Duża część pracy, za którą firmy płacą dziś konsultantom i analitykom, straci swoją dotychczasową cenę. Zebranie informacji, porównanie wariantów, przygotowanie pierwszej wersji wymagań czy uporządkowanie dokumentacji coraz częściej można wykonać z pomocą AI przy zdecydowanie mniejszym nakładzie pracy. Wraz z tym maleje wartość samej zdolności dostarczenia takiego opracowania.
Dla doświadczonych ludzi biznesu widzę w tym dużą szansę. Najpierw trzeba jednak odpowiedzieć sobie bez taryfy ulgowej: za co właściwie klient albo pracodawca ma nam płacić?
Przez ponad dwadzieścia lat pracowałem na styku zarządzania firmą, operacji, IT i doradztwa. Prowadziłem własną aptekę, pracowałem przy rozwoju dużych organizacji, odpowiadałem za wynik i uczestniczyłem w zmianach systemów zarządzania. Z tych perspektyw dobrze widać różnicę między przygotowaniem sensownej odpowiedzi a doprowadzeniem do tego, żeby firma zaczęła działać inaczej.
Skończony dokument to dopiero początek pracy nad zmianą. Potem trzeba uzgodnić decyzje, podzielić obowiązki i doprowadzić do tego, żeby ludzie zaczęli działać inaczej. Dopiero na tym etapie ekspertyza przechodzi realną próbę wdrażalności.
Wartość wielu zawodów przez lata opierała się na trudnym dostępie do wiedzy oraz czasie potrzebnym do jej przetworzenia. Trzeba było znać branżę, przeczytać materiały, porównać rozwiązania i połączyć je w zrozumiałą całość. Na studiach tego nie uczyli, niezbędne było doświadczenie. Dostęp do kompetentnego specjalisty ograniczał tempo pracy.
AI w znaczący sposób obniża tę barierę. Spór o to, czy model „naprawdę myśli”, można zostawić na inną dysputę. W rachunku firmy liczy się wykonane zadanie, jego koszt i jakość, która wytrzyma sprawdzenie.
Eksperyment przeprowadzony z konsultantami, opisany przez Fabrizia Dell'Acquę i współautorów, pokazał obie strony tej zmiany. Przy części zadań dostęp do AI poprawiał szybkość i jakość pracy. Przy zadaniu wykraczającym poza możliwości użytego modelu pogarszał poprawność odpowiedzi. To wynik konkretnego badania, a nie pomiar dzisiejszych możliwości wszystkich systemów. Pokazuje jednak, dlaczego samo używanie AI nie wystarcza do stworzenia przewagi. Badanie opublikowane w „Organization Science” w 2026 roku.
Gdy przygotowanie odpowiedzi tanieje, większego znaczenia nabiera wybór problemu i ocena konsekwencji
Firma nie działa w warunkach zadania egzaminacyjnego. Sprzedaż chce zwiększać dostępność. Finanse ograniczają kapitał zamrożony w zapasie. Operacje mają określoną obsadę. IT odpowiada za system, który obsługuje również inne zobowiązania. Każda z tych perspektyw może być racjonalna. Trzeba jeszcze ustalić, jaki kompromis jest właściwy dla całej firmy.
Model może przygotować warianty i nawet trafnie wskazać najlepszy. Organizacja musi jeszcze rozstrzygnąć, kto ma prawo go przyjąć, kto poniesie koszt i po czym poznać, że decyzja rzeczywiście zadziałała.
Wiedza o tym, jak podobny problem rozwiązuje się podręcznikowo, jest jednym z wejść do tej pracy. Potrzebne są również rozpoznanie sytuacji, zaufanie ludzi, zdolność uzgodnienia często sprzecznych interesów oraz odpowiedzialność za wykonanie. To właśnie tutaj widzę przyszłą wartość doświadczonego eksperta.
Nie przyjmuję jednak, że samo doświadczenie daje jakąkolwiek ochronę. Można mieć za sobą wiele lat pracy i przez większość z nich powtarzać te same rozwiązania. Można też pamiętać poprzednią transformację tak dobrze, że każdą następną próbuje się przeprowadzić identycznie. Znacie to, prawda?
