Ekspert ds. innowacji w dostarczaniu projektów wyjaśnia warunki potrzebne do skutecznej integracji AI

Moje doświadczenie obejmuje naukę o danych, ekonomię behawioralną i wdrażanie AI na dużą skalę, ale obecnie większość mojej pracy koncentruje się na pomaganiu firmom w ponownym przemyśleniu sposobu wykonywania pracy w świecie, w którym sama inteligencja staje się skalowalna. Zamiast traktować AI jak dodatkowe narzędzie, pomagam zespołom przeprojektowywać procesy, aby ludzie mogli skupić się na kreatywności, osądzie i strategii — podczas gdy maszyny zajmują się powtarzalną i czasochłonną pracą związaną z analizą projektów.

W praktyce oznacza to, że dużą część czasu spędzam na przeprowadzaniu zespołów przez tworzenie map drogowych AI, ramy eksperymentowania, strategie adopcji i budowanie kompetencji na dużą skalę. Niezależnie od tego, czy pomagam zespołowi marketingowemu szybciej uruchamiać kampanie, czy szkolę analityków, aby podejmowali lepsze i szybsze decyzje, moją rolą w realizacji projektów jest uczynienie z AI niezawodnego członka zespołu, a nie onieśmielającej niewiadomej.

You should also read

• Rzeczywiste przepływy pracy z AI stosowane przez szefa realizacji w agencji wdrażającej Asanę

• Menedżer projektów i edukator wspomagany przez AI przedstawia prosty przepływ pracy AI, który zasadniczo zmienia sposób realizacji projektów

Dlaczego adopcja AI kończy się niepowodzeniem bez zmiany kultury i projektowania zorientowanego na człowieka

AI zmieniło moją rolę z „twórcy rozwiązań” na „architekta kompetencji”. Poświęcam mniej czasu na ręczną analizę, badania czy tworzenie treści, ponieważ AI może teraz wykonywać dużą część żmudnej pracy szybko i na dużą skalę. Zamiast tego skupiam się na projektowaniu systemów, ustanawianiu zabezpieczeń i pomaganiu zespołom w budowaniu nawyków potrzebnych do integrowania AI w sposób, który znacząco zmienia rezultaty.

Najbardziej rozwinęła się praca związana z orkiestracją: wybieraniem obszarów, w których AI może być wykorzystane, zapewnianiem udziału ludzi tam, gdzie ma to znaczenie, oraz ciągłym dostrajaniem przepływów pracy. AI skraca czas między uzyskaniem wglądu a podjęciem decyzji, dlatego moja rola coraz bardziej polega na ustalaniu kolejności działań, zapewnianiu zgodności i pomaganiu zespołom „surfować na fali”, zamiast w niej utonąć.

Ostatecznie technologia jest łatwą częścią; ludzie są trudni. Dlatego ogromna część mojej uwagi skupia się na coachingowym wspieraniu liderów, rozwijaniu adopcji i przeprojektowywaniu rytuałów, aby zespoły mogły pracować w nowy sposób.

Jak stworzyć warunki do szybkiego iterowania

W środowisku wykładniczym przywództwo w zakresie realizacji polega w mniejszym stopniu na kontrolowaniu planu, a w większym na tworzeniu warunków, w których szybkie iterowanie jest nie tylko możliwe, ale również oczekiwane. Tworzenie takich warunków oznacza zaś ustanowienie powtarzalnego rytmu operacyjnego.

Współpracę z klientami zaczynamy od zmapowania pojedynczego przepływu pracy od początku do końca i przeprowadzenia tego, co nazywam „spisem AI”: gdzie ludzie wykonują ręczną pracę wspierającą podejmowanie decyzji, w której AI mogłoby dziś realistycznie pomóc? Następnie definiujemy jeden lub dwa eksperymenty o niskim ryzyku i wysokim wpływie — np. przyspieszenie syntezy wyników badań, tworzenia kampanii lub analizy — i wyznaczamy dla nich jasno określonych właścicieli, prostą miarę sukcesu oraz krótką pętlę informacji zwrotnej. Potem dodajemy lekkie rytuały: cotygodniowe skanowanie horyzontu, aby sprawdzać, co się zmieniło, comiesięczne przeglądy decydujące, które eksperymenty należy rozwijać, oraz „codzienne wiosłowanie”. Innymi słowy, chodzi o małe, rzeczywiste zastosowania AI w ramach bieżącej pracy, dzięki którym stają się one pamięcią mięśniową, a nie projektem pobocznym.

