Seeing AGI (8): odrodzenie roli człowieka
Niedawno byłem na Delight Spark w San Francisco i jedna rozmowa została ze mną długo po wydarzeniu. Dotyczyła organizacji AI.
W poprzednich siedmiu artykułach z serii Seeing AGI pisałem o nadejściu AGI, vibe workingu i systemach wieloagentowych. Ale pytanie, do którego ciągle wracam, jest prostsze: co dzieje się z rolą człowieka wewnątrz firmy? Zanim AI przepisze schemat organizacyjny, przepisuje samego człowieka.
Zbyt wiele firm wciąż traktuje AI jako aktualizację oprogramowania dla tych samych ludzi na tych samych stanowiskach. To zła rama. AI nie tylko przyspiesza pracę. Zmienia, kto co robi, kto jest właścicielem kontekstu i jak przepływa osąd.
Każda fala technologiczna zmienia rolę człowieka
Kiedy ludzie spotykają się z przełomową technologią, zwykle zakładają, że ich praca pozostanie dokładnie taka sama, tylko szybsza. Historia pokazuje, że to iluzja.
Pierwsze, co się zmienia, to rzadko schemat organizacyjny na papierze. Pierwsze, co się zmienia, to to, czym ludzie zajmują się przez cały dzień, od kogo zależą, komu raportują i jaki rodzaj osądu system rzeczywiście nagradza.
Jeśli więc chcemy jasno zrozumieć AI, nie powinniśmy pytać tylko o to, co potrafią modele. Powinniśmy pytać, co wcześniejsze fale technologiczne zrobiły z samą pracą.
Elektryczność nie zmodernizowała tylko fabryki. Zmieniła ludzi w niej.
Słynna lekcja z elektryfikacji nie polega tylko na tym, że elektryczność była potężna. Polega na tym, że pierwsza fala adopcji nie spełniła oczekiwań, ponieważ fabryki zachowały starą architekturę. Właściciele zastąpili maszyny parowe prądnicami, ale zachowali tę samą logikę scentralizowanej mocy, te same wały transmisyjne, te same pasy i tę samą geometrię produkcji.
Prawdziwy skok przyszedł później, gdy fabryki przyjęły napęd jednostkowy — indywidualne silniki elektryczne na poziomie każdej maszyny. W tym momencie sam budynek mógł się zmienić. Łatwiejsze stały się parterowe układy. Maszyny nie musiały już być organizowane wokół jednego mechanicznego kręgosłupa. Przepływ pracy można było zaprojektować na nowo wokół szybkości, bezpieczeństwa i specjalizacji.
A gdy zmieniła się fabryka, wraz z nią zmieniły się role ludzkie. Stara logika centralnych hal maszyn, układów napędzanych wałami i konserwacji zbudowanej wokół jednego źródła zasilania zaczęła zanikać. Na jej miejsce pojawiła się potrzeba elektryków, inżynierów elektryków, planistów fabryk i nowego rodzaju zarządzania operacyjnego. Paul David pisał, że masowa elektryfikacja wymagała wytworzenia „kadry doświadczonych architektów fabryk i inżynierów elektryków”. O to właśnie chodzi. Nowe źródło energii nie sprawiało po prostu, że starzy pracownicy byli szybsi. Tworzyło nowych specjalistów, nowe relacje raportowania i nową logikę operacyjną.
Komputery nie zautomatyzowały tylko biur. Stworzyły zupełnie nowe role informacyjne.
Era komputerów zrobiła coś podobnego. Przed komputeryzacją duże organizacje opierały się na warstwach urzędników, maszynistek, archiwistów, księgowych i operatorów maszyn, którzy ręcznie przenosili informacje. Potem pojawiły się działy przetwarzania danych, operatorzy dziurkarek, programiści, analitycy systemowi, a później administratorzy baz danych i menedżerowie IT.
Niektóre role się skurczyły. Inne pojawiły się znikąd. Operatorzy dziurkarek stali się rozpoznawalnym zawodem w erze kart perforowanych, a potem stopniowo zniknęli wraz z rozprzestrzenianiem się bezpośredniego przetwarzania. W tym samym czasie analityk systemowy pojawił się jako nowa rola pomostowa — ktoś, kto rozumiał biznes, projektował system, przygotowywał diagramy dla programistów i tłumaczył potrzeby kierownictwa na strukturę techniczną. Ta rola ma sens tylko w świecie, w którym oprogramowanie staje się częścią tego, jak firma myśli.
To zmieniło również linie raportowania. Gdy systemy informatyczne stały się centralne dla operacji, firmy zbudowały organizacje MIS i IT, warstwy zarządzania projektami, zespoły systemowe, a później funkcje oprogramowania korporacyjnego. Władza coraz bardziej płynęła przez architekturę informacji, a nie tylko przez fizyczne operacje.
