A legdrágább képesség az AI korában a kritikus gondolkodás

A jelzés

Mit tanít a KPMG, amikor senki nem figyel

Az orlandói campus története önmagában is tanulságos. A cég a járvány előtt döntött a 450 millió dolláros beruházásról, ami a 120 éves történetének legnagyobb tőkebefektetése volt, aztán a lezárások alatt üresen állt, és a sajtó évekig a rossz időzítés példájaként emlegette. Idén viszont ez lett a hely, ahol a cég a legfontosabb átállását próbálja végigvinni. Az amerikai üzleti sajtó, elsőként a Fortune, részletesen beszámolt arról, mi zajlik bent.

A gyakornokok maguk mondták el, hogy a két évvel ezelőtti tananyaguk mára elavult, mert a rutinmunka nagy részét, amire a pályakezdőket hagyományosan betanították, már gép végzi. A képzés ezért másról szól. Csoportos csalásnyomozási feladat, ahol a csapatnak nyomás alatt kell összeraknia a képet. Döntési helyzetek, ahol nincs egyetlen jó válasz. És egy egyszerű hármas keret az AI használatára, előbb gondolkodj, aztán kérdezd a gépet, a végén ellenőrizd, amit kaptál.

Ez a sorrend nem véletlenül kezdődik a gondolkodással. Aki úgy kérdez, hogy előtte nem gondolta végig a feladatot, az ellenőrizni sem tudja a választ, mert nincs mihez mérnie. A keret mögött az a felismerés áll, hogy az AI korában a munka eleje és a vége marad az embernél, a középső, előállító szakasz egyre kevésbé.

A számok

Mit mutatnak a bankok számai

Hogy miért éri meg egy cégnek százmilliókat költeni ítélőképesség fejlesztésre, azt a bankszektor idei közlései mutatják meg a legtisztábban, mert ott már pénzben és munkakörökben mérik az átállást. A JPMorgan vezérigazgatója a júliusi eredményhirdetésen mondta el, hogy egyes területeken az AI a munkakörök 30-tól 40 százalékát váltotta ki, és az érintettek többségét a bank máshova irányította át. A Santander minden dolgozójának, 185 ezer embernek adott AI hozzáférést, és 2026-ra 200 millió eurónál nagyobb üzleti értéket vár tőle. A Lloyds idén több mint ezer AI fókuszú munkakört tölt be, ebből közel háromszázat az ügynök alapú rendszerek területén.

A három szám együtt rajzolja ki a mintázatot. Az egyik oldalon eltűnik a rutinréteg, az ismétlődő, szabálykövető feladatok tömege. A másik oldalon új munkakörök születnek, amelyek az AI rendszerek irányításáról, ellenőrzéséről és a kivételek kezeléséről szólnak. A kettő között pedig ott van mindenki más, akinek a munkája nem szűnik meg, hanem átalakul, kevesebb előállítás, több döntés, több felülbírálat.

Érdemes észrevenni, hogy ezek a bankok nem kísérleteznek, hanem beszámolnak. A tőzsdei eredményhirdetés és a befektetői közlemény a legóvatosabb műfaj, amit egy nagyvállalat ismer, oda csak az kerül be, amit a jogászok és a könyvvizsgálók is jóváhagytak. Amikor egy vezérigazgató ott mond ki munkakörszámokat és eurómilliókat, az azt jelenti, hogy az átállás a pilot fázisból átért a mérhető üzembe. Magyar cégeknél ez a szakasz jellemzően két-három évvel később ér ide, ami most kivételesen jó hír, mert pont annyi idő, amennyi alatt egy szervezet felkészíthető.

Ebben az átalakult munkában a kritikus gondolkodás nem díszítő elem, hanem az a képesség, amin a többi múlik. A gép gyorsabban ír, számol és összegez, mint bármelyik munkatárs. Amiben nem jobb, az annak megítélése, hogy amit írt, annak van-e értelme az adott helyzetben, és mi múlik rajta, ha téved.

A hiány oka

Miért pont most lett drága az ítélőképesség

A kritikus gondolkodás sosem volt olcsó képesség, de eddig volt egy megbízható termelőüzeme, a rutinmunka. A pályakezdő könyvvizsgáló ezerszer kontírozta végig ugyanazt, és közben, szinte észrevétlenül, kialakult benne az érzék, hogy mi normális és mi gyanús. A junior jogász száz szerződést olvasott el, mire az elsőt önállóan véleményezhette. Az ítélőképesség a felügyelt hibázás éveiből épült fel, és ezeket az éveket a rutinfeladatok adták.

Az AI ezt a gyakorlóterepet szedi szét. Amikor a rutinréteget gép végzi, a pályakezdő nem ezer eseten tanul, hanem kész válaszokat kap, amelyeket jóvá kellene hagynia egy olyan érzék alapján, amit még nem volt ideje felépíteni. Stanfordi kutatók idén mérték ki, hogy a leginkább AI-kitett munkakörökben a pályakezdők foglalkoztatása már ténylegesen csökken. A KPMG campusa erre a lyukra ad választ, ha a rutin már nem neveli ki az ítélőképességet, akkor célzottan, mesterséges helyzetekben kell edzeni, ahogy a pilótákat szimulátorban készítik fel arra, amit a békés hétköznapi repülés sosem tanítana meg.

Közben a másik oldalon a kereslet nő. Minden gépi kimenet egy ellenőrzési feladatot szül, és mivel az előállítás olcsó lett, a szervezetekben elszaporodtak a változatok, a javaslatok, a tervezetek. A munka súlypontja a megírásról a szűrésre került át, arra, hogy a sok elfogadhatóan hangzó lehetőségből ki választja ki a helyeset, és ki veszi észre, amelyik csak annak hangzik. Csökkenő kínálat és növekvő kereslet mellett egy képesség ára csak egyfelé mehet. A cégek, amelyek ezt korán felismerik, nem képzési költséget fizetnek, hanem az egyik legjobban dráguló erőforrásból vesznek előre.