Oto konkretny przykład: pracowałem z zespołem sceptycznych analityków w dużej firmie z sektora nauk przyrodniczych, którzy odpowiadali za decyzje dotyczące rynku i portfela projektów, wiążące się z wysoką stawką. Zamiast nakazywać „korzystajcie z AI”, zaczęliśmy od zmapowania sposobu, w jaki tworzyli jeden konkretny materiał, a następnie użyliśmy Gemini do zautomatyzowania jedynie najgorszych elementów — skanowania danych rynkowych, podsumowywania informacji o konkurencji i testowania odporności scenariuszy.

Szkoliliśmy ich zgodnie z modelem „zobacz-zrób-naucz”: najpierw przeprowadzaliśmy prezentacje na żywo z wykorzystaniem ich własnych przepływów pracy, następnie ćwiczenia praktyczne w scenariuszach o niskim ryzyku, a na końcu prosiliśmy ich o uczenie kolegów. Wprowadziliśmy też niewielkie rytuały nagradzające postępy — cotygodniowe prezentacje, biblioteki promptów i dzielenie się sukcesami.

W ciągu czterech miesięcy codzienne korzystanie z AI wśród przeszkolonych analityków wzrosło z 16% do 83%, a adopcja w całym dziale — z 31% do 100%. Technologia miała znaczenie, ale prawdziwym przełomem był rytm małych, jasno określonych eksperymentów oraz powtarzające się rytuały i wzajemne uczenie się, które sprawiły, że szybkie iterowanie stało się bezpieczne, normalne i oczekiwane

W środowisku wykładniczym przywództwo w realizacji projektów polega w mniejszym stopniu na kontrolowaniu planu, a w większym na tworzeniu warunków, w których szybkie iterowanie jest nie tylko możliwe, ale także oczekiwane.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Michael Housman

Założyciel AI-ccelerator

Jak przejść na lekkie dostarczanie wspierane przez AI

Tradycyjne zarządzanie projektami opiera się na szczegółowym planowaniu z wyprzedzeniem i sztywnych strukturach, które zawodzą w szybko zmieniających się środowiskach.

Uważam, że AI wymaga przejścia od pięcioletnich map drogowych do krótkich, powtarzalnych nawyków: cotygodniowego skanowania horyzontu, comiesięcznych przeglądów pozycjonowania i codziennych mikroeksperymentów. AI zmienia się zbyt szybko, by stosować model kaskadowy. Zamiast „planowanie > budowanie > uruchomienie” nowoczesne dostarczanie przypomina raczej „eksplorowanie > testowanie > dostosowywanie”.

Lekkie systemy kładą nacisk na bieżące uzgadnianie działań z wykorzystaniem podsumowań generowanych przez AI, tworzonych przy użyciu oprogramowania do robienia notatek, natychmiastowych migawek postępów i automatycznej dokumentacji. Zespoły poświęcają mniej czasu na aktualizowanie artefaktów, a więcej na iterowanie rezultatów. Stawiamy na działające prototypy zamiast teoretycznych planów i wykorzystujemy AI do skracania cykli, aby uczyć się szybciej niż konkurenci. Rezultatem jest rytm realizacji, który przypomina bardziej surfowanie: ciągły ruch, ciągłe dostosowywanie i nieustanne możliwości.

Kiedy odeszliśmy od tradycyjnego zarządzania projektami na rzecz lżejszych systemów wspieranych przez AI, zrobiliśmy to, celowo włączając te narzędzia do istniejących przepływów pracy zamiast jednoczesnego zastępowania wszystkiego. ChatGPT stał się wielofunkcyjnym centrum — tworzył szkice zakresów, generował briefy, doprecyzowywał wymagania i przygotowywał migawki projektów. Gemini zajmował się bardziej pogłębionymi zadaniami badawczymi, takimi jak analiza konkurencji i synteza techniczna.

W przypadku zespołów kreatywnych Flux Replicate umożliwiał szybkie generowanie obrazów, RunwayML obsługiwał transformacje obrazu w wideo, a Suno/ElevenLabs zapewniały natychmiastowe zasoby audio. W obszarze automatyzacji Atlas i Lindy służyły do prototypowania agentowych przepływów pracy, pomagając nam automatyzować takie kroki, jak zbieranie materiałów referencyjnych, przepisywanie wyników dla różnych interesariuszy czy generowanie list zadań na podstawie dokumentów projektowych. Wreszcie narzędzia takie jak Claude i Manus pomagały przyspieszać tworzenie kodu i prototypowanie.

