Algorytm jest szybki, decyzja niekoniecznie.

Algorytm jest szybki, decyzja niekoniecznie.

Dziewięćdziesiąt pięć procent firmowych pilotaży generatywnej AI nie przynosi mierzalnego efektu w wyniku finansowym. To nie jest porażka technologii. To porażka tempa.

A najciekawsze pytanie brzmi nie „dlaczego”, tylko „kto za to płaci”.

Wszyscy wdrażają, prawie nikt nie zarabia

Zacznijmy od liczb, bo straszenie zostawmy konferencyjnym mówcom. Z badania McKinsey z 2025 roku wynika, że już 88% organizacji regularnie używa AI w co najmniej jednym obszarze działalności. Imponująco. Tyle że realny, mierzalny wpływ na wynik operacyjny raportuje zaledwie garstka — McKinsey nazywa ich „high performers” i stanowią oni około 6% badanych firm.

Osiemdziesiąt osiem procent wdraża. Sześć procent zarabia.

Ta przepaść nie bierze się z tego, że modele są za słabe. Bierze się z tego, jak je wdrażamy — szybko, efektownie i bez fundamentów. I to jest właściwy temat tego tekstu: nie technologia, lecz pośpiech, z jakim po nią sięgamy.

Jak ujęli to autorzy Harvard Business Review w grudniu 2024 roku — Martin Reeves, Mihnea Moldoveanu i Adam Job — szybkość algorytmu potrafi zamaskować prostą prawdę: strategiczna decyzja wciąż wymaga powolnego, czysto ludzkiego przetwarzania. Algorytm jest błyskawiczny. Osąd natomiast z definicji nie powinien być.

Anatomia pośpiechu

Dlaczego więc projekty AI tak masowo grzęzną?

Raport RAND Corporation, oparty na rozmowach z 65 doświadczonymi inżynierami i data scientistami, mówi wprost: ponad 80% projektów AI kończy się niepowodzeniem — to dwa razy więcej niż w przypadku „zwykłych” projektów IT. Przyczyny rzadko są techniczne. To źle zrozumiany problem biznesowy, pogoń za prestiżem „błyszczącej nowości”, fragmentaryczne dane i brak governance, czyli ładu, który mówi, kto za co odpowiada i co wolno wdrożyć.

W polskiej redakcji MIT Sloan Management Review krąży na to celne określenie: „piekło pilotaży”. Miejsce, w którym w każdym dziale buduje się efektowne proof of concept, a potem żaden z nich nie trafia do produkcji — albo trafia w wersji, która nigdy nie miała prawa tam się znaleźć.

I tu pozwolę sobie na historię, którą opowiedział mi kolega na korytarzu jednej z konferencji.

Pracował nad PoC nowej aplikacji. Zespół spełnił minimum wymagań, klient zobaczył efekt WOW, projekt został zaakceptowany. Klasyczny sukces — na slajdzie. Problem zaczął się później. Dalszy rozwój i przeniesienie na produkcję zrobiono, minimalizując koszty do granic. Skróty, których nie widać na demie: pominięta walidacja, obejścia zamiast architektury, brak twardych testów na danych brzegowych.

Efekt? Na produkcję trafił produkt, który w praktyce był niebezpieczny.

To jest dług technologiczny w czystej postaci — skróty wzięte pod presją czasu, które wracają z odsetkami. Tyle że przy AI te odsetki bywają wyższe niż przy klasycznym oprogramowaniu, bo system, który „prawie działa”, potrafi prawie działać bardzo przekonująco.

Rachunek przychodzi

I rachunek faktycznie przychodzi. Według badania S&P Global Market Intelligence z 2025 roku odsetek firm porzucających większość swoich inicjatyw AI skoczył w ciągu jednego roku z 17% do 42%. Przeciętna organizacja kasuje dziś blisko połowę projektów na etapie proof of concept, zanim zobaczą one produkcję.

To nie pech. To opóźniona płatność za pośpiech, który wziął górę nad przygotowaniem.

