O czym jest ten film
- Pojawia się nowa ścieżka kariery dla osób umiejących korzystać z AI — rola „wewnętrznego konsultanta AI” wewnątrz firmy, w której już się pracuje.
- Zwolnienia przypisywane AI wynikają nie z tego, że AI zastępuje ludzi, lecz z tego, że jedna osoba z AI robi pracę trzech–pięciu osób.
- Rynek zewnętrznych agencji automatyzacji AI (ok. 130 mld USD) właśnie zaczyna być wypierany, bo firmy chcą rozwiązywać problemy AI we własnym zakresie.
- Kluczowa wartość człowieka przesuwa się z „umiem to zbudować” na „wiem, co zbudować” — osąd, gust, radzenie sobie z niejednoznacznością.
- Metafora lekarza i farmaceuty: builder to farmaceuta (wydaje to, o co prosisz), konsultant AI to lekarz (ustala, czego naprawdę potrzeba) — i to lekarz zarabia więcej.
- Krok 1: zaudytuj własną pracę i wybierz zadania, które zjadają realne godziny, a błąd AI nie wyrządza szkody.
- Krok 2: zautomatyzuj te zadania i zmierz oszczędność czasu jako twardy dowód.
- Krok 3: uczyń dowody widocznymi — pokazuj efekty na spotkaniach, dokumentuj, mów językiem biznesu, nie narzędzi.
- Krok 4: przejdź od „uciążliwości” do „ograniczeń” biznesu, zsumuj oszczędności w jedną liczbę i zaproponuj przełożonemu formalną rolę oraz tytuł.
- Dane: wg ankiety IBM 76% badanych firm ma już jakąś formę Chief AI Officer (rok wcześniej 26%), a osoby z umiejętnościami AI zarabiają ok. 56% więcej od kolegów na tym samym stanowisku.
Redakcyjne tłumaczenie
Nowa szansa, o której mało kto mówi
Dla osób, które potrafią korzystać z AI, pojawia się szansa, o której właściwie nikt głośno nie mówi. Dotyczy to zwłaszcza tych, którzy pracują na etacie albo robią karierę w korporacji. Dwanaście miesięcy temu ta możliwość praktycznie nie istniała, a dziś zamienia się w kolejną „gorączkę złota” w AI. Może ona realnie uczynić wielu ludzi milionerami w ciągu najbliższych lat — widzę, jak członkowie mojej społeczności dokonują tej zmiany i osiągają świetne wyniki. Ale jak przy każdym przełomie w AI, najwięcej zyskują ci, którzy wejdą wcześnie. W tym materiale wyjaśniam, na czym dokładnie polega ta szansa, i przedstawiam czteroetapową mapę działania.
To nie przypadek — to znany wzorzec
To nie jest coś, co spadło z nieba. To po prostu kolejna odsłona tego samego wzorca, który obserwujemy, odkąd AI trafiło do głównego nurtu.
Weźmy firmę Chegg. Przez lata sprzedawała ona uczniom i studentom pomoc w odrabianiu zadań — można było zadać pytanie, a po drugiej stronie odpowiadał prawdziwy ekspert. Do tego dochodziły przewodniki do nauki, klucze z odpowiedziami i podobne materiały. Miliony studentów płaciły za to co miesiąc. To był bardzo stabilny i bardzo dochodowy biznes. Sam korzystałem z Chegg na studiach i naprawdę odczułem wartość tych pieniędzy.
(Informacja dodatkowa: Chegg to amerykańska firma edukacyjna notowana na giełdzie, oferująca płatną pomoc w nauce; ChatGPT autor zapisuje w transkrypcie fonetycznie jako „JGBT/CatchBeT”).
Ale przyszedł koniec 2022 roku i pojawił się ChatGPT. Niemal z dnia na dzień każdy student mógł uzyskać dokładnie tę samą pomoc w kilka sekund, dużo taniej, a czasem za darmo. Gdy tylko to się stało, sam zrezygnowałem z subskrypcji. W 2023 roku akcje Chegg spadły w jeden dzień o niemal 50%, a firma wprost przyznała, że ChatGPT zabija jej biznes.
Chegg to najgłośniejszy przykład, ale przez ostatnie lata firma za firmą ogłaszały zwolnienia, wskazując AI jako część przyczyny. Większość ludzi czyta to jednak błędnie. Te zwolnienia nie brały się stąd, że AI po prostu zastąpiło ludzi. Brały się stąd, że firmy zauważyły, iż jedna osoba korzystająca z AI potrafi wykonać pracę, która wcześniej wymagała trzech–pięciu osób. Wniosek jest zawsze ten sam: ludzie, którzy umieją używać AI, wyprzedzają tych, którzy nie umieją.
