Představte si běžnou scénu. Na LinkedInu se šíří post, že home office „podle studie z Harvardu“ ničí produktivitu. Někdo se zeptá na zdroj, autor na něj odkáže a tím to často končí. Odkaz na Harvard nebo „meta-analýzu“ často funguje jako statusový signaling.
Post vyvolá dojem racionality autora příspěvku, aniž by se kdokoli ptal na metodologii daného výzkumu, velikost efektu, složení vzorku nebo přenositelnost zjištění mimo jednu firmu. Hlavně ať graf vypadá chytře, zbytek dohraje logo. Studie se tak mění ve společenskou měnu, která legitimizuje už hotový názor. A nakonec se ukáže, že většina, která sdílí popularizační článek v Harvard Business Review, samotnou studii nikdy neotevřela. Mimochodem, Harvard Business Review je popularizační magazín, nikoli recenzovaná vědecká studie z Harvard University.
Jak je to s home officem doopravdy
Ve skutečnosti nejsou data o home office černobílá. Metanalýzy naznačují dvojí efekt, více práce na dálku zvyšuje výkon přes větší autonomii, zároveň ho může snižovat přes izolaci a složitější koordinaci. V průměru tak vychází dopad home office na produktivitu malý až nulový; plně remote může být u některých rolí spíše negativní, kdežto hybrid obvykle drží srovnatelný výkon a zlepšuje retenci. Právě tahle „nevábná“ nuance, že záleží na intenzitě a podmínkách, ne na jednoduchém ano/ne, se sdílí hůř než ostré teze. V praxi začíná vítězit hlavně to, jak něco zní, ne obsah sdělení.
Když forma přebije obsah
Tuhle logiku posiluje především forma. Když text zní odborně, používá terminologii a působí učenecky, ochotně mu přisoudíme větší důvěryhodnost, než si zaslouží. Připomněl to i projekt Grievance Studies. Autoři záměrně napsali absurdní články – například „analýzu“ toho, že psi na psích hřištích reprodukují patriarchální vzorce znásilnění, a přesto je protlačili do seriózně vyhlížejících akademických časopisů, protože vypadaly dostatečně vědecky. V akademii tak někdy vítězí forma nad obsahem; v byznysu, kde není čas pitvat design studií a kvalitu dat, je tahle tendence ještě silnější. Přesvědčivé grafy a líbivé obraty se pak stávají legitimací rozhodnutí, která už dávno padla, místo aby sloužily jako jejich kritický podklad.
Sociální sítě mezitím proměnily otázku „Zdroj?“ v moderní zaklínadlo. Působí to jako známka kritického myšlení, jenže bez základní metodologické gramotnosti zůstává odkaz především symbolem. Neptáme se, jak velký je efekt a jestli je prakticky významný. Nezajímá nás, v jakém kontextu se výsledky studií mohou prokázat v praxi a naopak za jakých podmínek se akademický efekt rozpadne v komplexitě pracovního prostředí. Chybí nám návyky, které by ze zdroje udělaly začátek debaty místo jejího konce.
LLM v tom dělají ještě větší guláš
Do téhle situace vstupují velké jazykové modely. ChatGPT a jemu podobné nástroje urychlily přístup k informacím a sjednaly jim uhlazenou, sebejistou podobu. Odpověď přijde během vteřin, plynulá a přesvědčivá. Zároveň však nejde o výzkumníka, který by posoudil smysluplnost otázky, kvalitu důkazů nebo vhodnost metody. Model reaguje na to, jak byl dotázán, a opírá se o pravděpodobnostní vzorce. Pokud položíme vágní, sugestivní nebo zavádějící otázku, získáme výstup, který především dobře zní. Tím se rodí iluze kompetence. Čím ucelenější a elegantnější odpověď působí, tím víc jí věříme, i když stojí na špatných základech.
Psychologie k tomu dodává vysvětlení, které je v manažerské praxi obzvlášť užitečné. Naše očekávání ovlivňují, co v informacích vidíme a co přehlížíme. Motivovaná kognice vede k tomu, že snáze přijmeme tvrzení, která potvrzují náš předběžný názor, a přísněji hodnotíme vše, co se do něj nehodí. Velké jazykové modely tuto tendenci nenápadně posilují. Přijmou rámec, který jim dáme v otázce, a vrátí jej uhlazeným jazykem, často se zvýšenou jistotou vyjádření. Tím se spouští procedurální smyčka: zadáme otázku s určitým očekáváním, dostaneme odpověď, která toto očekávání posílí, a příště klademe ještě užší a méně zpochybňující otázky. Jistota roste rychleji než porozumění.
