O czym jest ten film
- Opór wobec AI w zespołach jest zjawiskiem powszechnym, a nie wyjątkiem — autor przywołuje badanie, w którym jedna trzecia pracowników przyznaje się do sabotowania AI.
- Pierwsza zasada: lider musi publicznie „podpisać kontrakt” z zespołem — nazwać wprost obawę o miejsca pracy, zamiast ją omijać.
- Uczciwą alternatywą dla obietnicy „nikogo nie zwolnimy” jest mówienie o spowolnieniu tempa rekrutacji, a nie o cięciach wśród obecnych pracowników.
- Autor poleca narrację Jensena Huanga: AI to wzmacniacz produktywności, a lider, który zwalnia ludzi z powodu AI, po prostu nie ma wyobraźni.
- Druga zasada: nie ogłaszaj transformacji „wszystkiego naraz” — wybierz jedno konkretne miejsce startu.
- Kryteria wyboru: realny wpływ na wynik finansowy oraz zadanie, w którym AI już udowodniło skuteczność. Nie zaczynaj od nierozwiązanego problemu.
- Sukces pilota nie może być zdefiniowany jako „ludzie używają narzędzia” — przestroga na przykładzie Ubera i budżetu na tokeny.
- Kluczowa jest obecność entuzjasty AI na poziomie kierownictwa liniowego; bez tego deklaracje dyrektorów i wiceprezesów nie mają znaczenia.
- Trzecia zasada: przy skalowaniu trzeba brutalnie sprawdzić, czy AI faktycznie dodało wartość, i wejść w szczegóły techniczne — bo szybko stają się szczegółami ludzkimi.
- Największym efektem AI na pracę jest zacieranie granic między rolami, a nie ich likwidacja; dlatego trzeba nazwać, co pozostaje „święte” dla ludzi.
Redakcyjne tłumaczenie
Wasi inżynierowie prawdopodobnie nie znoszą tego, że wdrażacie AI
Wasi inżynierowie AI prawdopodobnie nienawidzą tego, że zajmujecie się AI. Mówię to nie dlatego, że mam jakiś tajemny wgląd w waszą firmę. Mówię to dlatego, że kiedy rozmawiam z ludźmi — z liderami, z indywidualnymi kontrybutorami — konsekwentnie słyszę to samo: w każdym zespole powyżej mniej więcej pięćdziesięciu osób znajdzie się grupa ludzi, którzy nie są fanami AI. Nie cieszy ich to, że firma idzie w tym kierunku. Aktywnie stawiają opór.
Ukazało się zresztą badanie obejmujące firmy globalne, z którego wynika, że jedna trzecia pracowników na świecie przyznaje się do sabotowania AI. To jest zatem bardzo realny problem. Chcę dziś opowiedzieć, jak podchodzę do tej kwestii przy wdrożeniach AI.
Zapowiem, co znajdziecie w tym materiale. Po pierwsze, porozmawiamy razem z liderami — nawet jeśli nie jesteście liderami, warto posłuchać tej rozmowy, bo to jest dokładnie to, co mówię liderom. Co powiedzieć? Jak zacząć wprowadzać tę zmianę? Jakie zobowiązanie trzeba na siebie wziąć? Po drugie, omówimy, jak wyznaczyć zakres i ramy startu transformacji AI. Ludzie stale mnie pytają: od czego zacząć z AI? To jest właśnie odpowiedź — dowiecie się, od czego i dlaczego, oraz dlaczego dotyczy to całego zespołu, wszystkich, którzy przechodzą przez transformację AI. Po trzecie, przegadamy naprawdę nieprzyjemne szczegóły momentu, w którym przechodzicie od „sympatycznego małego pilota” do „to musi teraz skalować się na całą firmę”. Co to oznacza dla ludzi? Co dla naszych systemów? Jak sprawić, by współpracowały ze sobą lepiej?
Powiem wam, co naprawdę słyszę od ludzi i od liderów, gdzie widzę powtarzające się pułapki i co robię, żeby je omijać. Potraktujcie to jak zajrzenie za kulisy moich rozmów z liderami na ten skomplikowany temat. Chciałem, żeby usłyszeli to wszyscy, więc dzielę się tym tutaj.
