Ai făcut training de AI. Dar organizația chiar a adoptat AI?

În ultimii 25 de ani am văzut mai multe generații de tehnologie intrând în organizații. Am lucrat cu comunicații enterprise, Contact Center, integrarea aplicațiilor, automatizare și, mai recent, cu inteligență artificială. Tehnologiile s-au schimbat enorm, dar un lucru a rămas surprinzător de constant: diferența dintre a implementa o tehnologie și a schimba efectiv modul în care lucrează oamenii.

Am văzut proiecte implementate corect din punct de vedere tehnic, cu licențe, configurări, integrări și training finalizate, care după câteva luni produceau mult mai puțină schimbare decât se anticipase. Funcționalitățile existau, utilizatorii știau în principiu cum să le folosească, dar procesele organizației continuau aproape neschimbate.

Cu AI cred că riscăm să repetăm aceeași poveste, doar că mult mai repede. Astăzi este relativ simplu să cumperi licențe pentru un asistent AI, să organizezi câteva sesiuni de training, să distribui exemple de prompturi și să anunți că organizația a început procesul de adopție AI. Toate acestea sunt utile, dar nu sunt suficiente. Pentru că accesul la AI, utilizarea AI și adopția AI sunt trei lucruri diferite.

Trainingul te învață să folosești instrumentul. Nu îți spune neapărat ce trebuie schimbat.

Trainingul este necesar. Oamenii trebuie să înțeleagă ce poate și ce nu poate face AI, cum formulează o cerere, cum verifică rezultatul, ce informații pot introduce, ce riscuri există și cum trebuie tratate datele organizației. Trebuie să înțeleagă inclusiv un lucru aparent banal: faptul că un răspuns sună foarte convingător nu înseamnă că este și corect.

Dar trainingul răspunde în primul rând la întrebarea „Cum folosesc acest instrument?”. După curs apare o întrebare mult mai importantă: „La ce anume din munca mea îl folosesc mâine dimineață?” Aici lucrurile devin mai complicate, pentru că un coleg din vânzări lucrează diferit de unul din financiar, un operator din Customer Service are alte activități decât un project manager, iar un manager are alte nevoi decât un specialist tehnic. Dacă tuturor le prezentăm aceleași exemple și aceeași colecție de prompturi, i-am familiarizat cu tehnologia. Nu înseamnă că le-am schimbat modul de lucru.

Am mai văzut filmul acesta

AI este nou, dar problema adopției tehnologiei nu este deloc nouă. Cu ani în urmă implementam platforme de comunicații enterprise care veneau cu funcționalități foarte bune. Tehnic, proiectul putea fi impecabil. Sistemul era instalat, utilizatorii erau configurați, trainingul fusese făcut, iar documentația predată. Din perspectiva proiectului IT, toate căsuțele puteau fi bifate. După un timp descopereai însă că oamenii continuau să folosească doar o parte dintre funcționalități și, uneori, lucrau aproape exact ca înainte. Nu pentru că tehnologia nu funcționa și nici pentru că oamenii nu fuseseră instruiți, ci pentru că procesele din jurul lor nu se schimbaseră suficient. Cred că aceasta este una dintre lecțiile pe care merită să nu le uităm acum.

Tehnologia instalată nu este automat tehnologie adoptată.

Cu AI diferența este și mai greu de observat, pentru că utilizarea este foarte vizibilă. Vedem oameni care generează texte, fac rezumate, analizează documente sau caută informații și putem avea impresia că transformarea a început deja. Poate că da. Dar poate că am adăugat doar un instrument nou peste un proces vechi.

Uneori facem training tocmai pentru că este mai simplu decât să schimbăm procesul

Cred că există și o explicație mai puțin discutată pentru popularitatea programelor de training AI: trainingul este relativ simplu de organizat, în timp ce schimbarea proceselor este dificilă. Un curs poate fi cumpărat, planificat, livrat și bifat. Putem spune că 300 de oameni au participat, că 85% au finalizat programul și că fiecare departament are acum „AI champions”. Reproiectarea unui proces ne obligă însă să punem întrebări mai incomode. De ce mai facem această activitate? De ce sunt necesare trei aprobări? De ce aceeași informație este introdusă în două sisteme? De ce un angajat caută manual în cinci surse pentru a pregăti un raport? De ce copiem informații din CRM într-un document, apoi din document într-un email? De ce un om trebuie să citească zece documente pentru a extrage trei informații pe care un sistem le-ar putea identifica automat?

AI nu rezolvă automat aceste probleme. Uneori doar le face mai vizibile. Iar dacă după training continuăm să facem exact aceleași lucruri, în aceeași ordine și în aceleași aplicații, dar folosim din când în când AI pentru a genera un text, nu sunt convins că putem vorbi despre transformare.

