AI umożliwia nowe systemy pracy, ale większość firm zatrzymuje się krok przed nimi

W 1956 roku przy nabrzeżu w Newark stoi Ideal X, stary tankowiec z czasów wojny, z dobudowaną na pokładzie platformą. Dźwig podnosi jakieś dziwne metalowe skrzynie i ustawia je na pokładzie. Jedna, druga, dziesiąta, pięćdziesiąta ósma. Całość trwa niecałe 8 godzin. W końcu statek odbija i płynie do Houston.

Przy nabrzeżu stoi też działacz związku dokerów. Ktoś pyta go, co sądzi o nowym statku. Odpowiada mniej więcej tak, że najchętniej by go zatopił.

Malcom McLean, przedsiębiorca, który stoi za tym rejsem, siada wieczorem do rachunków. Tradycyjny załadunek średniego statku kosztował wtedy 5,83 dolara za tonę. Załadunek jego skrzyń: około 16 centów.

36 razy taniej.

Zatrzymaj się przy tej liczbie. Kryje się za nią pytanie, które powinien dziś sobie zadać każdy, kto pracuje z AI:

Co się dzieje, kiedy coś nagle staje się znacznie tańsze?

Intuicyjna odpowiedź brzmi: robimy to samo, tylko taniej. I to jest dobra odpowiedź. Na kilka lat.

Potem okazuje się, że trzeba przebudować porty. Za chwilę znika zawód, który istniał od stuleci. A na końcu opłaca się produkować na drugim końcu świata.

Gdzie jesteśmy dziś z AI? Pisanie, analiza, pierwsza wersja czegokolwiek tanieją w tempie, jakiego wcześniej nie widzieliśmy. A większość firm odpowiada na to tak, jak odpowiedziałby port w 1956 roku: kupuje szybszy dźwig. I na tym poprzestaje.

Jako ktoś, kto projektuje plany wdrożenia AI w największych polskich firmach, podzielę się z Tobą moją perspektywą: AI to nie jest po prostu szybsze narzędzie. AI umożliwia nowe systemy pracy.

Jesteśmy świadkami ogromnej przebudowy tego, jak pracujemy. Na razie prawie jej nie widać, bo wielkie zmiany przychodzą najpierw powoli, a potem nagle.

Tylko jak zobaczyć zmianę, w której siedzi się po uszy? Z bliska widać pojedyncze usprawnienia. Dokąd prowadzą, widać dopiero z dystansu.

Na szczęście to nie pierwsza taka zmiana. Ludzie przeszli już przez kilka podobnych, a my dziś wiemy, jak się skończyły - i możemy się sporo nauczyć.

Opowiem Ci o kilku z nich, a po drodze odpowiemy na pytania o to, co dzieje się dziś:

• Gdzie znikają godziny zaoszczędzone dzięki AI?
• Czym nowy system pracy różni się od wdrożenia AI?
• Co drożeje, kiedy praca umysłowa staje się tania?
• Dlaczego w tej zmianie nie ma drogi na skróty?
• Bez czego AI nie zmieni tego, jak pracuje firma?
• I kto tak naprawdę zarobi na tej przebudowie?

Zacznijmy od tego, co już widać.

Gdzie znikają zaoszczędzone godziny

Umówmy się, AI nie jest już nowinką. Z najnowszej edycji badania McKinseya „State of AI” wynika, że prawie 9 na 10 firm używa jej przynajmniej w jednym obszarze. Pewnie Twoja też.

Zrób więc mały eksperyment. Policz, ile czasu zaoszczędziłeś dzięki AI w ostatnim tygodniu: mail, który napisał się prawie sam, notatka ze spotkania, analiza na kwadrans zamiast na całe popołudnie. Pewnie wyjdzie kilka godzin. Pomnóż to przez liczbę osób w zespole.

A teraz trudniejsze pytanie: czy Twoja firma jest dziś w wyraźnie innym miejscu niż rok temu? Rośnie szybciej? Robi rzeczy, których wcześniej nie robiła?

Jeśli na pierwsze pytanie odpowiedziałeś „sporo”, a na drugie „w sumie nie bardzo”, nie jesteś sam. W tym samym badaniu 80% ankietowanych mówi, że AI zwiększyła ich osobistą produktywność. Realny wpływ AI na zysk firmy widzi już tylko 6%.

Sześć procent.

Badacze z MIT doszli w 2025 roku do podobnego wniosku: aż 95% badanych organizacji nie widziało żadnego biznesowego zwrotu z inwestycji w generatywną AI. Jeden z dyrektorów operacyjnych podsumował to mniej więcej tak: niektóre umowy przetwarzamy szybciej, ale to jedyne, co się zmieniło.

Ludzie pracują z AI szybciej niż kiedykolwiek, a firmy jakby tego nie zauważały. Godziny są oszczędzane, tylko gdzieś po drodze znikają.

Gdzie?

Weźmy przykład, który zna prawie każda organizacja pracująca dla klientów: plan projektu. Specjalista przygotowuje zakres, etapy, harmonogram i rekomendację. Gotowy plan trafia do najbardziej doświadczonej osoby w zespole, która najtrafniej ocenia, czy propozycja odpowiada na potrzeby klienta. W małej firmie to często właściciel, w dużej dyrektor, partner albo szef praktyki. Nazwijmy tę osobę ekspertem.

Ekspert ma dziś 5 spotkań, więc otwiera plan w czwartek po południu, między jednym mailem a drugim. Ma 2 uwagi. Specjalista poprawia w piątek. Klient dostaje plan w poniedziałek.

Teraz dodajmy AI. Specjalista przygotowuje plan w 1 zamiast w 4 godziny. Wspaniale. 3 godziny oszczędności.

Kiedy klient dostanie plan?

W poniedziałek.

Bo plan dalej czeka w kolejce do eksperta. Pisanie nigdy nie było tym, co go spowalniało. Spowalniało go czekanie.

To tzw. wąskie gardło.

W latach 80. Eliyahu Goldratt zbudował wokół niego całą teorię i opisał ją w powieści biznesowej „Cel”. Idea jest prosta jak butelka: wody wyleje się tyle, ile przepuści szyjka, choćby butelka była nawet 2 razy szersza. Goldratt ujął to mniej więcej tak: godzina zaoszczędzona poza wąskim gardłem jest nic niewarta.

A 3 godziny specjalisty? Zwykle rozpływają się w drobiazgach: kilka maili więcej, dłuższe spotkanie, runda poprawek, której nikt nie potrzebuje. Nikt ich nie marnuje celowo. Po prostu nikt nie zaprojektował, co z nimi zrobić.

Jest też drugi, bardziej podstępny efekt.

Skoro plan jest tani, specjaliści przygotowują więcej wariantów. Do eksperta trafia więcej rzeczy do sprawdzenia i szyjka się zatyka. AI nie tylko nie przyspieszyła pracy, ale sprawiła, że najbardziej obciążona osoba ma jej więcej.

Znasz to skądś?

Narzędzie zadziałało świetnie. Problem leżał gdzie indziej: w tym, kto co robi, w jakiej kolejności i kto na kogo czeka. Czyli w systemie pracy. Każdy system pracy ma swoje wąskie gardła. I zwykle nie wzięły się one znikąd.

To tłumaczy, co robi te 6% firm. W edycji badania z 2025 roku McKinsey sprawdził 25 cech, które mogłyby wyjaśniać, dlaczego jednym AI się opłaca, a innym nie. Najsilniej z wynikami wiązała się jedna: czy firma przeprojektowała przepływy pracy. Większość wstawiła AI do procesów, które już miała, i na tym się zatrzymała. Przyspieszyła pisanie planów, a kolejkę do eksperta zostawiła w spokoju. Kupiła szybszy dźwig do starego portu.

I tu dotykamy sedna. Problemem nie jest technologia. Problemem jest to, że nową technologię wkładamy do starego systemu pracy i na tym poprzestajemy.

To nie jest nowy problem. Przerabialiśmy go co najmniej 3 razy.

Fabryka, która kupiła prąd i nic się nie stało

Jest rok 1900. Wejdź ze mną do typowej fabryki.

Pierwsze, co uderza, to hałas. Drugie: półmrok. Trzecie zobaczysz, kiedy podniesiesz głowę.

