Amikor az AI munkahelyi hatásáról esik szó, a beszélgetés szinte azonnal a munkakörökre ugrik. Melyik pozíció szűnik meg, melyik marad, kit kell elküldeni. Ez a keret vezetőként kényelmes, mert egyszerű, de a tapasztalatom szerint majdnem mindig rossz döntésekhez vezet, mert nem ott néz, ahol a valóság történik.
A munkakör ugyanis nem egyetlen dolog. Feladatok gyűjteménye. Egy pénzügyi elemző munkája adatgyűjtésből, tisztításból, számolásból, magyarázatból, prezentációból és döntés-előkészítésből áll. Az AI ezeknek a feladatoknak nem egyformán jó vagy rossz. Némelyiket szinte teljesen átveszi, másokban alig segít, megint másokban csak gyorsít. Aki a munkakör szintjén gondolkodik, ezt a különbséget nem látja, és emiatt vagy túl sokat vár az AI-tól, vagy túl keveset.
Amit a friss kutatások mutatnak
Két, egymástól független elemzés is pontosan erre a task szintű nézőpontra jutott, más módszerrel, hasonló következtetéssel. Az egyik egy nagy közigazgatási szervezet álláshirdetéseit dolgozta fel, több mint egymillió-ötszázezer külön feladatot pontozva aszerint, mennyire érinti őket az AI. A kép még látszólag azonos munkaköröknél is szórt volt. Ugyanaz a pozíció az egyik csapatnál tele volt AI-val jól támogatható feladatokkal, a másiknál alig. A munkakör átlaga elrejtette a valódi lehetőséget.
Ez az elemzés nem a munkakörök megszüntetését javasolta, hanem a feladatok újratervezését három irány mentén. Van, amit érdemes automatizálni, van, amit optimalizálni, és van, amit átcsoportosítani máshova vagy máshoz. A fő megállapítás pedig az volt, hogy a gazdasági érték nagy része nem a pozíciók megszüntetéséből származik, hanem a termelékenység növekedéséből. Vagyis nem attól nyer egy szervezet, hogy kevesebb embert foglalkoztat, hanem attól, hogy ugyanaz az ember többre képes.
A másik kutatás a bérekre és az új munka keletkezésére nézett, és szétválasztotta az AI két hatását. Az egyik, amikor az AI kiváltja az emberi munkát, a másik, amikor kiegészíti és felerősíti. A kettő nagyon eltérő nyomot hagy a foglalkoztatáson és a fizetéseken. Ahol az AI a képességet bővíti, ott új feladatok és értékesebb munka keletkezik. Ahol pusztán helyettesít, ott a hatás sokkal kétélűbb. A tanulság ugyanaz, mint az első kutatásé. Nem az AI önmagában dönt a kimenetről, hanem az, hogy a szervezet a helyettesítésre vagy a kiegészítésre építi a bevezetést.
Miért bukik el a munkakör szintű gondolkodás
A vezetői hiba, amit a leggyakrabban látok, hogy a cég egy egész pozíciót akar egy csapásra automatizálni. Kiválasztanak egy munkakört, ránéznek, és eldöntik, hogy azt majd az AI viszi. Aztán jön a csalódás, mert kiderül, hogy a pozíció feladatainak fele olyan, amiben az AI valóban erős, a másik fele viszont emberi ítéletet, kapcsolatot vagy felelősséget igényel, amit nem lehet átadni.
Ebből kétféle rossz döntés születik. Az egyik, hogy a cég feladja az egészet, mert a teljes munkakör nem automatizálható, és így a jól automatizálható feladatokban rejlő nyereség is elveszik. A másik, hogy erőből mégis megpróbálja, és egy olyan rendszert épít, ami a nehéz, emberi feladatokban is a gépre bízza a döntést, aztán a hibák a felszínre jönnek. Mindkettő a rossz elemzési szintből fakad.