Zasada pierwsza: kontrakt, który lider musi podpisać publicznie
Zaczynamy od kontraktu, na który musicie się zgodzić razem z zespołami, jeśli chcecie, żeby pojechały z wami w tę podróż. Mówię „kontrakt” nie dlatego, że jest prawnie wiążący, ale dlatego, że to zobowiązanie — zobowiązanie, które jako lider musicie podjąć publicznie, jeśli przechodzicie przez transformację AI.
A powiem wam tak: świat składa się dziś z organizacji, które są AI-native, i z organizacji, które próbują takie się stać. Nie widziałem żadnego zakątka rynku pracy, który nie znajdowałby się przynajmniej gdzieś na tym spektrum. Możecie być na wczesnym etapie tej drogi, ale i tak patrzycie w stronę AI. Rozmawiam z ludźmi bardzo daleko od branży technologicznej, którzy mówią: „wiesz co, ostatnio odbudowałem sobie Codexem narzędzie w mojej fabryce”. To się po prostu dzieje.
(Informacja dodatkowa: Codex to narzędzie OpenAI do programowania z pomocą modelu — przykład ma pokazać, że po tego typu narzędzia sięgają dziś także osoby spoza IT).
W takim świecie potrzebujemy od kierownictwa zobowiązania, którego da się dotrzymać i które odzwierciedla troskę o dobrostan całego zespołu. Bo jeśli macie wziąć udział we wdrożeniu AI i patrzycie na to wdrożenie z myślą: „czuję, że to jest wymierzone we mnie, czuję, że to idzie po moją pracę, czuję, że chodzi wyłącznie o cięcie etatów” — to nic z tego nie będzie.
Zachęcam liderów w takiej sytuacji, żeby po prostu nazwali słonia w pokoju. Uważam, że bardzo często, kiedy nie nazywamy słonia w pokoju, ludzie po prostu nie są w stanie ruszyć do przodu. Mówię więc: możecie być całkowicie szczerzy. Duża część przekazu o AI, szczególnie w mediach informacyjnych, dotyczy AI i miejsc pracy. Otóż nadal nie ma spójnych dowodów w skali kraju — w Stanach Zjednoczonych, czyli tam, gdzie adopcja AI jest najdalej posunięta — na jakikolwiek wpływ AI na zatrudnienie. Tylko że to nie ma znaczenia. Bo jeśli Jack Dorsey mówi, że zwalnia tysiące ludzi, ponieważ chce skupić się na AI, to ludzie słyszą właśnie ten komunikat. Ludzie myślą: „no dobrze, może w krajowych statystykach zagregowanych to nic nie zmienia, ale dla mnie ma znaczenie — dla mojej zdolności do postawienia jedzenia na stole ma znaczenie”.
I potrzebują, żebyście jako liderzy powiedzieli jasno: to, co tutaj robimy, nie ma na celu likwidowania miejsc pracy w tej firmie. Nie ma na celu odebrania wam waszej roli.
Widziałem liderów, którzy robili to w sposób pełen integralności. Widziałem, jak mówią: chcemy pozostać firmą małą i szczupłą, więc naszym planem jest zwolnienie tempa, w jakim rośniemy — albo: naszym planem na teraz jest nie zatrudniać dużo więcej ludzi, bo mamy AI. Da się więc mówić o wpływie na liczbę etatów bez mówienia o zwalnianiu osób, które już tu pracują.
I dalej: kiedy jesteś entuzjastycznym zwolennikiem AI, kiedy potrafisz używać AI praktycznie i dostarczać dzięki niemu wartość — zajdziesz w tej firmie dalej w swojej karierze. A jeśli, przeciwnie, stawiasz opór, jeśli — nie daj Boże — sabotujesz AI, to są rzeczy, które twoją karierę tutaj zagrożą.
