Pirmą kartą gyvenime žinau, kad viskas, ko mokiausi ir ką dariau, pagaliau susijungia į vieną rišlią kryptį. 2006 m. baigiau informatiką ir išvykau į Jungtinę Karalystę. Netapau nei tradiciniu programuotoju, nei programinės įrangos inžinieriumi, tačiau sisteminis mąstymas ir techniniai pagrindai išliko visam gyvenimui.
Studijų metais įgytus techninius ir analitinius įgūdžius natūraliai perkėliau į kalbų mokymo ir vertimų sritis: analizavau sistemas, kūriau darbo eigas, o sudėtingus dalykus suprasdavau per kalbos prizmę. Ilgą laiką atrodė, kad tai – atskiri gyvenimo etapai: techninės žinios pamažu užleido vietą lingvistinėms, o kuklus atlygis tiesiog padėdavo išsilaikyti.
Vis dėlto būtent vertimų srityje labiausiai grūdinau savo analitinį mąstymą. Išmokau greitai įsigilinti į naujas sritis ir sintetinti informaciją taip, kad ji būtų aiški kitiems.
Kai prasidėjo dirbtinio intelekto bumas, visi šie fragmentai netikėtai susijungė – viskas staiga įgavo prasmę.
Esu įdomiame lūžio taške – turiu retą techninių žinių, kalbos meistrystės ir kultūrų supratimo derinį, kuris augančioje Lietuvos DI ekosistemoje gali tapti mano išskirtinumu.
Dirbtinis intelektas yra pirmoji sritis, kurioje visos mano stiprybės susilieja į vientisą struktūrą: dvikalbystė (anglų ir lietuvių kalbos), sisteminis mąstymas ir informatikos pagrindai, profesinė vertimo patirtis (mano mąstymo sluoksnis), kūrybiškumas ir intelektinis smalsumas. Tai erdvė, kurioje pagaliau galiu sujungti viską, ko mokiausi ir ką dariau per visą savo gyvenimą.
Supratau paprastą dalyką: nesu programuotojas – ir man nereikia juo tapti. Nuo studijų laikų praėjus daugiau nei 20 metų, laikai pasikeitė. „Claude Code“, „Codex“ ir kiti DI programavimo agentai dabar pasirūpina įgyvendinimu. Verslams, ypač tokiose augančiose rinkose kaip Lietuva, reikalingi žmonės, kurie geba projektuoti dirbtinio intelekto įsisavinimo architektūrą, t. y. darbo eigų optimizavimo ir automatizavimo galimybes.
Tie, kurie geba sujungti DI technologijų pajėgumus su vietos rinkos realijomis ir pavienes iniciatyvas paversti sisteminiu pranašumu.
DI įsisavinimui pirmiausia reikalingi ne įgyvendintojai (kurių, esu tikras, netrūksta), o architektai – ekspertai, jungiantys technines žinias, kalbos meistrystę ir gebėjimą aiškiai struktūruoti sudėtingus procesus.
Lietuvos darbo rinkos paradoksas
Turiu įgūdžių rinkinį, kuris didesnėse rinkose būtų laikomas itin vertingu: informatikos bakalauro laipsnį, gimtakalbio lygio anglų kalbos kompetenciją, dešimtmetį vertimo patirties ir trisdešimt analitinių straipsnių apie dirbtinį intelektą, įrodančių, kad gebu sintetinti sudėtingas temas.
Londone, Berlyne ar San Franciske toks derinys greičiausiai atvertų kelią į gerai apmokamą dirbtinio intelekto specialisto poziciją. Lietuvoje – visai kita istorija.
Lietuviai vis dar klausia „Kas yra dirbtinis intelektas?“ – AI-DI portale ši kategorija populiariausia. Dauguma įmonių tebelieka „smėlio dėžutės“ etape: eksperimentuoja su DI įrankiais, bet neturi nuoseklios diegimo strategijos. Vadovų mąstysena dažnai nelanksti – tikimasi, kad darbuotojai atliks griežtai apibrėžtas funkcijas, o eksperimentavimas ir DI raštingumo ugdymas paliekamas laisvalaikiui, tarsi tai būtų ne pirmo būtinumo iniciatyva.
