Im mądrzejsza staje się sztuczna inteligencja, tym łatwiej przeoczyć jej najpoważniejsze błędy

Równolegle z pracą badawczą przez wiele lat zajmowałem się nauczaniem matematyki i mentoringiem. Po ukończeniu doktoratu zacząłem bardziej świadomie rozwijać tę działalność, tworząc ustrukturyzowane programy i zastanawiając się nad projektowaniem bardziej złożonych przedsięwzięć edukacyjnych. Jednocześnie zaangażowałem się w projekty inwestycyjne i infrastrukturalne, które wiązały się z realną presją decyzyjną i udoskonaliły moje podejście do realizacji działań w warunkach niepewności.

Obecnie jestem współzałożycielem i dyrektorem wykonawczym (ds. produktu i zaangażowania) w Cantabrium Scholars, młodym przedsięwzięciu edukacyjnym i konsultingowym, które zdecydowanie znajduje się na etapie budowy. Skupiam się na kształtowaniu i rozwijaniu produktu oraz doświadczeń uczniów w ramach programów — od projektu akademickiego i jakości mentorów po komunikację z rodzicami i utrzymanie uczestników. Obejmuje to również prowadzenie wieloetapowej realizacji działań przez zespoły pracujące w różnych lokalizacjach oraz dbanie o spójność złożonych projektów w miarę ich rozwoju. Jestem także blisko zaangażowany w nawiązywanie partnerstw oraz kształtowanie kierunku akademickiego organizacji i ogólnego podejścia do realizacji działań w miarę naszego rozwoju.

Gdzie sztuczna inteligencja jest najbardziej wartościowa w cyklu realizacji

Sztuczna inteligencja okazała się dla mnie szczególnie przydatna, gdy przeszedłem ze środowisk opartych wyłącznie na badaniach do ról wymagających szybszej realizacji działań, koordynacji międzyfunkcyjnej i podejmowania decyzji w rzeczywistym świecie.

W mojej obecnej pracy sztuczna inteligencja jest najbardziej wartościowa w dwóch momentach cyklu realizacji:

Na początku służy jako szybki sposób na poznawanie nowych dziedzin i poddawanie pomysłów próbie, gdy decyzje są jeszcze kształtowane. Wiele wątków projektów edukacyjnych i inwestycyjnych, w które jestem zaangażowany, wymaga szybkiego zapoznania się z nieznaną tematyką. Sztuczna inteligencja pomaga mi szybko analizować możliwości, zanim zwolnię tempo, aby dokładnie przeanalizować założenia. W praktyce oznacza to, że używam jej do wyjaśniania struktury danej dziedziny, wskazywania typowych kompromisów i pełnienia funkcji partnera do konsultowania pomysłów, gdy dopracowuję własne rozumowanie. W praktyce ma to często największe znaczenie dla ograniczania liczby błędów — pozwala wychwycić słabe założenia lub wewnętrzne sprzeczności, zanim rozprzestrzenią się w projekcie.

Następnie, gdy główny kierunek jest już jasny, sztuczna inteligencja szczególnie skutecznie ogranicza koszty realizacji i koordynacji. Obecnie poświęcam znacznie mniej czasu na tworzenie kolejnych wersji tych samych materiałów — tłumaczenie treści na różne formaty, dostosowywanie ich do różnych odbiorców lub krajów czy synchronizowanie równoległych dokumentów. Zachowanie jasnej pamięci o wcześniejszych decyzjach i kontekście znacznie ułatwia również szybkie tworzenie nowych wersji materiałów bez utraty pierwotnych założeń w miarę rozwoju projektów.

Okazała się również niespodziewanie przydatna w kontekstach wymagających intensywnych negocjacji — szybko mapuje stanowiska obu stron, ujawnia prawdopodobne ograniczenia i kwestie niepodlegające negocjacjom oraz pomaga sprawdzić, w których obszarach mogę ustąpić, a w których zastrzeżenia mają charakter zasadniczy. W praktyce proszę ją o przygotowanie dwóch lub trzech pakietów „uczciwej wymiany”, a następnie sprawdzam je pod kątem moich granic nie do przekroczenia, zanim wejdę na rozmowę. Dzięki temu łatwiej przystępuję do rozmów z jasno określonymi granicami, wiarygodnymi ustępstwami i spokojniejszym rozumieniem tego, jak faktycznie wygląda uczciwa wymiana.

