Po latach doszedłem do wniosku, że moja natura utrudnia mi wykonywanie zawodu. Na co dzień trudno jest połączyć ciekawość i odkrywczość z pracą Lidera. Ta rola, w wielu przypadkach, wymaga podejmowania decyzji tu i teraz, bez możliwości zadania pytania: “Co by było gdyby?”. Zazwyczaj po prostu nie ma na to czasu. Dzisiaj AI pomaga, ale też nie zawsze ułatwia to zadanie.

Powstało wiele konceptów i teorii myślenia, które próbują wytłumaczyć i zaszufladkować procesy zachodzące w naszej głowie. Wychodzę z założenia, że jeżeli chcemy wykorzystać większy potencjał i ułożyć schemat dalszego działania, to najpierw musimy zrozumieć podstawowy mechanizm i znaleźć odpowiedź na pytanie: “dlaczego to działa w taki, a nie inny sposób?”.

Jak myślimy?

Amerykański psycholog, Joy P. Guilford, badający mechanizmy stojące u podstawy ludzkiej inteligencji, wprowadził w latach 50. ubiegłego wieku istotne rozróżnienie między dwoma sposobami myślenia. Rozbieżne (dywergencyjne), to proces twórczy, polegający na oglądaniu problemu z wielu stron oraz kreowaniu wielu perspektyw i pomysłów. Wymaga pewnego rodzaju spontaniczności i pomysłowości, która prowadzi do nieoczywistych, a czasem nawet innowacyjnych rozwiązań. To ten moment, kiedy myślimy nieszablonowo i doznajemy tak zwanych przebłysków. Drugi sposób, myślenie zbieżne (konwergencyjne), to analityczne podejście do tematu. Dyktuje ono jednoznaczność, logikę i precyzję. To na tym etapie dokonujemy wyboru spośród dostępnych opcji. Ważymy, co ma szansę zadziałać, a co z góry jest skazane na porażkę. Najlepiej, gdy opieramy się wtedy na twardych danych i na tym, jak bardzo przewidywalny jest sukces. Jednak niestety, często ulegamy uprzedzeniom i błędom poznawczym (tzw. cognitive biases) - to są te momenty, w których coś wydaje nam się prawdą, ale nią nie jest.

Na co dzień, stojąc przed jakąś decyzją, szukamy w głowie analogii do sytuacji, które miały już miejsce w naszej przeszłości. Przeglądamy w pamięci znane rozwiązania, z których często szybko i bez dłuższego zastanowienia wybieramy to, które wcześniej nam zadziałało. Ten proces myślowy jest bardzo algorytmiczny i schematyczny, a taki sposób działania jest tani dla naszego mózgu. To nie lenistwo, takie mamy po prostu ustawienia fabryczne. Podejmujemy wiele powtarzalnych decyzji w trakcie dnia, więc aby oszczędzać moc obliczeniową naszego mózgu, poruszamy się po łatwo dostępnych schematach, których nauczyliśmy się wcześniejszym doświadczeniem.

Nie wszystko jednak jest jak od kalki. Zdarza się, że stajemy przed problemem, na który nie mamy zapisanego w głowie przepisu, a innym razem chcemy po prostu zmienić coś w rutynie. Wtedy sięgamy po naszą kreatywność i zdolność myślenia abstrakcyjnego. Szukamy alternatyw i generujemy mniej pasujące, ale przełamujące status quo odpowiedzi. W zależności od sytuacji i aktualnych możliwości przyjmujemy różne punkty widzenia na zadany temat. Tworzymy zestaw akceptowalnych rozwiązań w oparciu o nasze uwarunkowania społeczne, tolerancję na ryzyko, empatię, moralność i wiele innych czynników - wszystko to, co kształtuje nas przez lata, pomnożone przez aktualne miejsce, w którym siedzimy. Później weryfikujemy „na sucho” każdy scenariusz i jego przewidywany efekt, a jeżeli któryś nas przekonuje, wcielamy go w życie.

Trochę górnolotne, ale samo nasuwa się skojarzenie do słów przypisywanych Albertowi Einsteinowi: “Szaleństwem jest robić wciąż to samo i oczekiwać różnych rezultatów”. Ta popularna sentencja obrazuje problem posługiwania się tylko schematami i motywuje nas do włączenia procesu twórczego. Wskazuje, że jeżeli szukamy innych rezultatów, to trzeba znaleźć alternatywny sposób działania, a to czasem wiąże się zmianą wskaźników wpływających na nasze decyzje.