Transformacja przebiegała według prostego, powtarzalnego schematu, o którym wspomniałem powyżej:

1. Odwzoruj pojedynczy przepływ pracy od początku do końca.
2. Określ, które kroki można przekazać którym narzędziom.
3. Zapewnij zespołom bibliotekę wyjściowych promptów.
4. Przeprowadź praktyczną sesję na żywo z wykorzystaniem rzeczywistego zadania, podczas której członkowie zespołu zrealizują cały przepływ pracy za pomocą nowego zestawu narzędzi.
5. Wprowadź na stałe drobne rytuały nagradzające postępy.

Jak poradzić sobie ze złożonością organizacyjną i wdrażać AI na dużą skalę

Oto kolejny przykład. Współpracowałem z szybko rozwijającą się firmą produkującą suplementy dla zwierząt, której zespół marketingowy miał trudności z nadążaniem za popytem. Firma uruchamiała około 500 kampanii miesięcznie, a każdy materiał wymagał pracy projektantów, autorów treści i ręcznego iterowania. Kiedy generatywna AI upowszechniła się pod koniec 2022 roku, wprowadziliśmy narzędzia takie jak Midjourney i przeszkoliliśmy zespół, aby bezpośrednio włączał je do procesu realizacji kampanii.

Dzięki niewielkim zmianom procesu i praktycznym ćwiczeniom czas produkcji spadł z 45 minut na reklamę do 5 minut: to niemal 900% poprawy! Uwolniło to wykładniczą skalę: 2300 kampanii miesięcznie, wyższe współczynniki konwersji i ostatecznie 50% wzrost przychodów rok do roku.

Zmiany w procesie były celowo niewielkie, ale miały duży wpływ. Przebiegało to tak, jak opisałem powyżej.

Zaczęliśmy od wyodrębnienia pojedynczego przepływu pracy — produkcji płatnych reklam w mediach społecznościowych — i podzielenia go na poszczególne etapy: opracowanie koncepcji, pisanie tekstów, generowanie materiałów wizualnych, formatowanie materiałów, kontrolę jakości i przesłanie. Zamiast przeprojektowywać cały proces, zastąpiliśmy tylko dwa etapy: wstępne opracowanie koncepcji i stworzenie pierwszej wersji materiału wizualnego. Wprowadziliśmy prompty Midjourney dostosowane do każdej linii produktowej, utworzyliśmy oparte na szablonach prompty do tworzenia tekstów w ChatGPT i zaprojektowaliśmy krótkie drzewko decyzyjne, aby twórcy dokładnie wiedzieli, kiedy użyć AI, a kiedy dopracować materiał ręcznie.

Następnie zespół ćwiczył ten proces w kontrolowanym środowisku: jedna reklama, jeden materiał, jeden prompt naraz. Gdy zobaczyli skrócenie czasu — z 45 minut do około 5 — wdrożenie nastąpiło w naturalny sposób. Rezultaty uzyskane w rzeczywistych warunkach budują pewność siebie znacznie szybciej niż abstrakcyjne szkolenie.

Jak AI zmienia punkt wyjścia dla każdej rutyny realizacyjnej

AI zmienia punkt wyjścia dla każdej rutyny.

Na przykład zakres nie jest już kwestią „co realistycznie możemy zrobić w ramach dostępnej liczby godzin?”, lecz „co staje się możliwe, gdy zwiększa się nasza wydajność?”. Definiując zakres, współtworzymy go teraz z AI: generujemy wiele wersji, kwestionujemy założenia i badamy alternatywne ścieżki, zanim podejmiemy decyzję. Poszerza to przestrzeń rozwiązań i na wczesnym etapie ogranicza martwe pola.

Uzgadnianie również się zmienia, ponieważ AI zapewnia jedno, spójne źródło prawdy. Tworzy wspólne briefy, podsumowania, zestawienia ryzyk i opcje, eliminując luki interpretacyjne, które często spowalniają współpracę.

Walidacja staje się ciągła, a nie epizodyczna: AI testuje założenia, przegląda wyniki i w czasie rzeczywistym wskazuje niespójności.

