Najpierw daj wsparcie AI pracownikom z krótszym stażem

Na czym to polega

Zacznij od osób, które pracują na danym stanowisku najkrócej. Większość wdrożeń zaczyna się od ochotników albo od starszych stażem pracowników. W rutynowej, dobrze określonej pracy dowody wskazują odwrotny kierunek.

Sprawdza się to tam, gdzie zadanie ma jasny standard, a ktoś porównuje z nim wynik. W otwartej pracy bez sprawdzania najsłabsi nic nie zyskali albo stracili.

Co pokazują dowody

W badaniu 5172 konsultantów obsługi klienta w pracy asystent AI zwiększył liczbę spraw rozwiązanych w ciągu godziny średnio o 15%. Zysk nie był równy. Mniej doświadczeni i mniej wykwalifikowani konsultanci pracowali szybciej i lepiej. Najbardziej doświadczeni pracowali nieco szybciej, a jakość ich pracy nieco spadła.

W eksperymencie z 453 specjalistami ChatGPT skrócił czas zadań pisarskich o 40% i podniósł jakość o 18%. Różnica między lepszymi a słabszymi pracownikami się zmniejszyła.

Prawdopodobny powód: AI przyswoiła sobie, jak zwykle wykonuje się dobrą pracę. Początkujący jeszcze tego nie wie. Ekspert już wie.

Druga strona. Inne badania wskazują przeciwny kierunek, więc dowody są sporne.

• W oprogramowaniu najwięcej zyskali doświadczeni. Badanie kodu 160 097 programistów na GitHubie oszacowało, że AI zwiększyła ich wydajność średnio o 3,6%. Prawie cały ten zysk przypadł doświadczonym programistom.
• Słabi właściciele firm radzili sobie gorzej z doradcą AI. W badaniu z losowym przydziałem wśród 640 właścicieli małych firm w Kenii połowa dostała doradcę biznesowego opartego na GPT-4, dostępnego przez WhatsApp. Średnio nie zmienił on ani przychodów, ani zysku. Właściciele, którym na początku szło słabo, radzili sobie z nim o prawie 10% gorzej. Ci, którym szło dobrze, mogli zyskać ponad 15%. Różnica wynikała z tego, które porady właściciele postanowili wdrożyć.
• Uczniowie zyskiwali z narzędziem i tracili bez niego. W badaniu z losowym przydziałem z udziałem prawie 1000 uczniów szkół średnich w Turcji nieograniczony GPT-4 podniósł wyniki ćwiczeń o 48%. Na egzaminie, pisanym bez AI, ci sami uczniowie uzyskali wyniki o 17% niższe niż ci, którzy nigdy nie mieli AI. Wersja ograniczona do wskazówek podniosła wyniki ćwiczeń bez tej straty.

Obie grupy badań mogą być prawdziwe. Badania wspierające mierzyły wyniki z narzędziem, w zadaniach z jasnym standardem. Pozostałe mierzyły otwartą pracę, wyniki w dłuższym okresie albo umiejętności po zabraniu narzędzia.

Kogo nie ma w tych badaniach. Młodsi pracownicy mogą zyskiwać w pracy, podczas gdy firmy zatrudniają ich mniej. Czy AI ogranicza zatrudnianie młodszych pracowników, jest sporne. Zob. zachowaj zadania dla początkujących.

Jak to zrobić

1. Wybierz zadanie, które jest częste i ma jasny standard dobrej pracy.
2. Daj asystenta najpierw pracownikom w pierwszych miesiącach na stanowisku.
3. Przez kilka tygodni utrzymuj grupę porównawczą bez asystenta, żeby zobaczyć różnicę.
4. Poproś doświadczonych pracowników o przeglądanie podpowiedzi asystenta. Doświadczeni pracownicy zauważą, gdzie się myli.
5. Rozszerz go na doświadczonych pracowników jako opcję i obserwuj ich wskaźniki jakości.

Co mierzyć

• Wydajność na godzinę i jakość w podziale na staż pracy.
• Ile czasu nowa osoba potrzebuje, by osiągnąć zwykły poziom zespołu, przed wdrożeniem i po nim.
• Jakość pracy najbardziej doświadczonych osób. Może spaść.
• Wyniki nowych pracowników bez narzędzia, na próbce przypadków, po kilku miesiącach.

