Mandaty dotyczące SI: trafienie czy pudło? Liderzy mówią wszystko
Mandaty dotyczące AI są obecnie wszędzie. Niektóre są jedynie niewypowiedzianymi oczekiwaniami kulturowymi, inne zaś zostały zapisane w OKR-ach i ocenach wyników. Ale czy faktycznie działają?
Zapytaliśmy liderów, którzy wydali mandaty dotyczące AI, oraz osoby, które musiały ich przestrzegać, na czym dokładnie polegał mandat, jak mierzono sukces i co wydarzyło się później. Ich odpowiedzi wskazują na zaskakująco wyraźną granicę podziału — i nie chodzi o to, czy mandat istniał. Chodzi o to, co mierzył.
Jak w praktyce wyglądały mandaty
Słowo „mandat” sugeruje notatkę służbową, ale w praktyce przybierał on formy od prostych wymogów szkoleniowych po rygorystyczne limity inżynieryjne. Na mniej restrykcyjnym krańcu znajduje się Aniket Ghonge, starszy menedżer ds. łańcucha dostaw w Amazonie, gdzie nie ma żadnego limitu wykorzystania AI. „Nie mierzy się tego, ile robię [z pomocą AI]” — mówi.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Amazon wymaga natomiast, na każdym szczeblu organizacji, odbycia szkoleń z AI: „Musimy ukończyć szkolenie z AI. W przeciwnym razie sprawa może zostać eskalowana” — mówi, określając to jako „standardową praktykę w Amazonie”. To łagodne oczekiwanie nie powstrzymało go jednak — Ghonge ostatecznie zaprogramował narzędzie z pomocą AI dla swojego zespołu, co znacząco zaoszczędziło czas.
Nie mierzy się tego, ile robię [z pomocą AI]. Musimy jednak ukończyć szkolenie z AI.
Na przeciwnym krańcu znajduje się Liu Peng, założyciel i lider techniczny w ReelPulse i Quartz, który wprowadził ścisłą wewnętrzną zasadę: „100% pull requestów dotyczących potoków skrobania danych i skryptów lokalizacyjnych musi wykorzystywać generowanie kodu wspomagane przez AI, a każdy inżynier musi rejestrować swoje codzienne procesy pracy z podpowiedziami LLM podczas retrospektyw sprintów”.
Większość przypadków plasowała się gdzieś pomiędzy tymi skrajnościami, ograniczając AI do konkretnych etapów pracy zamiast wymagać jego ciągłego użycia. Neal J. McLeod, założyciel CTK Industries, starannie wyznaczył granicę: „Zasada nie brzmiała: «używaj AI codziennie». Brzmiała: «używaj go tam, gdzie ogranicza niskowartościową pracę manualną, nie eliminując ludzkiej weryfikacji na etapach wymagających zaufania»”. Bogdan Condurache, CPO i współzałożyciel Brizy, przyjął podobne podejście po stronie produktu: „Nasz mandat dotyczący AI zakładał, że każdą nową funkcję należy przeanalizować z pomocą AI przed rozpoczęciem prac”.
Kiedy mandaty działały
Historie sukcesu mają wspólny wzorzec: liderzy mierzyli rezultaty końcowe, pozostawiali ludzi w procesie weryfikacji i dawali przestrzeń do osądu. Rick Elmore, CEO i założyciel Simply Noted, wymagał, aby każdy członek zespołu włączał AI do swojego cotygodniowego procesu pracy, począwszy od pierwszego kwartału 2025 roku, ale śledził to poprzez rezultaty, pytając: „Czy przygotowanie ofert zajmowało mniej czasu? Czy zgłoszenia do działu wsparcia były zamykane szybciej? Czy wersje robocze materiałów marketingowych wymagały mniej rund poprawek?”. Rezultat: „Wolumen naszych materiałów marketingowych mniej więcej się podwoił bez zwiększania zatrudnienia”.
Wolumen naszych materiałów marketingowych mniej więcej się podwoił bez zwiększania zatrudnienia.
