W skrócie
Metoda, która ocenia każde zadanie w firmie, a nie każde stanowisko, na czterech osobnych skalach: czy AI może je wykonać, czy ta firma może to wdrożyć, czy AI może pomóc człowiekowi i jak bardzo zadanie zależy od człowieka.
Dla osoby, która prowadzi diagnozę: kierownika HR lub operacji, wewnętrznego zespołu projektowego albo zewnętrznego konsultanta.
Co mierzy
TPAH patrzy na stanowisko w konkretnej firmie i rozbija je na zadania. Każde zadanie dostaje cztery oceny od 0 do 10:
- T, wykonalność techniczna. Czy AI mogłaby wykonać zadanie, mając jasne dane wejściowe i jasno określony oczekiwany wynik?
- P, gotowość do wdrożenia. Czy ta organizacja mogłaby to wprowadzić i utrzymać w działaniu? Zależy to od jej danych, procesów, kontroli jakości i kosztu pomyłki.
- A, wsparcie człowieka. Na ile AI mogłaby pomóc osobie wykonującej zadanie, nie przejmując go?
- H, zależność od człowieka. Na ile zadanie opiera się na osądzie, relacjach, odpowiedzialności, fizycznej obecności i wiedzy, którą trudno spisać?
Czterech ocen nigdy nie łączy się w jedną liczbę. Każda odpowiada na inne pytanie, a użyteczne wnioski wynikają z ich połączeń:
- Wysokie T i niskie P: technologia mogłaby to zrobić, ale organizacja nie jest gotowa.
- Wysokie A i wysokie H: AI jest silnym asystentem eksperta, a nie jego zastępstwem.
- Wysokie T i niskie H: kandydat do automatyzacji, jeśli pozwala na to wdrożenie.
Metoda wymienia też nową pracę, którą AI przynosi ze sobą, taką jak sprawdzanie wyników i prowadzenie dokumentacji, i mówi, kto musiałby za nią odpowiadać.
Jak używać
- Traktuj wynik jako krótką listę pilotaży, a nie jako decyzję.
- Niech właściciel każdego procesu sprawdzi oceny zadań, które planujesz zmienić.
- Zacznij od kilku zadań, które mają wysokie P i wynik łatwy do sprawdzenia.
- Buduj asystentów dla ekspertów tam, gdzie A i H są wysokie.
- Zanim wdrożysz szerzej, wyznacz, kto będzie odpowiadał za nową pracę przy sprawdzaniu wyników i utrzymaniu narzędzi.
- Mierz czas i jakość względem pomiaru wyjściowego. Zobacz mierz czas zaoszczędzony na zadaniu względem pomiaru wyjściowego.
Przykład praktyczny pokazuje te kroki na fikcyjnej firmie.
Czego nie mierzy
- Wyników. Ocena to nie oszczędność, nie zwrot z inwestycji i nie odsetek pracowników, których można zastąpić.
- Tego, co myślą lub robią pracownicy. Nikogo się nie ankietuje ani nie obserwuje. Do postaw, zaufania czy bezpieczeństwa psychologicznego użyj narzędzi diagnostycznych zbudowanych do tego celu.
Jak to sprawdzono
Przeszła jeden przegląd ekspertów, opublikowany w raporcie z projektu. Autorzy nazywają ją prototypem, który wymaga dalszego sprawdzania.
- Przegląd 50 stanowisk przez ekspertów. Na warsztacie ludzie z biznesu, publicznych służb zatrudnienia i edukacji przeczytali raporty dla stanowisk i ocenili, czy każda część zgadza się z ich doświadczeniem. Odpowiedzi “yes” lub “rather yes” [„tak” lub „raczej tak”]:
| Co przejrzano | Odpowiedzi pozytywne |
|---|---|
| Ogólna diagnoza | 24 z 28 |
| Podział na automatyzację i wsparcie człowieka | 23 z 23 |
| Ocena zależności od człowieka | 19 z 24 |
| Luki między tym, co możliwe, a tym, co da się wdrożyć | 19 z 29 |
- Co poprawili recenzenci. Zadania przypisane do niewłaściwego stanowiska, luki we wdrożeniu, które nie doceniały ochrony danych i bezpieczeństwa, oraz wagę przypisaną niektórym zadaniom ludzkim. Raport mówi, że kierunek wyników jest solidny, a dokładne liczby dla pojedynczych zadań są mniej pewne.
- Udokumentowana metoda. Kroki, skale i wzory są spisane, a każdą ocenę można prześledzić do materiału, na którym się opierała.
