O czym jest ten film
- Firmowe umowy na AI utykają wszędzie tak samo: na pytaniach o cenę. Działy zakupów pytają „za token czy za stanowisko?” — a są to, zdaniem autora, niewłaściwe pytania.
- Tokeny mierzą zużycie mocy obliczeniowej, licencje na pracownika to spadek po klasycznym SaaS-ie. AI to natomiast inteligencja — trzeci, obok ludzi i kapitału, czynnik produkcji.
- Przykład Cedar: agent Cora odbiera telefony pacjentów nawet o drugiej w nocy, wyjaśnia rachunek, potwierdza ubezpieczenie i przyjmuje płatność. Szpitala nie interesują tokeny — interesuje go opłacony rachunek.
- CFO może dokładnie wiedzieć, ile płaci za tokeny, ale nie umieć przekuć tego w zwrot, bo firma nie potrafi rozdysponować kupionej inteligencji. Ciężar przechwycenia wartości przerzuca na kupującego standardowa umowa.
- Szansa dla zwykłych pracowników: zostać „menedżerem inteligencji” — decydować, jakie zadania powierzyć modelom, gdzie drążyć z AI, a gdzie zatrzymać się i rozmawiać z człowiekiem.
- Model potrafi olśnić na prezentacji, a organizacja pozostaje nieprzygotowana do jego użycia; brak know-how tłumaczy większość problemów ze zwrotem z inwestycji w AI.
- Hipotetyczny serwis maszyn: z jednej powtarzającej się usterki inżynier pracujący z agentem buduje nowy, płatny produkt doradczy dla klientów.
- Pojawiają się nowe modele współpracy: inżynierzy dostawcy osadzeni u klienta (spółka wdrożeniowa OpenAI, joint venture Anthropic z Blackstone, Hellman & Friedman i Goldman Sachs), a przy dużych okazjach — udziały właścicielskie (OpenAI w Thrive Holdings).
- Rozliczanie za rezultat sprawdza się w procesach, które da się domknąć od początku do końca (obsługa klienta), a gorzej w złożonych projektach. Ceny za token pozostają — dla firm, które umieją zarządzać inteligencją.
- Shopify (zatrudnienie w miejscu od dwóch lat, przychody plus 34 proc.) i Block (zysk brutto plus 25 proc.) publicznie pokazują zwrot z AI. Kluczem nie jest sama umowa, lecz zmotywowani i upodmiotowieni ludzie.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Oceniaj oferty AI przez pryzmat efektu, nie ceny tokena
Na czym polega: Przykład Cedar pokazuje zamkniętą transakcję: wyjaśniony i opłacony rachunek w jednym telefonie. Właśnie taki rezultat jest naturalną jednostką wartości, a nie liczba przetworzonych tokenów.
Jak stosować: W negocjacjach i przetargach formułuj pytania w kategoriach rezultatów biznesowych: „ile opłaconych rachunków”, „ile rozwiązanych zgłoszeń”, „ile unikniętych awarii” — i dopiero potem porównuj ceny.
Na co uważać: Nie znosić cen za token. To użyteczny miernik zużycia i narzędzie dyscypliny budżetowej. Błąd polega na myleniu zużycia z wartością.
2.Potraktuj inteligencję jako trzeci czynnik produkcji
Na czym polega: Przez cały czas istnienia firm gospodarka opierała się na dwóch zasobach: pracy i kapitale. AI wprowadza trzeci — inteligencję — i to zmienia logikę wyceny, zakupów i zarządzania.
Jak stosować: Zmień język rozmów budżetowych: zamiast „licencji” rozmawiaj o „ilości pracy umysłowej, którą firma nabywa i przydziela”. To porządkuje dyskusję o tym, gdzie zasób ma pracować.
Na co uważać: Narzędzia zarządzania ludźmi i kapitałem nie przenoszą się na ten zasób wprost — inteligencji nie „zastosuje” się poleceniem służbowym tak jak zespołu czy budżetu.
3.W umowie o AI ryzyko realizacji leży po stronie kupującego
Na czym polega: Token nie gwarantuje żadnej ustalonej porcji użytecznego myślenia. Czy zakup coś da, zależy od ludzi po stronie klienta — a standardowa umowa przerzuca ten ciężar właśnie na kupującego.