Notatki Evgeny'ego

Okazała się również niespodziewanie przydatna w kontekstach wymagających intensywnych negocjacji — szybko mapuje stanowiska obu stron, ujawnia prawdopodobne ograniczenia i kwestie niepodlegające negocjacjom oraz pomaga sprawdzić, w których obszarach mogę ustąpić, a w których zastrzeżenia mają charakter zasadniczy.

W rezultacie coraz więcej uwagi poświęcam pracy wymagającej osądu: decydowaniu, które pytania naprawdę mają znaczenie, tworzeniu początkowej struktury projektów oraz poruszaniu się po ludzkim wymiarze realizacji działań — uzgadnianiu stanowisk, budowaniu zaangażowania i zaufania. Zadania takie jak definiowanie zakresu, ocena kompromisów, rozwiązywanie sporów i wybór kierunku pozostają zdecydowanie domeną człowieka, podczas gdy sztuczna inteligencja wspiera syntezę informacji, spójność i pamięć w całym procesie realizacji.

Coraz częściej postrzegam sztuczną inteligencję jako współpracownika na wczesnych etapach myślenia i niezawodny akcelerator na późniejszych etapach, ale jeszcze nie jako substytut oryginalnego osądu ani autentycznie kreatywnej realizacji od podstaw. Ta granica się przesuwa, jednak obecnie większość korzyści w mojej pracy wynika z połączenia silnego ludzkiego osądu z selektywnym, dobrze sformułowanym wsparciem sztucznej inteligencji.

Dlaczego silniejszy osąd ludzki jest najważniejszą częścią realizacji projektów wspieranej przez AI

Co ciekawe, w miarę jak wyniki AI stają się coraz bardziej przekonujące, rola ludzkiego osądu staje się bardziej wymagająca, a nie mniej.

Na obecnym etapie duża część pracy nie polega jedynie na korzystaniu z AI, lecz także na aktywnym kontrolowaniu go: starannym formułowaniu pytań, wyraźnym przedstawianiu założeń i zapobieganiu zbyt wczesnemu wyciąganiu przez AI niewypowiedzianych wniosków.

W praktyce oznacza to, że człowiek musi pełnić w procesie funkcję ośrodka stabilności. W naszej pracy AI często szybko dochodzi do przejrzystych, eleganckich struktur, które wydają się wewnętrznie spójne. Gdy coś wygląda „zbyt przejrzyście”, potrzebna jest celowa interwencja człowieka, aby spowolnić proces, ponownie przeanalizować założenia dotyczące przygotowania studentów, ich motywacji i obciążenia pracą oraz uniknąć utrwalenia czegoś, co na papierze wygląda atrakcyjnie, ale w praktyce jest kruche.

To, co szczególnie utrudnia terminową interwencję człowieka, polega na tym, że błędy rzadko pojawiają się jako oczywiste pomyłki. W miarę rozwoju projektów halucynacje AI stają się coraz subtelniejsze i bardziej przekonujące, często przybierając formę wewnętrznie spójnych narracji opartych na niepełnych lub niejawnych założeniach. W mojej pracy edukacyjnej przejawiało się to w strukturach programów, które początkowo wyglądały solidnie, ale bez wczesnego wykrycia prowadziłyby do niedopasowanego obciążenia pracą lub nierealistycznych oczekiwań dotyczących przygotowania. Gdy otaczający tekst jest płynny i dobrze uporządkowany, takie problemy mogą po cichu się rozprzestrzeniać, chyba że ktoś celowo zainterweniuje.

