AI przyspieszyło pracę. Teraz firma musi nadążyć

„A co ten zespół tak mało przepala?”

Takie pytanie, według Karola Harabasza z Dropboxa, coraz częściej pada w rozmowach liderów. Niewielkie wykorzystanie AI potrafi dziś uruchomić dyskusję o tym, czy zespół zna możliwości tych narzędzi i umie z nich korzystać.

Brzmi jak odwrócenie rozmowy o kosztach. Ale najciekawsze zaczyna się chwilę później: kiedy ludzie już pracują z AI i okazuje się, że firma ma znacznie więcej kodu, analiz i dokumentów. A nadal czeka na decyzje.

14 września w warszawskiej Rotundzie Artur Kurasiński rozmawiał o tym z Karolem Harabaszem, Site Leadem Dropboxa w Polsce, i Adamem Zasadą, Senior Product Managerem odpowiedzialnym za płatności. Zebraliśmy najważniejsze doświadczenia gości i wnioski dla osób, które wdrażają AI w swoich organizacjach.

Kodu przybywa. Decyzje mają swoje tempo

Adam opisywał zmianę, którą dobrze zna wiele zespołów produktowych. Kiedyś drobne usprawnienie w płatnościach wymagało obszernego dokumentu z wymaganiami i kolejnych rozmów z inżynierami. Dziś inżynier rozumiejący biznes może sam odtworzyć dużą część kontekstu, korzystając z AI oraz podłączonej dokumentacji firmowej.

Zmienia się też praca produktu. Karol częściej przygotowuje makietę, interaktywną stronę lub prezentację. W czasie, który wcześniej poświęcał na opis, może pokazać coś, co łatwiej ocenić i przedyskutować. Adam z pomocą AI przeprowadził analizę kosztów dostawców, wykorzystując metody statystyczne, których sam by nie zaprogramował. Zaznaczył przy tym, że w razie potrzeby analizę powinni sprawdzić specjaliści.

Tempo przygotowywania materiałów rośnie. Tempo uzgadniania decyzji między ludźmi ma jednak własne ograniczenia. Pięć kolejnych dokumentów nie sprawi, że produkt, inżynieria i inne działy automatycznie zgodzą się co do priorytetów.

Stąd mocna obserwacja Adama: w opisywanym przez niego środowisku inżynieria przestaje być głównym wąskim gardłem. Więcej zależy od analityki, produktu i współpracy między zespołami.

Dla lidera oznacza to potrzebę ponownego sprawdzenia całego procesu: od pomysłu do zmiany, z której rzeczywiście korzysta klient. Gdzie praca czeka najdłużej? Kto ma podjąć decyzję? Jakiej informacji mu brakuje? Odpowiedzi mogą być już inne niż przed wdrożeniem AI.

Agent zrobił. Ktoś musi jeszcze odebrać pracę

W zespole płatności pojawiły się zmiany w kodzie tak duże, że nikt nie był w stanie ich rzetelnie przeczytać i zrozumieć zależności. Miały komplet akceptacji, a mimo to zespół je zatrzymał. Adam opowiadał, że takich zmian po prostu nie przyjmują.

To dobry przykład kosztu, który łatwo zgubić w zachwycie nad szybkością generowania. Wynik trzeba jeszcze sprawdzić, poprawić i dopuścić do użycia. Dotyczy to również analizy kosztów, rekomendacji biznesowej czy dokumentu dla zarządu. Pewny ton odpowiedzi modelu niewiele mówi o jej jakości.

Karol porównuje pracę z agentami do zarządzania podwładnymi. Można delegować zadania, ale trzeba wiedzieć, czego się oczekuje i jak zostanie oceniony rezultat.

Z tej perspektywy warto ustalić przed delegowaniem:

• jaki wynik ma powstać i na jakich źródłach ma się opierać,
• po czym poznamy, że zadanie jest wykonane dobrze,
• jakie działania wymagają dodatkowej zgody,
• kto sprawdzi rezultat i podejmie decyzję o jego użyciu.