Jak stosować: Zanim podpiszesz kontrakt, ustal, kto, do czego i w jakich procesach użyje narzędzia — inaczej dobry zakup zamieni się w niewykorzystaną zdolność.
Na co uważać: Udane demo nie świadczy o gotowości organizacji. Można kupić inteligencję, zanim wie się, jakie zadania jej powierzyć i jak rozpoznać dobrą odpowiedź.
4.Ograniczanie wydatków na AI to objaw, nie strategia
Na czym polega: Firmy zaciskają sufit budżetu, bo nie umieją w skali przechwytywać zwrotu z inteligencji. Autor ocenia, że większość jest po prostu niedoinwestowana.
Jak stosować: Obok limitów wybierz projekty generujące przychody, których wcześniej nie dało się obsłużyć ludzkimi zasobami — i przypisz im uwolnioną produktywność.
Na co uważać: Decyzja, w co inwestować, to pytanie o ambicję i sprawczość zespołu — i nie da się jej oddelegować do modelu.
5.Zostań menedżerem inteligencji — bez czekania na tytuł
Na czym polega: Skok od użytkownika do menedżera wygląda tak: nie prosisz agenta tylko o szybsze skończenie raportu, lecz kazujesz mu zbadać źródło problemu klienta i zająć się nim.
Jak stosować: Przy każdym powtarzalnym zadaniu pytaj, co więcej można z niego wyciągnąć — i bierz odpowiedzialność za rozdział pracy między człowieka a model.
Na co uważać: Decyzje o tym, gdzie AI, a gdzie człowiek, mają realne skutki finansowe — wymagają osądu dziedzinowego, nie tylko sprawności z narzędziem.
6.Wiedza fachowa pracownika decyduje o wartości agenta
Na czym polega: W przykładzie serwisu maszyn to inżynier wie, które warunki pracy mają znaczenie, które zapisy są niewiarygodne i kiedy „powtarzający się wzorzec” to w istocie dwie różne usterki.
Jak stosować: To ekspert powinien nadzorować porównania i weryfikować dowody zbierane przez agenta — oraz decydować o dalszym toku sprawy.
Na co uważać: Generowanie kolejnych wyjaśnień nie rozwiązuje problemu. Czasem trzeba zakończyć pracę z AI i pójść porozmawiać z człowiekiem.
7.Przy braku biegłości: inżynierzy dostawcy na terenie klienta
Na czym polega: Forward-deployed engineering polega na tym, że inżynierowie dostawcy pracują wewnątrz lub tuż obok organizacji klienta, doprowadzając technologię do działających systemów. Robi tak spółka wdrożeniowa OpenAI, podobnie Anthropic w joint venture z funduszami inwestycyjnymi.
Jak stosować: Jeśli firma sama nie umie przekuć AI w systemy, rozważ taki model jako most — czasem w połączeniu z partnerstwem lub klasycznym doradztwem.
Na co uważać: Nie zostawiać tego układu jako wiecznej usługi, ale też nie pchać go za wcześnie w gotowy produkt — w obu przypadkach organizacja uczy się za mało.
8.Przy dużych szansach rozważ partnerstwo zamiast licencji
Na czym polega: OpenAI kupiło udziały w Thrive Holdings i osadza swoje zespoły w spółkach grupy (start: księgowość i usługi IT). Gdy dostawca wnosi wiedzę wykraczającą poza tokeny, pojawia się rozliczanie za rezultat albo wspólne przedsięwzięcie.
Jak stosować: CFO powinien w takiej sytuacji liczyć coś innego niż rabat: ile dodatkowej wartości stworzy partnerstwo, co firma zatrzyma i czym musi się wykazać.
Na co uważać: Rozliczenia rezultatowe trudno mierzyć. Działają tam, gdzie proces da się domknąć; przy złożonych projektach wymagają osobnej, cierpliwej konstrukcji.
9.Ceny za token zostają — pod warunkiem biegłości
Na czym polega: Shopify i Block pokazują zwrot z AI w modelu zużyciowym: płaska liczba etatów plus 34 proc. przychodów (Shopify), wzrost zysku brutto o 25 proc. (Block).
