Przez większość mojej kariery w IT rekrutacja wyglądała tak samo. Patrzyłem na listę: jakie języki, jakie frameworki, jakie narzędzia, ile lat w każdym z nich. Im dłuższa lista i im nowsze pozycje, tym lepszy kandydat. To był skrót myślowy, który działał przez kilkanaście lat, bo kompetencja faktycznie siedziała w znajomości narzędzi. Kto znał więcej, ten potrafił więcej. Rekrutacja sprowadzała się do porównywania list.
Ten skrót przestał działać. I nie przestał powoli - przestał w ciągu kilkunastu miesięcy, odkąd AI weszła do codziennej pracy każdego zespołu. Dziś, kiedy rekrutuję do którejkolwiek ze swoich firm, prawie nie interesuje mnie, jakie narzędzia ktoś zna. Interesuje mnie coś, czego przez lata w ogóle nie sprawdzałem: czy ta osoba potrafi zadać dobre pytanie.
To nie jest kosmetyczna zmiana kryteriów. To zmiana tego, za co płacę.
Narzędzia zna już każdy. I to jest problem, nie zaleta
Kiedy znajomość narzędzia była trudna do zdobycia, była dobrym filtrem. Dziś jest odwrotnie. Obsługi większości narzędzi AI można nauczyć się w popołudnie. Wygenerowanie kodu, napisanie maila, zrobienie analizy, stworzenie prezentacji - to wszystko jest dziś na wyciągnięcie ręki dla osoby, która nigdy wcześniej tego nie robiła. Bariera wejścia spadła praktycznie do zera, a to, co jeszcze niedawno było przewagą, stało się standardem.
Efekt jest taki, że „znam AI" na CV nie znaczy już nic. Co gorsza, bardzo często znaczy coś negatywnego. Bo większość osób, które twierdzą, że potrafią korzystać z AI, w rzeczywistości potrafi tylko jedno: zadać pytanie i uwierzyć w odpowiedź.
I tu jest sedno. Problemem nigdy nie było to, czy ktoś umie kliknąć w narzędzie. Problemem jest to, że ludzie ufają temu, co z niego wychodzi. Traktują odpowiedź modelu jak werdykt, a nie jak pierwszą wersję, którą trzeba zakwestionować. A model prawie zawsze odpowie. Odpowie pewnie, składnie i przekonująco - niezależnie od tego, czy pytanie w ogóle miało sens. Nie zasygnalizuje, że zabrakło mu kontekstu. Nie powie „to zależy od rzeczy, których mi nie podałeś". Wypełni lukę i poda wynik tonem eksperta. To właśnie ta pewność tonu usypia czujność i sprawia, że ludzie przestają myśleć dokładnie w momencie, w którym powinni zacząć.
Dobra odpowiedź na złe pytanie to nadal zła odpowiedź
Pokażę to na przykładzie, którego używam, żeby wytłumaczyć tę różnicę zarządom.
Wyobraź sobie, że pytasz AI: „Czy ta firma od IT jest dobra?". Dostaniesz odpowiedź: „Tak, to solidny wykonawca z dobrymi opiniami". Odpowiedź jest prawdziwa. Model nie kłamie. Problem w tym, że jest kompletnie bezużyteczna, bo nie odpowiada na pytanie, które naprawdę Cię interesuje.
Teraz zadaj to samo pytanie inaczej: „Czy ta firma od IT jest dobra, jeśli potrzebuję projektu na Laravelu, który przyjmie użytkowników z różnych stron świata, i musi być gotowy w trzy miesiące?". I nagle odpowiedź może być zupełnie inna: „Niekoniecznie - ich doświadczenie jest głównie w mniejszych wdrożeniach krajowych, a trzy miesiące na skalowalną aplikację wielojęzyczną z ich zespołem to ryzyko".
Ta sama firma. Ten sam model. Dwie sprzeczne odpowiedzi. Różnica jest wyłącznie w pytaniu.
W pierwszym przypadku pytanie było za szerokie, więc model odpowiedział ogólnikiem - i ogólnik był prawdziwy. W drugim pytanie zawierało ograniczenia: technologię, skalę, geografię, czas. Dopiero te ograniczenia zmusiły model do policzenia czegoś, co ma dla Ciebie znaczenie. Każde z tych ograniczeń odcina jakąś część gładkiej, uśrednionej odpowiedzi i wypycha model w stronę konkretu, który może być dla Ciebie niewygodny - ale prawdziwy w Twoim sensie, nie w sensie statystycznej średniej. Prawda nie leży w odpowiedzi. Prawda, która jest Ci potrzebna, leży w tym, ile kontekstu włożyłeś w pytanie.