Gdzie to zawodzi

• Zadania, które AI wykonuje źle. Początkujący nie rozpozna, kiedy AI się myli. W takich zadaniach pomoc AI może pogorszyć wyniki. Zob. sprawdzaj według rodzaju zadania.
• Nauka zawodu. Jeśli asystent wykonuje tę część pracy, która uczy zawodu, nowi pracownicy mogą przestać się rozwijać. Badanie lekarzy w trakcie specjalizacji chirurgicznej pokazuje, jak to się dzieje, gdy technologia przejmuje praktykę. Zob. zachowaj zadania dla początkujących.
• Zyski, które znikają bez narzędzia. W badaniu szkolnym uczniowie, którzy ćwiczyli z nieograniczonym chatbotem, wypadali gorzej, gdy go zabrano. Co jakiś czas sprawdzaj nowych pracowników bez narzędzia. Zob. sprawdzaj, co pracownicy potrafią zrobić bez AI.
• Eksperci. Nie oczekuj takiego samego zysku od najlepszych ludzi i nie zmuszaj ich do używania narzędzia. W badaniu z losowym przydziałem z udziałem doświadczonych programistów pracujących nad własnym kodem zadania z AI trwały o 19% dłużej. W eksperymencie w terenie w obsłudze klienta Alibaby jakość pracy najlepszych konsultantów spadła przy wsparciu AI, zarówno w ocenach klientów, jak i w tym, jak często klienci wracali z tym samym problemem. To badanie jest dokumentem roboczym.

Według wielkości firmy

• Mikro i małe: możesz mieć jedną lub dwie nowe osoby. Daj im narzędzie, a przez pierwsze tygodnie niech właściciel albo doświadczony kolega przegląda ich pracę.
• Średnio-duże i duże: wdrażaj według stażu pracy i utrzymuj grupę porównawczą, żeby dało się zmierzyć wynik.

Przypadki firm

Firmy, które to zrobiły

• Ministry of Clean Pracownica z działu operacyjnego, która nigdy nie pracowała w obsłudze klienta, przeszła do obsługi klienta dzięki prowadzeniu krok po kroku i podpowiedziom odpowiedzi w oprogramowaniu. Wynik podany przez firmę

Źródła

1. Brynjolfsson, Li and Raymond (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Co zrobiło i co wykazało to badanie
2. Noy and Zhang (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. Co zrobiło i co wykazało to badanie
3. Beane (2018). Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail. Administrative Science Quarterly, 64(1), 87–123. Ogranicza tę praktykę albo jej przeczy. Co zrobiło i co wykazało to badanie
4. Daniotti, Wachs, Feng and Neffke (2026). Who is using AI to code? Global diffusion and impact of generative AI. Science, 391(6787), 831–835. Ogranicza tę praktykę albo jej przeczy. Co zrobiło i co wykazało to badanie
5. Otis, Clarke, Delecourt, Holtz and Koning (2026). The Uneven Impact of Generative AI on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya. Management Science (published 10 July 2026). Ogranicza tę praktykę albo jej przeczy. Co zrobiło i co wykazało to badanie
6. Bastani, Bastani, Sungu, Ge, Kabakcı and Mariman (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. Ogranicza tę praktykę albo jej przeczy. Co zrobiło i co wykazało to badanie
7. Ni, Wang, Feng, Lu, Wang and Zhou (2026). Generative AI in Action: Field Experimental Evidence from Alibaba's Customer Service Operations. arXiv 2603.29888. Working paper, not peer-reviewed. arxiv.org

Powiązane praktyki

• Zachowaj zadania, na których uczą się początkujący Zanim zautomatyzujesz rutynową pracę, sprawdź, czy to na niej młodsi pracownicy uczą się zawodu. Jeśli tak, zostaw im jej część albo zapewnij naukę w inny sposób. Zrób później · Nakład pracy: średni (tygodnie, kilka osób) Dowody: Wstępne Sporne Ludzie i umiejętności · Utrzymanie
• Dla każdego rodzaju zadania sprawdź, czy człowiek z AI wypada lepiej niż każde z nich osobno Nie zakładaj, że dodanie człowieka do AI albo AI do człowieka daje najlepszy wynik. Sprawdź to dla każdego rodzaju zadania, zanim ustalisz proces. Zrób potem · Nakład pracy: średni (tygodnie, kilka osób) Dowody: Silne Zależy od kontekstu Przebudowa procesów · Przebudowa
• Mierz czas zaoszczędzony na zadaniu względem pomiaru wyjściowego Zanim dodasz AI, zapisz, ile trwa zadanie i jak dobry jest wynik. Bez tej liczby wyjściowej nie odróżnisz prawdziwego zysku od pobożnego życzenia. Zrób najpierw · Nakład pracy: niski (dni, jedna osoba) Dowody: Powszechna praktyka Pomiar · Zastosowanie