie jakość spotkań 1:1 z menedżerem, ponieważ menedżer nie jest już ciągnięty w piętnaście różnych stron.
Nic z tego nie pojawia się jako efektowne wdrożenie AI — nie ma chatbota, z którym pracownicy wchodzą w interakcję. Organizacja działa jednak w mierzalnie odmienny sposób. Uważam, że właśnie na takiej zmianie liderzy funkcji personalnej powinni się wzorować, a nie na pytaniu: „czy wdrożyliśmy asystenta AI?”.
Kiedy pytanie brzmi: „Dlaczego tego nie może robić AI?”
Wprowadzamy generatywną AI we wszystkich tych obszarach za pomocą uporządkowanych bibliotek promptów — nie korzystamy z niej ad hoc i nie mówimy: “sam się domyśl.”… Traktuję to jako dobrą wiadomość, ponieważ to, co pozostaje, to konkretna praca strategiczna i wymagająca empatii, którą naprawdę chciałem wykonywać, wchodząc do tej dziedziny.
Każdy przepływ pracy przechodzi przez filtr AI na pierwszym miejscu — pytanie nie brzmi: „Gdzie AI mogłaby tu pomóc?”, lecz: „Dlaczego tego nie może robić AI?”.
To, co przedostaje się na drugą stronę, to rzeczy, które rzeczywiście wymagają kapitału ludzkiego, ludzkiej oceny lub ludzkiej empatii. Odwrócenie pytania jest kluczowym posunięciem. Zmusza do każdorazowego udowodnienia, że czegoś nie da się zautomatyzować, i ujawnia ogromną ilość pracy, której nikt dobrowolnie nie przekazałby AI.
Co AI wykonuje teraz za mnie: syntezę rozproszonych danych dotyczących pracowników, analizę ról i architektury stanowisk, tworzenie wersji roboczych (opisów stanowisk, komunikacji, wytycznych dotyczących polityk i prezentacji dla kadry kierowniczej), coaching menedżerów w zakresie jakości rozmów rekrutacyjnych, rozpoznawanie wzorców w sygnałach dotyczących zaangażowania i nastrojów, dopasowywanie pracowników do możliwości na wewnętrznym rynku talentów oraz wstępną interpretację polityk.
Wprowadzamy generatywną AI we wszystkich tych obszarach za pomocą uporządkowanych bibliotek promptów — nie korzystamy z niej ad hoc i nie mówimy: „sam się domyśl”. Gdybym miał wyrazić to liczbą, powiedziałbym, że mniej więcej połowa tego, jak wyglądała moja praca pięć lat temu, została skompresowana lub wyeliminowana. Traktuję to jako dobrą wiadomość, ponieważ to, co pozostaje, to konkretna praca strategiczna i wymagająca empatii, którą naprawdę chciałem wykonywać, wchodząc do tej dziedziny.
Dlaczego rzeczywista dźwignia tkwi we wkładzie, a nie w wynikach
AI jest tylko tak dobre, jak dane wejściowe i specjalista, który za nim stoi. Nie słyszę, by wystarczająco wielu liderów o tym mówiło.
Cała dziedzina koncentrowała się na uzyskiwaniu lepszych wyników, podczas gdy rzeczywista dźwignia znajduje się po stronie danych wejściowych. To samo narzędzie, dwóch specjalistów i skrajnie różne rezultaty. Decyzje oparte na osądzie — dotyczące ludzi, kultury, tego, komu należy okazać wyrozumiałość, a z kim trzeba odbyć jasną rozmowę — to właśnie dane wejściowe. Jeśli pominiesz pracę na początku, mechanizmy działające później nie mają znaczenia.
Dlatego moja odpowiedź na pytanie „Co pozostaje domeną człowieka?” brzmi również: „Co w ogóle sprawia, że warto uruchamiać AI?”. Najlepsi liderzy przechodzą od modelu człowieka w pętli do modelu człowieka na czele. AI wykonuje zadanie, a człowiek podejmuje decyzję.
Jak rozpoznać, jaki rodzaj pracy powinien „pozostać domeną człowieka”
AI doskonale wskazuje, do której kategorii ktoś może należeć. AI fatalnie radzi sobie z przeprowadzeniem rozmowy, która następuje później. To samo dotyczy awansów. AI może pokazać, kto jest gotowy, na podstawie sygnałów dotyczących kompetencji, ale decyzja o tym, czy ktoś jest gotowy na osąd wymagany na kolejnym poziomie, jest zasadniczo ludzką oceną.
Gdzie AI przejmuje prowadzenie, a człowiek zatwierdza: synteza danych dotyczących pracowników i wykrywanie wzorców, wstępna analiza architektury ról, tworzenie projektów polityk i standardowej komunikacji, podsumowywanie ocen pracowniczych, analiza nastrojów i zaangażowania, coaching menedżerów podczas rozmów na podstawie transkrypcji, wstępna selekcja spraw pracowniczych oraz relacji z pracownikami, dopasowywanie kandydatów do modeli kompetencji i interpretacja polityk w przypadku rutynowych pytań.
