admin 
Praėjusią savaitę Ann Handley „LinkedIn“ paskelbė tai, kas sustabdė mane slinkimo viduryje. Ji yra „Wall Street Journal“ bestselerių autorė ir viena gerbiamiausių rinkodaros balsų ir rašė:
„AI raštingumas nėra greitas raštingumas. Tai yra sprendimų raštingumas.”
Jos įraše buvo užduotas klausimas, kurio, atrodo, niekas AI mokymo pramonės atstovų neužduoda: „Kodėl mes nuolat mokome žmones naudotis AI – nemokydami jų, kada ne?
Parašiau jai žinutę. Turėjau žinoti, kur kas nors eis, kad to išmoktų.
Jos nuoširdus atsakymas: „Nežinau kurso, kuriame būtų mokoma tik to. MarketingProfs mūsų sesijose apie AI paprastai yra keletas skaidrių, kuriose kalbama apie tai, kada nenaudoti dirbtinio intelekto arba kaip apsisaugoti nuo haliucinacijų, bet aš nežinau visos sesijos ar serijos.
Ji pridūrė: „Manau, kad tai iš tikrųjų yra istorija ir kodėl aš parašiau tai, ką parašiau. Mes turime visą pramonę, kuri remiasi dirbtinio intelekto įgūdžių mokymu – greitos inžinerinės stovyklos, sertifikavimo programos, įrankių vadovėliai, milijonas „LinkedIn“ įrašų apie puikius raginimus, kuriuos reikia padaryti tą ar aną, kitaip atsiliekate. Neturime nieko, kas klausia: kada turėtum atiduoti įrankį? aukštyn?”
Šis atotrūkis yra tikras ir yra svarbesnis, nei šiuo metu pripažįsta AI mokymo pramonė.
Greitas raštingumas trunka popietę. Sprendimo raštingumas trunka metų
Skirtumas, kurį Ann atkreipia, nėra subtilus, kai tik tai pamačius. Greito raštingumo išmokstama per popietę. Išmoksite sintaksę, struktūrą, kartotinį tobulinimo kilpą. Jūs išmoksite būti konkretūs, pridėti apribojimų, nurodyti modeliui, ko nedaryti ir ką daryti. Tai tikrai naudinga ir tikrai greitai išmokstama.
Vertinimo raštingumas yra visai kas kita. Tai žinojimas, kada AI išvesties greitis iš tikrųjų mažina tai, ką reikėjo sukurti lėtai. Tai atpažinimas, kada pati kova yra taškas, kai trintis, kai dar nežinote atsakymo, sukuria patirtį, kuri bus svarbi vėliau. Tai yra supratimas, kaip pasakė Ann, „kada AI padeda ir kada jis užkerta kelią pačiai kovai, kuri mus kažko išmoko“.
Vienas jos įrašo komentatorius tiksliai pasakė:
„Labaus raštingumo išmokstama per popietę, o spręsti užtrunka ne vienerius metus, nes sprendimas dažniausiai yra žinojimas apie kovos, kurią praleisite, vertę.
Keletą metų vedu internetinį kursą apie AI turinį, kuriuo auditorija iš tikrųjų pasitiki. Pastaruosius mėnesius praleidau analizuodamas, ką AI mokymo aplinka iš tikrųjų siūlo praktikams. Modelis yra nuoseklus. Egzistuojantys kursai (o dabar jų yra daug) moko, ką gali padaryti įrankiai. Geresni moko jus, kaip juos strategiškai panaudoti. Beveik nė vienas iš jų nemoko, kada juos padėti.
Tai nėra maža spraga mokymo programoje. Tai yra pagrindinis dabartinio momento klausimas.
Kodėl egzistuoja spraga
AI mokymo pramonė turi struktūrinių paskatų problemą. Kursai, kuriuose mokoma naudotis įrankiais, skatina daugiau įrankių, kursų ir sertifikatų. Nėra verslo modelio, kaip mokyti santūrumo. Niekas nekuria greitos inžinerinės stovyklos, kurios pagrindinė pamoka yra „kartais nedaryti“.
Tačiau sprendimo klausimo praleidimo kaina yra reali ir išmatuojama. Pačios Anthropic tyrimas parodė, kad jaunesnieji inžinieriai, kurie labai rėmėsi dirbtinio intelekto kodavimo agentais, vėliau išbandę savo darbą pademonstravo silpnesnį supratimą apie savo darbą. Kai įrankis davė produkciją, jų kova, kuri būtų sukaupusi patirtį, neįvyko. Rezultatas ir patirtis nėra tas pats dalykas.
Konkrečiai SEO specialistams ir turinio rinkodaros specialistams parodymas yra tiesioginis. MIT AI darbo poveikio žemėlapyje, apie kurį rašiau praėjusią savaitę, nustatyta, kad beveik trys ketvirtadaliai laiko, kurį rinkodaros specialistas praleidžia darbe, atlieka užduotis, kurias dirbtinis intelektas jau gali atlikti. Klausimas nėra, ar naudoti AI šioms užduotims atlikti. Daugeliui iš jų turėtumėte. Kyla klausimas, kurios užduotys iš tų 74 % iš tikrųjų yra tos, kurių atlikimas yra mokymasis, o vykdymo perdavimas iš išorės perkelia ir supratimą, kurio reikėjo sukurti.
Šis klausimas reikalauja sprendimo. Į jį negalima atsakyti raginimu.
Kultūra, o ne kursiniai darbai
Kai aš paklausiau Ann, kur praktikai turėtų kreiptis, kad parengtų šį sprendimą, antroji jos žinutė visiškai pakeitė klausimą.