Jeśli nie macie zobowiązania do ochrony ludzi, których już macie, po prostu nie macie od czego zacząć. A jeśli chcecie mieć szansę na realne zaangażowanie całej firmy, musicie umieć powiedzieć jej o celach tego wdrożenia. Po co to robicie?
I tu odkrywam, że nic nie działa lepiej niż narracja Jensena Huanga. Jensen mówi bardzo otwarcie, że oczekuje od swoich inżynierów ogromnych wzrostów produktywności, ale nie rozstaje się z żadnym z nich. Powiedział publicznie liderom, którzy zwalniają pracowników, że po prostu brakuje im wyobraźni, by wykorzystać swoje zespoły w erze AI. Brakuje im wizji i odwagi, by wyjść i znaleźć nowe rzeczy, w które firma może wejść.
(Informacja dodatkowa: Jensen Huang to współzałożyciel i dyrektor generalny Nvidii).
To jest ten rodzaj przekazu, który naprawdę rezonuje: „słuchajcie, moim zadaniem jako lidera jest wymyślić szerszą wizję dla firmy i to, po co idziemy. AI widzę jako potężny wzmacniacz produktywności”. W tym momencie macie ich uwagę. Macie zaufanie — bo mówicie: to nie jest odbieranie czegoś, to jest poszerzanie horyzontów.
Zasada druga: wybierz jedno konkretne miejsce startu
Zasada druga jest krytyczna, ponieważ AI to transformacja całej organizacji. W pewnym momencie sięgnie po narzędzia, sięgnie po sposób pracy, sięgnie po wszystko. Ale jeśli zaczniecie od zdania „to sięgnie po wszystko, robimy AI całościowo, wszyscy zaczynają używać AI”, to po pierwsze ludzie w to nie uwierzą, a po drugie nie zrozumieją, co to znaczy dla ich codziennej pracy.
Trzeba więc zacząć od komunikatu: wybieramy konkretny kąt natarcia, od którego rozpoczynamy transformację AI. Nie ogólnik — konkretne miejsce.
A sposób wyboru tego miejsca podpowiadam bardzo prosty. Wybierzcie coś, co realnie wpływa na wasz wynik finansowy. Może zwiększać przychody. Może obcinać koszty narzędzi. Nie wiem co dokładnie, ale musi to mieć znaczący wpływ na wynik, żebyście mieli motywację, by to naprawdę pociągnąć. I musi to być powiązane z rzeczami, w których AI już udowodniło skuteczność. Nie wybierajcie jako punktu startu nowego, nierozwiązanego problemu w AI.
Chodzi o to, żeby umożliwić ludziom skuteczniejszą pracę. Weźmy obsługę klienta: przy rutynowych zgłoszeniach przechodzimy na agentów AI, a przy bardziej złożonych sprawach wkraczają ludzie. Albo odwrotnie — firma mówi: chcemy zachować ludzki kontakt, chcemy, żeby ludzie rozmawiali z ludźmi, ale AI będzie pracować w tle, przeczesywać CRM, historię klienta, całą naszą politykę, tak żeby każda rozmowa była świetną rozmową.
Kiedy usiądziecie i wyznaczycie ten obszar oddziaływania — a nie musi to być obsługa klienta, część firm zaczyna od inżynierii, bo tam ludzie mają kompetencje techniczne, żeby to wdrożyć — musicie o tym mówić publicznie. Nawet jeśli dotyczy to tylko jednego zespołu, mówicie całej firmie: zaczynamy tę drogę razem, zaczynamy tutaj i oto dlaczego. Może zaczynacie od obsługi klienta, może od projektu inżynierskiego, bo chcecie nauczyć się pracy w trybie AI-native. To dwa typowe punkty startu.
Tak czy inaczej: mówicie o zakresie i mówicie publicznie o tym, jak wygląda sukces. Sukcesem nie może być samo „ludzie używają narzędzia”. Sukcesem powinno być to, że zmienia się sposób pracy — tak, że poprawia się doświadczenie klienta, że dostarczamy firmie więcej wartości. Coś namacalnego i istotnego, wykraczającego poza zmianę samej aktywności.
