AI nie zepsuło twojego zespołu. Zepsuło sposób, w jaki twój zespół ze sobą pracuje.

Niedawno wdrożyliście nowego agenta AI. Powiedzmy, że wdrożenie poszło dobrze i narzędzie już pokazuje pierwsze oznaki wzrostu produktywności. Ale coś jest nie tak. Z czasem zespół zgłasza więcej napięcia i chaosu, a korzyść jakoś wydaje się mniejsza, niż obiecywano.

Pierwsze miejsce, w które wszyscy patrzą, to narzędzie. Czy agent jest wystarczająco dobry? Czy dobrze go skonfigurowaliśmy? Czy wystarczająco przeszkoliliśmy zespół? Może. Ale ja najpierw spojrzałabym gdzie indziej.

Na stronę ludzką.

Nowe badania sugerują, że narzędzia AI mogą naruszać zasady, które od dziesięcioleci są fundamentem efektywnej pracy zespołowej — zbiór reguł tłumaczących, dlaczego zespoły działają. Oczywiście efekty będą zależeć od tego, jak wprowadzono AI i jaką rolę pełni w zespole, ale sam kierunek wart jest uwagi.

Możesz pomyśleć: to narzędzie, a nie człowiek, więc dlaczego miałaby tu obowiązywać dynamika zespołu? Słusznie. Ale badania pokazują, że w momencie, gdy narzędzie zaczyna wykonywać pracę członka zespołu — na przykład analizuje, podejmuje decyzje — ludzie, którzy z nim pracują, zaczynają zachowywać się inaczej. I tu robi się ciekawie.

Oto więc, co może zacząć się dziać, gdy agent AI dołącza do zespołu.

Wspólne modele mentalne

Cannon-Bowers i Salas pokazali już w latach 90., że zespoły opierają się na antycypacji. Im lepiej ludzie się znają — swoje mocne strony, charakter, to jak ktoś reaguje pod presją — tym płynniej przechodzą razem przez projekt. I wiele z tego dzieje się bez słowa — ciche „porozumienie".

Model mentalny AI też można zbudować. Ale to inny rodzaj. Uczysz się jej wzorców, ale nie ma za nimi osoby, której wcześniejsze zachowania, reakcje czy oceny budują twoje zaufanie.

Pomyśl o osobie z zespołu, która wysłała ci gotowy szkic, zanim o niego poprosiłeś, bo wiedziała, że będzie ci potrzebny. Albo która przejęła wątek z klientem, bo wiedziała, że cię nie ma. Nikt tego nie ustalał. Odczytała sytuację i zadziałała.

Kiedy dodajesz agenta, ludzie mogą czekać, aż on coś wyprodukuje, zanim sami zadziałają, zamiast antycypować siebie nawzajem i ruszać pierwsi. Mięsień antycypacji słabnie.

Dlaczego to ma znaczenie: zespół zaczyna mniej antycypować siebie nawzajem, a trochę więcej sprawdzać. Nie rozbije to zespołu z dnia na dzień. Ale im mniej antycypacji — tym mniej automatycznej koordynacji — a to się sumuje.

Pamięć transaktywna

To wewnętrzna mapa zespołu: kto co wie. Liczy się najbardziej w szybko zmieniających się środowiskach, bo pozwala działać szybko — zapytać właściwą osobę, uzyskać zatwierdzenie decyzji. Jako liderowi łatwiej ci zatwierdzić coś od osoby, której kompetencje rozumiesz i której ufasz.

Teraz pojawia się nowe źródło wiedzy, które zdaje się wiedzieć po trochu o wszystkim. I ludzie zaczynają iść po odpowiedzi do systemu, a nie do siebie nawzajem, tak jak wcześniej.

To niekoniecznie źle — badania pokazują, że dobrze używane AI może być użyteczną częścią systemu wiedzy zespołu. Ale zmienia mapę. A to prowadzi do nowych pytań: Kogo pytasz, gdy AI nie jest pewne? Kto zna kontekst, którego ono nie zna?

Dlaczego to ma znaczenie: agent AI może przyspieszyć pewne zadania, ale może też zmienić to, jak zespół sięga po własną wiedzę — i jak bardzo ludzie wciąż polegają na sobie nawzajem.

Adaptacyjna koordynacja

Zdarzyło ci się, że poproszono cię o pomoc przy czymś spoza twojego zakresu obowiązków? To codzienność większości szybko działających firm: wymagają od ludzi, by naginali swoje role, żeby nadążyć za zmieniającym się rynkiem. Ludziom udaje się to dobrze dzięki temu, co Burke, Salas i współpracownicy nazwali płynną re-koordynacją. To znaczy, że ludzie nie dostosowują się tylko do zadania. Dostosowują się do siebie nawzajem. Wyczuwają zespół gnający przed deadline'em. Czują, kiedy ktoś w zespole jest przeciążony. Zmieniają sposób, w jaki rozmawiają ze sfrustrowanym interesariuszem.

Agent coraz lepiej odczytuje niektóre z tych sygnałów. Ale wciąż dostosowuje się inaczej. A jeśli AI jest teraz nowym „członkiem zespołu", pytanie brzmi: jeśli to tylko zespół się dostosowuje, a nie odwrotnie — jak to wpłynie na zespół z czasem?

Trochę można to przewidzieć. Wyobraź sobie swój ulubiony model językowy, który zatrzymuje cię w połowie projektu, bo wyczerpałeś limit — pewnie trochę cię to zirytuje. Dla zespołu ta frustracja może narastać z czasem właśnie przez tę „jednokierunkowość".

Dlaczego to ma znaczenie: duch zespołu może słabnąć, gdy ludzie czują, że pracują wokół systemu, a nie z członkiem zespołu.

I ta, która spina wszystko: uczenie się na błędach

Ta zasada pochodzi ze świata bezpieczeństwa psychologicznego. Kiedy człowiek popełnia błąd, nie tylko go naprawiamy — nadajemy mu sens razem. A to wspólne nadawanie sensu nie tylko poprawia pracę. Spaja zespół, czyni go silniejszym jako całość.

Możesz poprosić AI, żeby przeanalizowało błąd, a nawet napisało retrospektywę. Ale nie zrobi tej ludzkiej części — tego „co wtedy myśleliśmy, co wiemy teraz, co zrobilibyśmy inaczej". Ta rozmowa to moment, w którym zespół naprawdę uczy się razem i razem się zżywa.

I to wszystko zaczyna się kumulować. Jeśli ludzie idą do AI zamiast do siebie nawzajem, koordynują się wokół systemu zamiast wewnątrz zespołu i sprawdzają więcej, niż antycypują — mają mniej czasu na budowanie wspólnej wiedzy i zaufania. Nie dlatego, że AI jest złe. Dlatego, że zmienia sposób, w jaki od dziesięcioleci skutecznie działaliśmy.

Zanim więc dodasz kolejnego członka zespołu z AI

Nie myśl tylko o implikacjach technicznych i dokładności narzędzia. Wypatruj sygnałów poznawczych i społecznych, które mówią, że zespół zmienia sposób, w jaki pracuje.

Czy ludzie wciąż pytają siebie nawzajem?

Czy wciąż wiedzą, kto trzyma kontekst?

Czy wciąż rzucają sobie wyzwania i wciąż uczą się razem, gdy coś pójdzie nie tak?

Dokładność to nie jedyny koszt. Wpływu społecznego nie da się zignorować, jeśli te projekty mają zadziałać. Wkrótce więcej o tym, co naprawdę pomaga.