Pod sufitem biegnie przez całą halę długi stalowy wał. Kręci się bez przerwy. Zwisają z niego dziesiątki skórzanych pasów, każdy do innej maszyny. Pasy klaszczą i świszczą, pachnie smarem, w powietrzu wisi pył. A gdzieś na końcu wału bije serce fabryki: wielka maszyna parowa. Jedna na całą fabrykę.

Ten wał decyduje o wszystkim. Maszyny stoją tam, gdzie sięga pas, a nie w kolejności, w jakiej produkt przechodzi przez fabrykę. Hale są piętrowe, bo tak jest bliżej do źródła. Wał kręci się cały dzień, nawet gdy pracuje jedna tokarka, bo nie da się zasilić tylko jednej maszyny. A kiedy pęknie, staje cała fabryka.

Gdybyś był właścicielem takiej fabryki i ktoś zaproponowałby Ci elektryczność, co byś zrobił?

Założę się, że to samo, co prawie wszyscy wtedy. Wyrzuciłbyś maszynę parową, w jej miejscu postawił duży silnik elektryczny… i podpiął go do wału. Prąd jest trochę tańszy, czystszy i mniej kapryśny. Taki lepszy silnik parowy.

Brzmi archaicznie? To popatrz na wiele dzisiejszych wdrożeń AI. Firma kupuje licencje, ludzie dostają nowe narzędzie, a praca płynie tymi samymi kanałami co wcześniej: przez te same akceptacje, te same spotkania statusowe, tę samą kolejkę do eksperta. Nowy silnik, stary wał.

Ekonomista Paul David opisał to w 1990 roku w tekście „The Dynamo and the Computer”. Szukał odpowiedzi, dlaczego firmy wydają fortuny na komputery, a gospodarka tego nie widzi. Znalazł ją sto lat wcześniej: elektryfikacja amerykańskich fabryk ruszyła w latach 90. XIX wieku, a wyraźny skok wydajności przyszedł dopiero w latach 20. XX wieku.

Około 30 lat. Całe pokolenie inżynierów zdążyło przejść na emeryturę, zanim prąd naprawdę zmienił ich fabryki.

Co się wydarzyło w latach 20.? Nowe pokolenie projektantów zadało inne pytanie. Nie „czym zastąpić maszynę parową?”, tylko „jak zbudowalibyśmy fabrykę, gdyby energia mogła być wszędzie?”. A silnik elektryczny ma cechę, której maszyna parowa nie miała: może być mały. Więc każda maszyna dostała własny silnik. I wał zniknął.

A razem z nim posypało się wszystko, co na nim wisiało. W dobrym sensie. Maszyny stanęły w kolejności, w jakiej płynie produkt. Fabryki zeszły na parter: długie, jasne hale ze świetlikami w dachu. Nieużywaną maszynę po prostu się wyłączało, a awaria jednego silnika nie zatrzymywała produkcji.

Fabryka z 1925 roku nie była szybszą wersją fabryki z 1900 roku. Była innym rodzajem fabryki. A przecież silnik elektryczny w 1900 i w 1925 roku to była w gruncie rzeczy ta sama technologia. Zmieniło się to, co ludzie wokół niej zbudowali.

Dlatego mówię, że AI umożliwia nowe systemy pracy, a nie że je tworzy. Silnik elektryczny umożliwił nową fabrykę. Zbudowali ją ludzie, którzy zadali nowe pytanie.

Jak brzmi to pytanie w wersji z AI? Moim zdaniem najważniejsza cecha tej technologii jest taka: pozwala, żeby wiedza i osąd były tam, gdzie dzieje się praca.

W wielu firmach wiedza działa dziś jak maszyna parowa z 1900 roku. Jest jedno centralne źródło, najczęściej najbardziej doświadczona osoba, które przez wał akceptacji, spotkań i poprawek napędza pracę całego zespołu. Ekspert z planu projektu to właśnie taka maszyna parowa. AI pozwala, przynajmniej w części, dać każdemu krokowi pracy własny mały silnik: dostęp do wiedzy, kryteriów i kontekstu, które dotąd siedziały w jednej głowie.

Pytanie z lat 20. brzmi więc dziś tak: jak zbudowalibyśmy naszą pracę, gdyby wiedza i osąd mogły być wszędzie?

Lekcja pierwsza: efekt nie siedzi w nowym silniku, tylko w nowym układzie całości. Z AI jest tak samo: pełny efekt przychodzi dopiero wtedy, gdy przebudujesz wokół niej sposób, w jaki płynie praca.

Fabryka pokazuje, co się dzieje, kiedy nowego układu brakuje. Ale to port pokazuje, co się dzieje, kiedy powstaje.

Port, który przeniósł się na drugą stronę zatoki

Żeby zrozumieć, dlaczego związkowiec chciał zatopić Ideal X, trzeba zobaczyć port, zanim ten statek do niego przypłynął.

Nowy Jork, początek lat 50. Szósta rano. Przed bramą mola stoją półkolem mężczyźni, a brygadzista idzie wzdłuż szeregu i wskazuje palcem: ty, ty, ty i ty. Wybrani idą do pracy, reszta wraca do domu bez dniówki. Żeby być wybieranym regularnie, trzeba było mieć układy, a czasem coś brygadziście wsunąć. Jeśli widziałeś „Na nabrzeżach” z Marlonem Brando, znasz ten świat.

W ładowni jest wszystko: worki z kawą, beczki z oliwą, bele bawełny, skrzynie z częściami maszyn, kartony z whisky. Każda rzecz innego kształtu i innej wagi. Każdą trzeba jakoś chwycić, a dokerzy mają do tego swój znak rozpoznawczy: stalowy hak w dłoni.

Towar trafia na siatkę, a dźwig wyciąga ją z ładowni. Na nabrzeżu ktoś go przelicza, ktoś sortuje, ktoś przenosi do magazynu, a potem na ciężarówkę albo do wagonu. Każda sztuka przechodzi przez kilkanaście par rąk. Skrzynka whisky regularnie „spada i się tłucze”, a jej zawartość jakimś cudem nigdy nie wsiąka w deski.

Marc Levinson, autor najlepszej książki o tej historii, „The Box”, opisuje, że statek spędzał w porcie mniej więcej tyle czasu, co na morzu. A przeładunek potrafił pochłonąć połowę kosztów całego rejsu.

Połowę. Wyobraź sobie, że połowa kosztu Twojego produktu to przekładanie go z miejsca na miejsce.

A może nie musisz sobie tego wyobrażać? W pracy umysłowej też jest przeładunek, tylko zamiast worków przekładamy informacje. Brief dla kolejnej osoby. Przekazanie projektu. Spotkanie „żeby wszyscy byli na bieżąco”. Trzecie z rzędu tłumaczenie, o co właściwie chodziło klientowi. Coś czeka, coś się gubi, coś „spada i się tłucze”.

Malcom McLean znał port z drugiej strony. Nie miał nic wspólnego z morzem, zaczynał od jednej używanej ciężarówki. W 1937 roku godzinami patrzył, jak dokerzy belę po beli przeładowują jego bawełnę na statek. Wtedy przyszła mu do głowy myśl tak prosta, że aż głupia: a gdyby tak wstawić na statek całą przyczepę?

Pomysł przeleżał w szufladzie prawie 20 lat. W tym czasie McLean zbudował jedną z największych firm przewozowych w Stanach. A w połowie lat 50. zrobił coś, czego nie robi nikt rozsądny: sprzedał w niej udziały i kupił firmę żeglugową. Kierowca ciężarówki wszedł na morze. Resztę już znasz: Ideal X, 58 skrzyń, 36 razy taniej.

Co Twoim zdaniem zmieniło się w porcie najpierw?

Załadunek? To dopiero początek. Sam kontener to żaden wynalazek - to tylko metalowa skrzynia. Prawdziwa zmiana wydarzyła się, kiedy skrzynia stała się standardem: w latach 60. ustalono wymiary, dzięki którym ten sam kontener pasuje na statek, ciężarówkę i wagon kolejowy. I wtedy zaczęło się dziać.