Adam korzysta też z układu, w którym jeden agent wykonuje zadanie, a drugi sprawdza jego wynik. Taki układ wspiera kontrolę. Nadal potrzebna jest osoba, która oceni rezultat i zdecyduje o jego wykorzystaniu.

Najlepszy sposób pracy może już istnieć. W sąsiednim zespole

Karol podał przykład zespołu, który zautomatyzował końcowe testy przed wdrożeniem. AI otrzymuje opis tego, co trzeba sprawdzić, narzędzie wykonuje scenariusze i nagrywa przebieg. Ludzie oglądają nagrania w ramach ostatniej kontroli. Według jego relacji kilkadziesiąt scenariuszy można w ten sposób przejść w kilka minut.

Pozostałe zespoły nie wiedziały, że takie rozwiązanie już u nich działa.

W jednej firmie można więc mieć podobne procesy, dostęp do podobnych narzędzi i zupełnie różne sposoby pracy. Jedni automatyzują cały fragment procesu. Inni nadal wykonują go ręcznie, bo nikt im nie pokazał alternatywy.

Goście opisywali dużą swobodę wyboru narzędzi przez inżynierów, od Claude'a po Cursor i Codex. Towarzyszy jej oczekiwanie, że ludzie będą eksperymentować i dzielić się doświadczeniami. Karol mówił, że w swoich rozmowach nie spotyka już inżynierów deklarujących, że nie będą używać AI. Różnice dotyczą tego, jak daleko wychodzą poza podstawowe podpowiedzi.

Adam traktuje obowiązkowe szkolenia jako minimum. Najwięcej konkretnej wiedzy pojawia się podczas warsztatów, na których ktoś pokazuje własne zadanie i sposób jego wykonania.

Warto zaplanować regularne, krótkie pokazy pracy między zespołami. Z przykładem, instrukcją i informacją, gdzie rozwiązanie zawodzi. Sam komunikat „używajcie AI” nie przeniesie tej wiedzy między działami.

Na sali padło też pytanie o firmowy „drugi mózg”, czyli wspólnego asystenta korzystającego z uporządkowanej wiedzy organizacji. Karol zachęcał do prób w krótkim horyzoncie, trzech lub czterech miesięcy, i dopuszczał powstanie roli odpowiedzialnej za tę wiedzę. To pomysł na kolejny eksperyment dla firm, w których dostęp do kontekstu już dziś opóźnia pracę ludzi i agentów.

Rachunek za tokeny wymaga kontekstu

Adam mówił o wydatkach na AI sięgających dziesiątek dolarów dziennie, czasem większych. W jego pracy punktem odniesienia jest wartość wykonywanych zadań i koszt czasu ludzi. Narzędzia mają limity, a wydatki pozostają widoczne.

W tej rozmowie padło jednak ważne rozróżnienie. Inaczej ocenia się wykorzystanie AI przez osobę pracującą nad konkretnym zadaniem, a inaczej proces, który sam przetwarza ogromny zbiór danych albo działa przez całą noc. Przy dużej skali cena pojedynczego wywołania zaczyna mieć znacznie większe znaczenie.

Dlatego pytanie o małe zużycie AI warto potraktować jako początek rozmowy o kompetencjach i zastosowaniach. Samo zużycie tokenów jest słabym wskaźnikiem produktywności. Zespół może wydawać dużo i dostarczać wyniki wymagające niekończących się poprawek. Może też używać AI oszczędnie i bardzo skutecznie.

Sensowny rachunek obejmuje koszt uzyskania zaakceptowanego wyniku: narzędzia, czas przygotowania, kontrolę i poprawki. Dopiero wtedy widać, co firma zyskała.

Artur zapytał również o płacenie za rezultat. Adam zwracał uwagę na wartość całego narzędzia prowadzącego agenta i przewidywał, że do wielu zadań wystarczą tańsze modele. Karol sam wybiera najnowsze. W rozmowie pozostało więc miejsce na różne strategie doboru narzędzi i modeli do zadania.

