Sztuczna inteligencja automatyzuje pracę, która tworzy ekspertów

Kiedy firmy decydują, co zautomatyzować, zwykle mierzą czas, koszt, wskaźnik błędów i wydajność. Rzadko mierzą, czego nauczy się osoba wykonująca tę pracę. To pominięcie ma znaczenie, ponieważ wiele zadań, które wyglądają na powtarzalne lub niewydajne, jest również częścią niewidocznych systemów praktycznych, za pomocą których ludzie stają się kompetentnymi profesjonalistami.

Młodszy analityk budujący pierwszy model, programista śledzący podstawowy błąd, agent wsparcia obsługujący powszechny problem i prawnik przygotowujący wstępne memo badawcze – wszyscy oni wykonują pracę. Uczą się również, jak informacje pasują do siebie, które szczegóły są ważne, gdzie pojawiają się błędy i kiedy znany wzorzec nie ma już zastosowania. Jeśli sztuczna inteligencja usuwa zadanie bez zastąpienia procesu uczenia, organizacja może zyskać szybkość dziś, osłabiając jednak ekspertyzę, której będzie potrzebować później.

Pytanie dotyczące siły roboczej jest więc większe niż to, czy sztuczna inteligencja zmniejszy zatrudnienie na stanowiskach początkowych. Liderzy muszą zapytać, co się stanie z pętlami praktycznymi, które kiedyś zmieniały niedoświadczonych pracowników w osoby zdolne do oceny, korygowania i nadzorowania systemów inteligentnych.

Ekspertyza jest budowana przez korektę

Ekspertyza jest często opisywana jako wiedza, ale sama wiedza nie jest wystarczająca. Doświadczeni ludzie spotkali się z wystarczająco wieloma przypadkami, aby rozpoznać słabe sygnały, zauważyć niezwykłe połączenia i zrozumieć, kiedy standardowa odpowiedź jest niebezpieczna. Ten osąd rozwija się przez powtarzające się cykle prób, otrzymywania informacji zwrotnej, korygowania błędów i obserwowania konsekwencji decyzji.

Wiele zadań juniorskich jest cennych właśnie dlatego, że tworzą te cykle. Opracowanie pierwszej wersji analizy zmusza kogoś do podjęcia decyzji, co jest istotne. Czyszczenie danych ujawnia, jak niedoskonała może być rzeczywista informacja. Obsługa prostych przypadków klientów uczy normalnego wzorca, co później ułatwia rozpoznanie nietypowego przypadku. Przeglądanie ukończonej pracy eksperta nie tworzy tej samej głębi, ponieważ trudne wybory zostały już podjęte i ukryte.

Sztuczna inteligencja może skompresować te cykle. Pierwszy projekt przychodzi zanim pracownik sformułował problem. Asystent kodu proponuje rozwiązanie zanim programista odnalazł awarię. Narzędzie badawcze podsumowuje dowody zanim analityk miał okazję porównać źródła. Wynik może być lepszy i szybszy, ale pracownik otrzymuje mniej okazji do budowania wewnętrznego modelu, dlaczego jest to poprawne.

Sztuczna inteligencja może przyspieszyć uczenie, ale projekt ma znaczenie

Ryzyko nie jest nieuniknione. Niektóre z najsilniejszych dowodów na temat sztucznej inteligencji w pracy pokazują, że może ona pomóc mniej doświadczonym pracownikom w nauce szybciej, gdy jest używana jako wskazówka, a nie jako substytut udziału.

Badanie NBER na 5,179 agentów wsparcia klienta wykazało, że dostęp do asystenta sztucznej inteligencji zwiększył wydajność o 14 procent średnio, z 34-procentową poprawą wśród nowicjuszy i pracowników o niższych umiejętnościach. Badacze znaleźli sugestywne dowody, że system pomógł w rozpowszechnieniu praktyk silniejszych agentów i przeniesieniu nowszych pracowników w dół krzywej doświadczenia szybciej.