Gdzie AI pomaga, a człowiek prowadzi: kompromisy związane z planowaniem zatrudnienia, decyzje sukcesyjne, filozofia wynagrodzeń i projektowanie systemów nagród, decyzje dotyczące struktury organizacyjnej oraz kalibracja ocen talentów. AI dostarcza mi lepszych danych wejściowych, szybszych scenariuszy i rozpoznawania wzorców, których sam bym nie wychwycił. To ja podejmuję decyzję.
Gdzie AI nie ma prawa głosu: zwolnienia, awanse, wrażliwe rozmowy dotyczące wyników pracy, rozmowy końcowe, decyzje dotyczące głębokości zaplecza przywódczego, wszystko, co wiąże się z oceną, czy intencje danej osoby są zgodne z organizacją, oraz każda chwila wymagająca odczytania nastroju w pomieszczeniu. Powód jest prosty: takie momenty wymagają empatii, a empatia to jedyna kompetencja, w przypadku której nie widzę wiarygodnych dowodów na to, że AI w znaczącym czasie zmniejszy dystans dzielący ją od wykwalifikowanych ludzi. To nie jest wąskie gardło, lecz atut kulturowy, zakorzeniony w głębokim przekonaniu, że konsensus i sprawiedliwość są przewagami konkurencyjnymi, a nie spowolnieniami. Broniłbym tego podejścia przed każdym argumentem dotyczącym efektywności, jaki mogłaby przedstawić AI.
Fintech, który ogłosił zastąpienie 700 pracowników obsługi klienta przez AI, a teraz po cichu ponownie ich zatrudnia, to przestroga, którą każdy lider ds. pracowników powinien śledzić. AI poradziła sobie z szybkością i skalą. Nie poradziła sobie z empatią i przypadkami nietypowymi. Liderzy, którzy w 2026 roku stawiają przeciwko ludzkiemu osądowi, w 2027 roku będą pisać przepraszające posty na LinkedInie.
Gdzie AI wygrywa w HR
Szumu jest sporo. AI przynosi znaczące korzyści.
Czas od pojawienia się sygnału do podjęcia działania w kwestiach dotyczących pracowników skrócił się z tygodni do godzin. Jakość rozmów menedżerów wyraźnie się poprawiła, gdy zaczęliśmy uruchamiać skrypty coachingowe na podstawie transkrypcji — kiedy pokażesz menedżerowi dane wskazujące, że 90% jego pytań podczas rozmowy kwalifikacyjnej miało charakter zamknięty albo że mówił przez 85% czasu, zaczyna to korygować. Większość z nich chce być lepsza, ale wcześniej nie miała lustra, w którym mogłaby się przejrzeć.
Czas obsadzania stanowisk znacząco się skrócił, gdy przestaliśmy traktować nazwy stanowisk jako jednostkę pracy i zaczęliśmy dopasowywać kandydatów do wywnioskowanych kompetencji. Odsetek odejść, których żałujemy, utrzymuje się znacznie poniżej 5% — nie wyłącznie dzięki AI, ale częściowo dlatego, że teraz wychwytujemy problemy z wdrożeniem i problemy wynikające z braku kontaktu z menedżerem, gdy wciąż można je naprawić.
Adopcja wewnętrznych narzędzi AI znacznie przyspieszyła, gdy zamiast tradycyjnych szkoleń klasowych stworzyliśmy warsztatowe laboratoria nauki, w których wcześni użytkownicy uczą swoich kolegów w toku pracy.
Najbardziej ekscytuje mnie wzorzec, w którym AI uwidacznia wcześniej niewidoczną pracę — menedżera, którego kalendarz uległ rozregulowaniu, nowo zatrudnioną osobę, której wdrożenie zaczyna przebiegać nieprawidłowo, czy wysokowydajnego pracownika, którego zaangażowanie zaczyna spadać. Wcześniej nic z tego nie było możliwe do szybkiego odczytania.
Gdzie AI nie spełnia oczekiwań
W 2025 rok wkroczyłem, oczekując, że AI pomoże kalibrować oceny wyników pracy w zespołach — wskazując niespójności, ujawniając potencjalne uprzedzenia i pomagając w porównywaniu wynagrodzeń. W niektórych z tych obszarów radzi sobie dobrze. Jednak najważniejszą częścią kalibracji jest rozmowa liderów o tym, czy dana osoba, na danym poziomie i w danym kontekście, osiąga wyniki zgodne z naszymi potrzebami.
AI jest tutaj dość słabym wsparciem. Zbyt duża część wyników pracy zależy od kontekstu, relacji i przyszłych perspektyw. AI dobrze rozpoznaje wzorce na podstawie danych historycznych. To nie jest jednak to samo.
Drugim obszarem, w którym AI zawodzi, jest rzeczywiście nowatorskie projektowanie organizacji. AI może powiedzieć, jak porównywalne firmy zorganizowały funkcje dostarczania wartości, organizacje odpowiedzialne za wejście na rynek czy zespoły finansowe.
