O czym jest ten film
- Klient autora, menedżer najwyższego szczebla, zapytał: skoro młodzi ludzie oddają prace wygenerowane przez AI, których nawet nie przeczytali — to jak ktokolwiek ma się nauczyć rozpoznawać dobrą jakość?
- W tym samym miesiącu identyczne pytanie zadali klienci z branży prawnej, budowlanej i inwestycyjnej — osoby, które nigdy się nie spotkały.
- Problem nie dotyczy tylko zawodowców na starcie kariery, lecz wszystkich korzystających z AI — niezależnie od stażu.
- Fundamentem kariery była niepisana umowa: żmudne zadania w zamian za naukę fachu i awans. Ta nieszlachetna robota działała jak czesne za edukację.
- AI przejmuje żmudną, powtarzalną pracę — nauka przez samo wykonywanie zadań zanika już dziś, a nie kiedyś.
- Dane przywołane w materiale: o 35% mniej etatów początkujących w rolach praktykantkich w trzy lata, największe banki wycięły nabory analityków o dwie trzecie, a badanie Harvarda (ok. 62 mln pracowników) wykazało ok. 10% spadku stanowisk juniorskich w 18 miesięcy od wdrożenia AI — przy nietkniętych seniorskich.
- Ocena wyników AI to zupełnie inna kompetencja niż ocena pracy człowieka: błędy ludzi są widoczne i typowe, błędy AI — wygładzone, pewne siebie i trudne do wychwycenia. Juniorzy i seniorzy uczą się jej od zera, razem.
- Wartość przesuwa się w górę: od wykonywania pracy, przez jej sprawdzanie, po dobry gust i decydowanie, w co AI kierować. W programowaniu AI zaczyna już sprawdzać także własny kod.
- Firmy reagują: Deloitte przebudowało programy tak, by nowi ludzie uczyli się wyłapywać błędy AI i uzasadniać, dlaczego są błędne; banki i fundusze stosują ćwiczenia porównawcze — człowiek kontra AI na wybranych umiejętnościach.
- Praktyczne zakończenie: prowadź dwie listy — umiejętności, które zachowujesz (i świadomie ćwiczysz), oraz takich, które oddajesz AI — i przeglądaj je co kilka miesięcy, wraz z nowymi modelami.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Żmudna robota juniorów była „czesnym” za naukę — AI właśnie ją przejmuje
Na czym polega: Kariera opierała się na cichym układzie: wykonujesz nudy zadania, a właśnie przez nie uczysz się fachu i zdobywasz awans. Skoro AI przejmuje te zadania, mechanizm nauki słabnie — co potwierdzają dane o spadku zatrudnienia na wejściu do zawodów.
Jak stosować: Przejrzyj zadania zlecane początkującym i odróżnij te czysto wykonawcze od tych, które uczą (kontakt z dokumentami i danymi, informacja zwrotna od seniorów). Zanim zautomatyzujesz te drugie, ustal, czym je zastąpisz w procesie szkolenia.
Na co uważać: Wycięcie „nudy” bez zbudowania nowej drogi nauki oznacza pokolenie pracowników bez wyczucia jakości — czyli bez ludzi, którzy za kilka lat mieliby oceniać wyniki AI.
2.Przed rekrutacją pada nowe pytanie: „czy AI tego nie zrobi?”
Na czym polega: Menedżerowie zatrudniający coraz częściej analizują zadania nowego stanowiska i sprawdzają, czy AI nie wykona ich częściowo lub w całości, zanim ogłoszą nabór. Według autora to jedno ze źródeł spadku zatrudnienia juniorów.
Jak stosować: Przy każdym nowym stanowisku rozpisz jego zadania i świadomie rozdziel je między maszynę a człowieka — z uwzględnieniem rozwoju zespołu, a nie wyłącznie bieżących kosztów.
Na co uważać: Optymalizacja pod krótkoterunkowe oszczędności może pozbawić firmę kadr zdolnych w przyszłości oceniać pracę AI.
3.Ocena wyników AI to inna umiejętność niż ocena pracy człowieka
Na czym polega: Doświadczeni praktycy błyskawicznie wychwytują ludzkie potknięcia — niedbałość, luki, pośpiech — bo przez lata wyćwiczyli rozpoznawanie takich wzorców. Wyniki AI są natomiast dopracowane, brzmią pewnie, a ich błędy wymagają żmudnego szukania.