A helyes szint a feladat. Egy pozíciót fel kell bontani a valódi feladataira, és mindegyiknél külön feltenni a kérdést. Ezt átveheti az AI, ebben csak segít, ezt jobb emberrel hagyni. Ez az aprómunka unalmasnak tűnik, de pontosan itt dől el, hogy a bevezetés valódi értéket hoz vagy csak látványt.
Egy gyakorlati példa
Egy hazai szolgáltató cég ügyfélszolgálatán dolgoztunk együtt. Az eredeti terv az volt, hogy a csapatból leépítenek, mert úgy gondolták, az AI majd megválaszolja a kérdéseket. Amikor feladat szinten átnéztük a munkát, más kép rajzolódott ki.
A beérkező ügyek nagy része tényleg ismétlődő, egyszerű kérdés volt, amit az AI a cég saját tudásbázisából megbízhatóan meg tudott válaszolni. Ezt automatizáltuk. Volt egy réteg, ahol a válasz megvolt, de emberi hangra és mérlegelésre volt szükség, itt az AI a vázlatot adta, a kolléga a döntést. És volt egy szűk, de fontos réteg, a panaszos, érzelmileg terhelt, jogilag kényes ügyek, ahol az embert semmivel nem helyettesítettük.
A végeredmény nem leépítés lett, hanem átrendezés. Ugyanaz a csapat kétszer annyi ügyet vitt, az egyszerű esetek terhe lekerült róluk, és a felszabadult idejüket a nehéz, értékes ügyekre fordították, amiben valóban jók. A cég nem embert spórolt, hanem kapacitást nyert. És pont ezt mondja a két kutatás is, csak nagy mintán.
Hogyan bontsd fel a munkát
A feladatszintű nézőpont akkor válik hasznossá, amikor konkrét munkára alkalmazzuk. A módszer, amit a projekteknél használok, nem bonyolult, csak fegyelmet kíván. Kiválasztunk egy munkakört, és leülünk azzal, aki tényleg csinálja. Nem a munkaköri leírást nézzük, mert az ritkán tükrözi a valóságot, hanem végigvesszük egy tipikus hét óráit, és felírjuk, mi tölti ki őket.
A kép szinte mindig meglepi a vezetőt. Kiderül, hogy a drágán fizetett szakember ideje nagy részét olyan feladatok viszik el, amiket senki nem tervezett oda. Adatokat másol egyik rendszerből a másikba, formázást igazít, ugyanazt a levelet írja meg kicsit másképp huszadszor. Ezek a rutinok láthatatlanok, mert soha senki nem írta le őket, mégis ezek fogyasztják a kapacitás javát.
Amikor a lista megvan, minden sor mellé odaírunk egy jelölést. Az egyik, hogy ezt az AI önállóan el tudja végezni megfelelő felügyelet mellett. A másik, hogy az AI a nyersanyagot vagy a vázlatot adja, de a döntés emberé marad. A harmadik, hogy ez emberi feladat, amihez az AI most nem tesz hozzá érdemben. A besorolás nem örök, hat hónap múlva változhat, de a jelen döntéseihez elég.
Ebből a listából rögtön látszik a sorrend is. A legjobb első lépések azok a feladatok, amelyek gyakran ismétlődnek, sok időt visznek, és az AI megbízhatóan kezeli őket. Ezekkel érdemes kezdeni, mert itt a leggyorsabb és a legbiztosabb a nyereség. A ritka, bonyolult vagy kényes feladatokat ráérünk később nézni, amikor a csapat már bízik a rendszerben.
Amit a csapatnak érdemes elmondani
A feladatszintű megközelítésnek van egy előnye, amiről ritkán esik szó, pedig a bevezetés sikere gyakran ezen múlik. Ha a cég munkaköröket akar automatizálni, a dolgozó joggal érzi fenyegetve magát, mert a saját pozíciójáról hall. Ilyenkor nem segít, hanem védekezik, eldugja a tudását, és csendben szabotálja a projektet. Láttam már jó rendszert megbukni pusztán azért, mert a csapat félelemből ellene dolgozott.
