Maraming office worker ang inaaliw ang sarili sa maling tanong. Patuloy nilang tinatanong kung kaya ng AI gawin ang buong trabaho nila. Hindi iyon ang threshold na gagamitin ng employer nila. Ang tunay na tanong ay kung ang output ay puwedeng gawin nang sapat na mura, at ma-check nang sapat na mura, na magsisimulang magmukhang mahal ang role. Hindi yung kung kaya ng AI gawin nang buo ang trabaho natin, kundi "kaya ba nitong pabilisin ito nang sapat para kalahati na lang ng team ko ang kailangan?". Dahil ang sagot doon, nakakalungkot, ay oo.
Mahalaga iyon dahil malaking bahagi ng office work ay dumarating na sa reviewable na anyo. Isang market note, isang draft, isang documentation pass, isang research summary. Isang slide deck. Isang routine na code fix na may malinaw na acceptance criteria. Ang manu-manong trabaho sa likod ng mga output na iyon ay puwede pang totoo, pero ang tapos na produkto ay madalas sapat na nababasa para masuri ng mas senior na tao, maitama ang mga halatang pagkakamali, at gumastos pa rin nang mas mababa kaysa sa lumang fully loaded labor cost.
Iyon ang mekanismong ayaw titigan ng mga tao. Hindi kailangang palitan ng AI ang trust, judgment, o context nang sabay-sabay. Kailangan lang nitong gawing machine-producible ang sapat na bahagi ng first pass para ma-supervise ng isang reviewer ang dating nangangailangan ng ilang taong gumagawa mula sa simula. Sa praktika, ang ibig sabihin noon ay mas kaunting analyst, mas kaunting coordinator, mas kaunting junior writer, mas kaunting junior coder na gumagawa ng clean-up work, at mas maraming presyur sa natitirang mga tao na i-validate ang machine output sa halip na gumawa ng bawat linya mismo.
Makikita mo na ang pattern sa ordinaryong workflow. Dating kailangan ng manager ng analyst para mangalap ng source material, mag-draft ng internal memo, at humubog ng unang rekomendasyon. Ngayon puwede pang umiral ang analyst, pero malamang kayang mag-serve ng maraming manager nang sabay. O kailangan ng manager ng mas kaunting analyst. Ganun din ang nangyayari sa code review. Mahalaga pa rin ang tao, minsan napakahalaga, pero ang tao ay hinihila pataas patungo sa validation, edge cases, at responsibilidad habang ang murang first pass ay nagagawa sa ibang lugar.
Kaya mas exposed ang office work kaysa gustong aminin ng mga tao. Dahil ang information work noon ay mahal. Kailangang magbayad ng mga organisasyon ng tao para sa first pass dahil walang ibang paraan para makakuha noon. Sa sandaling maging mura ang first pass, mas mahigpit na hinuhusgahan ang halaga ng role. Hindi na nakapresyo ang role sa paggawa ng organized na wika. Nagiging presyo na ito sa ownership, verification, at consequences.
Dapat manatiling makitid ang kaibahan sa sining at iba pang mahirap-i-specify na trabaho. Ang magandang visual work ay mas mahirap pa ring ilarawan nang tumpak at mas mahirap i-verify nang mura kaysa sa text, spreadsheet logic, o routine na code changes. Hindi noon ginagawang immune ang creative work. Ang ibig sabihin lang noon ay pinakamalakas ang compression logic kung saan madaling ilarawan ang tagumpay at mura ang pagsusuri ng kabiguan.
Ang trabahong mas nakakaligtas ay nakaupo nang mas malapit sa realidad. Pag-aari nito ang mga sistema, nagpi-sign off sa mga resulta, sinasalo ang mga consequence, at hinahawakan ang magulong context na hindi maayos na kasya sa loob ng isang review queue. Mas mahirap i-compress ang trabaho ng taong kailangang mag-validate ng isang pisikal na sistema, mag-manage ng buhay na client conflict, mag-may-ari ng outage response, o gumawa ng desisyon kapag hindi kumpleto ang inputs at totoo ang halaga ng pagkakamali. Kung tutuusin, mas nagiging visible ang mga natitirang human bottleneck na iyon. Para sa mga engineer halimbawa, malaki ang binabawas nito sa halaga ng pagsusulat ng code (kahit designs), habang dinadagdagan ang halaga ng mga taong kayang mag-adapt at magtulak ng isang bagay hanggang matapos. Ang pagiging end-to-end na tao, isang taong kayang i-break down ang isang ideya o feature sa maraming component tapos kayang i-prioritize at i-execute ang mga ito, iyon na ang ibig sabihin ng software engineering ngayon. Malabong magko-code ka pa nang marami, lalo na habang gumagaling dito ang AI. Pero kailangan mong maintindihan ang patterns, designs, tooling... at pagsamahin ang lahat ng iyon.
Oo, ang AI mag-isa ay walang maitatayo. Pero ang taong may AI ay itatayo ang dating ginagawa ng team na sampu. Kaya sa siyam na iyon, masasabi mo talagang pinapalitan sila ng AI.