Nowe badanie Anthropic: co naprawdę wynika z danych o automatyzacji pracy
Generatywna sztuczna inteligencja przestała być ciekawostką technologiczną, a stała się narzędziem realnie wpływającym na organizację pracy biurowej. Jednym z podmiotów, który systematycznie mierzy ten wpływ, jest Anthropic – twórca modeli z rodziny Claude, rozwijanych z myślą o zastosowaniach profesjonalnych i wysokich standardach bezpieczeństwa. Najnowszy raport firmy, oparty m.in. na milionach rzeczywistych interakcji użytkowników z Claude oraz danych z rynku pracy, pozwala precyzyjniej odpowiedzieć na pytanie: które zawody są najbardziej narażone na automatyzację i w jaki sposób będzie się ona odbywać.
Kluczowy wniosek z analizy Anthropic jest mniej katastroficzny, niż sugerują nagłówki: sztuczna inteligencja automatyzuje przede wszystkim zadania, a nie całe zawody. Badanie pokazuje, że niemal połowa obecnych stanowisk zawiera zestaw czynności, w których AI może już dziś wykonywać co najmniej 25% pracy. W wielu przypadkach mówimy jednak o zakresie 20–60% obowiązków, a nie o pełnym zastąpieniu człowieka. Przełomowy jest fakt, że modele językowe – takie jak Claude – szczególnie dobrze radzą sobie z zadaniami wykonywanymi przy komputerze, opartymi na pracy z tekstem, danymi i jasno zdefiniowanymi regułami decyzyjnymi.
Dla pracowników biurowych, specjalistów HR, studentów i doradców zawodowych oznacza to konieczność przemyślenia ścieżek kariery. Raport Anthropic jasno wskazuje, że najwyższe ryzyko dotyczy ról opartych na powtarzalnych procesach, standaryzowanej komunikacji i przetwarzaniu ustrukturyzowanych informacji. Jednocześnie otwiera się przestrzeń dla nowych ról, w których człowiek projektuje procesy z udziałem AI, nadzoruje ich jakość i bierze odpowiedzialność za decyzje.
Analiza danych Anthropic i niezależnych ośrodków badawczych pokazuje, że szczególnie narażone są zawody z obszaru informatyki i matematyki, prawa oraz szeroko rozumianej administracji biurowej – w tych grupach nawet ponad 60–90% typowych zadań można potencjalnie powierzyć systemom AI. Jednocześnie brak jest obecnie dowodów na masowe, natychmiastowe redukcje etatów – zamiast tego obserwuje się fragmentację pracy, zmianę zakresów obowiązków i spowolnienie zatrudnienia w najbardziej „narażonych” profesjach.
W dalszych częściach artykułu wyraźnie widać trzy grupy zawodów, na których przykładzie szczególnie dobrze widać ten proces: programiści, pracownicy obsługi klienta oraz osoby odpowiedzialne za wprowadzanie i wstępne przetwarzanie danych. Dla każdej z tych grup możliwe jest zarówno poważne ograniczenie prostych czynności, jak i pojawienie się nowych, bardziej odpowiedzialnych ról wokół AI.
Które zawody według Anthropic są najbardziej narażone na automatyzację i dlaczego
Raport Anthropic pokazuje, że o podatności zawodu na wpływ generatywnej AI decyduje przede wszystkim struktura zadań. Im wyższa powtarzalność, im więcej pracy z tekstem i danymi, im jaśniejsze reguły decyzyjne – tym większa ekspozycja na automatyzację. Dodatkowym czynnikiem jest możliwość wykonywania pracy całkowicie zdalnie, przy komputerze, w trybie asynchronicznym.
W tym kontekście wyraźnie wyróżniają się trzy kategorie zawodów:
-
Programiści i developerzy – zwłaszcza na poziomie junior oraz w rolach skoncentrowanych na prostym utrzymaniu kodu, poprawkach i implementacji typowych funkcji. Kod źródłowy jest w dużej mierze ustrukturyzowany, a zadania programistyczne można precyzyjnie opisać w formie wymagań, co sprzyja użyciu modeli językowych.
-
Pracownicy obsługi klienta – konsultanci call center, specjaliści obsługujący czat, e-mail czy formularze kontaktowe. W tych rolach dominują powtarzalne pytania, standardowe procedury odpowiedzi oraz duże wolumeny podobnych zgłoszeń, które można modelować jako dialog z klientem oparty na bazie wiedzy.