Közelről

Amikor a magabiztos válasz téved

Az egyik ügyfelemnél, egy hazai gyártócég pénzügyi csapatánál az AI tavaly óta készíti elő a havi riportok nagy részét. A rendszer jól működik, az előállítási idő töredékére esett. A tanulságos eset nem a kudarcból jött, hanem egy majdnem-hibából. Az AI egy új költségtípust magabiztosan, szépen indokolva sorolt be egy kategóriába, és a besorolás hibás volt. A junior kolléga elfogadta, mert a válasz meggyőzően hangzott. A szenior kolléga szúrta ki, nem azért, mert jobban ismerte az eszközt, hanem mert ismerte az üzletet, és tudta, hogy annak a számnak ott nincs helye.

Ez a jelenet azóta a cég belső képzésének része, mert minden fontos elem benne van. Az AI nem úgy hibázik, mint egy ember. Nem bizonytalankodik, nem jelzi, hogy nem tudja, hanem folyékonyan és meggyőzően állít valamit, ami nincs úgy. A védelem nem technikai, hanem gondolkodásbeli. Az a munkatárs veszi észre a hibát, aki előbb magában felállította, minek kellene kijönnie, és a gép válaszát ehhez méri, nem fordítva.

Amikor a képzési napjaimon ezt gyakoroljuk, a résztvevőknek rendre az a legnehezebb, hogy a meggyőző megfogalmazást elválasszák a helyes tartalomtól. A nyelvi magabiztosság és az igazság között az AI-nál nincs kapcsolat. Ezt nem elég egyszer elmondani, be kell gyakorolni, hibás válaszokon, élesben, a saját szakterületük anyagán.

Az ellenőrzés ráadásul tanulható rutin, nem tehetség kérdése. A pénzügyes csapat azóta három egyszerű szokást vezetett be. Minden gépi kimenethez előbb felírnak egy várható nagyságrendet, és ha a kettő eltér, az eltérés magyarázatáig nem megy tovább az anyag. A magas kockázatú tételeknél kötelező a forrásig visszamenni, nem elég a gép hivatkozásában bízni. A magabiztos tévedéseket pedig egy közös naplóba gyűjtik, amiből havonta tanulnak, mert a gép hibái mintázatot követnek, és aki a mintázatot ismeri, az gyorsabban szúrja ki a következőt.

A képzési tanulság

Nem eszközoktatás kell, hanem ítéletedzés

A legtöbb vállalati AI képzés, amit látok, eszközoktatás. Hol a gomb, mit írj a mezőbe, milyen sablonokat használj. Ez két okból kevés. Az eszközök félévente változnak, tehát az ilyen tudás gyorsan elévül. És a valódi kockázat nem az, hogy valaki nem találja a gombot, hanem az, hogy megtalálja, használja, és ellenőrzés nélkül továbbadja, amit kapott.

Ezért építem a képzéseimet fordítva. A kiindulópont mindig a feladat, nem az eszköz. A résztvevők a saját munkájukból hozott feladatokon dolgoznak, és három dolgot gyakorolnak. Eldönteni, hogy egy feladatot érdemes-e egyáltalán a gépre bízni, és milyen mélységig. Felállítani előre, hogy milyen eredménynek kellene születnie. És szisztematikusan ellenőrizni, amit a gép ad, forrással, ellenpróbával, józan ésszel.

A döntési oldalon egy egyszerű, ötfokú létrát használok arra, hol maradjon emberi kézben a döntés. A skála egyik végén a gép csak javaslatot tesz, és minden kimenő darabot ember hagy jóvá. A másik végén a gép önállóan dolgozik, és az ember csak mintavétellel ellenőriz. A legtöbb hiba ott születik, ahol egy feladat a valós kockázatánál magasabb önállósági fokra kerül, nem azért, mert valaki így döntött, hanem mert senki nem döntött.

Arányok

Ehhez nem campus kell, hanem szándék

A KPMG megteheti, hogy 450 millió dolláros campust állít az átállás mögé, és ezer gyakornokot repít oda. Egy magyar középvállalatnak erre se kerete, se szüksége. A kritikus gondolkodás fejlesztése nem infrastruktúra kérdése, hanem szándéké és ismétlésé. Egy jól felépített képzési nap elindítja, a heti rutinok pedig életben tartják, hibanapló a magabiztos tévedésekről, ellenőrzési szokások a csapatban, és egy vezető, aki a gyors válasz helyett a jó kérdést jutalmazza. A fordítottja is igaz, képzés nélkül a szervezet nem semleges állapotban marad, hanem lassan hozzászokik ahhoz, hogy a gép válaszait senki nem kérdőjelezi meg, és ez a szokás később sokkal drágább kigyomlálni, mint megelőzni.

A nagy cégek számai azért fontosak, mert az irányt mutatják meg, nem a léptéket. Amikor a világ legnagyobb könyvvizsgáló cégei a rutinfeladatok oktatását ítélőképesség fejlesztésre cserélik, és a bankok pénzben mérik, mennyit ér az AI-t jól használó ember, akkor a megtérülésről szóló vita eldőlt. Ami eldöntésre vár, az a saját szervezeteden belül van, ki az, aki ma ellenőrzés nélkül ad tovább egy meggyőzően hangzó gépi választ, és mennyibe kerül, mire ez kiderül.