Ostrzeżenie Apollo dotyczące zwrotu z AI podważa argumenty za korzyściami poza sektorem technologicznym
Główny ekonomista Apollo, Torsten Slok, twierdzi, że sztuczna inteligencja nie przyniosła finansowych korzyści poza sektorem technologicznym, mimo inwestycji przedsiębiorstw i powszechnego wdrażania. Opublikowana 24 października 2026 r. jego ocena zestawia poprawiające się wyniki finansowe gigantów technologicznych ze słabszymi dowodami w pozostałej części amerykańskiego sektora korporacyjnego. Ostrzeżenie Apollo dotyczące zwrotu z AI poddaje presji dobrze znaną obietnicę: że szybsza praca pojedynczych osób przełoży się na lepsze wyniki firm.
Wniosek ten zasługuje na analizę, w tym na analizę własnych ograniczeń. Październikowa aktualizacja dużego międzynarodowego badania przedsiębiorstw wskazuje na umiarkowane korzyści produktywnościowe wynikające z AI, a nie ich całkowity brak. Eksperymenty w miejscu pracy również dokumentują poprawę w konkretnych zadaniach. Żadne z tych ustaleń nie potwierdza szerokiego boomu zysków, ale oba komplikują kategoryczne odrzucenie tej tezy.
Główny spór dotyczy dystansu między korzystaniem z AI a osiąganiem z niej zwrotu. Microsoft i inni dostawcy technologii mogą sprzedawać dostęp, zanim klienci ustalą, czy ten dostęp poprawia ich ekonomikę. Dla nabywców korporacyjnych, programistów i pracowników wiedzy pytanie brzmi, czy użyteczna pomoc przetrwa drogę przez weryfikację, koordynację i ograniczenia biznesowe.
Co faktycznie mierzy ostrzeżenie Apollo dotyczące zwrotu z AI
Ocena zwrotu z AI Sloka porównuje Magnificent Seven, grupę dużych firm technologicznych, z pozostałymi spółkami wchodzącymi w skład S&P 500. Opisuje on rosnące przychody na pracownika i marże zysku w pierwszej grupie, przy jednocześnie płaskich wynikach w drugiej.
Jego notatka wskazuje również na słabe dowody wkładu AI w szerszy wzrost produktywności. Twierdzi, że wydatki pozostają skoncentrowane, oraz przedstawia tradycyjne przedsiębiorstwa jako coraz bardziej wrażliwe na bieżące koszty korzystania z modeli. Są to interpretacje dowodów przedstawiane przez Apollo, a nie ustalenia z kontrolowanego badania wdrożeń w przedsiębiorstwach.
Apollo wskazuje na lukę między entuzjazmem wobec AI a szerokimi wynikami finansowymi, lecz jego porównanie nie wyodrębnia skutków AI.
Przychody na pracownika mierzą sprzedaż w relacji do liczby zatrudnionych. Mogą rosnąć, ponieważ pracownicy stają się bardziej produktywni, ale także dlatego, że rosną ceny, zmienia się zatrudnienie lub firmy zlecają pracę na zewnątrz. Przedsiębiorstwo może poprawić ten wskaźnik bez wprowadzania AI.
Marże zysku wprowadzają kolejny zestaw czynników. Koszty nakładów, presja konkurencyjna, struktura produktów i decyzje księgowe mogą wpływać na marże niezależnie od efektywności pracowników. Wdrożenie AI może obniżyć koszt operacyjny, podczas gdy niezwiązany z nim problem biznesowy zniweluje tę korzyść.
Grupy porównawcze również wymagają ostrożności. Pozostałe spółki z S&P 500 nie tworzą czystej próby firm spoza sektora technologicznego. Giganci technologiczni także nie stanowią czystego eksperymentu z wdrażaniem AI. Ich modele biznesowe, pozycje rynkowe i ekspozycja na popyt na infrastrukturę różnią się od tych w innych firmach.
Nie czyni to porównania Apollo nieistotnym. Sprawia natomiast, że wykresy są użyteczne do identyfikowania wzorca finansowego, z ograniczeniami w wyjaśnianiu jego przyczyn. Słabość szerokich wyników finansowych może współistnieć z udanymi wdrożeniami w konkretnych działach.
Czas publikacji ma znaczenie, ponieważ Slok opublikował ocenę bieżącego zwrotu, a nie prognozę ostatecznych możliwości technicznych. Jego twierdzenie dotyczy tego, czy korzyści są widoczne teraz. Nakłada to ciężar dowodu na obecne wyniki, pozostawiając jednocześnie nierozstrzygniętą dłuższą perspektywę.