-
Osoby zajmujące się wprowadzaniem danych, prostą analizą i raportowaniem – pracownicy back office, którzy przepisywali informacje z dokumentów do systemów, klasyfikowali zgłoszenia, przygotowywali cykliczne raporty sprzedaży, logistyki czy finansów.
Anthropic, analizując ponad tysiąc zawodów w oparciu o dane zadaniowe, wskazuje, że właśnie w tych obszarach modele językowe są w stanie przejąć znaczną część powtarzalnych czynności, przy czym nie chodzi o pełną automatyzację, lecz mieszankę automatyzacji i „wspomagania” pracownika. Dane z tzw. Anthropic Economic Index pokazują, że w praktyce użytkownicy wykorzystują Claude częściej do zwiększania własnej produktywności niż do całkowitego zastępowania pracy – około połowa konwersacji dotyczy zadań, w których człowiek pozostaje w pętli decyzyjnej.
Warto podkreślić, że wiele ról o wysokiej ekspozycji doświadcza raczej przeprojektowania niż likwidacji stanowisk. Przykładowo, zawody wymagające intensywnego kontaktu z ludźmi twarzą w twarz, pracy fizycznej, mobilności czy ponoszenia głębokiej odpowiedzialności prawnej lub medycznej (lekarze, pielęgniarki, prawnicy procesowi) są na razie mniej podatne na pełne zastąpienie przez AI. Tu technologia wspiera eksperta, ale nie przejmuje całego procesu decyzyjnego.
Jakie zadania programistów już dziś przejmują modele takie jak Claude
Programiści należą do grupy zawodowej, która jako jedna z pierwszych odczuwa skutki popularyzacji generatywnej AI. Modele podobne do Claude są już dziś w stanie znacząco przyspieszyć wiele elementów pracy deweloperskiej, zwłaszcza na poziomie powtarzalnych, dobrze zdefiniowanych czynności.
Najbardziej typowe obszary, w których AI przejmuje lub współrealizuje zadania programistów, to:
-
Generowanie szkieletu kodu i boilerplate – tworzenie podstawowych struktur klas, kontrolerów, endpointów API czy komponentów front-endowych na podstawie krótkiego opisu wymagań. Podobnie wygląda generowanie testów jednostkowych, które na bazie istniejących funkcji pozwalają szybko uzyskać zestaw scenariuszy testowych.
-
Refaktoryzacja i poprawa czytelności kodu – przekształcanie złożonych fragmentów w bardziej zwięzłe i przejrzyste konstrukcje, proponowanie lepszego nazewnictwa, usuwanie duplikacji, a nawet sugerowanie wzorców projektowych adekwatnych do danego problemu.
-
Tworzenie dokumentacji technicznej – automatyczne generowanie opisów funkcji, klas i modułów na podstawie kodu oraz komentarzy, łącznie z podsumowaniami modułów i propozycjami diagramów architektury.
-
Szybkie prototypowanie funkcji i mikroserwisów – budowa wersji MVP usługi, która następnie jest dopracowywana przez doświadczonych developerów. AI może na przykład zbudować działający szkielet mikroserwisu, z obsługą logowania, walidacji i prostym API.
-
Wyszukiwanie i wyjaśnianie błędów (debugging) – analiza logów, stack trace i fragmentów kodu w celu zaproponowania prawdopodobnej przyczyny błędu oraz potencjalnej poprawki. Modele takie jak Claude potrafią też wytłumaczyć krok po kroku, dlaczego dany błąd występuje.
Najbardziej zagrożone automatyzacją są w tym kontekście zadania o niskiej złożoności i dużej powtarzalności – takie, które do tej pory stanowiły znaczną część pracy junior developerów. Rozwój zaawansowanych modeli, opisywanych m.in. w artykule Claude Sonnet 4.6 i okno 1M tokenów: co realnie zmienia dla firm i procesów opartych na AI, dodatkowo rozszerza zakres możliwej automatyzacji, umożliwiając operowanie na ogromnych bazach kodu i dokumentacji jednocześnie.
Nie oznacza to jednak końca zawodu programisty. Rola specjalistów przesuwa się w stronę zadań wyższego poziomu, przede wszystkim:
-
Projektowanie architektury systemów – definiowanie modułów, interfejsów, wymagań niefunkcjonalnych (skalowalność, bezpieczeństwo, niezawodność), dobór technologii i wzorców integracji.