To jest naprawdę ważne, bo jeśli mówicie wyłącznie o zmianie aktywności, lądujecie w sytuacji, w której publicznie znalazł się Uber na początku tego roku. Uber powiedział: bardzo żałujemy kwot, które wydajemy na tokeny, bo zachęcaliśmy do korzystania jak szaleni.
(Informacja dodatkowa: „tokeny” to jednostki rozliczeniowe zużycia modeli językowych — im intensywniej zespoły korzystają z AI, tym wyższy rachunek).
To wysyła zespołowi całkowicie sprzeczny komunikat, prawda? Bo jeśli jesteś raczej sceptyczny, a słyszysz nieustannie „używaj AI, używaj AI, używaj AI”, i w końcu zaczynasz używać AI, a potem słyszysz „nie używaj AI, bo mamy budżet na tokeny” — robi się jeszcze bardziej mętnie i po prostu czujesz, że kierownictwo nie wie, co robi.
Musicie więc wybrać obszar skupienia. Musicie wybrać i określić zakres zaangażowania. Zadbać, żeby był znaczący. Mówić o nim publicznie, do całej firmy. Przygotować się do niego — czyli zaplanować budżet. I zapewnić ludzi na miejscu.
Co do ludzi, mam specjalną uwagę. Musicie wybrać takie miejsce w firmie, w którym macie żarliwego zwolennika AI na stanowisku menedżerskim lub w kierownictwie średniego szczebla, i ta osoba musi umieć się tym ekscytować. Jeśli liderzy na poziomie zespołów nie są podekscytowani wdrożeniem AI, to dyrektorzy, wiceprezesi i cała wyższa kadra nie mają znaczenia. Mogą sobie mówić na spotkaniach, ile chcą — jeśli kierownictwo liniowe nie pali się do tego, nic się nie wydarzy. Nic.
Przypominam więc wszystkim, którzy tego słuchają: AI jest ostatecznie osobistą podróżą transformacyjną w takim samym stopniu, w jakim jest transformacją publiczną. Częścią historii, którą jako liderzy musimy opowiedzieć, jest to, że sami przez to przechodzimy razem z zespołem. Liderzy muszą uczyć się korzystać z AI i mówić publicznie o tym, co działa — a także o tym, co nie działa.
Zasada trzecia: prawda o pilocie i uczciwe skalowanie
Trzecia rzecz dotyczy tego, że narzędzia AI nieustannie ewoluują, oraz tego, skąd wiecie, że osiągacie realną wartość i potraficie przekuć ją w trwałą zmianę w firmie. To wątki splecione ze sobą, ale trzymajcie się mnie.
AI szybko się rozwija, wszyscy to wiemy. Mówię o tym bez przerwy. Agenci AI potrafią wykonywać coraz bardziej złożone zadania. A skoro tak, musimy rozwijać nasze rusztowania (harnesses), żeby z nimi współpracowały. To znaczy, że musimy zmienić sposób wywoływania narzędzi w całej firmie, sposób korzystania z danych w całej firmie. Wszystkie te elementy, które są w istocie systemami przetwarzania informacji w biznesie, muszą wyewoluować, żeby działać z AI.
(Informacja dodatkowa: „harness” to warstwa obudowująca model — zestaw narzędzi, uprawnień, dostępów do danych i pętli kontrolnych, w której agent faktycznie pracuje).
Najpierw musicie określić kryteria sukcesu. I tu będę wobec was zupełnie szczery. Jeśli pierwsze wdrożenie AI nie pójdzie dobrze, większość ludzi albo brnie dalej z uporem, bo „to AI, po prostu musimy to dowieźć”, albo wyciąga błędną lekcję i całkowicie się wycofuje, robiąc sobie przerwę od AI — widziałem i takie przypadki.
Zamiast tego powinni przyjrzeć się konkretnym wnioskom. Czy istniało prawdziwe zaangażowanie kierownictwa w AI? Czy członkowie zespołu dostali narzędzia, żeby zrozumieć, jak AI działa, gdzie leżą oczekiwane tryby awarii, jak używać AI skutecznie i jak wygląda sukces w ich konkretnej roli? A kiedy przeprowadziliście wdrożenie techniczne — czy to narzędzie faktycznie wykonywało pracę, która komuś pomagała? Widziałem mnóstwo przypadków wdrożenia Copilota, z którego ludzie nie korzystają, bo im po prostu nie pomaga.