Zwykłe statki nie były do niego przystosowane, więc powstały kontenerowce. Zwykłe dźwigi były za wolne, więc na nabrzeżach wyrosły suwnice. Magazyny przy nabrzeżu straciły sens, bo nikt już nie rozpakowywał towaru w porcie. Potrzebne były za to gigantyczne place, na których kontenery czekają na ciężarówki i pociągi.

Ciasne nabrzeża Manhattanu i Brooklynu, wciśnięte między ulice miasta, nie miały miejsca na takie place. Ruch przeniósł się więc na drugą stronę zatoki, do Newark i Elizabeth. Najsłynniejsze nabrzeża świata zaczęły pustoszeć.

Metalowa skrzynia przesunęła port.

A dokerzy? Ich zawód w formie znanej od stuleci praktycznie zniknął. Tam, gdzie pracowały tysiące ludzi z hakami, wystarczyły suwnice i garstka operatorów.

Teraz rozumiesz związkowca z Newark? Jako jeden z pierwszych zobaczył, na co patrzy. Nie na nowy statek, tylko na koniec swojego świata.

Lekcja druga: kiedy zmienia się jeden kluczowy koszt, nie da się zmienić jednego procesu. Przebudować musi się cały system.

Tymczasem AI obniża koszt czegoś, na czym stoi niemal każdy dzisiejszy system pracy: przeładunku informacji.

Dlatego nie skończy się na szybszym pisaniu maili. Kiedy tanieje coś tak podstawowego, przebudowie ulegają role, struktury i sposób podejmowania decyzji. A może nawet to, z kim i gdzie pracujemy. Port też nie planował przeprowadzki na drugą stronę zatoki.

I jeszcze jedno pytanie. Gdzie w Twojej firmie są takie „worki o różnych kształtach”? Rzeczy, które za każdym razem trzeba obsłużyć ręcznie, bo za każdym razem wyglądają trochę inaczej? Zapytanie od klienta, które przychodzi raz mailem, raz telefonem, raz na LinkedInie. Projekt, który każdy w zespole prowadzi po swojemu. Wiedza, która siedzi w głowie jednej osoby.

AI radzi sobie z takimi workami lepiej niż jakakolwiek wcześniejsza technologia. Z jednym wyjątkiem.

Fabryka i port to fizyczne rzeczy: wały, haki, dźwigi. Trzecia historia jest bliższa temu, co dzieje się w Twojej firmie.

Trzy kartki i pięciuset księgowych

Na początku lat 80. Ford kupował od dostawców tysiące części i przy każdym zakupie powstawały 3 dokumenty. Dział zakupów wysyłał do dostawcy zamówienie, a kopię do księgowości. Magazyn wypełniał dokument przyjęcia, czyli zapisywał, co faktycznie dotarło, i też przekazywał go księgowości. A dostawca przysyłał fakturę.

Księgowość musiała porównać trzy kartki. Ten sam produkt? Ta sama ilość? Ta sama cena? Jeśli nie, a przy tysiącach dostaw rozbieżności były na porządku dziennym, zaczynało się dochodzenie: telefony do dostawcy, pisma do magazynu, wstrzymane płatności.

W dziale płatności w samej Ameryce Północnej pracowało ponad 500 osób i większość czasu zajmowało im właśnie wyjaśnianie niezgodności.

Ford chciał to usprawnić. Plan był rozsądny: komputery, które pomogą szybciej porównywać dokumenty, i zespół mniejszy o mniej więcej 20%. Czyli szybszy dźwig.

Aż ktoś z Forda zajrzał do Mazdy, w której Ford miał wtedy udziały. W dziale płatności Mazdy pracowało 5 osób.

Pięć.

Nawet po uwzględnieniu tego, że Mazda była dużo mniejsza, Ford wyliczył, że jego dział jest 5 razy większy, niż powinien. Takiej różnicy nie dało się wytłumaczyć szybszym porównywaniem kartek. Coś musiało działać zupełnie inaczej.

I wtedy Ford zrobił coś, co Michael Hammer opisał potem w słynnym tekście w „Harvard Business Review” z 1990 roku. Zamiast przyspieszać porównywanie trzech kartek, zlikwidował powód, dla którego trzeba było je porównywać.

Dział zakupów wpisywał zamówienie do wspólnej bazy danych. Kiedy dostawa przyjeżdżała, magazynier sprawdzał w komputerze, czy zgadza się z zamówieniem. Jeśli tak, przyjmował ją, a płatność szła automatycznie. Jeśli nie, odsyłał. Ford poprosił dostawców, żeby w ogóle przestali wysyłać faktury. Nie było czego porównywać.

Według Hammera tam, gdzie wprowadzono nowy sposób pracy, zatrudnienie w dziale spadło o 75%. Nie o 20%, jak zakładał pierwotny plan.

A zmiana rozlała się dalej, zupełnie jak w porcie. Płatność wychodziła przy przyjęciu dostawy, a nie po fakturze. Magazynier przestał wypełniać formularze i zaczął decydować. Dostawcy dostali nową regułę: dostarczasz dokładnie to, co zamówiono, albo odsyłamy. A zamiast trzech kartek była jedna baza.

Hammer zatytułował swój tekst „Don't Automate, Obliterate”. Nie automatyzuj, tylko zburz i zbuduj od nowa.

Happy end? Nie do końca. Reengineering, bo tak nazwano ruch, który wyrósł z tego tekstu, stał się w latach 90. modą, a książka Hammera i Jamesa Champy'ego „Reengineering the Corporation” z 1993 roku światowym bestsellerem. I w większości firm się nie udał. Sam Hammer szacował, że porażką kończyło się około 70% takich projektów.

Dlaczego? Bo w wielu firmach reengineering stał się eleganckim słowem na zwolnienia. Przebudowę projektowali zewnętrzni konsultanci. A ludzie, którzy najlepiej wiedzieli, co nie działa, nie mieli nic do powiedzenia. W 1996 roku Hammer przyznał w „The Wall Street Journal”, że nie docenił ludzkiego wymiaru zmiany.

Brzmi jak zamierzchła historia? To spójrz na ostatnie 2 lata:

• Według raportu Światowego Forum Ekonomicznego z 2025 roku około 40% pracodawców planuje zmniejszać zatrudnienie tam, gdzie AI może zautomatyzować zadania.
• W samych Stanach firmy ogłosiły w 2025 roku blisko 55 tysięcy zwolnień, których przyczyną wprost nazwały AI.

Za wieloma z tych liczb stoi prosty pomysł: weźmy proces, który mamy, wytnijmy z niego człowieka i wstawmy w jego miejsce AI. Jeden do jednego. Niczego nie przebudowujmy.

Jak to działa w praktyce?

• Klarna, szwedzka firma płatnicza, ogłosiła w 2024 roku, że jej asystent AI wykonuje pracę 700 pracowników obsługi klienta. Rok później jej prezes przyznał, że koszty grały przy tej decyzji zbyt dużą rolę, a ucierpiała jakość. Firma znów zaczęła zatrudniać ludzi.
• W badaniu Orgvue z 2025 roku 39% menedżerów najwyższego szczebla przyznało, że zwolniło ludzi w związku z wdrożeniem AI. 55% z nich uważa dziś, że to były złe decyzje.

A najlepsze zostawiłem na koniec. Wiesz, kto w 2026 roku przyznał się do podobnego błędu?

Ford.

Ten sam Ford. Według Bloomberga zatrudnił albo ściągnął z powrotem około 350 doświadczonych inżynierów, nazywanych wewnętrznie „siwobrodymi”, bo zautomatyzowane systemy kontroli jakości oparte na AI nie spełniły oczekiwań. Charles Poon, który odpowiada w Fordzie za rozwój sprzętu, przyznał, że firma błędnie zakładała, że samo wprowadzenie AI wystarczy do zbudowania produktu wysokiej jakości.

Jest w tej historii jeszcze jeden szczegół. Ford nie zadbał o to, żeby zatrzymać i przekazać wiedzę najbardziej doświadczonych inżynierów, zanim odeszli. To ma większe znaczenie niż się wydaje, ale o tym za chwilę.

Ford z lat 80. nie zastąpił księgowych szybszymi komputerami. Zlikwidował powód, dla którego ich praca była potrzebna, i zmienił role ludzi, którzy zostali.