Znacznie gorzej radzi sobie z projektowaniem czegoś, czego właściwie nikt wcześniej nie zrobił, na przykład struktury funkcjonalnej zakładającej, że agenci są bezpośrednimi podwładnymi, a ludzie zarządzają zespołami agentów. Projektowanie organizacji z myślą o przyszłości nadal jest w większości domeną ludzi i spodziewam się, że jeszcze przez jakiś czas tak pozostanie.
Trzecim obszarem, w którym AI zawodzi, jest planowanie sukcesji przywództwa. AI może porównać kompetencje z wymaganiami stanowiska, ale nie potrafi powiedzieć, kto ma kapitał polityczny, relacje lub kredyt zaufania wśród zespołu wykonawczego, aby rzeczywiście odnieść sukces na wyższym stanowisku. Sukcesja przywództwa jest w swojej istocie problemem ludzkiego zaufania i mam wątpliwości, czy AI rozwiąże go w użytecznym terminie.
AI nie spełniło również obietnicy platformy typu „wszystko w jednym”. Większość dostawców technologii HR, którzy w 2024 roku promowali pojedynczą, zintegrowaną platformę opartą na AI, dostarczyła pulpit z chatbotem doczepionym z boku.
Prawdziwa wartość wynika z łączenia wyspecjalizowanych narzędzi za pomocą ustrukturyzowanych poleceń i przepływów pracy, za które rzeczywiście odpowiadają praktycy. Każdy, kto sprzedaje ci skonsolidowaną platformę, sprzedaje ci plan rozwoju, a nie produkt.
W szerszym ujęciu AI nie zastąpiło dojrzałej oceny. AI zapewnia szybkość, skalę i rozpoznawanie wzorców. Nie uwzględnia empatii, wyjątkowych przypadków ani momentów wymagających ludzkiej oceny: trudnej rozmowy, osądu dotyczącego tego, czy ktoś znajduje się w sytuacji „nie wiem, jak to zrobić”, czy „naprawdę nie potrafię”, a także odczytania kulturowego kontekstu w pomieszczeniu. To właśnie ta wartościowa praca, którą chcę, aby praktycy wykonywali częściej, a nie rzadziej.
A oto kwestia, którą najbardziej chciałbym, aby liderzy obszaru HR przyjęli do wiadomości: AI nie udowodniło, że pracownicy na poziomie początkującym są najbardziej zagrożeni. Powszechne przekonanie, że można zastąpić młodszych pracowników agentami, jest moim zdaniem całkowicie błędne. Osoby kończące studia są rodzimymi użytkownikami AI. Nie trzeba ich do tego przekonywać.
W rzeczywistości zagrożeni są pracownicy ze stażem od czterech do dziesięciu lat — osoby, które zbudowały swoją karierę, doskonaląc proces pracy, który AI skraca teraz do kilku minut, i których odruchem jest bronienie tego procesu zamiast jego przebudowania z wykorzystaniem nowych możliwości. To właśnie w tym obszarze należy przeznaczyć środki na rzeczywiste podnoszenie kwalifikacji.
Wreszcie AI nadal ma trudności z niuansowym tłumaczeniem kulturowym w różnych regionach. W Europie, Indiach, na Bliskim Wschodzie, w Japonii i obu Amerykach widziałem znaczące różnice w skuteczności, gdy modele napotykały dialekty, kontekst kulturowy lub niuanse lokalnego prawa pracy. Nadal polegamy na lokalnej ludzkiej ocenie we wszystkim, co ma kulturowe uwarunkowania. Technologia zniweluje tę lukę. Jeszcze tego nie zrobiła.
Jak wdrożenie przepływu pracy opartego na AI zmienia proces rekrutacji
Oto przepływ pracy, z którego jestem najbardziej dumny. Myślę, że pokazuje on, jak będzie wyglądać ta dziedzina za trzy lata, a większość działów HR jeszcze go nie zbudowała.
Obejmuje on cały cykl życia rekrutacji — od opisu stanowiska po informacje zwrotne z wdrożenia — realizowany jako jeden połączony przepływ pracy oparty na stworzonej przez nas niestandardowej umiejętności Claude. Rekrutacja jest idealnym przypadkiem do omówienia, ponieważ właśnie tutaj większość organizacji ma największe problemy z jakością danych, największe różnice w zachowaniach menedżerów i najmniejszą tolerancję na błędy.
Przejdźmy przez ten proces krok po kroku:
Krok 1: Zebranie wymagań
Menedżer ds. rekrutacji zgłasza potrzebę. Umiejętność przeprowadza z nim ustrukturyzowany wywiad głosowy lub tekstowy, ujawniając cele na dwanaście miesięcy, relacje z partnerami i braki dyskwalifikujące kandydata.
Porównuje jego odpowiedzi z planem zatrudnienia działu finansowego, obecnym rozkładem wyników zespołu oraz wcześniejszymi opisami stanowisk menedżera, aby wskazać niespójności, zanim ktokolwiek napisze choć jedno słowo.
