Przyszłość firm

Od autorów: To drugi esej z naszej serii o gospodarce przyszłości, publikowanej na nowej platformie dla niezależnych autorów rozważających przyszłość z AGI. Przedstawia nasze poglądy, a nie stanowisko OpenAI ani naszych współpracowników.

Obaj mieliśmy po dwadzieścia cztery lata, gdy zaczęliśmy zarządzać własnymi zespołami w OpenAI. To jednak nie brzmi już tak imponująco, gdy poznasz nasze zespoły.

Powinniśmy przecież być szeregowymi pracownikami. W wieku dwudziestu czterech lat jest się na dole firmowej hierarchii. Robi się notatki ze spotkań i pisze kilka raportów. Po latach mozolnej pracy dostaje się (miejmy nadzieję) szerszy zakres odpowiedzialności.

Nasza droga, podobnie jak droga wielu dzisiejszych młodych ludzi, wygląda inaczej. Wchodzimy na rynek pracy, mając już do dyspozycji własnych „pracowników”. Ci pomocnicy pracują dniami i nocami, w weekendy i święta. Świetnie radzą sobie z rutynowymi zadaniami. Mamy nawet w zespole złotych medalistów olimpiad matematycznych, którzy nam doradzają. Nasi nowi podwładni nadal popełniają sporo błędów. Ale stają się coraz lepsi, poznają nasze potrzeby, a my uczymy się nimi zarządzać.

Żaden z nas nie wspiął się po szczeblach firmowej drabiny. To zarządzanie zeszło na nasz szczebel. Ten esej opowiada o naszym awansie i innych sposobach, w jakie firmy mogą się przeorganizować u progu ery inteligencji.

Kiedy AI wchodzi do firmy, gdzie znajduje swoje miejsce? Przedstawiamy trzy przykładowe scenariusze:

Żaden nie zrealizuje się dokładnie tak, jak go opisujemy, ale naszym zdaniem elementy wszystkich trzech staną się rzeczywistością. Wszystkie trzy już dziś niepostrzeżenie się urzeczywistniają.

Nie skupiamy się tu na pełnej automatyzacji, lecz na gospodarce w okresie przejściowym. Interesuje nas, jak będą wyglądać firmy łączące ludzi i AI, w miarę jak AI będzie się doskonalić i wplatać w istniejące organizacje.

Uważamy koncepcję firmy hybrydowej za ważną, ponieważ produktywne wdrożenie AI nie następuje od razu. Gdy modele wykonują tylko część zadań, najłatwiej mogą je wdrażać szeregowi pracownicy, którzy znają tę pracę. Kiedy modele zaczną samodzielnie realizować całe obszary działalności, osoby na wyższych stanowiskach będą mogły korzystać z nich bezpośrednio. Naszym zdaniem im większe możliwości będzie miała AI, tym łatwiej będzie ją wdrożyć: firmy będą musiały uczyć się technologii, ale pracownicy poznają firmę i będą potrafili sami wdrożyć się do pracy.

Przeanalizujemy trzy nowe typy struktur organizacyjnych, a następnie ich znaczenie dla przyszłości biurokracji, sprawczości pracowników, wielkości firm i nierówności płacowych.

Nasz pierwszy scenariusz wydaje się najmniej wywrotowy. Ludzie pozostają na swoich stanowiskach, podlegają tym samym przełożonym i pozornie wykonują tę samą pracę co wcześniej. Schemat organizacyjny obejmujący ludzi wygląda w tej przyszłości tak samo jak dziś.

Różnica pojawia się pod nami. Pod każdym pracownikiem bez funkcji kierowniczej pojawia się nowa siła robocza AI, podlegająca bezpośrednio tej osobie. Nasz schemat organizacyjny zyskuje symboliczną piwnicę, a my wszyscy stajemy się menedżerami.

Początkowo ta piwnica jest niewykończona. Zaczynamy od jednego lub dwóch agentów na osobę. Mniej przypominają doświadczonych pracowników, a bardziej gorliwych stażystów, których musimy nadzorować i którym wiele wybaczamy. Nasze oczekiwania są niewielkie: tu wysłać e-mail, tam przygotować notatkę, wszędzie odpowiadać na wiadomości na Slacku. Podobnie jak początkujący pracownicy, na starcie mają mało swobody i cieszą się ograniczonym zaufaniem.

