Workslop: když práce s AI přesouvá úsilí na příjemce

Pěkný dokument může být nedokončená práce

Specialista pošle dvacet slajdů s nadpisy, grafy a shrnujícími závěry. Materiál vypadá skvěle. Problém se objeví až ve chvíli, kdy chce ředitelka rozhodnout: není jasné, odkud pocházejí čísla, jaké období srovnání zahrnují a která doporučení jsou podstatná. Musí si podklady analýzy zrekonstruovat sama. Autor ušetřil čas, ale chybějící část práce odvedl příjemce. Právě takovému přesouvání práce na příjemce se dnes někdy říká workslop.

Nejde o vědeckou diagnózu člověka ani o synonymum pro jakýkoli obsah vytvořený AI. Problém existoval i před nástupem chatbotů: ve zprávách plných ozdobných frází, v příliš obecných prezentacích nebo v zápisech bez rozhodnutí. AI může masovou tvorbu takových materiálů prostě usnadnit. Proto je třeba kvalitu posuzovat podle toho, zda příjemce může výsledek využít ke konkrétnímu kroku, a ne podle nástroje, kterým byla připravena první verze.

Úspora času autora neznamená úsporu pro celý tým

V experimentu, který v roce 2023 provedli Noy a Zhang, pracovali účastníci, kteří plnili určité písemné úkoly s pomocí ChatGPT, v průměru rychleji a kvalita jejich výstupů byla hodnocena výše než v kontrolní skupině. Je to důležitý důkaz, že AI může pomáhat. Neznamená to však, že každá firemní prezentace automaticky ušetří čas všem dalším účastníkům procesu. Studie se týkala konkrétních úkolů a experimentálních podmínek, ne libovolné strategické zprávy.

Ve firmě vznikají náklady i při předávání, kontrole a opravách. Pokud autor zprávy skončí po dvaceti minutách, ale tři příjemci pak hodinu hledají zdroje, úspora jednoho člověka může znamenat práci navíc pro celý tým. Nejde tedy o to, aby se každý text psal ručně. Jde o kontrolu kvality tam, kde autor nejlépe zná kontext a může obsah ověřit dřív, než jím zatíží ostatní.

Nejčastěji chybí odpověď na otázku „Co s tím mám dělat?“

Workslop se často projevuje na třech místech. Zaprvé materiál popisuje téma, ale neodpovídá na otázku příjemce. Zadruhé uvádí čísla nebo tvrzení bez ověřitelných zdrojů. Zatřetí předkládá doporučení bez kritérií výběru a bez odpovědné osoby. V každém z těchto případů se příjemce musí vrátit na začátek: definovat problém, ověřit fakta nebo upřesnit rozhodnutí. To není drobná stylistická korektura.

Jednoduchý test před odesláním zní: „Ví příjemce, jaké rozhodnutí má na základě materiálu přijmout, odkud pocházejí data a jaký je další krok?“ Pokud je odpověď nejasná, práce není hotová. Například zpráva o třech dodavatelích by měla ukazovat stejná kritéria srovnání, otevřeně přiznané mezery v informacích a zdůvodnění doporučení. Elegantní heslo „Vyberte si partnera budoucnosti“ nenahradí cenu, rizika ani podmínky zavedení.

Než začnete materiál tvořit, ujasněte si, co znamená „připraveno k použití“

V týmu je dobré se dohodnout, že materiál k rozhodnutí obsahuje pět věcí: cíl, adresáta, zdroje, ověřené závěry a doporučené rozhodnutí s jeho omezeními. U jednoduchých úkolů stačí kratší verze, u důležitějších jsou nutná data, rozsah analýzy a způsob ověření údajů. Ne každý soubor vyžaduje mnohastránkovou zprávu o použití AI. Standard by měl odpovídat závažnosti důsledků chyby. Citlivé údaje a pravidla používání nástrojů je nutné respektovat bez ohledu na kvalitu stylu.

