Teza Ricka Maneliusa o produktywności AI: skupienie wygrywa z robieniem wszystkiego

Rick Manelius opublikował 26 lipca ostrzeżenie dotyczące produktywności AI, gdy jego lista projektów urosła do około 40 aktywnych proof of concept. AI przyspieszyła wykonywanie pojedynczych zadań, lecz jego praca stała się bardziej rozdrobniona. Zamiast zamienić zaoszczędzony czas w chwilę oddechu, przekształcił go w więcej zobowiązań.

Teza Ricka Maneliusa o produktywności AI podważa najbardziej kuszącą obietnicę związaną z generatywną AI. Szybsze wykonanie nie oznacza automatycznie większego skupienia, ukończonej pracy ani krótszego dnia. Może po prostu obniżyć koszt rozpoczęcia czegoś nowego.

To rozróżnienie ma znaczenie, ponieważ asystenci AI sprawiają dziś, że rozpoczęcie szkiców, prototypów, badań i eksperymentów jest wyjątkowo łatwe. Claude, ChatGPT, Copilot i agenci programistyczni potrafią w kilka minut zapewnić widoczny postęp. Trudniejsza ludzka praca zaczyna się po pierwszym rezultacie, gdy ktoś musi wybrać, zweryfikować, poprawić, skoordynować i doprowadzić zadanie do końca.

Manelius twierdzi, że wartościową odpowiedzią jest podejście pionowe, a nie poziome. Pracownicy wiedzy powinni wykorzystywać AI, by zagłębiać się w mniejszą liczbę ważnych projektów, zamiast rozpraszać uwagę na każdą nowo dostępną ideę. Jego osobista relacja nie jest badaniem kontrolowanym, ale wskazuje problem produktywności, który dane z miejsc pracy zaczynają ujawniać.

Jeden założyciel zamienił zaoszczędzony czas w 40 otwartych projektów

Bezpośrednią zmianą nie był nowy model ani premiera produktu. Była nią publiczna relacja o tym, jak wydajność AI tworzy więcej niedokończonej pracy.

Manelius jest seryjnym założycielem startupów, który opisał, że ma ponad 100 tytułów i konspektów artykułów. Miał też około 50 potencjalnych projektów czekających na wolny czas. Generatywna AI zdawała się usuwać ograniczenie, które dotąd utrzymywało wiele tych pomysłów w uśpieniu.

Zaczął zlecać Claude zadania podczas pięciominutowych przerw między spotkaniami. Asystent mógł dalej tworzyć materiały, gdy on przechodził do kolejnej rozmowy. Wczesne eksperymenty działały na tyle dobrze, że zachęciły go do dalszego rozszerzania zakresu działań.

Ten sukces stał się problemem. Szybsze szkice i prototypy podniosły jego oczekiwania co do liczby projektów, które może utrzymać. Ostatecznie znalazł się w sytuacji, w której odpowiadał za około 40 proof of concept, z których każdy wymagał dodatkowych decyzji i uwagi.

W swojej oryginalnej relacji Manelius opisuje każdy projekt jako kolejną otwartą pętlę. Otwarta pętla to nierozwiązane zobowiązanie, które nadal konkuruje o uwagę umysłu. AI ograniczyła pracę potrzebną do otwierania tych pętli, nie eliminując ludzkiego kosztu ich zamykania.

To istotne rozróżnienie dla pracowników wiedzy. Generatywna AI często skraca pierwszą fazę pracy, obejmującą burzę mózgów, tworzenie szkicu, podsumowywanie lub budowę prototypu. Niekoniecznie skraca jednak każdą późniejszą fazę w tym samym tempie.

Wygenerowany artykuł nadal wymaga weryfikacji faktów, oceny struktury, redakcji i publikacji. Prototyp oprogramowania nadal wymaga testów, przeglądu bezpieczeństwa, utrzymania i wsparcia użytkowników. Notatka badawcza nadal wymaga oceny źródeł i decyzji osoby ponoszącej odpowiedzialność.