Ale w miarę doskonalenia modeli nasze agenty przejmują więcej zadań i wymagają mniej nadzoru. Koordynują działania między sobą. Mogą wśród nich być menedżerowie AI i szeregowi pracownicy AI, księgowi i prawnicy — wszyscy współpracujący na Twoje polecenie. Zamiast prowadzić stażystę za rękę, z czasem kierujesz czymś na kształt małej, samodzielnej firmy, z własną strukturą organizacyjną, w której pełnisz rolę rady dyrektorów.

Zauważ, że ten scenariusz nie zakłada zwolnień. Wdrażamy w nim AI, nie zastępując samych siebie automatyzacją. Automatyzujemy za to nasze dawne role i przesuwamy się wyżej w hierarchii. AI przejmuje coraz więcej z tego, co robiliśmy wcześniej. Nasze stanowiska pozostają, ponieważ jest więcej obszarów, którymi trzeba zarządzać, a my odpowiadamy za rezultaty na większą skalę.

Praca nie stoi w miejscu⁠(otwiera nowe okno). Załóżmy, że AI potrafi wykonać dziewięćdziesiąt procent Twoich dotychczasowych zadań. Możesz uznać, że zostaje Ci tylko dziesięć procent pracy. Jest też inna możliwość: nadal masz pełny etat, tylko inny — teraz skupiony na dziesięciokrotnie większym celu. To klasyczny dar technologii: produktywność rośnie, ambicje rosną wraz z nią, a za ambicjami mogą rosnąć płace⁠(otwiera nowe okno).

Wszystko zależy od tego, czy nadal wnosimy wartościowy wkład⁠(otwiera nowe okno) w proces produkcji. Ten esej skupia się na nadchodzących latach, w których automatyzacja nie potrafi jeszcze wszystkiego ani nie jest wszędzie wdrożona. Nawet gdyby AI umiała zrobić wszystko, nadal moglibyśmy wyżej cenić to, co stworzył człowiek, lub wymagać, by ostateczna decyzja należała do człowieka.

Zapotrzebowanie na naszą pracę będzie też zależeć od tego, ile będziemy chcieli konsumować. Jeśli jako konsumenci nie będziemy chcieli dziesięciokrotnie większej produkcji, równowaga przesunie się w stronę mniejszego zatrudnienia lub krótszego czasu pracy. Dotychczas wzrost produkcji nas nie nasycił. Mamy znacznie więcej⁠(otwiera nowe okno), a pracujemy tylko trochę mniej⁠(otwiera nowe okno). Jeśli wraz ze zwielokrotnieniem produkcji nasz apetyt będzie nadal rósł — a my wciąż będziemy wnosić do niej wartość — wybierzemy dalszą wymianę pracy na większą konsumpcję. Jeśli natomiast produkcja stanie się tak obfita, że nas nasyci, możemy dobrowolnie ograniczyć liczbę pracujących.

Jest więcej zastrzeżeń, które omawiamy później — na przykład to, czy powstanie więcej mniejszych firm. Mimo to uważamy ten scenariusz za ważny, bo wdrażanie musi się gdzieś zacząć. Firmy potrzebują sposobu, by stopniowo i stabilnie przekształcać obecne struktury organizacyjne. Wsparcie obecnych pracowników może być łatwiejszym pierwszym krokiem niż gruntowna restrukturyzacja. Widzimy to już dziś: kolejni pracownicy delegują zadania AI, na razie bez rewolucji organizacyjnej.

W tym scenariuszu jako pierwsi zatrudniają pomoc pracownicy pierwszej linii. To szeregowi pracownicy — nie menedżerowie ani kadra kierownicza — przewodzą wdrażaniu AI. Wydaje się to prawdopodobne, dopóki najlepiej zleca pracę AI osoba, która wcześniej wykonywała ją sama.

Modele potrafią już automatyzować wiele zadań z zakresu analizy danych, ale kierownik działu nieznający metod i szczegółów będzie miał trudności z wykorzystaniem tych narzędzi. Dopóki AI nie zacznie wykazywać dość inicjatywy, by mówić Ci o tym, czego nie wiesz — o czym w następnym scenariuszu — zapewne najlepiej posłuży tym, którzy już wiedzą, jak wykonuje się daną pracę.

Największa zmiana w tym scenariuszu dotyczy początkujących pracowników. Nie byłoby już najniższego szczebla — przynajmniej dla ludzi. Zatrudniając młodych ludzi, nie będziemy umieszczać ich na samym dole firmy, przy żmudnej pracy. Te obowiązki przejmą systemy AI, którym taka praca nie będzie przeszkadzać.

