Badania OpenAI nad AI w miejscu pracy wskazują, że zakres obowiązków rośnie, zanim zmienią się nazwy stanowisk
Badania OpenAI nad AI w miejscu pracy wykazały uderzającą zmianę w ponad 1,5 mln wiadomości związanych z pracą, wysłanych w ChatGPT. Pracownicy nie tylko testują zadania wykraczające poza ich zawody. Niektórzy wracają do tych działań i czynią je stałymi elementami swojej pracy.
To rozróżnienie zmienia debatę o AI w miejscu pracy. Bezpośrednim tematem nie jest już wyłącznie to, czy AI likwiduje stanowiska lub usprawnia istniejące zadania. Chodzi o to, czy pracownicy po cichu przejmują obowiązki, które wcześniej należały do marketerów, analityków, inżynierów lub specjalistów ds. obsługi klienta.
OpenAI opisuje ten wzorzec jako rozszerzanie zakresu pracy. Takie rozszerzenie może jednak oznaczać zarówno większą sprawczość, jak i niezauważony wzrost obciążenia. Pracownik może rozwiązać problem bez czekania na inny dział, ale jednocześnie przejąć odpowiedzialność bez odpowiedniego szkolenia, kontroli lub wynagrodzenia.
Badanie zadań między rolami obejmuje użytkowników ChatGPT Business od kwietnia do lipca 2026 roku. OpenAI podaje, że wiadomości zostały zanonimizowane i zagregowane, a badacze nigdy nie czytali pojedynczych rozmów.
Jego główny wniosek ma charakter behawioralny, a nie spekulacyjny. Wśród około 6200 pracowników obserwowanych konsekwentnie zadania między zawodami, podejmowane wcześniej, stanowiły rosnącą część ich aktywności AI specyficznej dla zawodu.
Wynik sugeruje, że opisy stanowisk mogą nie nadążać za faktycznymi zmianami w pracy. Pracownicy mogą wypracować nowe rutyny, zanim menedżerowie przeprojektują role, zaktualizują mechanizmy kontroli lub zdecydują, kto odpowiada za ostateczną decyzję.
To tworzy centralne napięcie artykułu. OpenAI dostrzega drogę od eksperymentowania do szerszego zakresu pracy. Pracodawcy i pracownicy muszą ustalić, czy ta droga prowadzi do użytecznej autonomii, ryzykownego łączenia ról, czy do obu tych zjawisk.
Co OpenAI odkryło w 1,5 mln wiadomości związanych z pracą
Istotna zmiana nie polega na tym, że pracownicy próbowali nieznanych zadań, lecz na tym, że znacząca część z nich do tych zadań wracała.
OpenAI przeanalizowało ponad 1,5 mln wiadomości związanych z pracą, wygenerowanych w ChatGPT między kwietniem a lipcem 2026 roku. Analiza była kontynuacją wcześniejszego badania dotyczącego przekraczania przez pracowników tradycyjnych granic zawodowych podczas korzystania z AI.
Wcześniejsza analiza przenikania zadań klasyfikowała pracę jako ogólną, wykonywaną w ramach zawodu lub między zawodami. Praca ogólna obejmowała szeroko wspólne czynności, takie jak rutynowe pisanie, streszczanie i planowanie.
Praca między zawodami obejmowała działania historycznie kojarzone z innym zawodem. Przykładami były marketer rozwiązujący problem z oprogramowaniem, sprzedawca analizujący dane klientów lub właściciel małej firmy przeglądający umowę.
OpenAI wcześniej ustaliło, że 16,8% wiadomości związanych z pracą dotyczyło zadań powiązanych z innym zawodem. Po wyłączeniu czynności ogólnych 43,5% wiadomości specyficznych dla zawodu wykraczało poza zidentyfikowany zawód użytkownika.
Nowe badanie pyta, co działo się po tym pierwszym przekroczeniu granicy. Wśród pracowników obserwowanych przez cały czteromiesięczny okres wcześniej wykorzystywane zadania między zawodami stanowiły w kwietniu 13,1% aktywności AI specyficznej dla zawodu.