-
Definiowanie wymagań biznesowych i technicznych – tłumaczenie potrzeb biznesu na specyfikacje zrozumiałe dla AI i dla zespołu developerskiego, w tym precyzyjne opisy zadań dla modeli generatywnych.
-
Nadzór nad jakością i bezpieczeństwem kodu generowanego przez AI – code review, testy bezpieczeństwa, kontrola zgodności ze standardami organizacji, przegląd licencji i zależności zewnętrznych.
W praktyce oznacza to, że ścieżka kariery programisty będzie wymagała szybszego przechodzenia z etapu „piszę kod, który mógłby napisać model” do etapu „projektuję rozwiązania i wykorzystuję AI jako narzędzie inżynierskie”. Kompetencje w obszarze projektowania architektury, zarządzania złożonością i integracji AI w procesach wytwórczych staną się kluczowe dla utrzymania atrakcyjności na rynku pracy.
Automatyzacja obsługi klienta i pracy z danymi: od chatbotów po pełne procesy back office
Obsługa klienta
Obsługa klienta jest jednym z pierwszych obszarów, w których firmy na masową skalę wdrażają generatywną AI. Systemy oparte na modelach językowych potrafią już dziś samodzielnie odpowiadać na powtarzalne zapytania klientów, obsługiwać proste procesy reklamacyjne czy udzielać informacji o produktach i statusie zamówienia – zarówno przez chat, jak i e-mail czy formularze internetowe.
W praktyce dobrze zaprojektowany system z podejściem human-in-the-loop pozwala zautomatyzować 60–80% standardowych zgłoszeń, przy zachowaniu człowieka w roli nadzorcy i osoby obsługującej bardziej złożone przypadki. Szczegółowo opisano to w artykule Human‑in‑the‑Loop Chatbots w Finansach, Zdrowiu i Prawie: Jak Bezpiecznie Zautomatyzować 60–80% Wsparcia, gdzie pokazano, jak połączenie AI i człowieka może podnieść jakość obsługi przy jednoczesnym skróceniu czasu reakcji.
Wraz z automatyzacją powtarzalnych interakcji rośnie zapotrzebowanie na nowe role:
-
Trenerzy chatbotów – osoby odpowiedzialne za projektowanie dialogów, ton komunikacji, scenariusze eskalacji oraz ciągłe „uczenie” systemu na podstawie nowych przykładów.
-
Specjaliści ds. wiedzy (knowledge managers) – eksperci budujący i aktualizujący bazy wiedzy, z których korzysta AI, dbający o spójność odpowiedzi z politykami firmy i wymogami regulacyjnymi.
-
Analitycy jakości konwersacji – osoby monitorujące wskaźniki satysfakcji klienta, analizujące transkrypcje rozmów i rekomendujące zmiany w skryptach oraz procesach.
Wprowadzanie i przetwarzanie danych
Jeszcze większa transformacja dotyczy pracy back office, w której do tej pory dominowały czynności manualne: przepisywanie danych, klasyfikacja dokumentów, przygotowywanie cyklicznych raportów. Modele językowe umożliwiają automatyczne rozpoznawanie treści dokumentów, wyciąganie kluczowych informacji z maili i formularzy oraz generowanie z nich podsumowań i zestawień.
Typowe przykłady takich zadań to:
-
automatyczne uzupełnianie pól w systemie CRM na podstawie korespondencji e-mail z klientem,
-
kategoryzacja zgłoszeń serwisowych według typu problemu i priorytetu,
-
generowanie miesięcznych raportów sprzedaży lub wskaźników obsługi klienta na bazie danych transakcyjnych i logów systemowych.
Dotychczas były to podstawowe obowiązki tysięcy pracowników back office w bankowości, telekomunikacji, logistyce czy administracji. Z perspektywy pracowników oznacza to wysokie ryzyko częściowego lub pełnego zastąpienia części zadań przez AI. Z perspektywy firm – szansę na redukcję kosztów oraz zmniejszenie liczby błędów wynikających z ręcznego wprowadzania danych.