Oto jedno praktyczne zabezpieczenie, które stosujemy: każda struktura wygenerowana przez AI, która wygląda „przejrzyście” lub zbyt szybko osiąga spójność, jest domyślnie traktowana jako podejrzana. Przed podjęciem decyzji wymuszamy co najmniej jedną iterację, w której jawnie ponownie przedstawiamy założenia, analizujemy możliwe scenariusze niepowodzenia i testujemy strukturę przy alternatywnych ograniczeniach. Jest to najbardziej niezawodny sposób na wychwycenie subtelnych, ale mających duży wpływ błędów, zanim się rozprzestrzenią.

Patrząc w przyszłość, spodziewam się, że to napięcie będzie narastać. W miarę doskonalenia modeli coraz trudniej będzie kwestionować architektury, które są wewnętrznie spójne i na pierwszy rzut oka przekonujące. Utrzymanie roli człowieka — spowalnianie procesu we właściwych momentach, kwestionowanie założeń i branie odpowiedzialności za decyzje — może stać się jednym z najważniejszych i najbardziej wymagających aspektów AI w automatyzacji i realizacji usług profesjonalnych.

Jak wykorzystywać AI jako krytycznego recenzenta

Jedna prosta zmiana może w tym pomóc: korzystaj z konwersacyjnego AI jako krytycznego recenzenta, a nie generatora treści.

Zamiast prosić AI o tworzenie gotowych wyników, wykorzystuję je do analizowania proponowanych struktur: ujawniania ukrytych założeń, testowania decyzji w alternatywnych scenariuszach oraz wyjaśniania, w jaki sposób plan może się nie powieść, jeśli jedno z założeń okaże się błędne. Jest to szczególnie wartościowe w pracy związanej z projektowaniem i inwestycjami, gdzie wczesne decyzje mają długofalowe konsekwencje, a nieuzasadniona pewność siebie jest kosztowna.

Wykorzystane w ten sposób AI skraca cykle myślenia, nie spłycając niuansów. Pozwala szybko uzewnętrzniać, kwestionować i udoskonalać nie w pełni ukształtowane pomysły, zmniejszając obciążenie poznawcze i jednocześnie poprawiając jakość decyzji. W praktyce doprowadziło to do wcześniejszego wykrywania słabych założeń, mniejszej liczby późnych zmian kierunku oraz bardziej świadomego zaangażowania po wybraniu określonego kierunku.

Wartość tego zastosowania zależy w mniejszym stopniu od samego modelu, a w większym od sposobu uporządkowania interakcji. Niewielkie zmiany w poleceniach mogą decydować o tym, czy AI przedwcześnie dojdzie do schludnego rozwiązania, czy też ujawni istotne kompromisy i scenariusze niepowodzenia. Powracając do tych samych pytań na kolejnych etapach projektu i ponownie testując założenia w miarę zmiany kontekstu, sprawiamy, że ta interakcja staje się częścią samego procesu realizacji. Z czasem ta powtarzalność przynosi efekt kumulacyjny: decyzje pozostają spójne, wcześniejsze rozumowanie jest nadal widoczne, a ogólna spójność między projektami poprawia się zamiast zanikać.

Oto niewielki, ale wymowny przykład. Pytanie AI: „Która opcja jest najlepsza przy tych ograniczeniach?” zwykle prowadziło do przejrzystych, pewnych siebie rekomendacji, do których model szybko dochodził. Przeformułowanie polecenia na: „W jakich warunkach ta opcja by zawiodła i które założenia musiałyby być fałszywe, aby do tego doszło?” przyniosło istotnie inny wynik: ujawniło wąskie gardła operacyjne, ryzyko związane z koordynacją z partnerami oraz wrażliwość harmonogramu, które nie były oczywiste w pierwotnym ujęciu. Ta zmiana sformułowania wielokrotnie wpływała na to, którym ryzykiem zajmowaliśmy się wcześniej, a w niektórych przypadkach także na to, które opcje całkowicie odrzucaliśmy.