Darbas su laisvai samdomais specialistais vis dar vertinamas atsargiai, o tikra profesinė nepriklausomybė Lietuvoje įmanoma tik tada, kai savo kompetenciją jau esi įrodęs užsienyje.
Tačiau esu lankstus ir savo perspektyvą galiu pakeisti: tokiam specialistui kaip aš maža rinka gali tapti puikiu bandymų lauku. Kai taisyklės dar nesusiformavusios, eksperimentavimas tampa norma.
Lietuvos DI ekosistema dar tik formuojasi, todėl profesiniai vaidmenys ir paslaugų apibrėžtys nėra įsišaknijusios. Brandžiose rinkose jau seniai egzistuoja aiškios kategorijos – DI diegimo specialistas, užklausų ir automatizavimo inžinierius, DI strategijos konsultantas ir panašiai. Tuo tarpu Lietuvoje nėra nusistovėjusio „DI konsultanto“ vaidmens ir nėra didžiųjų rinkos žaidėjų, kurie būtų apibrėžę, kaip ši profesija turi atrodyti.
Tie specialistai, kurie į rinką ateina anksti, nustato standartus. Kai Lietuvos rinka subręs ir atsiras daugiau konsultantų, aš jau būsiu orientyras. Todėl tikrasis klausimas paprastas – ar spėsiu įtvirtinti savo reputaciją, kol galimybių langas dar atviras.
Mano dvikalbystė šioje srityje yra apčiuopiamas pranašumas. Dirbtinio intelekto technologijos vystomos anglų kalba, tačiau Lietuvos verslams reikia sprendimų, veikiančių lietuviškai ir atliepiančių vietos kontekstą bei ribojimus.
Globalių DI tendencijų vertimas nėra antraeilis dalykas – jas pritaikau mažos rinkos realijoms, kur dauguma verslų remiasi keliais pagrindiniais „Big Tech“ sprendimais. Kitaip tariant, amerikietišką DI diskursą adaptuoju Lietuvos verslų kontekstui, kuriame įmonės neturi kito pasirinkimo, kaip tik naudoti milžiniškoms rinkoms sukurtus anglakalbius įrankius.
Ir būtent čia atsiranda mano konkurencinis pranašumas: amerikiečių konsultantai gali pasiūlyti daugiau, tačiau vietos įmonėms jų paslaugos dažniausiai nėra nei įperkamos, nei prieinamos.
Penki klausimai, sužadinę mano kūrybinį mąstymą
Kalbant apie verslo kūrimą, dirbtinis intelektas šiandien yra geriausias partneris. Nebereikia visko aiškintis vienam ar abejoti kiekvienu žingsniu. Mąstymui reikia atgarsio. Idėjos nebręsta vakuume – joms reikia kažko, kas mestų iššūkį, sukeltų abejonių ar priverstų į problemą pažvelgti kitaip.
Todėl ankstyvą sekmadienio rytą praleidau kalbėdamasis su Klodu (angl. „Claude“) – bendrovės „Anthropic“ sukurtu DI asistentu. Pokalbį pradėjome nuo struktūrinio karkaso, kuris dar prieš pereinant prie paslaugų kategorijų padėjo išgryninti kelias esmines kryptis. Klodas pateikė penkias klausimų kategorijas, kiekvieną – su keliais gilesniais sluoksniais.
Laikas, praleistas dirbant su atsakymais, buvo ne tik naudingas, bet ir suteikė tikro aiškumo – ypač tada, kai visą pokalbį išsiverčiau į lietuvių kalbą. Dirbdamas vienas tokio rezultato tikrai nebūčiau pasiekęs.
Štai kas išryškėjo:
1. Mano santykis su DI įrankiais praktikoje
Esu sukūręs agentinę turinio kūrimo sistemą su keliais nuosekliais perdavimo etapais:
Tyrimų agentas tiekia informaciją į apdorojimo seką – santraukų kūrėją, segmentuotoją ir žymėtoją. Šie perduoda medžiagą sintezatoriui, kuris ją paverčia pakartotinai naudojamais informacijos blokais.
Lokalizatorius kiekvienai daliai suteikia lietuvišką kontekstą, o kompozitorius iš blokų sudėlioja visą straipsnio struktūrą. Visa ši darbo eiga veikia anglų kalba.