AI zmienia więc ekonomię rozpoczęcia, zanim zmieni ekonomię odpowiedzialności. Rozpoczęcie staje się tanie, podczas gdy doprowadzenie sprawy do końca pozostaje kosztowne. Gdy liczba rozpoczętych zadań rośnie szybciej niż zdolność do ich ukończenia, użytkownik gromadzi zobowiązania zamiast zyskiwać swobodę.

Manelius podsumował swoją korektę jako robienie mniej, ale lepiej. Odłożył kolejny artykuł, ponieważ uznał, że potrzebuje on jeszcze kilku poprawek. Ten wybór ilustruje głębszą tezę stojącą za jego wpisem.

Nowym wąskim gardłem nie zawsze jest już stworzenie wiarygodnej pierwszej wersji. Jest nim decyzja, która wersja zasługuje na trwałą uwagę. Nie można bezpiecznie delegować tej decyzji, gdy w grę wchodzą priorytety, reputacja lub długofalowe konsekwencje.

To sprawia, że historia wykracza poza zatłoczoną listę projektów jednego założyciela. Ten sam wzorzec może pojawić się, gdy pracownik przygotowuje dziesięć propozycji, menedżer rozpoczyna pięć analiz albo programista generuje kilka aplikacji. Każdy artefakt tworzy potencjalną pracę następczą, nawet jeśli jego wytworzenie wydawało się niemal bezwysiłkowe.

Wynik pracy AI nie jest tym samym co ukończona wartość. Wartość pojawia się, gdy rezultat przejdzie weryfikację, dotrze do zamierzonego użytkownika i przyniesie użyteczny efekt. Rosnący folder wiarygodnych szkiców może oznaczać zapas, a nie postęp.

Manelius proponuje jasną nazwę dla alternatywy: skupienie i doprowadzanie spraw do końca. Skupienie ogranicza liczbę zobowiązań wchodzących do systemu. Doprowadzanie spraw do końca zapewnia osąd i trwały wysiłek potrzebne, by wybrane zobowiązania przeprowadzić przez linię mety.

Ostrzeżenie Ricka Maneliusa dotyczące produktywności AI wpisuje się w nieskończony dzień pracy

AI pojawiła się w miejscach pracy, które już nagradzają responsywność, widoczną aktywność i ciągłe rozszerzanie liczby projektów.

Telemetria miejsc pracy Microsoftu oferuje użyteczny wgląd w to środowisko. Jej analiza wskazuje, że pracownicy otrzymujący najwięcej wiadomości mogą doświadczać przerw co dwie minuty w podstawowych godzinach pracy. Wyliczenie odpowiada 275 spotkaniom, e-mailom lub czatom w ciągu pełnego dnia dla użytkowników, którym najczęściej przerywano.

Ta sama analiza dnia pracy wykazała, że liczba czatów po godzinach wzrosła o 15 procent rok do roku. Zgłoszono również średnio 58 wiadomości przychodzących przed standardowymi godzinami pracy lub po nich. Liczba spotkań rozpoczynających się po 20:00 wzrosła o 16 procent.

Te pomiary nie dowodzą, że AI spowodowała rozdrobnienie pracy. Pokazują, że AI trafia do systemu uwagi, który już był przeciążony. Szybsze tworzenie treści może zasilać ten system większą liczbą wiadomości, spotkań, przeglądów i decyzji.

Zachęta organizacyjna jest również oczywista. Gdy zadanie wymaga mniej czasu, firma rzadko traktuje każdą zaoszczędzoną minutę jako chroniony czas wolny. Menedżerowie mogą podnieść oczekiwania dotyczące wyników, pracownicy mogą zgłaszać się do większej liczby zadań, a konkurenci mogą dostarczać rezultaty szybciej.

Artykuł roboczy z 2025 roku analizował dane o wykorzystaniu czasu do 2023 roku i doszedł do powiązanego wniosku. Większa ekspozycja zawodowa na AI wiązała się z dłuższymi dniami pracy i mniejszą ilością czasu wolnego. Autorzy argumentowali, że AI często uzupełnia pracę ludzi, czyniąc dodatkowy czas pracy bardziej wartościowym ekonomicznie.