Stracimy przez to część tradycyjnych sposobów kształcenia młodych pracowników: naukę u boku mistrza⁠(otwiera nowe okno), uczenie się przez wykonywanie podstawowych zadań i mozolne zdobywanie szlifów. To rzeczywiste koszty, ale widzimy w tym przede wszystkim przywilej. Nawet najbardziej niedoświadczony nowy pracownik z dobrym pomysłem ma zasoby do eksperymentowania. Najstarsza firmowa wymówka — po prostu nie mamy do tego ludzi — odchodzi do lamusa. Pracownica na stanowisku juniorskim, która ma pomysł na świetną grę wideo, ale nie może zatrudnić potrzebnego zespołu, może teraz stworzyć ją samodzielnie.

Naszym zdaniem w scenariuszu „awansowania” młodsi pracownicy wciąż mają wiele do nauczenia: trafnego osądu, wyczucia, umiejętności zarządzania i twórczej wizji. Będziemy mieć motywację do rozwijania tych umiejętności, ponieważ będą widoczne w efektach naszej pracy. Nadal będziemy uczyć się przez działanie⁠(otwiera nowe okno), ale w szerszym zakresie. Firmowi weterani nadal będą mieli powód, by wspierać nas jako odpowiedzialni opiekunowie — także dzięki udziałom, których wartość zależy od naszego sukcesu. To szansa na bardziej stymulującą rolę dla każdego, na każdym szczeblu. Szerszy zakres odpowiedzialności pozwala każdemu pokazać talenty. Najwięcej znaczy to dla początkujących, którzy wcześniej nie mieli własnego obszaru działania.

W drugim scenariuszu AI włącza się w istniejącą strukturę organizacyjną. Agenty stają się współpracownikami ludzi, zamiast zajmować najniższy szczebel hierarchii. Menedżerka przekazuje modelowi część zadań zespołu, tak jak zleciłaby je dowolnemu pracownikowi. AI zajmuje miejsce obok ludzi, a nie tylko poniżej nich.

Kluczowa różnica względem pierwszego scenariusza: tutaj AI zdolną do efektywnej pracy wdrażają obecni menedżerowie, a nie tylko pracownicy niepełniący funkcji kierowniczych. Aby to było możliwe, AI musi mieć kompetencje wystarczające do pełnienia roli pełnoprawnego członka zespołu.

Ludzie są wszechstronni. Młotek pomaga w jednym zadaniu; człowiek robi znacznie więcej. Droga AI od narzędzia do siły roboczej polega na poszerzaniu zakresu: automatyzacji zadania, potem stanowiska, następnie zespołu, a na końcu firmy. Każde poszerzenie zakresu wymaga szerszych kompetencji.

Stanowisko pracy to walizka pełna rozmaitych zadań. W przypadku całego zespołu ta walizka jest wypchana najróżniejszymi zadaniami. Więcej obowiązków oznacza więcej potencjalnych wąskich gardeł. Jeśli choć jedno niezbędne zadanie zespołu wymaga pracy fizycznej, potrzebny jest zupełnie nowy zestaw urządzeń peryferyjnych. Aby móc bezpośrednio zastąpić cały zespół, AI musi radzić sobie ze wszystkimi jego różnorodnymi obowiązkami.

Trudniej stworzyć AI, która poradzi sobie z szerszym zakresem odpowiedzialności. Ale firmom — i to kluczowa asymetria całej transformacji — łatwiej wdrożyć AI zdolną przejąć szerszy zakres obowiązków.

Kierownictwo może bezpośrednio wdrożyć w pełni zautomatyzowany zespół lub cały obszar działalności. Narzędzia o węższych możliwościach nie da się tak łatwo wprowadzić odgórnie. Prostsze narzędzie wymaga szerokiej akceptacji i przeszkolenia pracowników w całej firmie.

Tradycyjnie nowe technologie obniżają koszty wykonywania ograniczonego zestawu zadań. Potem ciężar spada na nabywcę. Firma musi ustalić, jak wykorzystać nowe narzędzie, a także przeszkolić pracowników, przeorganizować się i przebudować procesy⁠(otwiera nowe okno) wokół niego. Arkusze kalkulacyjne nie wdrożyły się same w dziale księgowości — to dział księgowości dostosował się do oprogramowania.

Z pracownikami jest odwrotnie. Stażysta, pracownik i dobry zespół sami ustalają, jak mogą być przydatni Tobie. Wypytują Cię, poznają kontekst, dostrzegają Twoje potrzeby. Mówią Ci o rzeczach, o których istnieniu nawet nie wiesz. Najlepsi pracownicy sami wdrażają się do pracy.