Czy używamy obu trybów, gdy chcemy coś “wymyślić”?

Tak, zazwyczaj są one nierozłączne i zamiennie korzystamy z fazy generatywnej i eksploracyjnej. Takie podejście do procesu twórczego opisuje model „Geneplore” - koncepcja opracowana przez Ronalda Finke’a, Thomasa Warda i Stevena Smitha w 1992 roku. Wyróżnia ona fazy: generatywną - gene(rative) i eksploracyjną - (ex)plore. Podczas pierwszej umysł wydobywa wiedzę z pamięci, tworzy skojarzenia i analogie, kreując surowe i abstrakcyjne struktury przedinwencyjne - często odbywa się to na poziomie nieświadomym. W drugiej fazie interpretujemy i analizujemy pomysły pod kątem użyteczności i ich znaczenia. Oceniamy hipotezy, weryfikujemy ich ograniczenia i wyciągamy wstępne wnioski. Jeżeli nie znajdziemy satysfakcjonującego rozwiązania, wracamy do poprzedniej fazy, aby zmodyfikować lub stworzyć nową strukturę myślową. Poruszamy się w pętli: wymyśl - oceń - wybierz lub wróć do kroku pierwszego.

W społeczeństwie, u osób dorosłych, dominuje myślenie zbieżne. Ucząc się, więcej myślimy abstrakcyjnie, bo dopiero poznajemy, jak coś działa, i zazwyczaj to kwestionujemy - czasem na próbę, a czasem z okazji naturalnego procesu buntu. Jednak system szkolny i reszta społeczeństwa silnie przesuwa nas w kierunku schematów, promując szukanie jedynej poprawnej odpowiedzi. Tłumi to w jakiś sposób kreatywność na rzecz uśrednienia naszego sposobu myślenia i niektórzy walczą z takim systemem, z czasem coraz bardziej wyróżniając się z tłumu. Z drugiej strony wieloletni eksperci w swojej dziedzinie rzadziej ulegają przypadkowym ideom i błądzeniu w myślach. Szybciej i z bardziej krytycznym spojrzeniem podchodzą do niesprawdzonych pomysłów, skutecznie filtrując je przed fazą głębszej eksploracji. Sprawnie dokonują ekspertyz struktur myślowych w oparciu o swoją wiedzę teoretyczną i doświadczenie.

Czy wszyscy myślimy tak samo?

Możemy mieć naturalnie wrodzoną, stałą preferencję do używania konkretnego stylu poznawczego. Według Teorii KAI (Kirton Adaption-Innovation) autorstwa Michaela Kirtona inaczej podchodzimy do rozwiązywania problemów, dzieląc się na Adaptatorów i Innowatorów. To nie jest taki sam podział jak u Joya P. Guilforda, jednak występują tu pewne analogie między modelami. Adaptatorzy działają w ustalonej, uporządkowanej strukturze, ulepszając rozwiązania wewnątrz istniejących systemów - wykazują cechy myślenia zbieżnego. Innowatorzy natomiast kwestionują istniejące mechanizmy, szukając nieszablonowych rozwiązań poza ustalonymi regułami - tak jak w przypadku myślenia rozbieżnego.

Kontrastujące dla obu teorii jest stałe osadzenie w miejscu, gdzie kwestionujemy lub akceptujemy narzuconą strukturę, która według Teorii KAI dla jednych jest bezpiecznym polem do usprawnień, a dla drugich ograniczeniem. Natomiast w procesie kreatywnym opisanym przez Guilforda obie fazy, zbieżna i rozbieżna, następują po sobie i są niepomijalne. Według badań, które przeprowadził Kirton, w społeczeństwie nie występuje zero-jedynkowy podział na Innowatorów i Adaptatorów. Większość populacji znajduje się blisko środka skali, zgodnie z rozkładem normalnym (rozkładem Gaussa). Wykazujemy bardzo małe lub umiarkowane preferencje w kierunku tylko jednej strategii myślenia. To oznacza, że gdyby opierać się na analogii między wspomnianymi teoriami, znacząca większość społeczeństwa potrafi z podobnym wysiłkiem korzystać z obu faz myślenia kreatywnego.