Realizacja w mniejszym stopniu polega na zarządzaniu zadaniami, a w większym na koordynowaniu przepływów pracy człowiek–maszyna, tak aby właściwa praca trafiała do właściwego „członka zespołu”, niezależnie od tego, czy jest nim człowiek, czy AI.

Dlaczego partnerstwo człowieka i AI jest zwycięską formułą

Ogólnie rzecz biorąc, powtarzalna, manualna, analityczna i wykonywana na dużą skalę praca to obszar o najłatwiejszym potencjale automatyzacji. Zadania takie jak synteza wyników badań, zbieranie wymagań, analiza konkurencji, tworzenie wstępnych wersji, walidacja techniczna, zapewnianie jakości i doskonalenie rejestru prac są idealne dla AI, ponieważ opierają się na rozpoznawaniu wzorców i dobrze skalują się dzięki automatyzacji.

AI jest dla pracowników umysłowych tym, czym silnik parowy był dla pracy fizycznej: wzmacniaczem możliwości, który wykonuje najcięższą pracę, aby ludzie mogli skupić się na tym, co mogą zrobić tylko ludzie.

Praca, która wciąż wymaga ludzkiego podejścia, obejmuje rozwiązywanie niejednoznaczności, uzgadnianie działań między różnymi funkcjami, zarządzanie konfliktami, opowiadanie historii, inteligencję emocjonalną i strategiczne kompromisy; są to obszary, w których kontekst, osąd i umiejętności relacyjne mają większe znaczenie niż obliczenia. Maszyny mogą przedstawiać dostępne opcje, ale to ludzie nadal muszą wybrać, na którą górę chcą wejść.

Zwycięska formuła to partnerstwo: pozwólmy AI zajmować się zadaniami wymagającymi precyzji, a ludziom przewodzić dzięki kreatywności, strategii i budowaniu relacji.

Jak agenci AI zmniejszają obciążenie poznawcze

Przepływy pracy oparte na agentach szybko stają się fundamentem działania. Koncentrujemy się na trzech obszarach:

• Zmniejszanie obciążenia poznawczego
• Automatyzowanie powtarzalnych przepływów pracy od początku do końca
• Tworzenie systemów „zamkniętej pętli”, w których agenci mogą rozumować, działać i weryfikować wyniki

Wczesne eksperymenty obejmują agentów, którzy generują warianty kampanii, przeglądają zbiory danych, udoskonalają prompty, tworzą pulpity nawigacyjne lub zarządzają złożonymi przepływami pracy związanymi z badaniami bez konieczności ręcznego nadzorowania poszczególnych etapów.

Gdy połączysz utalentowanych ludzi z odpowiednimi systemami AI, skala wyników rośnie wykładniczo. W niektórych przypadkach coś, co wcześniej zajmowało całe dni, teraz trwa godziny — albo minuty. Kluczem jest przemyślana koordynacja: zapewnienie agentom ograniczeń, kryteriów oceny i ścieżek eskalacji, aby ludzie zachowali kontrolę nad osądem i strategią. Innymi słowy, agenci powinni działać w jasno określonych „ramach”, a decyzje interpretacyjne lub strategiczne zawsze powinni podejmować ludzie.

Na przykład we współpracy z analitykiem farmaceutycznym dokładnie określiliśmy, w których obszarach agenci AI mogą niezawodnie pomagać, a te obszary stały się ograniczeniami dla agenta: mógł zbierać, porządkować i tworzyć wersje robocze, ale nie mógł interpretować, rekomendować ani ustalać priorytetów. Te decyzje wyższego rzędu pozostały wyłącznie w gestii analityków.

Ustaliliśmy również kryteria oceny, zanim AI wykonało choćby jedno zadanie. Na przykład każde podsumowanie wygenerowane przez AI musiało dokładnie odzwierciedlać dokumenty źródłowe, każdy zarys scenariusza musiał wskazywać leżące u jego podstaw założenia, a każda tabela porównawcza musiała odpowiadać preferowanym przez analityków formatom. Gdy AI napotykało niejednoznaczne dane, sprzeczne sygnały lub istotne braki — co często zdarzało się na wczesnych etapach — automatycznie eskalowało problem do osoby dokonującej weryfikacji, która doprecyzowywała kierunek i dodawała niuanse.