Równocześnie fundamentalnie zmienia się profil kompetencji potrzebnych w tych działach. Kluczowa różnica dla przyszłości zatrudnienia polega na przejściu od ręcznego wprowadzania danych do ich interpretacji, kontroli jakości oraz projektowania procesu. Wartość pracownika rośnie tam, gdzie potrafi on zrozumieć kontekst biznesowy danych, wychwycić anomalie i zadbać o to, aby automatycznie generowane raporty były rzeczywiście użyteczne dla menedżerów.
Nowe kompetencje i ścieżki kariery w świecie generatywnej AI
Raport Anthropic potwierdza trend widoczny także w analizach OECD czy ILO: automatyzacja dotyczy przede wszystkim modułowych zadań, a nie całych profesji. Wraz z rosnącą rolą AI wartość człowieka przesuwa się w stronę obszarów kreatywnych, relacyjnych i strategicznych. Dla pracowników biurowych, HR, studentów i doradców zawodowych oznacza to konieczność świadomego budowania nowych zestawów kompetencji.
Na pierwszym planie pojawiają się umiejętności określane jako AI literacy:
-
formułowanie precyzyjnych poleceń (prompting),
-
krytyczna ocena jakości wyników generowanych przez model,
-
rozumienie ograniczeń AI, w tym ryzyka halucynacji, stronniczości i błędów merytorycznych.
Drugim filarem są kompetencje analityczne i biznesowe: umiejętność mapowania procesów w firmie, dzielenia ich na etapy oraz identyfikowania tych fragmentów, które można bezpiecznie zautomatyzować. Pracownik, który potrafi „przełożyć” wiedzę o codziennych zadaniach na projekt automatyzacji z udziałem AI, staje się naturalnym kandydatem do ról typu AI project manager czy AI product owner.
Nie można też przecenić znaczenia kompetencji interpersonalnych – komunikacji, negocjacji, pracy z interesariuszami oraz zarządzania zmianą. Wdrażanie AI w organizacji to proces zarówno technologiczny, jak i społeczny: wymaga zaufania, zrozumienia obaw i umiejętności tłumaczenia złożonych decyzji technologicznych na język biznesu.
Czwarty obszar to podstawy prawa i etyki danych, szczególnie istotne dla HR i osób pracujących z danymi wrażliwymi. Znajomość regulacji dotyczących ochrony danych osobowych, niedyskryminacji algorytmicznej czy odpowiedzialności za decyzje podejmowane z udziałem AI będzie coraz częściej wymagana w ogłoszeniach o pracę.
Na przecięciu tych kompetencji pojawiają się nowe role zawodowe, takie jak:
-
AI operations specialist – odpowiedzialny za konfigurację, monitorowanie i utrzymanie systemów AI w codziennych procesach firmy;
-
AI project manager – prowadzący projekty wdrożeniowe, łączący perspektywę technologii i biznesu;
-
Trener modeli (AI trainer) – projektujący dane treningowe, procedury human feedback i procesy ciągłego doskonalenia modeli;
-
AI product owner – zarządzający rozwojem produktów cyfrowych opartych na AI;
-
Specjalista ds. automatyzacji procesów – identyfikujący możliwości zastąpienia ręcznych czynności inteligentną automatyzacją.
Co istotne, nowe role związane z AI pojawiają się także w branżach pozornie odległych od IT. Przykładem może być motoryzacja i rozwój inteligentnych kokpitów samochodowych, w których integruje się systemy konwersacyjne i asystentów kierowcy. Szczegółowo omawia to tekst CarPlay z ChatGPT i Gemini: strategiczny przełom Apple w wyścigu o inteligentny kokpit, pokazując, że potrzebni są eksperci łączący znajomość motoryzacji, UX i możliwości AI. Podobny wzorzec pojawia się w finansach, zdrowiu, edukacji czy logistyce.
Najrozsądniejsze podejście do AI to potraktowanie jej jako „egzoszkieletu poznawczego” – narzędzia wzmacniającego istniejące kompetencje. Osoba, która umie świadomie pracować z AI, pozostaje w centrum procesu decyzyjnego, ale korzysta z technologii do szybszej analizy, generowania pomysłów i ograniczania pracy rutynowej.
Praktyczne strategie przebranżowienia i podnoszenia kwalifikacji dla pracowników biurowych i studentów
Dla osób pracujących w obsłudze klienta, wprowadzaniu danych czy na stanowiskach junior developerów pytanie nie brzmi już „czy AI wpłynie na moją pracę”, lecz „jak szybko i w jakim zakresie”. Najskuteczniejszą odpowiedzią jest proaktywny plan rozwoju umiejętności na najbliższe 12–24 miesiące.