Przeszedłem przez kilka takich zmian technologicznych i widziałem, jak stare nawyki psują nowe wdrożenia. To doświadczenie uczy patrzeć dalej niż do uruchomienia systemu. Trzeba zobaczyć, co stanie się z podziałem pracy, decyzjami i odpowiedzialnością, kiedy nowe narzędzie wejdzie do codziennego użytku. A czasem uznać, że rozwiązanie, którego samemu broniło się przez lata, właśnie straciło sens.
Najwięcej mogą zyskać ludzie, którzy potrafią zmienić sposób wykorzystania własnej wiedzy
Dotyczy to także consultingu. Model polegający na sprzedaży dużej liczby godzin potrzebnych do przygotowania powtarzalnej analizy będzie pod presją. Jeśli tę samą jakość opracowania można osiągnąć mniejszym nakładem, trzeba ponownie uzasadnić cenę usługi. Sam rozmiar zespołu coraz słabiej świadczy o wartości tego, co klient otrzymuje.
Firmy doradcze mają przy tym zasoby, które nadal się liczą: relacje, reputację, zdolność zorganizowania dużego przedsięwzięcia i odpowiedzialność kontraktową. Mają też możliwość zmiany własnego modelu działania. Ich przyszłość zależy od tego, jak wykorzystają te zasoby.
Dla samodzielnego doradcy otwiera się natomiast możliwość wykonywania pracy, która wcześniej wymagała większego zaplecza. Pod warunkiem że umie określić problem, korzystać z narzędzi, sprawdzić rezultat i poprowadzić zmianę. To obniża część barier wejścia. Nie rozwiązuje automatycznie problemu zdobycia zaufania i udźwignięcia odpowiedzialności.
Przyszłość swojej pracy wiążę z trzema zdolnościami: wyborem właściwego problemu, przełożeniem rozwiązania na działanie organizacji i sprawdzeniem skutków.
Na poziomie zarządu to oznacza również zmianę sposobu kupowania ekspertyzy. Trzeba pytać, jakie rozstrzygnięcie powstanie, co dzięki niemu firma będzie umiała zrobić i kto doprowadzi pracę do tego rezultatu. Sama liczba slajdów od dawna nie poprawia wyniku firmy, choć niektóre cenniki doradztwa zdają się zakładać co innego. Jeśli najtrudniejsze decyzje pozostały nietknięte, klient nadal ma ten sam problem.
Czekanie na „stabilizację możliwości AI” jest w mojej ocenie złą strategią zawodową. Już teraz można sprawdzić, które części własnej pracy narzędzia przyspieszają, gdzie wymagają kontroli i jak wykorzystać uwolniony czas. Można również zacząć zapisywać wiedzę tak, żeby nadawała się do wielokrotnego użycia i sprawdzania.
To ostatnie było dla mnie szczególnie ważne. Przy pracy nad aplikacją tworzoną na podstawie specyfikacji potrzebowałem punktu odniesienia dla agentów AI: opisu retailu, który pozwalałby jednoznacznie wskazać proces, jego wynik, granice i warunki poprawnego wykonania. Zdecydowałem się taki punkt odniesienia zbudować.
Tak powstał ORPR, Open Retail Process Reference, otwarty, wersjonowany standard referencyjnej architektury procesów handlu detalicznego. Pomaga biznesowi, analitykom i twórcom systemów ustalić, co ma się wydarzyć, kto za to odpowiada i czego rozwiązanie musi dopilnować. Ten sam materiał mogą wykorzystywać agenci AI.
ORPR jest moją konkretną odpowiedzią na zmianę wartości pracy eksperckiej. Część doświadczenia zamieniłem w strukturę, którą można przeczytać, sprawdzić, zakwestionować i wykorzystać. Właśnie tak chcę uczestniczyć w tej zmianie: tworząc podstawy, na których można budować działające rozwiązania.