Dzisiejszy Ford zrobił odwrotnie: zostawił system i wymienił w nim ludzi na AI. A potem musiał ich ściągać z powrotem. To reengineering bez reengineeringu. Z lat 90. została tylko redukcja etatów. Przebudowę wycięto.

Lekcja trzecia: przebudowa systemu pracy działa, ale nie wtedy, gdy ludzie są w niej tylko kosztem do wycięcia. A wycinanie ludzi bez przebudowy nie działa wcale. Nowy system pracy to nie AI w miejscu ludzi, tylko ludzie i AI w nowym układzie.

Trzy historie, trzy lekcje.

W każdej jest też coś, co łatwo przeoczyć: rzecz, którą wszyscy uważali za oczywistą, choć nikt już nie pamiętał, skąd się wzięła.

Twój proces jest odpowiedzią na pytanie, którego nikt już nie zadaje

Wał nie był głupi. Był genialną odpowiedzią na bardzo konkretne pytanie: jak przenieść energię z jednej maszyny parowej do stu maszyn roboczych? Inżynierowie doskonalili wały przez dziesięciolecia.

Kiedy pojawił się prąd, pytanie straciło sens. Ale odpowiedź, czyli wał, została. Wisiała pod sufitem i kręciła się dalej.

Hak dokera odpowiadał na pytanie, jak przenieść towar, kiedy każda sztuka ma inny kształt. Trzy kartki Forda na pytanie, jak sprawdzić, czy wszystko się zgadza, kiedy informacja leży na papierze w trzech różnych miejscach.

Bo każdy proces jest odpowiedzią na ograniczenie.

Kiedyś coś było drogie, wolne albo trudne. Ktoś wymyślił, jak sobie z tym poradzić. Sposób zadziałał, więc zaczęto go powtarzać i uczyć go nowych ludzi. Po kilku latach nikt już nie pamięta pytania. Zostaje odpowiedź, którą nazywamy „u nas tak się to robi”.

Hammer pisał o tym już w 1990 roku: każda firma jest pełna niepisanych reguł sprzed dekad, opartych na założeniach, które dawno przestały obowiązywać.

Sprawdźmy to na Twojej firmie.

• Dlaczego ekspert sprawdza każdy plan? Bo umiejętność oceny, czy propozycja pasuje do potrzeb klienta, siedzi w jednej głowie i nie dało się jej przekazać inaczej niż przez poprawki.
• Dlaczego co tydzień jest spotkanie statusowe? Bo kiedyś nie było innego sposobu, żeby wiedzieć, co się dzieje u innych.
• Dlaczego raport jest raz w miesiącu? Bo zebranie danych zajmowało komuś cały dzień.

Dlaczego tak trudno to zauważyć? Bo procesy nie wyglądają jak odpowiedzi na ograniczenia. Wyglądają jak rzeczywistość.

Właściciel fabryki w 1900 roku nie patrzył na wał i nie myślał „o, ograniczenie”. Myślał „fabryka”.

Doker nie patrzył na hak i nie myślał „odpowiedź na problem nieustandaryzowanego ładunku”. Myślał „port”.

Ty pewnie nie patrzysz na swoje spotkanie statusowe i nie myślisz „odpowiedź na ograniczenie z czasów, gdy informacja była droga”. Myślisz „poniedziałek”.

A teraz najważniejsze: jakie ograniczenia znosi AI? Tanieją pisanie, streszczanie, analiza, tłumaczenie, przeszukiwanie dokumentów, porządkowanie chaosu i pierwsza wersja czegokolwiek. To, co kilka lat temu wymagało godzin pracy, dziś kosztuje grosze i trwa minuty. A procesy, które odpowiadały na te koszty, tracą uzasadnienie:

Żaden z tych procesów nie jest głupi. Tylko świat, na który odpowiadały, właśnie się zmienił. Jeśli dołożysz do nich AI i na tym poprzestaniesz, przyspieszysz pracę, która w ogóle nie musiałaby istnieć.

Co nie znaczy, że dokładanie AI do starych procesów nie ma sensu. Ma. Tylko z zupełnie innego powodu, niż się wydaje.

Jak znaleźć takie procesy u siebie? Cieszę się, że pytasz. Wystarczy jedno pytanie:

Gdyby ta czynność nic nie kosztowała i trwała sekundę, jak byśmy to zrobili?

Jeśli odpowiedź brzmi „dokładnie tak samo”, proces jest w porządku. Jeśli „zupełnie inaczej”, właśnie znalazłeś wał.

Tylko jak go zdjąć, a nie po prostu przyspieszyć? Najpierw trzeba zobaczyć, czego jest częścią. Czyli odpowiedzieć na pytanie, które do tej pory omijałem: czym właściwie jest system pracy?

Wał, hak i trzy kartki: czym jest system pracy

Słowo „system” brzmi poważnie, ale stoi za nim prosta myśl.

System to kilka rzeczy tak ze sobą powiązanych, że razem robią coś, czego żadna z nich nie zrobiłaby sama.

Dźwig sam niczego nie przewiezie przez ocean. Doker też nie. Statek bez portu to pływający magazyn. Dopiero razem przenoszą towar z Newark do Houston.

Każdy system można opisać z 3 stron: po co istnieje, z czego się składa i jak to jest połączone. Czyli cel, elementy i powiązania. Elementy bez powiązań to tylko zbiór: stos dźwigów, statków i ludzi. Powiązania bez celu to ruch donikąd.

Elementy to rzeczowniki systemu. Dzielą się na 2 typy.

1. Zasoby gromadzą się i mają jakiś stan: towar, pieniądze, czas, ale też wiedza czy zaufanie.
2. Aktorzy działają i decydują: dokerzy, brygadzista, magazynier, ekspert. A także maszyny.

To rozróżnienie jest ważniejsze, niż wygląda. Maszyny od dawna bywały aktorami, ale tylko w zadaniach, które da się z góry dokładnie opisać. AI to pierwszy aktor spoza ludzi, który radzi sobie z informacją, kontekstem i oceną.

Kiedy firma daje pracownikom czat, traktuje AI jak zasób, czyli narzędzie w rękach człowieka. Kiedy przeprojektowuje pracę tak, że AI ma w niej własne kroki i reguły, do systemu wchodzi nowy rodzaj aktora.

A nowy aktor oznacza, że całą resztę można poukładać inaczej.

Powiązania to czasowniki systemu. I tu też rozróżniamy 2 typy.

1. Przepływy to to, co płynie między elementami: w porcie towar, w pracy umysłowej informacja, wiedza i decyzje, jak plan projektu wędrujący od specjalisty do eksperta.
2. Reguły sterują przepływami: mówią, kiedy coś zrobić, jakie są progi, jak ma wyglądać wynik i kto decyduje. „Płacimy po porównaniu trzech kartek” to reguła. „Każdy plan sprawdza ekspert” też.

Cel odpowiada na pytanie, po co system istnieje. I tu jest haczyk, który bardzo lubię: każdy system ma cel deklarowany, czyli co ma robić, i rzeczywisty, czyli co faktycznie robi. Prawdziwy jest ten drugi.

Zespół z naszego przykładu deklaruje, że chce szybko i dobrze obsługiwać klientów. Ale jeśli każdy plan czeka 3 dni na eksperta, rzeczywisty cel brzmi: nic nie wychodzi bez akceptacji eksperta.

A firma, która „wdraża AI, żeby pracować szybciej”, choć praca dalej płynie starymi kanałami, ma rzeczywisty cel: robić to samo co zawsze, tylko z nowym narzędziem.

Teraz zasada z teorii systemów, która moim zdaniem najlepiej tłumaczy, co się dzieje z AI w firmach: najmocniej system zmienia się przez zmianę celu i reguł, a najsłabiej przez wymianę elementów. Przyłóż ją do naszych historii:

• Maszyna parowa wymieniona na silnik elektryczny? Wymiana elementu. Efekt: przez 30 lat prawie żaden.
• Zdjęcie wału i ustawienie maszyn pod przepływ produktu? Zmiana powiązań. Efekt: nowy rodzaj fabryki.
• Komputer, który szybciej porównuje trzy kartki? Wymiana elementu. Plan: minus 20%.
• „Płacimy, kiedy dostawa zgadza się z zamówieniem”? Zmiana reguły. Efekt: minus 75%.
• Człowiek wycięty z procesu i zastąpiony AI, a proces bez zmian? Wymiana elementu. Wiesz już, jak to się kończy.