Krok 2: Triangulacja interesariuszy
Dwie lub trzy rozmowy z osobami na równorzędnych stanowiskach i bezpośrednimi podwładnymi, każda trwająca piętnaście minut, zebrane w jedną zbiorczą potrzebę. Umiejętność wskazuje luki między intencjami menedżera a rzeczywistością zespołu i ujawnia je w celu rozwiązania, zanim rola zostanie opublikowana na zewnątrz.
Krok 3: Generowanie materiałów
Opis stanowiska z sekcją dotyczącą rzeczywistego wpływu, ustrukturyzowany przewodnik po rozmowie rekrutacyjnej przypisany do poszczególnych rund oraz zakotwiczona skala ocen 1–4 z opisami zachowań. Wszystkie trzy materiały są wersjonowane, możliwe do audytowania i edytowania przez partnera biznesowego ds. kadr i organizacji przed uruchomieniem procesu.
Krok 4: Rozmowy rekrutacyjne na żywo
Każda osoba prowadząca rozmowę ma przed sobą skalę ocen i pytania. Rozmowy są transkrybowane (za zgodą uczestników), a umiejętność wskazuje obserwacje w czasie rzeczywistym: jakość pytań, proporcję czasu wypowiedzi, odbieganie od tematu oraz zgodność ze skalą ocen.
Krok 5: Ocenianie i agregowanie wyników
Każda osoba prowadząca rozmowę przyznaje ocenę zgodnie z zakotwiczoną skalą bezpośrednio po rozmowie. Wyniki są agregowane względem średnich dla filarów i kompetencji. Umiejętność wskazuje osoby prowadzące rozmowy, których wyniki odbiegają od pozostałych — kogoś, kto wszystkim przyznaje ocenę 4, albo kogoś, kto znacząco nie zgadza się z resztą zespołu — aby partner biznesowy ds. kadr i organizacji mógł się tym zająć.
Krok 6: Decyzja
Podsumowanie prowadzone przez ludzi, ze strukturyzowanymi punktami do dyskusji, średnimi wynikami ze skali ocen oraz wszelkimi wskazanymi niespójnościami dostarczonymi przez umiejętność. Decyzję podejmują ludzie, ale przygotowanie jest zautomatyzowane.
Krok 7: Wdrożenie
Umiejętność generuje binarne cele na 30/60/90 dni, częstotliwość spotkań kontrolnych z menedżerem oraz ustrukturyzowane pytania pulsowe. Każdy sygnał z badania pulsowego z czasem zasila dane dotyczące oceny kandydata.
Krok 8: Pętla informacji zwrotnych dotyczących jakości zatrudnienia
Po sześciu miesiącach system koreluje wyniki rozmów rekrutacyjnych z rzeczywistym tempem osiągania samodzielności i satysfakcją menedżera. Trafność ocen osób prowadzących rozmowy kumuluje się przy kolejnych zatrudnieniach. Ujawniają się wzorce — którzy menedżerowie dobrze oceniają konkretne kompetencje, w przypadku których ról regularnie popełnia się błędy oraz które sygnały z rozmowy najsilniej przewidują sukces.
Cała pętla działa jako jeden połączony system. Praca, która wcześniej zajmowała partnerowi biznesowemu ds. kadr i organizacji dwa tygodnie fragmentarycznych działań w pięciu narzędziach, teraz zajmuje kilka godzin skoncentrowanego przeglądu dokonywanego przez ludzi w ramach jednego procesu. A jakość jest lepsza, ponieważ każdy etap jest kalibrowany względem etapów, które go poprzedzają i następują po nim. To właśnie w praktyce oznacza kompleksowość od początku do końca.
O sukcesie nie decyduje narzędzie. Decyduje strukturalne zobowiązanie, zgodnie z którym umiejętność wykonuje ciężką pracę, a człowiek wykonuje ciężką pracę związaną z osądem. Każdy materiał tworzony przez umiejętność Claude'a jest wersją roboczą, a nie decyzją. Menedżer ds. rekrutacji nadal odpowiada za definicję roli. Osoby prowadzące rozmowy nadal odpowiadają za swoje oceny. Decyzja o zatrudnieniu nadal zapada w pomieszczeniu, w którym ludzie rozstrzygają, czy to właśnie ta osoba.
To, co wyeliminował ten proces, to żmudne zadania, które historycznie pojawiały się między momentami wymagającymi osądu — ponowne formatowanie, przepisywanie, ręczna kalibracja oraz analiza wykonywana po fakcie, na którą nikt nie miał czasu. Ludzie odzyskali czas na osąd. System stał się bardziej rygorystyczny. Praca stała się ciekawsza. To właśnie taka wymiana powinna zachodzić w każdej funkcji ds. kadr i organizacji.
Dlaczego polecenia są niewłaściwą jednostką pracy
Gdybym wiedział o tym wcześniej, pominąłbym miesiące porządkowania biblioteki poleceń, które wszyscy w naszej branży tworzyli, i od razu przeszedłbym do projektowania umiejętności… Liderzy, którzy jako pierwsi zaczną myśleć kategoriami umiejętności, będą wyglądać tak, jakby działali w innej dekadzie niż ci, którzy nadal prowadzą biblioteki poleceń.
