Відкриваємо для себе старі добрі навички делегування
Нещодавно я натрапив на методи складання підказок для ChatGPT від Microsoft. І знаєте що? Вони підозріло нагадали мені щось, з чим я був дуже добре знайомий. Це трохи іронічно, що людям довелося винайти штучний інтелект лише щоб із його допомогою опанувати одну з найбільш людських навичок, які лише можна уявити.
Отже, делегування — це таке собі мистецтво “складання підказок” для людей, які допомагають вам виконати роботу чиїмись руками. Що краще ви опишете завдання, то швидшим і якіснішим буде результат. І навпаки — як у відомому англійському прислів’ї:
Сміття на вході, сміття на виході
Я вважаю, що ChatGPT та інші великі мовні моделі (large language model, або LLM), окрім своєї основної ролі цифрових помічників, також є хорошим способом тренування навичок делегування без ризику образити членів вашої команди. Хоча менеджмент існує вже десятки років, від нього ніхто так не скаженіє, як від штучного інтелекту. Можливо, саме тому делегування роботи іншим людям здається тягарем, і не всім вистачає терпіння робити це правильно.
Давати завдання штучному інтелекту набагато цікавіше, ніж працювати з іншими людьми. Подивімося, наскільки ж сильно методи делегування в менеджменті схожі на написання підказок у ChatGPT.
Надайте контекст
Контекст підвищує релевантність результату. Ваші підлеглі можуть вирішити робити абсолютно різні речі залежно від того, чим ви поділилися з ними перед виконанням завдання. Так само і з ChatGPT: наприклад, ви просите його згенерувати сценарій користування застосунком для купівлі квитків, щоб не писати все з нуля самому, але на виході отримуєте загальний список кроків, які не мають стосунку до вашої ситуації. Але якщо ви розширите запит і вкажете цільовий ринок, опишете персону користувача і зазначите мобільну платформу, то результат буде набагато якіснішим.
Встановіть проміжні цілі
Існує тисяча способів виконати будь-яке завдання. Досвідчені члени команди (а також штучний інтелект «людського рівня», який поки що не існує), ймовірно, не потребуватимуть детальних вказівок. Але можливості сучасних LLM радше схожі на навички початківців, отже, потребують покрокового скеровування та низки контрольних точок. Ось чому замість того, щоб дати завдання на тиждень, ви розділите його на 5 частин і будете інструктувати колегу щодня вранці. А як щодо ChatGPT? Те ж саме: спочатку ви просите його щось знайти, потім відфільтрувати або посортувати інформацію, потім скласти щось на її основі.
Охарактеризуйте очікуваний результат
Ідеального результату не існує; це завжди компроміс між низкою суперечливих характеристик. Вам потрібен швидкий результат чи відшліфований? Він має бути стратегічним чи тактичним? Може, і те, і те потроху? Ось чому й у менеджменті, і в співпраці з ChatGPT потрібно не лише чітко сформулювати результат, але й визначити його якісні характеристики, тобто наскільки гнучким, масштабованим, детальним, глибоким, структурованим, обґрунтованим тощо він має бути.
Наведіть приклади
Один приклад вартий тисячі технічних вимог. Коли я хотів, щоб ChatGPT згенерував для мене деякі специфічні кейси, то вони спершу не відповідали очікуваній структурі, тому я надав йому зворотний зв’язок про згенеровані кейси, вказуючи, які з них були доречними, а які ні, і чому. Так само й в управлінні людьми: ви не задля розваги хочете перевірити проміжні результати членів команди, а щоб забезпечити зворотний зв’язок на ранній стадії процесу й уникнути марних зусиль людей. Або ж ви надаєте ці приклади заздалегідь, аби ваш підлеглий міг «вкрасти як дизайнер» і витратити менше часу на виконання завдання.
Підсумок
Делегування — інвестиція зусиль; саме тому багато людей вважають за краще виконувати завдання самостійно, оскільки це нібито буде «швидше», ніж «три години пояснювати» його іншим. Але такий спосіб погано масштабується. Сподіваюся, на хвилі захоплення штучним інтелектом ми почнемо приділяти більше уваги не лише тому, щоб давати завдання машинам, а й тому, щоби правильно делегувати роботу людям.
