AI, výkon a iluze jednoduchých rozhodnutí

CEO, který svým lidem oznámí „za rok vás nahradí AI“, udělal jednu věc správně: velmi upřímně ukázal, jak se na práci svých lidí dívá.

Zbytek byla chyba.

Oznámení není strategie

V poslední době se opakuje zvláštní moment. Vedení přijde před lidi a řekne, že během několika měsíců bude významná část práce nahrazena AI. Někdy otevřeně, někdy tichou poštou a někdy mezi řádky. Ale sdělení je jasné.

Jako strategické zadání to nezpochybňuji. Firmy mají přemýšlet o efektivitě a budoucnosti práce. Problém je jinde.

Relevance takového kroku stojí minimálně na třech věcech.

• Na tom, jestli strategie reálně prostupuje firmou ne jako pěkný dokument, ale jako pochopení vlastní role každého člověka v naplňování této strategie.
• Na tom, jestli víme, které konkrétní části práce měníme – jaké procesy, jaké kompetence a v jaké míře.
• A na tom, jestli máme alespoň základní představu o tom, jaké nové nároky AI do firmy přinese.

Pokud tyhle tři věci chybí, oznámení neříká „měníme operating model“. Říká „vaše práce nemá hodnotu“.

To je velmi špatný výchozí bod pro rychlou změnu.

Důvěra se neobnoví dalším oznámením

Tenhle scénář jsme už viděli. Řada firem udělala prudké škrty a pak zjistila, že kapacita i kvalita chybí. Začala nabírat zpět. Ty samé pozice. Jenže mezitím se narušila důvěra.

A bez důvěry se organizace nepohybuje rychleji. Naopak. Lidé méně riskují, méně iniciují, méně investují do vlastního rozvoje. Přesně ty věci, které jsou pro AI transformaci klíčové, začnou chybět.

Důvěra se buduje pomalu a ztrácí rychle. A zpátky ji nevrátíte dalším all-hands meetingem, kde všechny pochválíte.

Přesvědčivá chyba je horší než zjevná chyba

Tady se dostávám k věci, která mě zajímá víc než samotná oznámení.

AI dramaticky zvyšuje schopnost produkovat výstupy. Nejvíc u méně zkušených lidí. Najednou je možné vytvořit více textu, analýz a návrhů v kratším čase a s vyšší povrchovou kvalitou. Jenže správnost, relevance a dopad zůstávají nestabilní. A hůř se ověřují.

Vzniká nové riziko. Výstup vypadá dobře. Přichází rychle. Splňuje očekávání formy. A právě proto snadno projde dál bez skutečného ověření. Zjevná chyba spustí kontrolu. Přesvědčivá chyba projde. Protože nevzbuzuje podezření.

Paradoxně tak roste pravděpodobnost, že organizace začne dělat horší rozhodnutí, i když produkuje více a lépe vypadající práci. A právě tohle rozbíjí jeden předpoklad, na kterém stojí většina přístupů k hodnocení výkonu.

Output přestal být spolehlivým signálem

Většina HR metodik a frameworků stála na jednoduché zkratce: čím víc spolehlivě dodaného výstupu, tím seniornější člověk. Output byl relativně drahý, a proto byl dobrým proxy pro kompetenci.

Jenže pokud AI snižuje cenu produkce výstupu, klesá i jeho informační hodnota.

Pokud na tom nic nezměníme, začneme systematicky odměňovat schopnost generovat přesvědčivé artefakty místo schopnosti dělat správná rozhodnutí. A tím si rozložíme kvalitu celé organizace. Pomalu, neviditelně, za plného provozu.

Férovým základem pro hodnocení se stává něco jiného: kvalita rozhodování a míra odpovědnosti. Ne co člověk dodal, ale jak k tomu došel. Jak pracuje s nejistotou. Jak identifikuje rizika. Jakým způsobem ověřuje výstupy. Jaká rozhodnutí je ochoten nést.

Output je vedlejší produkt. Hlavním produktem je rozhodnutí.

Za tímhle posunem nejsou jen teoretické úvahy. Stačí se podívat na to, co se reálně děje.

Vývojářská firma se rozhodla snížit náklady na externí nástroje o 750 dolarů měsíčně a nahradit je vlastní „vibe-coded“ aplikací. Výsledek? Náklady na tokeny vyrostly na 4300 dolarů měsíčně. A jako bonus tým tráví polovinu času opravou chyb v něčem, co mělo být efektivnější než původní řešení.