Warto przy tym zachować trzeźwość wobec danych. Wspomniane na początku „95% pilotaży bez efektu” pochodzi z raportu MIT (projekt NANDA, 2025) i jest sugestywne — ale to wciąż wstępna, nierecenzowana migawka rynku, krytykowana pod kątem metodologii. Traktujmy ją jako kierunek, nie jako wyrok. Kierunek jest jednak we wszystkich źródłach zgodny: pieniądze i czas wyciekają na etapie, na którym nikt nie zdążył przemyśleć całości.

Koszt nie znika — tylko się przenosi

Pośpiech ma jeszcze jedną, mniej oczywistą cenę. Tę pierwszą — porzucone projekty, spalony budżet — widać w sprawozdaniu finansowym. Druga nie pojawia się w żadnej tabeli, bo płaci ją nie organizacja, lecz konkretny człowiek. Specjalista i menedżer, którzy w pędzie przestają sprawdzać.

I nie jest to teza filozoficzna. Jest zmierzona.

W październiku 2025 roku w „The Lancet Gastroenterology & Hepatology” ukazało się badanie zespołu z Akademii Śląskiej w Katowicach — Krzysztofa Budzynia i Marcina Romańczyka. Dziewiętnastu doświadczonych endoskopistów, z których każdy wykonał ponad dwa tysiące kolonoskopii, przebadano przed i po wprowadzeniu AI wspomagającej wykrywanie polipów. Wynik: gdy ci sami lekarze pracowali bez AI, ich skuteczność wykrywania zmian spadła z 28,4% do 22,4%. Sześć punktów procentowych w dół. W trzy miesiące.

To pierwszy udokumentowany w realnych warunkach przypadek „deskillingu” — utraty kompetencji — wywołanego przez AI. I dotyczy ekspertów, nie nowicjuszy.

Jeśli można odzwyczaić od czujności lekarza z tysiącami zabiegów na koncie, to co dzieje się z resztą z nas?

Ironia automatyzacji ma czterdzieści lat

Najciekawsze jest to, że wiedzieliśmy o tym, zanim powstał pierwszy LLM.

W 1983 roku brytyjska badaczka Lisanne Bainbridge opisała w eseju „Ironies of Automation” zjawisko, które dziś brzmi jak komentarz do naszej rzeczywistości. Automatyzujesz rutynę — a wraz z nią odbierasz człowiekowi praktykę. Osąd, który był potrzebny do pilnowania procesu, zanika, bo nie jest ćwiczony. I gdy nadchodzi rzadki, krytyczny moment, w którym maszyna sobie nie radzi i trzeba przejąć ster — dawny ekspert jest już w nim nowicjuszem.

Najgłębsza ironia Bainbridge’a: im bardziej niezawodny system, tym większej inwestycji w ludzką kompetencję wymaga. Nie mniejszej.

Czternaście lat później, w 1997 roku, Raja Parasuraman i Victor Riley nazwali to, co dziś przeżywamy na masową skalę: automation bias, czyli skrzywienie automatyzacyjne — skłonność do bezkrytycznego ufania wskazaniom maszyny i zaprzestania niezależnej weryfikacji. Człowiek wypada „z pętli” i przestaje monitorować.

A Daniel Kahneman dał nam najprostszy obraz tego, co się dzieje. Mamy dwa tryby myślenia: szybki, intuicyjny System 1 i wolny, analityczny System 2. Szybki output algorytmu kusi, by zostać w Systemie 1 — przyjąć gotowe, nie uruchamiać tego wolniejszego, kosztownego, sprawdzającego myślenia.

I tu wracam do obserwacji z własnej praktyki.

Widać to dziś u wszystkich. Programiści coraz częściej akceptują podpowiedzi modelu bez czytania, co dokładnie ten kod robi. Ale to samo dzieje się na innych piętrach: prawnik bierze wygenerowaną analizę bez sprawdzenia, czy cytowane orzeczenia w ogóle istnieją. Menedżer wkleja rekomendację do prezentacji bez weryfikacji źródeł. Prezes podejmuje decyzję na podstawie podsumowania, którego nikt nie skonfrontował z danymi.