Dobře funguje princip odpovědnosti: kdo je pod materiálem podepsán, odpovídá za to, že ověřil klíčová tvrzení a rozumí vlastnímu doporučení. Pokud na materiálu pracuje v týmu více lidí, určete, kdo schvaluje čísla, kdo obsah a kdo sdělení pro klienta. Díky tomu nelze odpovědnost rozmělnit větou „tak to vyhodila AI“. Technologie může tvorbu obsahu podporovat, ale nic nemění na tom, že o jeho použití musí někdo rozhodnout.

Zpětná vazba by se měla týkat nedostatků, ne nálepek

Vedoucí čte neúplnou analýzu a říká: „Zase jsi tam hodil text z AI, ani se ti nechtělo přemýšlet.“ Zaměstnanec začne hájit svůj způsob práce, místo aby doplnil data. Lepší je říct: „Ve zprávě nevidím zdroje ke dvěma číslům a nevím, proč doporučuješ variantu B. Tyhle informace potřebuju, než rozhodnu.“ Taková zpětná vazba se týká skutečného problému, ne domnělých úmyslů autora.

Pokud se problém opakuje, stanovte společně minimální standard odevzdání práce a termín nápravy. Můžete se zeptat, co autorovi brání v důkladné kontrole: příliš krátký čas, chybějící přístup k datům, nejasný cíl, nebo mylné přesvědčení, že jde hlavně o rozsah. Část příčin leží v řízení, ne v postoji jednotlivce. Obzvlášť destruktivní jsou pokyny „používejte AI všude“, když firma zároveň nevysvětluje, co považuje za kvalitní výsledek.

Sledujte, kolik práce navíc materiál vyžaduje od příjemce

Místo abyste počítali jen vygenerované slajdy nebo minuty psaní, sledujte, kolik otázek musí příjemce položit, než může začít jednat. Pokud každá prezentace vyžaduje samostatnou schůzku k vysvětlení, problém může být ve standardu předávání. Po několika týdnech vyhodnoťte, zda se opravy týkají stylu, dat, cíle, nebo logiky rozhodnutí. Nejde o hotový vědecký ukazatel workslopu, ale o praktický nástroj ke zlepšení procesu.

Vyplatí se také rozlišovat koncept a finální verzi. Lze vědomě poslat „pracovní strukturu k diskusi“ a požádat o společné dopracování. Problém nastává, když je takový koncept prezentován jako hotový výsledek. Jasné označení fáze práce snižuje napětí: kolegové vědí, zda mají posoudit směr uvažování, nebo ověřovat hotové doporučení. AI může podporovat obě fáze, ale jejich záměna ničí důvěru.

Workslop nevzniká samotným použitím AI. Problémem je přesouvání práce, kterou měl udělat autor, na ostatní. Materiál, který vypadá hotově, by měl mít cíl, ověřené podklady, srozumitelné doporučení a odpovědného autora. Než budete kritizovat technologii nebo člověka, pojmenujte nedostatky a dohodněte standard předávání. Skutečná úspora času je vidět teprve tehdy, když příjemce může jednat, aniž by musel celou analýzu rekonstruovat.

Jak Empatyzer pomáhá mluvit o workslopu bez obviňování

Vedoucí týmu dostává už třetí zprávu tento měsíc, v níž se atraktivní jazyk nepromítá do ověřitelného rozhodnutí. Místo aby zaměstnance veřejně kritizovala za používání AI, popisuje Em konkrétní nedostatky: chybějící zdroje, nejasné kritérium výběru a doplňující otázky, které musela položit. Žádá o přípravu zpětné vazby, která ukazuje dopad problému na práci, ale nehodnotí autorovy úmysly. V kontextu tohoto vztahu může Em zohlednit dostupné tipy k tomu, jak předávat kritiku. Poté vedoucí plánuje krátký týmový rozhovor o tom, co znamená „připraveno k použití“ u analýzy, prezentace a zprávy pro klienta. Em pomáhá formulovat pravidla srozumitelná pro lidi s různými pracovními styly i otázky na skutečné překážky. Pomáhá jasně stanovit požadavky, předat věcné připomínky a dohodnout způsob ověřování analýz. Díky tomu se úspora času autora může proměnit ve skutečný přínos pro všechny, kdo se na práci podílejí.