AI diegimas įmonėje tampa vertingas tada, kai žmonės pradeda kitaip atlikti konkretų darbą ir gali parodyti, ką tai pagerino. Prieiga prie įrankio, išklausyti mokymai ir aktyvių naudotojų skaičius parodo pasirengimą. Verslo rezultatui dar reikia naują darbo būdą įtvirtinti.

Mano požiūriu, čia ir susitinka dirbtinio intelekto taikymas bei pokyčių valdymas. Vadovui tenka susieti technologijos galimybes su aiškiu prioritetu, komandos susitarimais ir atsakomybe už rezultatą. Mokymai šiame kelyje yra būtina pradžia, o praktinis darbas su ekspertu padeda žinias paversti kasdiene veikla.

Kodėl po AI mokymų organizacija gali grįžti prie seno darbo būdo?

Įsivaizduokime komandą, kuri per mokymus išbandė AI rengdama klientų pasiūlymus. Rezultatas atrodo perspektyvus. Grįžus į darbą paaiškėja, kad kiekvienas naudoja skirtingus dokumentus, naujausia kainodara neaiški, o pasiūlymą tvirtinantis vadovas vis tiek prašo viską perdaryti įprastu formatu.

Darbuotojas jau moka užduoti klausimą AI. Tačiau jam vis dar reikia savarankiškai išspręsti proceso, duomenų ir atsakomybių klausimus. Kai tuo pat metu spaudžia klientų terminai, pažįstamas darbo būdas tampa lengviausiu pasirinkimu.

Tokioje situacijoje papildoma įrankio demonstracija išspręs tik dalį problemos. Reikia sutarti, kokią informaciją naudos visa komanda, kaip atrodys tinkamas rezultatas, kas jį tikrins ir kada nauju būdu parengtas pasiūlymas bus priimamas. Būtent todėl AI mokymus įmonėms verta planuoti kartu su praktinio pritaikymo etapais.

Pokytį stabdo ir tai, už ką organizacija žmones vertina

2026 m. „Microsoft Work Trend Index“ tyrime 65 % apklaustų AI naudotojų teigė bijantys atsilikti, jei greitai neprisitaikys. Kartu 45 % jautėsi saugiau vykdydami dabartinius tikslus, nei pertvarkydami darbą su AI. Tik 13 % nurodė, kad toks darbo pertvarkymas skatinamas net nepasiekus numatytų rezultatų.

Apklausoje dalyvavo 20 000 AI darbe naudojančių žinių darbuotojų dešimtyje šalių. Tai respondentų vertinimai, o ne Lietuvos įmonių finansinių rezultatų matavimas. Tyrimas suteikia pagrindą klausimams, kuriuos kiekvienas vadovas turėtų patikrinti savo organizacijoje.

Ar darbuotojui skiriame laiko išbandyti naują darbo eigą? Ar aiškiai pasakome, kokios klaidos ribotame bandyme priimtinos? Ar vertiname pasidalintą, komandai naudingą sprendimą? Jei prašome keisti darbą, turime suderinti ir lūkesčius, pagal kuriuos tą darbą vertiname.

Vadovo užduotis: susitarti, kas konkrečiai keičiasi

Man svarbiausias pradinis klausimas yra toks: kuris darbo pasikeitimas šiuo metu labiausiai prisidėtų prie įmonės rezultato? Atsakymas turi būti pakankamai konkretus, kad komanda galėtų pradėti veikti.

„Naudoti daugiau AI“ nesuteikia aiškios krypties. „Sutrumpinti standartinio pasiūlymo parengimą, išlaikant kainodaros tikslumą ir žmogaus patvirtinimą“ jau apibrėžia darbą, kuriam galima parinkti sprendimą.

Prieš pradėdamas bandymą vadovas kartu su komanda turėtų sutarti šešis dalykus:

  1. Siekiamą rezultatą. Ką geriname: trukmę, kokybę, atsakymo klientui greitį, klaidų skaičių ar pajėgumą?
  2. Proceso savininką. Kas gali priimti sprendimus dėl darbo eigos ir pašalinti kliūtis tarp padalinių?
  3. Žmogaus ir AI darbo ribas. Ką sistema parengia, ką žmogus patikrina ir kam būtinas atskiras patvirtinimas?
  4. Duomenų bei įrankių taisykles. Kokią informaciją leidžiama naudoti, kur ji laikoma ir kas gali ją pasiekti?
  5. Bandymo sąlygas. Kiek darbo atvejų tikrinsime, kiek laiko skirsime mokymuisi ir kada peržiūrėsime rezultatą?
  6. Tęsimo kriterijus. Kokie įrodymai pateisins plėtrą, o kada reikės sprendimą koreguoti ar jo atsisakyti?

Įrankio pasirinkimas ir techninis parengimas išlieka svarbūs. Tačiau šie susitarimai padeda suprasti, kam konkrečiai technologija turi tarnauti. Nuo to prasideda AI diagnostika įmonėje.