Te badania nad wydłużeniem dnia pracy nie przesądzają, czego doświadczy każdy obecny użytkownik generatywnej AI. Ich horyzont czasowy obejmuje szersze formy AI, podczas gdy praktyki w miejscach pracy wciąż się zmieniają. Mimo to podważają założenie, że technologia oszczędzająca pracę automatycznie oddaje zaoszczędzony czas pracownikom.

Presja szczególnie mocno dotyka pracowników wiedzy, ponieważ ich praca nie ma naturalnego punktu zatrzymania. Zmiana w magazynie się kończy, ale dokument strategiczny zawsze można wzbogacić o kolejny scenariusz. Produkt zawsze może otrzymać kolejny eksperyment, a skrzynka odbiorcza zawsze może przynieść kolejną odpowiedź.

Generatywna AI rozszerza tę opcjonalną pracę. Może proponować więcej kampanii, pomysłów produktowych, analiz, pytań do wywiadów czy wariantów projektowych, niż człowiek byłby w stanie opracować ręcznie. Każda opcja może wyglądać na wartościową, gdy rozpatruje się ją osobno.

Przeciążenie pojawia się na poziomie portfela. Osoba może wykonywać każde zadanie wspierane przez AI szybciej, a jednocześnie prowadzić zbyt wiele zadań równolegle. Lokalna wydajność prowadzi wtedy do zatorów w całym systemie.

To centralne odwrócenie w argumencie Ricka Maneliusa dotyczącym produktywności AI. AI usuwa tarcie z procesu tworzenia, lecz pewna część tarcia wcześniej chroniła uwagę. Trudny start zmuszał ludzi do zdecydowania, czy pomysł zasługuje na inwestycję.

Ta ochronna bariera znika. Każdy może stworzyć przyzwoity brief projektowy przed śniadaniem. Programista może przygotować nieznaną bazę kodu w jedno popołudnie, podczas gdy marketer może wygenerować tygodnie wariantów kampanii w trakcie jednej sesji.

Rezultaty tworzą zapotrzebowanie na dalsze działania. Ktoś musi wybrać najlepszą kampanię, zrozumieć wygenerowany kod, uzgodnić sprzeczności i zdecydować, czy nowy projekt wspiera rzeczywisty cel. Zadania te zależą od kontekstu i odpowiedzialności.

Firmy mogą pogłębiać problem, mierząc wdrożenie AI przez aktywność. Liczbę promptów, wygenerowanych dokumentów i wdrożonych asystentów łatwo śledzić. Mniejsza liczba ukończonych priorytetów, szybsze rezultaty dla klientów czy lepsza jakość decyzji wymagają staranniejszego pomiaru.

Pracownik, który wygeneruje 20 szkiców, może wyglądać na bardziej zajętego niż ktoś, kto wybierze jeden mocny pomysł i go ukończy. Druga osoba może tworzyć większą wartość, ale jej proces generuje mniej widocznej aktywności AI.

Powstała w ten sposób kultura może zamienić każdą zaoszczędzoną godzinę w kolejne wymaganie. Pracownicy zaczynają wtedy postrzegać AI jako nakaz przyspieszenia, a nie źródło autonomii. Maszyna staje się szybsza, podczas gdy człowiek nadal odpowiada za każdą konsekwencję.

Rozpoczynanie pracy stało się tanie, ale ukończenie jej nadal ma ludzką cenę

Generatywna AI bardziej skróciła produkcję niż selekcję, weryfikację, koordynację i odpowiedzialność.

Badacze udokumentowali rzeczywisty wzrost produktywności w ograniczonych zadaniach. Jedno wpływowe badanie objęło 5 179 agentów wsparcia klienta korzystających z asystenta generatywnej AI. Dostęp do niego zwiększył średnio liczbę spraw rozwiązanych na godzinę o 14 procent.

Korzyści były nierówne. Początkujący i mniej wykwalifikowani pracownicy poprawili wyniki o 34 procent, podczas gdy doświadczeni pracownicy odnotowali minimalne korzyści. Badanie agentów wsparcia sugeruje, że AI może rozpowszechniać wzorce wyuczone przez lepiej radzących sobie współpracowników.