I tu jest cała różnica między „wdrożeniem AI” a nowym systemem pracy.

Wdrożenie AI wymienia elementy. Nowy system pracy zmienia powiązania i reguły, a czasem nawet cel.

Cel, elementy i powiązania to zdjęcie systemu: jak wygląda. Mechanizmy to film: to, co dzieje się w nim w czasie. Są 2 rodzaje mechanizmów: procesy i pętle.

Proces to linia. Ma wejście (zapytanie klienta), kroki wykonywane przez aktorów według reguł i wyjście (plan projektu). Realizuje lokalny cel, który powinien służyć celowi całego systemu. Powinien, bo tu kryje się pułapka: usprawnienie procesu, które nie służy celowi systemu, nie jest usprawnieniem.

Specjalista pisze plan 4 razy szybciej, kolejka do eksperta rośnie, klient czeka tyle samo. Lokalnie sukces. Dla systemu nic. Dlatego mówię „system pracy”, a nie „proces”.

Pętla to koło. Wynik działania wraca i wpływa na to, co dzieje się dalej. Z punktu widzenia AI najważniejsze są pętle adaptacyjne, które zmieniają nie zasoby, tylko reguły albo cel. To dzięki nim system się uczy.

Trzeci raz w kwartale zabrakło towaru? Ktoś to zauważa i podnosi próg zamawiania z 20 do 40 sztuk. System bez pętli adaptacyjnych jest tylko tak dobry, jak jego dzisiejsze reguły. W większości firm takie pętle kręcą się powoli, bo żeby zmienić regułę, ktoś musi zauważyć problem, zebrać dane, zwołać spotkanie i przekonać innych.

A przecież AI może tanio dostarczać dokładnie tego, czego pętlom adaptacyjnym zawsze brakowało: sygnałów. Widzi każdy plan, każdą rozmowę, każdą rozbieżność. Pierwszy raz system pracy może uczyć się na bieżąco, a nie raz na kwartał. Pod warunkiem, że ktoś zaprojektuje mu taką pętlę.

Fabryka, port i Ford składają się teraz w jedną definicję:

Nowy system pracy to taki, w którym nowa technologia nie tylko wymienia elementy, ale zmienia powiązania: przepływy, reguły, a czasem cel. Zmiana obejmuje cały system, a nie jeden proces. AI przestaje być w nim narzędziem w rękach ludzi i staje się jednym z aktorów, wokół których ludzie na nowo układają pracę, oraz źródłem sygnałów, dzięki którym system uczy się na bieżąco.

Zostaje pytanie, co w takim systemie robią ludzie. Bo kiedy coś tanieje, coś innego drożeje.

Co drożeje, kiedy wszystko tanieje

Newark, 1956. Przeniesienie towaru właśnie stało się 36 razy tańsze. Co w tej chwili zdrożało?

Bo coś zawsze drożeje. Kiedy jedna rzecz tanieje, rzeczy, które z nią współpracują, stają się rzadkie, a więc cenne. To jedna z najstarszych reguł ekonomii i jedna z najczęściej pomijanych w rozmowach o AI.

W porcie przestała się liczyć siła rąk, a zaczęło się liczyć planowanie.

Jak ułożyć tysiące kontenerów na statku, żeby ten, który ma zejść w pierwszym porcie, nie leżał na samym dnie? Jak zgrać statek, pociąg i ciężarówkę? Logistyka z zaplecza stała się jedną z najważniejszych umiejętności w gospodarce.

W fabryce zamiast znajomości wałów zaczęło się liczyć projektowanie przepływu. U Forda zamiast porównywania kartek zaczęło się liczyć dobrze wpisane zamówienie i trafna decyzja przy rampie.

A co drożeje, kiedy tanieje pisanie, analiza i pierwsza wersja czegokolwiek?

Najbardziej klarowną odpowiedź daje Vanessa Meyer w tekście o tym, jak firmy budowane od początku wokół AI przebudowują zarządzanie. Jej zdaniem AI rozdzieliła rzeczy, które przez dekady skupiały się wokół menedżera: wykonanie pracy, informację i ocenę. Wykonanie potaniało dramatycznie. Drożeją 3 rzeczy: przepływ informacji, ocena i koordynacja.

Przepływ informacji. Kiedy pierwsza wersja kosztuje grosze, o jakości wyniku decyduje to, z czego powstała. Czy człowiek i AI, którzy pracują nad planem, wiedzą to, co firma wie o kliencie, o podobnych projektach, o wcześniejszych błędach? Jeśli nie, AI szybko wyprodukuje bardzo przekonujący plan oparty na niczym. Cenne staje się to, czy właściwa informacja trafia we właściwe miejsce we właściwym momencie. I właśnie tu, jak się okaże, leży kontener epoki AI.

Ocena. Jeśli możesz mieć 5 wersji planu w minutę, cenna staje się umiejętność wskazania, która z nich jest dobra i dlaczego. Smak. Wyczucie. Redaktor zamiast autora. Tanie szkice ciążą przy tym ku przeciętności: bez kogoś, kto potrafi je ocenić, poprawić albo wyrzucić, firma produkuje dużo, szybko i tak samo jak wszyscy. Część osądu da się spisać i rozprowadzić po systemie, jak kryteria eksperta. Ale najcenniejsza część, czyli umiejętność zobaczenia konkretnej sytuacji z miejsca, w którym się stoi, i wzięcia za nią odpowiedzialności, zostaje przy człowieku.

Koordynacja. Najmniej oczywista z trzech, a moim zdaniem najważniejsza. Meyer ujmuje to jednym zdaniem: koszt produkcji spadł poniżej kosztu koordynacji. Wyobraź sobie zespół, w którym dzięki AI wykonanie przyspiesza 100 razy, ocena ekspertów 10 razy, a uzgadnianie, kto co robi, po co i w jakiej kolejności, nie przyspiesza wcale. Gdzie ustawi się kolejka?

Wąskie gardło nie znika. Przesuwa się: najpierw było nim wykonanie, potem ocena, a w końcu staje się nim koordynacja. Kiedy rozpoczęcie czegokolwiek nic nie kosztuje, ludzie zaczynają więcej rzeczy naraz. Projekty się dublują, nie wiadomo, kto za co odpowiada, zespoły wpadają na siebie. Informacji jest więcej niż kiedykolwiek, a brakuje wspólnego rozumienia sytuacji i zobowiązania, kto co zrobi. To dzieje się między ludźmi, w rozmowie, i stoi na zaufaniu. AI pomoże to zapisać, ale nie zdecyduje za ludzi, pod czym się podpisują.

Meyer pokazuje też, co się dzieje, gdy jednej z tych 3 rzeczy brakuje:

• Informacja i ocena bez koordynacji dają zderzające się projekty. Każdy robi coś mądrego, tylko każdy coś innego.
• Informacja i koordynacja bez oceny dają zgraną przeciętność. Wszyscy sprawnie robią to samo co konkurencja.
• Ocena i koordynacja bez informacji dają zgodę co do błędnych faktów.

Prawdziwa wartość powstaje tam, gdzie spotykają się wszystkie trzy.

Stary system pracy projektowano wokół drogiego wykonania: ile osób, ile godzin, kto pisze, kto sprawdza. Nowy projektuje się wokół zupełnie innych pytań: jak płynie informacja, gdzie i przez kogo zapada ocena, jak ludzie się koordynują. Tych pytań nie da się nawet zadać, dopóki dokładasz AI do starego układu.

Dlatego mówię, że w nowych systemach pracy ludzie robią to, co potrafią tylko ludzie. To nie hasło na pocieszenie, tylko prosta ekonomia: człowiek przesuwa się tam, gdzie jest najrzadszy.

To przesunięcie nie dzieje się jednak samo. Firmy, które traktują przebudowę jako sposób na cięcie etatów, przegapiają coś fundamentalnego: nowy system pracy nie potrzebuje mniej ludzi, tylko ludzi w innych miejscach. A ludzie, którzy słyszą „przeprojektowujemy procesy” i rozumieją „ktoś tu zaraz straci pracę”, zachowują się tak, jak każdy z nas. Bronią wału.