Jak stosować: Rozróżniaj wdrożenie od wpływu, pozwól inżynierom wybierać najlepsze modele do zadania i pilnuj wydatków w trakcie, a nie tylko po fakcie.
Na co uważać: To przykłady firm o wysokiej biegłości w AI — u nich wyniki są spodziewane. Firma mniej biegła nie osiągnie tego samego samą zmianą kontraktu; musi najpierw zbudować kompetencje ludzi.
10.Zwrot z AI to przede wszystkim kwestia ludzi
Na czym polega: Ludzi i kapitałem zarządza się odgórnie; inteligencję stosują wszyscy — i to ludzie pierwszej linii rozstrzygają, kiedy jej użyć. Bez motywacji, poczucia wsparcia i udziału w sukcesie wartość nie powstanie.
Jak stosować: Testuj ROI konkretnie: postaw zespół na projekcie przychodowym, którego wcześniej nie dało się obsłużyć, i przypisz uzyskane przychody uwolnionej produktywności.
Na co uważać: Rozmowa kręcąca się wyłącznie wokół cięcia kosztów zamyka górny pułap — a dla wzrostu przychodów sufitu nie ma.
Redakcyjne tłumaczenie
Tokeny i licencje to odpowiedzi na złe pytania
Każda firmowa umowa na AI, o jakiej w tym roku słyszałem, utyka w tych samych miejscach: przy cenie i wycenie. Działy zakupów pytają: jak za to płacić? Dlaczego za stanowisko? Dlaczego za token? Moim zdaniem są to po prostu niewłaściwe pytania. Token służy do rozliczania mocy obliczeniowej. Licencja na pracownika to relikt klasycznego SaaS-u. A AI to inteligencja. Cały ten spór bierze się z tradycyjnego, produktowego myślenia przeniesionego na coś, co produktem nie jest.
Od kiedy istnieją firmy, gospodarka opierała się na dwóch czynnikach produkcji: pracy i kapitale. Teraz doszedł trzeci — inteligencja. Warto więc zobaczyć, jak świat może wyglądać, gdy spojrzymy na niego z tej strony.
Rachunek opłacony o drugiej w nocy
Cedar to firma zajmująca się płatnościami w ochronie zdrowia. Nic nadzwyczajnego — poza tym, że klientów obsługuje agent AI o imieniu Cora. Pacjent może zadzwonić z pytaniem o rachunek medyczny nawet o drugiej w nocy. Cora odbiera, pełna energii, potwierdza tożsamość rozmówcy, tłumaczy poszczególne pozycje, weryfikuje ubezpieczenie i pozwala uregulować należność w trakcie tej samej rozmowy. Dla pacjenta to wygoda: skomplikowany rachunek zostaje wyjaśniony i zamknięty w jednym telefonie, bez muzyczki z kolejki. A szpitala nie interesuje, ile tokenów pochłonęła ta rozmowa. Interesuje go to, że rachunek został opłacony.
W takim świecie trzeba inaczej myśleć o tym, co inteligencja wnosi do biznesu i do relacji z klientem — a także inaczej ją wyceniać. I to jest moim zdaniem klucz do zrozumienia, co AI zrobi z rynkiem pracy w 2026 roku. Wchodzimy w rzeczywistość, w której agenci przynoszą inteligencję wprost do punktu styku z klientem i tam tworzą wartość ekonomiczną. To zmienia wyobrażenie o tym, czym zajmują się korporacje — i czym są nasze etaty.
Dylemat dyrektora finansowego, szansa dla pracownika
Jeśli jesteś CFO, masz poważny kłopot — przynajmniej od strony oprogramowania. Firma może dokładnie wiedzieć, ile płaci za tokeny, ale nie wiedzieć, jak na tym zarobić, bo nie umie rozdysponować kupionej inteligencji. A to zmienia to, ile jest warta dla ciebie współpraca z dostawcą.