Wynik ten wspiera argument za pomocą AI. Ujawnia także, dlaczego definicja zadania ma znaczenie. Praca w obsłudze klienta oferuje mierzalne przypadki, ustalone przepływy pracy i jasny warunek ukończenia.

Wiele projektów opartych na pracy wiedzy nie oferuje takich granic. Założyciel decydujący, czy koncepcja zasługuje na firmę, nie może optymalizować działań względem liczby spraw rozwiązanych na godzinę. Redaktor decydujący, czy argument jest gotowy, nie może polegać wyłącznie na szybkości tworzenia szkicu.

Badania nad programowaniem przedstawiają podobną, zniuansowaną historię. Trzy eksperymenty terenowe z udziałem 4 867 programistów wykazały wzrost ukończonych zadań o 26,08 procent wśród pracowników korzystających z asystenta programistycznego AI. Mniej doświadczeni programiści wykazywali większą adopcję i większe korzyści.

Nawet wtedy ukończone zadania programistyczne nie eliminują kosztów integracji. Wygenerowany kod musi pasować do istniejącej architektury, wymagań bezpieczeństwa i praktyk utrzymania. Szybsze tworzenie funkcji może zwiększać zapotrzebowanie na przeglądy w innych częściach organizacji.

Agenci AI również mają trudności, gdy praca staje się współbieżna i wzajemnie powiązana. Badacze Microsoftu poinformowali, że czołowi agenci obsługujący komputer osiągnęli wskaźnik ukończenia na poziomie 16,7 procent w środowisku pojedynczego zadania. Przy obciążeniach wielozadaniowych wskaźnik spadł do 8,7 procent.

Zespół w swojej ocenie agentów wykorzystał środowiska wielohoryzontowe, które testują współzależną pracę w różnych ramach czasowych. Spadek odzwierciedla problem dobrze znany ludzkim właścicielom projektów: postęp wymaga czegoś więcej niż ukończenia odizolowanych działań.

Prawdziwa praca wiąże się z zależnościami. Propozycja sprzedażowa zależy od zatwierdzonego pozycjonowania, aktualnych danych klientów i języka prawnego. Premiera produktu zależy od przetestowanego kodu, dokumentacji, gotowości wsparcia i skoordynowanej daty wydania.

AI może przyspieszyć fragmenty tego łańcucha. Nie może sprawić, że każda zależność zniknie. Jeśli jedna osoba rozpocznie więcej łańcuchów, niż organizacja jest w stanie obsłużyć, ogólny przepływ może zwolnić, nawet gdy pojedyncze zadania stają się szybsze.

Dlatego właśnie doprowadzanie spraw do końca zasługuje na status równy koncentracji. Koncentracja wybiera łańcuch działań, który ma znaczenie. Doprowadzanie do końca zarządza zależnościami, aż rezultat dotrze do realnego klienta, współpracownika, czytelnika lub decydenta.

Ostatni etap często wymaga nieproporcjonalnie dużego wysiłku. Szkic, który wygląda na ukończony w 90 procentach, może nadal zawierać twierdzenia bez potwierdzenia, słabe przejścia lub niejasne decyzje. Prototyp może sprawiać wrażenie działającego, choć nie zapewnia niezawodności wymaganej w środowisku produkcyjnym.

Manelius wykorzystał wizualną różnicę między częściowym a całkowitym zaćmieniem, aby opisać tę lukę. Ta metafora nie powinna jednak stać się uniwersalną formułą jakości. Niektóre zadania rzeczywiście wymagają szybkiej, wystarczająco dobrej odpowiedzi, a nie wyczerpującego dopracowania.

Metafora pasuje jednak do pracy, w której liczą się zaufanie i spójność. Niemal ukończona migracja klienta nadal może zakończyć się niepowodzeniem. W większości trafna notatka dla kadry zarządzającej wciąż może prowadzić do złej decyzji. Aplikacja, która jest prawie bezpieczna, nadal pozostaje niebezpieczna.

AI ułatwia pomylenie widocznej kompletności z gotowością operacyjną. Płynnie napisany tekst wygląda na ukończony, nawet jeśli jego źródła pozostają niepewne. Wygenerowane interfejsy wyglądają na funkcjonalne, nawet jeśli nie przetestowano ich przypadków brzegowych.