- Oceny z modelu AI. W obecnych analizach główne oceny wystawia model AI, według stałych instrukcji i dokumentów przypisanych do każdego zadania. Używa się jednego modelu i jednej konfiguracji.
- Ocena zależności od człowieka zbudowana z dwunastu pytań. Dokumentacja metody nazywa ją roboczym sposobem zamiany idei na pytania, a nie w pełni sprawdzoną skalą.
- Brak danych o efektach. Ocen nie porównano z tym, co stało się w prawdziwych firmach, które wdrożyły AI.
Licencja i dostęp
Strona dostawcy nie podaje licencji ani ceny. Analizę sprzedaje jako usługę fundacja Human for Future, a jej materiały są po polsku. Jeśli chcesz ponownie użyć skal albo metody we własnej pracy, zapytaj dostawcę.
Alternatywy
Inne narzędzia do podobnego zadania i kiedy lepiej wybrać każde z nich.
- Na których stanowiskach generatywna AI mogłaby przejąć zadania, a na których mogłaby pomagać? ILO index of occupational exposure to generative AI Wybierz je, gdy do wyboru, gdzie się przyjrzeć, wystarczy bezpłatny, publiczny wynik dla typowych zawodów. Nikt nie jest ankietowany · Dopasowujesz nazwy swoich stanowisk do standardowej listy zawodów Bezpłatne, można dostosować
- Których naszych stanowisk AI mogłaby dotknąć najbardziej? AI Occupational Exposure measure (AIOE) Wybierz je, gdy chcesz recenzowanej miary i możesz pracować z amerykańskimi kodami zawodów. Nikt nie jest ankietowany · Dopasowujesz nazwy swoich stanowisk do amerykańskich kodów zawodów Bezpłatne; przed zmianami zapytaj autorów
- Co sprawia, że ten projekt technologiczny jest trudny? NASSS-CAT: complexity assessment tools for technology projects Wybierz je, gdy pytanie brzmi, dlaczego projekt technologiczny jest trudny, i chcesz sprawdzonej listy kontrolnej i scenariusza wywiadu. Zespół projektu oraz pracownicy w wywiadach · Dwie listy kontrolne, formularz z 35 pytaniami i scenariusz wywiadu Bezpłatne; przed zmianami zapytaj autorów
Zobacz w praktyce
Praktyki, które z niego korzystają
Szczegóły
- Sprawdzenie
- Eksperci z biznesu, publicznych służb zatrudnienia i edukacji przejrzeli na warsztacie raporty dla 50 stanowisk. Większość odpowiedzi potwierdziła obraz: 24 z 28 w sprawie ogólnej diagnozy, 23 z 23 w sprawie podziału na automatyzację i wsparcie człowieka. Żadne badanie nie porównało jeszcze wyników z efektami.
- Czego dotyczy
- Stanowisko i jego zadania
- Jak zbiera się odpowiedzi
- Model AI ocenia każde zadanie na podstawie dokumentów o stanowisku i firmie, według stałych instrukcji. Ludzie muszą sprawdzić oceny.
- Długość
- Bez ankiety wśród pracowników. Analiza zaczyna się od opisu firmy i jej stanowisk. Potem właściciele procesów potrzebują czasu, żeby sprawdzić wyniki.
- Koszt
- Płatna usługa. Cena nie jest opublikowana.
- Licencja
- Nie podanoDostawca nie podaje licencji. Analiza jest oferowana jako usługa. Zapytaj dostawcę, czego możesz użyć ponownie.
- Języki
- Polski. Brak materiałów po angielsku.
- Autorzy
- Research team at Rzeszów University of Technology and the Human for Future foundation
- Dostawca
- Human for Future foundation: TPAH Strona dostawcy jest po polsku.
Źródła
- Rzeszów University of Technology and Human for Future foundation (2026). Research report, part I: the state of AI and robotics, with the task analysis of 50 roles and its expert review (in Polish). aits.kia.prz.edu.pl
- Human for Future foundation. TPAH: description of the method (in Polish). human4future.org
Powiązane badania na tej stronie
- Których zadań mogą nauczyć się maszyny? Ocena 18 156 zadań Brynjolfsson, Mitchell and Rock (2018). What Can Machines Learn and What Does It Mean for Occupations and the Economy?. AEA Papers and Proceedings, 108, 43–47.
- Narażenie to nie wdrożenie: co AI mogłaby robić, a do czego się jej używa Sedai (2026). Exposure Is Not Adoption: Measuring Generative AI and Labor Demand. SSRN working paper.
- Kiedy człowiek z AI wygrywa z każdym z nich osobno: 106 eksperymentów Vaccaro, Almaatouq and Malone (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293–2303.