Opierając się na zestawieniu talentów Gallupa (CliftonStrengths), niektóre z nich wyraźnie wskazują na naturalne predyspozycje i łatwość używania jednej z faz myślenia, co w efekcie może oddalać konkretne osoby od środka statystyki rozkładu preferencji stylów poznawczych. Przykładowo: Wizjoner, Strateg i Odkrywca błyskawicznie i z łatwością syntetyzują pozornie luźne końce układanki, wygenerują trzy alternatywne rozwiązania i pięć odpowiedzi na pytanie „co by było, gdyby?”. W kontraście do tego, wysunięci na drugą stronę skali: Rozważni, Naprawiający, Analitycy, będą sprawnie dociekać konkretów, szukać dowodów, znajdować błędy logiczne oraz przestrzegać przed ryzykiem, nawołując do rozwagi. Ale pamiętajmy, że to tylko wynikająca z naturalnych talentów łatwość, a nie brak umiejętności myślenia w „tej drugiej” fazie. Mimo to obserwujemy wokół nas gawędziarzy, dla których naturalnym środowiskiem jest centrum uwagi grupy, i tych, o których wydawać by się mogło, że od dzieciństwa wybierali do zabawy abakus zamiast hulajnogi.

Statystycznie menedżer średniego szczebla spędza między 40 a 70% swojego czasu, myśląc konwergencyjnie. Na tym szczeblu generowanie pomysłów zazwyczaj jest istotne jedynie na samym początku projektu lub podczas opracowywania strategii długofalowej. Później praca staje się dużo bardziej schematyczna i liniowa. Analizują oni dostarczone przez zespół pomysły, eksplorują potencjalne rozwiązania, ważą ryzyka i podejmują decyzje. Zatem czy wrodzone „turbodoładowanie” fazy generatywnej skreśla z tego stanowiska? Nie, ale zdecydowanie nie ułatwia życia. Ważne jest zdawać sobie sprawę z tej sytuacji, zidentyfikować skłonności i narzucić ograniczenia czasowe lub ilościowe na generowanie alternatyw. Na przykład na wzór metody promowanej przez Dana Martella: „1-3-1”, czyli 1 problem, maksymalnie 3 rozwiązania, 1 rekomendacja/decyzja. Takie „skonfigurowane” myślenie poskutkuje wyjściem z fazy generatywnej ze zdecydowanie ograniczoną liczbą alternatyw do zweryfikowania. Etap preselekcji jest w tym przypadku jedynie „umiarkowanie zbieżny”, bo pozostawia nam 3 opcje na dalszy etap ostatecznej decyzji.

Dla Menedżera „Stratega-Odkrywcy” trzymanie się sztywno ograniczeń to podstawowy krok do stania się decyzyjnym i sprawczym. Tego wymagają od niego jego ludzie. Tu nie ma czasu na filozofowanie i gdybanie w nieskończoność. Wahanie się blokuje momentum i hamuje działania większego organizmu, jakim jest zespół.

Jak odblokować pętle kreatywną?

Jak widać, potrzebujemy obu mechanizmów myślenia, aby z sukcesem domknąć cykl procesu twórczego. Nawet najdłuższa faza generatywna, prawie stan marzycielstwa, wymaga na końcu przełączenia trybu i konkluzji. Inaczej może to doprowadzić do powstania mnóstwa abstrakcji, szkiców i skojarzeń, które do niczego nie prowadzą. Z drugiej strony nadmierna faza eksploracji często powoduje wyczerpanie się pomysłów do analizy i oceny. To skutkuje małą innowacyjnością lub (w najgorszym przypadku) obniżeniem wymagań co do jakości. Ważny jest odpowiedni do sytuacji i możliwości balans lub odpowiednie z góry narzucone ramy wymuszające metodyczną zmianę trybów myślenia.

Najlepsze efekty osiągamy, umiejętnie korzystając z obu etapów procesu kreatywnego. Naturalnie i podświadomie na zmianę generujemy i analizujemy powstałe pomysły. Zdarza się jednak, że nie potrafimy opuścić pętli kreatywno-decyzyjnej. Tworzymy kolejne pomysły w fazie generatywnej albo nie przepuszczamy przez nasze sito logiczno-decyzyjne żadnego z dostępnych rozwiązań. Istnieje wiele metod wyjścia z fazy „niemocy” i ruszenia z pracą dalej. Warto w swoim narzędziowniku mieć przetrenowane kilka z nich, aby móc zastosować tę właściwą do danej sytuacji.