To nie jest problem jednej grupy zawodowej. To wspólny odruch — i pisaliśmy już o nim w artykule „Ufaj, ale sprawdzaj — czyli czego polski paradoks AI uczy nas o pracy z maszyną”. Automatyzacja kognitywna — automatyzacja zadań wymagających myślenia — ma tę właściwość, że im jest lepsza, tym łatwiej oddać jej również tę część, której oddawać nie wolno: osąd.

Co mówią najnowsze badania

Współczesna nauka domyka ten obraz — i robi to coraz konkretniej.

Najwięcej do myślenia daje badanie zespołu z Harvard Business School i BCG opublikowane w grudniu 2025 roku (Randazzo, Lifshitz-Assaf, Kellogg, Dell’Acqua, Mollick i inni). 244 konsultantów rozwiązywało ten sam problem biznesowy z pomocą GPT-4 — przeanalizowano blisko pięć tysięcy interakcji. Okazało się, że mając identyczne narzędzie i identyczne zadanie, ludzie podzielili się na trzy typy.

„Centaury” (14%) używały AI wybiórczo, zachowując kontrolę nad całością — i osiągnęły najwyższą trafność rekomendacji, pogłębiając przy okazji własną wiedzę dziedzinową. 

„Cyborgi” (60%) prowadziły z modelem nieustanny dialog, kwestionując i weryfikując jego odpowiedzi — i rozwinęły nową kompetencję pracy z AI. 

I wreszcie „samo-automatyzatorzy” (27%), którzy oddali maszynie całe zadanie w jednym czy dwóch promptach i przyjęli wynik — z czego 44% bez żadnej zmiany. Ta grupa nie rozwinęła ani kompetencji AI, ani dziedzinowej. Stała się, jak ujęli to autorzy, biernym przekaźnikiem.

To jest być może najważniejszy wniosek dla każdego menedżera. Bo wszyscy trzej „mieli człowieka w procesie tworzenia” (ang. man in the loop). Różnica nie polegała na tym, czy człowiek był obecny — tylko na tym, co ten człowiek robił.

Reszta badań układa się w spójny kierunek. Microsoft Research i Carnegie Mellon (2025, badanie na 319 pracownikach): im większe zaufanie do AI, tym mniej krytycznego myślenia; im większa pewność własnych kompetencji, tym więcej weryfikacji. Michael Gerlich (2025, 666 uczestników): częste używanie AI koreluje z niższym poziomem krytycznego myślenia poprzez „cognitive offloading” — przerzucanie wysiłku poznawczego na zewnątrz. To korelacje, nie dowody przyczynowe, i tak należy je czytać.

Uczciwie trzeba dodać: to wciąż młody obszar badań. Międzynarodowy raport o bezpieczeństwie AI z 2026 roku wprost zaznacza, że dowody na związek między używaniem AI a osłabieniem myślenia są dopiero gromadzone i wymagają potwierdzenia. Traktujmy je więc jako wskazówkę kierunku, nie jako ostateczny werdykt. Ale kierunek jest niepokojąco jednorodny.

Dystans — najbardziej niedoceniane narzędzie menedżera

W praktyce zarządzania jest moment, który często się pomija: świadome wyjście z trybu ciągłego reagowania. Dopiero gdy na chwilę odłączysz się od strumienia powiadomień i bieżących bodźców, pojawia się przestrzeń na realną analizę.

To właśnie wtedy zaczynają działać kompetencje, których nie da się zastąpić algorytmem. Intuicja zbudowana na doświadczeniu projektowym, zdolność prowadzenia rozmów bez ukrytej agendy oraz świeżość myślenia, która nie powstaje w warunkach ciągłego pośpiechu. To elementy, które bezpośrednio wpływają na jakość decyzji, a nie tylko ich szybkość.