Oprogramowanie stworzyło nowoczesną organizację produktową.
Następnie era oprogramowania dodała kolejną warstwę. W miarę jak złożoność oprogramowania eksplodowała, organizacja podzieliła się ponownie. Product management urósł, by wypełnić lukę między biznesem, użytkownikami a inżynierią. W oprogramowaniu nie wystarczało po prostu wprowadzić produkt na rynek. Ktoś musiał decydować, co budować, tłumaczyć scenariusze użytkownika i pozostawać blisko inżynierii przez cały cykl.
UX i projektowanie interakcji dojrzały, gdy komputery osobiste, a potem sieć sprawiły, że użyteczność stała się ekonomicznie nieunikniona. QA stało się odrębną funkcją, ponieważ testowanie nie mogło już mieścić się w głowie programisty. Później Agile i DevOps znów zaczęły zacierać te linie, wciągając testerów wcześniej w cykl i czyniąc jakość wspólną odpowiedzialnością.
Struktura PM, projektant, deweloper i tester nie została więc zesłana z natury. Należała do poprzedniej ery inżynierii oprogramowania. Była racjonalną odpowiedzią na ograniczenia komunikacji ludzkiej, fragmentaryczną wiedzę, ręczne kodowanie i wolniejsze pętle informacji zwrotnej.
Stara linia montażowa była zbudowana dla innego świata
Gdy widzi się tę historię jasno, obecny schemat organizacyjny w software'owej firmie wygląda znacznie mniej trwale niż większość ludzi sądzi. To po prostu najnowsza warstwa w długiej sekwencji reorganizacji technologicznych.
W starym świecie oprogramowania projekt potrzebował głębokiego stosu wyspecjalizowanych funkcji, zanim mógł ruszyć choćby o cal. Logika raportowania zwykle odzwierciedlała sam przepływ pracy: produkt tworzył wymagania, design je tłumaczył, inżynieria je wdrażała, QA je walidowało, a kierownictwo koordynowało przekazania między tymi silosami.
Pomyślcie, czym kiedyś zajmował się PM: spędzał tygodnie na pisaniu olbrzymich, dwudziestostronicowych specyfikacji, by przerzucić je przez ścianę. Projektant potem tygodniami ręcznie przesuwał piksele, by przełożyć ten spec na makiety. Deweloper brał te makiety i miesiącami pisał szablonowy kod. Wreszcie tester tygodniami tropił niezgodności i bugi.
Ta struktura miała sens, gdy każdy krok musiał być wykonany przez innego specjalistę z innymi narzędziami, z drogimi przejściami między nimi. Przekazania nie były tylko biurokracją. Były sposobem, w jaki system bronił się przed złożonością.
Ale gdy agent AI potrafi pomóc wygenerować kod, naszkicować UI, stworzyć przypadki testowe i ścisnąć iterację do minut, ta sama struktura zaczyna działać przeciwko sobie. Przekazanie z mechanizmu bezpieczeństwa zamienia się w czysty hamulec.
Większość dzisiejszych „transformacji AI” wciąż tkwi w tym miejscu. Firmy dają narzędzie AI do pisania PM-owi, narzędzie AI do projektowania projektantowi i narzędzie AI do kodowania deweloperowi, ale zachowują te same linie raportowania i ten sam podział pracy. To podłączanie nowego źródła zasilania do starej maszyny.
Dlatego uważam, że początkowa część tej historii ma takie znaczenie. AI nie jest pierwszą technologią, która porządkuje pracę na nowo. Ale może być pierwszą, która robi to z taką prędkością i jednocześnie zwija tak wiele ról wiedzowych w ten sam moment wykonania.
Co widzę wewnątrz Genspark
Wewnątrz Genspark widzę już, jak następna warstwa tej historii pisze się w czasie rzeczywistym. Jesteśmy teraz organizacją około 70 osób. Nasza struktura jest bezwzględnie płaska.
Nie obsadzamy projektów ogromnymi, wielodyscyplinarnymi działami. Zdecydowana większość naszych projektów jest realizowana przez agile'owe pody składające się z 1 do 3 osób. Ponieważ przepływ pracy jest skompresowany, ludzie pracują blisko całego łańcucha tworzenia wartości.
Zaczyna się to pierwszego dnia. Nowi pracownicy nie są chowani w wąskich rolach ani zmuszani do czytania dokumentacji przez miesiąc. Trafiają od razu na pierwszą linię. Regularnie widzimy, jak ludzie wypuszczają realne, złożone funkcje już w pierwszym tygodniu. Nawet członkowie zespołu, którzy przed dołączeniem do nas nigdy w życiu nie napisali ani jednej linijki kodu, wypuszczają funkcje.
