Inteligența artificială automatează munca care creează experți

Când companiile decid ce să automatizeze, ele obișnuiesc să măsoare timpul, costul, ratele de eroare și producția. Rareori măsoară ce învață o persoană prin efectuarea unei sarcini. Această omisiune contează, deoarece multe sarcini care par repetitive sau ineficiente sunt și parte a sistemului invizibil de ucenicie prin care oamenii devin profesioniști capabili.

Un analist junior care construiește un prim model, un dezvoltator care urmărește o eroare de bază, un agent de suport care gestionează o plângere obișnuită și un avocat care pregătește o notă de cercetare inițială toți produc lucrări. Ei învață, de asemenea, cum se potrivesc informațiile, care detalii contează, unde apar erorile și când un model familiar nu se mai aplică. Dacă inteligența artificială elimină sarcina fără a înlocui procesul de învățare, organizația poate câștiga viteză astăzi, dar slăbește expertiza de care va avea nevoie mai târziu.

Întrebarea legată de forța de muncă este, așadar, mai mare decât dacă inteligența artificială va reduce angajările la nivel de intrare. Liderii trebuie să se întrebe ce se întâmplă cu buclele de practică care odinioară transformau angajații fără experiență în oameni capabili să judece, să corecteze și să supravegheze sisteme inteligente.

Expertiza se construiește prin corectură

Expertiza este adesea descrisă ca o cunoaștere, dar cunoașterea singură nu este suficientă. Oamenii experimentați au întâlnit suficiente cazuri pentru a recunoaște semnalele slabe, a observa combinații neobișnuite și a înțelege când un răspuns standard nu este sigur. Această judecată se dezvoltă prin cicluri repetate de încercare a muncii, primirea feedback-ului, corectarea erorilor și observarea consecințelor deciziilor.

Multe sarcini junior sunt valoroase tocmai pentru că creează aceste cicluri. Redactarea primei versiuni a unei analize obligă pe cineva să decidă ce este relevant. Curățarea datelor revelează cât de imperfectă poate fi informația reală. Gestionarea cazurilor obișnuite ale clienților învață modelul normal, care ulterior face un caz anormal mai ușor de recunoscut. Revizuirea unei lucrări finite a unui expert nu creează aceeași adâncime, deoarece alegerile dificile au fost deja făcute și ascunse.

Inteligența artificială poate comprima aceste cicluri. O primă versiune a unei analize ajunge înainte ca angajatul să fi definit problema. Un asistent de cod propune soluția înainte ca dezvoltatorul să fi urmărit eșecul. Un instrument de cercetare rezumă dovezi înainte ca analistul să fi comparat sursele. Rezultatul poate fi mai bun și mai rapid, dar angajatul primește mai puține oportunități de a construi un model intern de ce este corect.

Inteligența artificială poate accelera învățarea, dar designul contează

Riscul nu este inevitabil. Unele dintre cele mai puternice dovezi despre inteligența artificială generativă la locul de muncă arată că poate ajuta angajații mai puțin experimentați să învețe mai repede atunci când este utilizată ca îndrumare, și nu ca substitut pentru participare.

Un studiu NBER despre 5.179 de agenți de suport clienți a constatat că accesul la un asistent de inteligență artificială generativă a crescut productivitatea cu 14% în medie, cu o îmbunătățire de 34% printre lucrătorii novice și mai puțin calificați. Cercetătorii au găsit dovezi sugestive că sistemul a ajutat la diseminarea practicilor agenților mai puternici și la mutarea lucrătorilor noi mai repede pe curba experienței.

Designul acestei munci contează. Agenții au primit sugestii în timpul conversațiilor reale cu clienții, dar tot au trebuit să interpreteze situația, să aleagă cum să răspundă și să observe rezultatul. Bucla de învățare a rămas intactă. Inteligența artificială a adăugat acces la modele experte fără a înlătura complet angajatul din decizie.

Acest lucru este diferit de un flux de lucru în care sistemul finalizează sarcina, iar angajatul efectuează o aprobare rapidă la sfârșit. Când oamenii rămân activi în diagnostic, alegere și consecință, inteligența artificială poate funcționa ca un antrenor. Când sunt reduse la a accepta rezultate finale lustruite, tehnologia poate crește producția pe termen scurt, dar face mult mai puțin pentru capacitatea pe termen lung.

Automatizarea ajunge la sarcinile care construiesc capitalul uman

Este ușor să presupunem că inteligența artificială va elimina doar munca de calificare scăzută și repetitivă. Dovezile actuale sugerează un model mai complicat.