Projekt tej pracy ma znaczenie. Agenci otrzymali sugestie podczas rzeczywistych rozmów z klientami, ale nadal musieli interpretować sytuację, wybrać, jak odpowiedzieć i obserwować wynik. Pętla uczenia się pozostała nietknięta. Sztuczna inteligencja dodała terminowe dostępy do wzorców ekspertów bez całkowitego usunięcia pracownika z decyzji.

To różni się od przepływu pracy, w którym system kończy zadanie, a pracownik wykonuje szybką akceptację na końcu. Kiedy ludzie pozostają aktywni w diagnozie, wyborze i konsekwencjach, sztuczna inteligencja może funkcjonować jako trener. Kiedy są zmniejszani do akceptacji wykończonego wyniku, technologia może zwiększyć krótkoterminową produkcję, robiąc znacznie mniej dla długoterminowych możliwości.

Automatyzacja dociera do zadań, które budują kapitał ludzki

Łatwo jest założyć, że sztuczna inteligencja usunie tylko pracę niskiej jakości, powtarzalną. Bieżące dowody sugerują bardziej skomplikowany wzorzec.

Badanie Anthropic z stycznia 2026 r. wskaźnik gospodarczy wykazało, że zadania objęte przez Claude wymagały więcej wykształcenia niż przeciętnie w gospodarce. W eksperymentalnej ocenie badacze stwierdzili, że usunięcie tych zadań objętych przez sztuczną inteligencję z zawodów spowodowałoby pierwszorzędny efekt deskillingu, ponieważ wiele z tych zadań reprezentowało składniki wyższego wykształcenia w roli. Anthropic był ostrożny, mówiąc, że nie jest to prognoza, ponieważ zawody mogą ewoluować, a nowe zadania mogą pojawić się, ale to odkrycie powinno zmienić, jak firmy myślą o automatyzacji.

Rutyna i rozwój nie są przeciwieństwami. Przygotowanie analizy może stać się rutyną dla doświadczonego pracownika, pozostając jednak niezbędną praktyką dla młodszego. Przygotowanie standardowych umów, debugowanie znanych błędów, przygotowanie prognoz i przeglądanie historii klienta może być zautomatyzowane, ale również naraża pracowników na strukturę zawodu.

To tworzy problem strategiczny. Najłatwiejsze zadanie do zautomatyzowania może być również zadaniem, za pomocą którego nowy pracownik uczy się kontekstu potrzebnego do obsługi trudnego zadania później.

Paradoks weryfikacji

Wiele organizacji odpowiada, mówiąc, że ludzie przeniosą się z produkcji do weryfikacji. Sztuczna inteligencja wygeneruje pracę, a ludzie będą sprawdzać dokładność, stosować kontekst i pozostawać odpowiedzialni. To brzmi rozsądnie, ale zawiera paradoks: weryfikacja sama wymaga ekspertyzy, którą zautomatyzowana praca kiedyś pomagała tworzyć.

Badanie Microsoft Research (MSFT ) z udziałem 319 pracowników wiedzy i 936 przykładów użycia sztucznej inteligencji wykazało, że większa ufność w sztuczną inteligencję była związana z mniejszym wysiłkiem myślowym. Badanie wykazało również, że sztuczna inteligencja przesunęła myślenie krytyczne w kierunku weryfikacji, integracji i opieki nad zadaniem. Te działania są cenne, ale osoba nie może weryfikować dobrze bez wystarczającej wiedzy, aby rozpoznać, co może być nieobecne.

Młodszy pracownik może sprawdzić, czy odpowiedź jest wyraźnie niespójna lub niepoparta. Jest znacznie trudniej zauważyć, że analiza użyła niewłaściwego ramy, zignorowała ograniczenie operacyjne lub doszła do prawdopodobnego wniosku z niewłaściwego powodu. Wypolerowany wynik sztucznej inteligencji może ukryć brak zrozumienia, ponieważ wygląda on kompletny, zanim pracownik rozwinie osąd, aby go przesłuchać.

