AI bez refleksji. Jak bezkrytyczne używanie sztucznej inteligencji osłabia kompetencje, motywację i wiedzę organizacyjną

Sztuczna inteligencja weszła do firm z ogromną siłą. Dla jednych stała się symbolem nowoczesności, dla innych obietnicą radykalnego wzrostu produktywności, dla jeszcze innych, narzędziem redukcji kosztów. Trudno się temu dziwić. AI potrafi pisać, analizować, podsumowywać, generować pomysły, tworzyć obrazy, przygotowywać prezentacje, wspierać obsługę klienta, automatyzować powtarzalne zadania i przyspieszać pracę, która wcześniej zajmowała godziny. Problem zaczyna się tam, gdzie fascynacja narzędziem zastępuje refleksję nad jego wpływem na ludzi, zespoły i organizacje.

Coraz częściej widzę firmy, które wdrażają AI z niewłaściwych powodów. Co to znaczy z niewłaściwych powodów? Nie mają przemyślanej strategii rozwoju kompetencji, procesów i jakości pracy, lecz wdrażają AI dlatego, że „wszyscy już to robią”.

W wielu organizacjach AI stała się elementem technologicznego FOMO (skrót od ang. Fear of Missing Out, czyli lęk przed tym, że coś nas ominie). Liderzy obawiają się, że jeśli nie wdrożą jej natychmiast, zostaną w tyle. Pracownicy zaczynają używać jej do wszystkiego, często bez zasad, bez kryteriów jakości, bez refleksji nad tym, co jeszcze jest ich pracą, a co zostało już przeniesione na algorytm.

Tymczasem stawka jest znacznie większa niż szybkość przygotowania maila, raportu czy prezentacji. Stawką jest zdolność organizacji do uczenia się, myślenia, rozwiązywania problemów, budowania doświadczenia i rozwijania kompetencji, które decydują o jej długofalowej przewadze.

AI jako narzędzie wspierające czy proteza myślenia?

Sztuczna inteligencja sama w sobie nie jest problemem. Jest technologią i narzędziem, jak wiele innych narzędzi, które wcześniej zmieniały sposób pracy ludzi, organizacji i całych branż. Problem pojawia się dopiero wtedy, gdy zaczynamy używać tego narzędzia, bez zrozumienia, co ono wzmacnia, a co osłabia.

AI może wspierać człowieka w analizie, porządkowaniu informacji, generowaniu wariantów, testowaniu hipotez, przygotowywaniu pierwszych wersji materiałów czy przyspieszaniu pracy koncepcyjnej. W takim modelu działa jak wzmacniacz kompetencji. Pomaga szybciej dojść do lepszych pytań, sprawdzić alternatywy, uporządkować myślenie i zwiększyć jakość decyzji.

Potwierdzają to również badania. W jednym z dużych badań nad wykorzystaniem generatywnej AI w pracy konsultantów stwierdzono, że przy zadaniach mieszczących się w zakresie możliwości narzędzia pracownicy wykonywali więcej zadań, pracowali szybciej i osiągali wyższą jakość rezultatów. Podobne wnioski płyną z badań nad wykorzystaniem AI w obsłudze klienta, gdzie dostęp do asystenta AI zwiększał produktywność, szczególnie u mniej doświadczonych pracowników. To ważny argument, bo

dobrze używana AI może demokratyzować dostęp do wiedzy, skracać czas dochodzenia do rozwiązania i pomagać osobom mniej doświadczonym szybciej osiągać wyższy poziom wykonania.

Ale dokładnie w tym samym miejscu zaczyna się ryzyko, polegające na tym, że dla wielu bezrefleksyjnie korzystających z tej technologii, AI może też stać się protezą myślenia. Wtedy narzędzie nie wspiera kompetencji, tylko je zastępuje. Pracownik nie analizuje problemu, lecz prosi narzędzie o gotową odpowiedź. Nie formułuje własnego stanowiska, lecz wybiera najbardziej przekonująco brzmiącą propozycję. Nie uczy się przez wysiłek, próbę, błąd i korektę, lecz otrzymuje gotowy rezultat, który wygląda profesjonalnie, choć często nie jest głęboko rozumiany.

W badaniu MIT Media Lab dotyczącym pisania esejów z użyciem ChatGPT autorzy zauważyli, że

osoby korzystające z dużego modelu językowego wykazywały niższe zaangażowanie poznawcze niż osoby piszące samodzielnie, a także słabsze poczucie autorstwa własnej pracy.

Co ważne, to badanie ma charakter wstępny i nie powinno być traktowane jako ostateczny dowód na „szkodliwość AI”. Pokazuje jednak istotny kierunek ryzyka, polegający na tym, że im więcej pracy poznawczej przenosimy na narzędzie, tym mniej okazji pozostaje człowiekowi do samodzielnego ćwiczenia myślenia, pamięci, argumentacji i oceny jakości.

Podobny problem od lat opisuje literatura dotycząca automatyzacji. Lisanne Bainbridge, analizując „ironie automatyzacji”, zwracała uwagę na ciekawy paradoks,

im bardziej system przejmuje rutynową pracę człowieka, tym rzadziej człowiek ćwiczy kompetencje, które później mogą być potrzebne w sytuacjach trudnych, nietypowych lub krytycznych.

W świecie AI ten paradoks staje się wyjątkowo aktualny. Pracownik może coraz rzadziej samodzielnie diagnozować problem, ale nadal oczekuje się od niego, że rozpozna błąd narzędzia, zakwestionuje błędną rekomendację i podejmie odpowiedzialną decyzję.

To zasadnicza różnica.

W pierwszym przypadku AI wzmacnia człowieka. W drugim, stopniowo odbiera mu okazje do rozwijania kompetencji. Dlatego kluczowe pytanie dla liderów nie powinno brzmieć, czy używać AI?. Powinno raczej brzmieć, w jaki sposób używać AI, aby zwiększać jakość myślenia, a nie zastępować samo myślenie?.

Erozja kompetencji, czyli szybciej nie zawsze znaczy lepiej

Kompetencje nie powstają wyłącznie przez dostęp do informacji. Gdyby tak było, sama obecność internetu, baz wiedzy, platform e-learningowych, bibliotek cyfrowych i niezliczonych materiałów eksperckich już dawno rozwiązałaby problem jakości pracy, decyzyjności, odpowiedzialności i profesjonalizmu w organizacjach. Tak się jednak nie stało, ponieważ kompetencja nie jest prostą konsekwencją dostępu do danych, lecz efektem aktywnej pracy poznawczej, polegającej na samodzielnym rozpoznaniu problemu, zderzeniu się z niepewnością, analizie faktów, formułowaniu hipotez, konfrontowaniu ich z rzeczywistością, na popełnianiu błędów, przyjmowaniu korekt, rozmowie z innymi ludźmi, refleksji i wyciąganiu wniosków.

To właśnie ten proces, a nie sam wynik końcowy, buduje rozumienie.