W poprzedniej erze brzmiałoby to lekkomyślnie albo niemożliwie. W tej erze to punkt wyjścia. Ambitni ludzie kwitną tu, bo nie są już zamknięci w jednym pudełku.
Jak naprawdę zmieniają się role
Gdy przepływ pracy kompresuje się tak agresywnie, role zawodowe nie znikają. Mutują. Wchodzą wyżej.
PM: od autora specyfikacji do reżysera systemu
PM nie spędza już tygodni na pisaniu statycznych dokumentów, by ktoś inny je interpretował. Używa AI, by natychmiast generować żywe prototypy. Steruje systemem, testuje logikę w czasie rzeczywistym i odpowiada za końcowy rezultat, a nie tylko za wymagania.
Projektant: od tłumacza front-endu do ostatecznego sędziego
Nasze niedawne wydanie Genspark Design to idealny przykład. W starym procesie projektant był tłumaczem na początku. Musiał ręcznie narysować ekrany, zanim ktokolwiek inny mógł cokolwiek zbudować. Dziś droga od abstrakcyjnego pomysłu do gotowego designu i wypuszczonego produktu jest ciągła.
Ponieważ AI potrafi wygenerować w ciągu sekund dziesiątki funkcjonalnych prototypów o wysokiej wierności, rola projektanta przesuwa się na koniec linii. Staje się sędzią. Wyznacza poprzeczkę jakości. Chroni poziom smaku. Akceptuje doświadczenie. Decyduje, która z iteracji AI ma odpowiednią duszę dla marki.
Deweloper: od maszynisty kodu do architekta systemu
Pierwszy tydzień dewelopera nie polega już na konfigurowaniu lokalnych środowisk i czytaniu starych baz kodu. Polega na wypuszczaniu. Mniej czasu spędza na pisaniu szablonowego kodu, a więcej na projektowaniu logiki, prowadzeniu agentów i rozwiązywaniu głębokich problemów strukturalnych, których AI jeszcze nie widzi.
Tester: od ręcznego strażnika do inżyniera infrastruktury dla agentów
W AI-natywnym przepływie pracy każdy staje się testerem swojej własnej funkcji. Osoba budująca funkcję jednocześnie generuje przypadki, sprawdza warunki brzegowe, waliduje doświadczenie i decyduje, czy jest gotowa do wypuszczenia. Testowanie nie siedzi już na końcu łańcucha jako osobna bramka. Staje się częścią samego autorstwa.
Nie znaczy to, że tradycyjny tester znika. Rola wchodzi o poziom wyżej. Staje się rolą infrastrukturalną. Zamiast ręcznie sprawdzać każdy ekran po fakcie, ta osoba pomaga zapewnić, że gdy funkcje zostaną wypuszczone w całym zespole, system pozostaje stabilny, obserwowalny i godny zaufania na produkcji.
W tym sensie nowy tester wygląda bardziej jak inżynier infrastruktury jakości. Buduje frameworki, zabezpieczenia, monitoring, pętle ewaluacji i logikę wydań, które czynią całą organizację bardziej niezawodną. Pomaga też tworzyć infrastrukturę bardziej przyjazną agentom, by AI mogło skuteczniej uczestniczyć w testowaniu, debugowaniu i ciągłym ulepszaniu.
W każdej dyscyplinie trend jest dokładnie taki sam: osąd staje się znacznie ważniejszy niż przekazanie. Posiadanie kontekstu staje się cenniejsze niż wąska specjalizacja.
CEO: od Chief Executive Officer do Chief Context Officer
Gdy widzi się, jak głęboko AI rekombinuje role, nie można poprzestać na PM-ach, projektantach, deweloperach i testerach. CEO też jest przepisywany.
W starym modelu firmy skala odpychała CEO od pracy. Organizacja stawała się zbyt wyspecjalizowana, zbyt warstwowa i zbyt wolna. Praca CEO sprowadzała się do zarządzania złożonością przez innych ludzi.
Ten dystans nie był cechą charakteru. Był strukturalny. W wielu firmach CEO nie mógł już bezpośrednio dotykać produktu, bo praca została pofragmentowana między zbyt wieloma funkcjami, spotkaniami i przekazaniami.
AI łamie ten model. CEO, który chce się uczyć, może wrócić do pracy. Może badać pomysły produktowe, oglądać prototypy, testować przepływy, kwestionować założenia, a nawet pomagać w wykonaniu z pomocą AI. Nie po to, by CEO znów stał się mikromenedżerem, ale dlatego, że ściana między przywództwem a tworzeniem staje się cieńsza.
Praca więc się zmienia. CEO ery AI zaczyna wyglądać mniej jak Chief Executive Officer, a bardziej jak Chief Context Officer. Rola polega na ustalaniu kierunku, klarowaniu osądu, przesuwaniu praw decyzyjnych bliżej krawędzi i projektowaniu interfejsów pozwalających małym podom poruszać się z prawdziwym poczuciem własności.