Im bardziej AI przypomina pod tym względem pracownika — wykazuje inicjatywę i zdolność adaptacji — tym mniej firma musi się uczyć, jak ją wykorzystać, a tym bardziej AI sama ustala, jak być firmie przydatną. Szef raczej nie przesiedzi kursu podstaw obsługi programu projektowego, by nauczyć się nowego narzędzia. Chętnie jednak rozważy ofertę brzmiącą: powiedz tylko słowo, a zorganizuję Ci cały marketing.

Zbyt często za świętego Graala AGI uznajemy pełną automatyzację pracy wykonywanej na danym stanowisku. Owszem, jeszcze nawet tego nie osiągnęliśmy. Praca na poszczególnych stanowiskach jest niezwykle złożona, bo ludzie potrafią tak wiele. Jednak tylko znikoma część⁠(otwiera nowe okno) tego, co wytwarza nasza gospodarka, powstaje dzięki osobom pracującym w pojedynkę. Poszczególni pracownicy wnoszą wkład w pracę zespołów, zespoły — w działalność firm, a to firmy wytwarzają niemal wszystkie dobra i usługi, z których korzystamy.

Mierzenie AGI standardem „stanowiska pracy” nie oddaje nam, ludziom, należnego uznania. Praca to nie tylko zadania ani nawet radzenie sobie z tym, co nierutynowe. To także niezwykła koordynacja i elastyczność, dzięki której wykonujemy małe części większych przedsięwzięć. Sprowadzając nas do zwykłych zbiorów zadań, wyceniamy się na ułamek własnej wartości. Ludzki potencjał tkwi bardziej w naszych organizacjach⁠(otwiera nowe okno) niż w jednostce. AGI zdolna działać w gospodarce musi dorównać ludziom, a nie człowiekowi.

Dlatego scenariusz „przeplatania” może być dość nieefektywny, jeśli AI nadal przypomina narzędzie lub nawet pracownika, a nie zespół czy firmę. Model wciśnięty obok każdego pracownika oznacza tysiąc punktów styku i przekazywania zadań⁠(otwiera nowe okno). Taki fragmentaryczny układ może spowalniać wdrażanie.

Widzimy wyścig między wcześniejszymi rozwiązaniami o mniejszych możliwościach a późniejszymi, bardziej zaawansowanymi modelami. O zwycięstwie zdecyduje to, czy wdrażanie przyszłych modeli będzie na tyle szybsze, by zrekompensować dodatkowy czas potrzebny do osiągnięcia tych kompetencji.

Scenariusz „przeplatania” może współistnieć z pierwszym scenariuszem — „awansowania”. Firmy mogą zatrudniać mniej ludzi, gdy AI zautomatyzuje pewne funkcje, a jednocześnie powierzać pozostałym znacznie szersze obowiązki, w których wesprą ich zespoły agentów. Co ważne, sam ten scenariusz nie oznacza spadku ogólnego zatrudnienia ludzi. Może powstać więcej firm, z których każda będzie zatrudniać mniej osób.

Nasz trzeci scenariusz najbardziej zaskakuje. AI wchodzi w nim do firmy ponad ludźmi. Układ nie wygląda już tak: ludzie nad maszynami, lecz: człowiek, AI, człowiek — kanapka z automatyzacją w środku. Niektórzy ludzie „podlegają” AI.

Brzmi to nieprawdopodobnie, zwłaszcza jako punkt wyjścia do wdrażania AI w firmach. Sądzimy jednak, że w mniej radykalnej formie już się to zaczęło.

Nawet myśląc o AI jako o sposobie mechanizacji pracy umysłowej, zwykle skupiamy się na niższych szczeblach. Zazwyczaj mówimy, że AI automatyzuje arkusze kalkulacyjne i prezentacje, a nie zarządzanie. Intuicyjnie zakładamy, że automatyzacja wspina się po hierarchii: najpierw żmudna praca umysłowa, na końcu osąd, a menedżer jest ostatnim bastionem.

Tymczasem praca menedżera odbywa się głównie przy komputerze i w umyśle: czytanie, spotkania, rozważanie, pamiętanie o kontekście, podejmowanie decyzji. Fizyczna obecność ma swoją wartość: obchodzenie biura i przebywanie wśród pracowników. Jednak to praca na najniższych szczeblach, nawet głównie umysłowa, bardziej niż zarządzanie wiąże się ze światem fizycznym i narzędziami. Do kserokopiarki wysyła się stażystę, nie jego szefa.