Ocena własnego ryzyka automatyzacji
Dobrym punktem wyjścia jest szczera analiza własnej roli w oparciu o kilka pytań:
-
Jaki odsetek mojej codziennej pracy stanowią zadania powtarzalne, oparte na schematach i szablonach?
-
Na ile moja praca polega na przetwarzaniu tekstu i danych przy komputerze, a na ile na bezpośredniej pracy z ludźmi twarzą w twarz lub działaniach w terenie?
-
Czy w mojej roli kluczowa jest unikalna wiedza ekspercka lub specyficzne relacje z klientami/interesariuszami, których nie da się łatwo sparametryzować?
-
Czy w mojej firmie testowane są już narzędzia AI w obszarze, którym się zajmuję?
Im większy udział zadań powtarzalnych, tekstowych i liczbowych, tym wyższe ryzyko, że będą one przedmiotem automatyzacji. Nie oznacza to konieczności zmiany branży, ale sygnalizuje potrzebę przesunięcia się w stronę zadań nadzorczych, analitycznych i projektowych.
Plan rozwoju na 12–24 miesiące
Po ocenie ryzyka warto zbudować realistyczny plan rozwoju kompetencji. Może on obejmować:
-
Konkretnie zdefiniowane cele – np. „w ciągu 18 miesięcy chcę przejść z roli pracownika wprowadzającego dane do roli specjalisty ds. raportowania i automatyzacji procesów”.
-
Wybór ścieżki szkoleniowej – kursy online z zakresu analityki danych, podstaw programowania (np. Python, SQL), projektowania procesów biznesowych czy podstaw pracy z modelami językowymi.
-
Projekty praktyczne – realizowane w pracy lub poza nią: automatyzacja wybranego raportu, stworzenie prostego bota do odpowiadania na powtarzalne pytania w dziale, przygotowanie dashboardu z kluczowymi wskaźnikami.
-
Potwierdzenie kompetencji – certyfikaty z platform e-learningowych, uczelni czy firm technologicznych (tu wybór jest szeroki – od otwartych kursów akademickich po specjalistyczne szkolenia komercyjne).
Warto korzystać zarówno z darmowych, jak i płatnych źródeł wiedzy: otwartych kursów uczelni, materiałów szkoleniowych publikowanych przez duże firmy technologiczne, webinarów branżowych czy studiów podyplomowych. Kluczowe jest jednak to, aby nauka była połączona z praktyką – nawet prostymi projektami, które można pokazać w portfolio czy omówić na rozmowie rekrutacyjnej.
Włączenie AI w codzienną pracę już teraz
Niezależnie od planów przebranżowienia warto zacząć wykorzystywać AI w obecnej roli. Przykładowo:
-
automatyzować proste raporty (np. generowanie podsumowań danych na podstawie eksportów z Excela),
-
korzystać z modeli językowych przy pisaniu maili, propozycji odpowiedzi do klientów i wewnętrznych notatek,
-
używać AI do wstępnej analizy dokumentów – umów, regulaminów, specyfikacji technicznych – i tworzenia streszczeń,
-
eksperymentować z tworzeniem prostych automatyzacji w narzędziach typu no-code/low-code, które integrują się z modelami AI.
Takie podejście pozwala nie tylko zwiększyć efektywność, ale też zbudować reputację osoby „oswojonej” z AI, która może stać się naturalnym ambasadorem zmian w zespole.
Rekomendacje dla HR i doradców zawodowych
Działy HR oraz doradcy zawodowi stoją dziś przed podwójnym wyzwaniem: z jednej strony muszą chronić zatrudnialność pracowników, z drugiej – wspierać biznes w efektywnym wykorzystaniu AI. Praktyczne podejście może opierać się na kilku krokach:
-
Identyfikacja ról o największym potencjale automatyzacji – analiza stanowisk pod kątem udziału zadań powtarzalnych, pracy z tekstem i danymi oraz możliwości „przeniesienia” ich do środowiska cyfrowego.
-
Projektowanie ścieżek przejścia – z ról operacyjnych (np. wprowadzanie danych) do ról nadzorujących AI (np. analityk jakości danych, specjalista ds. automatyzacji).
-
Budowa programów reskillingu i upskillingu – modułowe programy szkoleniowe łączące podstawy analityki, AI literacy, prawo danych oraz umiejętności miękkie.