Człowiek rozwija kompetencje nie tylko wtedy, gdy otrzymuje odpowiedź, ale przede wszystkim wtedy, gdy musi dojść do niej własnym wysiłkiem, uporządkować przesłanki, rozpoznać ograniczenia, odróżnić argument mocny od pozornego i ponieść odpowiedzialność za własny tok rozumowania.

W tym sensie droga dochodzenia do wyniku jest równie ważna jak sam rezultat, ponieważ to ona tworzy pamięć doświadczenia, zawodową intuicję i zdolność samodzielnego osądu.

Jeżeli AI przejmuje zbyt dużą część tej drogi, człowiek może rzeczywiście szybciej uzyskać rezultat, lecz równocześnie wolniej rozwijać zdolność jego samodzielnego wytwarzania. Otrzymuje gotową strukturę, argumentację, podsumowanie lub rekomendację, ale nie zawsze przechodzi przez ten rodzaj intelektualnego wysiłku, który później pozwala mu rozpoznać błąd, obronić stanowisko, zmienić perspektywę, zauważyć słabe założenia albo podjąć decyzję w warunkach niepełnych danych. W efekcie może rosnąć sprawność wykonawcza, ale nie musi rosnąć głębokość rozumienia.

To zjawisko można nazwać erozją kompetencji. Jego szczególna trudność polega na tym, że nie ujawnia się natychmiast i nie przybiera formy widocznego kryzysu. Nie mamy tu do czynienia z nagłą awarią systemu, spadkiem wyników z dnia na dzień czy spektakularnym załamaniem jakości pracy. Przeciwnie, pierwsze symptomy mogą wyglądać jak organizacyjny sukces. Dokumenty powstają szybciej, raporty są bardziej eleganckie, prezentacje wyglądają profesjonalniej, maile są sprawniejsze językowo, a teksty brzmią lepiej niż wcześniej. Z perspektywy bieżących wskaźników można więc odnieść wrażenie, że organizacja stała się bardziej efektywna, podczas gdy w rzeczywistości część tego wzrostu może mieć charakter powierzchowny i opierać się bardziej na przyspieszeniu produkcji treści niż na wzroście jakości myślenia.

Oczywiście nie oznacza to, że korzyści w zakresie produktywności są iluzją. Część badań pokazuje realny pozytywny wpływ AI na tempo i jakość wykonywania określonych zadań. W badaniu Brynjolfssona, Li i Raymond dotyczącym ponad pięciu tysięcy pracowników obsługi klienta dostęp do asystenta AI zwiększał produktywność średnio o około 15%, szczególnie pomagając osobom mniej doświadczonym. To ważna obserwacja, ponieważ pokazuje, że dobrze zaprojektowane wsparcie AI może skracać dystans kompetencyjny, ułatwiać dostęp do dobrych praktyk i pomagać pracownikom osiągać lepsze rezultaty tam, gdzie brakuje im jeszcze doświadczenia.

Ten sam mechanizm, który w krótkim okresie może poprawiać produktywność, w dłuższej perspektywie może jednak osłabiać proces uczenia się, jeżeli organizacja nie zarządza nim świadomie. Mniej doświadczony pracownik, który zbyt wcześnie otrzymuje gotowe odpowiedzi, może szybciej realizować zadania, ale jednocześnie wolniej budować własną mapę problemu, własne kryteria oceny i własny profesjonalny osąd. Uczy się wtedy przede wszystkim korzystania z zewnętrznego źródła odpowiedzi, a niekoniecznie samodzielnego dochodzenia do rozwiązań. Z czasem może więc rozwijać się nie tyle kompetencja merytoryczna, ile sprawność w generowaniu treści, które brzmią poprawnie, przekonująco i profesjonalnie, choć nie zawsze są głęboko rozumiane przez ich autora.

Podobne ryzyko od lat opisują badania nad tzw. cognitive offloading, czyli przenoszeniem części wysiłku poznawczego na zewnętrzne narzędzia. Już badania nad „efektem Google” pokazywały, że kiedy ludzie spodziewają się łatwego dostępu do informacji, słabiej zapamiętują samą informację, a lepiej pamiętają miejsce, w którym mogą ją ponownie znaleźć. W przypadku AI problem może być głębszy, ponieważ nie dotyczy już wyłącznie pamiętania faktów. Coraz częściej chodzi o przekazywanie narzędziu części analizy, syntezy, interpretacji, argumentacji i formułowania wniosków, czyli tych elementów pracy poznawczej, które bezpośrednio budują kompetencje.

Wstępne badanie MIT Media Lab dotyczące pisania esejów z użyciem ChatGPT również wskazuje na podobny kierunek ryzyka. Osoby korzystające z dużego modelu językowego wykazywały niższe zaangażowanie poznawcze i słabsze poczucie autorstwa własnej pracy niż osoby piszące samodzielnie. Wyniki te należy interpretować ostrożnie, ponieważ badanie miało ograniczoną próbę i charakter wstępny. Nie zmienia to jednak faktu, że dotyka ono problemu, który z perspektywy rozwoju ludzi i organizacji jest fundamentalny, czyli można uzyskać tekst wyglądający dobrze, logicznie i profesjonalnie, a jednocześnie nie przejść przez proces, który buduje trwałe rozumienie.

W zarządzaniu znamy podobny paradoks z badań nad automatyzacją. Przywoływana wczesniej Lisanne Bainbridge już w latach 80. zwracała uwagę na jedną z największych ironii automatyzacji, czyli

im więcej system przejmuje rutynowych działań, tym mniej człowiek ma okazji, by ćwiczyć kompetencje, których później potrzebuje w sytuacjach nietypowych, trudnych lub krytycznych. Odpowiedzialność człowieka nie znika, ale jego praktyka słabnie.

W świecie AI ten paradoks staje się szczególnie aktualny, ponieważ pracownik może coraz rzadziej samodzielnie analizować problem, a jednocześnie nadal oczekuje się od niego, że rozpozna błąd narzędzia, zakwestionuje nietrafną rekomendację i podejmie odpowiedzialną decyzję. Dopiero po pewnym czasie zaczynają więc pojawiać się pytania, których nie widać na poziomie samej szybkości pracy.

• Czy pracownik naprawdę rozumie treść, którą przygotował?

• Czy potrafi obronić rekomendację, którą wygenerował z pomocą AI?

• Czy umie wykonać podobne zadanie bez wsparcia narzędzia?

• Czy rozpoznaje błędy, uproszczenia i fałszywe założenia w odpowiedzi modelu?

• Czy rozwija własny osąd, czy jedynie coraz sprawniej obsługuje prompt?

• Czy potrafi wyjaśnić tok rozumowania, czy tylko przedstawić estetyczny efekt końcowy?

I wreszcie, czy jego kompetencje rzeczywiście rosną, czy rośnie przede wszystkim zależność od technologii?