Kiedy większość liderów ds. kadr i organizacji uruchamia swoją pierwszą inicjatywę związaną ze sztuczną inteligencją, rozpoczyna ją jako projekt dotyczący poleceń.
Oto świetne polecenie do tworzenia opisów stanowisk. Oto świetne polecenie do podsumowywania głównych tematów z badania zaangażowania. Oto świetne polecenie do przygotowywania informacji zwrotnych do oceny pracowniczej.
Praktycy uczą się poleceń, zapisują je we wspólnym dokumencie i mają poczucie produktywności. Kierownictwo ma wrażenie, że dokonuje się postęp. Wskaźniki adopcji rosną. Sześć miesięcy później przyglądasz się temu, gdzie rzeczywiście zgromadziła się wartość, a odpowiedź brzmi: niezbyt wiele.
Polecenia są pierwszym ruchem. Nie są jednostką pracy.
Jednostką pracy jest umiejętność lub projekt — uporządkowana, wieloetapowa zdolność, która pobiera dane wejściowe z wielu źródeł, realizuje spójny proces na ich podstawie, wytwarza określony rezultat i z czasem się doskonali, ucząc się na podstawie wyników.
Opisany wcześniej przeze mnie proces rekrutacyjny jest umiejętnością, a nie poleceniem. Jako dane wejściowe wykorzystuje dane finansowe, informacje od menedżera, opinie współpracowników, wzorce historycznych wyników oraz uporządkowane modele kompetencji. Jako wyniki tworzy opisy stanowisk, przewodniki po rozmowach kwalifikacyjnych, kryteria oceny, zbiorcze wyniki punktowe, plany wdrożenia i sygnały z pętli sprzężenia zwrotnego. Doskonali się przy każdym zatrudnieniu, ponieważ wykorzystuje dane dotyczące rezultatów. Pojedyncze polecenie nie robi żadnej z tych rzeczy. Umiejętność — tak.
Powód, dla którego to rozróżnienie ma znaczenie operacyjne, jest taki, że organizacje koncentrujące się na poleceniach zwykle zatrzymują się na wzroście produktywności w granicach 10-20% — to przydatne, ale nie przełomowe.
Organizacje koncentrujące się na umiejętnościach i projektach odblokowują przeprojektowanie procesów na poziomie przepływów pracy, które przynosi skokową poprawę. Organizacja pierwszego typu uprzemysławia to, co już robi. Organizacja drugiego typu rzeczywiście działa inaczej.
Gdybym wiedział o tym wcześniej, pominąłbym miesiące selekcjonowania i porządkowania bibliotek poleceń, czym zajmowali się wszyscy w naszej branży, i od razu przeszedłbym do projektowania umiejętności. Inwestowałbym w praktyków, którzy potrafili myśleć kategoriami przepływów pracy, a nie w tych, którzy dobrze pisali sprytne polecenia.
Wcześniej zbudowałbym warstwę integracji danych — połączenia między naszymi systemami zarządzania personelem, systemami finansowymi, narzędziami produktywności i sygnałami zaangażowania — ponieważ umiejętności są tak dobre, jak dobre są dane, do których mają dostęp.
Liderzy, którzy jako pierwsi zaczną myśleć kategoriami umiejętności, będą wyglądać tak, jakby działali w innej dekadzie niż ci, którzy wciąż korzystają z bibliotek poleceń.
Rady dla liderów przechodzących transformację opartą na sztucznej inteligencji
Transformacja oparta na sztucznej inteligencji jest zasadniczo problemem kapitału ludzkiego przebranym za problem technologiczny. Technologia jest łatwą częścią. Twoja praca — i moja — to trudniejsza część. I właśnie stała się ciekawsza niż kiedykolwiek w ciągu ostatnich dwudziestu lat.
Po pierwsze: Zacznij od pracy, nie od narzędzia. Przepuść każdy przepływ pracy przez sito — dlaczego nie można tego zrobić za pomocą sztucznej inteligencji? — zanim zapytasz, które narzędzie kupić. Jeśli nakładasz sztuczną inteligencję na zepsuty proces, uprzemysławiasz dysfunkcję. Narzędzie nie jest strategią, strategią jest przeprojektowanie pracy. Większość znanych mi liderów, którzy mają poczucie, że sztuczna inteligencja nie przyniosła rezultatów, to liderzy, którzy pominęli ten krok.
