Az Atlassian Teamwork Lab vezetője, Dr. Molly Sands a VB Transform 2026 konferencián arról beszélt, hogy a legtöbb vállalat fordítva közelíti meg a mesterséges intelligencia bevezetését: egyénileg optimalizálják az AI-használatot ahelyett, hogy csapatszinten alakítanák át a munkafolyamatokat. A fireside chat során Sands a VentureBeat vezető technológiai munkatársával, Sam Witteveennel vitatta meg a Teamwork Lab kutatásait és gyakorlati tapasztalatait.
Ki végzi a vizsgálatot és mit csinál
Dr. Molly Sands olyan viselkedéstudósokból és pszichológusokból álló csapatot vezet, amely azt tanulmányozza, hogyan változtatja meg az AI az emberek együttműködését. Nem csak kutatnak: a szervezeteken belül új munkamódokat tanítanak és áttervezik a munkafolyamatok térképeit annak érdekében, hogy a technológia tényleges értéket teremtsen.
"Nem csak tanulmányozzuk, hanem aktívan be is avatkozunk és megváltoztatjuk a dolgokat" — foglalta össze a megközelítését Sands.
Miért nem fordul át az AI-sebesség megtérülésbe
Az Atlassian éves State of Teams Reportja idén mintegy 12 000 globális tudásdolgozót kérdezett meg, továbbá nagyjából 200 Fortune 1000 vállalatvezetőt interjúvolt. Az eredmények jelentős eltérést mutatnak a tevékenység és az érték között: a válaszok szerint széles körben használják az AI-t, de kevés helyen látható egyértelmű pénzügyi megtérülés.
Sands szerint 89%-uk számolt be arról, hogy az egyének gyorsabban dolgoznak a cégeknél, ugyanakkor csak 6%-uk tudott konkrét, egyértelmű ROI-példákat megnevezni. Összességében mindössze körülbelül 14% azoknak a csapatoknak az aránya, amelyek az AI-használatot valódi értékké fordították.
Ez azt jelenti, hogy egy szervezeten belül lehetnek kiemelkedően teljesítő csapatok, miközben más egységek egyáltalán nem látnak megtérülést.
Miben különböznek a sikeres csapatok
Azok a csapatok, amelyek valódi hasznot hoztak, három közös jellemzőt mutattak:
-
Kontextus: sikeres csapatoknál az Atlassian által "context graph"-nak nevezett megoldás jelenik meg — célok, döntések és szervezeti tudás közös, digitális nyilvántartásba kerülnek ahelyett, hogy egyéni memóriákban ragadnának. Termékek, például a Jira és a Confluence között ez a gráf összekapcsolja a munkafeladatokat, célokat és az azokon dolgozó személyeket, így az AI hozzáfér a szükséges szervezeti kontextushoz.
-
Munkafolyamatok: a vezető csapatok nemcsak elszigetelt feladatok gyorsítására törekedtek, hanem az egész végponttól-végpontig tartó folyamatokat áttervezték. Ha csak az egyéneket gyorsítják fel, miközben nincs közös irány, hamar ütközésekhez vezethetnek.
-
Kultúra: a leggyorsabban haladó csapatok olyan vezetés alatt álltak, amely explicit módon bátorította a tanulást és a kísérletezést, miközben világossá tették, hogy néhány kísérlet megbukhat.
Hogyan lehet az AI-t csapatszintű előnnyé alakítani
Sands szerint a kísérletezés és a korlátok bevezetése a leggyorsabb út a tanuláshoz. A legnagyobb nyereséget elérő csapatok szándékosan vezettek be korlátokat a munkavégzésükben: például minden feladatot a lehető legkisebb, gyakorlati munkadarabra bontottak (egyetlen story point), vagy vállalták, hogy egy hétig nem írnak kézzel kódot.
Ezek a gyakorlatok nem fenntarthatók örökké, de gyors tanulást eredményeznek, mondta Sands.
Egy további akadály a technológián túl az, hogy a munkavállalók egyénileg találják ki az AI használatát. Mindenki saját promptokat, ügynököket és feltételezéseket alakít ki, ami egy új, kimondatlan tudásréteget hoz létre a csapaton belül, és ez ritkán fordul át szervezeti teljesítményben.
Az Atlassian egyik válasza az volt, hogy a projektek elején AI-munkamegállapodásokat vezetett be: a csapatok eldöntötték, mire használják és mire nem használják az AI-t, mely ügynököket osztják meg és mely közös készségeket alkalmazzák annak érdekében, hogy mindenki ugyanabból a kontextusból dolgozzon. Azokat a csapatokat, amelyek ezt a gyakorlatot átvették, többet használták az AI-t, gyorsabban haladtak, jobb döntéseket hoztak és végül magasabb minőségű munkát állítottak elő.
Végkövetkeztetés
Sands szerint az AI nem feltétlenül hoz új menedzsment-problémákat, sokkal inkább felerősíti a régieket: a rejtett feltételezások és a különböző mentális modellek mindig is kihívást jelentettek a csapatok számára, de az AI következményeit súlyosabbá teszi. Ezért kulcsfontosságú a megosztott kontextus és a kifejezett munkamódok kialakítása, ha a szervezetek tényleges értéket akarnak kihozni az AI-ból.
A cikk a VentureBeat "Presented by Atlassian" támogatott anyaga alapján készült.