Jeśli natomiast jesteś zwykłym pracownikiem, staje przed tobą ogromna szansa: możesz zostać menedżerem inteligencji. Właśnie tego oczekują od ludzi kierownictwa, bo liderzy potrzebują pracowników, którzy potrafią nowy zasób zamieniać w konkretne wyniki. Uczymy się tego wszyscy razem. Weź raport, który robisz regularnie. Możesz poprosić agenta, żeby powstał szybciej. Ale możesz też kazać mu zbadać, skąd naprawdę bierze się problem klienta, i zająć się jego źródłem. To odpowiedź banalna — a jednak widziałem, jak właśnie taka zmiana myślenia przenosi ludzi z roli użytkowników AI w rolę jego menedżerów.
Twoja firma najpewniej dała ci już dostęp do tych narzędzi — w końcu oglądasz ten kanał. Decydujesz więc, na co pójdzie część zasobów firmy. Rozdysponowujesz inteligencję, a twoje decyzje mają realną wagę ekonomiczną. Tego jeszcze nie doceniamy — ani w zarządach, ani my sami.
Dlaczego rozliczenia za tokeny źle leżą w firmie
Skoro już przy cenach: sedno trudności polega na tym, że inteligencję trudno wycenić. Działy zakupów wpychają ją w znajome szufladki — płacimy za token albo za stanowisko, bo tak się po prostu robi. Czy to usługa, czy produkt? Tyle że taka umowa zakłada, iż firma potrafi nabyte zdolności zamienić w prawdziwy zwrot z inwestycji. A większość nie potrafi i potrzebuje w tym pomocy.
Jeśli i u ciebie toczy się ta batalia, zacznij od zrozumienia, dlaczego obecny układ nie pasuje. Rozliczanie za tokeny mieści się w budżecie i porządkuje finansowe oczekiwania — to zaleta, której nie trzeba znosić. Tokeny są sensowną jednostką mierzenia informacji przetwarzanej przez model i mają swoją wartość. Nie gwarantują jednak żadnej ustalonej porcji użytecznego myślenia. Czy token przyniesie firmie coś konkretnego, zależy od nas — od menedżerów AI. A typowa umowa przerzuca to założenie, wraz z całym ciężarem, na kupującego: kupujesz, to lepiej wypracuj wartość uzasadniającą koszt. I właśnie dlatego firmy kombinują, jak ograniczyć wydatki na AI. Nie odkryły jeszcze, jak w skali przechwytywać zwrot z inteligencji, więc na razie eksperymentują pod nisko zawieszonym sufitem budżetu, żeby uniknąć dotkliwych strat. Rozumiem to. Ale powiem wprost: jesteście niedoinwestowani. Inwestujecie za mało.
Trzeba natomiast ustalić, w co inwestować — a to osobne pytanie. Pytanie o ambicję. Pytanie o sprawczość. Jak upodmiotowić pracowników, żeby we właściwy sposób stawiali na właściwe rzeczy, i jak ich z tym pogodzić? To trudne pytania i nie ma sensu prosić o rozwiązanie Claude’a. Ale są właściwe — i to firmy oraz ludzie, którzy je sobie zadają, zwiększą nakłady na AI i najwięcej na tym zyskają.
Demo robi wrażenie, organizacja nie nadąża
Inteligencja ogólnego przeznaczenia ma osobliwą właściwość: większość jej wartości użytkownik musi najpierw odkryć. Kupujesz zdolność, zanim jeszcze wiesz, jakie zadania jej powierzyć, zanim przebudujesz otaczające procesy, a nawet zanim nauczysz się rozpoznawać dobrą odpowiedź. Model może olśniewać na prezentacji, podczas gdy organizacja wciąż jest zupełnie nieprzygotowana do jego użycia — i widuję to bardzo często. Ten brak know-how tłumaczy, jak sądzę, ogromną część zmagania się firm ze zwrotem z inwestycji w AI. Procedura zakupowa potwierdzi, że nabyłeś inteligencję w konkurencyjnej cenie, ale o opłacalności zdecydują menedżerowie AI — czyli wszyscy, którzy nią gospodarują, również pracownicy bez nikogo w podporządkowaniu. Od nas zależy, czy tę wartość uda się odblokować. Czy czujemy się zmotywowani? Czy mamy odpowiednie narzędzia? Czy czujemy, że firma w nas wierzy? Czy utożsamiamy się z misją? To pytania o ludzi — ale w czasach, gdy każdy z nas rozdziela inteligencję, stały się pytaniami o wynik finansowy.
