Jak zapewnić klarowność decyzji podczas transformacji opartej na sztucznej inteligencji

Galen Low: Macierz RACI to jedna z tych rzeczy, które ludzie albo uwielbiają, albo nie znoszą — najczęściej nie znoszą. Nie dlatego, że jest bezużyteczna, ale dlatego, że zbyt łatwo można dać się ponieść dokumentowaniu tego, kto jest odpowiedzialny, upoważniony, konsultowany lub informowany w każdym aspekcie działalności, zamiast po prostu wykonać pracę. Jednak w miarę jak organizacje coraz głębiej wchodzą w transformację opartą na sztucznej inteligencji i zaczynają na nowo wyobrażać sobie same struktury, w których wykonywana jest praca, klarowność ról, odpowiedzialności i podejmowania decyzji staje się nieco ważniejsza.

Dlatego dziś zaprosiłem osobę, którą znam jako ekspertkę w dziedzinie klarowności decyzji opartej na RACI, a która jednocześnie bardzo ściśle współpracuje z przedsiębiorstwami i agencjami rządowymi nad ich transformacją AI. Wspólnie zastanowimy się, czy RACI można wykorzystywać nie tylko jako narzędzie do rejestrowania tego, jak podejmowane są dziś decyzje, ale także jako język i sposób myślenia służący projektowaniu organizacji przyszłości. Mam nadzieję, że spodoba wam się ten odcinek.

Witamy w podcaście Digital Project Manager — programie, który pomaga liderom dostarczania pracować mądrzej, sprawniej realizować zadania i z pewnością siebie prowadzić zespoły w epoce sztucznej inteligencji. Nazywam się Galen i co tydzień omawiamy praktyczne strategie, pojawiające się trendy, sprawdzone modele oraz od czasu do czasu prawdziwą historię z pierwszej linii projektów.

Niezależnie od tego, czy kierujesz ogromnymi projektami transformacyjnymi, porządkujesz przepływy pracy oparte na AI, czy po prostu próbujesz utrzymać chaos pod kontrolą, jesteś we właściwym miejscu. A jeśli podoba wam się to, co ostatnio od nas słyszycie, rozważcie obserwowanie nas tam, gdzie nas znaleźliście, a może także zostawienie nam recenzji. Dobrze, przejdźmy do tematu.

Dziś rozmawiamy o sztucznej inteligencji, podejmowaniu decyzji oraz o tym, dlaczego klarowność ról i odpowiedzialności jest ważniejsza niż kiedykolwiek. Moją gościnią jest Cassie Solomon, prezeska i dyrektorka generalna The New Group, a także przyjaciółka naszego podcastu. Cassie jest wielokrotnie nagradzaną autorką i konsultantką przedsiębiorstw, specjalizującą się w prowadzeniu skutecznych zmian.

Pomagała kadrze kierowniczej transformować działalność organizacji takich jak Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems i ChristianaCare Health Systems. Ponadto uczy kadrę zarządzającą w Wharton School of Business, a jej książka „Leading Successful Change: Eight Keys to Making Change Work” nadal służy wielu liderom jako podręcznik pomagający poruszać się w dzisiejszym tempie zakłóceń.

Dla osób, które od lat śledzą ten podcast, Cassie jest osobą, z którą warto porozmawiać o wykorzystywaniu RACI jako narzędzia i języka do wyjaśniania ról, odpowiedzialności i podejmowania decyzji, tak aby organizacje mogły przyspieszyć tempo transformacji.

Cassie, bardzo dziękuję, że jesteś dziś ze mną.

Cassie Solomon: Bardzo dziękuję, Galen, za zaproszenie. Zawsze świetnie mi się z tobą rozmawia.

Galen Low: Na początek chciałem zadać ci prowokacyjne pytanie, na które moi słuchacze z pewnością będą ciekawi twojej odpowiedzi, a następnie mam nadzieję przełożyć je na praktyczne wskazówki dotyczące unikania chaosu ról i odpowiedzialności związanych z AI w projektach oraz podejmowania decyzji organizacyjnych w ogóle.

A na koniec moglibyśmy spojrzeć w przyszłość i zastanowić się, jak będą wyglądały podejmowanie decyzji, praca zespołowa i struktury organizacyjne, gdy AI zostanie w nie wbudowana, a także co musimy dobrze ustawić już dziś, aby przyniosło to pozytywne, a nie negatywne skutki. Jak ci się to podoba?

Cassie Solomon: Brzmi wspaniale.

Galen Low: Zacznijmy więc od nieco prowokacyjnego pytania. W tej chwili niemal każda organizacja, z którą rozmawiam, próbuje tworzyć agentów AI i włączać ich do swojego modelu operacyjnego. Agenci ci mają działać ze względną autonomią, co konkretnie obejmuje samodzielne podejmowanie decyzji.

A ty jesteś, moim zdaniem, ekspertką w wykorzystywaniu RACI jako języka do budowania wspólnego rozumienia tego, kto jest odpowiedzialny, upoważniony, konsultowany i informowany w odniesieniu do decyzji podejmowanych w całym procesie współpracy. Moje pytanie brzmi więc: czy RACI nadal ma znaczenie w epoce sztucznej inteligencji?

Cassie Solomon: Uważam, że tak.

Chcę ci podziękować za wspomnienie książki „Leading Successful Change”. To sposób opisywania systemu. Jeden z ośmiu elementów dotyczy podejmowania decyzji, a jedną z rzeczy, na które uwielbiam zwracać uwagę podczas nauczania tego modelu, jest fakt, że to aspekt naszego życia organizacyjnego, który w dużej mierze pozostaje niewidoczny.

Mogę pokazać ci mój plan wynagrodzeń, schemat organizacyjny czy technologię, ale bardzo trudno jest pokazać ci sposób podejmowania decyzji, mimo że jest on niezwykle ważną częścią systemu. To interesująca perspektywa do analizowania transformacji AI, ponieważ wkrótce wkroczymy w rodzaj zmiany, który moim zdaniem naprawdę przekształci nasze praktyki decyzyjne, a przez połowę czasu nawet nie wiemy, jak o tym rozmawiać.

Galen Low: Podoba mi się, że wspomniałaś o transformacji, szczególnie o transformacji AI, z dwóch powodów. Po pierwsze, zgadzam się z tobą. To nie są rzeczy, które zawsze zapisujemy. Pod wieloma względami są nieoficjalne i niewidoczne, udokumentowane w bardzo ograniczonym stopniu, co jest złe z dwóch powodów.