Stejný model, jiné rámování, jiné rozhodnutí
Představme si výběr kandidáta do týmu. Pokud položíme otázku ve stylu: Najdi rizika kandidáta X, model nabídne seznam slabin a tým se v závěru snadno utvrdí. Přepíšeme-li zadání tak, aby výslovně požadovalo vyvážené posouzení a uvedení podmínek, za nichž by závěr neplatil, výrazně se sníží jednostrannost a roste kvalita argumentace. Stejný model, jiné rámování, jiné rozhodnutí. Nebo zvažme fluktuaci zaměstnanců. V rychlém narativu ji připsat mzdám dává smysl. Jakmile však rozšíříme datový obraz o onboarding, vedení, jasnost rolí a pracovní zátěž, a vyzkoušíme malé experimenty, často se ukáže, že klíčovou roli hraje něco méně viditelného než tabulka odměn.
Co se dobře vypráví, nebývá přesné
Příkladem je fenomén Dunning–Kruger: lidem s nízkou úrovní dovednosti chybí právě ty znalosti, které by potřebovali k realistickému odhadu vlastního výkonu, a proto mají tendenci si myslet, že jsou lepší, než ve skutečnosti jsou. Tohle se přímo nabízí jako meta-vysvětlení i našeho tématu: možná i proto manažeři někdy sdílí „studie“, jimž nerozumí – kdo nevidí vlastní limity, snáz sáhne po cizí autoritě a získá levný signál kompetence. Je to ale jen jedna z populárních zkratek, které se používají v mnoha různých situacích, a právě proto je dobré s ní zacházet opatrně. Zní to trefně, každý kolem sebe máme nějakého takového přehnaně sebevědomého „blbce“, ale takhle jednoduše to bohužel neplatí. Efekt má své historické problémy v tom, jak byl původně měřen a vykládán, a současná data naznačují, že jev je menší, než se často tvrdí. Přesto se tento výklad na sociálních sítích šíří, protože je líbivý, snadno se vypráví a dobře se sdílí. Realita je složitější a naše hlava má sklony hledat příběhy, ve kterých vycházíme chytřejší než ostatní.
Co s tím může udělat organizace, která se nechce spokojit s hezky znějícími tvrzeními? Prvním krokem je vrátit se k otázce. Místo hledání studie, která nám dá za pravdu, si ujasnit, co přesně chceme rozhodnout a jaké zjištění by nás přimělo změnit názor. Druhým krokem je rozlišit vzorce od příčin a zvyknout si na kontrafaktuální myšlení: co by muselo být jiné, aby náš výklad neplatil. Třetím krokem je práce s dotazem pro LLM. Vyplatí se zadat několik variant včetně té, která hledá protiargumenty, a vždy si vyžádat limity, předpoklady a odhad velikosti efektu. Čtvrtým krokem je triangulace. Model je jen jedna perspektiva. Doplněte ji interními daty a rozhovory s lidmi, jichž se rozhodnutí týká. A pátým krokem je pilotování. Malý, měřitelný test před plošnou změnou šetří peníze i reputaci a pomáhá budovat kulturu, v níž je normální přiznat omyl a poučit se z něj.
Věda i umělá inteligence nejsou kouzelná slova, která promění názor v pravdu. Jsou to nástroje, které mohou velmi pomoci, pokud s nimi zacházíme kriticky a s pokorou. V době, kdy se informace šíří rychleji než kdykoli dřív, bude konkurenční výhodou hloubka porozumění, schopnost položit dobrou otázku, pracovat s limity a ověřovat závěry v malém, než je zavedeme ve velkém. Hezky znějící sebevědomé teze jsou možná dobrý marketing, ale dobrá práce a správná rozhodnutí často chtějí čas.
Autorka: Nikola Frollová
Příspěvky z rubriky Názory nijak nevyjadřují názory a postoje redakce.
Nikola Frollová je behaviorální vědkyně a psycholožka, působí na Vysoké škole ekonomické v Praze. Zaměřuje se na nepoctivé chování, normy a přeceňování vlastních schopností. Zkušenosti sbírá jak v akademickém prostředí, tak ve startupech, kde pomáhá převádět psychologické poznatky do praxe a jejich využití v oblasti technologií, inovací a umělé inteligence.
- Autor článku: ne
- Zdroj: Nikola Frollová