Înainte de prompturi, aș vrea să văd cum lucrează oamenii

Dacă aș începe astăzi un program de adopție AI într-o organizație, nu aș începe cu un curs și nici cu o bibliotecă de prompturi. Aș începe prin a observa munca. Aș lua câteva roluri din organizație și aș încerca să înțeleg o zi normală de lucru. Ce activități se repetă? Unde se pierde timp? Ce informații sunt căutate în mod repetat? Ce documente sunt create aproape de la zero de fiecare dată? Ce date sunt copiate dintr-un sistem în altul? Ce verificări se fac manual? Unde trebuie cerută aprobarea altui coleg? Ce activitate ar elimina oamenii mâine dacă ar putea?

Din astfel de întrebări apar cazurile de utilizare interesante. Să luăm un exemplu din vânzări. Putem face training unui account manager despre cum să folosească AI pentru a scrie un email comercial. Este util, dar nu schimbă fundamental procesul. Dacă ne uităm însă la întreaga activitate, lucrurile arată diferit. Înaintea unei întâlniri, omul caută informații despre companie, verifică CRM-ul, citește interacțiunile anterioare, se uită la oportunitățile existente și poate caută informații publice despre client. După întâlnire își organizează notițele, scrie un rezumat, actualizează CRM-ul, stabilește pașii următori, trimite un email și creează eventual task-uri. Aici AI poate deveni mult mai interesant. Înaintea întâlnirii ar putea pregăti automat un customer briefing folosind informațiile relevante. După întâlnire ar putea transforma notițele sau transcriptul într-un rezumat, decizii, oportunități identificate, next steps, draft de follow-up și informațiile necesare actualizării CRM.

Nu mai discutăm despre „Cum scriu un prompt mai bun?”, ci despre „Cum putem face mai bine acest proces?” Pentru mine, aceasta este diferența dintre AI literacy și AI adoption.

Dacă trebuie să copiez permanent informația în AI, integrarea este incompletă

Prima etapă este firească: îi oferim angajatului acces la un instrument AI. Dar dacă ne oprim aici, riscăm să creăm încă o aplicație. Într-o fereastră avem AI. În alta CRM. În alta ERP. În alta email. În alta documentele. În alta aplicația internă. Utilizatorul copiază informația dintr-un sistem, o introduce în AI, preia rezultatul și îl copiază înapoi unde are nevoie. Pentru început este perfect acceptabil. Așa descoperim multe dintre cazurile de utilizare. Dar nu cred că aceasta este destinația. Dacă AI devine o componentă reală a procesului, ar trebui în timp să poată primi, în limitele permisiunilor și regulilor organizației, contextul de care are nevoie din aplicațiile existente și să returneze rezultatul acolo unde este necesar.

Experiența mea cu sistemele enterprise mă face să privesc cu destulă precauție ideea că un model AI, oricât de performant, rezolvă singur problema. În organizații, valoarea apare de multe ori din legătura dintre tehnologii. AI trebuie să lucreze cu date, identități, permisiuni, API-uri, aplicații și workflow-uri. Altfel avem un AI foarte capabil, dar izolat de realitatea operațională a companiei.

Poate că obiectivul nici măcar nu este ca toți angajații să „folosească AI”

Aceasta mi se pare una dintre cele mai interesante contradicții ale discuției despre adopție. Multe organizații urmăresc câți angajați folosesc instrumentele AI, cât de des le folosesc și câte prompturi generează. Sunt indicatori utili pentru o anumită etapă, dar nu sunt convins că reprezintă obiectivul final.

Poate că într-o organizație matură nu este nevoie ca fiecare angajat să deschidă un chatbot de zece ori pe zi.

Poate AI este deja în CRM și pregătește contextul relevant înaintea unei întâlniri. Poate citește documentele înainte ca omul să le analizeze și extrage informațiile importante. Poate clasifică solicitările clienților, identifică excepțiile, verifică anumite condiții sau pregătește următoarea acțiune. Poate un workflow folosește AI într-un anumit punct al procesului fără ca utilizatorul să scrie vreodată un prompt. În asemenea situații, organizația poate avea o adopție AI mult mai profundă chiar dacă oamenii „folosesc” vizibil AI mai puțin. Mi se pare un paradox important:

Uneori cea mai bună adopție AI este cea în care utilizatorul aproape că nu observă AI-ul. Observă doar că procesul a devenit mai simplu.

Productivitatea individuală nu este automat productivitate organizațională

Să presupunem că un angajat descoperă că poate realiza în 20 de minute, cu ajutorul AI, o activitate care înainte îi lua două ore. Avem un câștig evident de productivitate individuală. Dar ce face organizația cu ora și patruzeci de minute economisite? Elimină un pas inutil? Reduce timpul de răspuns către client? Crește calitatea rezultatului? Poate procesa un volum mai mare? Mută timpul către activități cu valoare mai mare? Schimbă procesul sau KPI-ul? Dacă nu răspundem la aceste întrebări, beneficiul poate rămâne doar la nivel individual.