W lipcu udział ten wzrósł do 25,9%. Wzrost nie oznacza, że zmieniła się jedna czwarta całej pracy kogokolwiek. Opisuje on strukturę aktywności w ChatGPT specyficznej dla zawodu w obserwowanej przez OpenAI próbie.
Osobne porównanie sprawdzało, czy pracownicy wracali do tego samego zadania między zawodami w kolejnym miesiącu. Osoby, które wcześniej korzystały z danego zadania, wracały do niego w 23,6% przypadków.
Porównywalni pracownicy, u których nie zaobserwowano wcześniejszego użycia, wykonywali to samo zadanie tylko w 8,4% przypadków. Różnica wspiera tezę o powtarzalnym wzorcu, choć nie dowodzi, że to ChatGPT spowodował takie zachowanie.
Średni wskaźnik powrotu w kolejnym miesiącu dla zadań między zawodami wyniósł 18,5%. Częstotliwość powrotów znacząco różniła się jednak w zależności od aktywności.
Omawianie produktów lub usług z klientami miało wskaźnik powrotu na poziomie 54%. Pisanie reklamowe lub promocyjne osiągnęło 44%, a tworzenie materiałów marketingowych — 37%.
Wyjaśnianie informacji finansowych powtarzało się znacznie rzadziej, na poziomie około 15%. Ta różnica ma znaczenie, ponieważ wskazuje, gdzie pracownicy czują się komfortowo, rozszerzając swoje role.
Komunikacja z klientami i praca promocyjna często prowadzą do wyników, które można poprawić przed publikacją. Wyjaśnienia finansowe mogą mieć poważniejsze konsekwencje, gdy błędy trafiają do klientów, menedżerów lub regulatorów.
Wyniki ujawniają także różnice w sposobie, w jaki pracownicy proszą o pomoc. W przypadku zadań spoza własnego zawodu ludzie używali krótszych promptów niż przy pracy w swojej zwykłej dziedzinie.
Rzadziej prosili o instrukcje, porady, wyjaśnienia lub konkretny format wyniku. Częściej jednak podawali przykłady lub kontekst i prosili ChatGPT o zweryfikowanie czegoś.
OpenAI interpretuje to jako zapożyczanie wiedzy eksperckiej zamiast uczenia się całej dyscypliny. Ktoś przynosi konkretny problem, dodaje lokalny kontekst i prosi AI o zastosowanie wiedzy z innej dziedziny.
Takie zachowanie sprawia, że zadania wykonywane w ChatGPT przypominają nieformalny punkt wsparcia. Pracownik nie staje się prawnikiem, inżynierem ani analitykiem. AI pomaga mu posunąć konkretną sprawę naprzód bez tradycyjnego przekazania jej dalej.
Zmiana ma znaczenie, ponieważ powtarzalne zachowanie może stać się praktyką operacyjną. Gdy zadanie trafia do cotygodniowego przepływu pracy, organizacja musi zdecydować, czy powinno tam pozostać i pod jakimi mechanizmami kontroli.
Badania OpenAI nad AI w miejscu pracy pokazują, jak nowe zadania stają się nawykami
Powtarzalne użycie stanowi wiarygodny mechanizm zmiany pracy, który zaczyna się od indywidualnego zachowania, a nie formalnej restrukturyzacji.
Proces zaczyna się, gdy pracownik napotyka problem wykraczający poza zwykłe granice roli. Korzysta z AI, ponieważ specjalista jest niedostępny, przekazanie sprawy trwa długo albo problem wydaje się możliwy do opanowania.
Jeśli rezultat okaże się użyteczny, pracownik powtarza ten proces. Powtórzenia przekształcają pojedynczy eksperyment w przepływ pracy, zwłaszcza gdy dane zadanie pojawia się często.
Mechanizm ten wyjaśnia, dlaczego rozszerzanie zakresu pracy przez AI może poprzedzać nowe nazwy stanowisk. Systemy HR zmieniają się powoli, podczas gdy pracownik może w ciągu kilku minut dodać prompt, dokument i etap kontroli.
Rozważmy menedżera produktu, który musi podsumować wywiady z klientami i przygotować aktualizację. Może on także użyć AI do analizy tematów zgłoszeń wsparcia, napisania języka promocyjnego lub rozwiązania problemu z zapytaniem śledzącym.