Jak stosować: Buduj w zespole wyczucie typowych ułomności AI: prowadź bibliotekę realnych błędów modeli w Waszym kontekście, twórz listy kontrolne przeglądu, ćwiczcie ocenę na wspólnych przykładach.
Na co uważać: Płynny, profesjonalny styl nie jest dowodem poprawności merytorycznej — to właśnie w nim kryją się najgroźniejsze wpadki.
4.Junior i senior stają dziś na tym samym starcie
Na czym polega: Skoro ocenianie pracy AI to nowa kompetencja, wieloletnie doświadczenie w sprawdzaniu ludzkich prac nie daje automatycznej przewagi. To paradoksalnie szansa dla początkujących — mogą nadrobić dystans w obszarze, którego seniorzy też dopiero się uczą.
Jak stosować: Włączaj młodsze osoby do przeglądu wyników AI zamiast zostawiać im kopanie danych; traktuj wspólną ocenę wyników jako praktykę całego zespołu, nie przywilej ekspertów.
Na co uważać: Senior przekonany, że „to już umie”, bo od lat sprawdza prace podwładnych, będzie łapał niewłaściwe wzorce błędów — ludzkie, a nie maszynowe.
5.Metoda Deloitte: ucz oceniania przez wymuszanie odpowiedzi na pytanie „dlaczego”
Na czym polega: Deloitte przebudowało programy dla nowych pracowników: większość pracy wykonuje AI, a człowiek uczy się wyłapywać błędy i dokładnie tłumaczyć, co jest nie tak. Senior musi więc w słowa ująć wiedzę, która dotąd działała intuicyjnie — bo dotąd uczyła sama praca.
Jak stosować: Przy każdym przeglądzie wyniku wymagaj od ekspertów uzasadnienia, dlaczego coś jest dobre lub złe; zapisuj te uzasadnienia jako materiał szkoleniowy i podstawę do ulepszania promptów czy instrukcji dla AI.
Na co uważać: Wypowiadanie swojej intuicji na głos jest trudne i czasochłonne — ale bez tego wiedza zostanie w głowach kilku osób i przepadnie razem z ich odejściem z firmy.
6.Ćwiczenia porównawcze: człowiek kontra AI na wybranych umiejętnościach
Na czym polega: Banki i fundusze stosują wobec nowych pracowników trening znany z sportu: pracownik wykonuje zadanie ręcznie (wystarczy szkic), AI robi dokładnie to samo, a potem porównuje się oba wyniki. Widać przy okazji słabości człowieka i maszyny — a wnioski służą doszlifowaniu AI w tym zadaniu.
Jak stosować: Wybierz garstkę umiejętności krytycznych dla jakości w Twojej branży i co jakiś czas wykonujcie je ręcznie z porównaniem do wyniku AI; zdobytą wiedzę o typowych błędach wykorzystuj do poprawy pracy z modelem.
Na co uważać: To świadome spowolnienie, a wdrożenie AI miało przyspieszać — ograniczaj te ćwiczenia do naprawdę kluczowych sprawności, inaczej podważysz sens całej automatyzacji.
7.Godź się na degradację części umiejętności — ale wybieraj ją świadomie
Na czym polega: Z nawigacją i kalkulatorami już się to stało: potrafimy oddać technologii całe sprawności i tego nie opłakiwać. Z AI będzie podobnie — pod warunkiem, że decyzje będą podejmowane celowo, a nie przez zaniedbanie.
Jak stosować: Prowadź jawne, dwuelementowe zestawienie: umiejętności, które bronisz, i te, które oddajesz; komunikuj je zespołowi, żeby nikt nie tracił czasu na doskonalenie tego, co i tak przejmie maszyna.
Na co uważać: Sprawność, którą pozwolono zaniknąć, nie wróci sama. Jeśli czegoś chcesz strzec, codzienna praca już tego nie zapewni — trzeba wygospodarować na to czas.
8.Uwaga przesuwa się w górę: od robienia, przez sprawdzanie, po gust i kierowanie AI
Na czym polega: W większości zawodów wartość wciąż tkwi w wykonaniu pracy, w części z nich przechodzi już na sprawdzanie wyników AI — a w programowaniu nawet recenzja kodu trafia do maszyny. Człowiek zostaje przy wyczuciu i decyzjach, w co AI w ogóle celować.