Această diferență mi se pare esențială, pentru că este foarte ușor să agregăm economiile teoretice. Dacă 1.000 de angajați economisesc câte 30 de minute pe zi, putem calcula imediat mii de ore de productivitate. Dar o oră „economisită” într-un Excel nu devine automat o oră de valoare pentru companie.

Productivitatea individuală trebuie transformată în capacitate organizațională. Altfel măsurăm potențialul, nu rezultatul.

Managerul poate conta mai mult pentru adopție decât trainerul

După un training bun apare de obicei un grup de oameni entuziasmați. Încearcă lucruri, generează texte, analizează documente, testează prompturi și le arată colegilor rezultate interesante. Apoi reîncepe viața normală a organizației. Deadline-urile sunt aceleași, meetingurile sunt aceleași, KPI-urile sunt aceleași, iar managerul cere aceleași livrabile în același mod. În asemenea condiții, oamenii se întorc foarte ușor la vechile obiceiuri. Nu neapărat pentru că „rezistă schimbării”, ci pentru că organizația continuă să le ceară vechiul mod de lucru. De aceea cred că managerul are un rol critic. El este cel care poate transforma un experiment individual într-o practică de echipă. Poate întreba unde s-a economisit timp, poate decide că un raport nu mai trebuie construit manual, poate schimba un flux de aprobare sau poate identifica activitățile în care AI nu trebuie folosit. Trainingul poate crea competență. Managementul și procesul transformă competența în comportament repetabil.

Shadow AI poate fi un risc, dar și o radiografie a problemelor organizației

Dacă angajații folosesc instrumente AI neaprobate, există motive serioase de preocupare privind confidențialitatea, securitatea și protecția datelor. Dar aș privi fenomenul și dintr-un alt unghi. Utilizarea neoficială a AI poate arăta unde oamenii încearcă să rezolve probleme pe care sistemele companiei nu le rezolvă suficient de bine. Dacă mulți angajați folosesc AI pentru a sumariza același tip de document, probabil există un caz de utilizare. Dacă îl folosesc pentru a construi aceleași răspunsuri, există un pattern. Dacă extrag manual informații dintr-un sistem și le duc într-un instrument AI public, avem simultan un risc și o oportunitate de integrare.

Înainte de a întreba doar „Ce instrument AI folosește angajatul?”, mi se pare mai interesant să întrebăm „Ce încearcă să rezolve?” Răspunsul ne poate spune mai multe despre procesele organizației decât despre AI.

Guvernanța trebuie să ofere și drumuri, nu doar garduri

Adopția serioasă are nevoie de reguli. Trebuie să știm ce date pot fi utilizate, ce instrumente și modele sunt aprobate, pentru ce activități, ce rezultate trebuie verificate, unde este obligatoriu human review și cine răspunde pentru rezultatul final. Dar există și aici un risc. Dacă politica AI are zeci de pagini și singurul lucru pe care angajatul îl reține este „ai grijă ce faci”, am creat mai degrabă fricțiune decât guvernanță. O politică utilă nu ar trebui să spună doar „Nu introduce aceste date aici”, ci și „Pentru această activitate, acesta este instrumentul și modul aprobat în care poți folosi AI”. Oamenii au nevoie de garduri. Dar au nevoie și de drum.

Nu toate activitățile trebuie îmbunătățite. Unele ar trebui eliminate.

Aici experiența cu automatizarea proceselor mi se pare foarte relevantă. Când apare o tehnologie nouă avem tendința să luăm procesul existent și să întrebăm cum îl putem face mai rapid. Dar uneori întrebarea corectă este alta: mai avem nevoie de această activitate? Dacă un om petrece două ore construind manual un raport pe care nimeni nu îl folosește pentru o decizie, nu avem nevoie de AI ca să generăm raportul în zece minute. Poate trebuie să renunțăm la raport. Dacă aceeași informație este introdusă în trei sisteme, nu trebuie neapărat să folosim AI pentru a completa mai repede cele trei formulare. Poate trebuie să integrăm sistemele. Dacă un proces are șapte aprobări pentru că așa a evoluat în ultimii zece ani, AI nu ar trebui să automatizeze orbește cele șapte aprobări. Mai întâi trebuie să aflăm de ce există. Aceasta este una dintre capcanele automatizării pe care am întâlnit-o de multe ori: poți automatiza foarte eficient un proces prost. Rezultatul rămâne un proces prost. Doar că este mai rapid. AI nu schimbă această regulă.