Żaden z tych dodatków nie musi prowadzić do utworzenia nowego stanowiska. Łącznie zmieniają jednak to, co menedżer produktu rutynowo tworzy oraz które zespoły otrzymują mniej przekazanych spraw.
Sprzedawca może podążać podobnym schematem w pracy z danymi klientów. Pierwsza prośba może dotyczyć wstępnego obliczenia, podczas gdy kolejne stają się częścią przygotowania do obsługi klienta.
Projektant może używać AI do poprawiania tekstów kampanii lub wyjaśniania wymagań wdrożeniowych. Operator małej firmy może przeplatać komunikację z klientami, marketing i podstawową interpretację finansową.
Te przykłady nie dowodzą, że pracownicy opanowali zapożyczone dyscypliny. Pokazują, jak AI obniża wysiłek potrzebny do podjęcia wąsko zdefiniowanego zadania.
Kontekst wydaje się kluczowy dla tego procesu. OpenAI ustaliło, że pracownicy podawali więcej przykładów i informacji w tle, gdy działali poza swoimi zawodami.
Takie zachowanie sugeruje, że pracownik nadal wnosi wiedzę, której modelowi brakuje. Zatrudniony rozumie klienta, termin, dokument lub ograniczenie organizacyjne, podczas gdy AI wnosi wzorzec, który można przenosić między dziedzinami.
Relacja ta bardziej przypomina wspomaganie niż pełną automatyzację. Wcześniejsze dowody dotyczące wspomagania Anthropic wykazały, że 57% zaobserwowanego użycia Claude obejmowało współpracę, wobec 43% zaklasyfikowanych jako automatyzacja.
Anthropic również ostrzegało, że jego dane reprezentowały użytkowników Claude, a nie cały rynek pracy. Ustalenia OpenAI wymagają tego samego rozróżnienia między zaobserwowaną aktywnością w produkcie a zachowaniem całej siły roboczej.
Mimo to oba programy badawcze wskazują na oparte na zadaniach spojrzenie na zmianę. Stanowiska składają się z wielu czynności, a wdrażanie AI może rozprzestrzeniać się między nimi nierównomiernie.
Niektóre zadania powtarzają się, ponieważ łatwo je sprawdzić i pasują do istniejących rutyn. Inne pozostają rzadkie, ponieważ błędy są kosztowne, lokalne zasady są złożone lub zatwierdzenie przez człowieka pozostaje niezbędne.
Ta nierównomierność jest ważna dla każdego, kto tworzy przepływ pracy z AI. Użyteczny system musi zachowywać dokumenty, decyzje i kontekst, które umożliwiają późniejszą kontrolę.
Narzędzia osobiste mogą pomagać pracownikom utrzymać tę ciągłość. Ustrukturyzowany AI second brain może łączyć powtarzalne prośby z materiałem źródłowym, który za nimi stoi.
Celem nie powinno być nieograniczone gromadzenie zadań. Powinien nim być proces umożliwiający śledzenie, w którym pracownicy mogą odzyskać dowody, zrozumieć wcześniejsze decyzje i rozpoznać, kiedy wymagana jest kontrola specjalisty.
Badanie OpenAI opisuje zatem więcej niż tylko wdrażanie promptów. Pokazuje, jak jednostką zmiany w miejscu pracy może być powtarzana czynność osadzona w niezmienionej roli.
Mechanizm ten przenosi uwagę z dostępu na projektowanie. Udostępnienie pracownikom konta AI rozpoczyna proces, ale nie przesądza o tym, czy powtarzalne użycie stanie się rzetelną pracą.
Menedżerowie muszą zdecydować, które wyniki wymagają kontroli, które źródła są dozwolone i które decyzje pozostają poza uprawnieniami pracownika. Te wybory określają, czy rozszerzenie roli stanie się zdolnością, czy źródłem ryzyka.
Rozszerzanie ról wywiera presję na model przekazywania spraw specjalistom
Powtarzalna praca między rolami podważa organizacje zbudowane wokół kierowania każdego nieznanego problemu do zespołu specjalistów.