Użyteczna interpretacja jest więc węższa niż najsilniejsza sugestia nagłówka. Apollo kwestionuje dowody na powszechne zwroty finansowe. Ustalenie, że żadna firma poza sektorem technologicznym nie odniosła korzyści, wymagałoby znacznie bardziej szczegółowego badania.
Zespoły finansowe stoją przed problemem konwersji
Bezpośrednia presja spada na menedżerów odpowiedzialnych zarówno za inwestycje technologiczne, jak i wyniki operacyjne. Dyrektor ds. informacji może wykazać, że pracownicy korzystają z rozwiązania. Lider finansowy nadal musi wyjaśnić, co zmieniło się w firmie.
Zaoszczędzony czas staje się zwrotem finansowym tylko wtedy, gdy organizacja potrafi go wykorzystać lub uzyskać inną mierzalną korzyść.
Rozważmy hipotetyczny zespół usługowy, który wprowadza AI, aby pomagała w tworzeniu odpowiedzi dla klientów. Agenci szybciej kończą pierwsze odpowiedzi, lecz przełożeni nadal je sprawdzają. Jeśli zatwierdzanie pozostaje wąskim gardłem, firma może nie obsłużyć żadnych dodatkowych zgłoszeń.
Takie wdrożenie może mimo to poprawić warunki pracy lub jakość odpowiedzi. Te rezultaty mają znaczenie, ale uzasadniają inny przypadek biznesowy niż zwiększona przepustowość. Firma nie powinna opisywać ich zamiennie tylko dlatego, że każdy z nich brzmi korzystnie.
Problem konwersji pojawia się także wtedy, gdy pracownicy wykonują dotychczasową pracę mniejszym nakładem wysiłku. Krótsze zadanie nie zmienia automatycznie wynagrodzeń, zapotrzebowania na zatrudnienie ani popytu klientów. Korzyścią może być wolna przepustowość, mniej nadgodzin lub więcej uwagi poświęconej trudnym przypadkom.
Każdy rezultat wymaga własnych dowodów. Ograniczenie nadgodzin może bezpośrednio wpłynąć na wydatki. Lepsza obsługa może z czasem poprawić retencję. Wolna przepustowość ma wartość, gdy organizacja może skierować ją do pracy, której potrzebują klienci.
Programiści napotykają podobne ograniczenie. Szybsze wygenerowanie funkcji aplikacji nie musi skracać jej drogi przez przegląd bezpieczeństwa, testy integracyjne i zatwierdzenie wydania. Szybsza produkcja na etapie bez ograniczeń może pozostawić ogólny czas dostarczenia bez zmian.
Dlatego zespoły finansowe powinny odróżniać obiecującą demonstrację od wyniku operacyjnego. Demonstracja pokazuje, że narzędzie może wykonać zadanie. Wynik operacyjny pokazuje, czy korzystanie z niego zmienia efektywność rzeczywistego procesu pracy.
Ekonomika dostawcy jest inna. Microsoft, Google i inni dostawcy mogą uzyskiwać przychody z wykorzystania rozwiązania przez klienta, podczas gdy klient nadal ocenia korzyści. Ich sukces komercyjny i zwrot nabywcy należą do powiązanych, lecz odrębnych rachunków.
To samo rozróżnienie dotyczy konkurujących dostawców modeli. Technicznie silniejszy model może rozwiązać trudny problem uzasadniający jego użycie. Inny proces pracy może potrzebować jedynie niezawodnego wyszukiwania informacji i krótkiej odpowiedzi, przez co dodatkowe możliwości stają się ekonomicznie nieistotne.
Nabywcy stoją więc przed bardziej konkretną decyzją niż pytanie, czy przyjąć AI. Muszą zidentyfikować ograniczenie, które spodziewają się usunąć. Jeśli proponowane wdrożenie nie rozwiązuje tego ograniczenia, dane o adopcji dają niewielkie pocieszenie.
Przesuwa to presję na wybory zakupowe i wdrożeniowe. Przedsiębiorstwo potrzebuje powodu, by rozszerzyć działające zastosowanie, powodu, by zmienić słabo działające, oraz sposobu, by je zakończyć. Bez tych rozróżnień pilotaż może nadal generować aktywność bez generowania dającego się obronić rezultatu.