Jak agencje AI zarobiły — i dlaczego teraz same znikają
Tak właśnie zaczęły się pierwsze zmiany w sposobie pracy w korporacjach. Firmy zaczęły zatrudniać ekspertów, agencje i konsultantów od AI, żeby zdiagnozowali problemy, zbudowali automatyzacje i je rozwiązali. W ciągu ostatnich lat cały rynek automatyzacji AI z zupełnie nowego zjawiska urósł do wartości około 130 miliardów dolarów.
Ale dokładnie to samo, co pozwoliło agencjom AI zarobić fortunę, teraz je wypiera. Przez ostatnie lata firmy tkwiły w dziwnym miejscu: znały swoje problemy, ale nie miały pojęcia, jak je rozwiązać. Wiedziały, że ich skrzynka wsparcia to bałagan — nie wiedziały tylko, co z tym zrobić. Ta luka między znajomością problemu a znajomością rozwiązania była właśnie powodem, dla którego agencje mogły liczyć sobie tak wysokie stawki. Do tego AI było modnym hasłem, a firmy czuły presję ze strony zarządów i konkurencji, żeby zacząć je stosować. Agencje potrafiły tę lukę wypełnić i przez pewien czas były praktycznie jedynymi, które mogły dostarczyć gotowe rozwiązanie.
To już nieprawda. AI stało się tak dostępne i tak proste w obsłudze, że nawet najbardziej zajęty prezes zdążył otworzyć ChatGPT albo Claude i użyć ich, żeby rozwiązać jakiś swój problem. Sytuacja się odwróciła. Koszt i wartość samego „budowania” spada. Firmy nadal dokładnie wiedzą, jakie mają problemy, ale zamiast płacić kolejnej firmie za ich rozwiązanie, szukają sposobów, żeby zrobić to samodzielnie i wewnętrznie.
Prawdziwa szansa: nie „jak budować”, lecz „co budować”
I to prowadzi mnie do właściwej szansy — tej, która moim zdaniem stworzy więcej karier w AI niż cokolwiek innego w najbliższych latach.
Wielu założy, że bezpieczna ścieżka to zostać najlepszym builderem — inżynierem AI, który wchodzi i buduje wszystkie automatyzacje. To część układanki, bo daje dobre zrozumienie, jak to działa i jak wygląda sukces. Ale sama umiejętność budowania to tylko mały fragment. Dziś naprawdę liczy się nie to, jak coś zbudować, lecz to, co zbudować.
Wielkie laboratoria AI, jak OpenAI i Anthropic, same mówią, że modele stają się tak dobre — wręcz przerażająco dobre — że być może trzeba będzie spowolnić tempo. To temat na inny film. Ale co do jednego są zgodne: gdzie leży wartość człowieka? W osądzie, w guście, w rozwiązywaniu niejednoznaczności, w decydowaniu, na jakie problemy skierować AI, a na jakie nie. Ten ludzki osąd jest niezwykle ważny i nie każdy jest w nim z natury dobry. Skoro AI robi się coraz lepsze, a koszt budowania spada, to nie potrzeba już dyplomu z informatyki, a nawet zaplecza technicznego. Cała realna wartość przesuwa się w stronę osądu. Sam Altman powiedział, że nadchodzi czas „ludzi od pomysłów”.
(Informacja dodatkowa: Sam Altman to prezes OpenAI, twórcy ChatGPT).
Pomyśl o tym jak o lekarzu i farmaceucie. Farmaceuta wydaje dokładnie to, o co poprosisz. Lekarz ustala, czego w ogóle potrzebujesz. Builder to raczej farmaceuta, a wewnętrzny konsultant AI to lekarz. I to lekarzowi płaci się prawdziwe pieniądze.
Jak wygląda ta rola na co dzień
W praktyce ta rola to: audytowanie tego, jak dziś pracuje twój zespół, znajdowanie zadań pochłaniających najwięcej godzin, budowanie automatyzacji do ich obsługi, a następnie szkolenie pozostałych, jak korzystać z tego, co zbudowałeś — bo adopcja to kolejny wielki problem. Do tego dochodzi zarządzanie zmianą i komunikacja z interesariuszami. Każda firma ma już tę jedną osobę od IT, do której wszyscy biegną, gdy padnie laptop albo Wi-Fi. Tu chodzi o analogiczną osobę od AI.