Co usłyszy Twój zespół, kiedy powiesz „przeprojektowujemy nasz system pracy z AI”? I co zrobisz, żeby nie usłyszał „zwolnienia”?

Szybszy dźwig, nowy port, nowy świat

Teraz możemy precyzyjnie powiedzieć, czym nowy system pracy różni się od „wdrożenia AI”. Wyobraź sobie 3 piętra.

Piętro pierwsze: nowe narzędzie w starym systemie pracy. Ta sama praca, tylko szybciej. Efekt jest realny, ale ograniczony, bo system wchłania większość zmiany.

Piętro drugie: nowy system pracy. Ten sam cel, ale praca płynie zupełnie inaczej: zmieniają się przepływy, role, informacje i reguły. Efekt jest duży, bo zmienia się działanie całości.

Piętro trzecie: nowe możliwości. Zmienia się to, co w ogóle da się robić.

Nowy system pracy to piętro drugie. Nie nowe narzędzie i nie pojedynczy usprawniony proces. Zwykle zaczyna się od jednego procesu: kontener od załadunku, zmiana u Forda od faktur. Ale nowym systemem staje się dopiero wtedy, gdy zmiana rozleje się dalej, jak kontener, który przerysował mapę miasta.

Piętro trzecie nie jest osobnym rodzajem zmiany. To owoc piętra drugiego. Globalne łańcuchy dostaw nie powstały dzięki szybszym dźwigom, tylko dzięki terminalom kontenerowym.

AI umożliwia nowe systemy pracy (piętro drugie), które pozwalają robić to, co wcześniej było niemożliwe (piętro trzecie). Większość rozmów o AI kręci się wokół piętra pierwszego. A największa dźwignia jest piętro albo dwa wyżej.

Jak może wyglądać piętro drugie z AI? Wróćmy do planu projektu. To eksperyment myślowy, a nie jedyny słuszny sposób.

1. Ekspert raz, porządnie, spisuje to, co do tej pory miał w głowie: po czym poznaje, że propozycja pasuje do potrzeb klienta, jakie pytania zadaje, jakie błędy widzi najczęściej i kiedy projekt wymaga jego uwagi.
2. AI przygotowuje plan na podstawie notatek z rozmowy z klientem, kryteriów eksperta i podobnych projektów, a potem sprawdza go tymi samymi kryteriami.
3. Specjalista dopracowuje plan i wysyła go tego samego dnia.
4. Ekspert dostaje tylko wyjątki: nietypowe potrzeby, projekty o dużej stawce, sytuacje, których kryteria nie przewidziały.

Czy to zastępuje eksperta? Nie. To skaluje jego osąd. Jego wiedza pracuje przy każdym planie, także przy tych, których nigdy nie zobaczy.

Co się zmieniło?

• Zmienił się przepływ, bo plan nie czeka w kolejce.
• Zmieniła się rola eksperta: zamiast poprawiać każdy plan, uczy system, jak oceniać, i zajmuje się najtrudniejszymi przypadkami.
• A reguła „ekspert sprawdza wszystko” zamieniła się w „ekspert decyduje o wyjątkach”. Zupełnie jak u Forda, gdzie zamiast porównywać kartki przy każdej dostawie, ustalono regułę, która załatwia sprawę na rampie.

I zobacz, co się stało z wąskim gardłem. Nie zniknęło dlatego, że ekspert zaczął pracować szybciej. Zniknęło, bo ekspert przestał być w przepływie. Przestał być trybem w maszynie, a stał się jej architektem.

A piętro trzecie?

Skoro dobry plan kosztuje ułamek tego, co kiedyś, może każdy klient, nawet najmniejszy, dostanie plan przygotowany z taką starannością, z jaką dziś dostają go tylko najwięksi? Może zespół poprowadzi 3 razy więcej projektów bez zatrudniania?

Tu praca zaczyna zamieniać się w biznes. Zanim tam dojdziemy, muszę uczciwie dopowiedzieć jedną rzecz, bo z tego, co do tej pory przeczytałeś, łatwo wyciągnąć niebezpieczny wniosek.

Na drugie piętro nie ma windy

Ten wniosek brzmi tak: pierwsze piętro to strata czasu, więc trzeba od razu budować terminal kontenerowy, a dokładanie AI do istniejących zadań i procesów nie ma sensu.

To nieprawda. I to jedna z najważniejszych rzeczy, jakie wyniosłem z pracy z firmami, które zmieniają się z AI.

Na drugie piętro nie ma windy. Są tylko schody i trzeba na nie wejść jeden po drugim.

Ideal X nie był kontenerowcem, tylko starym tankowcem z dobudowaną platformą, załadowanym w starym porcie. Sam McLean zaczął od pierwszego piętra. Terminale, suwnice i światowe standardy przyszły później, kiedy ludzie zobaczyli, że to działa.

Także 30 lat fabryk z silnikiem podpiętym do wału nie poszło w całości na marne: inżynierowie nauczyli się w tym czasie elektryczności.

A reengineering z lat 90. był próbą wjechania na drugie piętro windą. Konsultanci projektowali nowy system od góry, ludzie w firmie nie mieli z nim nic wspólnego poza strachem o pracę. Wiesz już, jak to się skończyło.

Dlaczego nie da się przeskoczyć pierwszego piętra? W mojej praktyce widzę 4 powody.

Pierwszy: myślenie systemowe jest rzadkie. Mało kto potrafi myśleć na poziomie procesów, a tym bardziej systemów. Osób, które jednocześnie głęboko rozumieją AI, myślą systemowo i wyraźnie widzą tę zmianę, praktycznie nie ma.

A jeśli są, często brakuje im przebicia, bo tę perspektywę trzeba najpierw pokazać innym, przede wszystkim decydentom. Dopiero kiedy oni zrozumieją, o co chodzi, można zainicjować zmianę, a jej wprowadzenie jest jeszcze trudniejsze.

Przebudowa całego systemu pracy w organizacji, która nie rozumie jeszcze technologii, jest po prostu kontrproduktywna.

Drugi: pierwsze efekty budują entuzjazm i tempo. Kiedy ludzie używają AI na co dzień i widzą pierwsze oszczędności, otwierają im się oczy i głowy. Pytanie „co jeszcze dałoby się zrobić inaczej?” zaczynają zadawać sami.

Trzeci, chyba najciekawszy: znika opór. Opór bierze się z tego, że ludzie nie wiedzą, co zmiana będzie dla nich oznaczać. Ktoś, kto od miesięcy używa AI i sam zobaczył korzyści, przyjmie głębsze zmiany z otwartymi rękami, jako naturalną kontynuację tego, co już robi.

Czwarty, najmniej oczywisty: trzeba mieć z kim to robić. My, jako zewnętrzni konsultanci, nie jesteśmy w stanie sami przebudować systemu pracy firmy, bo nie wiemy, jak ta firma pracuje od środka. Wiedza o procesach, klientach i zasadach często istnieje tylko w głowach ludzi.

Ci ludzie stają się prawdziwymi partnerami w budowaniu nowego systemu pracy dopiero wtedy, gdy trochę zrozumieją technologię i są otwarci na wspólną pracę nad zmianą.

Dlatego rekomenduję taką kolejność:

1. Adopcja AI. Ludzie używają narzędzi AI w codziennej pracy. To piętro pierwsze.
2. Zmiana procesów. Przebudowa pojedynczych procesów tam, gdzie widać największy potencjał. To półpiętro, z którego widać już drugie piętro.
3. Nowy system pracy. Zmiana rozlewa się na przepływy, role, informacje i reguły. To piętro drugie.

Pierwsze piętro nie jest więc błędem, tylko koniecznym krokiem, który przynosi realne korzyści. Problem zaczyna się wtedy, gdy organizacja bierze je za cały budynek i zatrzymuje się na szybszym dźwigu, bo przecież „już wdrożyliśmy AI”. Wtedy wraca paradoks z początku: godziny są oszczędzane, a firma stoi w miejscu.

Ekspert, który spisuje swoje kryteria, i specjalista, który na co dzień pracuje z AI, też nie wzięli się znikąd. Taki system pracy da się zbudować tylko z ludźmi, którzy przeszli już przez pierwsze piętro. I tylko oni mogą zrobić coś, od czego zależy, czy AI w ogóle będzie miała z czym pracować.