Nowe dane firm komplikują twierdzenie o zerowym zwrocie
Najsilniejsze zastrzeżenie wynika z badań analizujących przedsiębiorstwa bardziej bezpośrednio. Październikowa rewizja z 2026 r. badań dotyczących wdrażania AI przez firmy obejmuje ankietę wśród blisko 9 000 wyższych menedżerów z siedmiu krajów. Wśród autorów są Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom i współpracownicy.
Zaktualizowany artykuł podaje, że 78% badanych firm korzysta z AI. Menedżerowie przypisują jej wdrożeniu wzrost rocznego tempa wzrostu produktywności pracy o 0,2% w poprzednich trzech latach. Oczekują większego wkładu, na poziomie 0,6% rocznie, w kolejnych trzech latach.
Ustalenia te opisują umiarkowaną zgłaszaną korzyść. Nie opisują gospodarki przekształconej przez AI. Nie uzasadniają też traktowania wszystkich wzrostów produktywności przedsiębiorstw jako nieobecnych.
Zaktualizowane dowody osłabiają dosłowne twierdzenie o zerowym zwrocie, pozostawiając jednak nieudowodnioną tezę o powszechnej transformacji finansowej.
Data rewizji badania ma znaczenie. Wcześniejsze omówienia opisywały mniejszą ankietę i podkreślały ograniczone zaobserwowane skutki. Relacjonowanie starszych ustaleń bez sprawdzenia zaktualizowanego artykułu pomijałoby istotną zmianę w dostępnych dowodach.
Autorzy stwierdzają również koncentrację wydatków. Zaledwie 2% firm odpowiada za ponad połowę zgłaszanych wydatków na AI. Ta koncentracja uzasadnia ostrożność w wykorzystywaniu intensywnej aktywności wśród wybitnych wdrażających do opisywania typowej firmy.
Ankieta nie rozstrzyga jednak argumentu Apollo. Menedżerowie zgłaszają postrzegane skutki dla produktywności, a oceny te nie są równoznaczne z niezależnie audytowanymi zyskami finansowymi. Respondenci mogą przeceniać korzyści, ich nie dostrzegać lub przypisywać AI niezwiązane z nią zmiany.
Produktywność pracy, oznaczająca produkcję w relacji do nakładu pracy, różni się także od rentowności. Firma może produkować efektywniej, jednocześnie wydając więcej na oprogramowanie i wdrożenie. Presja konkurencyjna może następnie przekazać część korzyści klientom poprzez lepszą obsługę lub niższe ceny.
Kraje i firmy objęte ankietą różnią się od porównania giełdowego Apollo. Wskaźniki dotyczą powiązanych pytań za pomocą różnych prób i metod. Ich wyniki należy analizować łącznie, bez udawania, że jedno badanie bezpośrednio odtwarza drugie.
Ankieta wśród menedżerów pomaga ujawnić adopcję i oczekiwania kierownictwa. Sprawozdania finansowe pokazują wyniki firm, ale rzadko wyodrębniają wkład konkretnej technologii. Kontrolowane eksperymenty mogą wyraźniej identyfikować lokalne skutki, choć ich wnioski mają węższe granice.
Dla nabywców to połączenie argumentuje przeciwko zarówno samozadowoleniu, jak i odrzuceniu. W dowodach pojawiają się pewne mierzalne korzyści, lecz ich skala i rozkład wymagają uwagi. Umiarkowany średni efekt pozostawia miejsce dla udanych zastosowań obok wdrożeń, które niewiele zmieniają.
Implikacja komercyjna jest prosta. Dostawcy nie mogą wykazać zwrotów klientów, wskazując wyłącznie na rosnące wykorzystanie. Sceptycy nie mogą wykazać powszechnej porażki, wskazując jedynie na płaskie zagregowane marże. Obie pozycje wymagają wyraźniejszego połączenia między wdrożeniem a rezultatem.
Zyski w miejscu pracy nie dowodzą jeszcze zysków firmy
Opublikowane badanie obsługi klienta przedstawia konkretny przykład poprawy jasno określonego procesu pracy dzięki AI. Erik Brynjolfsson, Danielle Li i Lindsey Raymond analizują asystenta konwersacyjnego używanego przez 5 172 agentów. Ich badanie dotyczące produktywności obsługi klienta wskazuje na średni wzrost liczby rozwiązanych spraw na godzinę o 15%.
Korzyści różnią się między pracownikami. Mniej doświadczeni i mniej wykwalifikowani agenci poprawiają zarówno szybkość, jak i jakość. Najbardziej doświadczeni i najwyżej wykwalifikowani agenci uzyskują mniejsze korzyści w zakresie szybkości, przy jednoczesnym niewielkim spadku jakości.
