Le débat sur l’avenir du travail pose un problème de données probantes

Les chiffres ne manquent pas sur la quantité de travail que les agents vont absorber. Il y a une pénurie considérable de chiffres provenant de l’observation des agents en train de travailler.

Cet écart n'est pas un accident. Observer l'adoption réelle est lent, compliqué et spécifique à l'organisation, tandis que produire une estimation de l'exposition prend un après-midi et une taxonomie des tâches. Les estimations sont donc arrivées en premier, et elles circulent depuis avec une précision jamais atteinte.

Ce que mesurent réellement les estimations

La méthode habituelle prend une profession, la décompose en tâches, juge quelles tâches un modèle pourrait vraisemblablement accomplir et rapporte la proportion. C'est une méthode raisonnable pour ce qu'elle est. Le problème, c’est ce qui se passe lors de la traduction.

Une tâche dans une taxonomie est une unité propre. Une tâche dans un emploi est intégrée dans un contexte que la taxonomie a écarté : à qui vous devez demander en premier, quelle exception s'applique ce trimestre, ce que le client a dit au téléphone qui n'a jamais été enregistré. Un agent capable d'exécuter la version taxonomique n'a pas nécessairement touché à la version réelle.

Ainsi, un score d'exposition est une déclaration sur les tâches telles que décrites. Il est couramment lu comme une déclaration sur les travaux effectués, et ce sont des affirmations différentes.

La partie qui est laissée de côté

Dans les organisations avec lesquelles nous travaillons, la plus grande part de l’effort ne concerne pas la tâche accomplie par l’agent. C'est tout ce qui l'entoure.

Décider quel travail peut être confié en toute sécurité. Déterminer à qui appartient l'agent. Définir à quoi ressemble un bon résultat avec suffisamment de précision pour le noter. Construire l’étape de révision. Remarquant, trois semaines plus tard, que l'agent faisait discrètement quelque chose de presque correct.

Rien de tout cela n’apparaît dans une estimation de l’exposition, et tout cela détermine si l’exposition se transforme un jour en quelque chose. C’est pourquoi les courbes d’adoption ne ressemblent en rien aux prévisions : le goulot d’étranglement n’a jamais été la capacité du modèle.

Ce que nous mesurerions à la place

Il est plus difficile et moins facile de mesurer honnêtement l’adoption des agents, mais c’est possible. Cela ressemble à ceci.

• Suivez les résultats, pas les capacités. Non pas "un agent pourrait-il faire cela" mais "en a fait un et le résultat a-t-il été accepté sans retouche".
• Comptez la critique. Si un humain lit attentivement chaque résultat, l’œuvre se déplace plutôt que disparaît. C’est encore un changement, mais c’est différent.
• Suivez les orphelins. Les agents qui fonctionnent pendant des mois après la fin de leur mission représentent un coût réel et un signal en matière de gouvernance.
• Mesurez par agent et non par organisation. Les chiffres globaux cachent le fait que deux agents sur quarante effectuent généralement l’essentiel du travail utile.
• Signalez les échecs. Les études sur l’adoption qui ne comptent que les succès décrivent un monde dans lequel personne ne travaille.

Pourquoi cela est important au-delà de la précision

Les mauvaises estimations ne sont pas seulement fausses, elles coûtent cher. Une équipe de direction qui estime que soixante pour cent d’une fonction est automatisable planifiera cela et passera ensuite un an à découvrir la différence entre une tâche et un travail. Une équipe qui croit que rien n’est automatisable passera à côté des cas précis où les agents suppriment véritablement des heures d’une semaine.

Les deux erreurs viennent du même endroit : un nombre qui semblait suffisamment spécifique pour être planifié, produit par une méthode qui n’a jamais été capable d’avoir cette spécificité.

Ce que nous faisons à ce sujet

Yaju Labs étudie comment les organisations créent, utilisent, gèrent et améliorent réellement les agents, ce qui signifie surveiller la couche opérationnelle que les estimations d'exposition ignorent. Nous publions ce que nous trouvons, y compris les parties qui ne soutiennent pas un récit clair.

C’est un travail plus lent que de produire une autre prévision. Cela présente également l’avantage de décrire quelque chose qui s’est produit.

Suivant

Les pages sur l'avenir du travail couvrent les quatre domaines que nous étudions et pourquoi l'écart entre la création d'un agent et son exploitation est le véritable sujet. Si vous souhaitez participer à ce travail plutôt que d'en lire davantage, l'Open Development Community est libre d'y adhérer.