W tym miejscu ma swój początek się realne ryzyko dla organizacji. Firma może produkować coraz więcej treści, analiz, raportów i rekomendacji, a jednocześnie stopniowo tracić zdolność krytycznego myślenia, samodzielnego rozwiązywania problemów i budowania doświadczenia. Może mieć więcej materiałów, ale mniej rozumienia; większą sprawność operacyjną, ale słabszy profesjonalny osąd; krótszy czas przygotowania odpowiedzi, ale niższą zdolność do samodzielnego poradzenia sobie z sytuacją, w której narzędzie się myli, upraszcza lub prowadzi użytkownika w niewłaściwym kierunku.

Dlatego liderzy nie powinni mierzyć wpływu AI wyłącznie liczbą zaoszczędzonych godzin, szybkością przygotowania dokumentów czy ilością wygenerowanych treści.

Równie ważne jest pytanie o to, czego ludzie przestają się uczyć, kiedy narzędzie wykonuje za nich coraz większą część pracy poznawczej. W organizacji naprawdę niebezpieczne nie jest samo korzystanie z AI. Niebezpieczne jest dopiero takie korzystanie z AI, które stopniowo ogranicza rozwój kompetencji potrzebnych do oceny, kiedy technologia się myli, kiedy upraszcza rzeczywistość, a kiedy jedynie tworzy profesjonalnie brzmiącą iluzję rozwiązania.

Najbardziej zagrożona jest wiedza ukryta

Szczególnie ważny, a w moim przekonaniu wciąż zbyt słabo rozumiany, jest wpływ AI na tacit knowledge, czyli wiedzę ukrytą. To ta część wiedzy organizacyjnej, której nie da się w pełni zapisać w procedurach, instrukcjach, bazach wiedzy, standardach operacyjnych czy prezentacjach onboardingowych. Można oczywiście opisać proces, stworzyć checklistę, przygotować podręcznik dobrych praktyk i zbudować firmową bazę wiedzy, ale każdy praktyk zarządzania wie, że między formalnym opisem pracy a rzeczywistą zdolnością do jej dobrego wykonania istnieje ogromna przestrzeń doświadczenia, intuicji, kontekstu i sytuacyjnego osądu.

Michael Polanyi, jeden z klasyków refleksji nad wiedzą ukrytą, ujął to w bardzo znanym zdaniu:

„wiemy więcej, niż potrafimy powiedzieć”.

Ta myśl ma ogromne znaczenie dla organizacji, ponieważ pokazuje, że nie cała wiedza, która decyduje o skuteczności działania, może zostać łatwo wyrażona w słowach, procedurach czy dokumentach. Część profesjonalizmu ujawnia się dopiero w działaniu, czyli w sposobie prowadzenia rozmowy, rozumienia sytuacji, interpretowania sygnałów, łączenia faktów, wyczuwania napięć, rozpoznawania ryzyka i podejmowania decyzji wtedy, gdy formalnie dostępne dane są niepełne albo niejednoznaczne.

Wiedza ukryta powstaje przez doświadczenie, ale nie przez doświadczenie rozumiane jako sam upływ czasu. Powstaje przez aktywny kontakt z rzeczywistością, przez obserwację klientów, udział w trudnych rozmowach, konfrontację z błędami, analizę konsekwencji własnych decyzji, przyjmowanie informacji zwrotnej, pracę z bardziej doświadczonymi osobami i stopniowe rozumienie niuansów, których nie widać w formalnym opisie stanowiska. Właśnie dlatego

dwóch pracowników, którzy znają tę samą procedurę, korzystają z tego samego systemu i mają dostęp do tych samych danych, mogą podejmować decyzje o zupełnie różnej jakości.

• To wiedza handlowca, który po tonie głosu, długości pauzy i sposobie zadawania pytań rozpoznaje, że klient mówi „interesujące”, ale w rzeczywistości nie jest przekonany.

• To wiedza menedżera, który widzi, że zespół formalnie akceptuje zmianę, lecz emocjonalnie zaczyna się z niej wycofywać, dlatego wie, że kolejna prezentacja z argumentami nie wystarczy, bo potrzebna jest rozmowa o obawach, utracie wpływu i realnych kosztach adaptacji.

• To wiedza kierownika produkcji, który nie potrzebuje jeszcze raportu z systemu, bo po dźwięku maszyny, rytmie pracy operatorów albo drobnej zmianie zachowania procesu rozpoznaje, że za chwilę pojawi się problem.

• To wreszcie wiedza konsultanta, który potrafi powiedzieć, że dane w raporcie są poprawne, ale rekomendacja jest nietrafna, ponieważ nie uwzględnia kultury organizacyjnej, historii wcześniejszych nieudanych wdrożeń albo realnego poziomu dojrzałości kadry menedżerskiej.

Tego rodzaju wiedza nie powstaje przez samo czytanie podsumowań, nawet jeżeli są dobrze napisane. Nie powstaje również wyłącznie przez dostęp do najlepszych praktyk, benchmarkingów i raportów branżowych. Powstaje wtedy, gdy człowiek przez dłuższy czas uczestniczy w praktyce, obserwuje skutki działań, rozmawia z innymi, konfrontuje własne założenia z rzeczywistością i stopniowo uczy się, że dwa problemy, które na poziomie formalnym wyglądają podobnie, w praktyce mogą wymagać zupełnie innych decyzji. Właśnie ten proces buduje coś, czego AI nie jest w stanie automatycznie wytworzyć w człowieku, wynikającą z doświadczenia zdolność rozumienia kontekstu.

W tym miejscu pojawia się poważne ryzyko związane z bezrefleksyjnym używaniem AI.

Jeżeli młodsi pracownicy zbyt wcześnie zaczynają omijać trudniejsze etapy pracy, ponieważ narzędzie podaje im gotową odpowiedź, gotową strukturę, gotową interpretację albo gotową rekomendację, to organizacja może zyskać krótkoterminową sprawność, ale jednocześnie osłabić proces, dzięki któremu wcześniej rozwijał się profesjonalny osąd.

• Młody pracownik może szybciej przygotować notatkę po spotkaniu, lecz niekoniecznie lepiej zrozumieć, co naprawdę wydarzyło się na tym spotkaniu.

• Może szybciej stworzyć analizę sytuacji klienta, ale niekoniecznie nauczyć się rozpoznawać subtelne sygnały oporu, braku zaufania czy ukrytego konfliktu interesów.

• Może szybciej wygenerować rekomendację, ale niekoniecznie przejść przez proces ważenia argumentów, który pozwala później tę rekomendację obronić.

Problem nie polega więc na tym, że AI „coś podpowiada”. Problem zaczyna się wtedy, gdy podpowiedź zastępuje kontakt z rzeczywistością, a łatwość uzyskania odpowiedzi ogranicza liczbę sytuacji, w których człowiek musi samodzielnie obserwować, pytać, interpretować, błądzić, korygować i uczyć się konsekwencji własnego myślenia. W takich warunkach pracownik może rozwijać sprawność obsługi narzędzia, ale jednocześnie tracić okazje do rozwijania kompetencji, które są znacznie trudniejsze do zmierzenia, tj. uważności, intuicji zawodowej, odpowiedzialności za osąd, zdolności rozumienia kontekstu i odwagi w samodzielnym formułowaniu stanowiska.

