Zwiększanie jakości, gdy AI częściowo przejmuje pracę

Ambicja tak, jak się ją wyraża

W sali zarządu brzmi to prosto: „chcemy podnieść jakość, a AI w tym pomoże.” Wszyscy kiwają głową. A jednak jeden dyrektor rozumie przez to mniej błędów w wynikach, drugi szybszą i bardziej konsekwentną pracę, a trzeci przede wszystkim mniejszą zależność od doświadczenia kilku seniorów. To samo zdanie, trzy ambicje. Dopóki ta ambicja nie zostanie rozłożona na to, co się dokładnie zmienia — które zadanie, na jakim poziomie, z jaką kontrolą — pozostaje życzeniem bez kierunku.

Co już teraz się przesuwa

Ta zmiana nie jest przyszłym scenariuszem. Przebiega dziś przez pracę, w trzech rodzajach kroków, które istnieją równolegle:

Niektóre zadania AI może przejąć: napisanie pierwszego konceptu, strukturyzowanie danych, sporządzenie raportu z ustalonych źródeł.
Inne zadania są częściowo przejmowane, z człowiekiem, który zatwierdza lub odrzuca i uzasadnia to powodem — praca zmienia się z wykonywania w weryfikowanie.
Jeszcze inna praca pozostaje pracą ludzką: negocjowanie, uspokojenie klienta, wydanie oceny, w której kontekstu nie da się ujmować w reguły.

Zwiększanie jakości oznacza więc nie „dodanie AI”, lecz precyzyjne określenie, do której z trzech kategorii dane zadanie należy, i taki układ organizacji, żeby druga kategoria — nadzór — naprawdę się odbywała. To jest punkt, w którym najczęściej coś idzie nie tak: firmy wdrażają AI dla wyniku, ale nie budują wraz z nim warstwy kontrolnej.

Dlaczego w jednej firmie to już działa, a w innej nie

Różnica rzadko tkwi w technice. Tkwi w tym, kto ma uprawnienia do odrzucenia wyniku AI, czy ta osoba ma na to czas, oraz czy organizacja wymaga udokumentowanego powodu przy odrzuceniu, a nie samego wrażenia. Firmy, w których to już działa, uczyniły tę rolę wyraźną: ktoś jest właścicielem jakości części procesu wykonywanej przez AI, z mandatem do zwracania pracy. Firmy, w których to jeszcze nie działa, wpuszczają wyniki AI do procesu zaprojektowanego dla pracy ludzkiej, bez wyznaczenia kogoś, kto rozpoznawałby nowy rodzaj błędów.

Czego musi być zdolna organizacja

Test ambicji ujmuje to w czterech warstwach: wizji (jakość w górę), vision state (co to konkretnie znaczy dla poszczególnych procesów), target (opisany poziom) oraz target state (jak wtedy wygląda praca). Te cztery warstwy są testowane na ośmiu wymiarach gotowości — od jakości danych, przez prawa decyzyjne, do umiejętności oceny wyników AI — oraz wzdłuż pięciu confidence gates, które wskazują, czy organizacja jest gotowa przejść do następnego kroku.

Z tego wynika przekład na capabilities, a dla każdej capability — rola:

Ktoś, kto ustala normę jakości dla poszczególnych zadań. Nie w ogólnych terminach, lecz krok po kroku: co jest dobrym wynikiem, co jest wartym odrzucenia.
Ktoś z mandatem do odrzucania pracy wykonanej przez AI. Bez tych uprawnień nadzór pozostaje formalnością.
Ustalony sposób rejestrowania odrzuceń z powodem. To nie tylko kontrola, to źródło uczenia się, dzięki któremu zastosowanie AI z czasem się poprawia.
Ktoś, kto okresowo poddaje przeglądowi granicę między trzema kategoriami pracy. To, co dziś jest pracą ludzką, za pół roku może być częściowo przejmowalne — i odwrotnie, jeśli wzrosną wymagania jakościowe.

Ta kwestia ról i mandatu powraca w powiązanych ambicjach: kto chce rosnąć bez zatrudniania dodatkowych ludzi, znajdzie odpowiedź na to, czego to wymaga, w jakich capabilities wymaga rozwój bez rozszerzania zespołu, a kto chce zmniejszyć zależność od kilku kluczowych osób, znajdzie punkty wspólne w jakich capabilities wymaga zmniejszenie zależności od kluczowych osób. Kto szuka jakości głównie w administracji, może przeczytać przekład na ten konkretny proces w jakich capabilities wymaga zmniejszenie administracji o połowę dzięki AI.

Po czym Państwo to rozpoznają za rok

Wynikiem nie jest „AI działa wszędzie”. Jest to, że dla każdego procesu istnieje wyraźna odpowiedź na trzy pytania: którą część robi AI, kto zatwierdza lub odrzuca drugą część, a kto w pełni wykonuje ją samodzielnie. Za rok Państwo to zauważą przez mniej dyskusji o tym, czy można ufać wynikowi AI, i przez ustalony rytm, w którym odrzucenia są rejestrowane i wykorzystywane do korygowania procesu. Nie jest to obietnica, że wskaźnik błędów spadnie o określoną wartość — to zależy od procesu, jakości danych źródłowych i tego, ile godzin pracy ludzkiej już teraz przypada na kontrolę — ale z pewnością jest to wykazywalnie inna rozmowa podczas spotkań kierownictwa.

Jeśli ta zmiana dotyka również wielkości zatrudnienia, obowiązują dla tego odrębne wymogi prawne; taka ocena nie wchodzi w zakres tego testu.

Kto chce najpierw wiedzieć, jak taką ambicję przekłada się na mierzalne kroki, zamiast pozostawiać ją jako intencję, może przeczytać o tym w jak przekłada się ambicję wzrostu na mierzalne kroki, a kto zastanawia się, co oznacza target operating model w prostym języku, znajdzie to wyjaśnione w co oznacza target operating model w prostych słowach.

Co można zrobić już teraz

Podstawowe pytanie — jaka praca w tej firmie naprawdę może zostać przejęta przez AI, a gdzie wciąż potrzebny jest nadzór lub praca ludzka — jest odpowiadane dla każdego zadania za pomocą werkscan FTE TO AI. Jeśli Państwo chcą najpierw obrazu na poziomie zarządu, bez tego zagłębienia: bezpłatny test gotowości składa się z ośmiu krótkich pytań, jednego na wymiar, i daje obraz tego, gdzie organizacja jest już najdalej, a gdzie wciąż jest największa odległość do przejścia. Pełny test ambicji, z czterema warstwami i pięcioma confidence gates, jest w budowie.