Umělá inteligence automatizuje práci, která vytváří odborníky

Když společnosti rozhodují, co automatizovat, obvykle měří čas, náklady, chybovost a výstup. Zřídka měří, co úkol učí osobu, která ho vykonává. Tato absence má význam, protože mnoho úkolů, které vypadají opakovaně nebo neefektivně, je také součástí neviditelného učňovského systému, prostřednictvím kterého se lidé stávají schopnými profesionály.

Junior analytik budující první model, vývojář stopující základní chybu, podpůrný agent zpracovávající běžnou stížnost a právník připravující počáteční výzkumnou zprávu všichni produkují práci. Zároveň se učí, jak informace zapadají dohromady, které detaily jsou důležité, kde se objevují chyby a kdy známý vzorec již neplatí. Pokud umělá inteligence odstraní úkol bez nahrazení procesu učení, organizace může získat rychlost dnes, zatímco oslabí odbornost, kterou bude potřebovat později.

Otázka pracovní síly je tedy větší, než zda umělá inteligence sníží vstupní úroveň najímání. Lídři by měli zeptat, co se stane s praktickými smyčkami, které dříve měnily nezkušené zaměstnance na lidi schopné soudit, opravovat a dohlížet na inteligentní systémy.

Odbornost je budována prostřednictvím korekce

Odbornost je často popisována jako znalost, ale znalost sama o sobě nestačí. Zkušení lidé narazili na dostatek případů, aby rozpoznali slabé signály, všimli si neobvyklých kombinací a pochopili, kdy standardní odpověď je nebezpečná. Tento úsudek se vyvíjí prostřednictvím opakovaných cyklů pokusu o práci, přijetí zpětné vazby, korekce chyb a prožití důsledků rozhodnutí.

Mnohé juniorské úkoly jsou cenné právě proto, že vytvářejí tyto cykly. Vytvoření první verze analýzy nutí někoho rozhodnout, co je relevantní. Čištění dat odhaluje, jak nedokonalé může být reálné informace. Zpracování běžných zákaznických případů učí normální vzorec, který později usnadňuje rozpoznání abnormálního případu. Přezkum dokončeného výstupu odborníka nevytvoří stejnou hloubku, protože obtížná rozhodnutí jsou již učiněna a skryta.

Umělá inteligence může tyto cykly zkrátit. První návrh dorazí, než zaměstnanec stačí formulovat problém. Pomocník s kódem navrhuje řešení, než vývojář stopí selhání. Výzkumný nástroj shrnuje důkazy, než analytik musel srovnat zdroje. Výstup může být lepší a rychlejší, ale zaměstnanec dostává méně příležitostí k budování vnitřního modelu, proč je to správné.

Umělá inteligence může urychlit učení, ale design má význam

Riziko není nevyhnutelné. Některé z nejsilnějších důkazů o generativní umělé inteligenci v práci ukazují, že může pomoci méně zkušených zaměstnancům učit se rychleji, když je použita jako vedení spíše než jako náhrada za účast.

Studie NBER o 5 179 zákaznických agentů zjistila, že přístup k generativní umělé inteligenci zvýšil produktivitu o 14 procent v průměru, s 34procentním zlepšením mezi začínajícími a méně kvalifikovanými pracovníky. Výzkumníci našli naznačující důkazy, že systém pomohl šířit postupy silnějších agentů a přesunout nové pracovníky dolů po zkušenostní křivce rychleji.

Design této práce má význam. Agenti dostávali návrhy během skutečných zákaznických konverzací, ale stále museli interpretovat situaci, zvolit, jak reagovat, a pozorovat výsledek. Učební smyčka zůstala nedotčena. Umělá inteligence přidala včasný přístup k odborným vzorcům bez úplného odstranění zaměstnance z rozhodnutí.

To je jiné než pracovní postup, ve kterém systém dokončuje úkol a zaměstnanec provede rychlé schválení na konci. Když lidé zůstávají aktivní v diagnostice, volbě a důsledku, umělá inteligence může fungovat jako kouč. Když jsou redukováni na akceptaci vyleštěného výstupu, technologie může zvýšit krátkodobou produkci, zatímco dělá mnohem méně pro dlouhodobou schopnost.

Automatizace dosahuje úkolů, které budují lidský kapitál

Je snadné předpokládat, že umělá inteligence odstraní pouze nízkodobrou, opakovanou práci. Současný důkaz naznačuje složitější vzorec.