AI może poprawić zadanie operacyjne bez potwierdzania zwrotu dla każdego pracownika, firmy czy branży.
Ta zmienność ma znaczenie dla wdrażania. Narzędzie, które pomaga nowszemu pracownikowi znaleźć odpowiednią odpowiedź, może oferować mniejszą pomoc doświadczonemu koledze. Zastosowanie średniej korzyści do każdego pracownika ukrywałoby istotną różnicę.
Rezultat jest także ściślej powiązany z pracą niż ogólna miara zaangażowania. Rozwiązane problemy klientów łączą wsparcie z ukończoną działalnością usługową. Liczba wygenerowanych sugestii pozostawiałaby znacznie większą lukę między zachowaniem narzędzia a wartością biznesową.
Nawet tutaj produktywność i zysk pozostają odrębnymi kategoriami. Zgłoszona poprawa nie zapewnia automatycznie oszacowania marży dla całej firmy. Taka kalkulacja wymagałaby informacji o wdrożeniu, kosztach użytkowania, nadzorze oraz wartości dodatkowej przepustowości usług.
Badanie dotyczy również wsparcia w firmie tworzącej oprogramowanie. Pokazuje mechanizm istotny dla innych środowisk usługowych, ale samodzielnie nie potwierdza wyników w branżach pozatechnologicznych. Rozszerzenie jego wniosków wymaga dowodów z tych środowisk.
Szerszy eksperyment w miejscu pracy prowadzi do innego, lecz uzupełniającego wniosku. Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica i Christopher Stanton badają 7 137 pracowników umysłowych w 66 firmach. Ich eksperyment dotyczący AI w miejscu pracy losowo zapewnił dostęp do asystenta zintegrowanego ze znanymi aplikacjami.
W późniejszym okresie eksperymentu aktywni użytkownicy wśród pracowników objętych badaniem poświęcali tygodniowo o dwie godziny mniej na e-maile. Badacze zgłaszają również mniej pracy poza regularnymi godzinami. Nie wykryli szerszych zmian w liczbie ani strukturze zadań wynikających z indywidualnego dostępu.
To istotne rozróżnienie. Mniej czasu spędzanego na e-mailach może przynosić korzyść pracownikowi, nawet jeśli nie przekłada się na dodatkową sprzedaż ani ukończone projekty. Ograniczenie pracy poza normalnymi godzinami również może być wartościowe, nie pojawiając się od razu jako wzrost zysków firmy.
Łącznie badania te pokazują, dlaczego jedna etykieta „produktywność” może zaciemniać debatę. Szybsze rozwiązywanie spraw, mniejszy wysiłek związany z e-mailami, wyższa jakość i większy zysk opisują różne rezultaty. Dowód na jedno nie powinien po cichu stawać się dowodem na wszystkie.
Dla zespołów w firmach wniosek dotyczy pomiaru. Istotny wynik powinien wynikać z celu wdrożenia. Asystenta wsparcia należy oceniać według miar obsługi; asystenta badawczego — według jakości dowodów i użytecznych wyników.
To rozróżnienie dotyczy także przeszukiwalnej bazy wiedzy. Znalezienie dokumentu jest zdarzeniem pośrednim. Korzyść dla organizacji zależy od tego, czy ta informacja pomaga komuś rozwiązać problem, uniknąć ponownej pracy lub podjąć decyzję.
Obietnica pod presją polega na automatycznym przekształcaniu pomocy w zwrot. Badania te pokazują użyteczne efekty w określonych warunkach. Pokazują też, dlaczego firmy muszą przeanalizować pozostałą część procesu pracy, zanim prognozują szerszy zwrot.
Szerokie wskaźniki nie mogą wydać jednoznacznego werdyktu w sprawie AI
Sceptyczne stanowisko pozostaje mocne nawet po uznaniu udanych zastosowań. Firmy działają w ramach ograniczeń, których asystent sam nie jest w stanie usunąć. Szybszy szkic może nadal czekać na zatwierdzenie, a dodatkowa produkcja może nadal napotykać ograniczony popyt.
Dowody z Danii wskazują na kolejną granicę. Anders Humlum i Emilie Vestergaard łączą ankiety dotyczące adopcji z administracyjnymi danymi rynku pracy. Ich badanie wpływu AI na pracę wykazuje powszechne zmiany w pracy przy jednoczesnym braku wykrywalnych skutków dla zarobków lub rejestrowanych godzin.