Po drugie: Przejdź od sztucznej inteligencji jako narzędzia do sztucznej inteligencji jako sposobu myślenia. To właśnie odróżnia liderów, których szanuję, od liderów, którzy w 2027 roku będą nadrabiać zaległości. Myślenie kategoriami narzędzi daje ci asystentów w ramach istniejącego oprogramowania. Myślenie kategoriami sposobu myślenia daje ci schematy organizacyjne, w których agenci zajmują pola obok ludzi, specjalistów kierujących zespołami sześciu bezpośrednio podległych im agentów sztucznej inteligencji, funkcje uczenia się, które uznają, że ich czwartym odbiorcą jest sam model językowy, modele kompetencji obejmujące pracę cyfrową jako pełnoprawnego uczestnika oraz funkcje IT, które prawdopodobnie powinny znajdować się w organizacji zajmującej się personelem, zamiast być ulokowane w finansach. Perspektywa pracy jako systemu zdolności zastępuje perspektywę pracy jako zbioru nazw stanowisk, a organizacje, które jako pierwsze to osiągną, będą działać fundamentalnie inaczej niż te, które tego nie zrobią.
Po trzecie: Poświęcaj nieproporcjonalnie dużo czasu danym wejściowym. Jakość każdego wyniku pracy sztucznej inteligencji zależy od polecenia, kontekstu i osądu praktyka na wejściu. Liderzy osiągający przyspieszenie to ci, którzy budują uporządkowane biblioteki poleceń tak, jak budowaliby model kompetencji. Liderzy narzekający, że sztuczna inteligencja nie przyniosła rezultatów, to ci, którzy wpisali trzy zdania do chatbota i oczekiwali magii. Traktuj bibliotekę poleceń jako zasób organizacyjny. Zarządzaj nią. Ulepszaj ją. Szkol ludzi w zakresie jej stosowania.
Po czwarte: Przedstaw swoim ludziom pełny obraz sytuacji. Zaufanie załamuje się, gdy pracownicy słyszą „transformacja oparta na sztucznej inteligencji” i wyobrażają sobie zwolnienia. Zaufanie odbudowuje się, gdy liderzy widocznie sami korzystają z narzędzi i pokazują ludziom, czym ich praca się stanie, a nie tylko co zostanie im odebrane. Inżynierowie przestają programować i zaczynają pracować po lewej oraz po prawej stronie kodu — nad architekturą, osądem, przekładaniem potrzeb klientów i projektowaniem systemów. Sprzedawcy przestają zajmować się porządkowaniem danych w systemie zarządzania relacjami z klientami i zaczynają budować głębsze relacje z klientami. Partnerzy biznesowi ds. personalnych przestają realizować procesy i zaczynają koordynować systemy. To praca nad zobrazowaniem przyszłości odróżnia sytuację, w której sztuczna inteligencja wzmacnia kulturę, od sytuacji, w której ją wydrąża. Zaufanie do pracodawców spada; nie możesz uznawać go za coś oczywistego.
Po piąte: Posadź drzewo. Moje ulubione chińskie przysłowie mówi: najlepszy czas na posadzenie drzewa był dwadzieścia lat temu. Drugi najlepszy czas jest teraz. Większość liderów ds. personalnych, z którymi rozmawiam, jest sześć do dwunastu miesięcy za miejscem, w którym — jak sądzą — się znajduje. Krzywa przyspieszenia jest bardziej stroma, niż zakładaliście w swoich modelach. Twórz laboratoria uczenia się, a nie sale lekcyjne, wyznaczaj ambasadorów sztucznej inteligencji w każdej jednostce biznesowej i zaakceptuj, że odpowiedź, której udzielisz na to pytanie za trzy miesiące, będzie jedynie ułamkiem odpowiedzi, której udzieliłbyś dzisiaj. To nie jest problem do rozwiązania. To warunek działania.
Trzy sposoby załamania wdrażania sztucznej inteligencji
Dział inżynieryjny i produktowy natychmiast zaczął korzystać z AI. Trudności miały te funkcje — te, których nazwy chciałbym uprzejmie nie wymieniać — które były ogólne i administracyjne, a wykonywana w nich praca była najbardziej zbliżona do tego, co duże modele językowe robią natywnie, a osoby pracujące w tych obszarach miały najmniej wyrobionej praktyki w korzystaniu z tych narzędzi. Jest w tym głęboka ironia.
Funkcje, które miały najwięcej do zyskania, najwolniej się angażowały, ponieważ osoby pracujące w tych obszarach przez całe kariery były cenione za bycie nośnikiem wiedzy instytucjonalnej — a AI obecnie demokratyzuje tę wiedzę, co początkowo wydaje się zagrożeniem, zanim zacznie być postrzegane jako mnożnik możliwości.
Rozwiązaniem nie było szkolenie techniczne. Chodziło o stworzenie przestrzeni psychologicznej, w której te osoby mogły na nowo określić, na czym polega ich wartość. Osiągnęliśmy to dzięki warsztatom, podczas których mogły eksperymentować z narzędziami przy rzeczywistej pracy, razem z innymi pracownikami i w środowisku, w którym stawka była niska — nazywam je laboratoriami nauki, a nie salami lekcyjnymi. Format szkolny nie przynosił żadnego wdrożenia. Format laboratoryjny przyniósł widoczny postęp w ciągu kilku tygodni.