Koordynacja działała, ponieważ AI miało określone ograniczenia, wyniki podlegały kryteriom oceny, a analitycy dysponowali jasnymi przesłankami eskalacji, dzięki czemu zachowywali kontrolę nad pracą. Gdy ta równowaga jest właściwa, wzrost produktywności wydaje się niemal nieuczciwie duży.

Jak AI skraca dystans między danymi a wnioskami

Jednak najbardziej niedocenianą funkcją AI nie jest pojedyncze narzędzie ani agent, lecz podejmowanie decyzji wspomagane przez AI.

Gdy każdy członek zespołu ma w kieszeni inteligentnego asystenta do badań, strategii i analiz, spotkania stają się krótsze, decyzje są bardziej klarowne, a realizacja znacznie przyspiesza. Zespoły przestają spędzać godziny na zbieraniu informacji, a zamiast tego poświęcają minuty na wybór spośród opcji wygenerowanych przez AI.

W przypadku większości podejmowanych decyzji korzystam naprzemiennie z najważniejszych modeli z czołówki — ChatGPT, Gemini, Claude i Grok — ponieważ każdy z nich ma inne mocne strony, a jakość odpowiedzi często zależy od dopasowania pytania do modelu. W praktyce nieustannie „pytam” wszystkie te modele o zdanie, gdy oceniam kompromisy, poddaję założenia próbie lub analizuję opcje strategiczne. Ta triangulacja między modelami daje mi pewność: jeśli kilka systemów dochodzi do tego samego toku rozumowania, traktuję to jako silniejszy sygnał.

Mimo to ChatGPT jest zazwyczaj moim pierwszym wyborem. Powód jest prosty: funkcja pamięci sprawia, że doskonale sprawdza się przy decyzjach wymagających ciągłości. Pamięta kontekst mojej działalności, rodzaje klientów, którym świadczę usługi, mój ton, moje preferencje i schematy obecne w mojej pracy. Ta ciągłość z czasem się kumuluje — dlatego gdy zastanawiam się nad pozycjonowaniem, strategią, komunikacją lub czymkolwiek, co korzysta z długoterminowego kontekstu, ChatGPT staje się moją „bazą domową”.

Pozostałe modele pełnią funkcję wyspecjalizowanych doradców; ChatGPT jest tym, który zna mnie najlepiej.

Jak warstwy orkiestracji i niestandardowe GPT jednoczą narzędzia AI

Rdzeń mojego stosu opiera się teraz na:

• Modelach multimodalnych, takich jak ChatGPT, Gemini i Claude
• Narzędziach agentowych do automatyzacji przepływów pracy
• Współpilotach dziedzinowych do projektowania, programowania, analityki i dokumentacji

Ogólnie rzecz biorąc, największa ewolucja nie dotyczy samych narzędzi, lecz warstwy orkiestracji — wykorzystywania struktur automatyzacji i niestandardowych GPT do łączenia wszystkiego. W przeszłości mój stos obejmował oddzielne narzędzia do badań, pisania, tworzenia diagramów i zarządzania projektami. Dziś wiele z tych przepływów pracy łączy się w jedną warstwę AI, która działa ponad istniejącymi narzędziami.

Zasadniczo mam na myśli zbiór interoperacyjnych systemów AI, z którymi zespoły współpracują w celu usprawnienia swoich przepływów pracy. W praktyce wygląda to tak, że modele ogólnego przeznaczenia (ChatGPT, Claude, Gemini) pełnią funkcję silnika poznawczego przy zadaniach takich jak badania, synteza informacji, tworzenie wersji roboczych czy analiza, podczas gdy wyspecjalizowani współpiloci dziedzinowi lub dodatki działają wewnątrz istniejących narzędzi, takich jak Notion, Google Workspace, Figma czy Jira. Zamiast przełączać się między kilkunastoma rozproszonymi aplikacjami, zespoły coraz częściej polegają na niewielkim zestawie podstawowych interfejsów AI, które łączą się z resztą ich stosu.

Wartość wynika z ograniczenia kosztów poznawczych związanych z przełączaniem się między zadaniami.

Wskazówka Michaela

Ogólnie rzecz biorąc, największa ewolucja nie dotyczy samych narzędzi, lecz warstwy orkiestracji — wykorzystywania struktur automatyzacji i niestandardowych GPT do łączenia wszystkiego.