Proč po „wow efektu“ ze školení lidé stejně sklouznou zpět ke starým postupům? Kateřina Çakin vysvětluje, co brání adopci AI ve firmách, jaká je základní AI gramotnost pro každého zaměstnance a jak poznat prvního opravdového ambasadora změny.
Říkáte, že největší konkurencí AI nejsou jiné AI, ale naše návyky. Co vás zavádění AI do českých škol naučilo o tom, proč lidé nemění způsob práce a co z toho platí i ve firmách?
AI dnes nabízí obrovské množství řešení téměř na ledacos. Jenže uživatel často nepotřebuje deset nových funkcí. Potřebuje především dobře a rychle zvládnout práci, kterou dělat musí.
Opakovaně jsme zažili „wow efekt“: ukážete lidem, co všechno technologie dokáže, jsou nadšení, ale za týden ji nepoužívají. Ne proto, že by byla špatná. Jen jim nepřinesla dostatečně silný důvod změnit zaběhnutý postup.
Pokud chceme, aby se člověk naučil nový nástroj, musí velmi rychle pochopit: Co mi to konkrétně usnadní? Co budu mít rychleji, lépe nebo jednodušeji?
Navíc jsme přehlceni nástroji. Na každý problém existuje několik aplikací a lidé už jsou unavení z neustálého zkoušení. Každý nový nástroj představuje investici času a pozornosti s nejistým výsledkem. Proto přirozeně zůstáváme u procesů, které známe a kterým důvěřujeme. Největší konkurencí nové AI aplikace tak často není lepší aplikace. Je to Excel, e-mail, papír nebo postup, který používám s důvěrou již nějakou dobu.
Co má umět úplně každý ve firmě – od účtárny po dílnu – aby se dalo říct „máme základní AI gramotnost“?
Netroufla bych si stanovit jeden univerzální standard pro všechny firmy bez ohledu na obor. AI nemusíme dostat do každého procesu jen proto, aby tam byla. Některé věci zvládneme bez AI stejně rychle nebo spolehlivěji – například jednoduchý výpočet v tabulce nebo vyplnění jasně strukturovaného formuláře.
Ve zkratce:
Rozumět základním možnostem a limitům AI, umět ji bezpečně a smysluplně použít pro konkrétní úkol a zároveň kriticky posoudit její výstup.
Detailně:
- vědět, co generativní AI umí a co neumí,
- umět formulovat jednoduché zadání,
- vědět, že odpověď AI nemusí být pravdivá,
- umět výsledek zkontrolovat a kriticky posoudit,
- rozpoznat úkol, u kterého mi AI může reálně pomoci,
- vědět, jaká data do AI nástroje mohu a nemohu vkládat,
- rozumět základům bezpečnosti, ochrany soukromí a autorských práv,
- umět AI použít jako pomocníka, ne jako nekontrolovanou náhradu vlastního úsudku.
A co do té baseline naopak nepatří? Co je hlubší know-how jen pro lidi, kteří adopci táhnou? Kde firmy tuhle hranici nejčastěji spletou?
Běžný uživatel podle mě nepotřebuje rozumět modelům, API ani stavět vlastní automatizace. Potřebuje bezpečně a smysluplně ovládat několik funkcí, které skutečně souvisejí s jeho prací.
Lidé, kteří adopci vedou, už ale potřebují hlubší porozumění: umět vybírat vhodné nástroje, vyhodnocovat jejich limity a rizika, nastavovat pravidla a hlavně rozpoznat, kde AI přináší skutečnou hodnotu a kde jen přidává technologii navíc.
Častou chybou je, že po všech chceme příliš mnoho příliš brzy. Pokud z každého zaměstnance chceme udělat malého AI specialistu, můžeme lidi odradit ještě předtím, než vůbec zažijí první užitečný výsledek.
Strach z chyby a z toho, že budu vypadat hloupě, brzdí adopci víc než technologie. Jak vypadá konkrétní praktika psychologického bezpečí, kterou tým zavede příští týden?
Je rozdíl, jestli přicházím k nové agendě bez vytvořených návyků, nebo jestli mám vypěstovaný systém práce. V druhém případě po mně nechcete jen, abych se naučila nový nástroj. Chcete po mně změnit něco, co mi funguje.
Proto bych změnu nespouštěla před důležitým deadlinem ani ve chvíli, kdy je tým pod maximálním tlakem.