Najprostsza i zarazem najbardziej intuicyjna metoda jest słowna. Przy pomocy z zewnątrz lub sami traktujemy się popularnymi motywatorami: „nigdy nie można być pewnym na 100%”, „nie filozofuj tyle”, „nie ma czasu na gdybanie”. Dla odwrotnej sytuacji, gdy czujemy, że my lub nasi podopieczni podchodzimy do problemu zbyt powierzchownie lub nie wyczerpano jeszcze wszystkich możliwości, sugerujemy: „zastanów się drugi raz”, „na pewno można to rozwiązać lepiej”, „postaw się w sytuacji XY”. Każdy z wymienionych zwrotów ma swoją funkcję i oddziałuje na konkretny etap procesu myślowego. Jedne obniżają lub zwiększają granice akceptowalności, a inne rozpalają lub gaszą kreatywność. O tym, jak silny wywierają wpływ, w dużej mierze decyduje pokład emocjonalny i ton, w jaki zostały „zapakowane” przed zaserwowaniem. Ważne, aby znać miejsce, w którym powstał problem, i użyć skutecznego zdania-katalizatora, dopasowanego do sytuacji i odbiorcy.

Narzucenie limitu czasowego lub ilościowego sprawdza się przy skutecznych, ale przeciągających się procesach. Pomaga to w sytuacjach, gdy brakuje czasu lub gdy trzeba ograniczyć liczbę pomysłów do dalszej analizy bądź akceptacji. Dobrze sprawdza się tutaj metoda 3/1: trzy alternatywy / jedna rekomendacja. Jest szczególnie przydatna, gdy trzeba wymyślić i wybrać rozwiązanie na więcej niż jednym poziomie decyzyjnym. W optymalny sposób przedstawia się klientowi lub przełożonemu efekt zarówno fazy generatywnej (3 pomysły), jak i eksploracyjnej (1 rekomendacja). Ta zasada jest również skuteczna jako instrukcja dla modelu AI. Programuje to każdorazowe zwrócenie szerszego kontekstu i daje możliwość wyboru bardziej dopasowanego lub indywidualnego rozwiązania, nad którym pracujemy, wspierając się LLM-em.

Dla grup, które stoją przed wspólnym kreatywnym wyzwaniem, polecam klasyka gatunku: Metodę Walta Disneya. Polega ona na podejściu do tematu z trzech perspektyw: Marzyciela, Realisty, Krytyka. Na początku dajemy ponieść się wodzom fantazji, bez oceniania i bez krytyki. Następnie wykonujemy obiektywną analizę wykonalności pomysłów - nie odrzucamy ich, tylko znajdujemy sposób realizacji. Ostatnim spojrzeniem jest perspektywa krytyczna, w której wyłapujemy zagrożenia i słabe punkty, tak aby pomysł pozostawić maksymalnie kuloodpornym. W tej metodzie idee odrzuca się na samym końcu, gdy nie da się ich obronić przed krytycznym spojrzeniem oraz gdy nie da się po raz kolejny przejść przez pętle zwrotne: do Realisty, który poprawi wymagania wskazane przez Krytyka, i do Marzyciela, który poprawi wizję, gdy Realista stwierdzi, że pomysł jest niemożliwy do zrealizowania. Dla lidera największym wyzwaniem będzie tutaj ograniczenie naturalnej chęci grupy do krytykowania dopiero co powstałych pomysłów, aby nie zabić z miejsca kreatywności mniej ekspresywnych członków zespołu.

Warto eksperymentować z tymi metodami i rozwijać je w razie potrzeb. Dobrym pomysłem będzie dołożenie do nich zmiany miejsca lub samej atmosfery, aby fizycznie rozdzielić etapy procesu. Czynniki wynikające z otoczenia, a nawet samej wygody pracy, wpływają często na emocje i sposób myślenia, dlatego ich zmiana w szczególności polecana jest w ostatniej opisanej strategii działania.

Co się dzieje między problemem a rozwiązaniem w dziale IT?

