În majoritatea profesiilor moderne, drumul spre competență a presupus multă vreme să faci o cantitate considerabilă de muncă care, privită din exterior, nu părea deosebit de sofisticată.
Rolurile de juniori presupuneau adunarea datelor, verificarea cifrelor, pregătirea prezentărilor și constructia primelor analize, care urmau să fie revizuite de cineva mai experimentat. Avocații aflați la început de carieră citeau contracte și pregăteau documentația pentru cazuri. Analiștii construiau modele, verificau tabele și produceau primele versiuni ale unor materiale care aveau să treacă apoi prin mâinile unui manager.
În multe profesii, drumul către capacitatea de a judeca bine începea, paradoxal, cu sarcini care necesitau relativ puțină judecată.
Sistemul nu era foarte eficient. Dar era educativ.
Importanța acestor activități nu stătea doar în rezultatul lor. Ele îi puneau pe cei fără experiență în apropierea problemelor reale și, poate și mai important, în apropierea oamenilor care știau deja să le rezolve.
Un consultant junior nu învăța doar să facă un slide. Învăța de ce un partener elimina un argument și îl păstra pe altul, ce informație conta pentru client, când o cifră părea suspectă, cum vorbea un profesionist experimentat despre incertitudine în fața unui CEO sau cum își dădea seama că un răspuns corect din punct de vedere tehnic era, totuși, recomandarea greșită.
O mare parte din expertiza profesională s-a transmis întotdeauna în felul acesta: indirect, inegal și adesea fără ca cineva să numească procesul „învățare”.
Inteligența artificială începe să intervină exact în acest mecanism.
Nu pentru că poate înlocui profesioniștii seniori. Problema imediată ar putea fi aproape opusă.
AI devine tot mai capabilă să facă tocmai munca pe care organizațiile o ofereau oamenilor înainte ca aceștia să devină seniori.
Curriculumul nevăzut al muncii
Un articol recent din Financial Times despre industria de consultanță din Marea Britanie surprinde foarte bine tensiunea. Pe măsură ce AI preia o parte mai mare din research, analiză și alte activități tehnice, firme precum EY, KPMG și PwC pun un accent mai mare pe dezvoltarea unor capacități umane precum judecata profesională, empatia, storytellingul și leadershipul.
În același timp, liderii intervievați de FT vorbesc din nou despre nevoia ca profesioniștii aflați la început de carieră să lucreze în contexte în care îi pot observa și pot învăța direct de la colegii mai experimentați. Sayeh Ghanbari, managing partner pentru consulting în cadrul EY UK & Ireland, leagă explicit această problemă de slăbirea modelului tradițional de apprenticeship în perioada muncii remote.
Discuția a alunecat, previzibil, spre încă o rundă a dezbaterii despre întoarcerea la birou.
Dar problema mai interesantă nu este unde lucrează oamenii.
Este cum învață oamenii să lucreze.
Pentru că modelul de mentorat profesional nu se bazează doar pe proximitate. Se bazează pe participare.
Cercetările despre workplace learning spun acest lucru de multă vreme. Alison Fuller și Lorna Unwin au arătat, în lucrările lor despre apprenticeship, că dezvoltarea profesională depinde puternic de relațiile sociale și pedagogice dintre oamenii aflați în proces de învățare și colegii mai experimentați.
Distincția lor între medii de învățare expansive și restrictive rămâne relevantă: organizațiile nu diferă doar prin cantitatea de training formal pe care o oferă, ci și prin accesul pe care oamenii îl au la colegi experimentați, la activități diverse, la cunoaștere și la forme de participare cu un grad tot mai mare de dificultate și responsabilitate.
Cu alte cuvinte, învățarea profesională nu se întâmplă doar atunci când cineva participă la un curs.
Se întâmplă în timp ce muncește.
Munca juniorului produce două lucruri
Tindem să privim o sarcină profesională ca și cum ar produce un singur rezultat.
O analiză produce o analiză. Un model financiar produce un model. Un program produce software. O prezentare pentru client produce niște slide-uri.
Dar munca făcută la începutul unei cariere produce, de fapt, două lucruri.
Primul este evident: rezultatul muncii.
Al doilea este mult mai greu de observat: omul care, în timp, devine capabil să facă o muncă mai dificilă.
Aici apare problema AI.
Organizațiile au motive economice foarte bune să automatizeze activitățile aflate la baza ierarhiei profesionale. Research-ul de rutină, primele drafturi, analiza documentelor, sinteza informațiilor sau analiza inițială consumă foarte mult timp.
Dacă un sistem AI poate face o parte importantă din această muncă în câteva minute, pare absurd să cerem unui absolvent să petreacă șase ore făcând-o manual.