Notatki Jewgienija

Pytanie AI: „Która opcja jest najlepsza przy tych ograniczeniach?” zwykle prowadzi do przejrzystych, pewnych siebie rekomendacji, do których model szybko dochodzi. Przeformułowanie polecenia na: „W jakich warunkach ta opcja by zawiodła i które założenia musiałyby być fałszywe, aby do tego doszło?” przyniosło istotnie inny wynik.

Jak AI zmienia praktyki realizacji, aby skupić się na jakości decyzji

AI przesunęło nasze praktyki realizacji z raportowania aktywności w kierunku poprawy jakości decyzji.

• Definiowanie zakresu stało się zarówno bardziej jednoznaczne, jak i bardziej tymczasowe. Ponieważ AI ułatwia szybkie generowanie wiarygodnie wyglądających planów, nauczyliśmy się spowalniać tę fazę, zamiast ją przyspieszać. Wczesne rezultaty traktujemy jako hipotezy wymagające analizy, a nie propozycje gotowe do realizacji. Używamy AI do mapowania przestrzeni możliwości, ujawniania ograniczeń i identyfikowania obszarów, w których nadal występuje niepewność, zanim zobowiążemy się do określonego zakresu.
• Wyrównywanie zespołów koncentruje się teraz na wspólnym rozumowaniu, a nie na wspólnych artefaktach. Zamiast od razu rozpowszechniać dopracowane dokumenty, często używamy AI do tworzenia zwięzłych podsumowań założeń, kompromisów i nierozstrzygniętych kwestii przed dyskusjami. Wyrównuje to poziom kontekstu i pozwala, by rozmowy dotyczące uzgodnień koncentrowały się na ocenie sytuacji, a nie na interpretacji.
• Walidowanie pracy przesunęło się na wcześniejszy etap. Zamiast oceniać rezultaty względem listy kontrolnej lub harmonogramu, używamy AI do testowania założeń pod kątem odporności: pytamy, w jaki sposób struktura może zawieść, które założenia wiążą się z największym ryzykiem lub co zmieni się w przypadkach brzegowych. Dzięki temu rozmowy walidacyjne stały się bardziej merytoryczne, a liczba niespodzianek na późnym etapie spadła.
• Zarządzanie realizacją stało się prostsze, ale bardziej świadome. Zamiast aktualizacji statusu regularne spotkania kontrolne koncentrują się na decyzjach, które należy podjąć, pojawiających się kompromisach oraz obszarach wymagających ludzkiej oceny. AI wspiera ciągłość i syntezę informacji w tle, ale odpowiedzialność za własność i rozliczalność pozostaje wyraźnie po stronie ludzi.

Ogólnie rzecz biorąc, AI nie wyeliminowało potrzeby stosowania rytuałów realizacyjnych — sprawiło, że stały się one bardziej celowe. Nacisk przesunął się ze śledzenia postępów na podejmowanie lepszych decyzji wcześniej i przy wyraźniej określonej odpowiedzialności.

Jak wygląda stos AI zapewniający elastyczność w realizacji projektów

Mój stos narzędzi do realizacji projektów jest celowo lekki, oparty przede wszystkim na tekście i wspomagany przez AI, a nie przeładowany narzędziami. Odzwierciedla to charakter mojej pracy, która zwykle wiąże się z dużą niepewnością i jest oparta na projektowaniu, a nie na realizacji na dużą skalę.

U podstaw znajdują się współdzielone dokumenty i arkusze kalkulacyjne w Google Workspace. Współdzielone dokumenty pełnią funkcję głównego źródła prawdy dla założeń, decyzji, odpowiedzialności i rozwijających się struktur, natomiast arkusze kalkulacyjne służą do tworzenia modeli kosztowych, harmonogramów i porównań scenariuszy, szczególnie w kontekście inwestycji i planowania lokalizacji. Slack i WhatsApp służą do szybkiego uzgadniania i podejmowania decyzji, a nie do szczegółowego śledzenia zadań.

W zakresie zarządzania projektami korzystam w razie potrzeby z Notion i Linear, koncentrując się na rejestrach decyzji i kamieniach milowych, a nie na rozbudowanych tablicach zadań.

