Chris Perry, założyciel i dyrektor generalny Andus Labs – seria wywiadów

Chris Perry, założyciel i dyrektor generalny Andus Labs, jest menedżerem ds. komunikacji, strategii cyfrowej i innowacji, z prawie trzema dekadami doświadczenia w pomaganiu organizacjom w poruszaniu się po znaczących zmianach w technologii i biznesie. Przed założeniem Andus Labs w 2025 roku Perry spędził ponad 22 lata w Weber Shandwick, gdzie pełnił szereg wysokich stanowisk przywódczych, w tym przewodniczącego ds. przyszłości, dyrektora ds. innowacji, prezesa ds. komunikacji cyfrowej, EVP ds. strategii cyfrowej i operacji oraz SVP. Wcześniej w swojej karierze pracował w komunikacji technologicznej w General Motors i pełnił funkcję wiceprezesa w Edelman. Jego kariera koncentrowała się na transformacji cyfrowej, nowych technologiach, zmianach organizacyjnych oraz rozwijającej się relacji między technologią a ludźmi odpowiedzialnymi za jej wdrażanie.

Andus Labs pomaga przedsiębiorstwom przetłumaczyć możliwości AI na praktyczne wyniki organizacyjne, koncentrując się na ludzkich systemach otaczających technologię. Firma opisuje swoją misję jako budowanie „Human OS for AI” — warstwy operacyjnej zaprojektowanej do koordynacji pracy ludzi i agentów AI — opierając się na założeniu, że inwestycje w AI często nie przynoszą oczekiwanych rezultatów, gdy gotowość organizacyjna, przepływy pracy i adopcja pozostają w tyle za samą technologią. Jej działalność obejmuje programy orkiestracji pracy AI, produkty mające wzmocnić i pogłębić uczenie się w organizacji oraz szerszą sieć praktyków, artystów i humanistów badających, jak ludzie i AI mogą skutecznie współpracować.

Spędziłeś ponad dwie dekady w Weber Shandwick, awansując od seniorowych ról cyfrowych do dyrektora ds. innowacji i przewodniczącego ds. przyszłości, zanim założyłeś Andus Labs w 2025 roku. Co zauważyłeś w dużych organizacjach w tym okresie, co przekonało Cię, że największą przeszkodą w transformacji AI będzie ludzki i organizacyjny system wokół technologii, a nie sama technologia?

Po raz pierwszy nauczyłem się tego w studiu graficznym mojego ojca w Detroit, gdzie zaczynałem, zanim dołączyłem do Weber Shandwick. Publikacja komputerowa przeniosła pracę jego składaczy i ilustratorów, wykonywaną ręcznie, do oprogramowania. Złamało to jego model biznesowy i nie zauważył zmiany, dopóki nie było za późno.

W Weber Shandwick pracowałem z niektórymi z największych firm na świecie, przechodząc przez kolejne fale nowych technologii: media społecznościowe, blogi, wideo, mobile i dane. Za każdym razem schemat był ten sam. Technologia pojawiła się. Ludzie odczuli zmianę i zaczęli korzystać z niej samodzielnie. Przywództwo i struktura firmy zmieniły się jako ostatnie.

W tych wcześniejszych falach firmy płaciły za ten opóźnienie, tracąc pozycję, ale ludzie wciąż wykonywali pracę. AI robi z pracą wiedzy to, co publikacja komputerowa zrobiła z studiem mojego ojca. Sposób, w jaki ludzie wykonują pracę, zostaje wbudowany w oprogramowanie.

Szkoły biznesu nie uczą, jak prowadzić firmę, w której ludzie i agenci współdzielą pracę. Większość firm przyczepia AI i wykonuje dotychczasową pracę szybciej. Prawdziwy zwrot następuje, gdy liderzy przygotowują swoich pracowników do przekształcenia pracy przy użyciu AI. Praca zmienia kształt, a nie tylko przyspiesza.

Nazwaliśmy to Andus Labs, czyli „and us”, ponieważ obstawialiśmy, że zwrot z inwestycji będzie zależał od ludzi.