Nuo vieno darbuotojo atradimo iki komandos darbo standarto

Vienas kolega gali susikurti puikiai veikiantį AI scenarijų. Organizacijos gebėjimu jis tampa tada, kai kitam žmogui pakanka aiškaus aprašo ir patvirtintų šaltinių, kad gautų priimtiną rezultatą.

Grįžkime prie iliustracinio pasiūlymų rengimo pavyzdžio. Komanda galėtų sutarti, kad kliento poreikis fiksuojamas vienoda forma, AI remiasi patvirtintu paslaugų aprašu, o trūkstamą informaciją pažymi kaip klausimą. Kainą ir komercines sąlygas tikrina atsakingas darbuotojas. Prieš išsiunčiant žmogus patvirtina visą pasiūlymą.

Tada tikriname kelis skirtingus atvejus: aiškią užklausą, nepilną informaciją, nestandartinį poreikį. Ištaisome silpnas vietas ir užrašome, kada scenarijaus nenaudoti. Taip atsiranda komandos darbo standartas su kokybės kriterijais, savininku ir peržiūros tvarka.

Šį perėjimą vadiname „Nuo pokalbio į sistemą“. AI pradeda veikti kaip sutarto proceso dalis. Darbuotojams lieka mažiau būtinybės kiekvieną kartą iš naujo sugalvoti, kaip atlikti tą patį darbą.

Kam reikalingas tęstinis darbas su ekspertu?

Pirmoji mokymų diena padeda suprasti galimybes ir saugiai išbandyti įrankį. Vėlesniuose praktinio darbo etapuose išryškėja tikrosios kliūtys: netinkami šaltiniai, nepilnos užklausos, nepatikimi atsakymai, neaiškus vertinimas ar nepritaikytas darbo šablonas.

Eksperto vertę matau gebėjime kartu su komanda šias kliūtis pašalinti. Viename etape galima atrinkti darbą ir parengti pirmą scenarijų. Kitame patikrinti realius bandymus, patobulinti instrukcijas bei duomenis. Dar vėliau įvertinti, ar darbuotojai iš tiesų naudoja sprendimą, ir perduoti jo priežiūrą atsakingam žmogui.

Daugiau dienų su ekspertu gali didinti AI investicijų grąžą, kai kiekviena diena sukuria aiškų, patikrinamą pagerėjimą. Vien papildomas konsultavimo laikas grąžos negarantuoja. Kiekvienas susitikimas turėtų baigtis konkrečiu rezultatu: išbandytu scenarijumi, sutarta patikra, pašalinta kliūtimi ar sprendimu, kur toliau nebeinvestuoti.

Tokia yra AI palydėjimo po mokymų paskirtis. Jo apimtį verta nustatyti pagal komandos situaciją ir bandymų rezultatus. Vienai komandai užteks patobulinti kelis darbo šablonus, kitai reikės pertvarkyti informacijos judėjimą tarp kelių funkcijų.

AI ROI: sutaupytas laikas turi virsti panaudojamu pajėgumu

Jei norime kalbėti apie AI investicijų grąžą (ROI), turime užfiksuoti pradinę situaciją ir vienodai matuoti darbą po pakeitimo. Vertinant laiką būtina įtraukti ir AI atsakymo tikrinimą, taisymus bei papildomus derinimus.

Iliustracinis pavyzdys, ne kliento rezultatas. Komanda per mėnesį parengia 40 standartinių pasiūlymų. Vienam jų anksčiau reikėjo 90 minučių. Išbandžius naują eigą, visas darbas su žmogaus patikra trunka 55 minutes. Skirtumas sudaro apie 23,3 valandos per mėnesį, jei išlieka tokia pati darbų apimtis ir priimtina kokybė.

Šis skaičius dar nėra sutaupyti pinigai. Vadovas turi nuspręsti, kur panaudos atlaisvintą laiką: papildomiems pasiūlymams, išsamesnei klientų poreikių analizei, trumpesnei užklausų eilei ar viršvalandžių mažinimui. Finansinę naudą galima priskirti tik pagrįstam ir realiai pasiektam pokyčiui.

Skaičiuojant ROI pasirinktam laikotarpiui, iš pagrįstos finansinės naudos atimamos visos to laikotarpio AI diegimo ir naudojimo sąnaudos, o skirtumas dalijamas iš tų sąnaudų. Įtraukiame licencijas, konsultavimą, komandos mokymosi laiką, techninį parengimą ir priežiūrą. Vertiname ir kokybę, kad greitesnis darbas nesukurtų brangesnių klaidų vėliau.

Todėl palydėjimo dieną verta vertinti pagal jos įtaką rezultatui. Jei ji padeda komandai patikimai naudoti sprendimą, kuris anksčiau buvo atmetamas, jos vertė gali tęstis ir pasibaigus mokymams. Jei tokio pokyčio nėra, reikia koreguoti patį darbą su ekspertu.

Kaip įtraukti darbuotojus ir sumažinti pasipriešinimą?

Darbuotojo abejonė dažnai yra naudinga informacija apie procesą. Žmogus gali žinoti, kad duomenys nepatikimi, bijoti atsakyti už AI klaidą arba nesuprasti, kaip pasikeis jo vaidmuo. Vadovui verta šiuos klausimus išgirsti prieš nustatant naudojimo tikslus.