Badania na temat „nietypowego technologicznego przedpola” robi problem bardziej konkretnym. W eksperymencie z 758 konsultantami użytkownicy sztucznej inteligencji ukończyli zadania w granicach technologicznego przedpola o 25,1 procent szybciej i wyprodukowali wyniki o ponad 40 procent wyższej jakości. Jednak w zadaniu poza tym przedpolem użytkownicy sztucznej inteligencji byli o 19 punktów procentowych mniej skłonni do osiągnięcia poprawnego rozwiązania niż uczestnicy pracujący bez sztucznej inteligencji.

Krytyczną zdolnością jest więc nie tylko korzystanie z sztucznej inteligencji. Jest to rozpoznanie, kiedy system działa poza granicą niezawodnego działania. Ta granica jest rzadko oczywista, a nauka, aby ją zobaczyć, wymaga doświadczenia z sukcesami i porażkami.

Ukryty ryzyko sukcesji

Raport Światowego Forum Ekonomicznego o przyszłości pracy z 2025 r. wykazał, że pracodawcy oczekują, że 39 procent umiejętności pracowników ulegnie zmianie do 2030 r. Wykazał również, że 63 procent pracodawców już postrzega luki umiejętności jako główną barierę dla transformacji, podczas gdy 77 procent planuje doszkalać pracowników, a 41 procent oczekuje zmniejszenia liczby pracowników, gdy sztuczna inteligencja zautomatyzuje zadania.

Te strategie mogą być sprzeczne, jeśli organizacje usuną zbyt wiele pracy, przez którą umiejętności są tworzone. Firma może zmniejszyć zatrudnienie na stanowiskach początkowych, polegać na starszych pracownikach, aby nadzorować sztuczną inteligencję, i nadal raportować silną wydajność przez kilka lat. Słabość pojawia się później, kiedy doświadczeni ludzie odchodzą, popyt rośnie lub organizacja potrzebuje pracowników zdolnych do radzenia sobie z sytuacjami, których system nie widział.

Starsi eksperci mogą również stać się nowym operacyjnym ograniczeniem. Jeśli sztuczna inteligencja zwiększa objętość pracy, a tylko mała grupa może weryfikować trudne wyniki, te osoby spędzają więcej czasu na przeglądaniu i poprawianiu, a nie nauczaniu. Firma zyskuje zdolność produkcyjną, ale koncentruje osąd w mniejszej liczbie rąk.

Żadna organizacja nie może zautomatyzować praktyki i założyć, że będzie nadal kupować doświadczenie z rynku. Jeśli wiele firm będzie stosować tę samą strategię, zewnętrzny basen doświadczonych talentów ostatecznie staje się cienki i droższy.

Pomiar wartości rozwojowej pracy

Przed zautomatyzowaniem zadania firmy powinny ocenić je w dwóch wymiarach. Pierwszy to wartość wyjściowa: jak ważne, kosztowne i wrażliwe na czas jest wynik? Drugi to wartość rozwojowa: jaka zdolność jest budowana przez wykonanie zadania?

Zadania o niskiej wartości wyjściowej i niskiej wartości rozwojowej są oczywistymi kandydatami do pełnej automatyzacji. Przerabianie rutynowych dokumentów lub przenoszenie informacji między systemami może nauczyć mało po osiągnięciu podstawowej kompetencji.

Zadania o wysokiej wartości wyjściowej, ale niskiej wartości rozwojowej mogą być często zautomatyzowane z odpowiednią kontrolą. Organizacja nadal potrzebuje zarządzania, ponieważ wynik ma znaczenie, ale zachowanie procesu ręcznego może przyczynić się mało do wzrostu pracownika.