Niezaprzeczalnie trzeba wymyślić i wdrożyć działania - tutaj bez zaskoczeń. Można stosować formalne frameworki i metodologie, aby pobudzić lub uporządkować dyskusję, jednak często spotykanym sposobem, jaki wybiera się w IT, jest szybki podział na dwa etapy: „tablica”, a następnie: „zobaczmy, co z tego wyjdzie”. Pod tymi hasłami kryje się: generowanie rozwiązań na tablicy (lub kartce papieru), szybka wspólna faza weryfikacji teoretycznej, a następnie eksploracja praktyczna - potocznie zwana: „zaprogramujemy to i sprawdzimy, czy działa”. Czyli wymyśla się możliwe rozwiązania, a następnie eksperymentuje z ich działaniem do czasu, aż znajdziemy to właściwe.

Z pozoru to nielogiczne, bo dlaczego od razu nie opracować całego procesu, zanim przystąpimy do działania? Przy tak często zmieniającej się rzeczywistości i wymaganiach funkcjonalnych w świecie IT opieranie się tylko na znanych od dekad schematach byłoby ograniczające, mało innowacyjne, a często nawet niemożliwe. Zastosowanie rozwiązań sprzed roku może okazać się dużo bardziej czasochłonne i kosztowne od aktualnie dostępnych. Znaczna większość innowacji ma przecież na celu zwiększanie efektywności, skracanie żmudnych procesów i przesuwanie granicy wydajności lub bezpieczeństwa. Pamiętajmy, że wszystko powinniśmy traktować z wyczuciem. Im większe przedsięwzięcie, tym mniej należałoby brać pod uwagę tylko nowinki technologiczne. Solidne, antykruche fundamenty to podstawa do opracowania i wdrożenia niezawodnego rozwiązania, które przetrwa lata. Z inną skalą podchodzi się do startupów i wyraźnie zaplanowanych eksperymentów. W takich miejscach innowacje i nowoczesność często są właśnie kluczem do sukcesu, ale to tutaj też powinno być łatwo i tanio zrobić restart, jeżeli „nowalijka” technologiczna się nie sprawdzi.

To wszystko wygląda na bardzo niepewne i niedeterministyczne, więc nasuwa się pytanie: czy da się w ogóle w IT, zaplanować cokolwiek z góry? W zależności od inicjatywy, w jej wycenie uwzględnia się odpowiednie bufory czasowe. Jest to stały punkt programu podczas realizacji praktycznie każdego projektu. Margines na innowacje czy wykorzystanie aktualnych rozwiązań powinien być odpowiednio kontrolowany, ale nie spodziewajmy się, że będzie kiedykolwiek znacząco maleć. Dobrzy specjaliści, ciągle się rozwijają, poznają nowe narzędzia i możliwości tworzenia wydajniejszych i bezpieczniejszych aplikacji. Tu rytm wybija pędzący postęp technologiczny i zmieniające się szybko trendy.

Odpowiedź na pytanie „To w jaki sposób zaplanować?” znajduje się w metodologiach zwinnych. Stosujemy w nich iteracyjną pracę, regulującą częsty przegląd niepełnych wyników (prototypów). To umożliwia etapową weryfikację postępów prac i dostosowywanie wymagań przed zakończeniem całego przedsięwzięcia. Przy tym podejściu dopuszcza się, że finalny produkt będzie działał inaczej, niż pierwotnie zakładano - zgodnie z aktualnymi potrzebami rynku, a nie tymi z początku projektu. Tak, wymaga to ciągłego zaangażowania tych, co mają pomysł, i tych, co go realizują. I tak, przez to mamy więcej zmian wymagań między startem a końcem inicjatywy, ale dzięki temu dostajemy lepszy finalny wynik. Ta dynamika zmian pokazuje, że wzrosła również liczba procesów kreatywnych, bo każda zmiana to nowe pomysły do opracowania i zweryfikowania. Dlatego tak ważne jest zrozumienie i tworzenie odpowiedniej przestrzeni na myślenie kreatywne, ich analizę i eksperymenty.

Generative AI pomaga czy utrudnia?

Podczas aktualnie trwającej rewolucji zmianie ulega przede wszystkim czynnik czasu. Możemy dziś więcej i szybciej, a to zdecydowanie nam sprzyja przy obecnej prędkości, z jaką „kręci się” świat. Po napisaniu odpowiedniego promptu w mgnieniu oka możemy otrzymać wiele potencjalnych rozwiązań do samodzielnej oceny. Mając już listę opcji do wyboru, możemy łatwo przekazać ją modelowi AI do błyskawicznej weryfikacji i oceny „statystycznej jakości”. Automatycznie lub półautomatycznie przechodząc pętle generowania i analizy pomysłów, oszczędzamy czas - przede wszystkim na wczesnym etapie implementacji projektu.