Pracownicy wiedzy potrzebują więc bardziej rygorystycznej definicji ukończenia. Projekt nie jest ukończony, gdy model przestaje generować. Jest ukończony, gdy ktoś zweryfikuje rezultat, rozwiąże kluczowe zależności i dostarczy go do zamierzonego miejsca.

Osobisty system zarządzania wiedzą może wspierać ten proces, zachowując kontekst i ograniczając powtarzające się wyszukiwania. Na przykład osobista baza wiedzy może utrzymywać połączenie między decyzjami, źródłami i historią projektu. Nie może jednak zdecydować, który projekt zasługuje na priorytet.

Ta granica ma znaczenie. Lepsze wyszukiwanie może zmniejszyć tarcia koordynacyjne, ale powinno służyć ograniczonemu portfolio. W przeciwnym razie lepsza organizacja jedynie pomaga utrzymywać większy zbiór niedokończonych zobowiązań.

Koncentracja i doprowadzanie do końca wygrywają z horyzontalną produktywnością AI

Deficytowym zasobem przestaje być zdolność produkcyjna, a staje się nim umiejętność ukierunkowania i utrzymania uwagi.

Tradycyjne systemy produktywności często zakładają, że praca napływa z zewnątrz. Pomagają użytkownikom rejestrować zobowiązania, porządkować je i sprawnie wykonywać. Generatywna AI zmienia ten model, ponieważ narzędzie potrafi tworzyć nową pracę równie szybko, jak pomaga kończyć istniejącą.

Poproś asystenta o pomysły na wzrost, a może zwrócić ich dziesiątki. Poproś o możliwości dotyczące funkcji produktu, a może stworzyć mapę drogową. Zapytaj o kierunki badań, a może wygenerować dość pytań, by zająć cały zespół.

Użytkownik potrzebuje teraz polityki dopuszczania pracy. Każdy nowy projekt powinien konkurować o ograniczoną uwagę, zanim AI otrzyma pozwolenie na jego rozwijanie. Bez tej bramki generowanie pomysłów staje się zautomatyzowanym źródłem rozszerzania zakresu.

To właśnie jest strategia pionowej produktywności w ramach tezy Ricka Maneliusa o produktywności AI. Użytkownik wybiera niewielką liczbę znaczących rezultatów, a następnie wielokrotnie stosuje AI w tych granicach. Narzędzie pogłębia realizację zamiast poszerzać aktywne portfolio.

Dla menedżera produktu może to oznaczać wykorzystanie AI do syntezy wywiadów, podważenia hipotezy, przygotowania specyfikacji i opracowania decyzji. Wszystkie cztery zadania służą jednemu pytaniu produktowemu.

Horyzontalna alternatywa generowałaby specyfikacje dla kilku niepowiązanych funkcji, ponieważ każda z nich wydaje się teraz dostępna kosztowo. Takie podejście tworzy więcej przeglądów interesariuszy, zależności, metryk i obowiązków utrzymaniowych.

Dla autora pionowe wykorzystanie może łączyć badania, porównywanie źródeł, krytykę strukturalną i redakcję wokół jednego artykułu. Wykorzystanie horyzontalne mogłoby tworzyć kilka powierzchownych szkiców, które konkurują o ten sam czas publikacji i energię redakcyjną.

Dla inżyniera pionowe wykorzystanie może obejmować debugowanie, generowanie testów, dokumentację i przegląd kodu dla jednego zdefiniowanego wydania. Wykorzystanie horyzontalne mogłoby stworzyć kilka eksperymentalnych usług bez wyraźnego właściciela lub planu wycofania.

Koncentracja nie oznacza odrzucania eksploracji. Oznacza oddzielenie eksploracji od zobowiązania. Tani eksperyment może odpowiedzieć na zdefiniowane pytanie, ale jego wynik powinien uruchomić świadomą decyzję o kontynuacji, wstrzymaniu lub zakończeniu.

Ten punkt decyzyjny zapobiega przekształcaniu prototypów w stałe zobowiązania działające w tle. Przeciwdziała też psychologicznemu przyciąganiu widocznych postępów. Wygenerowany wynik wydaje się produktywny, ponieważ tworzy coś konkretnego, nawet jeśli nie przybliża głównego celu.