Andus Labs twierdzi, że przedsiębiorstwa mogą posiadać zaawansowane możliwości AI, jednocześnie nie dysponując „gotowością ludzką” niezbędną do czerpania z nich wartości. Co odróżnia firmę, która skutecznie wdrożyła AI, od tej, która naprawdę przekształciła sposób wykonywania pracy?

Rozmawiałem z firmą, która zgłaszała 80% adopcję AI, ale jedynie około 5% zmian w sposobie wykonywania pracy. Tylko liczba adopcji trafiła do prezentacji dla zarządu. Druga liczba nie była ukrywana – po prostu nie było dla niej miejsca w dashboardzie.

Wdrożenie jest łatwe do zmierzenia. Przypisane licencje, wdrożone agenty, loginy. To aktywność, nie wpływ. Pytamy klientów, co firma może teraz zrobić, czego nie mogła wcześniej. Najczęściej szczera odpowiedź brzmi, że to te same raporty, prezentacje i analizy, tylko szybciej.

Firmy, które się transformują, mierzą coś innego. Czy pilotaż przyniósł wystarczającą wartość, aby warto było go skalować? Czy możemy przedstawić zarządowi coś, czego nie mogliśmy wyprodukować rok temu? Czy AI odciąża naszych najcenniejszych pracowników, aby mogli wykonywać wyłącznie pracę, którą oni jedyni potrafią? Żadne z tych wskaźników nie jest tak łatwe do policzenia jak liczba miejsc, ale to właśnie one pokazują, czy coś się przesunęło.

Te pytania również wymagają właściciela. Zapytaj, kto to jest w większości firm, a otrzymasz listę. CIO zarządza platformami. Centrum doskonałości odpowiada za pilotaże. HR odpowiada za szkolenia. Wpływ na biznes nie znajduje się na liście nikogo.

Jedna firma może powiedzieć, ile osób ma dostęp. Druga może powiedzieć, co się zmieniło i kto za to odpowiada.

Ground Truth Index korzysta obecnie z biblioteki 300 udokumentowanych wzorców zaobserwowanych podczas współpracy i rozmów z liderami z 595 organizacji. Zanim badacze przeanalizują i ustalą ostateczną kolejność w rankingu, każdy wzorzec ocenia pięciu niezależnych agentów-analityków. Jak ewoluowała ta metodologia, w którym miejscu procesu pojawia się ludzki osąd i jak zapobiegacie temu, by Indeks jedynie wzmacniał założenia obecne już w obserwacjach terenowych?

Metoda zmieniła się w miarę rozrastania się biblioteki. Każdy wzorzec zaczyna się od tego, co słyszymy i widzimy w rozmowach z liderami biznesu. Sprawdzamy każdy nowy sygnał w odniesieniu do biblioteki, testujemy go na podstawie obserwacji w terenie i badań zewnętrznych oraz decydujemy, czy jest naprawdę nowy, wzmacnia już śledzony wzorzec, czy należy gdzie indziej.

Sztuczna inteligencja pomaga nam oceniać całą bibliotekę co kwartał, co zespół badawczy nie mógłby zrobić ręcznie. Agenci analizują każdy wzorzec z innej profesjonalnej perspektywy i oceniają go według tych samych pięciu wymiarów. Pracują na ślepo, więc żaden agent nie może wpłynąć na drugiego. Przyjmujemy medianę, aby pojedynczy odchyleniowiec nie mógł zmienić wyniku, a najlepsze 50 trafia do przeglądu ludzkiego.

Ludzkie osądy przeplatają się ze wszystkim. Nasz zespół badawczy zatwierdza każdy wzorzec wchodzący do biblioteki, przegląda rankingi i decyduje o ostatecznych 25. Najbardziej intensywnie przyglądamy się sytuacjom, w których agenci się nie zgadzają oraz gdy uwaga mediów jest sprzeczna z tym, co słyszymy w terenie. Możemy zmienić wynik, ale tylko na podstawie udokumentowanej obserwacji: kto go podniósł, jak często go słyszeliśmy i czy utrzymał się w różnych organizacjach. Przeczucie nie zmienia wyniku.