Trudno nauczyć model podejmowania decyzji menedżerskich, ponieważ sukces jest niejednoznaczny i mierzy się go w długiej perspektywie. Z podobnych powodów⁠(otwiera nowe okno) trudno szkolić dobrych menedżerów wśród ludzi. Nie wiemy jeszcze, jak dobrze modele radzą sobie z zarządzaniem. Mamy mnóstwo testów pracy umysłowej nastawionej na wykonanie zadań, ale niewiele mierzy koordynację na dużą skalę, właściwą menedżerom i kadrze kierowniczej.

Warto jednak rozważyć, czy dzisiejsze modele nie są pod względem możliwości bliżej menedżerów niż szeregowych pracowników. Niektóre funkcje zarządcze mogą zostać zautomatyzowane wcześniej niż praca, którą nadzorują.

Być może w pełnej wersji scenariusza „warstwowania” to AI zajmuje się myśleniem, a luki we własnych możliwościach uzupełnia podlegającymi jej ludzkimi wykonawcami. Taki świat wydaje nam się dość obcy. Wiele musiałoby się zmienić.

Istnieje jednak bardziej naturalny wariant, którego pierwszy akt już się rozgrywa: doradztwo. Już dziś szefowa firmy może poprosić ChatGPT o przeczytanie setek kanałów na Slacku, dokumentów, wiadomości i plików z kodem z całej firmy, a następnie o odpowiedzi na pytania. Czym tak naprawdę zajmuje się ten zespół? Gdzie ujawnia się ta luka w zabezpieczeniach? Każda część organizacji staje się dla niej coraz łatwiejsza do przeanalizowania⁠(otwiera nowe okno).

Kierownictwo od dawna wplatało w strukturę organizacyjną wynajętych pośredników — nazywało to doradztwem. Firma doradcza dokłada nad Tobą warstwę — na krótko i za duże pieniądze. W przyszłości konsultanci AI mogą kosztować grosze i być obecni bez przerwy.

Modele dopiero zaczynają rzetelnie analizować firmowe dokumenty i komunikację. Ich wyczucie i zdolność do wykazywania inicjatywy muszą jeszcze dojrzeć. Na razie ChatGPT pomaga zaangażowanej szefowej lepiej zrozumieć szczegóły działania organizacji. W przyszłości widzimy w nim kompleksowy zespół doradczy. Nie będzie prawdziwym „menedżerem” pracowników niższego szczebla, lecz raczej wewnętrznym korespondentem i doradcą kierownictwa. Wykorzysta wiedzę biznesową, by analizować wszystko, z własnej inicjatywy wskazywać problemy i pomagać ustalać kolejność ich rozwiązywania.

To, czy przyniesie korzyści, czy szkody, będzie zależało od osoby zarządzającej. Efektem strukturalnym jest centralizacja. Naszym zdaniem skróci to dystans między najwyższą kadrą kierowniczą a resztą firmy. Skupia to więcej władzy na szczycie, podczas gdy wcześniej utrudniony przepływ informacji sprzyjał bardziej zdecentralizowanemu podejmowaniu decyzji.

Uważamy ten scenariusz za przełomowy nie tylko ze względu na przesunięcie władzy, lecz także na łatwość wdrożenia AI jako zespołu doradczego. Podobnie jak tradycyjne doradztwo, korzystanie z zespołu doradczego AI nie wymaga od kierownictwa wiedzy technicznej. To nie komputer, który wprowadzano oddolnie dzięki ludziom umiejącym pisać na klawiaturze i obsługiwać terminal. Po prostu rozmawiasz ze swoim konsultantem, a on zajmuje się stroną techniczną. Ta fala wdrożeń może zacząć się w gabinecie prezesa. Zespół doradczy mógłby z kolei przyspieszyć wdrażanie AI w pozostałej części organizacji.

Jeden powód szczególnie mocno tłumaczy nieufność firm wobec pracy zdalnej i zewnętrznych wykonawców: możliwość egzekwowania zobowiązań. Firmy nigdy nie miały taniego sposobu obserwowania pracy w całej jej złożoności. Dlatego mierzą jej pozory⁠(otwiera nowe okno): liczbę kliknięć, ruchy myszy, zielone kropki statusu — sygnały tak oderwane od tego, czy praca rzeczywiście przynosi dobre rezultaty.