Doprowadzanie do końca wymaga chronionej uwagi po podjęciu tej decyzji. AI może pomóc przygotować pracę, ale ludzie nadal potrzebują nieprzerwanych okresów na osąd. Ciągłe przełączanie się między projektami osłabia kontekst potrzebny do zauważania subtelnych błędów i kompromisów.

Dane Microsoftu dotyczące przerw sprawiają, że ten wymóg wygląda na trudny do spełnienia. AI może jednak pomagać chronić koncentrację, gdy przetwarza rutynowe materiały w ramach wybranego przepływu pracy. Ta sama technologia, która tworzy więcej opcji, może podsumowywać aktualizacje, wyszukiwać wcześniejsze decyzje lub przygotowywać ograniczony zakresowo brief.

Różnica polega na tym, kto kontroluje kolejkę. Jeśli każda wiadomość, pomysł i wygenerowana sugestia stają się zadaniem, AI przyspiesza fragmentację. Jeśli jasny priorytet kontroluje to, co przetwarza asystent, AI może ograniczyć szum otaczający dany rezultat.

Łączenie wiedzy, które zestawia informacje z kilku istotnych źródeł, jest użyteczne w takich warunkach. System taki jak knowledge blending może zebrać rozproszony kontekst w jednej odpowiedzi. Użytkownik nadal musi zdefiniować decyzję, którą odpowiedź ma wspierać.

Organizacje potrzebują tej samej dyscypliny na większą skalę. Liderzy powinni wskazać, które przepływy pracy zasługują na przyspieszenie, zanim rozdzielą agentów między wszystkie działy. Powinni też zdecydować, na co zostanie przeznaczony zaoszczędzony czas.

Jeśli firma oczekuje, że cały zaoszczędzony czas przełoży się na większą produkcję, pracownicy racjonalnie rozpoczną więcej pracy. Jeśli ochroni część potencjału na przegląd i regenerację, korzyści z AI mogą poprawić zarówno jakość, jak i trwałość tego modelu.

Metryki powinny wzmacniać ukończenie. Zespoły mogą śledzić czas trwania pracy w toku, liczbę aktywnych projektów, ukończone rezultaty dla klientów, wskaźniki poprawek i porzucone prototypy. Te sygnały pokazują, czy AI poprawia przepływ, czy zwiększa zapasy pracy.

Mniejsza liczba projektów nie musi oznaczać mniejszych ambicji. Może wskazywać, że zespół skoncentrował zasoby tam, gdzie ukończenie ma znaczenie. Praktyczny test polega na tym, czy mniej zobowiązań przynosi lepsze rezultaty.

Twierdzenie o wypaleniu wymaga czegoś więcej niż doświadczenia jednego założyciela

Manelius wskazuje wiarygodny mechanizm, ale jego relacja nie dowodzi, że korzystanie z AI powoduje wypalenie.

Światowa Organizacja Zdrowia definiuje wypalenie jako zjawisko zawodowe wynikające z przewlekłego stresu w miejscu pracy, którym nie udało się skutecznie zarządzić. Jego trzy wymiary obejmują wyczerpanie, zwiększony dystans lub cynizm oraz obniżoną skuteczność zawodową.

Ta definicja wypalenia dotyczy konkretnie pracy. Manelius omawiał zarówno działalność startupową, jak i osobiste projekty poboczne. Jego doświadczenie może przypominać wypalenie, nie spełniając jednocześnie każdego elementu definicji zawodowej.

Jego szacunki dotyczące wydajności również wymagają ostrożności. Napisał, że AI może przyspieszyć niektóre zadania od dwóch do 100 razy. Te liczby opisują szeroki zakres, a nie zmierzony wynik z jego portfolio projektów.

Rzetelne korzyści różnią się znacznie w zależności od zadania, pracownika, modelu i progu jakości. Pierwszy szkic może powstać znacznie szybciej, podczas gdy weryfikacja może zniwelować część tej oszczędności. Niektóre złożone zadania nadal pozostają poza niezawodnymi możliwościami modelu.