W praktyce oznacza to, że w ciągu ostatniego roku jeszcze mocniej postawiłem na współdzielone dokumenty i syntezę wspomaganą przez AI, jednocześnie odchodząc od rozbudowanych narzędzi do zarządzania projektami na rzecz bardziej przejrzystych rejestrów decyzji i lżejszej koordynacji.

Obecnie mam mniej dokumentów, bardziej przejrzyste rejestry decyzji i wyraźniej określone założenia. Modele LLM znajdują się teraz nad tym stosem jako warstwa syntezy i ciągłości. Pomagają mi utrzymywać spójność decyzji, założeń i równoległych dokumentów w miarę zachodzących zmian. Używam ich do analizowania możliwości, testowania projektów pod kątem odporności, podsumowywania wcześniejszych decyzji i zachowywania kontekstu w miarę rozwoju projektów w wymiarze akademickim, operacyjnym i partnerskim. Oto szczegóły:

• ChatGPT (modele klasy GPT-4): Otwarte rozumowanie, analiza możliwości, analiza kompromisów, testowanie projektów pod kątem odporności oraz utrzymywanie kontekstu w długim horyzoncie czasowym w wielu dokumentach.
• Claude: Przejrzyste, uporządkowane wersje robocze i staranna redakcja przy zachowaniu tonu oraz ograniczeń.
• Gemini (sporadycznie): Szybkie podsumowywanie dużych zbiorów danych wejściowych lub przedstawianie alternatywnych ujęć, szczególnie podczas pracy z różnymi typami dokumentów.

W ostatnich projektach przełożyło się to na szybsze wypracowywanie wykonalnych struktur programów, mniej późnych zmian kierunku oraz wyraźniejsze przekazywanie decyzji między strumieniami prac akademickich i operacyjnych. W praktyce zmniejszyło to liczbę równoległych dokumentów, które utrzymujemy, skróciło cykle iteracji między wersjami roboczymi i obniżyło nakład koordynacji potrzebnej do zachowania spójności materiałów akademickich, operacyjnych i przeznaczonych dla partnerów.

W obszarze komunikacji i projektowania korzystałem z Midjourney, aby szybko uzgodnić kierunek z naszym projektantem. Narzędzie okazało się szczególnie skuteczne w przekazywaniu tonu i kierunku wizualnego na wczesnym etapie, ograniczając liczbę iteracji, które często wynikają z prób opisania oceny estetycznej wyłącznie słowami.

Patrząc w przyszłość, wraz ze wzrostem ilości materiałów sensownym rozwiązaniem byłaby połączona baza wiedzy, taka jak Obsidian, szczególnie z myślą o długoterminowej pamięci instytucjonalnej obejmującej różne projekty. Na obecnym etapie współdzielone dokumenty połączone z podsumowywaniem i odtwarzaniem informacji wspomaganym przez AI zaspokajają większość tej potrzeby bez wprowadzania dodatkowego obciążenia związanego z narzędziami.

Ogólnie rzecz biorąc, ten stos działa, ponieważ obecnie większe znaczenie niż optymalizacja procesów mają przejrzystość, zdolność adaptacji i ocena sytuacji. Wraz ze wzrostem skali poszczególne elementy stosu prawdopodobnie zostaną sformalizowane, ale na razie elastyczność okazała się cenniejsza niż precyzja.

Dlaczego lekkie systemy realizacji sprawdzają się lepiej w projektach wykorzystujących AI i obarczonych dużą niepewnością

Odeszliśmy więc od zarządzania projektami opartego na zadaniach i harmonogramie na rzecz systemów, które kładą nacisk na założenia, zależności i punkty decyzyjne. W pracy o wysokim poziomie niepewności, prowadzonej przez projektowanie, wczesna precyzja dotycząca zadań i terminów często tworzy fałszywe poczucie postępu, jednocześnie przesłaniając rzeczywiste pytania, na które wciąż trzeba odpowiedzieć.