Nowy Ground Truth Index klasyfikuje „Puste Krzesła” jako najważniejszą barierę dla AI w przedsiębiorstwach, opisując organizacje, które pozwalają systemom AI wpływać na decyzje takie jak rekrutacja, ustalanie cen czy ryzyko, nie wskazując wyraźnie, kto jest odpowiedzialny ani kto ma władzę odwrócić te decyzje. W miarę jak AI przechodzi od rekomendowania działań do rzeczywistego kształtowania wyników biznesowych, jak powinna wyglądać znacząca odpowiedzialność ludzka w praktyce?

Im więcej funkcji dotyka AI, tym więcej decyzji podejmuje w imieniu firmy. Odpowiedzialność staje się najpierw kwestią zarządzania, a dopiero potem technologiczną.

Odpowiedzialność zazwyczaj leży gdzieś pomiędzy tym, kto kupił system AI, a tym, kto go używa, i żaden z nich nie jest jego właścicielem. Luka pozostaje niewidoczna, dopóki decyzja nie zostanie zakwestionowana. To właśnie jest puste krzesło.

Odpowiedzialność oznacza wyznaczonego lidera, który widzi, co system generuje i może wyjaśnić wynik, skorygować go lub zatrzymać system. Wymaga to władzy nad procesem, który zwykle obejmuje kilka działów.

Prosimy liderów, aby wybrali jedną istotną decyzję, w której ich AI pomogło w tym kwartale, i wskazali, kto jest za nią odpowiedzialny. Gdy odpowiedź nie jest jasna, firma zmieniła sposób podejmowania decyzji, nie ustalając, kto za nie odpowiada.

„Learning While Drowning” zajmuje drugie miejsce w nowym Indexie, podkreślając firmy, które narzucają szkolenia AI, pozostawiając istniejące obciążenia pracowników niezmienione. Jednocześnie „Optimization Temptation” pokazuje, jak łatwo firmy mogą kwantyfikować oszczędności w liczbie pracowników w porównaniu z trudniej mierzalną wartością przekierowywania ludzi do pracy o wyższej wartości. Czy firmy zasadniczo niedoceniają inwestycji organizacyjnej niezbędnej do zwiększenia produktywności siły roboczej przy użyciu AI, zamiast po prostu wykorzystywać AI do redukcji kosztów?

Tak. Oszczędności wynikające z eliminacji stanowiska łatwo wprowadzić do arkusza kalkulacyjnego. Wartość wiedzy, relacji i osądu tej osoby jest znacznie trudniejsza do uchwycenia. Oszczędności pojawiają się w tym kwartale. Straty mogą narastać przez lata.

Założenie stojące za redukcją jest również często błędne. AI zwiększa wydajność dzisiejszej pracy, a jednocześnie generuje nowe zadania, które trzeba wykonać. To, co obserwujemy, to równoważenie zespołów, gdzie ludzie przechodzą na inne stanowiska, zamiast całych funkcji być likwidowanych.

Nakaz szkoleniowy to decyzja dotycząca obciążenia pracą. Firmy nakładają szkolenia AI na istniejące zadania, a niskie wskaźniki ukończenia interpretują jako problem motywacji. Inwestycja, której rezygnują, to ta, która nigdy nie trafi do budżetu. Decydowanie, które zadania zostaną zatrzymane, zredukowane lub przeniesione, aby zrobić miejsce, oraz wskazanie, kto to zatwierdził. Nauka wymaga czasu. Zastosowanie wymaga jeszcze więcej, ponieważ ludzie muszą testować nieznane narzędzia, weryfikować wyniki i zmieniać dotychczasowe sposoby pracy.

Odpowiedź nie jest kolejnym punktem na liście. Umieść zespół przy rzeczywistym projekcie, a nauka odbywa się w trakcie pracy.