Po pierwsze, jest to złe dla AI, bo jeśli nie przeszkoliliśmy jej w tym zakresie, nie zna tych informacji i nie potrafi ich znaleźć, to nie będzie ich znała, dopóki jej nie powiemy. Po drugie, transformacja wymaga tej klarowności. Wszyscy działają w szybkim tempie, próbują robić rzeczy szybko i utrzymać konkurencyjność, a to właśnie moment, w którym podejmowanie decyzji, role, odpowiedzialność i rzeczy pozostające w ciągłym ruchu muszą zostać omówione, a następnie zapisane, abyśmy mogli nadal działać szybko i nie utknąć w decyzyjnym czyśćcu ani w ogromnej niejednoznaczności.

Właśnie tak o tym rozmawiamy.

Cassie Solomon: Tak. W popularnych mediach o AI często mówi się w taki sposób, że myślisz: „Czy chodzi o zastąpienie czyjejś pracy? Czy zastąpię tego pracownika, bo nie będzie mi już potrzebny?”. Potem pojawia się inne słowo: „A co z osądem? Co z ludzkim osądem?”.

Słowo „osąd” w rzeczywistości odnosi się do wiedzy eksperckiej i uprawnień. Osąd pojawia się często wtedy, gdy ktoś mówi: „To dobra decyzja”, „To zła decyzja” albo „Chwileczkę, to ja powinienem podjąć tę decyzję, bo mam 25 lat doświadczenia w...”. W tym słowie „osąd” już zawiera się właściwy kierunek. Wskazuje ono: „Spójrz tutaj. To terytorium podejmowania decyzji”.

Chcę też porozmawiać o książce Ajaya Agrawala, Josha Gansa i Aviego Goldfarba „Power and Prediction”. Ukazała się w 2022 roku, a więc jeszcze przed uruchomieniem ChatGPT, ale kieruje nas ku rozumieniu AI jako silnika predykcyjnego i sposobu podejmowania lepszych decyzji.

Obecnie jesteśmy niemal zalewani projektami AI, rozmowami o AI i... W 2025 roku opublikowano bardzo dobre badanie, które wykazało, że około 80% projektów AI nie przynosi wzrostu produktywności. Było to badanie MIT. Istnieje również badanie McKinsey z 2026 roku, które zasadniczo stwierdza to samo.

Autorzy mają model, który moim zdaniem pomaga zrozumieć, o jakim rodzaju projektu AI mówimy, a ich model jest bardzo prosty. Pierwszy poziom to rozwiązanie punktowe, czyli sytuacja, w której bierzesz pojedynczą rzecz wykonywaną wcześniej przez ludzi i teraz realizujesz ją za pomocą AI. Na poziomie indywidualnym myślę o tym na przykład wtedy, gdy proszę AI o przygotowanie planu posiłków na tydzień albo o przeprowadzenie researchu do mojej pracy.

To bardzo dobre rozwiązanie, ale ograniczone. Drugi poziom nazywają rozwiązaniem aplikacyjnym. Polega ono na jednoczesnej zmianie wielu rzeczy i być może właśnie zbliżamy się do tego poziomu wraz z agentami AI. Najwyższy poziom to zastosowania systemowe, czyli sytuacja, w której cofasz się o krok i pytasz: „Jak mogę przekształcić cały system za pomocą tej technologii?”.

Takie rozwiązania są znacznie trudniejsze do osiągnięcia i istnieje mniej ich przykładów. Ich teoria, z którą się zgadzam, mówi jednak, że właśnie tam zobaczymy rzeczywisty wpływ na wynik finansowy, jeśli uda nam się doprowadzić do pełnej transformacji.

Galen Low: Bardzo podoba mi się ten model, ponieważ pomaga nam zrozumieć, że nie wszystkie projekty transformacji AI ani wszystkie zastosowania AI są takie same.

Łatwo byłoby powiedzieć: „Dobrze, teraz mogę zastąpić to jedno narzędzie ChatGPT” albo „Teraz mogę dodać agenta do tego przepływu pracy”. Istnieje jednak jeszcze jeden poziom, o którym musimy myśleć inaczej, ponieważ konsekwencje są większe, wyzwania projektowe są większe, a problem jest większy.

Wprowadza nas to na terytorium, na którym nie trzymamy się już brzegu basenu. Nie mamy wygodnej strefy, do której moglibyśmy wrócić. Jesteśmy niejako w świecie zupełnie nowych możliwości i musimy to rozgryźć nie na podstawie tego, co mieliśmy wcześniej, ale na podstawie czegoś zupełnie nowego.

Cassie Solomon: Myślę, że jeśli najpierw zajmiemy się rozwiązaniami punktowymi, co ma sens, bo najłatwiej je sobie wyobrazić, zaczniemy myśleć: „Nie potrzebuję już tych 8000 pracowników do wykonania tego zadania”. To można zastąpić. Właśnie przeglądałam bardzo interesujące badanie.

W ubiegłym roku, a więc całkiem niedawno, w Wielkiej Brytanii wykazano, że około 30% organizacji, które zwalniają ludzi, ponieważ zamierzają wdrożyć AI, ostatecznie ponownie ich zatrudnia. Drugie badanie, przeprowadzone przez innych autorów, zasadniczo mówiło: „A przy okazji, kiedy zatrudniacie ich ponownie, za drugim razem są drożsi”.

Myślę, że szersze spojrzenie i skupienie się na rozwiązaniach oraz transformacji pozwala zadawać lepsze pytania. Jeśli pracownicy nie poświęcają już czasu na wykonywanie tego zadania, co jeszcze mogą robić? Klasycznym przykładem z przeszłości, który większość z nas pamięta, jest pojawienie się bankomatów. Ludzie mówili: „Boże, nie będzie już kasjerów bankowych, bo maszyna może teraz wydawać nam pieniądze. To koniec całego zawodu”.

Ale tak się nie stało. Nie był to koniec całego zawodu. Po prostu uznano: „Kasjerzy nadal są dla nas ważni, bo mogą rozmawiać z klientami. Wykorzystajmy ich szerzej”. Zaczęli zajmować się bardziej rozwojem biznesu. Myślę, że właśnie taki sposób myślenia pomoże ograniczyć niektóre koszmary związane z przyszłością zatrudnienia i pytaniem, czy AI zastąpi wszystkie miejsca pracy.