Carlos Rios, założyciel Tabula, odnotował podobne korzyści po uczynieniu AI domyślnym sposobem pracy swojego zespołu. „Około 95% naszych treści blogowych zaczyna się obecnie od przygotowania wersji roboczej wspomaganego przez AI. Napisanie wpisu na blogu, które wcześniej zajmowało około tygodnia, teraz wymaga mniej więcej godziny podpowiadania i edycji, zanim tekst będzie gotowy do weryfikacji” — mówi, zastrzegając, że każdy materiał nadal przechodzi przez jego weryfikację przed publikacją.
Liczby potwierdziły się również w środowiskach technicznych. Chongwei Chen, prezes i CEO w DataNumen, powiązał swój mandat z celem OKR na pierwszy kwartał, zakładającym, że AI będzie wspierać obsługę 30% zgłoszeń. „Średni czas rozwiązania przypadków odzyskiwania danych skrócił się z 4,2 dnia do 2,8 dnia. Wskaźnik satysfakcji klientów dotyczący zgłoszeń wzrósł z 4,1 do 4,6” — relacjonuje.
Średni czas rozwiązania przypadków odzyskiwania danych skrócił się z 4,2 dnia do 2,8 dnia. Wskaźnik satysfakcji klientów dotyczący zgłoszeń wzrósł z 4,1 do 4,6.
Nie każde zwycięstwo oznaczało skrócenie czasu pracy. Kristiyan Yankov, współzałożyciel i marketer ds. wzrostu w Above Apex, dostrzegł korzyści gdzie indziej: „Nie zmniejszyliśmy nagle o połowę naszego nakładu pracy. Zmieniła się natomiast spójność”. Condurache był zaskoczony w podobny sposób. „Największym zaskoczeniem było to, że AI bardziej pomogło we współpracy niż w produktywności. Zespoły produktu, projektowania i inżynierii zaczynały pracę od tego samego projektu zamiast od oddzielnych dokumentów” — mówi.
Gdy nakazy przyniosły odwrotny skutek
Porażki również mają wspólny schemat — i jest on lustrzanym odbiciem sukcesów. Ankita Pathak z OneMetrik doświadczyła najbardziej wyrazistej przestrogi: kierownictwo wymagało codziennego korzystania z ChatGPT, co było weryfikowane na podstawie zrzutów ekranu publikowanych na kanale Slack do godziny 16:00. Działało to przez kilka tygodni, a potem zaczęło przynosić odwrotny skutek. „W drugim miesiącu nakaz przyniósł odwrotny skutek. Ludzie korzystali z niego codziennie tylko po to, żeby odhaczyć obowiązek, więc zaczęli używać go do rzeczy, do których się nie nadawał” — mówi. Agencja wycofała nakaz po ośmiu tygodniach. Jej wniosek: „wymuszanie codziennego korzystania z AI nie kształtuje lepszych nawyków, tylko buduje podporządkowanie się zasadom”.
Nawet nakazy, które przyniosły rezultaty, wiązały się z ukrytymi kosztami. Limit pull requestów ustalony przez Penga podwoił tempo dostarczania oprogramowania przez jego zespół w ciągu 60 dni — a potem pojawił się rachunek, określany przez niego jako „Podatek od przeróbek AI”. Jak opisuje: „Młodsi programiści bezrefleksyjnie akceptowali złożone zapytania ORM i analizatory wyrażeń regularnych wygenerowane przez AI, bez sprawdzania przypadków brzegowych. Doprowadziło to do trudnych do wykrycia wycieków pamięci podczas pobierania danych wideo przy dużej współbieżności, zwiększając nasze koszty obliczeń w chmurze o 22% w ciągu jednego miesiąca”. Od tego czasu przeszedł od nakazu korzystania z narzędzia do nakazu zarządzania nim, argumentując, że „nakazy dotyczące AI działają tylko wtedy, gdy traktuje się programistów jako «dyrektorów intencji», którzy odpowiadają za architekturę, a nie jak biernych maszynistów”.