Index także identyfikuje „Devaluation Anxiety”, odzwierciedlając obawy o to, co stanie się z pracownikami, gdy AI będzie w stanie wykonywać coraz cenniejsze części ich zadań. Jak duża część tego, co dyrektorzy określają jako opór wobec AI, jest w rzeczywistości racjonalną niepewnością co do wartości kariery, i co liderzy powinni zrobić inaczej przy wprowadzaniu tych systemów?

Większość z tego jest racjonalna. Pracownicy słyszą o efektywności AI w jednym komunikacie i o zwolnieniach w następnym. Formułują własne wnioski.

Kierownictwo traktuje je jako odrębne komunikaty. Zespoły nie. Kończą szkolenie i wstrzymują eksperymenty, które uczyniłyby je przydatnymi.

Uspokojenie tego nie naprawi. Liderzy muszą jasno określić, co zostało ustalone w sprawie miejsc pracy, co pozostaje niepewne oraz jakiego wsparcia mogą oczekiwać pracownicy.

To samo dotyczy korzyści. Firmy określają, czego biznes oczekuje od AI, pozostawiając stronę pracownika pustą. Jeśli ktoś staje się szybszy, co z tego zyskuje? Więcej czasu na lepszą pracę, ścieżkę rozwoju, odzyskany czas? To powinno znaleźć się w planie wdrożenia.

Dyrektorzy proszą swoje zespoły o pracę z AI w inny sposób. Zespoły czekają, aż najpierw zobaczą to w działaniu u dyrektorów.

Innym wzorcem, który identyfikujesz, jest „Aktywna bezwładność”, gdzie organizacje używają AI do przyspieszania istniejących procesów bez ich zasadniczej zmiany. Jak wygląda prawdziwy, natywny dla AI projekt przepływu pracy i czy możesz podać przykład różnicy między przyspieszeniem starego procesu a przebudową procesu wokół tego, co AI teraz umożliwia?

Większość firm skierowuje AI na to, co najłatwiej zautomatyzować, co często jest pracą, której nie powinno w ogóle być. Raporty pojawiają się szybciej. Zatwierdzenia idą w tempie, w jakim zawsze szły. To jest Aktywna bezwładność.

Projektowanie polega na określeniu z góry, co modele AI mają robić i co zespół ma obsługiwać, a następnie budowaniu pod to, zamiast dziedziczenia starej struktury.

Weźmy cotygodniowy raport. Szybsza wersja ma AI, które go szkicuje, a ci sami ludzie przeglądają ten sam dokument w tym samym harmonogramie. Przebudowana wersja pyta, po co raport jest potrzebny. Jeśli istnieje, aby ktoś mógł wcześnie wykrywać problemy, system może oznaczyć problem w momencie jego wystąpienia, a raport znika.

Napisałeś, że „wartość równa się zdolność pomnożona przez absorpcję” i argumentowałeś za systemami, a nie po prostu oprogramowaniem. W miarę jak modele graniczne stają się coraz bardziej towarowe i dostępne dla wszystkich, czy zdolność organizacji do absorpcji i reorganizacji wokół AI może stać się trwalszą przewagą konkurencyjną niż dostęp do samych modeli?

Tak. Wdrażanie modeli jest łatwe w porównaniu ze zmianą pracy wokół nich. Pojawiają się z niezwykłą mocą, co kwartał stają się tańsze. Te same modele są dostępne dla każdego. To, czego nie można kupić, to unikalny kontekst w firmie oraz zespoły gotowe wykorzystać je w pełnym potencjale.

To, co nazywamy „pojemnością przyjmowania”, to stare pojęcie. To zdolność zespołu do przyjmowania czegoś nowego i wykorzystywania tego w praktyce, składająca się z praw decyzyjnych, zachęt, przepływu pracy, projektowania stanowisk oraz wystarczającego zaufania, by ludzie mówili, co poszło nie tak. Nic z tego nie da się wynająć.

Opisuję wartość jako zdolność pomnożoną przez absorpcję, ponieważ te dwie wielkości się mnożą. Nie sumują się. Genialny model wprowadzony do organizacji, która nie potrafi go przyjąć, to doskonała część przykręcona do nieskutecznej uszczelki. Zdolność jest realna. Zwrot wciąż wynosi zero.