Ha viszont feladatokról beszélünk, más a helyzet. A dolgozó azt hallja, hogy a legunalmasabb, legidegőrlőbb részeket veszi le róla a gép, és marad a munka érdekes fele. Ezt a legtöbben nem fenyegetésként élik meg, hanem könnyebbségként, mert tényleg senki nem szeret adatot pötyögni napi két órán át. Az ügyfélszolgálatos példánál a csapat maga kezdte javasolni, mit adjunk még az AI-nak, mert érezték, hogy nekik könnyebb lesz tőle.
Ez a bizalom nem magától jön. A vezetőnek nyíltan ki kell mondania, hogy a felszabaduló idő nem elbocsátást jelent, hanem átrendezést, és ezt tettekkel is alá kell támasztania. Ha az első AI-projekt után rögtön leépítés jön, a következő bevezetésnél már senki nem fog együttműködni. A feladatszintű keret csak akkor működik, ha a szervezet valóban a képességbővítésre játszik, nem a létszám burkolt csökkentésére.
Amit egy vezető tehet
Az első lépés, hogy a bevezetés ne a szervezeti ábra pozícióiból induljon, hanem a tényleges feladatokból. Érdemes kiválasztani néhány munkakört, és a napi munkát feladatokra bontani, őszintén, a valóság szerint, nem a munkaköri leírás alapján. A kettő gyakran meglepően távol áll egymástól.
A második, hogy minden feladatnál a helyettesítés helyett a kiegészítést tekintsük alapesetnek. A kérdés ne az legyen, kiváltható-e a feladat, hanem az, mennyivel tud vele egy ember többet és jobbat. A kutatások szerint a tartós érték itt keletkezik, nem a létszám csökkentésében. A leépítés egyszeri megtakarítás, a képességbővítés viszont folyamatosan hozza a hasznot.
A harmadik, hogy a felszabaduló kapacitásnak legyen célja. Ha az AI levesz egy csapatról napi néhány órányi rutint, az az idő vagy elfolyik, vagy értékké válik, és ezt a vezető dönti el. Ahol előre átgondolják, mire fordítják a felszabadult időt, ott lesz a bevezetésnek látható eredménye. Ahol nem, ott a nyereség csendben elpárolog, és fél év múlva senki nem tudja megmondani, mit hozott az egész.
Ahogy a hasznot mérni érdemes
A feladatszintű bevezetés mérése is más, mint amire a legtöbben számítanak. Ha a cég a megtakarított bérköltséget keresi, csalódni fog, mert leépítés nélkül ilyen tétel nincs. A valódi haszon máshol jelenik meg, és máshol kell keresni. Az egyik mérőszám, hogy egy adott feladat mennyi idő alatt készül el most az AI-val, szemben a korábbi állapottal. A másik, hogy ugyanaz a csapat mennyivel több munkát visz el ugyanannyi idő alatt.
Az ügyfélszolgálatos példánál a kimutatható eredmény nem egy elbocsátott ember volt, hanem a megduplázódott ügyszám és a rövidebb válaszidő. Ezek a számok nem jelennek meg magától a pénzügyi kimutatásban, a vezetőnek szándékosan mérnie kell őket. Aki csak a költségoldalt nézi, az a feladatszintű bevezetés legnagyobb hasznát nem is látja, és emiatt túl korán feladja.
A helyes kérdés
Az AI munkahelyi hatásáról szóló vita azért fut újra és újra zsákutcába, mert rossz szinten teszi fel a kérdést. Nem az a jó kérdés, hogy melyik munkakör tűnik el. Az a jó kérdés, hogy egy adott munka mely feladatai rendeződnek át, melyikben veszi át a gép a terhet, és mire szabadul fel az ember. Aki így néz rá, az nem elbocsátási listát készít, hanem újratervezi a munkát, és pont ezért nyer vele többet.
kdconsulting.hu · [email protected]