Jak stosować: Okresowo pytaj siebie i zespół, na którym piętrze dziś stoicie; planuj rozwój w stronę zadań o większym rozstrzygnięciu, zanim obecne piętro przejmie maszyna.
Na co uważać: Granica przesuwa się szybciej w niektórych branżach (np. kodowanie) — nie zakładaj, że rola „człowieka recenzenta” jest u Ciebie bezpieczna na lata.
9.Kryterium oddania umiejętności AI: niezawodność, powtarzalność, jakość
Na czym polega: Decyzję o przekazaniu sprawności maszynie powinno przesądzać porównanie: czy AI jest lepsze od człowieka, bardziej przewidywalne w powtórzeniach i czy jakość spełnia Wasze standardy. Rola człowieka nie znika — tylko zmienia adres na zadania bardziej strategiczne.
Jak stosować: Testuj AI na realnych zadaniach z Waszego kontekstu, mierząc powtarzalność wyników, a nie pojedyncze sukcesy; zapisuj wnioski, by decyzja miała podstawy, nie wrażenia.
Na co uważać: Jeden udany wynik nie dowodzi niezawodności — wymagaj serii prób, zanim zdejmiesz człowieka z danego obowiązku.
10.Listę bronionych umiejętności przeglądaj co kilka miesięcy
Na czym polega: Kolejne generacje modeli przesuwają granicę między tym, co robi AI, a tym, co zostaje przy człowieku. Wiele sprawności bronionych dziś jutro trzeba będzie oddać — statyczna lista szybko się zestarzeje.
Jak stosować: Wpleć przegląd obu list w rytm pojawiania się nowych modeli (orientacyjnie co 2–3 miesiące); przy każdym przeglądzie zrzutuj AI na kilku zadaniach z listy „zachowaj”.
Na co uważać: Firma, która zrobiła listę raz i schowała ją do szuflady, zaskoczy się przy następnej generacji modeli — i to zwykle w najmniej wygodnym momencie.
Redakcyjne tłumaczenie
Pytanie, które nie daje spokoju
Kilka tygodni temu jeden z moich klientów, menedżer najwyższego szczebla, zadał mi pytanie, od którego nie potrafię się uwolnić. Osoby na początku kariery w jego firmie podają mu prace przygotowane przez AI — i nawet ich nie przeczytały. Jego pytanie brzmiało: jeśli pracę wykonuje sztuczna inteligencja, to jak ktokolwiek ma się kiedykolwiek nauczyć, jak wygląda dobra robota?
Dla porządku: jestem Dylan, prowadzę firmę doradczą zajmującą się AI, więc pytań o tę technologię słyszę sporo. Ale akurat w tym miesiącu dokładnie to samo zapytał mnie klient z branży prawnej. Potem klient z budownictwa. Potem firma inwestycyjna. Ludzie, którzy nigdy się nie spotkali, w ciągu tych samych kilku tygodni zadawali to samo pytanie. Postanowiłem więc przyjrzeć się sprawie bliżej — i im głębiej grzebałem, tym dziwniej to wyglądało. To wcale nie jest problem jednej grupy zawodowej. Dotyka praktycznie wszystkich, którzy korzystają z AI, niezależnie od tego, od ilu lat wykonują swoją pracę.
Niepisana umowa: nuda w zamian za naukę
Żeby zrozumieć, skąd bierze się to pytanie — jak właściwie uczymy nowych ludzi i skąd mają wiedzieć, co jest dobre, skoro sami nie wykonali pracy — trzeba najpierw przypomnieć sobie układ zawierany przy podejmowaniu zatrudnienia. Firma i my, zwykle nieświadomie, umawialiśmy się, że weźmiemy na siebie mnóstwo żmudnych zadań. W zamian, wykonując je, uczyliśmy się zawodu i robiliśmy go coraz sprawniej, a to pozwalało piąć się po drabinie kariery: od pracy nudnej i powtarzalnej ku strategicznej.
I właśnie ta nuda była ważna, bo działała jak czesne za naukę. Przekopując się przez dokumenty, człowiek sam dochodził do tego, co ma znaczenie, a co nie. Przygotowując pierwszy szkic prezentacji, raportu czy analizy, poznawał, co znaczy dobry standard — bo dostawał uwagi od przełożonych. Podobnie z liczbami: patrząc na dane, szybko nabywało się wprawy w rozpoznawaniu, gdzie w danym typie zadań błędy pojawiają się najczęściej. Wszystko to były odsłony jednego mechanizmu: człowiek wykonywał pracę i z czasem uczył się robić ją lepiej oraz oceniać, co w jego roli liczy się jako dobry wynik.