Co jest kontenerem w świecie AI?

Rotterdam, 1993. Królowa Holandii Beatrix otwiera nowy terminal kontenerowy na Maasvlakte, na lądzie odebranym morzu. Po placu jeżdżą pojazdy bez kierowców i wożą kontenery spod suwnic na plac, gdzie automatyczne dźwigi same układają je w stosy. Dzień i noc, w równym rytmie. Terminal jest uznawany za pierwszy zautomatyzowany na świecie.

Postaw obok siebie dwa obrazy. Nowy Jork w latach 50.: półkole mężczyzn przed brygadzistą, haki, siatki, skrzynka whisky. Rotterdam w 1993 roku: cisza, maszyny, ani jednego człowieka na placu.

Między nimi minęło niecałe 40 lat. I wszystko wydarzyło się w ściśle określonej kolejności: najpierw standard, potem przebudowa, dopiero potem automatyzacja.

Nie da się zautomatyzować przenoszenia worków o stu różnych kształtach. Da się zautomatyzować przenoszenie jednej, zawsze takiej samej skrzyni. Maszyna nie musi wiedzieć, co jest w środku. Wie, jak wygląda kontener, i to jej wystarcza.

Co w takim razie jest kontenerem w świecie AI? Moja odpowiedź jest prosta: dane.

Na pierwszy rzut oka AI łamie regułę kontenera. Jej supermocą jest przecież to, że radzi sobie z chaosem: przeczyta nieuporządkowaną notatkę, zrozumie maila pisanego w biegu, wyciągnie sens z nagrania spotkania. Worki o różnych kształtach nie są dla niej problemem.

Z jednym wyjątkiem. AI nigdy nie poradzi sobie z workiem, którego nie widzi. A w firmach są 2 rodzaje takich worków.

Pierwszy to wiedza, której nikt nigdy nie spisał. Proces, który „Kasia po prostu zna”. Klient, o którym „Tomek wie wszystko”. Kryteria, po których najlepszy ekspert poznaje dobrą propozycję. To worki, które w ogóle nie trafiły do ładowni. Leżą w głowach ludzi.

Właśnie taki worek zawiódł Forda. Doświadczenie najlepszych inżynierów odeszło razem z nimi i systemy AI nie miały go skąd wziąć. Charles Poon podsumował to mniej więcej tak: AI to fantastyczne narzędzie, ale jest tylko tak dobra, jak informacje, na których ją uczysz.

Drugi to dane, które istnieją, ale AI nie ma do nich dostępu. Dane sprzedażowe w systemie, którego nikt nie aktualizuje. Dokumentacja projektów rozrzucona po dyskach, skrzynkach i plikach z dopiskiem „ostateczna_v3_poprawiona”. Informacje o klientach podzielone między 3 działy, z których każdy ma swoją wersję prawdy. To worki, które leżą w porcie, ale w zamkniętym magazynie, do którego dźwig nie ma wstępu.

Kontenerem są więc dane, które mają 3 cechy, zupełnie jak skrzynia McLeana:

• Są uporządkowane. Mają wspólny format i strukturę, tak jak kontener ma standardowe wymiary.
• Są dostępne. AI i ludzie mogą po nie sięgnąć, kiedy ich potrzebują, tak jak suwnica sięga po każdy kontener na placu.
• Są aktualne. Żyją razem z firmą, a nie leżą w archiwum. Kontener, którego nikt nie odbiera, nigdzie nie płynie.

Jeśli firma ma takie dane, może na nich zbudować nowy system pracy. Jeśli nie ma, utknie na pierwszym piętrze, choćby kupiła najlepsze narzędzia na rynku.

Firmy budowane od początku wokół AI rozumieją to bardzo dobrze. Jak opisuje Vanessa Meyer, Lovable buduje „mózg firmy”, a Jack Dorsey w Block „model świata”: stale aktualizowany obraz organizacji, zasilany dokumentami, wiadomościami, notatkami ze spotkań i wskaźnikami, który każdy, człowiek albo agent AI, może zapytać o to, czego potrzebuje. To nic innego jak terminal kontenerowy dla wiedzy. Pojawiają się nawet nowe role, na przykład „bibliotekarz kontekstu”, który dba o to, żeby ta wiedza była uporządkowana i dostępna.

Ekspert z planu projektu nie mógł wyjść z przepływu, dopóki to, po czym poznaje dobrą propozycję, siedziało tylko w jego głowie. Pierwszym krokiem do nowego systemu pracy nie było więc lepsze narzędzie, tylko zapakowanie wiedzy i danych w kontenery.

Kto ma je zapakować? Nie zewnętrzny konsultant i nie nowe narzędzie. Tylko ludzie, którzy noszą tę wiedzę w głowach i na co dzień pracują z tymi danymi. A zrobią to dobrze dopiero wtedy, gdy sami popracują z AI i zobaczą, po co to robią. To kolejny powód, dla którego nie da się przeskoczyć pierwszego piętra.

Brzmi to mało efektownie, ale może być najważniejsze w całej tej historii: zanim zaczniesz budować nowy system pracy, zadbaj o kontenery.

Kto naprawdę zarobi na nowych systemach pracy

Malcom McLean przebudował system pracy całej branży. Fortuny na kontenerze zbił jednak ktoś inny.

Branża kontenerowa z czasem zamieniła się w bezlitosną wojnę cenową. Skoro każdy mógł przewieźć skrzynię taniej, każdy robił to coraz taniej, aż przewóz kontenera stał się towarem sprzedawanym najtaniej, jak się da. Sam McLean w latach 80. przeżył bankructwo jednej ze swoich linii żeglugowych.

Prawdziwe pieniądze zarobili ci, którzy zadali zupełnie inne pytanie.

Nie „jak przewieźć towar taniej?”, tylko „co możemy zrobić, skoro przewiezienie czegokolwiek przez pół świata kosztuje grosze?”. Odpowiedź znasz z urządzenia, które trzymasz w dłoni: zaprojektuj w jednym kraju, wyprodukuj w drugim, sprzedawaj na całym świecie. Całe imperia biznesowe stoją na tanim kontenerze. Ani McLean, ani dokerzy z Newark tego nie planowali.

W tym miejscu ta historia przestaje być o kontenerach.

AI obniża koszt pracy umysłowej. Nie tylko Tobie. Wszystkim naraz, Twojej konkurencji też. Jeśli Twoja odpowiedź na AI brzmi: robimy to co zawsze, tylko taniej, przez chwilę będziesz mieć przewagę. Potem konkurencja zrobi to samo. Potem ktoś obniży cenę, żeby wygrać przetarg. I oszczędności, na które tak ciężko pracowałeś, przejmą klienci.

Pytanie z początku, gdzie znikają godziny zaoszczędzone dzięki AI, ma więc drugie dno. Godziny mogą zniknąć dwa razy. Najpierw w starym systemie pracy. A jeśli go przebudujesz, to po raz drugi: w cenach.

Dlatego warto zapamiętać jedno zdanie: oszczędności z nowego systemu pracy to nie nagroda. To surowiec. Nagrodę dostaje ten, kto zrobi z nich coś nowego.

Żeby zobaczyć, co można z nich zrobić, trzeba rozdzielić dwie rzeczy, które w rozmowach o AI ciągle się mieszają.

Model biznesowy to logika, na której firma zarabia. W uproszczeniu: co sprzedajesz, komu i jak na tym zarabiasz. To Twoja umowa z rynkiem.

System pracy to maszyna, która tę umowę wykonuje: kto co robi, w jakiej kolejności, z jakimi informacjami i według jakich reguł.

System pracy jest więc częścią modelu biznesowego, ale częścią szczególną. Model biznesowy mówi, co obiecujesz rynkowi. System pracy decyduje, czy i za ile jesteś w stanie tę obietnicę spełnić.

Każdy model biznesowy stoi na jakimś systemie pracy, więc system pracy wyznacza granicę tego, jakie modele biznesowe w ogóle mają sens. Dopóki przeładunek kosztował połowę rejsu, produkowanie większości rzeczy na drugim końcu świata zwyczajnie się nie spinało. Nikt tego nie zabraniał - po prostu rachunek nie wychodził. Kiedy kontener przesunął tę granicę, zaczęło się spinać mnóstwo rzeczy, o których wcześniej nikt nawet nie myślał.