Wyniki te nie mierzą każdej korzyści, jaką może otrzymać firma lub pracownik. Podważają jednak założenie, że wdrożenie szybko prowadzi do widocznych zmian w konwencjonalnych miarach rynku pracy. Praca może się zmieniać, zanim zmienią się płace lub rejestrowane harmonogramy.
Słabe szerokie wskaźniki ograniczają twierdzenia o boomie AI, ale nie określają wyników każdego wdrożenia.
Apollo odwołuje się również do całkowitej produktywności czynników produkcji, czyli miary wzrostu produkcji wykraczającego poza zmierzone zmiany nakładów pracy i kapitału. Jej wersja skorygowana o wykorzystanie uwzględnia zmiany w intensywności używania tych nakładów. Pomaga to oddzielić część wpływów cyklicznych od bazowej efektywności.
Ta miara pozostaje szersza niż AI. Na wynik wpływają inne technologie, zmiany organizacyjne, problemy pomiarowe i warunki gospodarcze. Szereg danych dla całej gospodarki nie może bezpośrednio wskazać, co wydarzyło się po wdrożeniu asystenta przez konkretną firmę.
Dane dotyczące pomiaru produktywności ilustrują tę różnicę. W ciągu czterech kwartałów zakończonych w drugim kwartale 2026 roku nieskorygowana całkowita produktywność czynników produkcji wzrosła o 1,42%. Jej odpowiednik skorygowany o wykorzystanie spadł o 0,07%.
Rozbieżność pokazuje, dlaczego wybrana miara ma znaczenie. Nie pokazuje, że zwykła produktywność przestała rosnąć ani że AI spowodowała którykolwiek z tych wyników. Twierdzenie dotyczące AI wymaga dodatkowego argumentu łączącego wdrożenie z obserwowaną zmianą gospodarczą.
Istnieje też problem czasu. Wyniki finansowe mogą pojawić się z opóźnieniem po wdrożeniu, zwłaszcza gdy firmy zmieniają zakres obowiązków lub systemy. Nieokreślony przyszły zwrot nie może jednak w nieskończoność uzasadniać każdego bieżącego wydatku.
Obie strony ponoszą ciężar dowodu. Zwolennicy potrzebują dowodów, że korzyści utrzymują się po uwzględnieniu kosztów operacyjnych i ograniczeń organizacyjnych. Krytycy potrzebują dowodów, zanim zinterpretują brak zagregowanego sygnału jako powszechną porażkę.
Jakość wprowadza kolejną komplikację. System, który tworzy więcej materiału, może również generować więcej pracy weryfikacyjnej. Jeśli organizacja mierzy wyłącznie szybkość generowania, może przeoczyć wysiłek wymagany do poprawiania niepopartych stwierdzeń lub niespójnych decyzji.
Istnieje też problem odwrotny. Asystent może pomóc pracownikowi zapobiec kosztownemu błędowi lub obsłużyć wymagającego klienta. Wąska miara szybkości mogłaby przeoczyć tę korzyść. Wiarygodna ocena wymaga wyników odzwierciedlających rzeczywistą pracę.
Te ograniczenia powinny zwiększać precyzję raportowania. Stwierdzenie o zyskach powinno opierać się na dowodach finansowych. Stwierdzenie o szybkości wykonywania zadania powinno wskazywać dane zadanie. Stwierdzenie o transformacji gospodarczej powinno uwzględniać skalę i rozkład wdrożeń.
Ostrzeżenie Apollo jest najsilniejsze, gdy kwestionuje przejście od widocznej aktywności do szerokich zwrotów. Jest słabsze, gdy interpretuje się je jako dowód, że użyteczne zyski nie istnieją. Dostępne dowody wspierają analizę procesu przekształcania korzyści, a nie uniwersalny werdykt.
Kolejne dowody muszą połączyć wydatki z wynikami
W następnym okresie sprawozdawczym debata powinna koncentrować się na obserwowalnych zmianach, a nie na konkurujących deklaracjach. Istotne sygnały dotyczą wyników dla klientów, rozkładu korzyści i ekonomiki dalszego użytkowania. Łącznie mogą odróżnić selektywny sukces od szerokiego zwrotu finansowego.
Rozstrzygające dowody połączą wykorzystanie AI z ukończoną pracą i wynikami finansowymi w szerszym zakresie firm.