Studium przypadku: firma, która naprawia maszyny
Rozważmy przykład — umowny, ale bardzo zbliżony do historii, które znam z rynku. Firma przemysłowa pomaga klientom utrzymywać sprawne maszyny. Mówiłem już, że tańsza inteligencja czyni opłacalną znacznie szerszą pomoc techniczną. Śledźmy więc tę decyzję inwestycyjną krok po kroku. Kto w ogóle jest w stanie zbudować i prowadzić taką usługę? I ile firma powinna płacić za uzyskiwane efekty?
Wyobraź sobie, że jesteś inżynierem w tej firmie. Widzisz usterkę, o którą klienci zgłaszają się w kółko. Agent potrafi dla ciebie zebrać dokumentację serwisową i zestawić wcześniejsze przypadki. Ale to ty wiesz, które warunki pracy maszyny mają znaczenie, które zapisy w dokumentacji są niewiarygodne i kiedy pozorny wzorzec to w istocie dwie różne usterki, objawiające się takimi samymi słowami. Ta wiedza zmienia twoje podejście: możesz drążyć, żądać właściwych porównań, sprawdzać dowody i dosięgnąć sedna problemu, rozplątując przyczyny źródłowe. A potem trzeba iść pogłębić temat z klientem — bo na tym etapie wysłanie agenta po kolejne wyjaśnienia już niczego nie naprawia. Trzeba zarządzać inteligencją: samodzielnie zdecydować, kiedy drążyć z AI, a kiedy się zatrzymać i porozmawiać z człowiekiem.
W efekcie to zwykły inżynier rozstrzyga, które sprawy zasługują na głębsze badanie, co może załatwić maszyna, a gdzie musi wkroczyć drugi człowiek. Wszystko to spoczywa na tobie.
Załóżmy teraz, że powtórzysz to na tyle wielu przypadkach, że zespół dostrzeże powtarzającą się okazję. Klienci byliby skłonni płacić za stałe doradztwo zapobiegające awariom. Firma ma już relacje z tymi klientami, wiedzę o sprzęcie i ludzi, którzy rozumieją, co składa się na wiarygodną rekomendację. I z tego zaczyna powstawać produkt — taki, którego wcześniej w ofercie nie było. Ktoś będzie musiał to wszystko spiąć, wycenić i opakować; wiem, że nie jest to alfabet w tydzień. Ale właśnie taką drogę widuję w firmach, gdzie zarządza się AI wzorowo. Kiedyś taka firma potrzebowałaby roku, by samodzielnie dojść do tych umiejętności — albo zatrudniłaby gotowych ekspertów, albo zleciła wszystko dostawcy, a oczekiwany zwrot liczono by według starego sposobu wykonywania pracy.
Forward-deployed engineering: inżynierowie na terenie klienta
Dlatego tak interesuje mnie rozwój tzw. forward-deployed engineering — inżynierów pracujących z AI wewnątrz organizacji klienta lub tuż obok niej, których zadaniem jest zamiana technologii w działające systemy. Pomagają ci wziąć kupioną inteligencję i uczynić z niej wartość. Spółka wdrożeniowa OpenAI opisuje swoje kontrakty dokładnie w tych słowach: jej inżynierowie pracują z kierownictwem i zespołami pierwszej linii, wypatrują okazji, a potem projektują, budują, testują i wdrażają systemy spięte z danymi i procesami klienta. Praca zaczyna się od wyboru miejsca, w którym inteligencja ma działać, a kończy dopiero wtedy, gdy przynosi wymierne efekty w codziennych operacjach. Anthropic mówi bardzo podobnym językiem o swoim przedsięwzięciu joint venture z Blackstone, Hellman & Friedman i Goldman Sachs — chce wdrażać AI u średniej wielkości producentów czy regionalnych sieci opieki zdrowotnej w sposób, który tym firmom realnie pasuje.
Traktuję forward-deployed engineering jako znakomity obraz dobrego zarządzania AI — pod warunkiem że jest osadzone w strukturze pozwalającej firmie zbierać plony z czasem. Jeśli zostawisz takich inżynierów jako wieczną usługę, prawdopodobnie uczysz się za mało. Jeśli od razu spróbujesz zrobić z tego produkt, też uczysz się za mało. Trzeba równowagi. I znów: potrzeba bystrych ludzi na pierwszej linii, w bezpośrednich rozmowach z klientami — upodmiotowionych i wynagradzanych za zaangażowanie w firmę — żeby to oni przykłada inteligencję tam, gdzie powstaje wartość.