Tradycyjne organizacje rozdzielają pracę z dobrych powodów. Marketing, finanse, prawo, inżynieria i obsługa klienta rozwijają odrębną wiedzę ekspercką, standardy i odpowiedzialność.
Granice te tworzą również oczekiwanie. Niewielka prośba może trafić do kolejki, stracić kontekst podczas przekazania i wrócić po tym, gdy pierwotny moment już minął.
Zadania wykonywane w ChatGPT obniżają koszt podjęcia próby odpowiedzi przed takim przekazaniem. Osoba znajdująca się najbliżej problemu może od razu przygotować szkic, obliczyć, sklasyfikować lub rozwiązać problem.
Pierwszy raport OpenAI wykazał silniejszy wzorzec przekraczania ról wśród przeciętnych użytkowników w mniejszych przestrzeniach roboczych. Zadania spoza własnego zawodu stanowiły 18,9% aktywności użytkowników w przestrzeniach roboczych liczących od dwóch do pięciu miejsc.
Udział ten wyniósł 16,3% dla użytkowników w przestrzeniach roboczych z ponad 100 miejscami. OpenAI zasugerowało, że mniejsze organizacje dysponują mniejszymi zasobami specjalistycznymi, przez co pomoc generalistyczna jest bardziej wartościowa.
Interpretacja ta pasuje do realiów operacyjnych małych zespołów. Osoba, która wykrywa problem, często przejmuje za niego odpowiedzialność, ponieważ nie ma nikogo innego.
Większe firmy mają więcej specjalistów, ale ponoszą też koszty koordynacji. Pracownik, który potrafi przygotować lepszy pierwszy szkic, może ograniczyć niepotrzebne przekazania bez omijania ostatecznej kontroli.
Model pod presją nie jest więc samą specjalizacją. Jest nim założenie, że każde specjalistyczne zadanie musi pozostać całkowicie w obrębie roli specjalisty.
AI może oddzielić przygotowanie od upoważnienia. Sprzedawca może przeanalizować zbiór danych, a analityk zweryfikuje metodę. Menedżer może przygotować pytania dotyczące umowy, a prawnik przedstawi ocenę prawną.
Taki podział może lepiej ukierunkować czas ekspertów. Specjaliści otrzymują lepiej sformułowane prośby, bogatszy kontekst i wstępny materiał zamiast nieokreślonego problemu.
Organizacje mogą jednak łatwo niewłaściwie wykorzystać tę efektywność. Liderzy mogą uznać, że pracownik, który potrafi zainicjować zadanie, może także odpowiadać za jego jakość, ryzyko i utrzymanie.
Taki wniosek przekształca rozszerzanie zakresu pracy przez AI w kompresję ról. Kilka obszarów zostaje upakowanych w jednym stanowisku bez usuwania wcześniejszych obowiązków.
Różnica często ujawnia się w projektowaniu obciążenia pracą. Jeśli pracownik dodaje analizę klientów, szkice materiałów marketingowych i rozwiązywanie problemów technicznych, które wcześniejsze obowiązki znikają?
Bez jednoznacznej odpowiedzi firma nie przeprojektowała pracy. Po prostu rozszerzyła zakres spraw, za które jedna osoba czuje się odpowiedzialna.
Regularne korzystanie może również osłabić pętle uczenia się specjalistów. Zespół marketingowy może przestać dostrzegać typowe pytania klientów, jeśli pracownicy sprzedaży samodzielnie przygotowują każdą odpowiedź.
Dział inżynieryjny może nie zauważyć powtarzających się awarii produktu, jeśli inne zespoły rozwiązują problemy na własną rękę. Zespoły prawne mogą stracić wgląd w powracające kwestie umowne, jeśli pracownicy proszą jedynie o ostateczne zatwierdzenie.
Organizacje potrzebują więc progów eskalacji. Tworzenie szkiców o niskich konsekwencjach może pozostać blisko pierwotnego wykonawcy, podczas gdy decyzje regulowane, nieodwracalne lub wrażliwe dla klientów powinny trafiać do specjalistów.
Potrzebują także wspólnych rejestrów. Jeśli każdy pracownik rozwija prywatne procedury korzystania z ChatGPT, firmie trudno będzie sprawdzić, co zadziałało, co zawiodło i które założenia się rozpowszechniły.