To szczególnie istotne w relacji między pokoleniami pracowników. W wielu organizacjach wiedza ukryta była dotąd przekazywana nieformalnie przez wspólną pracę, obserwację seniorów, udział w spotkaniach, rozmowy po trudnych sytuacjach, analizę błędów i stopniowe dopuszczanie mniej doświadczonych osób do coraz bardziej wymagających zadań. Jeżeli AI zacznie automatyzować znaczną część zadań wejściowych, które wcześniej pełniły funkcję praktycznego treningu, organizacja może nieświadomie przerwać mechanizm międzypokoleniowego transferu wiedzy. Paradoks polega na tym, że zadania uznawane za proste, rutynowe albo na poziomie juniorskim, często były właśnie tym miejscem, w którym młodzi pracownicy uczyli się podstaw profesjonalnego myślenia.

W literaturze dotyczącej zarządzania wiedzą od dawna podkreśla się, że

wiedza organizacyjna rozwija się przez napięcie i przepływ między wiedzą jawną a wiedzą ukrytą.

Procedury, standardy i dokumenty są potrzebne, ale same nie wystarczą. Muszą zostać przyswojone, przećwiczone, osadzone w praktyce i zinterpretowane w konkretnych sytuacjach. Jeżeli AI wzmacnia wyłącznie warstwę wiedzy jawnej, czyli generuje teksty, instrukcje, podsumowania, analizy i rekomendacje, ale równocześnie ogranicza ludziom kontakt z praktyką, to organizacja może stać się coraz lepsza w produkowaniu opisów rzeczywistości i coraz słabsza w jej realnym rozumieniu.

W dłuższej perspektywie konsekwencje mogą być bardzo poważne. Firma może mieć coraz więcej formalnie poprawnych materiałów, coraz bardziej rozbudowane bazy wiedzy, coraz sprawniejsze raporty i coraz szybciej przygotowywane rekomendacje, ale jednocześnie coraz mniej ludzi, którzy naprawdę rozumieją, co dzieje się w biznesie. Może rosnąć ilość wiedzy zapisanej, a maleć ilość wiedzy przeżytej, sprawdzonej i zakorzenionej w doświadczeniu. Może zwiększać się łatwość komunikowania wniosków, a zmniejszać zdolność ich samodzielnego wypracowania.

Dlatego jednym z najważniejszych zadań liderów w erze AI jest ochrona tych miejsc pracy, w których powstaje wiedza ukryta.

Nie chodzi o nostalgiczne bronienie dawnych sposobów działania ani o sztuczne utrzymywanie nieefektywnych procesów. Chodzi o świadome projektowanie takich warunków pracy, w których AI wspiera ludzi, ale nie odbiera im doświadczeń niezbędnych do rozwoju profesjonalnego osądu. Organizacja, która tego nie zrozumie, może przez pewien czas cieszyć się wzrostem szybkości i produktywności, lecz stopniowo osłabiać jeden z najważniejszych zasobów, jakim dysponuje, czyli zdolność ludzi do rozumienia rzeczywistości lepiej, niż da się to zapisać w raporcie.

AI a motywacja, czyli szybka nagroda, słabsze uczenie się

Bezrefleksyjne używanie AI może wpływać nie tylko na kompetencje poznawcze, lecz także na motywację, czyli na sposób, w jaki człowiek angażuje się w zadanie, znosi wysiłek, doświadcza własnej sprawczości i buduje poczucie rozwoju. To szczególnie ważne, ponieważ w organizacjach bardzo często mówimy o efektywności językiem wyników, terminów i produktywności, a znacznie rzadziej analizujemy, jaki rodzaj motywacji stoi za wykonaniem pracy oraz czy sposób używania technologii tę motywację wzmacnia, czy stopniowo osłabia.

AI bardzo skutecznie dostarcza człowiekowi poczucia szybkiego postępu. W kilka sekund potrafi wygenerować tekst, strukturę raportu, listę argumentów, analizę problemu, pomysł na kampanię, scenariusz rozmowy, plan prezentacji albo wstępną rekomendację.

Dla pracownika oznacza to natychmiastową redukcję napięcia, które zwykle towarzyszy zadaniom trudnym, niejasnym lub wymagającym samodzielnego uporządkowania myśli. Tam, gdzie wcześniej trzeba było przez pewien czas pozostać w niepewności, poszukać danych, sformułować pierwszą hipotezę, odrzucić słabsze pomysły i dopiero później dojść do sensownego rozwiązania, teraz bardzo szybko pojawia się efekt, który wygląda jak postęp.

Nie należy tej korzyści lekceważyć. W wielu sytuacjach taka pomoc jest bardzo użyteczna, zwłaszcza gdy człowiek utknął, potrzebuje punktu wyjścia, chce uporządkować materiał albo sprawdzić alternatywne sposoby ujęcia problemu. Jednak z perspektywy motywacji pojawia się istotne pytanie,

co dzieje się z gotowością do wysiłku poznawczego, jeżeli pracownik coraz częściej otrzymuje natychmiastowy rezultat, zanim jeszcze zdąży samodzielnie wejść głębiej w problem?

Właśnie tutaj zaczyna się ryzyko. Człowiek, który przyzwyczaja się do natychmiastowej odpowiedzi, może stopniowo tracić cierpliwość do pracy wymagającej namysłu, szukania, testowania, poprawiania, zmagania się z niejasnością i czasowego braku poczucia kontroli. Tymczasem to właśnie ten etap, choć często mniej przyjemny i mniej efektowny, jest jednym z fundamentów głębokiego uczenia się.

Trudność nie jest wrogiem rozwoju kompetencji; bardzo często jest jego warunkiem.

Jeżeli więc organizacja usuwa z pracy zbyt dużą część poznawczego oporu, może równocześnie usuwać część tych doświadczeń, które wcześniej budowały wytrwałość, samodzielność i profesjonalny osąd.

Warto odwołać się tu do teorii autodeterminacji Edwarda Deciego i Richarda Ryana, zgodnie z którą trwała, wewnętrzna motywacja człowieka opiera się między innymi na poczuciu autonomii, kompetencji i relacji z innymi. W tym świetle AI może działać dwojako. Jeżeli wzmacnia autonomię pracownika, pomaga mu lepiej rozumieć problem, daje mu większą kontrolę nad procesem pracy i pozwala rozwijać kompetencje, może być narzędziem motywującym. Jeżeli jednak zaczyna zastępować jego myślenie, przejmować decyzje, dostarczać gotowych ocen i sugerować, że najlepsza odpowiedź znajduje się poza nim, może osłabiać poczucie sprawstwa, a wraz z nim także motywację do samodzielnego wysiłku.

To prowadzi do jeszcze jednego, bardzo praktycznego problemu, a mianowicie osłabienia zaufania do własnych kompetencji.

Pracownik, który coraz częściej widzi, że AI pisze szybciej, porządkuje sprawniej, argumentuje bardziej płynnie i generuje odpowiedzi brzmiące bardziej profesjonalnie niż jego własne pierwsze próby, może z czasem zacząć wycofywać się z aktywnego udziału w pracy poznawczej.