Kai medžiaga parengta, vertimo ir redagavimo užduotims naudoju „ChatGPT“. Kalbos modelį iš anksto apmokau pagal šiuolaikinės lietuvių kalbos vartoseną (duomenis saugau projekto failuose). Vertimui papildomai naudoju „Trados Studio“ ir AI-DI vertimų atmintį, kad visuose straipsniuose išlaikyčiau nuoseklią terminiją.
Esu dokumentavęs šią sistemą savo darbo eigai. Ji kol kas pritaikyta tik mano individualiems poreikiams. Vis dėlto 30 analitinių straipsnių, kuriuos publikavau nuo rugpjūčio, rodo, kad gebu profesionaliai kurti ir valdyti agentinėmis darbo eigomis paremtas sistemas. Kalbėdamas apie jų kūrimą, remiuosi tiesiogine praktine patirtimi, kurią galiu pritaikyti bet kuriame sektoriuje – įsigilinęs į konkretaus verslo specifiką ir poreikius.
Mini išvada: praktinė patirtis svarbiausia – turiu ne tik rašyti apie agentines darbo eigas, o jas iš tikro kurti.
2. Tiksliniai klientai ir jų problemos
Mano idealūs klientai – 10–50 darbuotojų turinčios Lietuvos įmonės, daugiausia paslaugų ir el. prekybos sektoriuose. Jos jau neklausia „Kas yra dirbtinis intelektas?“ – eksperimentų etapas baigtas. Vieni darbuotojai naudoja „ChatGPT“, kiti – skirtingus įrankius, tačiau bendros strategijos vis dar nėra.
Be sistemingo DI įsisavinimo neįmanoma įvertinti, kas iš tikrųjų veikia. Tai lemia dažnas organizacines problemas: iššvaistytus išteklius, prarastas galimybes ir augantį konkurencinį atotrūkį. Bėdos prasideda tuomet, kai DI traktuojamas kaip atskirų eksperimentų rinkinys, o ne kaip esminė organizacijos strategijos dalis.
Pavyzdžiui, el. prekybos įmonė gali naudoti „ChatGPT“ produktų aprašams kurti, tačiau klientų aptarnavimas vis dar vyksta rankiniu būdu – du nesusiję procesai, kurie niekada netaps sistema. Į mane tokios įmonės kreipiasi taip: „Turime įrankių, bet neturime sistemos.“ Ir būtent šią problemą noriu spręsti – kaip pavienius eksperimentus paversti patikimomis, veikiančiomis darbo eigomis.
Mini išvada: MVĮ su 10–50 darbuotojų, DI įsisavinimas fragmentiškas, „Naudojame DI įrankius, bet neturime sistemos“.
3. Pozicionavimas ir konkurencinė aplinka
Dar nesu atlikęs išsamaus Lietuvos DI konsultacijų rinkos tyrimo, tačiau tai, ką matau dabar, aišku: jaunieji rinkos žaidėjai daugiausia orientuojasi į trumpus mokymus ir sensacingas DI temas. Tai suprantama kryptis – primena mano anglų kalbos mokymo laikus Vilniuje.
Žinau štai ką: kuriu profesionalią dirbtinio intelekto žinių bazę lietuvių kalba – nuo terminijos plėtojimo iki nuoseklios pasaulinių tendencijų analizės. 30 analitinių straipsnių apie užklausų inžineriją, DI industriją ir lokalizuotus sprendimus sudaro vientisą, struktūruotą ir lingvistiškai taisyklingą medžiagą su Lietuvos kontekstui pritaikyta terminija. Jokio triukšmo, jokių „karštų“ nuomonių – tik sistemiškai išanalizuota informacija.
Save pozicionuoju kaip analitiką ir DI srities lyderį, kuris teikia konsultavimo paslaugas. Mano turinys kalba pats už save: jis parodo, kaip mąstau, kaip dirbu ir kiek esu atsidavęs šiai sričiai.
Lietuvoje rašymas neužtikrina tvarios karjeros, todėl sąmoningai kuriu sau darbo vietą – naudodamas savo analitines, lingvistines ir technologines kompetencijas, kad padėčiau vietos verslams įsisavinti dirbtinio intelekto technologijas.