AI oferuje nadzór, który rozumie. Może przyjrzeć się temu, co tworzy dana osoba, i rozpoznać rzeczywisty postęp w realizacji szerszych celów. Jak omówimy w następnej części, żadnej nowej formy monitorowania nie należy wprowadzać lekkomyślnie⁠(otwiera nowe okno). W odpowiednich warunkach może ona jednak zwiększać zaufanie i zachęcać firmy do dawania pracownikom większej swobody.

Jeśli system nadzoru rozumie, że do dobrych rezultatów może prowadzić wiele różnych dróg, pracownicy zyskają większą swobodę wyboru sposobów pracy. Ważniejszy będzie postęp ku dobrym wynikom, a nie jedna narzucona metoda, którą szefom łatwo śledzić. Inteligentny nadzór daje elastyczność i karze za udawaną produktywność, której wszyscy nie znosimy.

Korzyść przypomina tu ofertę ubezpieczycieli, którzy obniżają składkę po zainstalowaniu urządzenia monitorującego w samochodzie. Jeśli próbujesz naginać zasady na swoją korzyść, taki monitoring działa na Twoją niekorzyść; jeśli po prostu wykonujesz swoją pracę, nadzór może to potwierdzić, a kierownictwo bardziej Ci ufa.

To zaufanie otwiera nowe możliwości. Możemy zobaczyć nową otwartość⁠(otwiera nowe okno) firm, które wcześniej niechętnie podchodziły do pracy hybrydowej, nieszablonowo myślących osób, zewnętrznych wykonawców czy zatrudniania wybitnych ludzi w odległych krajach.

Dzisiejsza struktura organizacyjna przysparza szeregowym pracownikom wielu problemów. Niezwykle zniechęca brak możliwości zgłoszenia wyżej problemu, który widzimy na własne oczy. To niesprawiedliwe, gdy utkniesz pod nieudolnym menedżerem albo wykonujesz świetną pracę, której nikt nie dostrzega.

Naszym zdaniem poprzednia fala hiperoptymalizacji biznesu opierała się na ograniczonych danych, ogólnikowych wytycznych i bezmyślnych algorytmach. Jeśli potrafisz analizować tylko przełożenia przekładni, każdy wygląda jak trybik. Firmy od dawna mają problem z oceną pracy swoich ludzi. Inteligentny nadzór mógłby dostrzegać wartościowy wkład i unikalne podejścia, które umykają dzisiejszym prymitywnym wskaźnikom.

Czerpiąc ze wszystkich trzech uproszczonych scenariuszy, przyjrzymy się teraz kilku pytaniom kluczowym dla przyszłości firmy.

Tworzenie jest zazwyczaj dość kosztowne. Przygotowanie aplikacji, filmu, prezentacji, funkcji czy analizy od nowa jest kosztowne, czasochłonne i uciążliwe. Gdy masz właściwie tylko jeden strzał, poświęcasz czas na celowanie. Cykle planowania, rytuały tworzenia harmonogramów i komitety zatwierdzające służą temu, by firma, kiedy wreszcie da zielone światło, rozpoczęła realizację wartościowego projektu. Wiele mechanizmów kontrolnych w naszych hierarchiach istnieje dlatego, że realizacja była kosztowna.

W wielu dziedzinach AI drastycznie obniża koszty tworzenia — przynajmniej prototypów, jeśli nie gotowych produktów. Uważamy, że wraz z tym powinno zmienić się podejście firmy: mniej celowania, więcej strzelania. Firma może zbudować prototyp, obserwować, szybko wyciągać wnioski, zmienić kierunek i zbudować go ponownie. Łatwe prototypowanie⁠(otwiera nowe okno) powinno odciągać firmy od struktur, na których opiera się produkcja wymagająca rozbudowanego planowania.

W najprostszym wariancie oznacza to zespół, który szybciej wprowadza kolejne poprawki. W bardziej radykalnym ujęciu pod znakiem zapytania staje sam sens istnienia zespołu. Jeśli wspólne planowanie traci na znaczeniu, a niezależne, różnorodne pomysły zyskują, to czy lepszy jest jeden zespół szybko doskonalący projekt, czy wiele osób przedstawiających własne działające prototypy? Jeśli rzeczywisty prototyp przekazuje wizję lepiej niż jakikolwiek dokument określający zakres projektu, czy zmienią się nasze zwyczaje komunikacyjne? Czy będziemy pokazywać więcej i na wcześniejszym etapie, udostępniając efekty pracy zamiast notatek?

Niskie koszty tworzenia mogą skłonić firmę do stawiania na jednostki. Oznaczałoby to mniej szczebli zarządzania pośredniego i rzadsze proszenie o zgodę, ponieważ dawniej uzyskanie zgody kosztowało mniej niż wykonanie zadania — obecnie ta przewaga kosztowa znika.