Oto trzy kolejne obszary, w których wdrażanie AI napotyka trudności:
Po pierwsze, nierównomierne wdrażanie w poszczególnych funkcjach powoduje realne napięcia kulturowe. Dział inżynieryjny przyjął je natychmiast. Sprzedaż również. Niektóre funkcje ogólne i administracyjne wciąż są na etapie „ale co ja miałbym z tym robić?” — a to dokładnie niewłaściwe pytanie. Przejawia się to cichą urazą, a nie głośnym oporem. Ludzie zaczynają się obawiać, że ich współpracownicy używają AI, aby sprawiać wrażenie bardziej produktywnych niż oni.
Zaufanie w organizacjach korzystających z AI jest obecnie naprawdę kruche — tegoroczne dane sondażowe sugerują, że mniej więcej czterech na pięciu pracowników i menedżerów obawia się właśnie takiej dynamiki. Jeśli nie zarządza się nią poprzez przejrzystych ambasadorów AI w każdym dziale, widoczne korzystanie z narzędzi przez liderów oraz jasne standardy określające, co uznaje się za pracę wspomaganą przez AI, kultura zaczyna płacić odsetki od długu, którego zaciągania organizacja nawet sobie nie uświadamiała.
Po drugie, obserwowałem liderów w innych firmach, którzy nakładali AI na zepsuty proces i nazywali to transformacją. Jeśli ocena okresowa jest źle zaprojektowana, dodanie do niej AI tworzy zwielokrotniony zły proces — szybszy, bardziej pewny siebie i łatwiejszy do skalowania w niewłaściwym kierunku. Zacznij od samej pracy, a nie od narzędzia.
W przeciwnym razie nie przeprowadzasz transformacji, tylko uprzemysławiasz dysfunkcję. To zdecydowanie najczęstszy model porażki, jaki widzę w organizacjach porównywalnych z naszą, i niemal zawsze wynika on z tego, że zespół technologiczny dąży do realizacji wskaźnika wdrożenia, zamiast aby dział personalny prowadził przeprojektowanie przepływu pracy.
Po trzecie, i to jest bardziej subtelne: AI nie wyrównuje poziomu wydajności, lecz powiększa różnicę. Doświadczeni pracownicy używają go, aby poszerzać swoją wiedzę; mniej doświadczeni wykorzystują je do generowania poprawnych, ale płytkich rezultatów, które maskują słabe rozumowanie. Gdy taka praca niskiej jakości trafi do danych organizacji, twoja kolejna iteracja AI będzie się na niej trenować. To pętla sprzężenia zwrotnego, której większość liderów nie przemyślała.
Przeciwdziałamy temu, kładąc duży nacisk na człowieka wykonującego pracę na początku każdego przepływu pracy — zasobem są dane wejściowe, a nie wyniki. Jeśli pozwolisz, aby AI stało się wyrównywaczem produktywności, na który wszyscy liczyli, za osiemnaście miesięcy obudzisz się w organizacji, w której różnica między najlepszymi pracownikami a całą resztą będzie większa niż kiedykolwiek wcześniej, a nie mniejsza.
Trzy taktyczne działania dla liderów wdrażających AI
Po pierwsze: wyznacz ambasadora AI w każdym dziale, nie tylko w dziale inżynieryjnym i produktowym. W większości organizacji w działach technicznych funkcjonują nieformalni ambasadorzy AI, a poza nimi nie ma ich nigdzie. Uczyń tę rolę celową. Zapewnij jej widoczność, czas oraz uprawnienie do kwestionowania sposobu działania danego działu.
Obszary, w których jest to najtrudniejsze — finanse, prawo, administracja ogólna — są dokładnie tymi, w których znajduje się największa dźwignia, ponieważ praca w tych funkcjach jest najbardziej zbliżona do tego, co duże modele językowe robią natywnie. Jeśli nie wyznaczysz ambasadorów w tych obszarach, pozostawisz na stole większość wartości.
Po drugie: zbuduj podwójny system KPI — jeden zestaw dotyczący wyników „teraz” i drugi dotyczący możliwości „na przyszłość”. Pułapka polega na mierzeniu transformacji tym, jak dużo bieżącej pracy udało się zautomatyzować, podczas gdy właściwe pytanie brzmi: jak dużo nowej pracy stało się możliwe.
Liderzy, którzy odnoszą w tym sukcesy, stosują krótkookresowe wskaźniki „teraz” — wdrożenie, produktywność, zaoszczędzony czas — równolegle z długookresowymi wskaźnikami „na przyszłość” — rozwinięte nowe możliwości, utworzone nowe role oraz uzyskane nowe przychody lub rezultaty dla klientów. Jeśli śledzisz wyłącznie wskaźniki „teraz”, zoptymalizujesz siebie do postaci mniejszej i szybszej wersji tego, czym byłeś wcześniej. Nie chodzi o to, by być mniejszym i szybszym. Chodzi o to, by być innym w sposób, który ma znaczenie.