Stworzyło to coś, co nazywam podatkiem od przeróbek AI. Doprowadziło to do trudnych do wykrycia wycieków pamięci podczas pobierania danych wideo przy dużej współbieżności, zwiększając nasze koszty obliczeń w chmurze o 22% w ciągu jednego miesiąca.
Andrea Sommer, założycielka i dyrektorka generalna Hive Founders, obserwowała ten sam mechanizm porażki z perspektywy założycielki. „Nakazy, które przynoszą odwrotny skutek, to te mierzone aktywnością. «Wszyscy codziennie korzystają z Copilota» albo «X procent zgłoszeń zostało obsłużonych przez AI» prowadzi do tego, że ludzie manipulują wskaźnikiem zamiast lepiej pracować” — mówi. McLeod ujmuje to równie dosadnie: „nakazy przynoszą odwrotny skutek, gdy nagradzają widoczne korzystanie z narzędzia zamiast mierzalnej poprawy operacyjnej”.
Co zaskoczyło liderów
Poza najważniejszymi wynikami liderzy, z którymi rozmawialiśmy, wciąż napotykali te same skutki drugiego rzędu, z których niewiele pojawiło się w pierwotnym planie wdrożenia.
Przeszkodą nie jest strach, lecz nawyk. Elmore spodziewał się oporu i odkrył coś cichszego: „Największą przeszkodą nie był strach przed AI, lecz bezwładność nawyków”. Jego rozwiązanie miałoby charakter strukturalny: połączenie każdego przyszłego nakazu z 30-dniowym sprintem edukacyjnym, ponieważ „Nakaz bez odpowiedniego wsparcia to tylko presja”.
AI jest prześwietleniem procesu. McLeod odkrył, że najbardziej ujawniające działanie AI dotyczyło jego własnej organizacji: „jeśli dane wejściowe były nieprecyzyjne lub standardowa procedura operacyjna była słaba, AI sprawiało, że niespójności ujawniały się szybciej. W tym sensie AI bardziej ujawniało problemy procesowe, niż je rozwiązywało”.
Doświadczenie osób starszych stażem zyskuje na wartości. Barnett zauważył, że „najwięcej korzyści odnieśli nie ci, którzy najintensywniej korzystali z AI. Byli to ludzie, którzy wiedzieli, kiedy przestać polegać na AI i zastosować własny osąd”.
A entuzjazm ma swoje granice. Rion Haber, współzałożyciel i dyrektor ds. strategii w Catalyst Marketing Agency, który nakazał swojemu zespołowi kierowniczemu przeprowadzenie sześciomiesięcznego, otwartego eksperymentu z AI, zakończył go ostrzeżeniem dla każdego, kto oczekuje, że sam nakaz odmieni firmę: „pomysł, że dzieli cię tylko jeden prompt od dziesięciokrotnego zwrotu z inwestycji, to oszustwo”.
Paradoks nakazu AI
Oto paradoks przewijający się przez każdą z tych historii: nakazy dotyczące AI odnoszą sukces proporcjonalnie do tego, jak niewiele faktycznie nakazują w kwestii AI. Udane wdrożenia narzucały rezultaty, punkty kontroli i naukę — samo narzędzie było niemal drugorzędne, a niektórzy mogli korzystać z niego intensywnie, podczas gdy inni robili to oszczędnie. Nieudane wdrożenia narzucały korzystanie z narzędzia i uzyskiwały dokładnie to, co mierzyły: zrzuty ekranu na kanale Slack, odhaczanie obowiązków i rejestrowane prompty. Nakaz mierzony liczbą promptów produkuje prompty. Nakaz mierzony rezultatami produkuje rezultaty — a, jak się okazuje, także adopcję AI.
Chcesz otrzymywać więcej takich spostrzeżeń? Załóż bezpłatne konto DPM, aby poznać opinie większej liczby ekspertów takich jak ci.