Rola wewnętrznego konsultanta AI być może jeszcze formalnie nie istnieje — jako stanowisko ze standardową nazwą oraz ustalonym zakresem obowiązków. I właśnie dlatego to taka dobra okazja: większość ludzi nie zauważy, że ta praca istnieje, dopóki rynek nie będzie już nasycony — dokładnie tak, jak stało się z usługami automatyzacji AI. Nie twierdzę, że automatyzacja AI jest już całkowicie nasycona, ale taki jest kierunek rynku.
Mapa działania — cztery kroki
Wielu z was pomyśli: „Nate, skoro to stanowisko jeszcze nie istnieje, to jak mam się na nie dostać?”. Słuszne pytanie. Oto mapa, której użyłbym, żeby stworzyć tę pozycję wewnątrz firmy, w której już pracujesz.
Krok 1 — zaudytuj własną pracę. Usiądź i dosłownie spisz to, co robisz na co dzień i co tydzień. Większość ludzi zautomatyzuje po prostu to, co najbardziej ich irytuje. Ale najbardziej irytujące zadanie nie zawsze jest tym właściwym na start. Zamiast tego przejdź listę i znajdź zadania spełniające dwa warunki: po pierwsze, zjadają realne godziny każdego tygodnia; po drugie, jeśli AI zrobi coś trochę nie tak, nikt nie ucierpi — możesz zostać w pętli, poprawić i iść dalej. Na przykład cotygodniowy raport statusu, notatki ze spotkań, przeglądanie skrzynki, porządkowanie danych czy podstawowy research. Zadania spełniające oba warunki tworzą twoją listę startową. Nie próbuj naprawić całej firmy pierwszego dnia — dopiero się rozgrzewasz, zaczynasz od własnej pracy.
Krok 2 — zautomatyzuj te zadania i udowodnij, że to działa. Konkretnie: zapisuj liczby. „Ten raport zajmował mi 2 godziny tygodniowo, a teraz 10 minut”. Zaoszczędzone godziny to twój dowód. To jak z trenerem personalnym, który najpierw sam doprowadza swoje ciało do formy, zanim zacznie pomagać innym — nikt nie zatrudni trenera w kiepskiej formie. Chcesz mieć dowód, że potrafisz osiągnąć rezultaty, zanim zaczniesz kogokolwiek przekonywać. Gdy pierwsza automatyzacja zadziała, nie zatrzymuj się — wracasz do listy i bierzesz kolejne zadanie, i następne.
Krok 3 — uczyń dowody widocznymi. Pokazuj swoje sukcesy na spotkaniach zespołu. Zaproponuj, że naprawisz też najbardziej uciążliwe zadanie kolegi. Dokumentuj wszystko po drodze. Sposób mówienia też ma znaczenie. Nie wchodź z komunikatem „użyłem do tego ChatGPT”. Wiąż to z biznesem: „to zaoszczędziło nam 8 godzin przed wysyłką raportu kwartalnego”. To wersja, na której zależy twojemu szefowi i którą zapamięta. A jeśli złożysz mały wewnętrzny dokument z najlepszymi promptami i przepływami pracy, z których każdy może korzystać, to twoje nazwisko jest teraz przy narzędziu, na którym opiera się cały zespół.
Gdy masz już kilka sukcesów i ludzie zaczynają przychodzić do ciebie, jesteś gotów, by z „uciążliwości” awansować do „ograniczeń”. Cała ta niskoryzykowna praca była właściwym początkiem — pozwoliła eksperymentować w bezpiecznym miejscu, gdy jeszcze dowodziłeś wartości i się uczyłeś. Ale automatyzowanie uciążliwości nie rozwija biznesu. Rozwija go atakowanie ograniczeń — i za to właśnie konsultantom AI płaci się największe pieniądze. To moment, w którym uruchamiasz ten sam audyt co w kroku 1, ale na skalę całej firmy. Pytanie się zmienia: nie „co jest irytujące” ani „co zjada kilka godzin dnia”, lecz „co realnie hamuje biznes”. Gdybyśmy jutro podwoili liczbę klientów, co pękłoby pierwsze? Tam jest twoje pierwsze ograniczenie — i to jest twój projekt. Oszczędzenie zespołowi kilku godzin czyni cię pomocnym, ale usunięcie wąskiego gardła, na którym utknął cały biznes, przynosi firmie prawdziwe pieniądze. A to już zupełnie inna rozmowa z przełożonymi.