Nie musi to przyjmować formy otwartego oporu czy deklarowanej bierności. Częściej wygląda to znacznie subtelniej, tzn. człowiek nadal wykonuje zadania, uczestniczy w procesach i dostarcza wyniki, ale coraz częściej zarządza rezultatem wygenerowanym przez narzędzie, zamiast budować wartość na podstawie własnego rozumienia.

Ten mechanizm jest szczególnie niebezpieczny, ponieważ może być mylony z dojrzałą adaptacją do technologii. Organizacja widzi sprawniejszą komunikację, szybsze dokumenty i większą liczbę wygenerowanych materiałów, więc uznaje, że pracownik stał się bardziej produktywny. Nie zawsze jednak sprawdza, czy stał się również bardziej kompetentny, bardziej samodzielny i bardziej odpowiedzialny za jakość własnego myślenia. W efekcie motywacja może przesuwać się z motywacji rozwojowej, opartej na uczeniu się i poczuciu mistrzostwa, w stronę motywacji instrumentalnej, skoncentrowanej na szybkim dostarczeniu efektu, który dobrze wygląda i spełnia oczekiwania odbiorcy.

Wstępne badania nad używaniem dużych modeli językowych wskazują, że taka ostrożność jest uzasadniona.

W badaniu MIT Media Lab dotyczącym pisania esejów osoby korzystające z ChatGPT wykazywały niższe zaangażowanie poznawcze i słabsze poczucie autorstwa własnej pracy niż osoby piszące samodzielnie.

Nie należy wyciągać z tego prostego wniosku, że AI zawsze obniża motywację albo zawsze szkodzi uczeniu się. Bardziej trafna interpretacja brzmi inaczej: sposób używania AI może przesądzać o tym, czy narzędzie staje się wsparciem aktywnego myślenia, czy wygodną drogą ucieczki od wysiłku, który jest niezbędny dla rozwoju.

Podobne wnioski płyną z badań nad pracą wiedzy wspieraną przez AI. Wskazuje się w nich, że generatywna sztuczna inteligencja może redukować wysiłek poznawczy i zwiększać pewność użytkownika, ale nie zawsze idzie to w parze z pogłębieniem krytycznego myślenia. To bardzo ważna obserwacja z punktu widzenia zarządzania. Człowiek może czuć się sprawniejszy, ponieważ szybciej uzyskuje efekt, ale równocześnie rzadziej sprawdzać założenia, mniej kwestionować odpowiedź i słabiej angażować własną refleksję. Wtedy technologia nie tyle rozwija motywację do uczenia się, ile wzmacnia motywację do jak najszybszego zamknięcia zadania.

Z punktu widzenia liderów jest to problem poważniejszy, niż może się wydawać. Organizacje nie potrzebują wyłącznie ludzi, którzy potrafią szybko wygenerować poprawnie brzmiącą odpowiedź. Potrzebują ludzi, którzy chcą i potrafią myśleć, kwestionować, sprawdzać, rozumieć, uczyć się na błędach i brać odpowiedzialność za własny osąd.

Jeżeli AI ma wspierać motywację, powinna być używana tak, aby wzmacniała poczucie kompetencji, autonomii i sprawstwa, a nie redukowała pracownika do roli operatora narzędzia, które dostarcza szybszą i bardziej elegancką wersję jego niewykonanego wysiłku.

Współpraca i komunikacja, czyli więcej treści, mniej zrozumienia

AI wpływa także na komunikację w zespołach, a więc na ten obszar pracy organizacyjnej, który już przed pojawieniem się narzędzi generatywnych był silnie przeciążony nadmiarem maili, spotkań, komunikatorów, powiadomień, prezentacji i dokumentów.

W wielu firmach problemem od dawna nie był brak komunikacji, lecz jej nadmiar, fragmentaryczność i malejąca zdolność ludzi do odróżniania informacji ważnych od drugorzędnych.

Sztuczna inteligencja wchodzi więc nie w pustą przestrzeń, lecz w środowisko, które często już wcześniej cierpiało na komunikacyjne przeładowanie.

Oczywiście AI może w tym obszarze realnie pomagać. Potrafi upraszczać język, porządkować ustalenia, streszczać spotkania, przygotowywać agendy, redagować maile, tworzyć notatki, wyłapywać niespójności i przekształcać chaotyczny materiał w bardziej czytelną strukturę. W organizacjach, w których wiele energii traci się na nieprecyzyjne ustalenia, zbyt długie dokumenty i powtarzające się nieporozumienia, może to być bardzo wartościowe wsparcie. Dobrze używana AI pomaga skrócić dystans między myślą a jej jasnym wyrażeniem, a to w pracy zespołowej ma znaczenie praktyczne.

Problem pojawia się wtedy, gdy organizacja zaczyna mylić większą płynność komunikatów z głębszym zrozumieniem. To, że mail jest lepiej napisany, raport ma bardziej elegancką strukturę, a prezentacja wygląda profesjonalnie, nie oznacza jeszcze, że autor naprawdę przemyślał problem, rozumie konsekwencje rekomendacji i bierze odpowiedzialność za przedstawione wnioski.

AI potrafi bardzo szybko poprawić formę komunikacji, ale sama poprawa formy może przykrywać słabość diagnozy, powierzchowność argumentacji albo brak realnej rozmowy między ludźmi.

W praktyce coraz więcej komunikatów zaczyna wtedy brzmieć podobnie. Nie dlatego, że pracownicy przestają mieć własne zdanie, lecz dlatego, że coraz częściej korzystają z podobnych narzędzi, podobnych struktur językowych i podobnych wzorców argumentacji.

• Maile stają się poprawne, ale tracą indywidualny ton.

• Raporty są uporządkowane, ale nie zawsze pokazują rzeczywisty proces myślenia autora.

• Rekomendacje brzmią płynnie, ale bywają słabo zakorzenione w doświadczeniu zespołu, rozmowach z klientami, historii wcześniejszych decyzji i realnym kontekście organizacyjnym.

• Prezentacje zyskują profesjonalną formę, lecz czasem ta forma działa jak zasłona, za którą znika pytanie najważniejsze: czy ktoś naprawdę zrozumiał problem, czy jedynie dobrze go opisał?

Badania nad komunikacją wspieraną przez AI pokazują, że nie jest to wyłącznie intuicyjna obawa. Analizy dotyczące tzw. smart replies wskazują, że nawet proste podpowiedzi odpowiedzi mogą wpływać na język, zachowania komunikacyjne i poczucie sprawstwa autora. Innymi słowy, narzędzie nie tylko przyspiesza napisanie wiadomości, ale może subtelnie kształtować to, co człowiek uznaje za właściwą odpowiedź. To ważne, ponieważ w komunikacji organizacyjnej treść nie jest wyłącznie przekazem informacji. Jest również wyrazem intencji, relacji, odpowiedzialności i sposobu rozumienia sytuacji.

Podobny problem dotyczy zaufania.