Și uneori chiar este absurd.
Nu există niciun motiv serios să conservăm munca ineficientă doar pentru că generațiile anterioare au fost obligate să o facă. Dezvoltarea profesională nu presupune suferință ritualică, oricât de nostalgici devin uneori profesioniștii seniori când povestesc despre începuturile carierei lor.
Dar eliminarea unei sarcini și înlocuirea învățării ascunse în acea sarcină sunt două decizii diferite.
Prima este relativ simplă. A doua este mult mai dificilă.
Productivitatea nu este același lucru cu învățarea
Să ne imaginăm un analist junior care petrece câteva ore construind o primă analiză de piață.
Caută informații. Găsește surse contradictorii. Face câteva presupuneri greșite. Observă o cifră ciudată. Întreabă un coleg mai experimentat de ce este importantă. Își reconstruiește analiza. Managerul îi contestă concluzia. Juniorul trebuie să o apere sau să o schimbe.
După câteva zeci de asemenea experiențe, începe să se întâmple ceva greu de măsurat.
Nu mai știe doar să facă analiza. Începe să știe ce trebuie să caute.
Acum să presupunem că AI produce prima versiune a aceleiași analize în trei minute.
Organizația a economisit câteva ore. Dar ce a învățat analistul?
Răspunsul poate fi: foarte mult.
Dacă verifică rezultatul, contestă presupunerile, compară alternative, caută ceea ce lipsește și discută raționamentul cu cineva mai experimentat, AI poate deveni un instrument extraordinar de învățare.
Răspunsul poate fi însă și: aproape nimic.
Dacă primește analiza, îi corectează formulările și o trimite mai departe.
Diferența dintre cele două situații nu este, în primul rând, una tehnologică. Este una pedagogică.
Există deja cercetări care sugerează că distincția contează. Un studiu de teren foarte cunoscut, realizat pe peste 5.000 de agenți de customer support, a arătat că accesul la AI generativ a crescut productivitatea cu aproximativ 14% în medie, iar beneficiile au fost mult mai mari pentru angajații mai puțin experimentați. Una dintre explicații este că AI reușea să transfere către începători o parte dintre tiparele de lucru folosite de colegii cu performanțe ridicate.
Este o veste foarte bună pentru productivitate.
Dar a performa mai repede ca un expert și a deveni expert nu sunt neapărat același lucru.
Cercetări experimentale mai recente încep să surprindă exact această diferență. Atunci când AI preia prea mult din efortul cognitiv, oamenii pot obține rezultate imediate mai bune fără să dezvolte în aceeași măsură înțelegerea conceptuală și capacitatea de a rezolva ulterior problema fără asistență.
Asta creează o întrebare incomodă pentru organizații.
Ce optimizăm? Performanța de astăzi sau capacitatea de mâine?
Ideal, ambele. Dar AI nu garantează automat acest lucru.
Eficiența și dezvoltarea funcționează pe două orizonturi diferite
Beneficiile de eficiență ale AI sunt imediate și ușor de măsurat.
Putem estima ore economisite. Putem număra outputuri. Putem compara costuri. Putem măsura timpul necesar pentru finalizarea unei sarcini.
Pierderea unor experiențe de învățare este mult mai greu de observat.
În raportul trimestrial nu există un indicator numit „judecată profesională care nu s-a dezvoltat”.
Consecințele apar peste ani, când organizația descoperă că angajați foarte competenți tehnic au avut prea puține ocazii să dezvolte înțelegerea contextuală, capacitatea de a lucra cu ambiguitatea, relația cu clientul sau judgment-ul așteptat de la un profesionist senior.
Aici apare o posibilă problemă de pipeline.
Ierarhiile profesionale au presupus dintotdeauna că oamenii devin capabili să facă muncă dificilă acumulând experiență prin activități cu un grad progresiv de complexitate.
Dacă eliminăm suficient de multe dintre treptele de jos, scara începe să arate puțin ciudat.
De aceea întrebarea relevantă nu este doar dacă AI va elimina joburile juniorilor.
Chiar dacă joburile rămân, trebuie să întrebăm: ce experiențe de dezvoltare mai rămân în interiorul lor?
Nu trebuie să salvăm munca inutilă
Concluzia facilă ar fi că organizațiile ar trebui să protejeze activitățile juniorilor de automatizare. Ar fi o greșeală.
Nu trebuie să păstrăm ore de research inutil, verificări mecanice sau producție de PowerPoint doar pentru ca noile generații să beneficieze și ele de experiența formatoare a alinierii perfecte a unor casete de text la ora 23:47.
Provocarea este alta.
Trebuie să separăm munca necesară pentru producție de experiența necesară pentru învățare.
Istoric, cele două veneau la pachet. AI începe să le separe.