Gdy stawka jest wyższa: udziały i wspólne przedsięwzięcia
Zdarza się, że okazja jest na tyle duża, że uzasadnia związanie się na głębszym poziomie — i chcę się temu przyjrzeć, bo widać tu, jaką różnicę inteligencja robi w samym modelu ekonomicznym. OpenAI nabyło pakiet udziałów w Thrive Holdings i zapowiedziało, że osadzi swoje zespoły badawcze, produktowe i inżynieryjne wewnątrz spółek Thrive. Zaczyna się od księgowości i usług IT — zobaczymy, co dalej. Podkreślam to, bo przy wycenie inteligencji trzeba uznać, że dostawca AI może dysponować nadzwyczajną wiedzą w swojej dziedzinie — niekoniecznie będąc laboratorium modeli. Może umieć dostarczyć firmie wartości znacznie wykraczającej poza to, co da się policzyć w tokenach.
W takich wypadkach mówi się o rozliczaniu za rezultat albo o joint venture, jeśli obie strony mają apetyt. Istota jest jednak głębsza: rodzi się partnerstwo, w którym obie strony zobowiązują się wspólnie wymyślić, jak wykorzystać nowy czynnik produkcji, by odblokować nieproporcjonalnie dużą wartość dla klientów. Jeśli partner potrafi takie biznesy urzeczywistnić, przed CFO staje zupełnie inne zadanie. Nie chodzi już o negocjowanie rabatu na oprogramowanie przez dział zakupów. Chodzi o to, ile dodatkowej wartości mogłoby stworzyć partnerstwo, co firma by w tym scenariuszu zatrzymała, czym musiałaby się wykazać, żeby tam dotrzeć, i czy potencjał jest wart wzajemnych ustępstw, na które trzeba przystać, by takie transakcje doszły do skutku. Nie twierdzę, że wszyscy jutro zawrą partnerstwa ani że świat przesiedli się na płacenie za rezultat. Takie rozliczenia trudno mierzyć. Ale skoro mamy przed sobą pierwszy od pół tysiąclecia nowy czynnik produkcji, trochę eksperymentowania z konstrukcjami biznesowymi wydaje się rozsądne — żeby ten zasób faktycznie działał na korzyść klientów.
AI stosują wszyscy — i dlatego liczą się ludzie
I wracamy do pojedynczych osób, bo to wątek, do którego nieustannie wracam. Klasyczne czynniki produkcji są zarządowe: dyrektor firmy może skierować swój zespół i swój budżet na wyznaczone zadania, a pracownicy idą za poleceniem. Z AI tak nie jest. AI stosujemy wszyscy — dlatego w tym materiale celowo przywołuję przykłady, w których to inżynierowie i ludzie stykający się bezpośrednio z klientem rozstrzygają, kiedy użyć AI, a kiedy nie, doprowadzają korzyść dla klienta do końca i ostatecznie tworzą wartość dla całej firmy. To się uda tylko wtedy, gdy będą czuli się zmotywowani, gdy poczują, że firma ich w tym wspiera, że są w tym wszystkim razem z nią i że warto walczyć o korzyść klienta. Nigdy jeszcze zmotywowany zespół nie był tak ważny. W skutecznym stosowaniu AI robi przepaść.