Produkcja to inny przypadek, ale nadal jest to dobra aspiracja.

Galen Low: Bardzo podoba mi się pomysł, że rozwiązanie punktowe jest niemal najbardziej przerażające, bo wygląda jak zwykła zamiana. Myślisz: „Dobrze, teraz robot wykonuje moją pracę”. Cieszę się, że odniosłaś to do tego, co widzieliśmy w historii, szczególnie w niedawnej historii, dotyczącej zakłóceń i ich przebiegu.

Podoba mi się to przesunięcie perspektywy: kiedy zaczynamy oddalać się i patrzeć na system, a nawet na poziom aplikacyjny, najpierw myślimy: „Musimy zwolnić wszystkich kasjerów”. Potem mówimy: „Chwileczkę, potrzebujemy ich z powrotem”, bo gdy spojrzeliśmy na cały system, zobaczyliśmy, że nadal można w nim tworzyć wartość.

Musimy tylko pomyśleć o tym w zupełnie nowy sposób, a nie korzystać ze starego modelu. Niemal zawsze reagujemy na podstawie tego, co znamy dziś, mimo że naszą misją jest wymyślenie czegoś nowego na jutro.

Cassie Solomon: To w stu procentach kwestia sposobu myślenia. Jedną z rzeczy, które mnie fascynują i z których moi przyjaciele żartują, jest przejście świata od silnika parowego do silnika elektrycznego. Zajęło to bardzo dużo czasu.

Było to przejście trwające 20–25 lat. Jedną z rzeczy, które powstrzymywały ludzi, była trudność w wyobrażeniu sobie, do czego zdolna jest nowa technologia. Firmy, które to zrozumiały, odniosły sukces i rozkwitły, a te, które tego nie zrobiły, zostały w tyle.

Najbardziej fascynujące jest to, że budowano nowe fabryki już po przyjęciu silnika elektrycznego, ale umieszczano go w tym samym centralnym miejscu, w którym wcześniej znajdował się ogromny silnik parowy, ponieważ nie potrafiono wyobrazić sobie innego układu fabryki.

W dużej mierze chodzi więc o sposób myślenia i o to, co potrafimy sobie wyobrazić jako odmienne.

Galen Low: Uwielbiam ten przykład i uważam, że jest dziś bardzo aktualny. Pytamy: „Gdzie umieścimy nowy silnik?”. Odpowiedź brzmi: „W tym samym miejscu, w którym zawsze go umieszczaliśmy”. Widzę tu wiele podobieństw do pytania, gdzie podejmowane są decyzje.

„Gdzie umieścimy je w nowym modelu?”. Dokładnie tam, gdzie wcześniej. To prawdopodobnie najlepszy wybór. Nie wiemy, czego nie wiemy, a bardzo ludzkie jest myślenie: „Po prostu zrobimy to tak jak zawsze i powinno być dobrze. Zaszliśmy tak daleko, robiąc to w ten sposób”.

Czasem jednak pojawia się moment, w którym mówimy: „Właściwie nie. Musimy pomyśleć szerzej. Nie musimy już robić tego tutaj”.

Cassie Solomon: Dziękuję, że ponownie odniosłeś to do podejmowania decyzji, bo mam bardzo dobry przykład, który zamierzamy przytoczyć w artykule przygotowywanym obecnie przez nasz zespół — przykład ogromnej firmy Blackstone opisany przez McKinsey.

Blackstone przystąpił do transformacji pracy prawnej i compliance, ponieważ spodziewał się ogromnego wzrostu jej wolumenu, a wszystko było przetwarzane ręcznie. Firma nie mogła pozwolić sobie na zwiększenie zatrudnienia o 25% i zwróciła się do McKinsey z pytaniem: „Powinniśmy móc zrobić to za pomocą AI”.

McKinsey odpowiedziało: „Chwileczkę, nie położymy tej technologii na waszym starym procesie, bo to nie zaprowadzi was zbyt daleko”. Byłoby to podobne do przypadków, w których ludzie mówią: „Użyłem AI, ale nic się naprawdę nie zmieniło. Nie wpłynęło to na wynik finansowy”.

McKinsey powiedziało: „Macie wiele poziomów zatwierdzania. Macie bardzo nieporęczny sposób realizacji tego procesu. Najpierw musicie go uporządkować i usprawnić podejmowanie decyzji, zautomatyzować jak najwięcej decyzji opartych na regułach, a następnie stworzyć ścieżkę eskalacji na wypadek, gdyby komuś nie podobało się to, co osiąga nowa automatyzacja. Dopiero potem możecie położyć na tym AI”.

Po uporządkowaniu nieporęcznego procesu i wdrożeniu AI firma odnotowała niewiarygodny wzrost produktywności — około 30%. Starsi pracownicy nie musieli już wykonywać wielu powtarzających się kontroli i zostali uwolnieni do innych zadań. Wynikło z tego wiele korzyści. I tu wracamy do mojego przyjaciela RACI.

Czy można użyć RACI do zobrazowania obecnie stosowanego procesu? Czy można zauważyć, jak bardzo jest nieporęczny pod względem liczby zatwierdzeń, przez które się męczycie, i usprawnić te elementy przed wdrożeniem technologii?

Galen Low: „Męka” to bardzo mocne, trafne i odpowiednie słowo opisujące niektóre aspekty podejmowania decyzji.

To interesujące, ponieważ właśnie uruchamiasz program certyfikacji RACI — pierwszy, o którym słyszałem. Jego celem jest pomoc organizacjom korporacyjnym w szkoleniu ludzi na różnych poziomach, aby ujednolicić sposób podejmowania decyzji w całej działalności.

Chciałem zapytać, co zasadniczo różni wykorzystywanie RACI w epoce AI i co liderzy biznesowi oraz specjaliści ds. projektów powinni zrozumieć, aby uniknąć sytuacji, w której nowy silnik trafia w to samo miejsce co silnik parowy, a sposoby myślenia poprzedniej epoki ograniczają postęp w nowej.