I właśnie tego nie potrafi większość ludzi, którzy „znają AI". Zadają szerokie pytanie, dostają szeroką, prawdziwą i bezwartościową odpowiedź, po czym działają tak, jakby dostali wiążącą rekomendację. To nie jest korzystanie z AI. To jest szukanie potwierdzenia - i to jest najdroższy sposób używania tej technologii, bo wygląda identycznie jak praca, a prowadzi do decyzji opartych na ogólnikach.
Walidacja kontra racjonalizacja
Jest cienka, ale decydująca granica między dwoma sposobami używania AI. Pierwszy to walidacja: zadaję pytanie tak skonstruowane, żeby sprawdzić, czy moje założenie się broni - celowo wpuszczam w nie ograniczenia i kontrargumenty, bo chcę, żeby model miał szansę mnie zakwestionować. Drugi to racjonalizacja: zadaję pytanie tak, żeby usłyszeć to, w co już wierzę, a potem traktuję odpowiedź jako potwierdzenie z zewnątrz.
Model obsłuży oba tryby bez mrugnięcia. Na „czy to dobry pomysł?" chętnie wyliczy powody, dla których tak. Różnica nie jest w narzędziu - jest w intencji osoby, która pyta. Człowiek, który umie zadać dobre pytanie, instynktownie buduje je tak, żeby mogło przynieść odpowiedź, której nie chce usłyszeć. Człowiek, który tego nie umie, buduje pytania, które mogą go tylko utwierdzić. I dlatego rekrutuję pod tę pierwszą postawę. Narzędzie nie odróżni za Ciebie dowodu od pociechy. To rozróżnienie musi siedzieć w głowie pytającego.
Czego naprawdę szukam
Umiejętność, którą dziś rekrutuję, to nie „znajomość AI". To zdolność do rozłożenia problemu na części, zanim w ogóle sięgnie się po narzędzie. Osoba, która umie zadać dobre pytanie, najpierw ustala, co właściwie chce wiedzieć, jakie są ograniczenia, co jest założeniem, a co faktem, i gdzie odpowiedź może być myląca. Dopiero potem pyta. A kiedy dostaje odpowiedź - nie przyjmuje jej. Sprawdza, skąd się wzięła, pyta jeszcze raz, węziej, i konfrontuje wynik z tym, co sama wie.
To jest kompetencja poznawcza, nie techniczna. I to jest dokładnie to, czego AI nie zrobi za człowieka. Model wygeneruje dowolną odpowiedź, ale nie zdefiniuje za Ciebie problemu. Nie będzie wiedział, że trzy miesiące to u Ciebie granica opłacalności kontraktu, a nie miły termin. Nie będzie wiedział, że akurat ten Klient skaluje się globalnie, więc „działa" i „działa pod obciążeniem z pięciu kontynentów" to dwa różne światy. Nie będzie wiedział, że w zeszłym kwartale podobny projekt już raz się u Ciebie wywrócił i z jakiego powodu. Te ograniczenia musisz wnieść Ty. Jeśli ich nie wniesiesz, model wypełni lukę najbardziej prawdopodobnym ogólnikiem - i będzie brzmiał przy tym jak ekspert.
Dlatego najcenniejszy pracownik w erze AI to nie ten, który najszybciej wygeneruje odpowiedź. To ten, który najcelniej postawi problem. Kolejność ma znaczenie: generowanie jest tanie, definiowanie jest drogie - i to za to drugie dziś płacę.
Słyszę czasem, że to przecież kwestia przeszkolenia z promptowania - wystarczy kurs i każdy się nauczy. To nieporozumienie. Dobre pytanie nie bierze się ze znajomości sztuczek językowych, tylko ze zrozumienia własnego problemu. Można wykuć sto szablonów promptów i nadal zadawać złe pytania, bo brakuje nie formy, lecz wiedzy o tym, co w danej sytuacji jest naprawdę istotne. Promptowania można nauczyć w godzinę. Myślenia o własnym biznesie - nie. Dlatego nie szukam ludzi, którzy znają modne frazy. Szukam tych, którzy rozumieją, na czym polega problem, zanim sięgną po jakiekolwiek narzędzie.
Jak to sprawdzam na rekrutacji
Przestałem pytać kandydatów, jakie znają technologie. Zamiast tego daję im długie, złożone zadanie i bardzo mało czasu.