Po trzecie: jasno określ, które decyzje przechodzą z udziału człowieka w procesie do przywództwa człowieka. Przejście od „człowiek obserwuje pracę AI” do „człowiek kieruje pracą AI i bierze odpowiedzialność za jej wynik” jest najważniejszą zmianą w zarządzaniu, jaką funkcja People może wprowadzić w tym roku. Wyjaśnia odpowiedzialność. Buduje zaufanie szybciej niż jakikolwiek dokument dotyczący polityki i daje Twoim ludziom jasną odpowiedź na pytanie, które naprawdę zadają: czy nadal to ja kieruję swoją pracą?
Kiedy odpowiedź brzmi „tak” — w sposób widoczny, konsekwentny i w tych momentach, które mają znaczenie — wdrażanie przyspiesza, a opór słabnie. Kiedy odpowiedź jest niejasna, każda inna inicjatywa związana z AI, którą podejmiesz, napotka tarcia, których nie uwzględniłeś w budżecie.
Co sprawia, że lider jest niezastąpiony
Odporność i hojność to dwie cechy, które chcę, aby moje dzieci zabrały ze sobą na rynek pracy, którego nie potrafię w pełni przewidzieć. To także — przypadkowo, a nie przez przypadek — dwie cechy, których szukam u każdego lidera pojawiającego się na rozmowie finałowej. AI potrafi zrobić niemal wszystko inne. Tego nie potrafi. Na to postawiłbym za każdym razem. Za każdym razem stawiam właśnie na to.
Firmy, które obecnie mają problemy, potraktowały AI jako narzędzie zastępowania ludzi zamiast przeprojektowania pracy i usunęły warstwę, w której ujawniał się ludzki osąd. AI obsłużyło dużą skalę. Przeoczyło jednak kluczowy moment. Koszt jest zawsze wyższy niż przewidywał model oszczędności, ponieważ ten moment przekłada się na zaufanie, odejścia pracowników i kolejną osobę, która obserwuje sposób działania firmy i po cichu aktualizuje swoje CV.
Liderzy, którzy konsekwentnie odnoszą sukcesy, chronią to, co pozostaje wyraźnie ludzkie. Trudną rozmowę. Telefon z informacją o awansie, w którym dane mówią „tak”, ale czujesz, że dana osoba nie jest jeszcze gotowa na ciężar kolejnego stanowiska. Rozstanie przeprowadzone z wystarczającą empatią, aby odchodząca osoba nadal dobrze mówiła o firmie. Ocenę, czy ktoś potrzebuje dodatkowego impulsu w postaci coachingu, czy zasługuje na większą swobodę działania. To właśnie tam naprawdę buduje się retencja, zaufanie i reputacja — i właśnie dlatego kolejna osoba przyjmuje ofertę, widząc, jak potraktowano ostatnią osobę, która odeszła.
Orientacja biznesowa, biegłość technologiczna i wysoka empatia nie są trzema oddzielnymi umiejętnościami. To jedna umiejętność wyrażana na trzy sposoby.
Powód, dla którego tak bardzo mi na tym zależy, sprowadza się — jeśli mam być szczery — do moich dwojga dzieci.
Mój syn Jonah ma siedem lat. Każdego ranka od razu sięga po nowe pudełko klocków Lego. Czasami dokładnie stosuje się do instrukcji. Czasami całkowicie je ignoruje i buduje coś, czego nikt wcześniej nie widział. Nie dostrzega różnicy między tymi dwoma podejściami — w obu przypadkach coś zbudował.
To nie jest styl uczenia się. To odporność. Odmowa poddania się przed ścianą, gdy gdzieś może znajdować się okno, którego jeszcze nie próbowałeś znaleźć. To także cecha, której szukam u każdego lidera, którego pomagam zatrudnić dyrektorowi generalnemu, ponieważ każda szybko rozwijająca się firma przypomina zestaw Lego z połową brakujących instrukcji.
Moja córka Gabi skończyła pięć lat i sama zaplanowała upominki urodzinowe dla gości. Własnoręcznie wybrała słodycze i zabawki dla każdego przyjaciela. Narysowała dla każdego spersonalizowane ilustracje. W dniu własnych urodzin — w dniu, w którym to ona miała otrzymywać prezenty.
To hojność, ale — co bardziej użyteczne — także instynkt mnożenia siły: sprawianie, że ludzie wokół ciebie stają się lepsi, bez potrzeby proszenia, bez czekania na właściwy moment i bez oczekiwania czegokolwiek w zamian. To cecha przywódcza, która pojawia się w każdym pomieszczeniu, o którym kiedykolwiek widziałem, że naprawdę dobrze funkcjonuje. AI jej nie wytworzy.
Odporność i hojność to dwie cechy, które chcę, aby moje dzieci zabrały ze sobą na rynek pracy, którego nie potrafię w pełni przewidzieć. To także — przypadkowo, a nie przez przypadek — dwie cechy, których szukam u każdego lidera pojawiającego się na rozmowie finałowej. AI potrafi zrobić niemal wszystko inne. Tego nie potrafi.
Na to postawiłbym za każdym razem. Za każdym razem stawiam właśnie na to.
Śledź dalsze działania
Możesz śledzić pracę Bradforda Wilkinsa na LinkedInie.
Wkrótce kolejne wywiady z ekspertami na People Managing People!