W komunikacji między ludźmi znaczenie ma nie tylko to, czy komunikat jest poprawny, ale także to, czy odbiorca czuje, że po drugiej stronie znajduje się ktoś realnie obecny, zaangażowany i odpowiedzialny za swoje słowa.

Jeżeli pracownik otrzymuje informację zwrotną, ocenę pracy, rekomendację zmian albo decyzję menedżerską napisaną językiem gładkim, neutralnym i wyraźnie „wygenerowanym”, może formalnie rozumieć treść, ale emocjonalnie odbierać ją jako mniej autentyczną. W wielu sytuacjach organizacyjnych ta autentyczność nie jest dodatkiem do komunikacji, lecz warunkiem zaufania.

Współpraca może wówczas stopniowo zamieniać się w wymianę dobrze sformatowanych treści, za którymi nie zawsze stoi wspólne rozumienie. Ludzie przesyłają sobie coraz lepsze podsumowania, coraz bardziej uporządkowane notatki i coraz sprawniej napisane rekomendacje, ale niekoniecznie częściej rozmawiają o założeniach, napięciach, ryzykach, niepewności i różnicach interpretacji. Organizacja komunikuje więcej, szybciej i ładniej, lecz jednocześnie może tracić zdolność do prowadzenia rozmów, w których naprawdę powstaje sens, odpowiedzialność i wspólna decyzja.

To szczególnie groźne w pracy menedżerskiej, ponieważ lider nie zarządza jedynie przepływem informacji. Zarządza także znaczeniem, odpowiedzialnością, interpretacją rzeczywistości i jakością decyzji.

Nie może więc zadowolić się tym, że materiał „dobrze wygląda”, a rekomendacja brzmi przekonująco. Powinien pytać, kto naprawdę przemyślał przedstawione stanowisko, jakie założenia stoją za wnioskami, jakie alternatywy zostały odrzucone, jakie ryzyka pominięto, co wynika z doświadczenia zespołu, czego dowiedzieliśmy się od klientów, pracowników i partnerów oraz kto bierze odpowiedzialność nie za dokument, lecz za decyzję, którą ten dokument ma uzasadniać.

W tym sensie AI może nieświadomie wzmacniać powierzchowność organizacyjną. Nie dlatego, że sama technologia wymusza powierzchowność, ale dlatego, że daje bardzo łatwe narzędzia do produkowania komunikatów, które wyglądają na dojrzałe, uporządkowane i przemyślane, nawet wtedy, gdy proces myślenia był zbyt płytki. Jeżeli liderzy nie będą tego rozumieć,

organizacja może dojść do paradoksalnej sytuacji, czyli będzie komunikować więcej, dokumentować więcej, podsumowywać więcej i prezentować więcej, a jednocześnie coraz rzadziej będzie dochodzić do głębokiego, wspólnego rozumienia tego, co naprawdę dzieje się w biznesie.

Największy błąd liderów - wdrożenie narzędzia bez zarządzania konsekwencjami

Jednym z największych błędów, jakie dziś popełniają liderzy, jest traktowanie AI przede wszystkim jako projektu technologicznego. W wielu firmach rozmowa o sztucznej inteligencji bardzo szybko zostaje sprowadzona do wyboru narzędzia, zakupu licencji, przygotowania krótkiego szkolenia z promptów, ustalenia zasad bezpieczeństwa danych i wskazania procesów, które można zautomatyzować. Wszystkie te elementy są oczywiście ważne, ponieważ bez odpowiedniej infrastruktury, ochrony informacji i podstawowych reguł korzystania z narzędzi trudno mówić o odpowiedzialnym wdrożeniu. Problem polega jednak na tym, że są one jedynie techniczną warstwą zmiany, a nie jej istotą.

AI nie jest wyłącznie kolejnym systemem informatycznym, który można „uruchomić” w organizacji podobnie jak nowe oprogramowanie do raportowania, komunikacji czy zarządzania projektami.

To technologia, która ingeruje w sposób pracy poznawczej człowieka, takiej jak: w analizowanie, pisanie, ocenianie, rekomendowanie, komunikowanie się, podejmowanie decyzji i uczenie się. Oznacza to, że

wdrożenie AI jest jednocześnie tematem przywódczym, kompetencyjnym, kulturowym i strategicznym.

Dotyczy nie tylko tego, jak szybciej wykonać zadanie, ale również tego, jak zmieni się rola pracownika, menedżera, eksperta i zespołu w procesie tworzenia wartości.

Dlatego liderzy nie powinni zaczynać od pytania, z którego narzędzia będziemy korzystać, lecz od pytania, jaki model pracy chcemy zbudować dzięki AI i jakich konsekwencji musimy uniknąć. To zasadnicza różnica. W pierwszym przypadku organizacja koncentruje się na wdrożeniu rozwiązania. W drugim próbuje świadomie zaprojektować zmianę, która obejmuje kompetencje, odpowiedzialność, jakość decyzji, sposób uczenia się ludzi i standardy współpracy. Jeżeli tego namysłu zabraknie, AI bardzo szybko zaczyna być używana przypadkowo, nierówno i często w sposób sprzeczny z długofalowym interesem organizacji.

Liderzy powinni więc postawić sobie kilka trudnych pytań, zanim uznają, że sama dostępność narzędzia oznacza postęp. Muszą określić, w których obszarach AI ma wspierać człowieka, a w których zaczyna zastępować go w sposób szkodliwy dla rozwoju kompetencji.

Powinni wiedzieć, które umiejętności w organizacji są strategiczne i nie mogą zostać oddane algorytmowi bez kontroli, ponieważ to one decydują o jakości diagnozy, relacji z klientem, innowacyjności, sprawności operacyjnej albo zdolności do podejmowania decyzji w warunkach niepewności.

Muszą również odpowiedzieć sobie na pytanie, jak będą rozwijać młodszych pracowników, jeśli AI przejmie część zadań, na których dotąd uczyli się podstaw profesjonalnego myślenia.

Równie ważne jest pytanie o rozumienie i odpowiedzialność. Sama obecność dobrze napisanego tekstu, sprawnej analizy czy eleganckiej prezentacji nie dowodzi jeszcze, że pracownik rozumie problem, potrafi obronić rekomendację i zauważyć jej ograniczenia. Liderzy powinni więc tworzyć takie standardy pracy z AI, które wymagają nie tylko dostarczenia rezultatu, ale również wyjaśnienia toku rozumowania: jakie przyjęto założenia, jakie dane sprawdzono, jakie alternatywy rozważono, jakie ryzyka pominięto, co pochodzi z doświadczenia zespołu, a co jest jedynie propozycją wygenerowaną przez narzędzie. Bez tego organizacja może bardzo łatwo pomylić poprawną formę z jakością myślenia.

Kolejnym wyzwaniem jest odróżnienie realnego wzrostu produktywności od produktywności pozornej.

To, że pracownicy tworzą więcej dokumentów, szybciej odpowiadają na wiadomości i przygotowują bardziej dopracowane materiały, nie musi jeszcze oznaczać, że firma podejmuje lepsze decyzje, lepiej rozumie klientów, szybciej uczy się na błędach i skuteczniej realizuje cele strategiczne.