Udokumentowany przepływ pracy daje menedżerom lepszą podstawę do przeprojektowania procesów. Zespoły mogą identyfikować powtarzające się działania między rolami, mierzyć potrzebę poprawek i decydować, czy nowa odpowiedzialność powinna należeć do danej roli.
Dla zespołów produktowych cotygodniowy workflow AI oferuje jeden model utrzymywania powiązania między źródłami a wynikami. Szersza zasada ma zastosowanie we wszystkich funkcjach.
Celem nie jest zachowanie każdego historycznego przekazania pracy. Chodzi o utrzymanie wiedzy eksperckiej, odpowiedzialności i instytucjonalnego uczenia się, nawet gdy pierwsza odpowiedź pojawia się bliżej problemu.
Ustalenia OpenAI wywierają presję na liderów, którzy traktują wdrożenie jako implementację oprogramowania. Ważniejsze pytanie zarządcze dotyczy tego, jak zmieniają się obowiązki, gdy pracownicy wykształcają powtarzalne nawyki.
Czego nie dowodzą wskaźniki powtarzalności
Badanie identyfikuje wzorzec w korzystaniu z ChatGPT, ale nie dowodzi produktywności, zdobywania umiejętności ani trwałego przeprojektowania pracy.
Zbiór danych OpenAI zapewnia nietypowy wgląd w rzeczywiste zachowania użytkowników produktu. Nadal jest to jednak próba obserwacyjna obejmująca osoby, które już korzystają z ChatGPT Business w pracy.
Próba nie reprezentuje każdego pracownika, zawodu, firmy ani produktu AI. Praca fizyczna i miejsca pracy z ograniczonym dostępem do ChatGPT prawdopodobnie nie są reprezentowane proporcjonalnie.
Zawody wywnioskowano na podstawie informacji o roli lub dziale podanych podczas wdrażania do Business. Ta metoda jest użyteczna, lecz stanowiska i nazwy działów mogą ukrywać hybrydowy charakter obowiązków.
Menedżer produktu wykonujący analizę klientów może przekraczać granicę zawodową. Ta sama aktywność mogła być już oczekiwana w firmie tej osoby.
Ten problem klasyfikacyjny pojawił się w pierwszym raporcie. OpenAI przyznało, że analiza nie mogła w pełni odróżnić nowo powstałej pracy między rolami od istniejących obowiązków wspieranych przez AI.
Nowe badanie dostarcza dowodów na powtarzalność, ale powtarzalność nie rozstrzyga tej niejednoznaczności. Powtarzający się prompt może odzwierciedlać rzeczywiste rozszerzenie pracy, dawne zadanie wykonywane inaczej lub tymczasowy projekt.
Okno obserwacji obejmowało także zaledwie cztery miesiące. Taki okres wystarcza, by zidentyfikować powracające zachowania, ale jest zbyt krótki, by potwierdzić trwałą zmianę zawodową.
Sezonowość może wpływać na marketing, komunikację z klientami, budżetowanie i raportowanie. Zadanie powracające w kolejnych miesiącach może zniknąć po kampanii lub cyklu planowania.
Wzrost od kwietnia do lipca wymaga szczególnie ostrożnej interpretacji. Gdy pracownicy próbują większej liczby działań, rośnie pula zadań kwalifikujących się jako wcześniej używane.
OpenAI wskazuje tę dynamikę w metodologii. Rosnący udział jest zgodny z tworzeniem rutyn, lecz nie powinien być traktowany jako kontrolowany szacunek przyczynowy.
Badanie mierzy także wiadomości, a nie zakończone wyniki biznesowe. Nie pokazuje, czy rezultaty zostały zaakceptowane, poprawione, odrzucone ani czy wiązały się z mierzalnymi korzyściami.
Powrót pracownika do zadania może sygnalizować wartość. Może jednak także odzwierciedlać powtarzające się trudności, niewystarczające rezultaty lub proces wymagający kilku prób.
Eksperyment dotyczący wzorców pracy NBER dostarcza użytecznego kontekstu dla tego ograniczenia. W tym badaniu pracownikom losowo przyznano dostęp do generatywnej AI w popularnych aplikacjach używanych w miejscu pracy.