AI agentowa wprowadza kolejny poziom złożoności, ponieważ systemy mogą coraz częściej podejmować działania, używać narzędzi i realizować cele, a nie tylko generować odpowiedzi. Gdzie przedsiębiorstwa powinny wyznaczyć granicę między autonomią agenta a decyzjami ludzkimi i jakie nowe struktury zarządzania będą potrzebne, gdy agenci otrzymają większe uprawnienia?

Zacznij od jednego pytania: kto odpowiada, gdy agent się pomyli?

Ustal granicę między tym, co decyduje agent, a tym, co decyduje człowiek, zanim cokolwiek zostanie uruchomione. Większość firm odkrywa tę granicę po tym, jak coś już się zepsuje.

Tam, gdzie błąd jest tani do cofnięcia i pojawia się szybko, pozwól agentowi działać. Gdy decyzja wpływa na to, ile ktoś zarabia, czy zachowuje pracę lub na jego statusie prawnym, człowiek podejmuje decyzję, a agent przygotowuje ją.

Instynkt skłania do centralizacji. Powstań komitet, napisz ramy, poczekaj, aż będzie to wykonalne. Zanim wytyczne z góry dotrą do pracy, są już nieaktualne, a ludzie, którzy nie mogą uzyskać odpowiedzi, zaczynają używać narzędzi, których firma nigdy nie zatwierdziła.

Zarządzanie musi być blisko pracy. Zespoły muszą wiedzieć, co każdy agent może decydować, kto jest za to odpowiedzialny i jak to zatrzymać. Muszą też mieć zapis tego, co agent zrobił.

Schemat organizacyjny nigdy nie został zaprojektowany dla agentów działających w wielu funkcjach, więc żadna pojedyncza funkcja nie ponosi odpowiedzialności za awarię. Rozwiąż to przed wdrożeniem, a nie po.

Patrząc w przyszłość, jeśli największe ograniczenia AI w przedsiębiorstwach będą coraz częściej organizacyjne, a nie techniczne, jak oczekujesz, że same firmy się zmienią? Które elementy dzisiejszego schematu organizacyjnego, struktury zarządzania, projektowania stanowisk i procesów decyzyjnych są najmniej prawdopodobne, aby przetrwać przejście do organizacji opartych na współpracy ludzi i agentów AI?

Schemat organizacyjny oparty na funkcjach jest najmniej prawdopodobny do przetrwania. Większość firm nadal działa według funkcji, z pracą przekazywaną z jednego działu do drugiego i zatwierdzeniem na każdym etapie. AI generuje pracę w ciągu minut, podczas gdy zatwierdzenia wokół niej trwają tygodnie. Liderzy są proszeni o przyspieszenie tempa w systemach zaprojektowanych, by spowalniać.

Ten schemat został zbudowany dla ludzi przekazujących pracę ludziom, nie dla decyzji dzielonych między ludzi a agentów.
Komitet tego nie rozwiąże.

To, co zastępuje schemat, wygląda jak małe zespoły zorganizowane wokół problemu. Lider określa problem wart rozwiązania, decyduje, co musi być prawdziwe, aby go rozwiązać, i powołuje zespół ludzi i agentów. Ten zespół otrzymuje własne finansowanie i ochronę, ponieważ nie może funkcjonować tak jak reszta firmy. Ludzie w nim podejmują decyzje i są właścicielami tego, co produkują agenci.

Silniki elektryczne dotarły do amerykańskich fabryk w latach 80. XIX wieku, ale korzyści z wydajności nie pojawiły się aż do lat 20. XX wieku. Na początku zakłady umieszczały jeden duży silnik tam, gdzie był silnik parowy, napędzały te same wały i pozostawiały każdą maszynę na miejscu. Zyski pojawiły się, gdy każdej maszynie przydzielono własny silnik i podłogę zorganizowano wokół pracy.

Przebudowa była rewolucją.

Dziękujemy za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, mogą odwiedzić Andus Labs lub zapoznać się z Ground Truth Index.