Mini išvada: dirbtinio intelekto srities lyderis ir DI žinių bazę kuriantis analitikas.
4. Turinio strategija ir mąstymo lyderystė
Portalas AI-DI yra edukacinis projektas. Jis atspindi mano paties mokymosi kelionę, bet kartu siekiu, kad kiekvienam žmogui būtų prieinamos įžvalgos lietuvių kalba apie dirbtinį intelektą.
Ši filosofija kyla iš studijų laikų: prieš daugiau nei dvidešimt metų informacinės technologijos dar tik formavosi, o lietuviškai informacijos beveik nebuvo. Vadovėlių – vos keli, ir tie patys sausi, prasilenkiantys su tuo, kas tuo metu iš tikrųjų vyko IT rinkoje.
Dabar mano tikslas – ne tik šviesti, bet ir reaguoti į realią paklausą. Manau, kad Lietuvoje egzistuoja latentinė – dar neišreikšta – DI paklausa. Verslai mato technologijų potencialą, tačiau ne visuomet geba jį paversti aiškiais operaciniais sprendimais. Mano AI-DI turinys parodo, kad galiu paimti sudėtingas idėjas anglų kalba ir paversti jas praktiškai pritaikomomis įžvalgomis.
Kiekvienas AI-DI publikuojamas straipsnis yra idėjų sintezė ir aukštos kokybės informacija lietuvių kalba. Ir būtent ši sukaupta sintezė tampa pagrindu, kuriuo remsiuosi kurdamas klientų sistemas.
Mini išvada: 30 analitinių AI-DI straipsnių rodo, kad sudėtingumą gebu paversti aiškumu.
5. Asmeniniai apribojimai ir prioritetai
Klausimas „Koks darbo pobūdis tave įkvepia, o koks – išsekina?“ pareikalavo daug atvirumo.
Labiausiai mane įkvepia atradimų etapas ir strateginis darbas. Mėgstu kurti sistemas, jei jos sprendžia realias struktūrines problemas. Patinka ir mokyti, bet tik saikingai – nuolatiniai mokymai mane greitai išvargintų, tai žinau iš savo ankstesnės anglų kalbos mokymo patirties.
O kas mane sekina? Administracinis darbas, pareigybių rėmai ir mažos vertės užduotys. Būtent todėl DI technologijas vertinu kaip priemonę šiems procesams palengvinti ar visai pašalinti.
Šios įžvalgos tampa pagrindu kuriant mano paslaugų architektūrą. Jei susikursiu darbą aplink veiklas, kurios mane sekina, sistema neišvengiamai subyrės. Mano tikrasis vaidmuo – būti architektu, žmogumi, kuris mato, kaip visos dalys susijungia į vieną veikiančią visumą.
Mini išvada: atradimai ir strategija mane įkvepia, o administravimo ir priežiūros darbai sekina. Todėl savo darbo modelį turiu kurti atsižvelgdamas būtent į tai.
Vertimas: mano informacijos apdorojimo sluoksnis
Po ilgo pokalbio su Klodu turėjau keliasdešimt puslapių vertingų idėjų anglų kalba – strateginių įžvalgų, paslaugų karkasų, pozicionavimo teiginių. Nors Klodas viską pateikia rišliai ir struktūruotai, dar nebuvau šios informacijos iš tikrųjų „apdorojęs“. Būtent todėl visą pokalbį išsiverčiau į lietuvių kalbą.
Vertimas man nėra vien kalbinė operacija – tai kognityvinis sluoksnis, metodas, kuriuo sudėtingumą paverčiu aiškumu. Tai mano mąstymo būdas.
Vertimas į lietuvių kalbą verčia apgalvoti kiekvieną teksto neaiškumą. Anglų kalboje lengva pasislėpti už apytikslių formuluočių ar idiomų, kurios skamba gražiai, bet nėra visiškai pagrįstos. Lietuvių kalba, priešingai, reikalauja tikslumo. Jei idėja miglota anglų kalboje, išvertus į lietuvių kalbą ji tiesiog subyra.
Paimkime centrinę metaforą, išryškėjusią pokalbio su Klodu metu – „architektas ar mūrininkas“. Angliškai ji skamba paprastai: architektai kuria sistemas, o mūrininkai kloja plytas.