Stwierdzono, że dostęp zmieniał sposób, w jaki ludzie rozdzielali czas między aktywności. Badania eksperymentalne dotyczące dostępu i analizy dzienników wiadomości odpowiadają jednak na różne pytania.
Eksperymenty mogą oszacować zmiany przyczynowe w określonych warunkach. Dzienniki produktu ujawniają naturalnie występujące zachowania na znacznie większą skalę, lecz dają mniejszą kontrolę nad doborem próby i kontekstem.
Żadne z tych podejść samo w sobie nie określa, czy szersze role poprawiają jakość pracy. Produktywność, autonomia, uczenie się, stres i wynagrodzenie mogą zmieniać się w różnych kierunkach.
Pojawia się również kwestia kompetencji. Zapewnienie kontekstu i prośba o weryfikację mogą poprawić odpowiedź modelu, ale nie dają pracownikowi specjalistycznego osądu.
Dopracowane wyjaśnienie finansowe nadal może zawierać subtelny błąd. Wiarygodnie brzmiąca poprawka oprogramowania może wprowadzić problemy z bezpieczeństwem. Tekst marketingowy może naruszać niewypowiedziane ograniczenia marki lub regulacyjne.
Najczęściej powtarzające się działania w badaniu OpenAI dotyczą w dużej mierze komunikacji i pracy promocyjnej. Ich znaczenie może wynikać z łatwej integracji, a nie z niezawodności działania modelu.
Niższa powtarzalność wyjaśnień finansowych sugeruje inną możliwość. Pracownicy mogą rozumieć, że niektóre obszary wymagają większej ostrożności, kontroli lub odpowiedzialności.
Organizacje nie powinny interpretować powtarzalności jako automatycznego zezwolenia. Użyteczna aktywność nadal może wymagać wyznaczonego recenzenta, zatwierdzonego zestawu źródeł i wyraźnego ograniczenia decyzji o istotnych konsekwencjach.
Kolejną kwestią jest prywatność. OpenAI twierdzi, że wykluczyło dane z wyłączonym treningiem oraz wiadomości bez użytecznych klasyfikacji, zachowując anonimowość poprzez agregację.
Dotyczy to procesu badawczego opisanego w raporcie. Pracodawcy nadal potrzebują własnych zasad regulujących poufne informacje, dane klientów i rejestry wprowadzane do systemów AI.
Najbardziej uzasadniony wniosek jest węższy niż obietnica przekształconego zatrudnienia. Niektórzy pracownicy wielokrotnie używają ChatGPT ponad granicami zawodów, a pewne zadania powtarzają się częściej niż inne.
To ustalenie zasługuje na uwagę, ponieważ rutyny często poprzedzają formalną zmianę. Nie dowodzi jednak, czy wynikające z nich miejsca pracy są lepsze, bezpieczniejsze, bardziej produktywne lub sprawiedliwie wynagradzane.
Trzy sygnały pokażą, czy rozszerzanie pracy przez AI się utrzyma
Kolejnym testem będzie to, czy powtarzające się zachowania między rolami prowadzą do odpowiedzialnych przepływów pracy, szerszego mierzonego wdrożenia i lepszych wyników pracy.
Pierwszym sygnałem jest trwałość w dłuższych okresach obserwacji. Czteromiesięczne okno OpenAI uchwyciło początek powtarzalnych zachowań, a nie ich pełny cykl życia.
Przyszłe raporty powinny pokazać, czy te same działania utrzymują się po sześciu lub dwunastu miesiącach. Trwała powtarzalność wzmocniłaby interpretację dotyczącą rozszerzania pracy.
Spadek sugerowałby, że wiele zastosowań było tymczasowymi eksperymentami, sezonowymi potrzebami lub zadaniami, które pracownicy ostatecznie ponownie przekazali specjalistom.
Istotny jest także skład powtarzającej się pracy. Dalsza koncentracja na tekstach promocyjnych oznaczałaby węższą zmianę niż ekspansję na analizy, pracę techniczną lub procesy regulowane.
Drugim sygnałem będzie to, czy wzorzec pojawia się poza użytkownikami ChatGPT Business. OpenAI, Anthropic, Microsoft i niezależni badacze obserwują różne populacje za pośrednictwem różnych produktów.