Indexul Economic din ianuarie 2026 al lui Anthropic a constatat că sarcinile acoperite de Claude au necesitat mai multă educație decât media economică generală. Într-o estimare experimentală, cercetătorii au constatat că eliminarea acelor sarcini acoperite de inteligență artificială din ocupații ar produce un efect de descalificare de prim ordin asupra locurilor de muncă, deoarece multe dintre sarcinile acoperite reprezentau componente de învățământ superior ale rolului. Anthropic a fost atent să spună că acesta nu este un prognostic, deoarece ocupațiile pot evolua și pot apărea sarcini noi, dar constatarea ar trebui să schimbe modul în care companiile gândesc despre automatizare.

Sarcinile repetitive și cele de dezvoltare nu sunt opuse. Pregătirea unei analize poate deveni o rutină pentru un angajat experimentat, în timp ce rămâne o practică esențială pentru unul junior. Redactarea contractelor standard, depanarea erorilor familiare, pregătirea prognozelor și revizuirea istoricului clientului pot fi automatizate, dar expun angajații la structura profesiei.

Acest lucru creează o problemă strategică. Sarcina cea mai ușor de automatizat poate fi și sarcina prin care un angajat nou învață contextul necesar pentru a gestiona sarcina dificilă mai târziu.

Paradoxul verificării

Multe organizații răspund spunând că oamenii se vor muta de la producție la verificare. Inteligența artificială va genera lucrarea, în timp ce oamenii vor verifica acuratețea, vor aplica contextul și vor rămâne responsabili. Acest lucru sună rezonabil, dar conține un paradox: verificarea în sine necesită expertiza pe care munca automatizată ar fi trebuit să o ajute să se creeze.

Un studiu Microsoft Research (MSFT ) care implică 319 lucrători cunoștințe și 936 de exemple de utilizare a inteligenței artificiale generative a constatat că o încredere mai mare în inteligența artificială a fost asociată cu un efort de gândire critică mai mic. Studiul a constatat, de asemenea, că inteligența artificială a mutat gândirea critică spre verificare, integrare și administrare a sarcinilor. Aceste activități sunt valoroase, dar o persoană nu poate verifica bine fără suficientă cunoaștere de domeniu pentru a recunoaște ce poate lipsi.

Un angajat fără experiență poate verifica dacă un răspuns este în mod evident inconstant sau nespus. Este mult mai greu să observe că analiza a folosit cadrul greșit, a ignorat o constrângere operațională sau a ajuns la o concluzie plauzibilă din motive greșite. Rezultatele lustruite ale inteligenței artificiale pot ascunde lipsa de înțelegere, deoarece pare completă înainte ca angajatul să fi dezvoltat judecata de a o interoga.

Cercetarea despre „frontiera tehnologică zimțată” face problema mai concretă. Într-un experiment cu 758 de consultanți, utilizatorii de inteligență artificială au finalizat sarcinile în interiorul frontierelor tehnologice ale sistemului cu 25,1% mai rapid și au produs rezultate de peste 40% mai bune. Pe o sarcină din afara acestei frontiere, însă, utilizatorii de inteligență artificială au fost cu 19 puncte procentuale mai puțin probabil să ajungă la soluția corectă decât participanții care lucrau fără inteligență artificială.

Capacitatea critică nu este, așadar, pur și simplu utilizarea inteligenței artificiale. Este recunoașterea când sistemul funcționează în afara limitei de performanță fiabilă. Această limită este rareori evidentă, iar învățarea să o vezi necesită experiență cu cazuri de succes și eșecuri.

Riscul ascuns de succesiune

Raportul Viitorul locurilor de muncă din 2025 al Forumului Economic Mondial a constatat că angajatorii se așteaptă ca 39% din abilitățile lucrătorilor să se schimbe până în 2030. A constatat, de asemenea, că 63% din angajatori consideră deja lacunele de abilități ca o barieră majoră pentru transformare, în timp ce 77% plănuiesc să dezvolte abilitățile angajaților și 41% se așteaptă să reducă numărul forței de muncă pe măsură ce inteligența artificială automatează sarcinile.

Aceste strategii pot fi în conflict dacă organizațiile elimină prea multă muncă prin care se formează abilitățile. O companie poate reduce angajările la nivel de intrare, poate conta pe angajații seniori să supravegheze inteligența artificială și poate raporta o productivitate puternică timp de câțiva ani. Slăbiciunea apare mai târziu, când experții experimentați pleacă, cererea crește sau organizația are nevoie de angajați capabili să gestioneze situații pe care sistemul nu le-a văzut.

Experții seniori pot deveni, de asemenea, o nouă constrângere operațională. Dacă inteligența artificială crește volumul de muncă, dar doar un grup mic poate verifica ieșirile dificile, acești oameni petrec mai mult timp revizuind și corectând, în loc să predea. Compania câștigă capacitate de producție, dar concentrează judecata în mai puține mâini.