Tymczasem AI stale się poprawia — i zaczęliśmy zlecać maszynie żmudną, powtarzalną robotę. A wraz z nią znika, albo przynajmniej słabnie, owo czesne: nauka przez samo wykonywanie pracy.
To nie prognoza — dzieje się dziś
Nie snuję tu wizji na przyszłość; to już zachodzi. Zebrałem kilka liczb. W ostatnich trzech latach liczba etatów początkujących w rolach o charakterze praktykantkim — kancelarie prawne, firmy doradcze, banki — spadła o 35 procent. Największe banki wycięły nabory nowych analityków, organizowane zwykle raz, może dwa razy w roku, o dwie trzecie. A w szerokiej analizie Harvarda, objętej około 62 milionami pracowników, zauważono, że w firmach, które wdrożyły AI, po osiemnastu miesiącach ubywało mniej więcej 10 procent stanowisk juniorskich, podczas gdy stanowiska seniorskie niemal nie zostały dotknięte.
(Informacja dodatkowa: wszystkie statystyki przytacza autor na podstawie własnych poszukiwań i nie podaje w materiale pierwotnych źródeł.)
Drabina kariery traci dolne szczeble
Skąd te cięcia? Gdy firma wdraża AI i powstaje nowe stanowisko, menedżerowie rekrutujący patrzą na samą rolę i związane z nią zadania, a potem pytają sami siebie: czy AI nie wykona tego przynajmniej częściowo, zanim kogokolwiek zatrudnię? To pytanie — „czy najpierw zatrudniamy AI, a człowieka dopiero potem” — moim zdaniem częściowo napędza owe minus dziesięć procent.
Wyobraźcie sobie drabinę kariery: jej dolne szczeble właśnie się usuwa, bo AI wypełnia te luki i przejmuje tamte zadania. Możliwość nauczenia się zawodu w trakcie wykonywania pracy znika. Ale — i tu wracam do wcześniejszego wątku — nie dotyczy to wyłącznie juniorów. Dla eksperta, który od lat pracuje w danej roli, ocenianie wyników AI to dziś coś innego niż wszystko, co robił dotychczas. Nie sprawdza już pracy człowieka, tylko pracy maszyny. Zestaw umiejętności musi się więc zmienić również u seniorów — a to otwiera zaskakującą szansę dla młodszych: kogoś w końcu trzeba nauczyć rozstrzygać, czy wynik AI jest dobry.
Błędy człowieka i błędy maszyny to dwie różne sprawy
I tu kluczowa obserwacja: błędy popełniane przez człowieka wyglądają zupełnie inaczej niż błędy AI — niezależnie od rodzaju zadania. Ktoś, kto od lat ocenia prace podwładnych, wykształca w sobie wyczucie ludzkich potknięć: bywają niedbałe w typowy sposób, widać w nich luki i pośpiech. Takie wzorce wychwytuje się błyskawicznie. Z AI jest inaczej. Wynik maszyny zwykle jest dopracowany i brzmi pewnie, a błędy trzeba się natrudzić, żeby znaleźć. To zupełnie inna kompetencja — i trzeba ją dopiero wyćwiczyć. W tym sensie juniorzy i seniorzy w firmie stają dziś na tym samym początku drogi.
Wartość wędruje w górę
Krótko o tym, dokąd przesuwa się wartość. Tempo wdrażania AI różni się między branżami. W większości zawodów wartość wciąż w sporej mierze tkwi w tym, że to Ty wykonujesz pracę. W niewielu zawodach to się zmienia: AI zaczyna wypełniać tę lukę i pracę robi za Ciebie — a wtedy uwagę trzeba przenieść wyżej. Dla większości zawodów oznacza to sprawdzanie wyników AI i pilnowanie, by spełniały oczekiwania, zanim wyjdą na zewnątrz.
Nawet ta strefa zaczyna jednak kruszeć — konkretnie w programowaniu, o czym za chwilę. Coraz częściej AI sprawdza własną pracę albo zleca jej weryfikację innej maszynie, a człowiek koncentruje się na dobrym gustie i na decydowaniu, w co AI w ogóle celować. Wspinamy się więc po łańcuchu wartości coraz wyżej, w stronę coraz bardziej strategicznego myślenia.