Krok 4 — sformalizuj to w prawdziwe stanowisko. Zsumuj wszystkie godziny i pieniądze, jakie zaoszczędziły twoje automatyzacje, i zamień to w jedną liczbę. Na przykład: „w tych pięciu automatyzacjach oddaję zespołowi rocznie równowartość jednego etatu”. Taka matematyka pozwala firmie wygospodarować realny budżet na projekty AI. Idziesz z tym do przełożonego nie po przysługę — proponujesz konkretną rolę i tytuł. Większości z was nie znajdzie tej pracy na LinkedIn; ogłoszenia pojawią się dopiero za kilka miesięcy i lat. Wielu z was po prostu stworzy to stanowisko od środka.
To nie hipoteza — dane
To nie coś, co sobie wymyśliłem. Wg ankiety IBM wśród 2000 prezesów dużych firm 76% deklaruje, że mają już jakąś formę Chief AI Officer. Rok wcześniej ta liczba wynosiła 26%. To stanowisko z praktycznie nieistniejącego stało się niemal powszechne w około dwa lata. A wchodzą w te role ci, którzy zauważyli to wcześnie. Do tego osoby z umiejętnościami AI zarabiają około 56% więcej niż kolega przy sąsiednim biurku wykonujący dokładnie tę samą pracę bez tych umiejętności. Na tym etapie nie prosisz o pracę — ty już ją zbudowałeś.
(Informacja dodatkowa: Chief AI Officer to stanowisko dyrektora ds. AI w organizacji).
A jeśli pracujesz w branży regulowanej
Część z was powie: „Pracuję w regulowanej branży, u nas w ogóle nie ma AI”. Bądź rozsądny. Nie rzucaj AI na wrażliwe dane. Nie automatyzuj rzeczy bez pozwolenia, jeśli nie możesz. Ale to nie znaczy, że nie możesz być osobą od AI w swoim zespole i firmie. Możesz eksperymentować z narzędziami na boku. Możesz budować projekty, które są dokładnie tym, co robisz w pracy, ale na danych testowych. Te cztery kroki pozostają w mocy. Chodzi o udowodnienie, że rozumiesz, jak o tym myśleć, i że potrafisz dostarczyć realną wartość.
Podsumowanie
Masz teraz pełną mapę do zostania wewnętrznym konsultantem AI w swojej firmie. Ale możesz wykonać każdy krok tej mapy, a jeśli nie potrafisz faktycznie budować rozwiązań z AI, nic innego nie ma znaczenia. Dobra wiadomość: tego można nauczyć się za darmo — w mojej darmowej społeczności są pełne kursy pokazujące, jak używać AI do rozwiązywania problemów, jakie narzędzia są potrzebne i wszystkie zasoby, które kiedykolwiek udostępniłem za darmo (umiejętności agentów, repozytoria GitHub, przewodniki). Jest tam też kompletny przewodnik do wszystkiego, o czym mówiłem w tym filmie, do pobrania.
(Informacja ddodatkowa: końcówka materiału to zaproszenie do darmowej społeczności autora — element promocyjny).
10 najważniejszych takeaways — z kontekstem zastosowania
1.Wartość przesuwa się z „umiem budować” na „wiem, co budować”
Na czym polega: Skoro budowanie automatyzacji tanieje i staje się dostępne dla każdego, przewagę daje osąd — decydowanie, które problemy warto rozwiązać AI, a które nie.
Jak stosować: Ćwicz identyfikowanie problemów i priorytetyzację, nie tylko klepanie workflow. Przy każdym pomyśle pytaj „czy to właściwy problem”, zanim zapytasz „jak to zbudować”.
Na co uważać: Nie zaniedbuj umiejętności technicznych całkowicie — autor podkreśla, że bez zdolności realnego zbudowania rozwiązania sam osąd nie wystarczy. To uzupełnienie, nie zamiennik.
2.Zacznij od audytu własnej pracy, nie całej firmy
Na czym polega: Pierwszy krok to spisanie własnych zadań dziennych i tygodniowych, żeby znaleźć kandydatów do automatyzacji.
Jak stosować: Przez tydzień notuj, co robisz i ile to zajmuje. Powstanie konkretna lista startowa oparta na faktach, nie na wrażeniu.
Na co uważać: Nie próbuj „naprawić firmy” od razu — to droga do przeciążenia i porażki. Skala całej organizacji przychodzi dopiero w kroku 3.
3.Wybieraj zadania po dwóch kryteriach: czas i niskie ryzyko błędu
Na czym polega: Automatyzuj to, co pochłania realne godziny co tydzień i gdzie pomyłka AI nikomu nie zaszkodzi.
Jak stosować: Dobre punkty startu: raporty statusowe, notatki ze spotkań, porządkowanie skrzynki i danych, podstawowy research. Zostajesz w pętli i poprawiasz błędy.
