Négy feladattípus
A Microsoft Learn Work smarter with AI modulja négy területet emel ki. Tartalomkészítésnél az AI a levelek, összefoglalók, prezentációk és jelentések első változatát adja, és megspórolja az üres lappal való küzdelmet. Az információ megtalálásában és rendszerezésében egy hosszú levelezés vagy értekezlet lényegét emeli ki. Elemzéskor a táblázatokban rejlő trendeket, eltéréseket és összefüggéseket tárja fel. Ötleteléskor pedig alternatívákat, megközelítéseket és kockázatokat hoz egy tervhez.
Ezek egy átlagos munkanapon egymásba fonódnak. Egy projektvezető reggel az előző napi levelek és csapatüzenetek összefoglalójával kezd, délelőtt a megrendelő kéréseiből kigyűjteti a nyitott kérdéseket, délután a költségtáblából kéri a kockázatos tételeket, a heti státuszértekezlet után pedig az AI jegyzeteiből írja meg a teendőlistát. Egyik lépés sem látványos, együtt viszont órákat szabadítanak fel hetente.
Mit mérnek a kutatások
Erik Brynjolfsson, Danielle Li és Lindsey Raymond 5179 ügyfélszolgálati munkatárs adatain vizsgálta, mit hoz egy generatív AI asszisztens. A Quarterly Journal of Economics folyóiratban 2025-ben megjelent eredményeik szerint a termelékenység átlagosan 14 százalékkal nőtt, a kezdő és kevésbé tapasztalt munkatársaknál 34 százalékkal, a legtapasztaltabbaknál alig változott. Az AI ugyanis a legjobbak bevált megoldásait adta tovább a kezdőknek.
Fabrizio Dell’Acqua és társai a Boston Consulting Group 758 tanácsadójával végeztek előre regisztrált kísérletet. Azokon a feladatokon, amelyek az AI képességein belül estek, az AI-t használók 12,2 százalékkal több feladatot végeztek el, 25,1 százalékkal gyorsabban és több mint 40 százalékkal jobb minőségben. Egy szándékosan a képességhatáron túlra tervezett feladatnál viszont rosszabbul teljesítettek, mint az AI nélkül dolgozó kontrollcsoport, mert elhitték a modell magabiztos, de téves elemzését. A kutatók ezt a jelenséget egyenetlen technológiai határnak nevezték.
Az egyenetlen határ. Ugyanaz az eszköz az egyik feladatban 40 százalékkal jobb munkát hoz, a szomszédosban ront az eredményen, és kívülről nem látszik, melyik melyik. A napi munkában ezért annak felismerése a legfontosabb tudás, hogy egy feladattal a határ melyik oldalán állunk.
Hol húzódik a határ egy magyar cégnél
Egy tatabányai autóipari beszállító kontrolling csapatánál azt láttam, hogy a havi eltéréselemzés szöveges magyarázatait az AI kiválóan megírta, a számok mögötti okokat viszont rendszeresen rosszul találgatta. A modell nem tudhatta, hogy egy költségsor azért ugrott meg, mert egy beszállító szerződése lejárt, ez az információ csak a beszerző fejében és egy levélben létezett. Azóta a csapat két részre bontja a feladatot. Az okok feltárása emberi munka marad, a megállapított okok érthető, vezetőknek szóló megfogalmazását pedig az AI végzi.
A jó munkamegosztás mindig ugyanabból a kérdésből indul. Megvan-e a modellnek az az információ, amelyből a válasz levezethető, és ha nincs, meg tudjuk-e adni neki?
Források és további olvasnivaló
Microsoft Learn, Work smarter with AI modul, AI at work egység. Erik Brynjolfsson, Danielle Li és Lindsey Raymond, Generative AI at Work, Quarterly Journal of Economics, 2025, korábban NBER 31161. Fabrizio Dell’Acqua és társai, Navigating the Jagged Technological Frontier, Harvard Business School Working Paper 24-013, 2023, azóta az Organization Science folyóiratban. A feladatok és a munkakörök különbségéről ebben a cikkemben írtam.
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, priorizált cselekvési lista.
Érdekel a program →