Czego uczą inni: szkoła Deloitte
Zanim jednak popędzimy z wnioskami naprzód, zobaczmy, jak radzą sobie inne firmy w tej sytuacji. Skoro przyjmuję nowych ludzi, jak nauczyć ich rozpoznawać dobry wynik, skoro nie wykonują pracy samodzielnie? Zauważyłem dwa podejścia.
Pierwsze to Deloitte. Firma opublikowała sporo materiałów o tym, jak szkoli nowych pracowników — a zatrudnia ich całymi rocznikami. Kiedyś, jak już mówiłem, po prostu kazano im robić pracę i zbierać uwagi liderów; z tego się uczyli. Teraz programy przebudowano od podstaw: w znacznej mierze to AI wykonuje pracę za młodego pracownika. On uczy się za to wyłapywać błędy, które maszyna popełniła — i, co ważniejsze, dokładnie tłumaczyć, dlaczego coś jest błędne.
I to jest sedno. Chcesz nauczyć kogoś rozpoznawać dobrą jakość? Musi rozumieć przyczyny — a wtedy do głosu dochodzi wiedza eksperta. Junior uczy się oceniać wyniki z pomocą seniora, który mówi mu wprost, co jest nie tak, i potrafi to klarownie uzasadnić. To kluczowe, bo przez lata eksperci przekazywali proces nauki samej pracy: to ona „uczyła”. Dziś ja, ekspert, muszę umieć powiedzieć na głos, co jest dobre, co złe i dlaczego. Trzeba wyjąć z głowy wiedzę intuicyjną i uczynić ją jawną, żeby inni mogli się z niej naprawdę uczyć. Bywa to przytłaczające zadanie, ale jest niezbędne — i zwraca się z nawiązką. Zwłaszcza że w ten sposób będziemy z czasem szkolić nie tylko ludzi, ale i samo AI.
Pierwsza taktyka jest więc taka: junior ocenia wynik AI i właśnie na tym uczy się, co znaczy dobra jakość. Pomija etap samodzielnego wykonywania pracy i przechodzi od razu do jej oceniania.
Ćwiczenia jak w sporcie: metoda z Wall Street
Drugie podejście trafiłem na Wall Street — w wielkich bankach i funduszach hedgingowych. Tamtejszych nowych pracowników poddaje się ćwiczeniom, ale tylko na wybrane umiejętności. Nie na wszystkie — to zabieg ręczny i czasochłonny. Nie o to przecież chodziło przy wdrażaniu AI: sięgamy po tę technologię, by działać sprawniej i wyciągać z ludzi więcej, a nie po to, by ich specjalnie spowalniać. A jednak właśnie to się tutaj robi. Wybiera się kilka sprawności, które naprawdę mają znaczenie, świadomie zwalnia tempo i ćwiczy się je z pracownikami.
Wygląda to tak: pracownik wykonuje zadanie ręcznie. Wystarczy szkic — nie musi być dopracowany, ma być po prostu dobrze zrobione. Potem dokładnie to samo zadanie dostaje AI. Na koniec porównuje się oba wyniki: oto praca człowieka, oto praca maszyny. W tym zestawieniu widać słabe strony pracownika i słabe strony AI. Zysk jest dwojaki: trenujemy człowieka, ale — co ważniejsze — wnioski o pomyłkach, swoich i maszyny, można wykorzystać do doszlifowania AI w tym zadaniu, żeby radziło sobie z nim coraz lepiej.
Nasuwające się skojarzenie to trening. W każdej dyscyplinie sportu ćwiczy się przed występem. Są umiejętności, które — przynajmniej na razie — chcemy utrzymać, a to wymaga świadomego wygospodarowania czasu na ich ćwiczenie.
Czym można się pogodzić
Przy tej okazji trzeba sobie mocno uświadomić jedną rzecz: niektóre umiejętności warto świadomie ćwiczyć, ale trzeba też być gotowym, że z czasem je odpuścimy. Przykłady? Poruszanie się po świecie bez nawigacji jest dziś dla większości ludzi bardzo trudne — i wszyscy mniej więcej pogodziliśmy się z tym, że tę sprawność oddaliśmy GPS-owi. Podobnie z kalkulatorami: liczenie w pamięci czy na papierze to umiejętność, która od pokoleń słabnie, a my to akceptujemy, bo zgadzamy się, żeby liczyła za nas maszyna. To tylko próbka spraw, które oddaliśmy technologii. Z AI będzie dokładnie tak samo. Ale jeśli jakiejś sprawności chcemy bronić, nie możemy liczyć, że zapewni ją nam codzienna praca. Trzeba wygospodarować czas i naprawdę zrobić coś samemu — z pełnym wysiłkiem.
