AI-first company

Przebudowa procesów · Rozpoznanie

Rozpisz zadania, zanim zdecydujesz, co zautomatyzować

Rozłóż stanowiska na zadania i przyjrzyj się każdemu z nich. Publikowane wskaźniki oceniają, jaką część pracy mogłaby wykonać AI, czyli jej „ekspozycję” na AI. Traktuj wysoki wynik jako miejsce, któremu warto się przyjrzeć, a nie jako decyzję o automatyzacji.

Autor
Ostatni przegląd
Poprawki
Zgłoś błąd
Kiedy Zrób najpierw. Zanim zaczniesz z AI albo na samym początku.
Nakład pracy Niski (dni, jedna osoba)
Dowody Umiarkowane Sporne

Kilka badań opartych na dużych bazach danych o zadaniach jest zgodnych, że AI wpływa na zadania w ramach stanowisk i że przed pojawieniem się dzisiejszych czatów AI ekspozycja nie przewidywała, co stanie się ze stanowiskami. Nowsze amerykańskie dane płacowe dotyczące młodych pracowników wskazują przeciwny kierunek. Żadne badanie nie sprawdziło, czy firmy, które najpierw rozpisują zadania, osiągają lepsze wyniki.

Pasuje do
Branże Wszystkie branże
W przewodniku Średnie firmyNarzędzia i systemy według wielkości

Na czym to polega

Zanim zdecydujesz, co zautomatyzować, wypisz zadania na danym stanowisku lub w danym procesie i oceń każde z nich. Stanowisko to zbiór zadań. AI może wykonać niektóre z nich, pomóc przy innych, a przy pozostałych na nic się nie przyda. „Ekspozycja” to termin badawczy oznaczający, jaką część pracy AI mogłaby w zasadzie wykonać.

Co pokazują dowody

  • Niewiele stanowisk da się w pełni zautomatyzować. Badanie, które oceniło 18 156 zadań, wykazało, że większość zawodów zawiera zadania, które mogłoby wykonać uczenie maszynowe, a niewiele zawodów da się w pełni zautomatyzować. Osiągnięcie korzyści zwykle wymaga przebudowy stanowiska.
  • Typowym przypadkiem jest pomoc, a nie zastąpienie. Globalne szacunki Międzynarodowej Organizacji Pracy (ILO) przewidują, że generatywna AI będzie głównie pomagać ludziom w ich pracy. Najbardziej narażone są prace biurowe.
  • Ekspozycja nie przewiduje utraty miejsc pracy. W 23 krajach zawody bardziej narażone na AI ogólnie nie straciły zatrudnienia. Tam, gdzie dużo używano komputerów, większa ekspozycja szła w parze z szybszym wzrostem zatrudnienia. To badanie korzystało z danych sprzed pojawienia się dzisiejszych czatów AI. Od 2022 roku dowody są sporne. W amerykańskich danych płacowych zatrudnienie osób w wieku 22–25 lat w najbardziej narażonych zawodach jest o około 19% poniżej trendu. Zestawienie Yale Budget Lab nie pokazuje wyraźnych zaburzeń w całej gospodarce USA.
  • Ekspozycja to nie używanie. Wskaźniki ekspozycji pokazują, co AI mogłaby robić, a nie do czego się jej używa. Mówi o tym wprost niedawny dokument roboczy.

Istnieją publiczne wskaźniki dla całych zawodów, na przykład AI Occupational Exposure measure. Opisują typowe stanowisko. Twój księgowy czy planista może wykonywać inne zadania.

Jak to zrobić

  1. Na początek wybierz jedno stanowisko albo jeden proces.
  2. Wypisz jego zadania razem z ludźmi, którzy je wykonują. Opisy stanowisk są zwykle nieaktualne. Zapytaj każdą osobę, które zadania chciałaby zautomatyzować i dlaczego. W badaniu, w którym 1500 pracowników w USA oceniło 844 zadania, opowiedzieli się za automatyzacją 46,1% z nich. Najczęściej chcieli AI jako równorzędnego partnera. Przy 47,5% zadań chcieli większego udziału człowieka, niż uznali za potrzebny eksperci od AI. Badanie to preprint.
  3. Przy każdym zadaniu zapisz, jak często jest wykonywane, ile trwa i co idzie źle, gdy zostanie wykonane źle.
  4. Oceń osobno: czy AI mogłaby to robić? Czy twoja firma potrafiłaby to wdrożyć i utrzymać? Czy zadanie wymaga osądu człowieka, relacji lub odpowiedzialności?
  5. Oznacz każde zadanie: zautomatyzować, wspomóc albo zostawić bez zmian.
  6. Sprawdź listę „zautomatyzować” pod kątem zadań, na których uczą się młodsi pracownicy.
  7. Zanim zlikwidujesz stanowiska, sprawdź ślady tego, jak praca jest naprawdę wykonywana: nadgodziny, długość kolejek i to, jak często kierownicy zespołów lub inne osoby muszą się włączać. Zob. ramkę poniżej.
  8. Zacznij od niewielkiej liczby zadań i mierz.