Nie „buntowałem się” świadomie przeciwko tradycyjnemu zarządzaniu projektami — po prostu przestało ono pasować do rodzaju pracy, którą wykonuję.

Wybieramy mniej sztywnych planów i więcej uporządkowanych rozmów. Zamiast śledzić szczegółowe zadania lub narzucać sztuczne kamienie milowe, koncentrujemy się na określeniu, co musi być prawdą, aby projekt zakończył się sukcesem, gdzie wciąż występuje niepewność oraz kto jest odpowiedzialny za podjęcie kolejnej istotnej decyzji. Współdzielone dokumenty służą jako ewoluujące źródła prawdy, z wyraźnie wydzielonymi sekcjami dotyczącymi założeń, otwartych pytań, ryzyk i odpowiedzialności. Lekka dokumentacja zastępuje pulpity nawigacyjne, a punkty decyzyjne — sztywne harmonogramy.

ChatGPT wspiera tę zmianę, pomagając nam podsumowywać zmiany zachodzące w czasie, ujawniać niespójności między równolegle prowadzonymi strumieniami pracy oraz zachowywać spójny kontekst w miarę rozwoju projektów — bez narzucania jednego sposobu pracy czy sztywnego procesu.

Rezultatem była szybsza konwergencja na wczesnym etapie i mniej bolesnych przeróbek w późniejszym okresie. Obserwujemy mniej pozorowanego „postępu”, a więcej autentycznej klarowności, szczególnie w projektach, w których sam problem wciąż jest definiowany.

Jak ostrożnie eksperymentować ze sprawczą sztuczną inteligencją

Sprawcza sztuczna inteligencja nie jest jeszcze częścią naszych ogólnych procesów pracy, ponieważ charakter tej pracy oznacza, że osąd, odpowiedzialność i świadomość kontekstu nadal muszą pozostać bardzo wyraźne — i ludzkie. Przedwczesna automatyzacja w takich warunkach grozi stworzeniem fałszywego poczucia pewności. To ryzyko, którego starannie staraliśmy się unikać.

Dlatego zachowujemy ostrożność wobec wszystkiego, co przypomina automatyzację od początku do końca. Zamiast pytać: „Co możemy zautomatyzować?”, kierujemy się pytaniem: „Gdzie koordynacja poprawia widoczność lub zmniejsza tarcia bez przesłaniania odpowiedzialności?”. Jak dotąd doprowadziło nas to do utrzymywania eksperymentów w formie badawczej, stopniowej i ściśle nadzorowanej.

W praktyce eksperymenty te obejmują wykorzystywanie sztucznej inteligencji do tworzenia podsumowań, utrzymywania spójności w rozwijających się dokumentach oraz porównywania opcji lub scenariuszy przy różnych założeniach. Są to obszary, w których koordynacja może zmniejszyć koszty współpracy bez przenoszenia odpowiedzialności z ludzi.

Patrząc w przyszłość, istnieją obszary, w których bardziej uporządkowana koordynacja może mieć sens, szczególnie w zakresie koordynacji i informacji zwrotnej na dużą skalę. Jednak nawet tam celem nie byłaby automatyzacja osądu ani zastąpienie ludzkiej interakcji, lecz wspieranie ciągłości, refleksji i zgodności w miarę wzrostu złożoności.

Dlaczego realizacja projektów będzie w mniejszym stopniu polegać na egzekwowaniu planów, a w większym na architekturze decyzji

W ciągu najbliższych pięciu lat realizacja projektów odejdzie od koordynacji zadań w kierunku architektury decyzji. W miarę jak sztuczna inteligencja będzie coraz częściej zajmować się syntezą, pamięcią i porównywaniem dostępnych opcji, rola człowieka zdecydowanie przesunie się w stronę zarządzania niepewnością, a nie zarządzania pracą.