Dowody pokazują również, że AI może zmniejszać ilość pracy, zamiast ją rozszerzać. Randomizowany eksperyment terenowy w 66 firmach i z udziałem 7 137 pracowników wiedzy badał narzędzie AI zintegrowane z pocztą e-mail, spotkaniami i pisaniem.

Wśród objętych interwencją pracowników korzystających z narzędzia uczestnicy spędzali o dwie godziny mniej tygodniowo na poczcie e-mail w drugiej połowie eksperymentu. Ograniczyli też pracę poza regularnymi godzinami. Badacze nie wykryli szerszych zmian w liczbie ani strukturze zadań.

Wyniki te osłabiają twierdzenie, że generatywna AI nieuchronnie powoduje przeciążenie. Sugerują, że zintegrowane narzędzia mogą zwracać czas, gdy są stosowane do istniejącej pracy. Pokazują też, że indywidualny dostęp do narzędzia nie reorganizuje automatycznie praktyk na poziomie zespołu.

Istotną zmienną może być to, co dzieje się po zaoszczędzeniu czasu. Jeden pracownik może go chronić, podczas gdy inny rozpocznie trzy nowe projekty. Jeden menedżer może zmniejszyć obciążenie administracyjne, podczas gdy inny podniesie cele produkcyjne.

Osobista sprawczość ma znaczenie, ale znaczenie ma też władza organizacyjna. Pracownicy mogą nie kontrolować tego, czy zaoszczędzony czas stanie się czasem na regenerację, głębszą pracę czy kolejne zadanie. Konkurencyjne rynki i systemy oceny wyników wpływają na sposób dystrybucji korzyści z produktywności.

Rodzaj projektu również zmienia ryzyko. Obsługa klienta oferuje powtarzalną pracę z domknięciem. Przedsiębiorczość, pisanie i rozwój produktu zawierają niemal nieograniczony opcjonalny zakres. AI może pobudzać znacznie więcej potencjalnej pracy w tych otwartych dziedzinach.

Istnieje też inny kontrargument. Realizacja większej liczby eksperymentów może być racjonalna, gdy niepewność jest wysoka. Startupy często uczą się przez testowanie kilku pomysłów, a AI zmniejsza koszt zbierania tych dowodów.

Problemem nie jest sama liczba eksperymentów. Jest nim brak wyraźnych reguł zakończenia. Eksperyment powinien mieć pytanie, ograniczony budżet i datę podjęcia decyzji. Bez tych mechanizmów eksploracja staje się rosnącym portfolio niejasnych zobowiązań.

Perfekcjonizm stwarza powiązane ryzyko. Manelius opowiada się za poniesieniem kosztu ostatniego jednego procenta w ważnych projektach. Ta zasada może poprawić pracę o istotnych konsekwencjach, ale może też opóźniać dostawę, gdy użytkownicy skorzystaliby na wcześniejszej wersji.

Koncentracja i doprowadzanie do końca nie powinny oznaczać nieskończonego dopracowywania wszystkiego. Powinny oznaczać wybór odpowiedniego progu jakości przed rozpoczęciem pracy. Prywatna analiza, publiczny esej, proces medyczny i decyzja finansowa wymagają różnych poziomów pewności.

Najsilniejsza wersja tego argumentu ma więc charakter warunkowy. AI może zwiększać przeciążenie, gdy użytkownicy reinwestują każdą korzyść z wydajności w dodatkowe zobowiązania. Może ograniczać przeciążenie, gdy kontrolują pracę w toku i chronią odzyskany czas.

Takie ujęcie zachowuje użyteczność ostrzeżenia Ricka Maneliusa dotyczącego produktywności AI, nie traktując jednego doświadczenia jako uniwersalnego dowodu. Jego historia dostarcza mechanizmu. Badania środowiska pracy pokazują, że wyniki zależą od granic zadań, decyzji zarządczych i kontroli sprawowanej przez pracowników.

Trzy sygnały pokażą, czy AI wspiera lepszą pracę

Kolejny etap produktywności AI będzie oceniany na podstawie ukończonych rezultatów, czasu pracy oraz wyników w rzeczywistych warunkach wielozadaniowości.