Praktinis būdas pradėti: pasirinkto proceso žmones įtraukti į scenarijaus kūrimą, kartu aprašyti kokybės kriterijus ir paskirti laiką bandymams. Sutarti, kas padės užstrigus. Aiškiai pasakyti, kaip bus naudojamas atlaisvintas pajėgumas, ir nevartoti pažadų, kurių organizacija negali ištesėti.

Vadovo asmeninis pavyzdys taip pat konkretus: parodyti, kaip jis pats tikrina AI parengtą analizę, pripažįsta netinkamą atsakymą ir priima sprendimą. AI mokymai vadovams turi padėti susikurti tokias praktikas ir nuosekliai jas taikyti komandoje.

Nuo ko pradėti savo įmonėje?

Siūlau pradėti nuo vieno pasikartojančio darbo, kurio pagerinimą komanda pajustų. Tai gali būti pasiūlymo parengimas, dokumentų analizė ar pasiruošimas vadovų susitikimui. Procesas turi turėti savininką, prieinamus duomenis ir pakankamai aiškų rezultatą.

  • Užfiksuokite šiandieną. Kiek tokių darbų atliekate, kiek jie trunka ir kur dažniausiai tenka taisyti?
  • Sutarkite naują eigą. Ką atliks žmogus, kuo padės AI ir kaip vertinsite kokybę?
  • Išbandykite realius atvejus. Užrašykite ir sėkmes, ir kliūtis. Peržiūrai pasirinkite iš anksto sutartą datą.
  • Priimkite sprendimą. Pasiteisinusį būdą įtvirtinkite komandoje, silpną koreguokite, o nepasiteisinusio atsisakykite.

Ši logika siejasi ir su bendru Mintys.AI bei LEAN projektai projektu LeanAI. Kai svarbiausia nustatyti, kuri proceso vieta riboja rezultatą, Lean požiūris padeda pasirinkti kryptį, o AI suteikia papildomų galimybių jai įgyvendinti. Plačiau tyrimo ir vadovų sprendimų sąsajas aptariame LeanAI „Microsoft“ leidinio apžvalgoje.

Mano AI taikymo filosofijos pagrindas paprastas: pradėti nuo svarbaus darbo, padėti žmonėms jį pakeisti ir patikrinti, kokią vertę sukūrėme. Taip AI strategija įmonėje įgauna kasdienę išraišką, o mokymai ir tęstinis darbas su ekspertu tampa nuosekliu keliu į rezultatą.

Dažniausiai užduodami klausimai

Kodėl AI diegimui reikalingas pokyčių valdymas?

AI keičia darbo eigą, atsakomybes ir kokybės patikrą. Pokyčių valdymas padeda komandai susitarti dėl šių pasikeitimų, įgyti reikiamus įgūdžius ir įtvirtinti naują darbo būdą kasdienėje veikloje.

Ar vien AI mokymų įmonei gali pakakti?

Aiškiai apibrėžtai individualiai užduočiai mokymų gali pakakti. Kai keičiamas bendras procesas, naudojami vidiniai duomenys ar dalyvauja keli padaliniai, paprastai reikia papildomų susitarimų, bandymų ir atsakingo proceso savininko.

Kaip nustatyti, kiek reikia darbo su AI ekspertu dienų?

Apimtį verta sieti su siekiamais rezultatais: scenarijaus parengimu, realių bandymų peržiūra, komandos standarto įtvirtinimu ir naudos patikra. Tęsti prasminga tada, kai kitas etapas sprendžia aiškią kliūtį ir jo vertę galima pagrįsti.

Kaip suprasti, ar AI diegimas atsiperka?

Palyginkite pradinę ir naują proceso eigą pagal laiką, kokybę, klaidas bei sąnaudas. Į ROI įtraukite visas diegimo ir naudojimo išlaidas. Atlaisvintą laiką susiekite su realiai panaudotu pajėgumu ar pagrįsta finansine nauda.

Apie autorių ir šaltinius

Darius Simanavičius, Mintys.AI. Straipsnyje pateikiama autoriaus pozicija apie AI diegimą, vadovavimą ir pokyčio įtvirtinimą. Pasiūlymų rengimo situacija bei laiko skaičiavimas yra iliustraciniai, ne konkretaus kliento rezultatai.

Diskusiją paskatino „Microsoft“ leidinys „The Frontier Leader“, ypač 5–6 ir 23–26 puslapiai. Tai technologijų tiekėjo vadovas, jungiantis tyrimų įžvalgas su savo sprendimų pristatymu. Čia pateikta taikymo logika nėra konkretaus produkto rekomendacija ar pažadas pasiekti nurodytą grąžą.

Norite, kad AI mokymai virstų sutartu komandos darbo būdu? Per AI verslo partnerio programą galime susieti diagnostiką, praktinius mokymus ir palydėjimą su jūsų organizacijos prioritetais. Aptarkime vieną procesą, nuo kurio verta pradėti.