Musicie dotrzeć do twardej, nieprzyjemnej prawdy o tym, czy AI dodaje firmie wartość. Więc najpierw: poznajcie prawdę. Po drugie, kiedy już ją znacie — albo wyciągacie wnioski i próbujecie w innym miejscu, jeśli pilot się nie udał, albo rozszerzacie działanie na inne działy i zespoły. W tym drugim przypadku musicie z wyprzedzeniem przemyśleć, jakie konsekwencje dla danych, narzędzi i systemów niesie to dla waszego konkretnego stosu technologicznego. Powód jest prosty: ludzie albo próbują na tym etapie ugryźć całą organizację naraz, co jest katastrofalne, bo bardzo drogie i bardzo skomplikowane, albo źle rozumieją, co właściwie muszą rozwiązać od strony technicznej.
Trzeba być naprawdę gotowym zanurkować w szczegóły techniczne, żeby to się udało. A te szczegóły techniczne — jak stale powtarzam — zamieniają się w szczegóły ludzkie. Bo ludzie zaczynają pytać: „dobra, więc nagle wszystkie nasze pliki pamięci są w Markdownie — co to znaczy dla mnie? Czy ja mam jeszcze pisać na wiki?”.
Musicie myśleć o tym, jaką długoterminową zdolność wbudowujecie w serce firmy i jak zrobić to tak, by ludzie i agenci AI mogli pracować razem. Samo to zdanie jest zresztą bardzo nośnym komunikatem do przekazania wszystkim.
Wychodzą duże badania pokazujące, że jednym z największych wpływów AI na pracę nie jest koniecznie zabijanie miejsc pracy — choć w niektórych miejscach do tego dochodzi i nie zaprzeczam temu. Chodzi o to, że AI zaciera granice między stanowiskami, a to prowadzi do ogromnej niejednoznaczności. Prowadzi do dużego zamieszania. Prowadzi do tego, że mnóstwo ludzi próbuje ustalić, gdzie właściwie jest ich kariera.
Możecie uzasadniać wdrożenie agentów albo tym, że ich potrzebujecie — co też jest prawdą, bo wszyscy inni je dodają, więc są wam potrzebne, by pozostać konkurencyjnym, i bez nich biznes przestanie działać — albo tym, że macie szerszą wizję. To drugie jest zawsze lepsze. Ludzie lubią wizję, ludzie kupują wizję, ludzie chcą widzieć szerszy horyzont. I wtedy dopowiadacie: w takim świecie zrobimy to w ten sposób. Musicie opowiedzieć tę historię tak, żeby górowała nad szczegółami technicznymi.
Kiedy więc przychodzi czas przejścia z pilota na większą skalę i macie już przegadane szczegóły techniczne tego, co trzeba zmienić, w szerszym komunikacie mówcie o wpływie na klienta i o korzyści dla firmy, którą zaobserwowaliście w pilocie. Potem wyjaśnijcie na wysokim poziomie, dlaczego AI ma znaczenie dla całej firmy i dlaczego dokładacie do miksu agentów AI. Następnie opowiedzcie o długoterminowej wizji dla agentów i o tym, jak przepływa informacja — bez zanurzania się zbyt głęboko w szczegóły techniczne. Zwłaszcza w świecie po ataku na Hugging Face, gdzie wszyscy zadają sobie pytanie: co my tu właściwie robimy? Czy po prostu dokładamy agentów AI, a one będą cyberatakować inne firmy? Czy same padną ofiarą cyberataków?
Musicie umieć powiedzieć: oto zabezpieczenia, które wprowadzamy, żeby chronić was, wasze rodziny, firmy, z którymi współpracujemy, i nas samych — i zagwarantować, że nie oberwiemy od cyberataków ani od złośliwych aktorów wykorzystujących agentów AI. Tak oceniamy wyniki pracy agentów. Oto rzeczy, których agenci nie mogą dotknąć, i tak je chronimy — przynajmniej na ogólnym poziomie.