Sierra, Cedar i granice rozliczeń za rezultat
Wróćmy na moment do Sierry. Zaczynałem tę opowieść od Sierry i Cedar oraz od idei, że można płacić za dostarczony rezultat biznesowy. (Informacja dodatkowa: Cora — agent z przykładu Cedar — to rozwiązanie firmy Sierra wdrożone u klienta, dlatego autor łączy obie firmy.) Sierra właśnie aktywnie wypróbowuje ten model i znajduje kontrakty, w których obie strony są zadowolone: sprzedający czuje się dobrze z rozliczeniem za rezultat, kupujący — z jego zakupem. Przykład Cedar pokazuje, jak taka dokończona praca wygląda: pacjent dostaje wyjaśniony rachunek i go opłaca. To zamknięta, kompletna interakcja serwisowa, którą z zasady można wycenić według efektu. Nie znam dokładnych warunków umowy Cedar, ale szersza propozycja Sierry jest właśnie taka: jeśli chcemy wiązać AI z tworzoną wartością, zacznijmy mierzyć rezultaty i wyceniać je. To zadziała tam, gdzie proces da się domknąć od początku do końca — klasyczny przykład to obsługa klienta. Zrobiła to już Fin ze swoimi zgłoszeniami. (Informacja dodatkowa: najpewniej chodzi o asystenta Fin firmy Intercom, rozliczanego od rozwiązanych spraw klientów.) Gorzej wypadnie przy pracy bardziej złożonej. Całkowita przebudowa serwisu produkcyjnego u klienta — mój wcześniejszy przykład — to nie jedna prosta transakcja, którą da się wycenić od rezultatu. Ale to właśnie przypadek, w którym warto się bardziej nagłówkować nad tym, jak wyposażyć ludzi w umiejętności, by tę wartość dowieźli, korzystając z kupionej inteligencji.
Ceny za token zostają; przykłady: Shopify i Block
Uważam, że rozliczanie za token zostaje z nami na dobre. Jeśli firma umie stosować inteligencję, zakup zużycia daje ogromną swobodę: można zmieniać przydziały zadań, eksperymentować i zatrzymywać zyski z tego, co wyrosło. Nie trzeba dzielić się własnością za każdym razem, gdy chce się użyć modelu — nikt by na to nie przystał. Zobaczymy natomiast różnorodność modeli, bo firmy mają bardzo różny poziom biegłości w AI.
Spójrzcie na Shopify. Dyrektor operacyjna Jess Hertz mówi o zdrowym zwrocie z wydatków na AI, z którym czuje się dobrze. Jej inżynierowie mogą korzystać z najlepszych modeli stosownie do okoliczności, a ona pilnuje wydatków w trakcie. I — co ciekawe — rozróżnia samo wdrożenie narzędzi od ich wpływu. Zatrudnienie w Shopify stoi w miejscu od około dwóch lat, a przychody urosły w tym czasie o 34 proc. Z jej perspektywy inwestycje w AI przynoszą więc realny zwrot, bo produktywność wzrosła na tyle, by ruszyć przychody firmy. To bodaj pierwszy publiczny przykład przejścia od pojedynczych historii, które lubię tu opowiadać, do czegoś, co widać w raporcie kwartalnym i w liczbach CFO.
Są i inne historie. Block chwali się wzrostem zysku brutto o 25 proc. Słynnie odchudzili zespół, postawili AI w centrum działalności i mocno w to weszli — i jak dotąd potrafią pokazać wzrost zysków. Zobaczymy, czy się utrzyma. Każda firma napisze tu własną historię. Wspólny mianownik jest jednak taki: organizacje uczą się czynić inteligencję produktywną i nie widzę powodu, by każda potrzebowała identycznej umowy. Widzę zaś, że konstrukcja współpracy różni się zależnie od biegłości w AI. Shopify i Block posługują się nią wyjątkowo sprawnie — szczerze mówiąc, na tym etapie oczekiwałbym od nich wyników. Wiele firm, z którymi rozmawiam, takiej biegłości nie ma. I wtedy trzeba pomyśleć o zmianach po stronie ludzi: jak sprawić, by naprawdę zdolne osoby przykładały AI do najtrudniejszych problemów firmy. To może przybrać formę partnerstwa, inżynierów osadzonych u klienta albo klasycznego modelu software’owego z doradztwem. Dróg jest wiele — ale biegłość w posługiwaniu się nowym czynnikiem produkcji musi zakorzenić się w zespole na tyle głęboko, by przychody przesunęły się tak wyraźnie, że rozmowa o zwrocie nie będzie wymagała łaskawej interpretacji wyników, tylko przełożony wskaże liczby i powie: tak, to działa.