Ślady, które warto sprawdzić, zanim zlikwidujesz stanowiska

W Commonwealth Bank of Australia bank ogłosił, że zlikwiduje 45 stanowisk w obsłudze klienta i zastąpi je głosowym botem AI. Związek zawodowy wskazał rosnącą liczbę połączeń, propozycje nadgodzin i kierowników zespołów odbierających telefony. Bank przyznał wtedy, że jego ocena była “error” [„błędem”], a stanowiska nie są zbędne. Zapisy nadgodzin, kolejek i przekazań spraw wyżej pokazują, czy praca naprawdę zniknęła. Sprawdź je, zanim zlikwidujesz stanowisko.

Co mierzyć

  • Udział czasu pracy w każdej grupie: zautomatyzować, wspomóc, zostawić bez zmian.
  • Przy zadaniach, które zmieniasz: czas i jakość przed zmianą i po niej.

Gdzie to zawodzi

  • Czytanie wskaźnika jak prognozy. Wysoki wskaźnik ekspozycji nie oznacza, że stanowisko zniknie. Traktowanie go w ten sposób niepotrzebnie niepokoi pracowników.
  • Rozpisywanie w nieskończoność. Mapa zadań jest przydatna, gdy w ciągu kilku tygodni prowadzi do pierwszej zmiany.
  • Nieaktualne mapy. To, co potrafi AI, szybko się zmienia. Powtórz ocenę, gdy zmienią się narzędzia.

Według wielkości firmy

  • Mikro i małe: popołudnie przy tablicy wystarczy na całe stanowisko.
  • Średnie i większe: rozpisz jeden proces od początku do końca, zanim zaczniesz rozpisywać całą firmę. Publiczne wskaźniki ekspozycji mogą pomóc wybrać, od czego zacząć.

Narzędzia diagnostyczne do tej praktyki

To gotowe kwestionariusze, testy i scenariusze, których możesz użyć. Każda karta podaje pytanie, na które narzędzie odpowiada, kto je wypełnia i czy możesz go swobodnie używać. Wszystkie narzędzia diagnostyczne.

Zobacz w praktyce

Przypadki firm

Firmy, które to zrobiły

Co się stało bez niej

Źródła

  1. 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. Co zrobiło i co wykazało to badanie
  2. Felten, Raj and Seamans (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195–2217. Co zrobiło i co wykazało to badanie
  3. Gmyrek, Berg and Bescond (2023). Generative AI and jobs: A global analysis of potential effects on job quantity and quality. International Labour Organization. Co zrobiło i co wykazało to badanie
  4. Georgieff and Hyee (2022). Artificial Intelligence and Employment: New Cross-Country Evidence. Frontiers in Artificial Intelligence, 5, 832736. Co zrobiło i co wykazało to badanie
  5. Sedai (2026). Exposure Is Not Adoption: Measuring Generative AI and Labor Demand. SSRN working paper. Co zrobiło i co wykazało to badanie
  6. Brynjolfsson, Chandar and Chen (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab working paper (revised 12 August 2026). Ogranicza tę praktykę albo jej przeczy. Co zrobiło i co wykazało to badanie
  7. Shao, Zope, Jiang, Pei, Nguyen, Brynjolfsson and Yang (2026). Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce. arXiv 2506.06576. Preprint, not peer-reviewed. arxiv.org
  8. The Budget Lab at Yale (updated September 2026). Tracking the Impact of AI on the Labor Market. budgetlab.yale.edu
  9. Information Age (21 August 2025). CBA reverses AI-driven job cuts, admits error. ia.acs.org.au