Ta kombinacja jest celowa. Zadanie jest na tyle duże, że nie da się go zrobić „ręcznie" w wyznaczonym czasie. Zakładam więc - i mówię to wprost - że kandydat użyje AI. Nie testuję, czy potrafi ją włączyć. Testuję coś zupełnie innego: co robi pod presją, kiedy nie ma czasu na to, żeby udawać.
Kiedy czasu jest dużo, każdy zdąży doszlifować odpowiedź tak, żeby wyglądała mądrze. Kiedy czasu jest mało, widać prawdę. Widać, czy ktoś najpierw zatrzymał się na trzydzieści sekund, żeby rozbić problem na części i ustalić, o co właściwie pyta - czy od razu wrzucił całość do modelu i skopiował pierwszą odpowiedź. Widać, czy ograniczył zakres, czy poszedł szeroko. Widać, czy zakwestionował wynik, czy go przykleił. Widać, czy w ogóle zauważył, że w zadaniu celowo brakuje jednej informacji - czy po prostu udał, że jej nie potrzebuje.
Nie oceniam, czy praca jest „skończona". Oceniam drogę. Dwie osoby z tym samym narzędziem i tym samym limitem czasu oddają dwie zupełnie różne prace. Jedna oddaje ładnie wyglądający ogólnik, który rozpada się przy pierwszym trudnym pytaniu. Druga oddaje coś węższego, często wprost z adnotacją „tu założyłem X, bo zabrakło danych; gdyby było inaczej, zmieniłbym to" - bo zadała modelowi właściwe pytanie i nie uwierzyła w pierwszą wersję. Tę drugą osobę zatrudniam, nawet jeśli jej lista narzędzi jest krótsza.
I tak - zdarzyło mi się odrzucić kandydata z imponującym stackiem na CV, który na papierze bił resztę o głowę. Zawiódł nie dlatego, że czegoś nie umiał obsłużyć. Zawiódł, bo pod presją zadał jedno szerokie pytanie, dostał gładką odpowiedź i oddał ją jako gotowy wynik, nie sprawdziwszy ani jednego założenia. Jego kompetencja była realna - tylko dotyczyła świata, który już nie istnieje.
Dlaczego to dotyczy całego zespołu, nie tylko programistów
Łatwo pomyśleć, że to problem działu technicznego. Nie jest. To jest kompetencja, której wymagam od całego zespołu, w każdej firmie, na każdym stanowisku.
Handlowiec, który pyta AI „napisz ofertę dla Klienta", dostanie poprawną, generyczną ofertę, która nie wygra niczego. Handlowiec, który pyta „napisz ofertę dla Klienta z branży produkcyjnej, który już raz odrzucił naszą propozycję jako za drogą, i którego realnym problemem jest nie cena, tylko czas wdrożenia" - dostanie narzędzie sprzedażowe. Ta sama różnica. Szerokie pytanie kontra pytanie z wniesionym kontekstem.
Osoba w księgowości, która pyta model o interpretację przepisu bez podania własnej sytuacji, dostanie prawdziwą regułę ogólną - i podejmie na jej podstawie błędną decyzję, bo jej przypadek był wyjątkiem. Marketingowiec, który prosi o „pomysły na kampanię", dostanie listę, którą dostanie też jego konkurencja pytająca tak samo. Rekruter, który prosi AI o ocenę kandydata bez podania, do czego konkretnie go szuka, dostanie ładny profil i zatrudni nie tę osobę. Przewaga nie jest w narzędziu. Narzędzie mają wszyscy. Przewaga jest w jakości pytania, a ta zależy od tego, ile człowiek rozumie z własnego problemu, zanim zacznie pytać.
Dlatego nie dzielę już zespołu na „tych od AI" i „resztę". Umiejętność zadawania dobrych pytań jest dziś tak samo podstawowa jak umiejętność pisania maila. Dotyczy każdego, kto podejmuje jakąkolwiek decyzję na podstawie czegoś, co wyszło z modelu - czyli praktycznie każdego w firmie.
Jak zbudować to w zespole, który już masz
Większości Prezesów nie stać na to, żeby wymienić zespół pod nowe kryterium - i nie o to chodzi. Tej kompetencji można uczyć, bo to nawyk myślowy, a nie talent. U siebie robię to prościej, niż się wydaje.
Po pierwsze, przestaję akceptować wynik bez pytania, które go wygenerowało. Kiedy ktoś przynosi mi analizę „z AI", pytam nie o wniosek, tylko o to, jak brzmiało pytanie i jakie założenia w nim były. To jedno pytanie w kółko uczy zespół, że odpowiedzialność leży po stronie pytającego, nie modelu.