Nicio organizație nu poate automatiza ucenicia și apoi să presupună că va continua să cumpere experiență de pe piață. Dacă multe companii urmează aceeași strategie, piscina externă de talente experimentate devine în cele din urmă mai subțire și mai scumpă.

Măsurați valoarea de dezvoltare a muncii

Înainte de a automatiza o sarcină, companiile ar trebui să o evalueze pe două dimensiuni. Prima este valoarea de ieșire: cât de importantă, costisitoare și sensibilă la timp este rezultatul? A doua este valoarea de dezvoltare: ce capacitate construiește efectuarea sarcinii?

Sarcinile cu valoare de ieșire scăzută și valoare de dezvoltare scăzută sunt candidați evidenți pentru automatizarea completă. Reformatarea documentelor repetitive sau transferul de informații între sisteme poate preda puțin după ce s-a atins competența de bază.

Sarcinile cu valoare de ieșire ridicată, dar valoare de dezvoltare scăzută, pot fi adesea automate cu control adecvat. Organizația are nevoie încă de guvernanță, deoarece rezultatul contează, dar păstrarea procesului manual poate contribui puțin la creșterea angajatului.

Categoriile cele mai neglijate conțin sarcini cu valoare de ieșire modestă, dar valoare de dezvoltare ridicată. O schiță inițială a unui analist junior poate să nu fie comercială importantă, deoarece un senior o va revizui, dar producerea ei creează o comparație valoroasă între raționamentul inițial și feedback-ul expert. Eliminarea acestei etape economisește timp, dar elimină și practica.

Sarcinile cu valoare de ieșire ridicată și valoare de dezvoltare ridicată ar trebui să fie de obicei augmentate, mai degrabă decât delegate în totalitate. Angajații pot utiliza inteligență artificială pentru cercetare, opțiuni și critică, dar ar trebui să păstreze responsabilitatea semnificativă pentru a formula problema, a explica decizia și a învăța din rezultat.

Construiți stratul de ucenicie în mod deliberat

Odată ce sarcinile de dezvoltare au fost identificate, companiile pot redesena aceste sarcini, mai degrabă decât a păstra fluxurile de lucru ineficiente neschimbate. Scopul nu este de a face angajații să repete fiecare proces manual din trecut. Este de a recrea experiențele care construiesc judecata într-o formă mai rapidă și mai intenționată.

O opțiune este de a păstra gândirea inițială. Înainte de a vedea o recomandare de inteligență artificială, angajatul înregistrează o diagnosticare inițială, o previziune sau o decizie. Sistemul poate oferi apoi o alternativă, iar angajatul trebuie să explice unde se diferențiază și ce abordare ar folosi.

Organizațiile pot, de asemenea, să construiască biblioteci de eșecuri de inteligență artificială, cazuri limită și decizii disputate. Revizuirea doar a ieșirilor de succes învață angajații să aibă încredere în sistem. Studierea cazurilor în care a eșuat îi ajută să recunoască condițiile care necesită escaladare, dovezi suplimentare sau intervenție umană.

Managerii ar trebui să evalueze dacă învățarea se transferă dincolo de instrument. Poate angajatul să explice raționamentul din spatele rezultatului final? Poate să identifice ipotezele care l-ar face greșit? Poate să se adapteze atunci când contextul se schimbă sau inteligența artificială nu este disponibilă? Aceste întrebări revelează mai mult despre pregătire decât numărul de prompturi utilizate sau sarcinile finalizate.

Cel mai important, angajații juniori au nevoie încă de responsabilitate reală. Simulările și practica structurată ajută, dar expertiza depinde și de consecințe, feedback și contact cu complexitatea reală. Inteligența artificială ar trebui să facă aceste experiențe mai sigure și mai frecvente, nu să le elimine complet.

Avantajul forței de muncă va veni din expertiza mai rapidă

Organizațiile cele mai puternice nu vor fi cele care automatizează cel mai mare număr de sarcini junior. Vor fi cele care elimină efortul de valoare scăzută, în timp ce accelerează dezvoltarea oamenilor care pot utiliza, contesta și supraveghea inteligența artificială în mod responsabil.

Acest lucru necesită o definiție mai largă a rentabilității automate. Timpul economisit și producția realizată sunt importante, dar liderii ar trebui să măsoare și dacă noul flux de lucru întărește sau slăbește lanțul de aprovizionare viitor al organizației cu judecată. Un proces care reduce costul, dar care afectează lanțul de aprovizionare cu expertiză, poate fi eficient doar pe termen scurt.

Înainte de a aproba următorul proiect de automatizare, liderii ar trebui să pună o întrebare suplimentară: ce au învățat oamenii făcând această muncă și unde se va întâmpla această învățare după ce munca este automatizată?

Răspunsul va determina dacă inteligența artificială produce doar mai multă producție sau ajută la producerea următoarei generații de experți.