Cassie Solomon: To świetne pytanie. Wróćmy do tego, od czego zacząłeś: kurs certyfikacyjny RACI jest obecnie w fazie beta. Pierwsza właściwa edycja odbędzie się w październiku, a my nadal szukamy dla niej odpowiedniej nazwy, ponieważ wiele osób mówi: „RACI to bardzo proste narzędzie. Po co miałaby mi być potrzebna certyfikacja? Mogę obejrzeć kilka filmów na YouTube i skończyć”.

Całkowicie się z tym zgadzam. Samo narzędzie jest dość proste, ale my uczymy RACI jako umiejętności lub zdolności, która ma wiele zastosowań w budowaniu zaangażowanych i wydajnych zespołów. Często kontaktują się ze mną firmy i mówią: „Mój Boże, wyniki badania zaangażowania pracowników pokazały, że ludzie są bardzo sfrustrowani naszymi procesami decyzyjnymi. Nie mogą niczego doprowadzić do końca. Czy możecie pomóc?”. Odpowiadam: „Tak, oczywiście”.

Jedną z umiejętności, które wbudowujemy w ten kurs, jest możliwość cofnięcia się o krok i przeprowadzenia audytu decyzji. Jak przyjrzeć się praktykom podejmowania decyzji i zmapować je tak, jak mapuje się przepływ pracy?

Z wyjątkiem tego, że niemal nigdy nie mapujemy naszych procesów decyzyjnych. Mocno koncentrujemy się na tym, co robimy i jak to robimy, a bardzo mało na tym, gdzie znajduje się władza, gdzie znajduje się uprawnienie i jak wykorzystujemy je w organizacji. Najpierw trzeba więc zobaczyć stan obecny — to właśnie zdolność RACI.

Następnie trzeba zapytać: „Dlaczego to trwa tak długo?”. PMI już dawno powiedział nam, że na każdy projekt powinien przypadać tylko jeden A. Jak mnie znasz, mam tendencję do niezgadzania się z tym i uważam, że nie jest to szczególnie realistyczne. W rzeczywistości chcemy przenosić decyzje niżej w organizacji, jeśli zależy nam na szybkości.

Wszyscy wywodzimy się ze starszych, hierarchicznych systemów opartych na dowodzeniu i kontroli. Świat od kilku dekad zmierza w kierunku organizacji bardziej płaskich, mniej hierarchicznych i mniej opartych na dowodzeniu i kontroli. Takie organizacje są bardziej zwinne i szybsze.

Pierwszy krok to zdiagnozowanie obecnego sposobu podejmowania decyzji. Drugi to cofnięcie się o krok i przyjrzenie się temu, a trzeci — przeprojektowanie go z myślą o wzmacnianiu ludzi, tak aby decyzje były podejmowane bliżej miejsca działania. W wojsku powiedzieliby pewnie: bliżej krawędzi.

Galen Low: Bardzo podoba mi się ta zwinność. Wspomniałaś o PMI i jestem pewien, że w pewnym momencie, w pierwotnym modelu RACI, ktoś powiedział: „Jedna osoba A, jedna osoba odpowiedzialna — to będzie najbardziej efektywne”. Dziś uświadamiamy sobie, że w rzeczywistości staje się to wąskim gardłem.

Wiele osób, z którymi rozmawiamy, doświadcza problemu polegającego na tym, że jedna osoba podejmuje wszystkie decyzje. Nie zawsze jest to najlepsze podejście. Taka osoba może nie mieć wystarczających informacji lub kompetencji, aby podjąć daną decyzję. Jeśli nie wiadomo jasno, kto to jest, albo pojawia się oczekiwanie, wszystko zwalnia.

Tymczasem na świecie istnieje wiele przykładów zespołów, którym przyznano większe uprawnienia do podejmowania decyzji na obrzeżach organizacji, bliżej miejsca, w którym tworzona jest wartość. To wspiera większą zwinność.

Druga fascynująca kwestia jest taka, że RACI nie jest tylko akronimem, którego można nauczyć się w pięć minut. To narzędzie, model i sposób myślenia, który pomaga zespołom o wysokiej wydajności rozumieć, gdzie podejmowane są decyzje.

Rozmawialiśmy też o RACI jako narzędziu projektowym. Teraz rozumiemy, co mamy, ale nie chodzi wyłącznie o dokumentowanie stanu obecnego. Chodzi o zrozumienie, gdzie w nowym świecie, w nowym paradygmacie i nowej epoce znajduje się uprawnienie, kto może podejmować decyzje, a następnie o stworzenie systemu i przeprowadzenie zmiany na poziomie systemowym.

Cassie Solomon: Chcę jednak wrócić do kwestii jednej osoby podejmującej decyzje, ponieważ bardzo dobrze sprawdza się to w startupach, które zazwyczaj nie potrzebują RACI.

Nie potrzebują tej struktury. Mówią: „Jestem założycielem, podejmuję decyzje, nie jestem wąskim gardłem. Mamy mały zespół, spotykamy się jak zespół zwinny, otrzymuję konsultacje, wszyscy mają jasność i działamy bardzo szybko”. Kiedy jednak startup odnosi sukces i zaczyna się rozwijać, jedna osoba podejmująca decyzje staje się bardzo uciążliwa. Zespół założycielski przywykł do dotykania każdej decyzji, ma wspólną historię i zna się nawzajem, po czym nagle dołącza 350 nowych osób, z których wiele wnosi ogromne doświadczenie.

Są świetni. A potem pojawia się chaos. Zwykle właśnie wtedy ujawniają się problemy z prawami decyzyjnymi i punkty bólu.

Inną kwestią, o której trochę rozmawialiśmy, jest analogia do rozproszonego silnika elektrycznego. Silniki stawały się coraz mniejsze, a następnie były rozmieszczane w całej fabryce. To dobra metafora sposobu, w jaki spłaszczamy dziś organizacje.

Powodem spłaszczania organizacji jest dostęp do informacji. To bardzo interesujący sygnał, na który warto zwracać uwagę. Wczoraj w „New York Timesie” ukazał się artykuł o transformacji wojny ukraińsko-rosyjskiej wraz z coraz większym wykorzystaniem dronów. Możemy później porozmawiać o tym, kiedy maszyna zaczyna podejmować decyzję, bo właśnie nad tym wszyscy będą się zastanawiać.