Anthropicova lednová ekonomická indexová zpráva z roku 2026 zjistila, že úkoly pokryté Claude vyžadovaly více vzdělání než průměr ekonomiky. V experimentálním odhadu výzkumníci zjistili, že odstranění těchto úkolů pokrytých umělou inteligencí z povolání by mělo první řád deskilling efekt na pracovní místa, protože mnoho pokrytých úkolů reprezentovalo vyšší vzdělávací složky role. Anthropic pečlivě uvedl, že to není předpověď, protože povolání mohou evolovat a objevit se nové úkoly, ale toto zjištění by mělo změnit, jak společnosti myslí o automatizaci.

Rutinní a vývojové nejsou protiklady. Příprava analýzy se může stát rutinou pro zkušené zaměstnance, zatímco zůstává nezbytnou praxí pro juniory. Příprava standardních smluv, odstraňování známých chyb, příprava prognóz a přezkum zákaznické historie může být automatizovatelná, ale také vystavuje zaměstnance struktuře profese.

To vytváří strategický problém. Nejjednodušší úkol k automatizaci může být také úkol, prostřednictvím kterého se nový zaměstnanec učí kontext potřebný pro zpracování obtížného úkolu později.

Verifikační paradox

Mnohé organizace reagují tak, že lidé se přesunou z produkce na verifikaci. Umělá inteligence vygeneruje práci, zatímco lidé budou kontrolovat přesnost, aplikovat kontext a zůstat odpovědní. To zní rozumně, ale obsahuje paradox: verifikace sama vyžaduje odbornost, kterou automatizovaná práce dříve pomáhala vytvořit.

Studie Microsoft Research (MSFT ) zahrnující 319 znalostních pracovníků a 936 příkladů použití generativní umělé inteligence zjistila, že větší důvěra v umělou inteligenci byla spojena s menším úsilím kritického myšlení. Studie také zjistila, že umělá inteligence přesunula kritické myšlení směrem k verifikaci, integraci a správě úkolů. Tyto činnosti jsou cenné, ale osoba nemůže verifikovat dobře bez dostatečných znalostí domény, aby rozpoznala, co může chybět.

Nezkušený zaměstnanec může zkontrolovat, zda odpověď je jasně nekonzistentní nebo nepodporovaná. Je mnohem těžší si všimnout, že analýza používala špatný rámec, ignorovala provozní omezení nebo dosáhla přijatelného závěru pro špatný důvod. Vyleštěný výstup umělé inteligence může skrýt absenci porozumění, protože vypadá kompletní, než zaměstnanec vyvine soud, aby ho zpochybnil.

Výzkum o „jagged technologickém předním“ dělá problém konkrétnějším. V experimentu se 758 konzultanty uživatelé umělé inteligence dokončili úkoly uvnitř technologické hranice 25,1 procenta rychleji a produkují výsledky o více než 40 procent vyšší kvality. Na úkol mimo tuto hranici však byli uživatelé umělé inteligence o 19 procentních bodů méně pravděpodobní dosáhnout správného řešení než účastníci pracující bez umělé inteligence.

Kritická schopnost je tedy nejen použití umělé inteligence. Je to rozpoznání, kdy systém funguje mimo hranici spolehlivého výkonu. Tato hranice je zřídka zjevná a učení, aby ji viděli, vyžaduje zkušenosti s úspěšnými případy i selháními.

Skrytá rizika nástupnictví

Zpráva World Economic Forum’s Future of Jobs Report 2025 zjistila, že zaměstnavatelé očekávají, že 39 procent pracovních dovedností se změní do roku 2030. Také zjistila, že 63 procent zaměstnavatelů již považuje mezery ve dovednostech za významnou bariéru pro transformaci, zatímco 77 procent plánuje zdokonalit zaměstnance a 41 procent očekává snížení počtu pracovních sil, protože umělá inteligence automatizuje úkoly.

Tyto strategie mohou být v konfliktu, pokud organizace odstraní příliš mnoho práce, prostřednictvím které se dovednosti vytvářejí. Společnost může snížit juniorské najímání, spoléhat se na seniorní zaměstnance, aby dohlíželi na umělou inteligenci, a stále hlásit silnou produktivitu po několik let. Slabost se objeví později, když zkušení lidé odejdou, poptávka se rozšíří nebo organizace potřebuje zaměstnance, kteří mohou zvládnout situace, které systém neviděl.

Senioři odborníci mohou také stát se novou provozní bariérou. Pokud umělá inteligence zvyšuje objem práce, zatímco pouze malá skupina může verifikovat obtížné výstupy, tito lidé tráví více času kontrolou a opravami než učení. Společnost získá produkční kapacitu, ale koncentruje soud ve méně rukou.

Žádná organizace nemůže automatizovat učňovství a poté předpokládat, že bude pokračovat v nákupu zkušeností z trhu. Pokud mnoho společností následuje stejnou strategii, vnější bazén zkušených talentů se nakonec stane tenčím a dražším.