W wielu organizacjach istnieje pokusa, aby mierzyć wpływ AI głównie liczbą zaoszczędzonych godzin albo ilością wygenerowanych treści.

Tymczasem prawdziwy test jest znacznie trudniejszy: czy dzięki AI rośnie jakość decyzji, trafność diagnoz, samodzielność pracowników, zdolność zespołów do uczenia się i odpowiedzialność za efekty?

To są pytania, których w wielu firmach nadal brakuje, ponieważ

• łatwiej jest ogłosić wdrożenie AI niż zarządzać konsekwencjami jej używania.

• Łatwiej kupić licencje niż zbudować standardy odpowiedzialnej pracy.

• Łatwiej przeszkolić ludzi z promptowania niż nauczyć ich krytycznej weryfikacji, rozpoznawania błędów, oceny jakości źródeł i formułowania własnego stanowiska.

• Łatwiej powiedzieć, że AI zwiększa efektywność, niż sprawdzić, czy nie ogranicza jednocześnie procesu uczenia się, nie osłabia wiedzy ukrytej i nie redukuje pracowników do roli operatorów cudzych odpowiedzi.

Największy błąd liderów polega więc nie na tym, że wdrażają AI, ale na tym, że robią to bez zarządzania konsekwencjami.

Sztuczna inteligencja może być potężnym narzędziem rozwoju organizacji, ale tylko wtedy, gdy zostanie wpisana w dojrzały model pracy, odpowiedzialności i uczenia się.

Bez tego łatwo stworzyć firmę, która wygląda nowocześnie, komunikuje się sprawniej, produkuje więcej treści i szybciej reaguje operacyjnie, a jednocześnie stopniowo traci zdolność do samodzielnego myślenia, rozwijania kompetencji i podejmowania decyzji opartych na głębokim rozumieniu rzeczywistości.

Dlatego prawdziwym zadaniem lidera nie jest dziś samo zachęcanie ludzi do korzystania z AI. Jest nim zaprojektowanie takich zasad, które pozwolą korzystać z tej technologii bez niszczenia tego, co w organizacji najcenniejsze: kompetencji, odpowiedzialności, wiedzy ukrytej, krytycznego myślenia i zdolności zespołów do uczenia się. Najłatwiej jest powiedzieć: „używajmy AI, bo zwiększa efektywność”. Znacznie trudniej zbudować taki model pracy, w którym AI rzeczywiście zwiększa efektywność, ale nie odbiera ludziom okazji do rozwoju i nie osłabia zdolności organizacji do samodzielnego rozumienia własnego biznesu.

Lider jako architekt mądrego używania AI

Rola liderów nie polega dziś na blokowaniu AI. To byłoby naiwne i nieskuteczne. Ta rola polega na tworzeniu zasad, które pozwalają korzystać z AI bez degradacji kompetencji.

1. Po pierwsze, trzeba określić obszary, w których AI może działać jako wsparcie, oraz te, w których człowiek musi najpierw wykonać własną pracę poznawczą. Nie każde zadanie powinno zaczynać się od promptu. Czasem najpierw potrzebna jest samodzielna diagnoza, własna hipoteza, rozmowa z klientem, analiza danych lub dyskusja w zespole.

2. Po drugie, należy wymagać nie tylko wyniku, ale też śladu myślenia. Pracownik korzystający z AI powinien umieć wyjaśnić, jakie przyjął założenia, co sprawdził, które odpowiedzi odrzucił, gdzie widzi ryzyka i dlaczego rekomenduje dane rozwiązanie.

3. Po trzecie, trzeba chronić proces uczenia się młodszych pracowników. Jeżeli junior od początku dostaje gotowe odpowiedzi, może szybciej wykonywać zadania, ale wolniej rozwijać profesjonalny osąd. W wielu zawodach potrzebne będą świadomie zaprojektowane „strefy pracy bez AI” — nie jako kara, lecz jako trening kompetencji.

4. Po czwarte, liderzy powinni uczyć zespoły krytycznego korzystania z AI. Nie wystarczy szkolenie z promptowania. Potrzebna jest umiejętność weryfikacji, zadawania pytań, rozpoznawania błędów, oceny źródeł, testowania alternatyw i rozumienia ograniczeń narzędzia.

5. Po piąte, organizacje muszą zmienić sposób mierzenia efektywności. Jeżeli będziemy nagradzać wyłącznie szybkość i ilość wytwarzanych treści, ludzie będą używać AI głównie do przyspieszania produkcji. Jeżeli zaczniemy mierzyć jakość decyzji, trafność diagnoz, zdolność uczenia się, odpowiedzialność i wartość dla klienta, AI stanie się narzędziem wspierającym profesjonalizm, a nie maszyną do generowania pozornej produktywności.

Potrzebujemy profesjonalizacji używania AI

Dojrzałe organizacje nie powinny zatrzymywać się na pytaniu: „jak wdrożyć AI?”. To pytanie jest zbyt wąskie, ponieważ koncentruje uwagę na narzędziu, procedurze i technicznej dostępności rozwiązania. Znacznie ważniejsze jest pytanie,

w jaki sposób używać AI, aby wzmacniać kompetencje ludzi, jakość decyzji i zdolność organizacji do uczenia się, a nie stopniowo je osłabiać.

Sama obecność technologii w firmie nie oznacza jeszcze postępu. Postęp zaczyna się dopiero wtedy, gdy organizacja potrafi nadać tej technologii właściwe miejsce w systemie pracy, odpowiedzialności i rozwoju.

To wymaga profesjonalizacji używania AI.

Profesjonalizacja oznacza, że organizacja nie pozostawia korzystania ze sztucznej inteligencji przypadkowi, modzie ani indywidualnej intuicji pracowników. Ma jasne standardy określające, kiedy można używać AI, do jakich zadań, na jakich zasadach, z jakim poziomem kontroli jakości i z jaką odpowiedzialnością po stronie człowieka. Oznacza również, że menedżerowie rozumieją wpływ AI nie tylko na produktywność, ale także na procesy uczenia się, motywację, komunikację, odpowiedzialność, transfer wiedzy ukrytej i rozwój profesjonalnego osądu. Bez tego organizacja może szybko zbudować pozornie nowoczesny model pracy, który w praktyce będzie zwiększał zależność ludzi od narzędzia, zamiast wzmacniać ich kompetencje.

W praktyce profesjonalizacja używania AI powinna zaczynać się od bardzo prostego, ale wymagającego założenia, że człowiek pozostaje właścicielem myślenia, decyzji i odpowiedzialności. AI może pomagać w analizie, porządkowaniu danych, generowaniu wariantów, przygotowywaniu pierwszych wersji materiałów czy wskazywaniu możliwych kierunków interpretacji, ale nie może zwalniać pracownika z obowiązku rozumienia problemu. Jeżeli narzędzie podpowiada rozwiązanie, człowiek musi umieć ocenić jego sens, rozpoznać ograniczenia, wskazać ryzyka, zakwestionować błędne założenia i wyjaśnić, dlaczego ostatecznie przyjmuje albo odrzuca daną rekomendację.