Pierwszym sygnałem będzie to, czy organizacje zaczną mierzyć pracę w toku zamiast wygenerowanego wyniku. Obecne pulpity wdrożeniowe ułatwiają świętowanie liczby promptów, użycia asystenta lub utworzonych dokumentów. Te metryki niewiele mówią o ukończonej wartości.

Silniejszy system pomiaru łączyłby wykorzystanie AI z czasem cyklu, rezultatami dla klientów, defektami i liczbą aktywnych projektów. Jeśli te wyniki poprawią się, podczas gdy praca w toku pozostanie pod kontrolą, teza o koncentracji zyska potwierdzenie.

Jeśli firmy będą raportować więcej wygenerowanych materiałów bez szybszego ukończenia pracy, ostrzeżenie stanie się silniejsze. AI rozszerzałaby wtedy organizacyjne zapasy pracy zamiast zwiększać użyteczną przepustowość.

Drugim sygnałem będzie to, czy zaoszczędzony czas skraca dzień pracy. Badania wskazują już przeciwne kierunki. Jeden eksperyment terenowy wykazał mniej czasu poświęcanego na e-maile i ograniczenie pracy po godzinach, podczas gdy badania wykorzystania czasu powiązały ekspozycję na AI z dłuższymi godzinami pracy.

Przyszłe dane telemetryczne z miejsca pracy mogą wyjaśnić, który wzorzec staje się dominujący. Wiadomości wysyłane po godzinach, aktywność w weekendy, liczba spotkań i nieprzerwany czas na skupienie dostarczają lepszych dowodów niż sama deklarowana szybkość pracy.

Spadek aktywności poza godzinami pracy wskazywałby, że organizacje pozwalają pracownikom zachować część zysków z efektywności. Dalszy wzrost sugerowałby, że możliwości AI są pochłaniane przez rosnące oczekiwania.

Trzecim sygnałem jest to, jak agenci radzą sobie w długich, wzajemnie powiązanych przepływach pracy. Demonstracje pojedynczych zadań mogą sprawiać wrażenie, że autonomia jest niemal pełna. Wartość w miejscu pracy zależy od tego, czy agenci potrafią utrzymać kontekst, zarządzać zależnościami i bezpiecznie odzyskiwać sprawność po błędach.

Zgłoszony spadek wskaźnika ukończenia z 16,7 procent do 8,7 procent przy obciążeniu wielozadaniowym pokazuje obecną lukę. Lepsze wyniki pozwoliłyby AI przejmować więcej działań doprowadzających pracę do końca, zamiast jedynie tworzyć więcej materiału wyjściowego.

Taka poprawa nie wyeliminowałaby ludzkiego osądu. Zmieniłaby jednak moment, w którym osąd wkracza do procesu. Ludzie mogliby nadzorować rezultaty i wyjątki, podczas gdy agenci zajmowaliby się większą częścią koordynacji w ramach zdefiniowanych strumieni pracy.

Dopóki taka niezawodność się nie pojawi, pracownicy umysłowi powinni traktować każdy projekt wygenerowany przez AI jako przyszłe roszczenie do ich uwagi. Pierwszy wynik jest zaproszeniem, a nie ukończonym rezultatem.

Praktyczne pytanie nie brzmi już, czy AI może przyspieszyć Twoją pracę. W wielu ograniczonych zadaniach wyraźnie może. Pytanie brzmi, czy ta szybkość przybliża Cię do wybranego rezultatu, czy tworzy kolejną otwartą pętlę.

Zanim poprosisz asystenta o rozpoczęcie czegoś nowego, określ zobowiązanie, które to zastąpi. Zdefiniuj, co oznacza ukończenie, kto odpowiada za weryfikację i kiedy praca się zakończy. Następnie wykorzystaj AI, aby posunąć ten wybrany projekt dalej.

Nowe supermoce AI to nie niekończące się generowanie i ciągły ruch. To zdolność wybierania tego, co zasługuje na uwagę, zachowywania wokół tego kontekstu i doprowadzania tego do końca z troską. Który niedokończony projekt zamkniesz, zanim otworzysz kolejny?