Jednak, jak omówimy dalej, ta sama technologia, dzięki której poszczególne osoby mogą tworzyć prototypy, ponosząc mniejsze ryzyko, może też nasilać biurokrację.

Jednym z głównych powodów odgórnego zarządzania w firmach jest przekonanie, że kadra kierownicza podejmuje lepsze decyzje biznesowe⁠(otwiera nowe okno) niż pracownicy na stanowiskach juniorskich. Firmy płacą więcej za doświadczonych ekspertów na szczycie, a menedżerów często szkoli się w strategii biznesowej, podczas gdy pozostali pracownicy specjalizują się w swoich dziedzinach. Jeśli AI oferuje doskonałe rady wszystkim pracownikom, różnica w jakości podejmowanych decyzji maleje. Menedżerowie mieliby mniej powodów do ingerencji. Zwiększyłoby to autonomię pracowników i mogłoby ograniczyć liczbę szczebli zarządzania.

Podobnie „zespół doradczy AI” dba o to, by kierownictwo było z wyprzedzeniem informowane o działaniach mogących mieć istotne konsekwencje dla firmy. Jeśli pracownik zamierza opublikować wpis na blogu, który może mieć poważne skutki dla firmy, zespół doradczy z własnej inicjatywy zwróci na to uwagę kierownictwu. To buduje zaufanie: kierownictwo nie musi się obawiać, że poważne błędy zdarzą się bez jego wiedzy, więc nie musi trzymać pracowników na tak zwanej krótkiej smyczy⁠(otwiera nowe okno).

Ale zespół doradczy AI to miecz obosieczny⁠(otwiera nowe okno). Jako inteligentny nadzorca może zwiększać zaufanie do pracowników; może też skuteczniej narzucać całej organizacji sposób działania preferowany przez prezesa. Firmy cenią spójność⁠(otwiera nowe okno): nie tylko dobrą decyzję, ale decyzję zgodną z kulturą firmy, marką i korzyściami skali. Sieć restauracji może preferować wspólne menu we wszystkich lokalach franczyzowych, by zamawiać składniki hurtowo i zapewniać klientom jednakowy produkt.

Wiąże się z tym fakt, że interesy szefów firm nie zawsze pokrywają się z interesami pracowników. Pracownicy dążą do sukcesu własnego obszaru⁠(otwiera nowe okno), podczas gdy kierownictwo troszczy się o całą firmę. Właściciele udziałów mają inne preferencje niż pracownicy otrzymujący pensję, ponieważ to oni czerpią korzyści⁠(otwiera nowe okno) z cięższej pracy. Zespół doradczy mógłby egzekwować ściślejsze przestrzeganie konkretnych procedur narzuconych z góry.

Naszym zdaniem w ogólnym rozrachunku pracownicy zyskają sprawczość. Nasz optymizm opiera się na założeniu, że firmy będą używać AI do sygnalizowania istotnych wyjątków, pozostawiając więcej decyzji pracownikom.

Wierzymy, że AI zapewni ramy działania — nawet jeśli kierownictwo zechce zachować spójność marki, będzie to jedynie granica, w której należy się poruszać. Pracownicy lepiej poznają obowiązujące ograniczenia biznesowe i zyskają większe poczucie bezpieczeństwa, by twórczo działać tam, gdzie te ograniczenia nie sięgają. Mając zabezpieczone kluczowe kwestie, kierownictwo może pozwolić pracownikom testować nowe, potencjalnie zyskowne podejścia. Dzięki podległym nam pomocnikom AI będziemy też odpowiadać za rezultaty na większą skalę. W kierowaniu bardziej złożoną pracą widzimy więcej możliwości twórczego działania.

Ta sama logika, która dotyczy autonomii pracowników, odnosi się również do wielkości firm. Ronald Coase⁠(otwiera nowe okno) pytał, dlaczego organizujemy produkcję wewnątrz firm, a nie za pośrednictwem sieci umów. Nawet samolot można by zbudować wyłącznie na podstawie umów między poszczególnymi wykonawcami, ale byłoby to bardzo nieefektywne. Firmy osiągają korzyści skali, godzą interesy, organizują duże projekty i eliminują potrzebę ciągłego negocjowania.