AI w pracy nad produktem i AI w produkcie to dwie decyzje

Adam intensywnie wykorzystuje agentów do pracy z mailami, dokumentacją i zgłoszeniami. Jednocześnie, jak zaznaczył, nie wprowadził jeszcze AI do swojej części produktu związanej z płatnościami. Wskazywał na wrażliwość danych finansowych i potrzebę uzasadnienia takiej zmiany.

To rozróżnienie przydaje się w rozmowach z zarządem. Zespół może korzystać z AI codziennie, a równocześnie świadomie pozostawić określone funkcje produktu bez AI.

Przy funkcjach opartych na modelach Adam podkreślał znaczenie evalsów, czyli zestawów przypadków testowych służących do oceny jakości wyników. Odpowiedzialność za jakość opisywał jako pracę product managera, analityka, inżyniera i menedżera odpowiedzialnych za eksperyment. Rozwiązania AI firma testuje najpierw wewnętrznie.

Pytania z sali pokazały też, gdzie kończy się obietnica prostego przyspieszenia. Wieloletni system płatniczy ma zależności, których nikt w pełni nie opisał. Szybsze pisanie kodu nie wystarczy, żeby automatycznie zrealizować dwuletnią roadmapę w trzy miesiące.

W innym pytaniu agent pojawił się jako użytkownik produktu: ktoś, kto może zakładać konto lub inicjować płatność. Goście wskazywali tu otwarte kwestie tożsamości, działania w czyimś imieniu i potwierdzania transakcji. Większa samodzielność agenta wymaga zaprojektowania tych elementów.

Większa wydajność potrafi zapełnić cały dzień

„Potrafię zrobić w trzy godziny coś, co zajęłoby trzy dni” - mówił Adam. Jednocześnie zwracał uwagę na koszt przełączania uwagi: zlecasz zadanie agentowi, w czasie oczekiwania zaczynasz następne, potem wracasz do sprawdzania pierwszego wyniku.

Pracy w toku przybywa bardzo szybko. Rośnie też liczba rezultatów do oceny i decyzji do podjęcia. Adam podkreślał, że wyniki sprawdza wielokrotnie, a dokumenty celowo skraca.

Dla lidera to kolejne zadanie: pilnować, ile spraw zespół rozpoczyna i ile potrafi doprowadzić do końca. Odzyskany czas warto świadomie podzielić między nowe zadania, kontrolę jakości i domknięcie już rozpoczętej pracy.

Co możesz zrobić w tym tygodniu

Z doświadczeń gości wybraliśmy cztery działania, które warto sprawdzić u siebie:

1. Przejdź przez jeden proces od początku do końca. Zobacz, który etap AI przyspieszyło i gdzie praca czeka teraz: na dane, decyzję, kontrolę czy wdrożenie.
2. Poproś dwa zespoły o pokaz konkretnego zastosowania. Niech pokażą zadanie, sposób pracy, wynik i ograniczenia. Ustalcie, kto przetestuje ten sposób u siebie.
3. Dopisz kryteria odbioru do jednego zadania dla agenta. Określ akceptowalny wynik, granice działania i osobę, która go sprawdzi.
4. Policz cały koszt jednego rezultatu. Uwzględnij czas przygotowania, pracę AI, weryfikację i poprawki. Porównaj go z dotychczasowym sposobem wykonania zadania.

W AI Leaders pracujemy właśnie nad takimi decyzjami: wyborem zastosowań, budowaniem asystentów, organizacją wiedzy i prowadzeniem zmiany w zespołach. Łączymy technologię z biznesem, wdrożeniami i prawem, żeby uczestnicy potrafili przełożyć możliwości AI na codzienną pracę swojej organizacji.

Sprawdź program AI Leaders

Jeśli ta rozmowa przypomina sytuację w Twojej firmie, prześlij newsletter osobie, z którą podejmujecie decyzje o AI. Możecie zacząć od pierwszego pytania: gdzie dziś naprawdę czeka Wasza praca?