Po drugie, promuję kwestionowanie zamiast go karać. Jeśli ktoś wraca z „model tak powiedział, ale sprawdziłem i to się nie trzyma w naszym przypadku", to jest dokładnie zachowanie, które chcę mnożyć. W wielu zespołach kultura jest odwrotna - szybka, gładka odpowiedź jest nagradzana, a jej podważanie traktowane jako spowalnianie. To się mści.
Po trzecie, normalizuję mówienie wprost o założeniach. „Założyłem X, bo zabrakło danych" nie jest przyznaniem się do słabości - to jest dowód, że ktoś wie, gdzie kończy się fakt, a zaczyna luka wypełniona przez model. Zespół, który nazywa swoje założenia na głos, popełnia mniej cichych, kosztownych błędów.
Co to oznacza dla Prezesa
Jeśli zarządzasz firmą, masz z tego dwa praktyczne wnioski.
Pierwszy dotyczy rekrutacji. Jeśli nadal filtrujesz kandydatów po liście znanych narzędzi, filtrujesz po kryterium, które straciło wartość. Narzędzia zna każdy. Zbuduj proces, który sprawdza myślenie: daj realny problem, ogranicz czas, i patrz nie na wynik, tylko na drogę do niego. Najlepszym sygnałem nie jest to, że ktoś zna najwięcej technologii. Najlepszym sygnałem jest to, że zanim cokolwiek uruchomił, zatrzymał się i zapytał sam siebie: „o co ja właściwie chcę zapytać?".
Drugi wniosek dotyczy Ciebie samego. Ta sama pułapka, w którą wpadają kandydaci, dotyczy zarządów. Prezes, który pyta AI „czy powinniśmy wejść w ten rynek?", dostanie wyważoną, prawdziwą i bezużyteczną odpowiedź. Prezes, który pyta „czy powinniśmy wejść w ten rynek, mając trzy miesiące runway, zespół bez kompetencji sprzedażowych w tym segmencie i jednego dużego konkurenta z lokalną marką" - dostanie coś, na czym można oprzeć decyzję. AI nie uczyni Twoich decyzji lepszymi. Uczyni je lepszymi tylko wtedy, gdy nauczysz się wnosić do pytania to, co wiesz o własnej firmie, i kwestionować to, co dostajesz z powrotem.
Im więcej firm prowadzę, tym wyraźniej to widzę. Przy jednej spółce mogę jeszcze nadrobić słabe pytania zespołu własnym kontekstem - zdążę przejrzeć analizę i wyłapać, że ktoś zapytał model o coś nie tak. Przy kilkunastu to niemożliwe. Nie przejrzę każdej decyzji opartej na AI i nie sprawdzę każdego założenia. Wtedy jedyną realną ochroną jest to, że ludzie, którzy te pytania zadają, sami wnoszą do nich właściwy kontekst i sami kwestionują odpowiedź. W tym momencie kompetencja dobrego pytania przestaje być miłym dodatkiem i staje się warunkiem skalowania firmy.
Największe ryzyko nie polega na tym, że Twoi ludzie nie używają AI. Polega na tym, że używają jej źle - zadają szerokie pytania, dostają prawdziwe ogólniki i działają na ich podstawie z pełnym przekonaniem, że korzystają z technologii. To jest kosztowniejsze niż brak AI, bo brak narzędzia widać od razu, a złe pytanie wygląda jak praca.
Kompetencja, która zostanie
Narzędzia będą się zmieniać. Modele, które dziś są najlepsze, za rok będą przeciętne. Lista frameworków na CV zdezaktualizuje się jak zawsze. Ale umiejętność rozłożenia problemu na części, wniesienia do pytania właściwych ograniczeń i niezaufania pierwszej odpowiedzi - ta kompetencja nie zdezaktualizuje się nigdy, bo nie zależy od żadnego konkretnego narzędzia. Zależy od sposobu myślenia.
Dlatego przestałem szukać ludzi, którzy znają narzędzia. Narzędzia można podać każdemu w popołudnie. Szukam ludzi, którzy wiedzą, o co pytać - bo to jedyna rzecz, której model nigdy nie zrobi za nich. I jeśli miałbym dać jedną radę każdemu Prezesowi, który buduje dziś zespół: przestań liczyć, ile technologii znają kandydaci. Zacznij sprawdzać, czy potrafią zadać właściwe pytanie, zanim zadadzą je maszynie.
W świecie złożonych decyzji technologicznych, pomagam układać właściwe puzzle.