A potem musicie powiedzieć: a to jest święte. To jest obszar, w którym zobowiązujemy się utrzymać ludzką przewagę. Ta ostatnia część jest naprawdę ważna, bo ludzie przeskoczą przez wiele przeszkód, jeśli wiedzą, jaką wizję dla ludzi widzicie w swoim biznesie.
Co zostaje dla ludzi
I na tym chcę skupić się w ostatniej części. Wiemy już dziś, gdzie widzimy dużo wartości z AI. Widzimy ją z pewnością w zadaniach programistycznych. Widzimy ją w zdolności AI do przyspieszania iteracji w całym biznesie — czy to w kodzie, czy w pisaniu, czy w matematyce. I widzimy ją w naprawdę głębokiej analizie. „Zbuduj mi dwudziestozakładkowy arkusz analizujący pozycję giełdową” to zadanie, w którym AI jest bardzo, bardzo dobre.
A dzieje się tak dlatego, że konsekwentnie okazuje się jedno: jeśli chcecie czegoś profesjonalnego, potrzebny jest człowiek, który przejdzie przez materiał i usunie „elelemowatość” — te charakterystyczne maniery językowe modeli. Potrzebny jest człowiek, który sprawdzi, czy rzecz faktycznie jest spójna z szerszą strategią i tak dalej. Mówcie o tym, co robi człowiek.
I powiem wam: są ludzie w San Francisco, którzy powiedzą „nie, nie powinniście tego robić, bo agenci będą po prostu magicznie stawać się coraz lepsi w nieskończoność, a jeśli tak, to dla ludzi nie zostanie nic do roboty”. Nie wierzę w taki świat. Nie widzę go. Widzę za to mnóstwo zmieniających się i ewoluujących ról, ale też ogrom pracy dla ludzi. Najbardziej zajętymi osobami, jakie znam, są ci, którzy pracują w AI i wokół AI — niekoniecznie dlatego, że trenują modele, ale dlatego, że wymyślanie, jak skutecznie pracować z modelami, jest najtrudniejszym wyzwaniem, przed jakim moim zdaniem stanęliśmy przez pięćset lat istnienia korporacji. To jest naprawdę, naprawdę trudne.
Musimy więc mówić uczciwie o tym, że inżynierowie przesuwają się w stronę projektowania systemów. Przesuwają się w stronę pisania ewaluacji i budowania pętli, w których ewaluacje napędzają dostarczanie kodu — tak, żeby móc realnie zderzać agenta ze standardem i z czasem dowozić działający kod. Ale to wymaga pracy, wymaga cierpliwości i wymaga rozmowy o ludzkich skutkach tego, co się dzieje.
(Informacja dodatkowa: „ewaluacje” (evals) to zestawy testów sprawdzających jakość wyników modelu — odpowiednik testów automatycznych dla zachowań AI).
I to tyle. To są moje trzy główne zasady, przez które przeprowadzam ludzi, gdy zaczynam rozmowę o transformacji AI. Tak odpowiadam na pytanie, które regularnie dostaję: co robić, kiedy ludzie nienawidzą AI? Jak przeprowadzić firmę przez ten proces? Mam nadzieję, że to było pomocne. Jeśli mieliście fatalne doświadczenie z wdrożeniem, napiszcie w komentarzach. Jeśli mieliście świetne albo jeśli macie coś do dodania do tego procesu — też piszcie. Do zobaczenia następnym razem.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Nazwij słonia w pokoju, zanim ogłosisz cokolwiek innego
Na czym polega: Opór wobec AI rzadko dotyczy narzędzi — dotyczy lęku o pracę. Dopóki lider nie powie wprost, że wdrożenie nie służy likwidacji stanowisk, ludzie nie ruszą do przodu.
Jak stosować: Otwórz komunikat o wdrożeniu od tej kwestii, nie od funkcjonalności narzędzia. Powiedz wprost, czego wdrożenie nie ma na celu, i przyznaj, że medialny przekaz o AI i pracy jest realnym źródłem niepokoju.
