Na czym to polega
Podziel prace nad AI na dwa tory:
- Tor automatyzacji. Powtarzalne zadania cyfrowe z jasnymi danymi wejściowymi, jasnym wynikiem i prostą kontrolą. AI wykonuje zadanie. Człowiek zajmuje się wyjątkami.
- Tor pomocy dla ekspertów. Praca ekspercka, która zależy od osądu, odpowiedzialności albo obecności na miejscu. AI przygotowuje analizę, wersję roboczą lub zestaw możliwości. Decyduje ekspert.
Nie każda praca nad AI to ten sam rodzaj projektu. Oba tory mają inne cele, inne ryzyka i inne miary. Prowadź je równolegle i nie oceniaj jednego według standardu drugiego.
Co pokazują dowody
Problemy, którymi zajmuje się ta praktyka, zostały zbadane:
- AI w jednych zadaniach pomaga, a w innych szkodzi. W jednym eksperymencie konsultanci korzystający z AI wypadli lepiej w 18 zadaniach, z którymi AI radzi sobie dobrze, i gorzej w jednym zadaniu, które AI wykonuje źle.
- Decyduje rodzaj zadania. W 106 eksperymentach człowiek pracujący z AI radził sobie gorzej w zadaniach decyzyjnych i lepiej w zadaniach polegających na tworzeniu treści.
- Niewiele stanowisk da się zautomatyzować w całości. Badanie, które oceniło 18 156 zadań, wykazało, że większość zawodów zawiera zadania, których mogłaby się nauczyć maszyna, a niewiele zawodów da się w pełni zautomatyzować.
- Typowym przypadkiem jest pomoc. Szacunki Międzynarodowej Organizacji Pracy (ILO) przewidują, że generatywna AI będzie głównie pomagać ludziom w ich pracy. US Census Bureau zapytało ponad 117 000 firm: 66% firm używających AI używało jej tylko do pomocy pracownikom w zadaniach, a 2% firm zlikwidowało stanowiska z powodu AI.
- Pracownicy najczęściej chcą partnerstwa. W badaniu ze Stanford 1500 pracowników w USA oceniło 844 zadania z własnych zawodów. Równorzędne partnerstwo człowieka i AI było poziomem, którego chcieli najczęściej. Badacze dopasowali potem startupy finansowane przez inwestora Y Combinator do zadań, dla których te startupy budują AI. 41,0% dopasowań przypadło na zadania, których pracownicy nie chcieli automatyzować albo uznali za mało pilne. Badanie nie przeszło recenzji naukowej.
Jak to zrobić
- Rozpisz zadania na stanowiskach, które chcesz zmienić. Zob. rozpisz zadania, zanim zdecydujesz, co zautomatyzować.
- Posortuj zadania. Zadania do automatyzacji są cyfrowe, powtarzalne i łatwe do sprawdzenia. Zadania do pomocy dla ekspertów wymagają osądu lub obecności człowieka.
- Zacznij tor automatyzacji od dwóch lub trzech zadań. Najpierw zrób pomiar wyjściowy.
- Zacznij tor pomocy dla ekspertów od jednej grupy ekspertów. Zapytaj ich, co ich spowalnia.
- Daj każdemu torowi osobę odpowiedzialną i własne miary.
- Przenoś zadanie z jednego toru do drugiego, gdy zmienią się fakty. Zadanie, w którym AI dziś pomaga ekspertowi, może dać się bezpiecznie zautomatyzować, gdy jego sprawdzanie stanie się rutyną.
Co mierzyć
- Tor automatyzacji: czas od początku do końca, liczbę wyjątków, potrzebne poprawki.
- Tor pomocy dla ekspertów: jakość decyzji eksperta, poprawki, czas do postawienia diagnozy lub ukończenia pracy. Nie to, ile AI zrobiła sama.
Gdzie to zawodzi
- Mierzenie asystentów liczbą zaoszczędzonych etatów. Zyskiem z asystenta jest lepsza lub szybsza decyzja. Liczenie zlikwidowanych etatów pomija ten zysk i niepokoi ekspertów, których potrzebujesz.
- Automatyzowanie pracy eksperckiej, bo technologia potrafi wykonać jej część. Część, której AI nie widzi, to często ta, która ma znaczenie.
- Tylko tor automatyzacji. Automatyzację łatwiej zmierzyć, więc to ona dostaje budżet. Większy zysk może leżeć po stronie ekspertów.
- Zapominanie o ścieżce nauki. Jeśli młodsi pracownicy uczyli się na zadaniach, które automatyzujesz, zaplanuj, jak będą się uczyć teraz. Zob. zachowaj zadania, na których uczą się początkujący.
Według wielkości firmy
- Średnie: wystarczą dwie krótkie listy i jedna osoba odpowiedzialna za oba tory.
- Średnio-duże i duże: osobne osoby odpowiedzialne. Tor automatyzacji jest blisko działu operacyjnego i IT. Tor pomocy dla ekspertów należy do szefów działów eksperckich.
Zobacz w praktyce
Źródła
- Bonney, Breaux, Dinlersoz, Foster, Haltiwanger and Pande (2026). The Microstructure of AI Diffusion: Evidence from Firms, Business Functions, and Worker Tasks. US Census Bureau, Center for Economic Studies Working Paper CES-WP-26-25 (April 2026). Co zrobiło i co wykazało to badanie
- 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. Not peer-reviewed. arxiv.org
Twierdzenia na ten temat, sprawdzone z tymi badaniami:
- „66% małych firm używa AI” Wymaga korekty
Powiązane praktyki
- 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)
- 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. Zrób najpierw · Nakład pracy: niski (dni, jedna osoba)
- Zacznij od jednego kosztownego procesu, a nie od wdrożenia w całej firmie Wybierz jeden proces, który wyraźnie kosztuje czas lub pieniądze. Zastosuj w nim AI, z człowiekiem sprawdzającym wyniki, i rozszerzaj dopiero wtedy, gdy liczby się poprawią. Zrób najpierw · Nakład pracy: średni (tygodnie, kilka osób)
- Zaplanuj budżet na pracę, którą tworzy AI AI usuwa część pracy i dodaje inną: sprawdzanie wyników, prowadzenie zapisów, obsługę wyjątków i dbanie o narzędzia. Policz tę pracę i przypisz jej właściciela, zanim policzysz oszczędność. Zrób najpierw · Nakład pracy: niski (dni, jedna osoba)