Jedna konkrétní věc, kterou lze udělat hned příští týden, je vybrat jeden nízkorizikový úkol, dát lidem čas si AI bez tlaku vyzkoušet a následně společně probrat, co fungovalo a co ne. Bez hodnocení, bez soutěže, bez očekávání, že výsledek musí být perfektní.
Nejhorší kombinací je přikázat používání nové technologie a současně očekávat okamžitý výkon.
V jednom týmu sedí člověk, co si píše vlastní automatizace, a člověk, co se bojí kliknout. Jak vzdělávat oba najednou, aby to jednoho neponížilo a druhého nenudilo?
Nejlépe se podle mé zkušenosti učíme od sebe navzájem. Early adopters jsou velmi důležití, ale ne proto, aby ostatním předváděli, kolik funkcí znají. Jejich největší hodnota je v tom, že ukážou konkrétní příklad z práce, kterou dělají i ostatní.
Ve školách jsme opakovaně slyšeli jednoduchou větu: „To chci taky.“
Když vidím kolegyni, která dělá stejnou práci jako já, a díky novému nástroji zvládne za deset minut něco, co mně trvá půl hodiny, nepotřebuji další přednášku o AI. Dostala jsem důvod se ji naučit.
Pokročilým bych proto dala prostor experimentovat a začátečníkům konkrétní, malé a bezpečné scénáře použití. Nemusí se učit totéž stejným tempem.
Odmítači: jak rozlišíte, kdo se bojí, kdo je přetížený a kdo nesouhlasí z principu? A s kým z nich má vůbec smysl pracovat?
Je potřeba nejdřív zjistit, co přesně člověk odmítá.
Člověk, který se bojí, potřebuje bezpečné prostředí a zkušenost, že nástroj zvládne. Přetížený člověk může odmítat i skvělou technologii jednoduše proto, že momentálně nemá kapacitu vstřebat nic nového. A člověk, který nesouhlasí z principu, potřebuje především prostor říct proč.
Ne každého musíme okamžitě přesvědčit. Energie vložená do jednoho hlasitého odpůrce někdy přinese mnohem menší změnu než energie vložená do deseti lidí, kteří jsou zvědaví a chtějí začít.
Měnit všechny najednou, nebo cílit na zájemce a zbytek nechat dozrát? Kdy vzniká „dvourychlostní firma“ a jak moc je to problém?
Záleží na charakteru změny. Pokud firma přechází na nový povinný systém, není možné čekat, až se každý rozhodne sám.
Tam, kde ale tuto nutnost nemáme, věřím v postupnou adopci. Začít s lidmi, kteří mají zájem, umožnit jim získat dobrou zkušenost a nechat výsledky postupně působit na ostatní.
Pokud ale nejde o změnu, kterou musí přijmout všichni okamžitě, jsem zastáncem postupné adopce. Začít s lidmi, kteří mají zájem, dát jim prostor získat dobrou zkušenost a vytvořit si nový návyk. Když ostatní vidí, že kolegům nový způsob práce dlouhodobě funguje, přirozeně ho začnou zkoušet také a postupně ho přijímají za svůj.
Určitá „dvourychlostnost“ je v přechodném období přirozená. Problém nastává ve chvíli, kdy se z ní stane trvalá propast – jedna skupina získává nové kompetence a výhody, zatímco druhá nemá podporu, čas nebo příležitost se přidat.
Podle čeho poznáte dobrého ambasadora – a proč to často není ajťák? Co potřebuje od vedení, aby do půl roku nevyhořel?
Skvělým ambasadorem může být člověk, který byl původně vůči technologii skeptický, má běžné digitální dovednosti a nový nástroj mu vyřešil konkrétní problém.
Jeho zkušenost je totiž autentická. Neříká: „Podívejte, co všechno technologie umí.“ Říká: „Taky jsem si myslela, že to nepotřebuji, ale tohle mi každý den ušetří práci.“ A ostatní si řeknou: když to zvládla ona, zvládnu to také.
Od vedení ale ambasador potřebuje hlavně čas, legitimitu a podporu. Pokud má pomáhat ostatním pouze „navíc“ ke své běžné práci, velmi rychle z něj uděláme interní helpdesk zdarma.
A potřebuje také vidět smysl. Pokud má pocit, že jeho práce skutečně pomáhá kolegům a že vedení jeho roli bere vážně, je mnohem větší šance, že mu energie vydrží.