Modele językowe doskonale radzą sobie z transkrypcją spotkań, podsumowując i punktując całą zawartą w nich narrację. Z tego miejsca odpowiednio ustawiony agent AI może automatycznie skontrolować powstałe pomysły albo wygenerować zadania dla zespołu do „ręcznej” analizy. Następnie kolejny automat AI może zebrać wyniki i opakować je w łatwo przyswajalną formę prezentacji, odpowiednią do odbiorcy i tonu narracji. Oszczędności czasowe wynikające z transformacji tekstu i zawartych w nim informacji to jedna z pierwszych korzyści, jaką zaoferowała nam nowa technologia, i również pierwsza, którą z wymiernym sukcesem zaimplementowaliśmy we flow codziennej pracy.

Jednak używając AI, możemy wpaść w podobną pułapkę jak podczas tradycyjnego korzystania z Internetu i zbytnio zaufać informacjom, które otrzymamy w odpowiedzi na szukane lub zadane pytanie. Przez sposób, w jaki skonstruowane są „rozmowy” z modelami językowymi, przypisujemy im ludzkie cechy eksperta, zwyczajnie ulegając pewności siebie, z jaką nam odpisują. Kiedyś mówiono: „nie ufaj otwartym encyklopediom, bo nie wiadomo, kto tam pisze artykuły”. Jeszcze wczoraj ostrzegano przed fałszywymi autorytetami w mediach społecznościowych. Dzisiaj podobna narracja dotyczy AI, bo „nie wiadomo, kto i czego je uczy i czy przypadkiem nie halucynują?”. Wiele osób nauczyło się w końcu weryfikować internetowe rewelacje oraz trafnie oceniać ich spójność i jakość. Dlatego pomimo presji czasu i natłoku informacji ważne jest, aby zachować samodyscyplinę i zawsze zapewnić przestrzeń na potwierdzenie wszystkich odpowiedzi wygenerowanych przez LLM-y.

To czemu AI nas jeszcze nie zastąpiła?

Możemy dzisiaj „wrzucić hasło do AI”, a ta „automagicznie” wygeneruje nam rozwiązanie problemu, a nawet cały, lepiej lub gorzej działający mini-projekt. To nie jest już tylko teoria, ale fakt i wiele osób w fazie pierwszej ekscytacji zaczyna już zacierać ręce nad Excelem zawierającym sumy zysków i wydatków. Ostudzę jednak emocje, bo tu zaczynają się schody. LLM-y i opierający się na nich agenci AI imponują swoimi „umiejętnościami”, ale to, co generują po podaniu tylko „hasła”, jest co najwyżej przeciętnej jakości. Bez wątpienia działają szybciej niż korzystanie z wyszukiwarki internetowej czy też błądzenie po stronach internetowych i ręczne przeglądanie postów na social mediach. Bardzo skutecznie, ale z różnym poziomem aktualności, syntetyzują za nas ogrom informacji i formatują wyniki w zadanej przez nas w prompcie formie. Jeżeli akurat nie halucynują - co jest akurat winą algorytmu, na jakim działają - to podają odpowiedzi poprawnie, w większości przypadków wystarczające, jednak wciąż przeciętne, statystycznie „nudne”. To nie jest duży problem, o ile o tym wiemy i świadomie ich używamy.

Modele językowe budują odpowiedzi na tym, co wcześniej poznały i co jest statystycznie poprawne. Ich budowanie (uczenie) składa się z kilku etapów. Najpierw zbiera się ogromne ilości danych, na przykład: tekstów, książek, artykułów, infografik czy kodu źródłowego aplikacji. Te kolekcje przetwarza się w odpowiedni sposób, który dzieli informacje na części, po czym analizuje i zapisuje występujące między nimi zależności. Buduje się mapę prawdopodobieństw występowania po sobie (w sekwencjach) fragmentów wcześniej pozyskanych informacji. Następnie na mniejszych, specyficznych zestawach danych wzmacnia się te połączenia, aby wyspecjalizować model w konkretnej dziedzinie. Tak przygotowany LLM lepiej spełnia konkretne oczekiwania jego twórcy i użytkowników końcowych.

