Sporo ludzi w biurze pociesza się złym pytaniem. Wciąż pytają, czy AI zrobi za nich całą robotę. Pracodawca nie tym progiem będzie się kierował. Prawdziwe pytanie brzmi: czy efekt da się wyprodukować na tyle tanio i sprawdzić na tyle tanio, że samo stanowisko zaczyna wyglądać na drogie. Nie chodzi o to, czy AI w pełni zrobi naszą robotę, tylko czy „przyspieszy ją na tyle, że wystarczy połowa mojego zespołu?”. Bo odpowiedź na to, niestety, brzmi: tak.
To ma znaczenie, bo duża część biurowej roboty już teraz przychodzi w formie, którą da się sprawdzić. Notka rynkowa, draft, przejście po dokumentacji, podsumowanie researchu. Deck. Rutynowy fix w kodzie z jasnymi kryteriami akceptacji. Ręczna praca stojąca za tymi efektami pewnie nadal jest realna, ale gotowy produkt często jest na tyle czytelny, że ktoś bardziej doświadczony może go przejrzeć, poprawić oczywiste wpadki i i tak wydać mniej niż dawny pełny koszt pracy.
To jest ten mechanizm, w który ludzie nie chcą patrzeć. AI nie musi od razu zastąpić zaufania, osądu ani kontekstu. Wystarczy, że na tyle dużą część pierwszego podejścia da się produkować maszynowo, że jedna osoba sprawdzająca dopilnuje tego, co kiedyś wymagało kilku osób piszących od zera. W praktyce oznacza to mniej analityków, mniej koordynatorów, mniej młodszych piszących, mniej juniorów od sprzątania kodu — i większą presję na tych, którzy zostali, żeby walidowali maszynowy output, zamiast samemu pisać każdą linijkę.
Ten wzorzec już widać w zwykłym workflow. Kiedyś menadżer potrzebował analityka, żeby zebrał materiały źródłowe, napisał wewnętrzną notkę i naszkicował pierwszą rekomendację. Teraz analityk może nadal istnieje, ale pewnie obsłuży kilku menadżerów naraz. Albo menadżer potrzebuje mniej analityków. To samo dzieje się w code review. Człowiek nadal się liczy, czasem bardzo, ale zostaje wciągnięty wyżej — w walidację, edge case'y i odpowiedzialność — a tanie pierwsze podejście generuje się gdzie indziej.
Dlatego biurowa robota jest bardziej narażona, niż ludzie chcą przyznać. Bo praca z informacją kiedyś była droga. Organizacje musiały płacić ludziom za pierwsze podejście, bo nie było innego sposobu, żeby je dostać. Gdy pierwsze podejście robi się tanie, wartość stanowiska zaczyna być oceniana surowiej. Roli nie wycenia się już za produkowanie poukładanego tekstu. Wycenia się ją za odpowiedzialność, weryfikację i konsekwencje.
Kontrast ze sztuką i inną trudną do sprecyzowania pracą trzeba trzymać wąsko. Dobrą robotę wizualną wciąż trudniej opisać precyzyjnie i trudniej tanio zweryfikować niż tekst, logikę w arkuszu czy rutynowe zmiany w kodzie. To nie znaczy, że praca twórcza jest odporna. To znaczy tylko, że logika kompresji działa najmocniej tam, gdzie sukces łatwo opisać, a porażkę tanio sprawdzić.
Robota, która przetrwa lepiej, leży bliżej rzeczywistości. Odpowiada za systemy, podpisuje się pod efektami, bierze na siebie konsekwencje i ogarnia rozjechany kontekst, który nie mieści się ładnie w kolejce do review. Trudniej skompresować pracę kogoś, kto musi zwalidować fizyczny system, ogarnąć żywy konflikt z klientem, wziąć na siebie response przy awarii albo podjąć decyzję, gdy dane są niekompletne, a koszt błędu jest realny. Jeśli już, to robi te pozostałe ludzkie wąskie gardła bardziej widoczne. U inżynierów na przykład mocno spada koszt pisania kodu (a nawet projektów), a rośnie wartość ludzi, którzy potrafią się dostosować i doprowadzić coś do końca. Bycie osobą end-to-end, kimś, kto weźmie pomysł albo feature, rozbije go na masę komponentów, a potem potrafi je spriorytetyzować i dowieźć — to jest teraz inżynieria oprogramowania. Raczej nie będziesz już dużo kodować, zwłaszcza im lepsza w tym będzie AI. Ale będziesz musiał rozumieć wzorce, projekty, tooling... i poskładać to wszystko w całość.
Tak, AI sama z siebie niczego nie zbuduje. Ale człowiek z AI zbuduje to, co kiedyś robił dziesięcioosobowy zespół. Więc tej dziewiątce można spokojnie powiedzieć, że AI ich zastępuje.