Tačiau išvertęs metaforą – architektas kuria sistemas, o mūrininkas kloja plytas – turėjau apgalvoti, ką ji reiškia mano kontekste. Ką DI konsultavimo srityje iš tikrųjų reiškia „kurti sistemas“? O ar „kloti plytas“ praktiškai reiškia tik „vykdyti užduotis“?
Čia ir atsivėrė potekstė. Pradžioje pats turi pastatyti kelis mūrus, kad suprastum, kaip tavo sistema veikia.
Šios minties anglų kalboje nebuvo. Vertimas padėjo ją iškelti į paviršių: sistemų negalima kurti abstrakčiai. Norint būti geru architektu, pirmiausia turi suprasti, kaip tavo kūriniai bus įgyvendinami. Iš pradžių mokaisi „statydamas mūrus“, tik tada kuri turėdamas realų supratimą.
Tai – mano intelektinis braižas. Verčiu ne tik žodžius, verčiu struktūrą. Paimu sudėtingas idėjas ir išgryninu jas iki esminių loginės sistemos elementų.
Išvertęs visą pokalbį su Klodu, įsijungiau „ChatGPT“ balso režimą ir dar kartą viską aptariau anglų kalba. Kalbėjimas verčia mąstyti kitaip – sakinio viduryje nieko nepakoreguosi, turi užbaigti mintį ir žiūrėti, kur ji tave nuves.
Mano informacijos apdorojimo ciklas buvo toks:
Dialogas raštu anglų kalba su Klodu → vertimas į lietuvių kalbą → sintezė anglų kalba per balso režimą → rašytinė struktūra.
Kiekvienas šio ciklo sluoksnis dar labiau išgrynino mano mintis. Kiekvienas vertimo etapas – tiek kalbinis, tiek modalinis – atskleidė naujų įžvalgų. Čia ir atsirado esminė mintis: tai nėra vien pasiruošimas darbui su klientais. Tai metodas, kurį taikysiu dirbdamas.
Kiekviena konsultavimo užduotis remiasi tuo pačiu modeliu: įsisavinti sudėtingumą → perleisti jį per struktūrinius karkasus → grąžinti aiškumą.
Kai dirbu su Lietuvos įmone, kuri nesugeba sisteminti DI įsisavinimo, sprendžiu ne tik techninę problemą. Kliento operacinį chaotiškumą verčiu į struktūrinę logiką. Padrikus eksperimentus perleidžiu per tuos pačius kognityvinius karkasus, kuriuos naudoju apdorodamas strateginius pokalbius.
Vertimas – neatsiejama mano metodologijos dalis. Idėjų sintezė – neatsiejama mano paslaugų dalis.
Ryškėjanti paslaugų architektūra
Kai mintys aiškios, paslaugų struktūra atsiskleidžia savaime. Neketinu dirbtinai kurti naujų kategorijų – mano tikslas yra pažymėti realų kelią, kurį įmonės turi nueiti pereidamos nuo padrikų eksperimentų prie nuoseklaus, sistemingo DI įsisavinimo.
Išryškėjo keturios paslaugų kategorijos, atliepiančios skirtingus šios kelionės etapus:
1. DI pasirengimo auditas ir strateginis kelrodis
Vertė: aiškumas po matavimų – negalite optimizuoti to, ko neišmatavote.
Daugumai įmonių vis dar trūksta aiškaus vaizdo, kaip jų organizacijoje iš tiesų naudojamas dirbtinis intelektas. Vadovai žino, kad darbuotojai taiko DI įrankius, tačiau neaišku, kas veikia gerai, kur atsiranda trūkumų ir kokios rizikos gali kilti.
Auditas sujungia išskaidytą informaciją į vientisą vaizdą: kokie įrankiai naudojami, kaip jie taikomi praktikoje, kur yra galimos spragos ir koks realus DI poveikis verslui.
Po audito parengtas kelrodis nėra abstrakti DI strategija. Tai konkretus veiksmų žemėlapis: ką optimizuoti dabar, ką automatizuoti vėliau ir ko dar neliesti, nes organizacijos infrastruktūra tam nepasirengusi.