Dwa sposoby na trening oceniania
Główna droga — zamiast wykonywania pracy — prowadzi dziś przez ćwiczenie umiejętności oceniania wyników. Można to robić na dwa sposoby. Pierwszy, ręczny: porównujesz własny wynik z wynikiem AI, widzisz słabości swoje i maszyny, a przy okazji doszlifowujesz AI, żeby z czasem radziło sobie z tym zadaniem coraz lepiej. Drugi sposób — i ten polecam stosować częściej niż pracę ręczną — to dla większości umiejętności po prostu szkolenie pracowników z oceniania wyników AI. Siedzi w Tobie sporo wiedzy, którą trzeba przenieść do głów młodszych osób, żeby potrafiły oceniać to, co wychodzi z maszyny. A da się to osiągnąć tylko w praktyce, razem z nimi.
Dwie listy: co zachować, co oddać
W firmach, które badałem, zauważyłem jeszcze jedno: granica między tym, co oddajemy, a tym, co bronimy, przesuwa się w czasie. Mamy więc de facto dwie listy — sprawności, którymi jesteśmy gotowi się „wymienić”, i takich, które chcemy zachować, bo są z jakiegoś powodu ważne. Z czasem ta granica się przesunie: wiele umiejętności, których dziś bronimy, jutro zaczniemy oddawać, bo AI się poprawi.
Na jednym końcu skali jest to, co obsługuje AI, na drugim to, co zostaje przy nas. Wykonywanie — jak mówiłem — mocno podpada pod maszynę: może ona przejąć sporą część wykonawczej roboty. Zaczyna też pisać za nas szkice: prezentacje, raporty, maile, rozmaite arkusze — o ile dobrze ją wytrenujemy i potrafimy ocenić wynik. W programowaniu, o którym wspominałem, oddaje się już samo sprawdzanie: AI generuje kod, ludzie nie mają przepustowości, by przeglądać go w całości, więc recenzję także zlecają maszynom.
Cała sztuka polega więc na tym, by ocenić, jak dobre jest dziś AI w danym zadaniu — czy wystarczająco dobre, żeby oddać mu tę umiejętność. Jeśli jest lepsze, bardziej niezawodne, bardziej powtarzalne, a jakość spełnia nasze standardy, możemy przekazać tę sprawność z rąk człowieka w ręce maszyny. A człowiek kieruje wtedy uwagę tam, gdzie jedna decyzja waży więcej — tam, gdzie AI wciąż sobie nie radzi. Rola nie znika, tylko zmienia adres: na coś bardziej strategicznego.
Plan na dziś
Na koniec coś bardzo praktycznego. Usiądź dziś i — na podstawie zadań, które zlecasz obecnie młodszym pracownikom — zdecyduj, które umiejętności chcesz zachować, a na których osłabnięciu Ci nie zależy, bo oddasz je AI. Umiejętności oceniania wyników AI na razie oddać nie możesz; broń jej.
Gdy masz już obie listy, zacznij świadomie ćwiczyć to, co chcesz utrzymać — dwiema drogami. Pierwsza to ocenianie, którą warto objąć większość umiejętności. Druga to celowe, ręczne wykonanie zadania i porównanie go z wynikiem AI — to margines, bo świadomie spowalniasz pracę, więc ostrożnie z liczbą sprawności objętych tym sposobem. Kiedy zdecydujesz, co ćwiczysz i co zachowujesz — czy to przepływy oceniania, czy ręczne — zacznij oddawać AI to, czego już nie potrzebujesz. Tam, gdzie maszyna dowiodła większej niezawodności niż człowiek, a jakość spełnia Twoje standardy, możesz zacząć zlecać.
I wreszcie: listę rzeczy, które zachowujesz, trzeba będzie przeglądać — powiedzmy co kilka miesięcy, wraz z pojawianiem się nowych modeli. AI będzie coraz sprawniejsze i będzie podgryzać kolejne zadania, a my przesuniemy uwagę dalej, ku sprawom bardziej strategicznym, o większej dźwigni.