Wykorzystanie AI jest często motywowane dążeniem do poprawy wydajności. Organizacje analizują istniejące procesy i pytają, jak duże modele językowe mogą je przyspieszyć. To pragmatyczne podejście, ale niesie ze sobą ryzyko przeoczenia transformacyjnego potencjału AI; traktuje ono AI jak szybszego konia, a nie jak silnik spalinowy. Kiedy postrzegamy AI wyłącznie jako narzędzie do automatyzacji istniejących zadań, nie dostrzegamy, że często zmienia ona naturę „zadań do wykonania” (jobs to be done).
Teoria Jobs to be Done1 Claytona Christensena mówi, że klienci nie kupują produktów ani usług; oni je „zatrudniają” do wykonania konkretnych zadań. W kontekście korporacyjnym zatrudniamy procesy, oprogramowanie i pracowników, aby osiągnąć określone cele strategiczne. Niebezpieczeństwo polega na pomyleniu środków z celami. Duża część naszej organizacyjnej machiny – raporty, spotkania, dokumentacja – to budowane latami kroki pośrednie. Nie są one zadaniem samym w sobie.
AI wymusza zastanowienie się co warto optymalizować a staje się zbędne. Na przykład: utrzymanie korporacyjnej bazy wiedzy. Przez lata firmy inwestowały w wiki i repozytoria, zatrudniając dedykowany personel i dbając o aktualizacje. Zadaniem do wykonania nigdy nie było „prowadzenie wiki”; było nim „zapewnienie pracownikom dostępu do rzetelnych informacji”. Jeśli AI potrafi na żądanie syntezować odpowiedzi z surowego repozytorium dokumentów, pośredni krok w postaci statycznej bazy wiedzy staje się zbędny. Automatyzacja tego procesu byłaby błędem; celem jest całkowite wyeliminowanie go.
Podobny wzorzec widać w obszarze software. Od dawna kładziemy nacisk na kompleksową dokumentację kodu. Zadaniem do wykonania jest umożliwienie programiście zrozumienia i utrzymania systemu. Jeśli agent AI potrafi wyjaśnić złożoną funkcję lub wygenerować plik readme na bieżąco, wartość pisania i utrzymywania dokumentacji maleje. Wartością zawsze był rezultat (zrozumienie) a nie artefakt (dokumentacja).
Ta zmiana obejmuje również rozwój kapitału ludzkiego. Szkolenia korporacyjne często koncentrują się na zdobywaniu umiejętności w zadaniach, które mogą już nie wymagać ludzi. Jeśli “job” to „analiza kwartalnych danych sprzedażowych”, a AI potrafi przeprowadzić tę analizę autonomicznie, szkolenie młodszego analityka z obsługi makr w arkuszach kalkulacyjnych jest nieefektywną alokacją zasobów. Szkolenie zamiast tego może skupiać się na interpretowaniu wyników pracy AI i podejmowaniu na ich podstawie decyzji.
Co więcej, AI demokratyzuje kompetencje techniczne, pozwalając pracownikom nietechnicznym na wykonywanie zadań, które wcześniej wymagały specjalistycznych umiejętności. Menedżer marketingu może teraz stworzyć prototyp aplikacji lub wygenerować zapytania SQL, bez czekania na dostępność inżynierów. Zmniejsza się dystans pomiędzy pomysłem a jego wdrożeniem. Zmienia to rolę zespołu technicznego. Jeśli managerowie mogą tworzyć kod, technologia musi zapewnić jakość, bezpieczeństwo i niezawodność.
Pojawienie się AI wymaga przemyślenia naszych nawyków organizacyjnych. Zadaniem jest powrót do fundamentów i pytanie o to, jaki postęp próbujemy osiągnąć. Odpowiedzi prawdopodobnie ujawnią, że wiele zadań, które tak pilnie optymalizowaliśmy, nie jest już w ogóle potrzebnych. Organizacje, które odniosą sukces, to te, które wykorzystają AI nie tylko po to, by robić rzeczy lepiej, ale by robić lepsze rzeczy.