Stąd zdanie, które moim zdaniem najlepiej opisuje to, co nas czeka:

Nowy system pracy sprawia, że coś staje się tanie. Nowy model biznesowy zarabia na tym, co dzięki temu stało się możliwe.

To właśnie trzecie piętro. Miejsce, w którym praca zamienia się w biznes.

I tu masz coś, czego nie mieli przewoźnicy kontenerowi. W tamtej historii system pracy przebudowała jedna branża, a nowe modele biznesowe zbudowały zupełnie inne firmy. Z AI tanieje praca w Twojej własnej organizacji. Możesz być jednocześnie tym, kto przebudowuje system pracy, i tym, kto zbuduje na nim nowy model biznesowy.

Pod warunkiem, że nie zatrzymasz się na oszczędnościach. Bo jeśli Ty tego nie zrobisz, zrobi to ktoś inny. Bardzo często ktoś spoza branży, jak kierowca ciężarówki, który zrewolucjonizował żeglugę.

Jakie to będą modele? Uczciwie: nie wiem. Nikt jeszcze nie wie. W 1956 roku nikt na nabrzeżu w Newark nie przewidział, że kiedyś rzeczy w jego domu będą przypływać z drugiego końca świata.

Wiemy za to jedno. Kiedy coś radykalnie tanieje, zwykle nie kupujemy tego mniej, tylko znacznie więcej. Ekonomiści nazywają to paradoksem Jevonsa. Tani transport nie sprawił, że przewozimy mniej, tylko że przewozimy nieporównanie więcej. Podejrzewam, że z tanią pracą umysłową będzie podobnie: nie skurczy rynku, tylko otworzy nowe.

Możemy więc pospekulować, łącząc to, co już wiemy:

• Klient, którego dziś odsyłasz, staje się rynkiem. Jeśli osąd eksperta pracuje przy każdym planie, jakość, na którą dziś stać tylko największych, może trafić do firm, które w ogóle nie były Twoimi klientami. Nie jako tańsza wersja, tylko jako zupełnie nowa oferta.
• Zamiast godzin sprzedajesz efekt. Kiedy praca, która zajmowała tydzień, zajmuje godzinę, rozliczanie się za czas przestaje mieć sens. Fundusz Foundation Capital ma już na to nazwę: service-as-software, czyli sprzedawanie wykonanej pracy i jej efektu, a nie narzędzia ani roboczogodzin.
• Zamiast projektu masz ciągłą usługę. Skoro system pracy może uczyć się na bieżąco, to coś, co dziś robisz raz w roku, na przykład audyt albo strategię, może stać się usługą, która działa i poprawia się cały czas.
• Twoja wiedza staje się produktem. Jeśli zapakujesz wiedzę i dane w kontenery, dostęp do nich może być czymś, za co klienci zapłacą, a nie tylko zapleczem Twojej pracy.

Pewnie żaden z tych pomysłów nie sprawdzi się dokładnie w takiej formie. Największe modele biznesowe epoki AI będą takie, o których dziś nawet nie myślimy, tak jak nikt w 1956 roku nie myślał o globalnych łańcuchach dostaw. Ale wiem, gdzie ich szukać: tam, gdzie nowy system pracy sprawił, że coś drogiego stało się tanie.

Zostawię Cię tu z dwoma pytaniami, bo nie mam na nie gotowych odpowiedzi i jestem ciekaw Twoich:

Co mogłaby sprzedawać Twoja firma, gdyby Twoja praca kosztowała 10x mniej?

I jakiego klienta dziś odsyłasz z kwitkiem, bo „się nie opłaca”?

Zdejmij wał

Przez większość historii przebudowa systemu pracy była zabawą dla dużych. Żeby zdjąć wał, trzeba było zbudować nową fabrykę. Żeby wpuścić kontener, nowy port. A reengineering w latach 90. oznaczał armię konsultantów i budżety liczone w milionach.

Z AI jest inaczej. I to jest dla mnie najbardziej ekscytująca część tej historii.

Pierwszy raz system pracy można przebudowywać małymi krokami, bez nowej hali i bez nowego portu: jeden proces w tym tygodniu, poprawka w przyszłym, a potem rozlanie zmiany dalej. Nie trzeba na to 30 lat ani rocznego projektu. Trzeba kogoś, kto stanie nad systemem jak architekt i będzie zmieniał nie tylko elementy, ale przede wszystkim przepływy i reguły.

W dużej organizacji to lider, który po pierwszym piętrze bierze jeden zespół albo jeden przepływ i projektuje go od nowa. Wały w korporacjach mają swoich obrońców, a dowód z jednego miejsca bywa najlepszym argumentem.

W małej firmie to właściciel, który nie musi przechodzić przez komitety, może zacząć w poniedziałek i zbudować maszynę, do której kiedyś potrzebowałby 10 osób, a przy okazji przestać być trybem we własnej firmie.

Gdybym miał zebrać wszystko w kilka kroków, wyglądałyby tak:

1. Zacznij od pierwszego piętra. Niech ludzie używają AI na co dzień i zobaczą pierwsze efekty. Bez tego nie będzie z kim budować reszty.
2. Znajdź wąskie gardło. Gdzie praca czeka? Uczciwie: często w kolejce do Ciebie.
3. Zadaj pytanie zerowego kosztu. Gdyby ta czynność nic nie kosztowała i trwała sekundę, jak byśmy to zrobili?
4. Zapakuj wiedzę i dane w kontenery. Wyciągnij z głów, zwłaszcza ze swojej, to, czego AI i ludzie potrzebują, żeby pracować bez Ciebie. I otwórz magazyny, w których leżą dane.
5. Zmieniaj reguły i przepływy, a nie tylko elementy. Sprawdź, czy zmiana rozlała się na system, czy system ją wchłonął. I zaprojektuj pętlę, dzięki której system będzie się uczył.
6. Dbaj o to, dokąd idą ludzie. W stronę przepływu informacji, oceny i koordynacji, a nie za drzwi.
7. Zapytaj o trzecie piętro. Co teraz możesz robić, czego wcześniej nie mogłeś?

Prosiłem Cię na początku, żebyś policzył godziny zaoszczędzone dzięki AI. Teraz już wiesz, gdzie znikają.

• W kolejce przed wąskim gardłem.
• W procesach, które odpowiadają na ograniczenia, których już nie ma.
• W systemie, który wchłania zmianę i wraca do starego rytmu.
• W workach, których AI nie widzi.
• A jeśli przebudujesz system i na tym poprzestaniesz, znikną drugi raz: w cenach.

Te godziny nie przepadły. Czekają na nowy system pracy, który będzie wiedział, co z nimi zrobić.

Pamiętasz fabryki z lat 20.? Kiedy zdjęto wał, hale zeszły na parter, otworzyły się świetliki i zrobiło się jasno. Z firmą jest podobnie. Kiedy zdejmiesz wał, w którym Ty i Twoi ludzie byliście trybami, robi się więcej przestrzeni. Na pracę nad tym, co tylko Ty możesz zrobić. Na myślenie. Na ludzi, z którymi chcesz spędzać czas.

W 1956 roku Ideal X odbija od nabrzeża w Newark. Na brzegu stoją dokerzy, brygadziści, urzędnicy portowi. Prawie nikt z nich nie wie, że patrzy na koniec swojego portu. Może poza jednym związkowcem, który chciał zatopić statek. Fabryki potrzebowały 30 lat, żeby zrozumieć, co dał im prąd. Porty kilkudziesięciu, żeby dojść od Ideal X do Rotterdamu.

Nie wiem, ile czasu zajmie to z AI. Podejrzewam, że dużo mniej, bo dziś przebudowę systemu pracy może zrobić jeden zespół w kilka tygodni, a nie pokolenie inżynierów. Ale wiem, od jakiego pytania bym zaczął:

Który wał w Twojej firmie wciąż się kręci?

Jeśli chcesz sprawdzić, na którym piętrze jest dziś Twoja firma i jak wejść na kolejne, napisz do mnie na LinkedInie. Chętnie pomyślę z Tobą, jak zbudować nowy system pracy w Twojej firmie.

Budując nowe systemy pracy, przygotowujesz firmę na przyszłość.