Ši diagnostika tampa pamatu visiems tolesniems etapams – projektavimui, įgyvendinimui ir mokymams.
2. Darbo srautų kūrimas ir įgyvendinimas
Vertė: nuo įrankių prie sistemų – pavienes pergales ir atskirus pajėgumus paverčiame nuosekliais procesais.
Atskirus DI naudojimo atvejus paverčiu patikimomis, kartojamomis darbo eigomis: aiški užklausų seka, integracija su esamomis sistemomis ir konkretūs matavimo kriterijai, leidžiantys įvertinti, ar sprendimas iš tikrųjų taupo laiką.
Atsižvelgiant į kliento brandą, tai gali būti tiek paprastos užklausų grandinės, tiek agentinės darbo eigos. Principas nesikeičia: kurti sistemas, kurios mažina kognityvinį krūvį ir didina nuoseklumą.
Įgyvendinimas – kritinė dalis. Kartu su klientu kuriu darbo eigas, jas testuoju realioje aplinkoje ir tobulinu tol, kol jos veikia patikimai ir sklandžiai.
3. Komandos įgalinimas ir DI raštingumas
Vertė: žinių perdavimas, kad sistema veiktų be mano įsikišimo – tvarumas, paremtas komandos pajėgumais.
Kai naujos darbo eigos sukurtos, komandai reikia suprasti, kaip dirbti greičiau ir efektyviau. Tai – kontekstui pritaikytas įgalinimas: kaip ši darbo eiga palaiko konkrečias funkcijas, kada ją naudoti (o kada ne), kaip atpažinti pradėjusius strigti procesus ir kokių veiksmų imtis toliau.
Tikslas – gebėjimų perdavimas. Jei sistema veikia tik man įsitraukus, ji tampa mažiau tvari ir sukuria nereikalingą priklausomybę. Tvarus DI įsisavinimas reiškia, kad komanda gali savarankiškai valdyti, prižiūrėti ir toliau tobulinti sukurtas darbo eigas.
Įgalinimas užbaigia visą ciklą – čia sistemos architektūra tampa darbo kultūros dalimi.
4. Priežiūra ir palaikymas
Vertė: skirta klientams, kuriems reikalingas nuolatinis DI procesų palaikymas ir tobulinimas.
Daliai klientų visiškai pakaks audito, optimizuotų darbo srautų ir išaugusio DI raštingumo. Kiti norės tęstinio palaikymo – plečiantis darbo eigoms, atsirandant naujiems įrankiams ar keičiantis organizacijos poreikiams. Tokia galimybė turi būti numatyta, tačiau tai nėra pagrindinė mano paslaugų kryptis.
Kol kas neturiu resursų kurti verslo modelio, paremto nuolatine priežiūra, todėl orientuojuosi į sistemas, kurios veikia be mano kasdienio įsitraukimo.
Baigiamosios įžvalgos – architektūra kaip intelektas
Lietuvos verslai, siekiantys įsisavinti dirbtinio intelekto technologijas, susiduria ne su įrankių trūkumu, o su rišlumo problema. Programinės įrangos pasiūla jau dabar plati – trūksta supratimo, kaip atskiri pajėgumai susijungia į veikiančias sistemas.
Tai ir yra architektūra – intelektas, pritaikytas struktūrai.
Architektas projektuoja matydamas galutinį rezultatą. Jis klausia ne tik „ką turime sukurti?“, bet ir „kaip tai veiks po šešių mėnesių?“ Šis klausimas keičia kūrimo principus ir verčia susimąstyti apie sistemos tvarumą.
Kiekvienas projektas, kurio imuosi, kiekvienas straipsnis, kurį publikuoju, kiekviena darbo eiga, kurią sukuriu, yra šios koncepcijos įrodymas. Sisteminis mąstymas nuosekliai duoda geresnius rezultatus nei padriki eksperimentai.
Taip save pozicionuoju Lietuvos rinkoje: ne kaip plytas klojantis mūrininkas, o kaip architektas, projektuojantis tvarias, veikiančias sistemas.
Kiekviena mano kuriama sistema, įskaitant AI-DI portalą, įkūnija tą pačią tiesą: dizainas yra intelektas, paverstas struktūra.