W praktyce oznacza to mniej osób skupionych na utrzymywaniu harmonogramów i list zadań, a więcej liderów koncentrujących się na projektowaniu warunków sprzyjających dobrym decyzjom: uwidacznianiu założeń, definiowaniu przestrzeni opcji, wyjaśnianiu praw do podejmowania decyzji oraz wskazywaniu, gdzie nadal wymagany jest osąd. Sztuczna inteligencja skompresuje mechanikę realizacji, ale nie rozwiąże niejednoznaczności ani nie przejmie odpowiedzialności za ryzyko.

Ważne jest jednoznaczne określenie, co wciąż pozostaje nieznane, gdzie zobowiązania są nieodwracalne oraz kto odpowiada za każdą decyzję. Realizacja projektów będzie w mniejszym stopniu polegać na egzekwowaniu planów, a w większym na utrzymywaniu spójności w miarę rozwoju rozumienia sytuacji.

Notatki Evgeny'ego

Ważne jest jednoznaczne określenie, co wciąż pozostaje nieznane, gdzie zobowiązania są nieodwracalne oraz kto odpowiada za każdą decyzję. Realizacja projektów będzie w mniejszym stopniu polegać na egzekwowaniu planów, a w większym na utrzymywaniu spójności w miarę rozwoju rozumienia sytuacji.

Dlaczego osąd i odpowiedzialność nadal należą do ludzi

Największa zmiana, przed którą stoją obecnie liderzy odpowiedzialni za realizację projektów, nie polega na poznawaniu nowych narzędzi, lecz na ponownym zrozumieniu, gdzie powinien należeć osąd. Sztuczna inteligencja zmienia szybkość, z jaką możemy myśleć, iterować i koordynować działania — ale nie zmienia tego, kto powinien ponosić odpowiedzialność za decyzje. Utrzymanie tego rozróżnienia staje się kluczową umiejętnością przywódczą.

Oto moja rada:

• Nie zlecaj oceny sytuacji — zlecaj obciążenie poznawcze. AI doskonale radzi sobie z zachowywaniem kontekstu, porównywaniem opcji, wskazywaniem niespójności i zmniejszaniem obciążenia umysłowego związanego ze złożonymi projektami. Wykorzystuj je do wspierania myślenia, a nie do jego zastępowania. Gdy AI zaczyna sprawiać, że podejmowanie decyzji wydaje się zakończone, liderzy muszą wkroczyć i zapytać, jakie założenia stoją za tą pewnością oraz czy są one uzasadnione.
• Ujawnij założenia, zanim zoptymalizujesz realizację. AI ułatwia szybkie tworzenie dopracowanych planów, co stwarza iluzję postępu. Oprzyj się tej pokusie. Najcenniejsza praca na wczesnym etapie nie polega na rozpisywaniu zadań ani tworzeniu harmonogramów, lecz na uwidocznieniu założeń: co musi być prawdą, aby to zadziałało, gdzie nadal występuje niepewność i które decyzje są nieodwracalne. Projekty rzadziej kończą się niepowodzeniem z powodu słabej realizacji niż z powodu niezweryfikowanych założeń.
• Traktuj AI jako partnera do myślenia, a nie skrót. Niewielkie zmiany w sposobie formułowania polecenia mogą radykalnie zmienić to, co tworzy AI. Nauka dobrego formułowania poleceń dotyczy w mniejszym stopniu składni, a w większym — uczenia się zadawania lepszych pytań. Ta umiejętność z czasem przynosi coraz większe korzyści, ponieważ wymusza bardziej klarowne myślenie, trafniejsze rozważanie kompromisów i bardziej świadome podejmowanie decyzji.

Zespoły, które odniosą sukces w ciągu najbliższych kilku lat, nie będą tymi, które najszybciej zautomatyzują pracę. Będą tymi, które wykorzystają AI, aby widzieć wyraźniej, podejmować decyzje bardziej świadomie i brać odpowiedzialność za wybory, które naprawdę mają znaczenie.

Śledź nas

Możesz obserwować Evgeny’ego Goncharova na LinkedInie oraz zapoznać się z jego działalnością edukacyjną w Cantabrium Scholars.

Na łamach The Digital Project Manager pojawią się kolejne wywiady z ekspertami!