To tutaj pojawia się największe na obecną chwilę ograniczenie tych narzędzi. Modele AI nie myślą przyczynowo-skutkowo (jeżeli to, to tamto), tylko przewidują najbardziej prawdopodobną sekwencję i kontynuację układanki, którą zapoczątkował użytkownik. Aby to obrazowo przedstawić: algorytm w zaprogramowany sposób nawiguje po ogromnej, wielowymiarowej chmurze zależności między informacjami, wybierając najbardziej oczekiwane i poprawne statystycznie odpowiedzi. Użytkownik, promptując model, zawęża tylko liczbę połączeń, z których algorytm korzysta, aby obliczyć „najlepszą” odpowiedź. Należy ponownie podkreślić, że „najlepsze” określane jest statystycznie na etapie uczenia i zależy od danych, na których LLM się uczył.

Odpowiednio ustawiając działanie algorytmu modelu, można wpłynąć na determinizm odpowiedzi i zasadę „dawaj tylko najlepsze statystycznie odpowiedzi”. Można tak „nakierować” LLM, aby bardziej zadowalająco spełniał nasze oczekiwania, odpowiednio nadając mu kontekst, pisząc właściwie skonstruowany prompt, definiując rolę, w jakiej ma działać, oraz podając mu adekwatny do problemu zbiór danych wsadowych. Jak widać, mimo całej tej niezaprzeczalnej przełomowości trzeba dodatkowych umiejętności, aby wykorzystać potencjał narzędzia i otrzymać coś więcej niż przeciętność. W pracy odtwórczej to może wystarczyć, ale podczas pracy kreatywnej jest co najwyżej wsparciem w procesie lub otwarciem oczu na pozostałe opcje, wcześniej ukryte za czasochłonnością potrzebną na ich zebranie.

Wnioski

Gdy zrozumiemy mechanizmy stojące za procesami myślenia kreatywnego i zauważymy różne predyspozycje czy łatwość, z jaką niektórzy działają na konkretnych etapach procesu, to odkryjemy, że nie istnieje żaden złoty klucz, który otwiera wszystkie drzwi do sukcesu. Kiedy dodamy do tego niezatrzymywalną ewolucję naszego środowiska pracy, to wyliczymy, jak nieodpowiedzialne jest nieumiejętne chodzenie na skróty, dyktowane przez entuzjastów na pierwszym etapie cyklu opisanego przez efekt Dunninga-Krugera (tych, którzy nie wiedzą, jak dużo jeszcze nie wiedzą). Nie można się wzbraniać i ignorować postępu, ale należy akceptować sposób działania i ograniczenia, które mogą obniżyć jakość rozwiązań, jakie produkujemy.

Trzecie prawo sformułowane przez Arthura C. Clarke’a, pisarza sci-fi, mówi, że „Każda wystarczająco zaawansowana technologia jest nieodróżnialna od magii”. Właśnie dlatego, że to nie magia, a po prostu kolejna, bardziej zaawansowana technologia, powinniśmy poznać jej mechanizm działania i wykorzystać ją odpowiednio. Już teraz przestajemy być wykonawcami, a zaczynamy być architektami ograniczeń i to od nas zależy, jak dużo naszej pracy oddamy modelom AI. Optymalizacja, w szczególności procesów kreatywnych, jest niezwykle złożona i wymaga w wielu miejscach naszej niepoliczalnej intuicji, a niekiedy nawet skłonności do podejmowania ryzykownych, często nieodwracalnych w skutkach decyzji. Takie zachowania leżą poza środkiem rozkładu normalnego i nie są ani statystycznie najpopularniejsze, ani nie są zawsze gwarancją sukcesu, jednak to one powodują przełomy i unikalność. Aktualny hype i nasze błędy poznawcze uformowały już tak ogromną kulę śnieżną popularności AI, że należałoby dać jej się trochę rozpuścić i, paradoksalnie, z chłodnym umysłem zagospodarować odpowiednią przestrzeń dla tych narzędzi. Podkreślam słowo: narzędzi.

Tworzą się nowe możliwości do pracy z naszymi naturalnymi skłonnościami i ograniczeniami. Możemy już nie tylko wspierać się samodyscypliną, ale również odpowiednio skonfigurowaną sztuczną warstwą, wspierającą przełamywanie trudności. Mamy przed sobą nową szansę na szybszy i większy sukces na tym polu, o ile nie ulegniemy wygodzie na każdym etapie procesu kreatywnego i połączymy rozsądnie mechanizmy działania - te naturalne i cyfrowe.

---

Paweł Nejczew