De la Copilot la proces

În prima etapă a adopției, modelul este foarte simplu: Om → Prompt → AI → Rezultat

Este excelent pentru explorare, învățare și productivitate individuală. Nu îl consider deloc o etapă minoră; este modul prin care oamenii descoperă ce poate face tehnologia. Dar următoarea etapă mi se pare mai interesantă: Proces → Context → AI → Decizie / Recomandare → Acțiune

În acel moment încep să conteze lucrurile mai puțin spectaculoase din demonstrațiile AI: integrarea, API-urile, workflow-urile, identitatea, permisiunile, auditul, calitatea datelor, regulile de business și human-in-the-loop. Cu alte cuvinte, exact problemele cu care tehnologia enterprise se confruntă de ani de zile. AI nu le face să dispară. Le face și mai importante.

Cum aș măsura adopția AI

Nu aș renunța la indicatori precum numărul de utilizatori activi. Sunt utili pentru a înțelege dacă instrumentul este folosit. Dar nu i-aș confunda cu rezultatul. Aș vrea să știu ce s-a schimbat în proces: cât timp dura înainte o activitate și cât durează acum, dacă a scăzut numărul de erori, dacă avem mai puțin rework, dacă răspundem mai repede clientului, dacă oamenii gestionează un volum mai mare, dacă a crescut calitatea sau dacă am eliminat activități administrative. Și aș pune o întrebare suplimentară: cât din timpul economisit s-a transformat efectiv în valoare pentru organizație? Putem avea 80% utilizatori activi de AI și foarte puțină transformare. La fel cum putem avea un proces profund automatizat cu AI în care utilizatorul final aproape că nu interacționează direct cu modelul. De aceea, pentru mine, indicatorul relevant nu este doar „Cât de mult folosim AI?”, ci mai ales „Ce facem acum mai bine pentru că avem AI?”

Cum aș aborda un program de adopție AI

Nu aș construi programul în jurul trainingului, ci în jurul proceselor. Aș începe prin a observa activitatea reală și a identifica punctele în care oamenii pierd timp, caută informații, transferă date manual sau repetă activități. Aș selecta apoi cazurile de utilizare după impact, frecvență, risc și fezabilitate, nu după cât de spectaculos arată într-un demo. Pentru fiecare caz aș defini explicit ce rămâne la om, ce poate face AI, ce poate fi automatizat și unde trebuie păstrată verificarea umană. Abia apoi m-aș uita la integrarea cu aplicațiile și datele organizației. Trainingul ar veni în acest context. Nu ca o lecție generică despre „20 de prompturi utile”, ci ca o explicație foarte concretă: „Acesta este noul mod în care realizăm această activitate, aici intervine AI, aici intervii tu și acestea sunt regulile.” După aceea aș măsura rezultatul, aș vedea unde AI greșește, unde oamenii îl ignoră, unde procesul continuă să creeze fricțiune și aș ajusta. În această abordare, trainingul nu dispare. Din contră, devine mai valoros pentru că are un context real.

Adopția AI începe când nu mai vorbim atât de mult despre AI

După peste 25 de ani în tehnologie enterprise, cred că una dintre cele mai importante lecții este că tehnologia matură ajunge, într-un final, să dispară în proces. Nu mai discutăm în fiecare dimineață despre faptul că folosim IP pentru un apel telefonic, despre API-ul prin care două aplicații schimbă informații sau despre baza de date care stă în spatele unei aplicații. Pur și simplu ne așteptăm ca lucrurile să funcționeze. Cred că ceva similar se va întâmpla și cu AI. Astăzi vorbim mult despre prompturi, modele, copilots și agenți pentru că tehnologia este nouă și trebuie înțeleasă. Dar adevărata adopție va începe probabil atunci când întrebarea „Cum folosim AI?” va fi înlocuită de una mult mai normală: „Cum putem face mai bine această activitate?” Iar uneori răspunsul va fi AI. Alteori va fi integrarea a două sisteme, simplificarea unui workflow, eliminarea unui pas inutil sau schimbarea unei reguli de business.

Pentru mine, aceasta este diferența dintre a introduce o tehnologie într-o companie și a transforma cu adevărat modul în care lucrează compania. Putem organiza traininguri, crea academii AI, certifica oameni, distribui biblioteci de prompturi și cumpăra licențe pentru întreaga organizație. Toate pot avea sens. Dar adopția reală începe într-o zi obișnuită de lucru, când un om ajunge la o activitate pe care înainte o făcea într-un anumit fel și acum o face mai simplu, mai repede sau mai bine datorită AI. Iar nivelul următor apare atunci când nici măcar nu mai trebuie să se gândească dacă „folosește AI”. AI a devenit pur și simplu o componentă firească a procesului.

Tehnologia este un mijloc. Valoarea reală apare atunci când rezolvă o problemă de business.