Dacă AI poate produce primul draft, sarcina de dezvoltare poate deveni evaluarea acelui draft.
Dacă AI poate face research-ul inițial, juniorul poate fi pus să compare sursele, să identifice informația care lipsește și să argumenteze de ce o interpretare este mai solidă decât alta.
Dacă AI poate construi modelul, procesul de învățare se poate muta spre examinarea presupunerilor, testarea scenariilor și identificarea lucrurilor pe care modelul nu le poate ști.
Dacă execuția de rutină devine mai ieftină, poate că juniorii trebuie expuși mai devreme la ambiguitate, la clienți și la decizii reale.
În teorie, asta poate produce un model de dezvoltare profesională chiar mai bun decât cel vechi.
Dar nu se va întâmpla singur. Trebuie proiectat.
Managerii vor trebui să devină din nou profesori
Există aici și o implicație mai puțin confortabilă pentru manageri.
Modelul tradițional permitea ca foarte multă învățare să se întâmple accidental, ca efect secundar al muncii.
Juniorul făcea ceva. Managerul corecta. Juniorul încerca din nou.
Nu era nevoie ca cineva să proiecteze în mod explicit fiecare experiență de învățare.
Dacă AI elimină o parte dintre aceste activități, managerii vor trebui să devină mult mai intenționați în dezvoltarea oamenilor.
Vor trebui să explice raționamente care înainte rămâneau implicite. Să analizeze împreună cu juniorii rezultate generate de AI, nu doar să se bucure că livrabilul a venit mai repede. Să facă vizibil propriul proces de gândire. Să creeze acces la conversații dificile. Să-i întrebe pe oameni de ce sunt sau nu sunt de acord cu recomandarea AI.
Să le ofere responsabilitate înainte ca aceștia să se simtă complet pregătiți, dar suficient sprijin încât experiența să rămână una de învățare.
Cu alte cuvinte, o parte din timpul economisit prin AI va trebui reinvestit în dezvoltare.
Iar aici vom vedea probabil cât de serios au vorbit organizațiile în ultimii douăzeci de ani atunci când au spus că „oamenii sunt cea mai importantă resursă”.
Varianta financiară a adopției AI este foarte tentantă: automatizăm 30% din activitatea unui junior și umplem imediat capacitatea eliberată cu încă 30% output.
Varianta de dezvoltare este mai puțin spectaculoasă într-un spreadsheet: automatizăm o parte din activitate și folosim o parte din timpul câștigat pentru a construi deliberat competențele pe care munca veche le dezvolta accidental.
Prima variantă optimizează utilizarea de anul acesta. A doua protejează expertiza de care organizația va avea nevoie peste cinci ani.
De la învățarea accidentală la învățarea proiectată
Poate că aceasta este, de fapt, schimbarea importantă.
Timp de decenii, organizațiile au externalizat o parte surprinzător de mare din dezvoltarea profesională către însăși structura muncii.
Oamenii învățau pentru că trebuiau să facă lucruri la care încă nu erau foarte buni, în apropierea unor oameni care erau.
Responsabilitatea creștea treptat. Greșelile produceau feedback. Repetiția producea recunoașterea tiparelor. Observarea transmitea lucruri pe care niciun competency framework nu reușea să le descrie complet.
Nu am fost obligați să proiectăm foarte atent acest sistem pentru că munca îl producea în mod natural.
AI schimbă situația.
Pe măsură ce tehnologia devine capabilă să facă mai mult din munca oferită tradițional începătorilor, organizațiile vor trebui să identifice ce experiențe sunt necesare pentru ca acești oameni să devină experți și apoi să creeze deliberat acele experiențe.
Există chiar posibilitatea ca rezultatul să fie mai bun decât vechiul model. Putem elimina activitățile realmente inutile și le putem oferi profesioniștilor tineri acces mai devreme la analiză, decizii, probleme reale și interacțiuni cu clienții.
Dar acest rezultat nu vine odată cu licența de AI.
Tehnologia poate elimina o sarcină în câteva secunde.
Nu poate decide și ce trebuia să învețe omul făcând acea sarcină.
Asta devine o problemă de management, de leadership și, poate înainte de toate, de learning.
Iar organizațiile care vor înțelege diferența nu se vor întreba doar câtă muncă de junior pot automatiza.
Vor trebui să răspundă la o întrebare mai dificilă: dacă AI face munca prin care oamenii învățau să devină experți, cum vor mai deveni experți?
Leadership in the AI Era
Vezi programul Leadership in the AI EraSurse și context
Articolul pornește de la observațiile recente din industria de consultanță și le pune în contextul cercetărilor despre workplace learning, apprenticeship și efectele AI asupra productivității și învățării.