Na co uważać: Nie obiecuj rzeczy, których nie utrzymasz. Statystyka krajowa („nie ma dowodów na wpływ AI na zatrudnienie”) nie uspokoi nikogo, kto słyszał o zwolnieniach uzasadnianych AI — dla pojedynczej osoby liczy się jej etat, nie agregat.
2.Mów o tempie zatrudniania, a nie o cięciach
Na czym polega: Uczciwym sposobem na rozmowę o efektach kadrowych bez łamania zaufania jest deklaracja typu „zwalniamy tempo rekrutacji” albo „nie planujemy dużego wzrostu zatrudnienia, bo mamy AI”.
Jak stosować: Sformułuj konkretne, sprawdzalne zdanie o planach kadrowych na najbliższy okres i powtarzaj je spójnie. To pozwala być szczerym co do oszczędności bez straszenia obecnego zespołu.
Na co uważać: To działa tylko wtedy, gdy jest prawdą. Jeśli za pół roku ogłosisz zwolnienia, koszt utraconej wiarygodności będzie wyższy niż gdybyś od początku nie obiecywał nic.
3.Powiąż postawę wobec AI z rozwojem kariery — jawnie
Na czym polega: Ochronie miejsc pracy towarzyszy w tej narracji jasny komunikat zwrotny: kto praktycznie wykorzystuje AI do dowożenia wartości, zajdzie w firmie dalej; kto sabotuje, ryzykuje karierę.
Jak stosować: Wypowiedz oba człony jednocześnie — sama ochrona bez oczekiwań daje przyzwolenie na bierność, same oczekiwania bez ochrony wywołują panikę.
Na co uważać: „Wykorzystywanie AI” trzeba definiować przez dostarczoną wartość, nie przez aktywność w narzędziu. Inaczej premiujesz teatr używania AI.
4.Zbuduj narrację wokół poszerzania horyzontów, nie odejmowania
Na czym polega: Autor poleca argumentację Jensena Huanga: oczekuj ogromnych wzrostów produktywności i nie rozstawaj się z ludźmi, bo zwalnianie z powodu AI świadczy o braku wyobraźni lidera.
Jak stosować: Powiedz zespołowi wprost: moim zadaniem jest wymyślić, w co firma wejdzie dzięki zyskanej mocy przerobowej. Potem faktycznie przedstaw tę listę nowych kierunków.
Na co uważać: Wizja bez konkretów działa raz. Jeśli po kwartale wzrostu produktywności nie ma nowych projektów, w które ta produktywność miałaby pójść, ludzie słusznie wywnioskują, że jedyna droga prowadzi do redukcji.
5.Nie ogłaszaj „AI wszędzie” — wybierz jeden punkt startu
Na czym polega: Komunikat o transformacji całej organizacji naraz jest jednocześnie niewiarygodny i pusty operacyjnie: nikt nie wie, co ma zmienić w poniedziałek rano.
Jak stosować: Wskaż jeden obszar (np. obsługa klienta albo konkretny projekt inżynierski) i publicznie wyjaśnij, dlaczego akurat ten. Nawet jeśli dotyczy jednego zespołu, komunikuj to całej firmie jako wspólny start.
Na co uważać: Wąski zakres nie oznacza cichego pilota w kącie. Brak publicznego ogłoszenia sprawia, że reszta firmy dowie się o wdrożeniu z plotek, a to wraca jako opór.
6.Kryteria wyboru pilota: wynik finansowy plus udowodnione zastosowanie AI
Na czym polega: Pilot musi realnie wpływać na wynik (przychód lub koszty), żeby był motywacja do jego dociągnięcia, i musi dotyczyć zadania, w którym AI już wykazało skuteczność.
Jak stosować: Odrzuć kandydatów na pilota, którzy nie spełniają obu warunków. Modelowe przykłady z materiału: agenci przy rutynowych zgłoszeniach z eskalacją do ludzi, albo AI pracujące w tle na CRM i historii klienta, żeby człowiek prowadził lepszą rozmowę.