Dlatego nie wystarczy powiedzieć ludziom, że mogą korzystać z AI. Trzeba określić, w których sytuacjach AI ma pełnić funkcję wsparcia, a w których jej użycie powinno być ograniczone, ponieważ zbyt szybkie sięgnięcie po gotową odpowiedź mogłoby zubożyć proces uczenia się. W niektórych zadaniach AI może być pierwszym narzędziem porządkowania informacji. W innych powinna pojawić się dopiero po samodzielnym sformułowaniu diagnozy, hipotezy lub wstępnego stanowiska. Taka kolejność ma znaczenie, ponieważ chroni człowieka przed utratą kontaktu z własnym procesem myślenia.

Profesjonalne używanie AI wymaga również zmiany standardów oceny pracy. Nie powinno wystarczać dostarczenie tekstu, raportu, prezentacji czy rekomendacji, które wyglądają poprawnie.

Pracownik powinien umieć pokazać, jak doszedł do wniosku, co sprawdził, jakie alternatywy rozważył, które odpowiedzi narzędzia odrzucił i na jakiej podstawie przyjął ostateczne stanowisko. W ten sposób organizacja przesuwa ciężar z samego efektu na jakość rozumowania.

To szczególnie ważne, ponieważ AI bardzo łatwo poprawia formę wypowiedzi, ale nie gwarantuje jakości diagnozy, trafności decyzji ani odpowiedzialności autora.

Profesjonalizacja oznacza także ochronę procesu uczenia się.

• AI może przyspieszać pracę, ale nie powinna eliminować tych etapów, dzięki którym ludzie zdobywają doświadczenie.

• Może generować warianty, ale człowiek musi umieć je porównać i ocenić.

• Może porządkować wiedzę jawną, ale nie zastąpi kontaktu z praktyką, z klientem, z zespołem i z konsekwencjami własnych decyzji.

• Może wspierać komunikację, ale nie zastąpi rozmowy, w której ludzie wyjaśniają założenia, negocjują znaczenia, ujawniają obawy i budują wspólne rozumienie sytuacji.

• Może zwiększać produktywność, ale nie powinna być alibi dla braku kompetencji, braku przygotowania albo braku odpowiedzialności za własny osąd.

Dojrzałe organizacje będą więc odróżniały samo korzystanie z AI od profesjonalnego korzystania z AI. Pierwsze polega na tym, że pracownicy mają dostęp do narzędzia i używają go wtedy, gdy uznają to za wygodne. Drugie polega na tym, że

organizacja świadomie projektuje zasady, które pozwalają wykorzystać potencjał technologii bez niszczenia fundamentów kompetencji. To różnica między modnym wdrożeniem a odpowiedzialnym zarządzaniem zmianą.

W erze AI przewagę niekoniecznie osiągną te firmy, które najszybciej kupią licencje i najgłośniej ogłoszą transformację technologiczną. Znacznie większą szansę na trwałą przewagę będą miały te organizacje, które nauczą się korzystać z AI w sposób zdyscyplinowany, krytyczny i rozwojowy. Tak, aby technologia wzmacniała ludzi, a nie zastępowała ich myślenie; przyspieszała pracę, ale nie skracała drogi do kompetencji; zwiększała produktywność, ale nie niszczyła odpowiedzialności, wiedzy ukrytej i zdolności organizacji do samodzielnego rozumienia własnego biznesu.

Z menedżerskim pozdrowieniem,

dr Artur Smolik

Źródła i literatura

• Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779. Klasyczne źródło do wątku „ironii automatyzacji”, czyli sytuacji, w której system przejmuje rutynowe działania, ale człowiek nadal musi odpowiadać za sytuacje nietypowe, trudne lub krytyczne.

• Brynjolfsson, E., Li, D., & Raymond, L. (2023). Generative AI at Work. NBER Working Paper No. 31161. Badanie dotyczące wykorzystania asystenta AI przez 5172 pracowników obsługi klienta; ważne dla fragmentów o produktywności, wsparciu mniej doświadczonych pracowników i różnicach w efektach AI między grupami kompetencyjnymi.

• Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper, No. 24-013. Jedno z najważniejszych badań o wpływie generatywnej AI na pracę wiedzy; pokazuje zarówno wzrost efektywności przy zadaniach mieszczących się w zakresie możliwości AI, jak i ryzyko błędów przy zadaniach poza tą granicą.

• Hohenstein, J., DiFranzo, D., Kizilcec, R. F., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J. T., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. Źródło do fragmentu o komunikacji wspieranej przez AI, smart replies, zmianie języka komunikacji oraz wpływie AI na relacje i odbiór autentyczności komunikatu.

• Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872. Preprint dotyczący możliwych kosztów poznawczych korzystania z ChatGPT przy pisaniu esejów; przydatny do wątku zaangażowania poznawczego, poczucia autorstwa i ryzyka przenoszenia pracy umysłowej na narzędzie. Wyniki warto interpretować ostrożnie, ponieważ badanie ma charakter wstępny.

• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ’25: Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. Ważne źródło do wątku krytycznego myślenia, redukcji wysiłku poznawczego, wzrostu pewności użytkowników i ryzyka powierzchownej oceny odpowiedzi generowanych przez AI.

• Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press. Podstawowa pozycja z zakresu zarządzania wiedzą organizacyjną; istotna dla rozróżnienia wiedzy jawnej i ukrytej oraz dla wyjaśnienia, jak wiedza powstaje przez praktykę, doświadczenie, interakcję i transfer między ludźmi.

• Polanyi, M. (1966). The Tacit Dimension. Doubleday. Klasyczne źródło pojęcia wiedzy ukrytej; zawiera znaną myśl, że „wiemy więcej, niż potrafimy powiedzieć”. Szczególnie ważne dla fragmentu o tacit knowledge i doświadczeniowym charakterze profesjonalnego osądu.

• Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. Przegląd badań o przenoszeniu części wysiłku poznawczego na narzędzia zewnętrzne; dobre źródło teoretyczne dla opisu erozji kompetencji i zmiany mechanizmów uczenia się.

• Ryan, R. M., & Deci, E. L. (2000). Self-Determination Theory and the Facilitation of Intrinsic Motivation, Social Development, and Well-Being. American Psychologist, 55(1), 68–78. Kluczowe źródło do wątku motywacji, autonomii, poczucia kompetencji, sprawstwa i zaangażowania wewnętrznego.

• Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips. Science, 333(6043), 776–778. Klasyczne badanie dotyczące „efektu Google”, czyli zmiany sposobu zapamiętywania informacji, gdy człowiek spodziewa się łatwego dostępu do niej w przyszłości. Przydatne do wątku cognitive offloading i zależności od narzędzi zewnętrznych.

• Wenker, K. (2022). Who Wrote This? How Smart Replies Impact Language and Agency in the Workplace. Źródło uzupełniające do fragmentu o komunikacji organizacyjnej, poczuciu autorstwa, sprawczości autora i wpływie podpowiedzi AI na treść komunikatów w pracy.