Po pierwsze, warto obserwować kolejne ujawnienia wyników finansowych firm spoza grona największych dostawców technologii. Najbardziej użyteczne ujawnienia połączą wskazane wdrożenie z miarą operacyjną i wyjaśnią związane z nim koszty. Ogólne stwierdzenia o adopcji przez pracowników dostarczyłyby znacznie słabszych dowodów.
Detalista, ubezpieczyciel lub producent mógłby wzmocnić tę tezę, wyjaśniając, gdzie proces pracy się poprawił i jak wpłynęło to na wyniki firmy. Związek ma większe znaczenie niż odosobnione twierdzenie o zaoszczędzonych godzinach. Czytelnicy powinni także szukać omówienia wymogów weryfikacji oraz wysiłku wdrożeniowego.
Powtarzające się ujawnienia tego rodzaju osłabiłyby najszerszą interpretację ostrzeżenia Apollo. Dalsze poleganie na ogólnikowym języku efektywności pozostawiłoby jego główną obawę nienaruszoną. Sam wzrost przychodów dostawców nie odpowiedziałby na pytanie o zwrot dla klientów.
Po drugie, warto obserwować, czy kolejne badania firm pokażą, że korzyści rozprzestrzeniają się poza najbardziej intensywnych użytkowników. Październikowa aktualizacja badawcza sugeruje już umiarkowane zgłaszane korzyści dla produktywności. Kolejne pytanie dotyczy ich zasięgu, trwałości i związku z rzeczywistymi wynikami operacyjnymi.
Rosnąca średnia zasługiwałaby na uwagę, lecz rozkład nadal miałby znaczenie. Korzyści skoncentrowane w wąskiej grupie opisywałyby inną gospodarkę niż zyski rozciągające się na zwykłe firmy. Reprezentatywne próby mogą pomóc zapobiec sytuacji, w której głośne historie sukcesu zastępują typowe wyniki.
Zmiany w ankietach również wymagają uważnych porównań. Zmieniająca się próba krajów lub treść pytań może zmienić prezentowany obraz. Czytelnicy powinni porównywać równoważne miary, zanim zinterpretują nową liczbę jako przyspieszenie lub odwrócenie trendu.
Po trzecie, warto obserwować, czy rozszerzone wdrożenia poprawiają swoją ekonomikę wraz ze wzrostem użycia. Generowanie większej ilości wyników jest niewystarczające, jeśli wraz z nim rośnie wysiłek weryfikacji i korekty. Istotnym sygnałem jest poprawa ilości użytecznej ukończonej pracy względem wymaganych zasobów.
Dotyczy to szczególnie systemów upoważnionych do wykonywania działań w różnych programach biznesowych. Przekonujące wdrożenie wykazałoby niezawodne ukończenie zadań, możliwy do opanowania udział człowieka i wyraźną korzyść dla procesu pracy. Demonstracja, która odnosi sukces pod ścisłym nadzorem, odpowiada na węższe pytanie.
Odnowienia, ograniczenia i anulowania również dostarczą wskazówek, choć każde z nich wymaga kontekstu. Odnowiona umowa może odzwierciedlać postrzeganą wartość, trudność zmiany dostawcy lub niedokończoną ocenę. Anulowanie może wynikać ze słabego wdrożenia, a nie z porażki technologii bazowej.
Dla pracowników umysłowych praktyczny wniosek jest taki, aby utrzymywać widoczny związek między pomocą a wynikami. Proces zarządzania wiedzą osobistą może organizować użyteczne materiały, lecz sama organizacja nie dowodzi zwrotu finansowego. Dowody stają się silniejsze, gdy lepszy dostęp zmienia rzeczywistą decyzję lub rezultat pracy.
Czytaj kolejne twierdzenie o sukcesie AI, mając na uwadze jego mianownik. Zapytaj, jaka praca się poprawiła, czyj wysiłek się zmienił i jakie koszty pozostały. Odróżniaj pracownika kończącego zadanie szybciej od firmy zarabiającej więcej, pamiętając, że oba wyniki mogą mieć znaczenie. Debata Apollo o zwrocie z AI stanie się jaśniejsza, gdy firmy będą konsekwentnie wyjaśniać ten związek. Do tego czasu porównuj twierdzenia o adopcji z ukończoną pracą, zgłaszane oszczędności z wynikami operacyjnymi i zachowuj widoczne granice każdego badania. Gdy organizacja prezentuje kolejne wdrożenie, zapytaj o wynik, który miało ono zmienić, oraz o dowody, że go zmieniło. Co stało się potem, gdy szybszy szkic, odnaleziony dokument lub wygenerowana odpowiedź trafiły do pozostałej części firmy?
