Wiedza z AI, która nie przechodzi dalej - dlaczego twoi ludzie nie uczą się od siebie

W zespole obsługi klienta jedna osoba pisze odpowiedzi na trudne reklamacje dwa razy szybciej niż reszta i prawie nigdy nie musi ich potem poprawiać. Wie, jak sformułować polecenie, żeby dostać gotowy szkic zamiast czegoś do przepisania od nowa; wyłapuje zdania, które zabrzmią dla klienta zbyt sucho, mimo że merytorycznie się zgadzają; wie, kiedy zignorować podpowiedź modelu i napisać wiadomość sama. Kiedy nowy kolega poprosił o wskazówki, dostał dwa konkretne przykłady. Przy trzeciej, nieco innej sprawie, żaden z nich mu nie pomógł. Co ważne, oboje korzystali z tego samego AI – różnica jest w tym, jak go używają.

To jest wiedza lepka. Teoretycznie mogłaby się rozejść po całym zespole — wszyscy widzą jej pracę na co dzień, korzystają z tego samego narzędzia, część z nich naprawdę chce się uczyć. W praktyce zostaje przy niej, mimo że chętnie by się nią podzieliła. Menedżer, który to widzi, często uznaje temat za zamknięty: mamy w zespole kogoś, kto naprawdę dobrze radzi sobie z AI, reszta w końcu to podłapie. Rzadko tak się dzieje.

Dlaczego to często nie działa?

Dobry specjalista to nie to samo, co dobry nauczyciel. Ktoś może świetnie prowadzić rozmowę z modelem — wie, kiedy doprecyzować polecenie, a kiedy zacząć od nowa — i zupełnie nie umieć rozłożyć tego na kroki, które da się powtórzyć. Prosimy taką osobę, żeby „pokazała, jak to robi” na spotkaniu zespołu, i dziwimy się, kiedy nic konkretnego z tego nie wynika.

Nie liczymy czasu, tylko wynik. Godzina, którą najlepszy pracownik spędza, tłumacząc koledze, czemu jedno podejście do modelu działa, a drugie nie, nie pojawia się w żadnym zestawieniu ani w kalendarzu jako osobny punkt. Dla firmy jakby się nie wydarzyła, a dla samego pracownika wygląda jak przestój, nie praca — więc znika pierwsza, kiedy robi się gorąco.

Jedno szkolenie z AI to za mało. Zasady promptowania z sali szkoleniowej rzadko przenoszą się bez zmian na konkretną sprawę na czyimś biurku następnego dnia — bo szkolenie uczy ogólnych reguł, a praca wymaga decyzji w sytuacji, której nikt nie przewidział w materiałach.

Co zmienia AI?

AI nie jest powodem żadnego z tych problemów — ale za to pogłębia te istniejące i rozprasza jeszcze bardziej. Nowi pracownicy uczą się z nim szybciej niż jeszcze parę lat temu, ale inaczej: biorą to, co da się zwerbalizować i wpisać w prompt, nie biorą wiedzy, której nikt nie zdążył im przekazać wprost. Często to właśnie młodsi pracownicy najszybciej łapią nowe funkcje i skróty — ale rzadko zatrzymują się, żeby rozłożyć to na kroki, które mogłaby powtórzyć reszta zespołu.

Do tego wiedza o tym, jak dobrze pracować z AI, rzadko siedzi w jednej osobie — jest rozproszona po całym zespole: jeden zna dobre podejście do jednego typu zadania, inny do innego, a nikt nie widzi całości. Bardziej doświadczeni specjaliści bywają wolniejsi w samej nauce narzędzia — nie dlatego, że gorzej się uczą, tylko dlatego, że mają wyższą poprzeczkę, zanim zaufają czemuś na tyle, żeby na tym oprzeć swoją pracę. Kiedy już ją przekroczą i zaczną pracować efektywniej, mają jeszcze mniej czasu i powodów, żeby się zatrzymać i komuś coś wytłumaczyć — bo tempo zespołu i tak utrzymuje AI, więc nikt tego nie zauważa, dopóki nie zniknie głębia kompetencji w organizacji, albo dopóki ta jedna osoba, która wszystko wiedziała, nie zmieni pracy.

Co z tym zrobić?

• Zaplanuj czas na wspólną pracę. Pół godziny tygodniowo, w którym dwie osoby pracują razem przy jednym ekranie nad jednym zadaniem, przekazuje więcej niż godzina formalnego szkolenia — bo działa w obie strony. Osoba z doświadczeniem pokazuje wyczucie, którego nie da się spisać w procedurze. Osoba, która dopiero zaczyna, pokazuje, jak sprawnie pracować z AI.
• Rozpoznaj, kto w zespole ma „flow” z czym – znajdź lidera AI. Kto rozwiązuje określony typ problemu szybciej niż inni i dlaczego akurat on. Taka osoba nie powinna tylko pracować szybciej niż inni — potrzebuje jasnego zadania, żeby dokumentować, co działa, i dzielić się tym z resztą. Bez tej roli zmiana zostaje przy jednej osobie, nawet jeśli naprawdę chce się nią podzielić.
• Rozważ warsztat, jeśli chcecie to przyspieszyć. Samodzielne rozpoznanie, kto co umie i wypracowanie wspólnych zasad zajmuje czas, zwłaszcza kiedy nikt w zespole nie ma do tego przestrzeni. Ustrukturyzowany warsztat robi to samo w jeden dzień: zespół wspólnie mapuje, kto ma jakie kompetencje z AI, i wychodzi z tego z ustalonym, wspólnym sposobem pracy zamiast z listą dobrych chęci.

Podsumowanie

Wiedza z AI, która dobrze działa u jednej osoby, nie rozejdzie się sama po zespole — nawet jeśli wszyscy tego chcą. Najczęstszy błąd to założenie, że wystarczy przeszkolić jedną osobę, dać jej wolną rękę na wypracowanie własnych praktyk, a reszta podłapie to przy okazji. Nie naprawi tego kolejne szkolenie z obsługi narzędzia — naprawia to zaplanowany czas na wspólną pracę i jasność co do tego, kto w zespole co naprawdę potrafi.

Jako AI for People prowadzimy właśnie takie warsztaty — praktyczne, w małych grupach, skrojone pod konkretny zespół. Pomagamy rozpoznać, kto ma jakie kompetencje, wypracować z tego wspólny sposób pracy i zostawić po sobie coś, z czego korzysta cały zespół: wspólnie wypracowaną bazę wiedzy oraz opis nowych sposobów pracy, stanowiące kompletną instrukcję pracy z AI dla zespołu.

Zaczynamy od bezpłatnego spotkania discovery z naszym ekspertem, Tomaszem Mostowskim.