Obecnie wykorzystywane są zdjęcia satelitarne, które docierają do linii frontu w Ukrainie, aby obserwować teren i identyfikować cele. Technologia oraz dostęp do niej się poprawiły. Teraz jest ona przekazywana w teren — do telefonu lub iPada konkretnej osoby. Gdyby decyzje nadal podejmowano w centralnym dowództwie, nie wykorzystywano by faktu, że dane wywiadowcze są dostępne bezpośrednio w terenie, na obrzeżach systemu. Dlatego właśnie tam przeniosło się podejmowanie decyzji.

Nie doszliśmy jednak do momentu, w którym drony mają podejmować decyzje. Nadal chcemy, aby w procesie uczestniczył człowiek, i uważam, że na obecnym etapie rozwoju AI jest to bardzo ważne. Wiele najważniejszych decyzji w opiece klinicznej nadal wymaga ludzkiego osądu i udziału człowieka.

Galen Low: To, co mówisz, jest bardzo interesujące, ponieważ nie chodzi tylko o technologię przybliżającą inteligencję do osób wykonujących pracę, tworzących wartość lub realizujących misję.

Dochodzi do tego zaufanie i edukacja. Sam fakt, że ktoś ma właściwe informacje lub dane potrzebne do działania, nie oznacza, że ma szkolenie albo ogląd szerszego obrazu, aby podejmować dobre decyzje.

Jak to rozwiązać? Możemy zapewnić bezpośredni przepływ informacji do zespołów projektowych lub pracowników pierwszej linii obsługi klienta, ale co jeszcze pomaga im podejmować dobre decyzje, gdy już mają te dane? Jak organizacje mogą ufać, że przekazanie ludziom właściwych informacji rzeczywiście doprowadzi do lepszych decyzji?

Cassie Solomon: Zbudowaliśmy model wzmacniania pozycji ludzi na podstawie wieloletnich konsultacji dotyczących RACI, ponieważ to słowo i ta koncepcja są zbyt szerokie i obejmują wiele normatywnych założeń, na przykład: „Nie chcę być mikromenedżerem. Chcę wzmacniać mój zespół, więc muszę wycofać się z tych decyzji”.

„To nie działa. Muszę więc ponownie wkroczyć”. W ten sposób zniechęcamy wszystkich i demoralizujemy cały system. Jednym ze składników naszego modelu jest umiejętność, wywodząca się z badań Dreyfusa z połowy lat 80.

Dreyfus i Dreyfus badali, jak ludzie budują umiejętności. Początkujący zaczyna od dokładnych list kontrolnych krok po kroku. Mówisz mu dokładnie, co ma zrobić, ponieważ nigdy wcześniej tego nie robił, i musi rozwijać się etapami. Zawsze mówię, że jestem bardzo doświadczoną kucharką, ale fatalną piekarką, więc kiedy coś piekę, muszę wracać do przepisu kilkanaście razy.

Moja przyjaciółka Laurie jest genialną piekarką, która robi to od dziesięcioleci. Zapytałam ją: „Co ty robisz?”. Dla niej wszystko jest intuicyjne. Wraz ze zdobywaniem doświadczenia wspinasz się po modelu Dreyfusa, aż doświadczenie zaczyna przeradzać się w osąd. Gdy osiągasz szczyt i stajesz się ekspertem, nie potrafisz już nawet przypomnieć sobie listy kontrolnej.

Tak bardzo uwewnętrzniłeś wszystkie kroki i to, czego początkowo się nauczyłeś, że między innymi stajesz się fatalnym nauczycielem dla nowych osób. Najczęściej mówisz: „To przecież zdrowy rozsądek. Dlaczego tego nie wiesz?”.

W połowie lat 80. twierdzono, że dowodzi to, iż komputery nigdy nie osiągną inteligencji, ponieważ potrafią jedynie stosować reguły. Taki był stan techniki w tamtym czasie. Potem pojawiło się uczenie maszynowe i komputery zaczęły uczyć się samodzielnie oraz zdobywać doświadczenie podobnie jak ludzie.

Model nadal jest bardzo użyteczny. Jeśli ktoś pracuje na pierwszej linii, należy pozostawić człowieka w procesie, ponieważ nie chcemy, aby niedoświadczeni żołnierze podejmowali takie decyzje samodzielnie. Pytanie brzmi więc: kiedy dron może samodzielnie podjąć decyzję?

To interesujące pytanie również w medycynie. Zawsze testujemy kliniczne systemy AI w porównaniu z ekspertami, ale systemy te znacznie przewyższają młodszych pracowników. Jeśli pytasz o zaufanie i o to, czy powierzyłabym decyzję medyczną AI, czy lekarzowi, pierwsze pytanie powinno brzmieć: jak duże doświadczenie ma ten lekarz?

Galen Low: Interesujące, że wspomniałaś o uczeniu maszynowym. W pewnym sensie rozmawiamy o doświadczeniu, ponieważ człowiek zostaje wystawiony na działanie pracy i podejmowania decyzji, otrzymuje wsparcie, często ma możliwość wielokrotnego popełniania błędnych decyzji, aż w końcu rozumie, jak postępować.

Doświadczenie nie polega więc na samym siedzeniu i obserwowaniu. Powstaje przez podejmowanie decyzji i uczenie się na ich podstawie. Uczenie maszynowe zachodzi oczywiście znacznie szybciej. AI nauczyła się rozpoznawać kota i psa, popełniając wiele błędów i stopniowo wyciągając z nich wnioski.

Można więc argumentować, że AI zdobędzie więcej doświadczenia w podejmowaniu decyzji dzięki temu procesowi. Zgadzam się jednak, że pojawia się tu kwestia ludzkiego poziomu komfortu. AI nie będzie podejmować właściwej decyzji za każdym razem, ale ludzie również nie będą. Pytanie brzmi: z czym czujemy się komfortowo?

Może warto przejść do kwestii RACI. Rozmawiamy o rolach i odpowiedzialności. Do tej pory mieliśmy narzędzia, oprogramowanie i platformy, które nie pojawiały się w RACI, ponieważ nie podejmowały decyzji. Nie umieszczam Photoshopa, Gita ani Microsoft Worda w RACI, bo nie podejmują decyzji. Teraz sytuacja jest nieco inna.

Chciałbym poznać twoje zdanie: czy w odniesieniu do ról i odpowiedzialności zespołu AI należy traktować jako członka zespołu czy jako narzędzie?