Kdy je tlak shora kontraproduktivní? Co s motivací udělá povinnost typu „každý použije AI třikrát týdně“?
Pokud nevím, proč mám AI třikrát týdně použít, je taková metrika téměř bezcenná.
Velmi pravděpodobně pouze naučí lidi splnit požadavek. Ne používat AI smysluplně.
Každý uživatel si zaslouží rozumět tomu, proč má měnit svůj způsob práce. Místo „použijte AI třikrát týdně“ bych se ptala: Která činnost vám bere zbytečně mnoho času a můžeme zjistit, jestli ji s AI zvládnete lépe?
Cílem by neměl být počet použití AI. Cílem by měl být lepší způsob práce.
Tichá většina: lidé na školení kývnou a druhý den se vrátí ke starému postupu. Co rozhoduje o tom, jestli se nový návyk „chytí“ – a co pro to může udělat přímý nadřízený?
Lidé se často nevracejí ke starému postupu proto, že by školení bylo špatné. Vrací se k němu proto, že starý postup je automatický a nový po nich ještě nějakou dobu vyžaduje přemýšlení.
Aby se nový návyk chytil, musí být nový způsob práce nejen lepší, ale také dostatečně snadný na to, aby člověk překonal počáteční nepohodlí. Proto je podle mě mnohem účinnější než obecné školení najít jednu konkrétní opakující se činnost, u které člověk rychle zažije: takhle je to opravdu jednodušší.
Velkou roli má přímý nadřízený. Ne tím, že kontroluje, kolikrát kdo AI použil, ale tím, že novému způsobu práce vytváří prostor. Může se třeba na poradě pravidelně zeptat: „Co vám tento týden díky AI fungovalo lépe?“ nebo nechat někoho během pěti minut ukázat ostatním konkrétní postup.
Nový návyk se podle mě skutečně chytí ve chvíli, kdy AI přestane být něco, co si musím připomínat, že mám používat, a stane se přirozeně nejjednodušší cestou, jak danou práci udělat.
Jak o zavádění AI komunikovat, aby to lidé neslyšeli jako „připravují propouštění“? Co říct otevřeně a jaká je nejčastější komunikační chyba vedení?
Lidé musí vědět, proč firma AI zavádí a co se od nich skutečně očekává. Pokud kolem změny necháme informační vakuum, zaměstnanci si ho velmi rychle vyplní vlastními obavami.
Nejlepší situace samozřejmě nastává, když člověk sám zjistí: Tohle chci používat, protože mi to pomáhá.
Když někomu nabídnu pomocníka, který mu připraví kvalitní podklady, odstraní rutinní část práce nebo mu ušetří čas, a zároveň ví, že výsledek zůstává pod jeho kontrolou, motivace přichází mnohem přirozeněji.
Zároveň ale podle mě není správné lidem automaticky říkat: „Nemusíte se bát, AI nikoho nenahradí.“ Pokud firma sama neví, jak technologie v budoucnu promění některé role, měla by to říct otevřeně. Důvěru nevytváří falešné uklidňování, ale transparentnost.
Podle čeho vedení pozná, že se kultura kolem AI reálně pohnula — ne v ušetřených hodinách, ale v chování lidí? Co je první viditelný signál?
První skutečný signál není počet promptů ani počet přihlášení do aplikace.
Je to okamžik, kdy lidé začnou AI přirozeně používat bez připomínání shora a sami přicházejí s návrhy, kde dále zapojit moderní technologii.
Ještě silnějším signálem je, když si začnou zkušenosti předávat mezi sebou – někdo ukáže kolegovi postup, který mu funguje, jiný upozorní, kde AI naopak selhává, a tým si postupně vytváří vlastní pravidla dobrého používání.
V tu chvíli už technologie není projekt vedení. Stala se součástí způsobu, jakým lidé přemýšlejí o své práci.
A právě tehdy podle mě můžeme říct, že adopce skutečně začala.
BIO
Kateřina Çakin se ve vzdělávání pohybuje 15 let, se zkušeností se středoškolskou i vysokoškolskou výukou v ČR i zahraničí. V neziskové organizaci AI dětem vede tým, který připravuje vzdělávací aplikaci Tiny, kde propojuje práci s lidmi a inovativní vzdělávání s reálným dopadem na výuku.