Twoje miejsce: kariera menedżera AI
Nie chcę przy tym stracić z oczu jednostek — znowu do tego wracam. To ważna chwila, żeby odnaleźć własne miejsce w świecie pracy zmienianej przez AI. Możemy zostać menedżerami inteligencji, nim ktokolwiek nada nam menedżerski tytuł. Zakres pracy, którą potrafimy pokierować, łatwo urośnie ponad to, co zdołalibyśmy zrobić sami. Nasz osąd — jaka inteligencja, gdzie i kiedy — staje się niezwykle doniosły. W moim doświadczeniu tym bardziej, że firmy nie w pełni biegłe w AI potrzebują właśnie orędowników: ludzi, którzy wiedzą, jak to robić.
Jeśli pracujesz w takiej firmie i myślisz: „Nate, oglądam twój kanał, ale nie wiem, co robić — u mnie tego nie rozumieją”, to właśnie możesz zostać menedżerem AI u siebie. Możesz własną biegłością pokazywać, jak stosować AI tak, by realnie ruszało przychody i wynik firmy. To przyciągnie uwagę. Rzecz jest prosta: inteligencja to nowy czynnik produkcji; jeśli skutecznie służysz klientom, tworzysz więcej wartości, a ona spływa na przychody i zyski firmy. To nowa zdolność, jaką uzyskali zwykli ludzie — nigdy wcześniej nie widziałem, by mieli taką moc. I uważam ją za wyzwalającą. W wielu przypadkach, które obserwuję, to właśnie ludzie pierwszej linii przejmują inicjatywę: widzą okazję tkwiącą w tych narzędziach i chętnie wprowadzają je w życie. To jest moje „powodzenia” dla was — mówię: podejście jest w pełni słuszne, a kierownictwo uczy się od was, jak myśleć o tym strategiczniej. A jeśli pytasz, gdzie tu awans zawodowy — no właśnie tam. Bądź menedżerem AI. Weź to na siebie. Nie pożałujesz.
Słowo do kierownictwa: wyjdźcie poza cięcie kosztów
Kilka słów dla kierownictwa. Jeśli jako CFO albo CEO oceniacie kolejną poważną inwestycję w AI, połóżcie na stół — obok zwykłej rozmowy o cenie — także zdolność firmy do tworzenia wartości. Zadajcie niewygodne pytania, czy firma potrafi wykorzystać kupowaną inteligencję i pewnie z niej generować wartość. Zbyt często wpadamy na zły tor, gdy myślimy wyłącznie o cięciu kosztów. Chodzi o to, by myśleć o uwalnianiu wzrostu — bo dla wzrostu nie ma sufitu. Przy odrobinie śmiałości można zbudować mnóstwo wartości u góry. Konkretny przykład: spodziewasz się, że po wdrożeniu AI produktywność wzrośnie? To to sprawdź. Wybierz projekt, który ma przynieść przychody i do którego nigdy wcześniej nie zdołano przydzielić ludzi, i powiedz: „Stawiamy na to zespół — wcześniej nie było na to zasobów, dziś jest. Jeśli projekt zarobi, zapiszemy te przychody na konto AI, bo to uwolniona produktywność nam to umożliwiła.” Takiego konkretnego myślenia wcale nie spotyka się często — a jest kluczowe, jeśli naprawdę chcecie pokazać, że rozumiecie, jak nowy czynnik produkcji ma przynosić klientom wartość.
Uczymy się tego wszyscy razem
Wiem, że mogło to brzmieć trochę jak wykład z ekonomii — ale od jej zrozumienia nie ma ucieczki, jeśli chcemy pojąć własne w niej miejsce, nasze kariery i to, jak powinni działać liderzy. Jeśli właśnie jako kierownictwo zastanawiacie się, w co inwestować w AI albo za co właściwie płacić — nie jesteście sami. Pracuję z wieloma zespołami i zapewniam: każdy zmaga się z tym samym dylematem. Razem uczymy się tworzyć wartość z inteligencji, a to nowy proces, wymagający nowego myślenia.
To wasza kolej: napiszcie w komentarzach, jak wy zarządzacie AI i jak jako liderzy myślicie o przechwytywaniu wartości z AI w swoich firmach. Gdzie wam to działa? Czy rozliczenia za tokeny was satysfakcjonują, a może płacenie za rezultat? Znacie dobre przykłady? Chętnie posłucham. Porozmawiamy wkrótce.