Cassie Solomon: Wiesz, że odpowiem w irytujący sposób: jako jedno i drugie. Jeśli jesteś na poziomie rozwiązania punktowego, AI jest narzędziem. Potrzebuję odpowiedzi albo zoptymalizowania jednej rzeczy, więc korzystam z AI.

Pomyśl o tym, jak duże banki wykorzystują AI do wykrywania oszustw. Kiedyś robił to człowiek. Teraz maszyny analizują miliard transakcji i mówią: „To nietypowy wzorzec. Cassie nigdy nie kupiła pizzy za 800 dolarów na Brooklynie, ponieważ większość jej transakcji odbywa się w Filadelfii. Wyślę jej wiadomość”.

W tym procesie nie ma człowieka. System pyta klientkę: „Czy właśnie kupiłaś pizzę za 800 dolarów na Brooklynie?”. Ona odpowiada: „Nie, to oszustwo”. Wracając do RACI: ile pracy oznaczonej jako R mogę odjąć i zautomatyzować? A, czyli osąd i decyzje, to obszar, w którym zastanawiamy się, czy umieszczać decyzje wewnątrz maszyny tak, jakby była członkiem zespołu.

W przykładzie wykrywania oszustw decyzja rzeczywiście znajduje się w maszynie. System komunikuje się z klientem. Oczywiście algorytmy bankowe czasami wskazują niewłaściwe osoby i bardzo trudno to później odwrócić. Nie twierdzę, że rozwiązanie jest doskonałe.

Mamy jednak przykłady, w których AI podejmuje decyzje i człowiek nie musi uczestniczyć w procesie. Jeśli chodzi o ważniejsze sprawy, takie jak przeszczepienie komuś płuca albo wystrzelenie drona, nadal naprawdę potrzebujemy człowieka w procesie.

W takim przypadku AI jest bardziej narzędziem niż członkiem zespołu.

Galen Low: Podoba mi się to, ponieważ od początku było to prawdą w odniesieniu do RACI. Gdy wracamy do podstawowego RACI jako specjaliści ds. projektów, mówimy: „Ten zespół zwykle ze sobą nie pracuje. Potrzebujemy tylko jasności dotyczącej tego, kto co robi”.

Ludzie często pytają: „Jak głęboko należy sięgać?”. Tak jak w rejestrze ryzyk — można umieścić tam wszystko. Istnieją biliony decyzji, choć może przesadzam. W projekcie podejmowanych jest bardzo wiele decyzji.

Nie możemy zapisać ich wszystkich. Mówię więc: „Nie rób tego. Zapisz decyzje, które mają konsekwencje i są niejasne lub dwuznaczne”. W przykładzie wykrywania oszustw większość zespołów powie: „Zbudowaliśmy system w ten sposób”. Nie muszę wpisywać do RACI, kto powiadamia klienta po wykryciu oszustwa ani umieszczać automatyzacji lub przepływu pracy AI jako R.

To po prostu część systemu. Nie różni się aż tak bardzo. Kiedy jednak mówimy o transformacji i o tym, że wcześniej R była Sugandha, a teraz jest nią agent, być może warto to zapisać, aby zakomunikować zmianę odpowiedzialności i porozmawiać o tym, co Sugandha robi teraz oraz gdzie jest R lub A w całym systemie.

Podoba mi się idea obserwowania, jak przesuwają się figury szachowe. Dokumentowanie tej zmiany pozwala rozmawiać o tym, co się przesuwa, upewniać się, że wszyscy są zgodni, a także pytać: „Czy to nie jest ryzykowne?”.

Załóżmy, że zbudowaliśmy agenta metodą tworzenia oprogramowania poprzez opisywanie go naturalnym językiem i w ciągu jednej nocy uczyniliśmy go odpowiedzialnym za 80% operacji związanych z przychodami. Warto o tym porozmawiać, aby ustalić, czy jest to właściwe, a jeśli tak, to kto powinien być konsultowany lub informowany.

Co najważniejsze, kto jest upoważniony do podejmowania decyzji dotyczących tej pracy? Dociekliwe umysły chcą wiedzieć: czy AI może kiedykolwiek znaleźć się w kolumnie A macierzy RACI? Czy na tym etapie rozwoju technologii może być upoważniona lub odpowiedzialna? Podejmuje decyzje — czy powinniśmy to uwzględniać?

Cassie Solomon: Uważam, że tak. Jeśli spojrzysz na górę macierzy RACI, zobaczysz wszystkich interesariuszy, którzy będą zaangażowani, w tym tych, których trzeba skonsultować, aby uniknąć problemów, oraz osoby, które muszą zostać poinformowane.

Agent AI numer jeden powinien być częścią tej grupy, aby można było rozmawiać o tym, czy przyznać mu pierwsze A, a następnie eskalować decyzję, jeśli wystąpią określone warunki. To dość bezpieczny sposób definiowania jego uprawnień, jeśli decyzja jest prosta.

Na przykład w Utah pilotażowo wdrażany jest system AI, który może odnowić receptę bez udziału lekarza. Budzi to ogromne kontrowersje. Trwa spór o to, które leki są na tyle nieszkodliwe, że jeśli AI popełni błąd i odnowi receptę, konsekwencje nie będą poważne.

Z drugiej strony młodzi ludzie pytają: „Co masz na myśli, mówiąc, że muszę iść do lekarza po receptę? To najgłupsza rzecz, o jakiej słyszałem”. Odpowiadam: „Poczekajmy na eksperyment w Utah”. Jest on bardzo kontrowersyjny i spotyka się z dużym sprzeciwem środowiska medycznego.

Czy chcemy, aby maszyna podejmowała tę decyzję? Aby udoskonalić rozwiązanie, zawężono zakres decyzji. W określonych warunkach, dla określonej osoby, jeśli przyjmowała ona dany lek trzy razy w przeszłości, AI może podjąć decyzję bez kontroli.

Podoba mi się uwidocznienie tego w RACI, ponieważ pozwala prowadzić takie rozmowy. Nie sądzę jednak, że musimy objąć RACI cały proces. Część procesu jest dla nas jasna lub intuicyjna. Powinniśmy objąć RACI punkty bólu: miejsca, w których proces nie jest jasny.