Najbardziej zaniedbana kategoria zawiera zadania o umiarkowanej wartości wyjściowej, ale wysokiej wartości rozwojowej. Pierwszy projekt młodszego pracownika może nie być komercyjnie istotny, ponieważ starszy pracownik go poprawi, jednak jego wykonanie tworzy cenną porównanie między początkowym rozumowaniem a informacjami zwrotnymi od eksperta. Usunięcie tego kroku oszczędza czas, ale również usuwa ćwiczenia.

Zadania o wysokiej wartości wyjściowej i wysokiej wartości rozwojowej powinny zwykle być uzupełniane, a nie w pełni delegowane. Pracownicy mogą używać sztucznej inteligencji do badań, opcji i krytyki, ale powinni zachować istotną odpowiedzialność za sformułowanie problemu, wyjaśnienie decyzji i uczenie się z wyniku.

Budowanie warstwy praktycznej w sposób zamierzony

Gdy zadania rozwojowe zostały zidentyfikowane, firmy mogą je przebudować, zamiast zachowywać niewydajne przepływy pracy niezmienne. Celem jest nie zmuszanie pracowników do powtarzania każdego ręcznego procesu z przeszłości. Jest to odtworzenie doświadczeń, które budują osąd w szybszej, bardziej zamierzonej formie.

Jedną z opcji jest zachowanie myślenia pierwszego podejścia. Przed zobaczeniem rekomendacji sztucznej inteligencji pracownik rejestruje pierwszą diagnozę, prognozę lub decyzję. System może następnie zaproponować alternatywę, a pracownik musi wyjaśnić, gdzie się różnią i których podejścia użyłby.

Organizacje mogą również budować biblioteki niepowodzeń sztucznej inteligencji, przypadków granicznych i spornych decyzji. Przeglądanie tylko pomyślnych wyników uczy pracowników, aby ufali systemowi. Studium, gdzie się nie powiodło, pomaga im rozpoznać warunki, które wymagają eskalacji, dodatkowych dowodów lub interwencji ludzkiej.

Menadżerowie powinni ocenić, czy uczenie się przenosi się poza narzędzie. Czy pracownik może wyjaśnić rozumowanie za końcowym wynikiem? Czy może zidentyfikować założenia, które uczyniłyby to błędne? Czy może dostosować się, gdy kontekst się zmienia lub sztuczna inteligencja jest niedostępna? Te pytania ujawniają więcej o gotowości niż liczba użytych sugestii lub zadań ukończonych.

Najważniejsze jest to, że młodsi pracownicy nadal potrzebują prawdziwej odpowiedzialności. Symulacje i strukturalne ćwiczenia pomagają, ale ekspertyza zależy również od konsekwencji, informacji zwrotnej i kontaktu z rzeczywistą złożonością. Sztuczna inteligencja powinna uczynić te doświadczenia bezpieczniejszymi i częstszymi, a nie całkowicie je usunąć.

Przewaga siły roboczej będzie pochodzić z szybszej ekspertyzy

Najmocniejsze organizacje nie będą tymi, które zautomatyzują największą liczbę zadań juniorskich. Będą to te, które usuną niskowartościowy wysiłek, przyspieszając rozwój ludzi, którzy mogą używać, kwestionować i nadzorować sztuczną inteligencję w sposób odpowiedzialny.

To wymaga szerszej definicji zwrotu z automatyzacji. Czas oszczędzony i wynik wyprodukowany są ważne, ale liderzy powinni również mierzyć, czy nowy przepływ pracy wzmacnia czy osłabia przyszły zapas osądu organizacji. Proces, który redukuje koszty, jednocześnie szkodząc potoku ekspertyzy, może być wydajny tylko w krótkim horyzoncie czasowym.

Przed zatwierdzeniem kolejnego projektu automatyzacji liderzy powinni zadać dodatkowe pytanie: co ludzie nauczyli się, wykonując tę pracę, i gdzie to uczenie się będzie miało miejsce po zautomatyzowaniu pracy?

Odpowiedź określi, czy sztuczna inteligencja produkuje tylko więcej wyników, czy pomaga tworzyć następną generację ekspertów.