Na co uważać: Nie wybieraj jako pierwszego projektu nierozwiązanego problemu badawczego. Porażka pierwszego wdrożenia kosztuje więcej niż jej wartość merytoryczna, bo zamyka drogę do następnych.
7.Sukces zdefiniuj przez efekt, nie przez używanie narzędzia
Na czym polega: Jeśli miarą sukcesu jest adopcja narzędzia, powstaje pułapka, w którą publicznie wpadł Uber — najpierw zachęcanie do intensywnego korzystania, potem żal nad rachunkiem za tokeny.
Jak stosować: Zdefiniuj sukces jako zmianę sposobu pracy przekładającą się na doświadczenie klienta lub wartość dla firmy. Metryki użycia trzymaj jako diagnostykę, nie jako cel.
Na co uważać: Sprzeczne komunikaty („używaj AI” → „nie używaj, bo budżet”) są dla sceptyków dowodem, że kierownictwo nie wie, co robi. Budżet na zużycie modeli zaplanuj przed startem, nie po pierwszym rachunku.
8.Klucz to entuzjasta na poziomie kierownictwa liniowego
Na czym polega: Jeśli liderzy zespołów nie palą się do wdrożenia, deklaracje dyrektorów i wiceprezesów nie mają znaczenia — nic się nie wydarzy.
Jak stosować: Wybieraj miejsce pilota także pod kątem tego, gdzie masz autentycznego zwolennika AI w roli menedżerskiej lub średniego szczebla. To kryterium jest równie ważne co potencjał biznesowy obszaru.
Na co uważać: Entuzjazmu nie da się zadekretować przydziałem zadania. Jeśli w wybranym obszarze takiej osoby nie ma, lepiej zmienić obszar niż liczyć, że menedżer „się przekona” po drodze.
9.Po pilocie ustal twardą prawdę zamiast brnąć albo uciekać
Na czym polega: Dwie typowe reakcje na nieudane wdrożenie to upór („to AI, musimy dowieźć”) i całkowite wycofanie się. Obie omijają diagnozę.
Jak stosować: Przejdź listę pytań: czy było realne zaangażowanie kierownictwa? Czy ludzie dostali wiedzę o tym, jak AI działa, gdzie zawodzi i jak wygląda sukces w ich roli? Czy narzędzie faktycznie wykonywało pomocną pracę — czy było kolejnym wdrożeniem Copilota, z którego nikt nie korzysta, bo nie pomaga?
Na co uważać: Przy skalowaniu nie próbuj objąć całej organizacji naraz — to bardzo drogie i skomplikowane. Z wyprzedzeniem przeanalizuj konsekwencje dla danych, narzędzi i konkretnego stosu technologicznego.
10.Nazwij, co pozostaje ludzkie — i przygotuj ludzi na rozmycie granic ról
Na czym polega: Według przywoływanych badań największym efektem AI nie jest likwidacja stanowisk, lecz zacieranie granic między nimi, co rodzi niejednoznaczność i niepewność co do własnej ścieżki. Antidotum jest wskazanie, co jest „święte” dla ludzi: wyłapywanie manier językowych modeli, zgodność ze strategią, projektowanie systemów, pisanie ewaluacji i pętli, które zderzają agenta ze standardem.
Jak stosować: W komunikacie o skalowaniu zachowaj kolejność: wpływ na klienta i korzyść z pilota → dlaczego AI ma znaczenie dla firmy → długoterminowa wizja przepływu informacji → zabezpieczenia (co agenci mogą i czego nie mogą dotknąć, jak oceniamy ich wyniki) → co pozostaje ludzką przewagą.
Na co uważać: Szczegóły techniczne szybko stają się szczegółami ludzkimi — decyzja typu „pliki pamięci trzymamy w Markdownie” natychmiast rodzi pytanie „to czy ja mam jeszcze pisać na wiki?”. Po ataku na Hugging Face temat bezpieczeństwa agentów trzeba adresować wprost, a nie pomijać jako „szczegół techniczny”.