Czasami mówię ludziom: „Zastosujcie RACI tylko do decyzji”. Jeśli jest ich biliony, to kolejny problem, z którym trzeba się zmierzyć. Możemy jednak stworzyć RACI obejmujące różne decyzje. AI powinna znaleźć się na tej macierzy, ponieważ pozwala to porozmawiać o parametrach, jakie chcemy nadać narzędziu, aby podejmowało decyzje, do których jest zdolne, a inne decyzje pozostawiało ludziom.

Galen Low: To naprawdę interesujące. Myślę o ryzyku związanym z przepisywaniem leków bez udziału lekarza. Odpowiedź brzmi: to zależy. Zależy od tego, z czym czujemy się komfortowo, a to zależy od wpływu ryzyka.

W pewnym sensie RACI staje się więc dokumentem opisującym naszą tolerancję ryzyka. Ta tolerancja się zmienia, dlatego potrzebujemy odpowiedniego sposobu myślenia i dialogu. Czasami rzeczy zmieniają się pod naszymi stopami. Wspomniałaś, że wiele z nich pozostaje niewidocznych dla ludzi, a dla AI są całkowicie niewidoczne. AI pyta: „Powiedzcie mi, jak podejmujecie decyzje”, a my nie wiemy, co odpowiedzieć.

Cassie Solomon: Najbardziej bolesnym elementem pracy międzyfunkcyjnej jest to, że każdy przychodzi do zespołu ze swojego działu, a większość tych działów chce zachować część swoich uprawnień decyzyjnych. Jak zespół może podjąć decyzję, jeśli wszystko muszę zabrać z powrotem do mojego przełożonego?

Jak mogę wzmocnić ten zespół, jeśli nie otrzymuję odpowiedniej kontroli prawnej, zasobów IT ani oceny tolerancji ryzyka? Zespoły krążą w kółko. Nie mogą podejmować decyzji ani posuwać się naprzód. Ktoś mówi wtedy: „Potrzebujemy RACI”.

Problem polega na tym, że jeśli położysz samo narzędzie na tym bałaganie, pomoże ono, ale często w taki sposób, że ludzie uświadomią sobie, jak bardzo sytuacja jest nieuporządkowana. Umiejętność RACI polega na wszystkim, co następuje potem: jak sobie z tym poradzić i jak wynegocjować bardziej usprawniony system, który może działać.

Galen Low: Chciałbym wrócić do idei RACI jako narzędzia projektowego służącego zmianie na poziomie systemowym. Gdzie ktoś powinien zacząć?

W jaki sposób RACI pomaga prowadzić dialog i uchwycić to, co się dzieje? Jak można wykorzystać je do podjęcia decyzji o tym, czym ma być nowa rzeczywistość? I jak poradzić sobie z tym, że zwykle odkrywamy politykę władzy? Podoba mi się, że w twoim modelu A nie oznacza „accountable”, czyli „odpowiedzialny”, lecz „authorized”, czyli „upoważniony”.

„Odpowiedzialny” kojarzy mi się z pytaniem: „Czyja to będzie wina, gdy coś pójdzie źle?”. „Upoważniony” oznacza: „Kto może podjąć decyzję?”. To również kwestia władzy. Grupy w organizacji będą chciały zachować władzę. Czy możemy przejść przez przykład pokazujący, jak projektować z wykorzystaniem RACI?

Cassie Solomon: Tak, możemy. Zapożyczyłam od klienta świetną technikę, którą obecnie stosujemy. Na górze znajduje się przepływ pracy, a pod nim odpowiadająca mu macierz RACI.

W świecie istnieje wiele diagramów przepływu pracy i są one samotne. Nie ma na nich ludzi, ról ani informacji o tym, kto co robi. Opisują jedynie to, co się dzieje. W zeszłym tygodniu, podczas zajęć beta mojego kursu certyfikacyjnego, jedna z uczestniczek powiedziała: „Nie podoba mi się sposób, w jaki obecnie działa moja firma. Chcę użyć RACI do przeprojektowania ról. Jak mogę to zrobić?”.

Odpowiedzieliśmy: „Mamy do tego szablon”. Możesz zacząć od stwierdzenia: „Oto cała praca, którą chcę, żebyś wykonał. To są twoje R”. Następnie pytasz: „Czy chcę, abyś podejmował jakieś decyzje?”. To świetne pytanie. Jeśli znam odpowiedź, mogę powiedzieć: „Jakie rodzaje decyzji zostaną wbudowane w twoją rolę?”.

„Jakiej wiedzy eksperckiej chcę od ciebie w tej pracy i projekcie?”. Właśnie tam umieszczamy daną osobę w kolumnie C. Uczestnicy zaczęli przeprojektowywać role w swoich firmach przez pryzmat konkretnej pracy, którą trzeba wykonać i która zwykle jest gdzieś ujęta w przepływie pracy.

Ludzie zdecydowanie zbyt rzadko zadają pytanie dotyczące decyzji, a powinni, bo właśnie tam leży większość problemów.

Gdy myślę o projektowaniu transformacji, muszę wrócić do modelu z książki. RACI łączy kilka elementów: podejmowanie decyzji i ludzi, czyli to, do czego jesteś zdolny, ile wiesz i jakie masz kompetencje, z podejmowaniem decyzji.

Jest jeszcze zadanie, czyli przepływ pracy, technologia oraz sposób organizowania pracy. To fascynujący czas, ponieważ nie wiemy, jak będzie wyglądała przyszłość. Musimy to uznać, a następnie obserwować nietypowe sygnały.

Możemy przekazać inteligencję na pierwszą linię i pozwolić, aby decyzję podejmował pojedynczy żołnierz lub lekarz. Jakie będą tego dalsze konsekwencje? Jak jeszcze to się zmieni? Nie przewidzieliśmy pracy zdalnej. Potrzebna była globalna pandemia, ale zmiana ta okazała się bardzo głęboka.

Jak możemy z wyprzedzeniem wyobrażać sobie takie przesunięcia?

Galen Low: Podoba mi się, że przeszliśmy do umiejętności, zdolności i doświadczenia, ponieważ tak właśnie wiele organizacji chce przeprojektowywać swoje struktury. Toczy się dyskusja o tym, że stanowiska pracy są prawdopodobnie jednym z najgorszych opisów tego, co ludzie robią w organizacji.