„Ar mums iš tikrųjų reikia kurso? Vietoje to mums reikia leidimo ir geresnio modeliavimo. Lyderiai, kurie matomai pasirenka ilgą kelią. Vadovai, kurie garsiai sako, kad neketina naudoti AI tam tikriems dalykams, ir štai kodėl. Asmenys, kurie mato vertę. Sakė kitas būdas: kultūra, o ne kursiniai darbai.”
Prie šio kadro verta sėdėti. Sprendimas, kada nenaudoti AI, nėra įgūdis, perduodamas per sertifikatų programą. Tai profesinė norma, kuri perduodama stebint, stebint, kaip kažkas, kurį gerbiate, sąmoningai pasirenka ką nors daryti lėtai, tamsoje besiblaškydamas, o tada paaiškindamas, kodėl.
2027 m. vasario mėn. Ann išleido knygą „Penguin Random House“, pavadintą „ASAP (kuo lėčiau): kada imtis ilgo kelio trumpajame pasaulyje“. Pavadinimas tiksliai atspindi įtampą. Profesionalioje kultūroje, kurioje greitis tapo pagrindine dorybe, lėtumo pasirinkimas reikalauja ne tik sprendimo, bet ir drąsos: noras būti matomam užtrunka ilgiau, kai visi aplinkui įsibėgėja.
Ką praktikai gali išbandyti dabar
Annos nuomonė apie kultūrą, o ne apie kursinius darbus, ilgainiui yra teisinga. Tačiau kol ta kultūra dar tik formuojasi, praktikams reikia kažko konkretaus. Štai darbo eiga, kurią verta pakartoti, sudaryta iš eksperimento, kurį 2025 m. lapkritį vykdžiau su „The Acton Exchange“, ne pelno siekiančio bendruomenės laikraščio Aktono mieste, Masačusetso valstijoje, redakcija.
Komanda susidūrė su termino problema. Iniciatyvinis komitetas ką tik surengė trijų valandų darbo sesiją svarbiu mokyklos rajono reorganizavimo klausimu, peržiūrėdamas 156 puslapius medžiagos. Susitikimas nebuvo įrašytas, o tai reiškia, kad jo stenograma nebuvo. Tačiau 101 puslapis papildomos informacijos ir 55 puslapiai viešų komentarų, kuriuos komitetas gavo anksčiau laiko, buvo prieinami.
Taigi, komanda išbandė kažką naujo. Sukūrėme išsamų raginimą, nurodantį, ką straipsnyje reikia atlikti: tikslią ir patikimą informaciją, įtikinamą istoriją, aktualią gyventojams. Visus 156 puslapius įkėlėme į keturis AI variklius vienu metu: ChatGPT, Gemini, Perplexity ir NotebookLM. Kiekvienas variklis pasirinko skirtingą maršrutą iš to paties raginimo ir tos pačios žaliavos. „ChatGPT“ sukūrė 748 žodžius, skirtus duomenims ir procesui. Dvyniai sukūrė 712 žodžių, skirtų išsiaiškinti, kodėl status quo nebegalioja. Perplexity sukūrė 1 232 žodžius, skirtus gyventojams. NotebookLM sukūrė 1506 žodžius, suskirstytus į penkias stebinančias tiesas.
Visus keturis juodraščius kartu peržiūrėjome visų rankų redakciniame posėdyje. „Perplexity“ projektas buvo pats tiksliausias ir naudingiausias kaip pagrindas. Mes pasirinkome jį kaip atspirties tašką. Tada padarėme tai, ko negalėjo padaryti joks dirbtinio intelekto variklis: įtraukėme tiesiogines kambaryje buvusių žmonių citatas, atspindinčias bendruomenės balsus, kuriems atstovauja Acton Exchange.
Pagrindinė šio eksperimento pamoka nėra ta, kuris variklis veikė geriausiai. Tai, ką procesas atskleidė apie teismą. Miesto vadovas Johnas Mangiaratti prieš kelias savaites pastebėjo, kad įrankiai buvo naudingi pirmiesiems 75 % turinio, tačiau „likusieji 25 % detalių, niuansų ir konteksto arba trūksta, arba yra neteisingi“. Prižiūrėtojas Peteris Light'as sutiko ir pridūrė, kad kokybė gerėja dėl geresnių įvesties raginimų.
Šis 75/25 padalijimas yra praktiškas bet kokios turinio darbo eigos rėmas. Naudokite AI, kad greitai pasiektumėte 75 % kelio. Tada pritaikykite žmogiškąsias žinias, pirminio šaltinio patikrinimą ir tiesioginį stebėjimą, kad pašalintumėte spragą. 25 %, kuriems reikia žmogaus, nėra darbo eigos klaida. Čia gyvena nuosprendis.
Prieš naudodami bet kurį AI įrankį savo turinio procese, aiškiai pasikalbėkite su redaktoriumi ar komanda, kokias užduotis atliks dirbtinis intelektas ir kurioms reikia žmogaus priežiūros. Dokumentuokite savo raginimą. Paleiskite tą patį raginimą per daugiau nei vieną variklį, kai statymas yra didelis. Prieš paskelbdami patikrinkite rezultatus pagal pirminius šaltinius. Ir atskleiskite savo procesą savo auditorijai, kaip tai padarė Acton Exchange šio paskelbto straipsnio pradžioje.
Ann Handley teisi, kad tikrasis įgūdis yra sprendimas: žinoti, kada greitis yra naudingas, o kada jis iš tikrųjų sugriauna tai, ką reikėjo sukurti. Acton Exchange eksperimentas šio klausimo neišsprendė. Tai padarė šį klausimą matomą taip, kaip niekada nepadarytų greitas inžinerijos kursas.
Greitas raštingumas leidžia pasiekti 75 proc. Teisingumo raštingumas yra tai, kas užbaigia likusį.
Daugiau išteklių
Teminis vaizdas: Yuriy2012/Shutterstock