Měřit vývojovou hodnotu práce

Před automatizací úkolu by společnosti měly vyhodnotit dvě dimenze. První je jeho výstupní hodnota: jak důležitý, nákladný a časově citlivý je výsledek? Druhá je jeho vývojová hodnota: jakou schopnost vytváří provádění úkolu?

Úkoly s nízkou výstupní hodnotou a nízkou vývojovou hodnotou jsou zjevnými kandidáty na plnou automatizaci. Přepisování rutinních dokumentů nebo přenos informací mezi systémy může učit málo po dosažení základní způsobilosti.

Úkoly s vysokou výstupní hodnotou, ale nízkou vývojovou hodnotou, lze často automatizovat s odpovídajícím řízením. Organizace stále potřebuje řízení, protože výsledek má význam, ale zachování manuálního procesu může přispět málo k růstu zaměstnance.

Nezanedbávaná kategorie obsahuje úkoly s mírnou okamžitou výstupní hodnotou, ale vysokou vývojovou hodnotou. První návrh juniorního zaměstnance nemusí být komerčně důležitý, protože seniorní osoba ho přepracuje, ale jeho produkce vytváří cenné srovnání mezi počátečním uvažováním a odbornou zpětnou vazbou. Odstranění tohoto kroku šetří čas, ale také odstraňuje praxi.

Úkoly s vysokou výstupní hodnotou a vysokou vývojovou hodnotou by měly být obvykle posíleny spíše než plně delegovány. Zaměstnanci mohou použít umělou inteligenci pro výzkum, možnosti a kritiku, ale měli by si ponechat významnou odpovědnost za formulaci problému, vysvětlení rozhodnutí a učení z výsledku.

Vybudovat vrstvu učňovství záměrně

Jakmile jsou identifikovány vývojové úkoly, společnosti je mohou přestavět, spíše než zachovat neefektivní pracovní postupy beze změny. Cílem není nutit zaměstnance opakovat každý manuální proces z minulosti. Je to rekreovat zkušenosti, které budují soud, v rychlejším a úmyslnějším tvaru.

Jednou možností je zachovat první přístupné myšlení. Předtím, než zaměstnanec uvidí návrh umělé inteligence, zaznamená počáteční diagnózu, prognózu nebo rozhodnutí. Systém může poté poskytnout alternativu, a zaměstnanec musí vysvětlit, kde se dvě liší a který přístup by použil.

Organizace mohou také budovat knihovny selhání umělé inteligence, hraničních případů a sporných rozhodnutí. Přezkum pouze úspěšných výstupů učí zaměstnance důvěřovat systému. Studium, kde selhal, pomáhá jim rozpoznat podmínky, které vyžadují eskalaci, další důkazy nebo lidskou intervenci.

Manažeři by měli vyhodnotit, zda se učení přenese za hranice nástroje. Může zaměstnanec vysvětlit důvod, proč je konečný výstup správný? Může identifikovat předpoklady, které by jej učinily špatným? Může se přizpůsobit, když se kontext změní nebo je umělá inteligence nedostupná? Tyto otázky odhalí více o připravenosti než počet použitých promptů nebo dokončených úkolů.

Nejvíce důležité je, že juniorní zaměstnanci stále potřebují skutečnou odpovědnost. Simulace a strukturovaná praxe pomáhají, ale odbornost také závisí na důsledcích, zpětné vazbě a kontaktu s reálnou složitostí. Umělá inteligence by měla učinit tyto zkušenosti bezpečnějšími a častějšími, ne je úplně odstranit.

Pracovní výhoda bude pocházet z rychlejší odbornosti

Nejsilnější organizace nebudou ty, které automatizují největší počet juniorských úkolů. Budou ty, které odstraní nízkou hodnotu úsilí, zatímco urychlují rozvoj lidí, kteří mohou použít, zpochybnit a dohlížet na umělou inteligenci zodpovědně.

To vyžaduje širší definici návratnosti z automatizace. Ušetřený čas a produkovaný výstup jsou důležité, ale lídři by měli také měřit, zda nová pracovní postup zesiluje nebo oslabuje budoucí zásobu soudů organizace. Proces, který snižuje náklady, zatímco poškozuje potrubí odbornosti, může být efektivní pouze na krátkou dobu.

Před schválením dalšího automatizačního projektu by lídři měli položit jednu další otázku: co lidé naučili, dělají tuto práci, a kde se toto učení bude odehrávat, až bude práce automatizována?

Odpověď určí, zda umělá inteligence prostě produkuje více výstupu nebo pomáhá produkovat další generaci odborníků.