Na co uważać: Pokusa, by zacząć od tego, co najbardziej irytuje — to często zła decyzja. Najbardziej uciążliwe zadanie bywa też najbardziej ryzykowne lub złożone.
4.Mierz oszczędności liczbowo — to twój dowód
Na czym polega: Zapisuj konkretny czas przed i po („2 godziny → 10 minut tygodniowo”). Bez liczb nie masz argumentu.
Jak stosować: Prowadź prosty rejestr zaoszczędzonych godzin dla każdej automatyzacji. Te dane będą fundamentem rozmowy o roli i budżecie w kroku 4.
Na co uważać: Nie zawyżaj i nie zgaduj — jeśli liczby okażą się nierealne przy weryfikacji, stracisz wiarygodność, która jest tu całym kapitałem.
5.Komunikuj w języku biznesu, nie narzędzi
Na czym polega: Przełożonego nie obchodzi, że użyłeś ChatGPT — obchodzi go efekt biznesowy.
Jak stosować: Zamiast „użyłem AI” mów „to zaoszczędziło nam 8 godzin przed raportem kwartalnym”. Wiąż każdy wynik z celem lub kosztem firmy.
Na co uważać: Zbyt techniczny przekaz może wręcz zniechęcić decydentów lub wywołać obawy. Skup się na rezultacie, nie na technologii.
6.Buduj widoczność i „zawłaszczaj” wspólne narzędzie
Na czym polega: Prezentuj sukcesy na spotkaniach, pomagaj kolegom, dokumentuj wszystko i złóż wewnętrzny dokument z najlepszymi promptami i przepływami.
Jak stosować: Stwórz współdzielony zasób, z którego korzysta zespół — twoje nazwisko naturalnie kojarzy się z rozwiązaniem, na którym wszyscy polegają.
Na co uważać: Widoczność bez wcześniejszych realnych wyników to autopromocja bez pokrycia. Najpierw dowody (kroki 1–2), potem nagłośnienie.
7.Przejdź od uciążliwości do ograniczeń biznesu
Na czym polega: Uciążliwości to bezpieczny start, ale pieniądze robi się, usuwając wąskie gardła hamujące cały biznes.
Jak stosować: Zadaj pytanie: „Gdybyśmy jutro podwoili klientów, co pękłoby pierwsze?”. Odpowiedź wskazuje pierwsze ograniczenie i twój flagowy projekt.
Na co uważać: Projekty na poziomie ograniczeń są wyżej ryzykowne i bardziej widoczne — nie wchodź w nie, zanim zbudujesz wiarygodność na bezpieczniejszych zadaniach.
8.Sformalizuj rolę jedną liczbą i propozycją, nie prośbą
Na czym polega: Zsumuj oszczędności w jeden wskaźnik (np. „równowartość jednego etatu rocznie”) i zaproponuj konkretne stanowisko oraz tytuł.
Jak stosować: Przygotuj krótką propozycję roli z zakresem obowiązków i uzasadnieniem finansowym — to ułatwia firmie wydzielenie budżetu na AI.
Na co uważać: Nie idź z tym zbyt wcześnie. Bez portfela udowodnionych wyników propozycja wygląda jak proszenie o przysługę, a nie jak biznesowa decyzja.
9.W branży regulowanej działaj legalnie i na danych testowych
Na czym polega: Nawet bez zgody na AI w pracy możesz być „osobą od AI”, eksperymentując na boku i odtwarzając swoje zadania na danych fikcyjnych.
Jak stosować: Buduj projekty odzwierciedlające realną pracę, ale na danych testowych; te same cztery kroki wciąż obowiązują.
Na co uważać: Nigdy nie rzucaj AI na wrażliwe dane ani nie automatyzuj procesów bez pozwolenia. Złamanie zasad zgodności może kosztować cię pracę, nie awans.
10.Wejdź wcześnie — okno przewagi się zamyka
Na czym polega: Dane IBM (76% firm ma już jakąś formę Chief AI Officer wobec 26% rok wcześniej) i premia płacowa ok. 56% pokazują, że role wokół AI powstają lawinowo.
Jak stosować: Zacznij tworzyć swoją pozycję od środka teraz, zanim rynek się nasyci i pojawią się gotowe ogłoszenia z konkurencją.
Na co uważać: To liczby i teza autora (materiał ma też charakter promocyjny) — traktuj je jako sygnał kierunku, a nie gwarancję wyniku; sam sprawdź źródła, zanim oprzesz na nich decyzje zawodowe.