Další příklad: uživatel placeného plánu služby pro vibe coding Claude Code za 200 dolarů měsíčně vygeneroval během jednoho měsíce spotřebu tokenů za 23 000 dolarů. Kolik podobných případů existuje, nevíme. Co ale víme: firmy, které staví nákladové modely na současném ceníku AI nástrojů, sázejí na podmínky, které dodavatel může změnit přes noc. A pak celá úvaha o „levném řešení” padne.

Tyhle příklady mají společný jmenovatel. Na první pohled vypadají jako zvýšení efektivity. Ve skutečnosti ale ukazují, že nahrazování práce AI bez pochopení kontextu často vede k horším výsledkům než původní řešení. A problém není v technologii, ale v rozhodnutí, jak ji použít.

Jenže většina firem tohle v tom, jak měří výkon lidí, zatím nepromítla. A kompetenční modely jsou přesně to místo, kde to nejvíc bolí.

Kompetenční modely, které zastaraly dřív, než je stihl někdo přečíst

Kompetenční modely byly historicky stabilní, aktualizované jednou za pár let. Dnes to nestačí.

To, co dříve znamenalo „umět psát“ nebo „umět analyzovat“, se částečně přesouvá na AI. Hodnota se posouvá k formulaci problému, práci s kontextem, návrhu spolupráce člověka s AI a hlavně k ověřování výstupů. Pokud tohle váš kompetenční model neobsahuje, hodnotíte lidi podle něčeho, co už reálně neodpovídá jejich práci.

Roční aktualizace se stává minimem. U AI-exponovaných rolí klidně čtvrtletní přehled změn.

Největší riziko není v nahrazení. Je v erozi expertízy.

AI zvyšuje produktivitu méně zkušených lidí výrazněji než těch zkušených. To vytváří tichý tlak: proč investovat do expertů, když „výkon“ lze doručit i bez nich?

Jenže experti jsou ti, kdo zachytí jemné, ale zásadní chyby. Kdo chápe kontext. Kdo ví, kdy AI selhává. Pokud zmizí, organizace může dlouho fungovat zdánlivě dobře.

Až do chvíle, kdy udělá velkou chybu – přesvědčivou, hladce formulovanou. A nikdo v místnosti ji nepozná.
Ochrana hluboké expertízy nemůže být náhoda. Musí to být vědomé rozhodnutí.

Bez mapy kompetencí je každé oznámení jen odhad

Nestačí vědět, jaké role ve firmě máme. Je potřeba vědět, jaké skutečné schopnosti, dovednosti i znalosti ve firmě jsou, kde jsou a jak rychle je umíme rozvíjet nebo doplnit.

Jinak se rozhodnutí o „nahrazení AI“ nestává strategií. Zůstává odhadem.

AI sama o sobě práci nezabíjí. Velmi efektivně ale zabíjí špatné proxy výkonu. Organizace, které zůstanou u starých zkratek, začnou dělat horší rozhodnutí, i když budou produkovat víc. Ty, které pochopí posun, začnou řídit něco jiného: ne output, ale rozhodování.

Tam se v AI éře rozhoduje o skutečné výkonnosti firem.

Otázky, které si stojí za to položit

Místo závěru: pár otázek. Pokud na většinu z nich nemáte odpověď, oznámení o AI transformaci možná přišlo příliš brzo.

1. Proč mám ve firmě konkrétní lidi a kde přesně vidím jejich přidanou hodnotu ve světě s AI?
2. Co dnes ve firmě skutečně považuji za výkon – objem výstupu, nebo kvalitu rozhodování?
3. Kde v tom, jak hodnotím lidi, odměňuji „lesk výstupu” víc než skutečné ověření správnosti?
4. Jak rychle jsem schopný změnit fungování firmy a co tu změnu skutečně umožní dlouhodobě, ne jen jednorázově?
5. Jak často aktualizuji představu o tom, jaké kompetence ve firmě potřebuji?
6. Kde vědomě chráním hlubokou expertízu a kde ji naopak nevědomě nahrazuji „dostatečně dobrým“ výstupem?
7. Které kompetence v mém modelu jsou dnes jen proxy pro něco, co už AI umí částečně automatizovat?
8. A konečně: vím skutečně, jak moje organizace dochází k rozhodnutím – nebo vidím jen jejich výstupy?