W starym modelu władza brała się z dystansu i kontroli. W nowym modelu władza bierze się z kontekstu, smaku, klarowności i zdolności pomagania organizacji myśleć i poruszać się jako jeden system. A gdy zmienia się CEO, organizacja nie może pozostać taka sama. Przepisanie roli naturalnie staje się przepisaniem organizacji.
Nowa organizacja nie jest tylko bardziej płaska. Jest strukturalnie inna.
Nie sądzę, by właściwym opisem tej nowej firmy było po prostu „płaska”. Płaska oznacza tylko mniej warstw. To, co widzimy, to głębsza zmiana. Podstawową jednostką organizacji nie jest już funkcja. Jest nią pod.
W starej strukturze firma była zbudowana wokół działów. Produkt siedział w jednym miejscu. Design w innym. Inżynieria gdzie indziej. QA siedziało na końcu. Schemat organizacyjny odzwierciedlał łańcuch przekazań.
W nowej strukturze firma zaczyna wyglądać bardziej jak sieć małych podów o wysokim kontekście. Pod złożony z 1 do 3 osób pracuje blisko problemu, blisko użytkownika i blisko AI. Posiada większą część łańcucha od pomysłu do wydania. Niesie więcej kontekstu. Podejmuje więcej decyzji. Mniej czeka.
W firmie liczącej tysiące osób nie może to oznaczać, że jeden CEO bezpośrednio dotyka setek podów. To się nie skaluje. Skalowalna wersja to sieć sieci: pody pogrupowane w klastry misyjne, spojone wspólnym kontekstem, wspólnym smakiem, wspólną klarownością i wspólnym projektem systemu. Warstwy przywództwa nadal istnieją, ale ich praca się zmienia. Nie są już wąskimi gardłami akceptacji. Stają się routerami kontekstu, projektantami interfejsów i mnożnikami siły. W tym modelu CEO nie zarządza każdym podem. CEO projektuje architekturę, która pozwala wielu podom poruszać się spójnie bez odbudowywania starej biurokracji. Tak wygląda AI-natywna skala: nie bardziej płaska piramida, ale inny system.
Gdy to się stanie, hierarchia przestaje być głównym mechanizmem koordynacji. Kontekst staje się głównym mechanizmem koordynacji. Najważniejsze pytanie nie brzmi już „Kto komu raportuje?”. Brzmi „Kto naprawdę trzyma kontekst i kto ma osąd, by na nim działać?”.
To również zmienia, do czego służą warstwy przywództwa. W starym świecie duża część średniego kierownictwa istniała po to, by tłumaczyć, streszczać, koordynować i przemieszczać informacje przez granice funkcjonalne. W nowym świecie te role pozostają wartościowe tylko, jeśli ewoluują w budowniczych systemów, recenzentów jakości, coachów talentów i integratorów między podami. Menedżer-pas transmisyjny będzie systematycznie tracił znaczenie.
W jednym zdaniu, AI-natywna organizacja to: sieć małych podów o wysokim posiadaniu kontekstu, wspierana przez agentów AI, dopasowana wspólnym osądem i połączona lekkimi interfejsami, a nie ciężką hierarchią.
Okno do przepisania firmy
Jeśli przepisanie ról prowadzi do przepisania CEO, a przepisanie CEO prowadzi do przepisania organizacji, to nie jest to aktualizacja narzędzi. To przepisanie firmy. Przestań więc patrzeć tylko na swój stos AI. Spójrz na swoich ludzi. Spójrz na swoją strukturę.
Zadaj trudniejsze pytania. Czy twoi ludzie wciąż tkwią w wąskich rolach tłumaczy? Czy najlepsze umysły wciąż przygotowują przekazania zamiast wydawać osądy? Czy twój schemat organizacyjny wciąż jest zbudowany pod stary łańcuch PM-projektant-deweloper-tester? Czy prawa decyzyjne wciąż są zbyt daleko od ludzi, którzy trzymają prawdziwy kontekst?
Kupienie dostępu do AI jest łatwe. Prawdziwa transformacja jest trudniejsza. Oznacza przeprojektowanie ról, przesunięcie własności do małych podów, odbudowę infrastruktury wokół agentów i przedefiniowanie samego przywództwa.
Zwycięzcy tej ery nie będą po prostu używać lepszych modeli. Przebudują się szybciej. Zastąpią łańcuchy przekazań sieciami podów. Przesuną kontekst do krawędzi. Podniosą poprzeczkę osądu.
AI nie przepisuje tylko zadań. Przepisuje firmę. Okno jest teraz otwarte. Długo otwarte nie pozostanie.