Zbieżne wyniki zmniejszyłyby prawdopodobieństwo, że zaobserwowane zjawisko wyjaśnia projekt produktu lub struktura klientów. Rozbieżności ujawniłyby, jak interfejsy modeli i warunki pracy kształtują zachowania.
Badania Anthropic wykazały koncentrację aktywności AI w tworzeniu oprogramowania i pisaniu. Badanie OpenAI dotyczące działań między rolami zwraca uwagę na obliczenia finansowe, rozwiązywanie problemów technicznych, marketing oraz działania skierowane do klientów.
Te perspektywy są zgodne, ale nie są wymienne. Każdy dostawca obserwuje zachowania przez pryzmat własnego produktu, bazy użytkowników, systemu klasyfikacji i procesu pomiarowego chroniącego prywatność.
Badacze powinni również odróżniać pracowników, którzy dobrowolnie korzystają z narzędzi czatowych ogólnego przeznaczenia, od pracowników, którym systemy AI przydzieliła organizacja. Motywacja i oczekiwania menedżerów mogą wpływać na powtarzalność.
Trzecim sygnałem jest odpowiedź organizacji. Pracodawcy muszą pokazać, czy powtarzające się zadania między rolami trafiają do formalnych przepływów pracy z kontrolą, szkoleniami i dostosowanymi obowiązkami.
Zmieniony opis stanowiska byłby jednym widocznym wskaźnikiem. Nowe punkty zatwierdzania, programy rozwoju umiejętności lub miary obciążenia pracą dostarczyłyby silniejszych dowodów operacyjnych.
Znaczenie będą mieć także systemy wynagrodzeń i awansów. Jeśli pracownicy dostarczają szerszy zakres wartościowych rezultatów, organizacje muszą zdecydować, czy taka wszechstronność będzie uznawana za rozwój umiejętności.
Jeśli obowiązki rozszerzają się bez uznania, ten sam trend może prowadzić do intensyfikacji pracy. Pracownicy będą odpowiadać za więcej obszarów, nadal będąc oceniani według wcześniejszych obowiązków.
Badania OpenAI dotyczące AI w miejscu pracy sprawiają, że trudniej ignorować ten wybór zarządczy. Dostęp do AI może zmieniać podział pracy, zanim liderzy ogłoszą restrukturyzację.
Ta zmiana może przynieść pracownikom korzyści, gdy usuwa opóźnienia i daje im większą kontrolę nad wynikami. Może także przynosić korzyści specjalistom, gdy rutynowe przygotowanie trafia do nich w lepiej uporządkowanej formie.
Może jednak tworzyć ukryte ryzyko, gdy wygenerowana praca omija ekspercką kontrolę. Decydującym czynnikiem jest nie tylko jakość modelu, lecz także sposób zaprojektowania odpowiedzialności wokół każdego powtarzającego się zadania.
Pracownicy umysłowi powinni zacząć od zidentyfikowania działań wspieranych przez AI, które po cichu stały się regularne. Powinni dokumentować źródła, osoby weryfikujące, poprawki i konsekwencje związane z tymi działaniami.
Menedżerowie powinni zadać uzupełniające pytanie: który dawny obowiązek został ograniczony, gdy nowe zadanie weszło do przepływu pracy? Jeśli odpowiedź brzmi „żaden”, rozszerzanie może już przeradzać się w przeciążenie.
Najbardziej użytecznym kolejnym krokiem jest niewielki audyt powtarzalnego wykorzystania AI. Wybierz jeden miesiąc powtarzających się działań, oddziel przygotowanie od ostatecznych decyzji i wskaż brakujące punkty kontroli.
Następnie porównaj wyniki z kolejnym miesiącem. Czy zadanie pozostało użyteczne, ograniczyło przekazywanie pracy, wymagało mniej poprawek, czy jedynie przeniosło więcej odpowiedzialności na jednego pracownika?
OpenAI wskazało wiarygodną drogę od eksperymentowania do rutyny. Pracownicy i pracodawcy potrzebują teraz dowodów, że te rutyny poprawiają pracę, zamiast jedynie ją rozszerzać.