-
Praca z menedżerami – redefinicja zakresów obowiązków tak, aby nowe narzędzia nie były postrzegane wyłącznie jako pretekst do redukcji etatów, lecz jako szansa na przesunięcie ludzi do zadań o wyższej wartości dodanej.
Bardziej zaawansowane zastosowania modeli, opisywane w tekście o Claude Sonnet 4.6 i okno 1M tokenów, wymagają już w organizacjach osób, które potrafią połączyć głęboką znajomość procesów biznesowych z umiejętnością pracy na dużych kontekstach danych. To atrakcyjny kierunek dla tych, którzy dziś wykonują pracę powtarzalną, ale znają od podszewki procesy swojej firmy.
Jak odpowiedzialnie wdrażać automatyzację: perspektywa firm, pracowników i regulatorów
Wnioski z raportu Anthropic prowadzą do ważnej konkluzji: kierunek zmian jest nieunikniony, ale ich skala i społeczny koszt zależą od sposobu wdrażania automatyzacji. Kluczowe role mają tu firmy, pracownicy oraz instytucje publiczne.
Z perspektywy przedsiębiorstw AI nie powinna być postrzegana wyłącznie jako narzędzie redukcji kosztów pracy. Modele językowe dają możliwość podniesienia jakości usług, skrócenia czasu odpowiedzi, personalizacji komunikacji z klientem czy tworzenia zupełnie nowych produktów cyfrowych. Najbardziej innowacyjne organizacje inwestują równolegle w technologię i ludzi – planując programy szkoleń, pilotaże z udziałem pracowników oraz przejrzystą komunikację o celach wdrożeń.
Dla pracowników kluczowe jest przyjęcie aktywnej postawy. Udział w projektach automatyzacyjnych, zgłaszanie pomysłów na wykorzystanie AI, testowanie narzędzi i dzielenie się wnioskami z zespołem pozwalają budować pozycję „ambasadora AI”. W dłuższej perspektywie to właśnie osoby, które potrafią łączyć perspektywę użytkownika końcowego i biznesu z rozumieniem technologii, będą najbardziej poszukiwane na rynku pracy.
Regulatorzy i instytucje publiczne stają natomiast przed zadaniem budowy ram etycznych i programów wsparcia. Obejmuje to zarówno standardy odpowiedzialnego użycia AI (przejrzystość, możliwość odwołania, zakaz dyskryminacji algorytmicznej), jak i programy dofinansowania szkoleń oraz reskillingu dla grup najbardziej narażonych na automatyzację. Dane OECD i ILO wskazują, że bez aktywnej polityki publicznej ryzyko polaryzacji rynku pracy – na wysoko wykwalifikowanych „projektantów procesów” i nisko opłacane role niepodlegające automatyzacji – będzie rosło.
Warto przy tym zachować realistyczną, ale pozbawioną katastrofizmu perspektywę. Analiza Anthropic sugeruje, że w najbliższych latach dominującym scenariuszem jest współpraca człowieka z AI, a nie pełne zastąpienie większości zawodów. Jednocześnie pojawiają się sygnały, że wejście do zawodów o wysokiej ekspozycji może być trudniejsze dla młodych pracowników – firmy wolą inwestować w automatyzację części zadań zamiast zwiększać zatrudnienie na niższych szczeblach.
Dla osób, które chcą pogłębić temat praktycznych zastosowań AI w konkretnych branżach, szczególnie wartościowe są analizy case studies, takie jak wspomniany artykuł o chatbotach human-in-the-loop czy opracowania dotyczące wykorzystania AI w motoryzacji czy zdrowiu. Pozwalają one zobaczyć, jak wygląda dobrze zaprojektowana współpraca człowieka i maszyny w rzeczywistych procesach biznesowych.
Ostatecznie najważniejszym czynnikiem odporności na wstrząsy rynku pracy będzie postawa wobec zmian. Osoby, które potraktują automatyzację jako impuls do rozwoju – do nauczenia się pracy z AI, rozwoju kompetencji analitycznych i interpersonalnych oraz przejścia z roli „wykonawcy” do roli „projektanta procesów” – zwiększą swoją atrakcyjność na rynku, niezależnie od branży. Sztuczna inteligencja nie musi być konkurentem; może stać się najważniejszym narzędziem w arsenale nowoczesnego profesjonalisty.