Możemy włożyć wszystkich do pudełek i powiedzieć: „Każdy lekarz z takim stażem jest taki sam”. Wtedy wszyscy są odpowiedzialni za decyzję. Tymczasem powinniśmy ustalić, co trzeba zrobić, kto ma kwalifikacje i umiejętności, aby to wykonać, zamiast zamykać ludzi w ramach tytułów stanowisk.

Być może dana osoba jest R lub A w wielu różnych obszarach i stanowi to nową rolę. Widzę, że dobrze działałoby to w zespole projektowym, w którym nie musimy myśleć o stałej strukturze organizacyjnej. Mogłoby to również pomóc w uzyskaniu jasności, gdy rozwiązania punktowe zaczynają wyglądać jak zastępowanie wielu ludzi.

Możemy prowadzić dialog o tym, jak zmieniają się odpowiedzialności ludzi w nowym modelu. Wyobrażam sobie ten przepływ pracy z RACI pod spodem. To bardzo interesujące, ponieważ na diagramie przepływu pracy decyzje są po prostu rombami.

Cassie Solomon: Jest bardzo dobry przykład, którym muszę się podzielić. IKEA zastąpiła wielu pracowników chatbotami, które wykonywały bardzo proste zadania, takie jak odpowiadanie na pytania klientów.

Kiedy jednak firma cofnęła się o krok i przeanalizowała napływające pytania, odkryła, że wiele osób prosiło o porady dotyczące projektowania wnętrz, a chatbot nie był w stanie im pomóc. IKEA musiała przeszkolić 8500 osób, aby mogły zacząć udzielać podstawowych porad projektowych, i zarobiła ogromne pieniądze.

Musimy pozostać otwarci na możliwość, że jeśli naprawdę przyjrzymy się systemowi i wykonamy pracę projektową, AI ujawni luki. Mamy więcej danych i inteligencji na wyciągnięcie ręki niż kiedykolwiek w całej historii ludzkości.

Co z tym zrobimy? Zwolnimy ludzi? To głupie. Powinniśmy wykorzystać całą tę inteligencję i dane, aby zobaczyć, gdzie znajdują się luki. Zawsze mówię ludziom: „Uspokójcie się, ponieważ ta technologia będzie zjadać waszą pracę od dołu niczym mały stworek z gry Mario”. Pozwólmy AI zająć się żmudną pracą i wykorzystajmy dane, które dzięki temu powstaną, aby nauczyć się — tak jak IKEA — gdzie znajduje się luka, którą możemy wypełnić.

Galen Low: Uwielbiam to. Możemy dostrzegać luki dzięki RACI, sposobowi myślenia opartemu na RACI i rozumieniu, jak podejmowane są decyzje oraz gdzie występują braki, gdy tworzymy coś zupełnie nowego, czego nigdy wcześniej sobie nie wyobrażaliśmy.

Cassie Solomon: Podoba mi się określenie „zupełnie nowy”.

Galen Low: Skoro mówimy o czymś zupełnie nowym, jak według ciebie wygląda przyszłość?

Co stanie się z podejmowaniem decyzji? Rozmawialiśmy o organizacjach, w których przy określonej skali może działać jeden decydent. Mówiliśmy o centralnym dowództwie podejmującym decyzje, co jednak może być powolne. Mówiliśmy o przekazywaniu decyzji na obrzeża, aby zespoły i organizacje były bardziej zwinne, a także o podejmowaniu decyzji przez AI.

Jak według ciebie będą wyglądać podejmowanie decyzji i współpraca za dwa lub trzy lata?

Cassie Solomon: Celem certyfikacji jest uznanie, że podstawowy poziom pracy z RACI już znasz. Wymagania dotyczące omawiania i przeprojektowywania ról stały się jednak wykładniczo większe. Wszyscy musimy więc stać się prawdziwymi mistrzami tego narzędzia i pozwolić mu ujawniać niewidoczne elementy organizacji, które nas powstrzymują albo stwarzają możliwości zrobienia czegoś naprawdę nowatorskiego i innowacyjnego.

Jeśli nie potrafimy biegle mówić językiem ról, utknęliśmy. Nie potrafię przewidzieć przyszłości, ale mogę powiedzieć, że sygnały nadchodzących zmian pojawiają się już dziś. Jeśli nauczymy się wychwytywać sygnały takie jak: „To wygląda jak przykład przesunięcia podejmowania decyzji” albo „To wygląda jak przykład podążania decyzji za informacją do nowego miejsca”, zaczniemy budować rozumienie tego, jak wygląda nowa rzeczywistość.

Galen Low: Bardzo mi się to podoba. Mamy dziś ogrom informacji, ale potrzebujemy języka, który pomoże nam prowadzić dialog — języka pozwalającego zrozumieć podejmowanie decyzji i sposób działania systemów.

Cassie Solomon: To fascynujący, przerażający i jednocześnie wspaniały czas, aby próbować projektować przyszłość z wykorzystaniem tej niesamowitej nowej technologii.

Galen Low: Cassie, to była niesamowita rozmowa. Uwielbiam z tobą rozmawiać i bardzo dużo się nauczyłem. Dziękuję, że ponownie pojawiłaś się w programie i podzieliłaś się swoimi spostrzeżeniami. Gdzie mogą udać się osoby, które chcą dowiedzieć się więcej o tobie, twojej pracy z RACI i certyfikacji RACI?

Cassie Solomon: RACI Solutions to strona internetowa, którą stworzyliśmy wokół naszej praktyki konsultingowej związanej z RACI. W przyszłości pojawią się tam również informacje o kursie certyfikacyjnym. Ograniczamy grupy do 20 osób, ponieważ naprawdę zależy nam na dialogu i na tym, aby uczestnicy uczyli się od siebie na tym etapie certyfikacji.

Jeśli ktoś jest zainteresowany, zachęcam do kontaktu.

Galen Low: Doskonale. Umieszczę również twój profil w materiałach do odcinka. Cassie, jeszcze raz dziękuję.

Cassie Solomon: Dziękuję, Galen.

Galen Low: Dobrze, wszystkim. To koniec tego odcinka podcastu Digital Project Manager. Jeśli podobała wam się ta rozmowa, zasubskrybujcie podcast na wybranej platformie.

A jeśli chcecie otrzymywać jeszcze więcej praktycznych wskazówek, studiów przypadków i zestawów działań, załóżcie bezpłatne konto na thedigitalprojectmanager.com. Do usłyszenia następnym razem i dziękuję za słuchanie.