Ułatwiając komunikację, AI może uzasadniać istnienie zarówno większych, jak i mniejszych firm. Klasyczna firma to infrastruktura do przekazywania informacji w górę i poleceń w dół — pełna przeszkód i głuchego telefonu. Większą firmą, zatrudniającą więcej ludzi, łatwiej zarządzać, jeśli AI pełni funkcję warstwy koordynującej. Dzięki „zespołowi doradczemu AI” szefowa może znać swoją firmę tak dobrze, jak założyciel zna dwudziestoosobowy startup. Może śledzić realizację inicjatywy, zamiast czekać na kwartalne sprawozdanie, i otrzymywać powiadomienia, gdy coś się wydarzy. Jej wizja może docierać szerzej. Wszyscy lepiej wiedzą, czym zajmują się pozostali i jakie są ogólne priorytety organizacji.

Możliwy jest też odwrotny efekt. Jeśli komunikacja przebiega bez przeszkód, a realizację zobowiązań łatwiej monitorować, firma nie musi obejmować tak dużej części łańcucha dostaw. Może bardziej ufać zewnętrznym dostawcom i wykonawcom.

Ważnym powodem integracji pionowej jest dążenie do zbieżności interesów. Istnieje koncepcja kontraktów niekompletnych⁠(otwiera nowe okno): firma lotnicza może zawrzeć umowę z producentem silników odrzutowych, ale we wszystkim, czego umowa wyraźnie nie wymaga, producentowi opłaca się ciąć koszty i dbać o własny zysk. Aby tego uniknąć, firma lotnicza kupuje producenta silników. Podobnie jak w relacjach między pracownikami a przełożonymi, łatwiejsze monitorowanie realizacji umów i rozstrzyganie sporów z uwzględnieniem kontekstu, zamiast mechanicznego odhaczania punktów, mogłyby sprawić, że firmy chętniej polegałyby na innych firmach. Byłoby wtedy mniej powodów, by wszystko robić we własnym zakresie.

Spodziewamy się, że pojawi się wiele mniejszych firm, ale także rozległe „holdingi” AI, w których jedno przedsiębiorstwo prowadzi ogromną liczbę różnych projektów. Konglomerat ma sens ekonomiczny tam, gdzie istnieje wspólny zasób wykorzystywany przez wszystkie projekty. Takim zasobem mogłaby być moc obliczeniowa, choć łatwo ją zapewnić doraźnie w niewielkich ilościach. Wspólna fabryka lub flota robotów to lepsze uzasadnienie.

Istnienie dużego „holdingu” może też uzasadniać zbieżność interesów. Jeśli duża organizacja skupiająca systemy AI i kapitał jest całkowicie oddana wspólnej misji — na przykład wyleczeniu raka — potrzeba odrębnych, mniejszych inicjatyw maleje. Firma AI mogłaby uniknąć walk o władzę, dzielić się wszystkimi informacjami i w razie potrzeby zapewniać różnorodność podejść twórczych wśród swoich agentów, by badać różne ścieżki.

Dzisiejszy system ma nagradzać wyróżniających się pracowników. Awansują oni i otrzymują wyższe wynagrodzenie. Ale jak pracownicy będą się wyróżniać w świecie modeli będących znakomitymi doradcami?

Jeśli AI podsuwa wszystkim ten sam świetny pomysł, mamy mniej okazji, by się wyróżnić. Rozpiętość płac powinna się zmniejszyć.

Przeciwdziałają temu trafność osądu, wyczucie i zakres odpowiedzialności. Jeśli każdy z nas kieruje podległą mu firmą AI, nasz wkład jako ludzi będzie polegać na podejmowaniu decyzji. Jeśli każda osoba odpowiada za przedsięwzięcie na większą skalę, różnica między trafnym a błędnym osądem ma większe znaczenie⁠(otwiera nowe okno).

Od dawna stosujemy tę logikę na szczycie firmowej hierarchii. Uzasadniamy wynagrodzenia prezesów⁠(otwiera nowe okno) tym, że nawet nieznacznie lepsze decyzje na szczycie mogą mieć ogromny wpływ na wynik finansowy. Nierówności płacowe mogą wzrosnąć, jeśli niektórzy pracownicy lepiej pokierują podległymi im firmami AI w wykorzystywaniu ograniczonych zasobów.

Im większa stawka, tym wyraźniej niewielka przewaga nad innymi odbija się na wynagrodzeniu. Z drugiej strony AI będzie udzielać dobrych rad wszystkim. Mniejsze różnice między pracownikami zmniejszają rozpiętość płac.

Tutaj, podobnie jak w innych obszarach, o tym, która siła przeważy, może zdecydować to, czy głównie sami dokonujemy osądu, czy kierujemy się cudzym.