Technologia znacząco zwiększa tempo generowania rozwiązań. Jednak przewaga konkurencyjna nie wynika z liczby odpowiedzi, lecz z umiejętności ich selekcji. Dystans poznawczy pozwala właściwie zdefiniować problem i ocenić, które z dostępnych opcji mają realną wartość biznesową.

Świadome „odświeżanie” perspektywy — poprzez odejście od cyfrowego szumu i powrót do bardziej analogowego, pogłębionego myślenia — nie jest stratą czasu operacyjnego. To jedno z kluczowych narzędzi wspierających trafność decyzji i długoterminową efektywność organizacji.

Zwolnić, żeby przyspieszyć

Tu obie literatury — biznesowa i poznawcza — schodzą się w jednym punkcie. Recepta nie brzmi „mniej AI”. Brzmi „mniej pośpiechu, więcej osądu”.

McKinsey pokazuje to twardo: u firm, które realnie zarabiają na AI, fundamentalne przeprojektowanie procesów pod AI wystąpiło w 55% przypadków, wobec 20% u pozostałych. Różnica między tymi, którzy zarabiają, a tymi, którzy tylko wdrażają, nie leży w lepszym modelu. Leży w lepiej poukładanym procesie i w utrzymanej kompetencji człowieka.

I tu wraca lekcja z badania BCG. „Miej człowieka w pętli” to za mało — bo samo-automatyzator też go w niej miał. Liczy się tryb: czy człowiek nadaje kierunek i weryfikuje, jak centaur, czy po cichu abdykuje. Świadomy human-in-the-loop — człowiek jako realny nadzorca i punkt decyzyjny, a nie listek figowy — to nie formalność. To różnica między augmentacją a powolną rezygnacją z własnego osądu.

To jest właśnie augmentacja w praktyce: AI jako wzmocnienie człowieka, nie jego zamiennik. A żeby osąd dało się wzmacniać, trzeba go najpierw utrzymać przy życiu. Stąd nieoczywista część strategii — celowe ćwiczenie kompetencji eksperckich i okresowe wyłączanie „technologicznego autopilota”. To samo, co zrobiliśmy z liczeniem w pamięci, gdy przyszedł arkusz kalkulacyjny: zaufaliśmy mu, ale ktoś w zespole nadal potrafił sprawdzić, czy wynik ma sens.

Na koniec — jedno pytanie

Następnym razem, gdy AI poda Ci gotową odpowiedź w trzy sekundy, zadaj sobie proste pytanie:

Czy sprawdziłbym ją, gdyby napisał ją człowiek?

Jeśli odpowiedź brzmi „tak” — to właśnie tę weryfikację warto ocalić. Nie dlatego, że maszyna jest gorsza od człowieka. Dlatego, że szybkość, którą nam daje, jest warta tyle, ile osąd, który jej towarzyszy.

A jak to wygląda u Was? Gdzie w Waszych organizacjach pośpiech wygrał z weryfikacją — i co pomogło to odwrócić? Napiszcie w komentarzach; te historie z pierwszej linii są dziś cenniejsze niż niejeden raport.

Słowniczek

  • Automation bias (skrzywienie automatyzacyjne) — skłonność do bezkrytycznego ufania wskazaniom systemu i zaprzestania samodzielnej weryfikacji.
  • Deskilling — utrata wcześniej posiadanych kompetencji wskutek polegania na automatyzacji; atrofia umiejętności, które przestają być ćwiczone.
  • Dług technologiczny — skróty i obejścia wzięte pod presją czasu, które obniżają jakość rozwiązania i „wracają z odsetkami” w przyszłości.
  • Human-in-the-loop — model pracy, w którym człowiek pozostaje realnym nadzorcą i punktem decyzyjnym w procesie prowadzonym przez AI.
  • Cognitive offloading (przerzucanie poznawcze) — oddawanie wysiłku umysłowego na zewnątrz (narzędziu, algorytmowi) zamiast wykonywania go samodzielnie.
  • Augmentacja — wykorzystanie AI do wzmocnienia możliwości człowieka, a nie do jego zastąpienia.

Źródła

Mariusz Kaczor

, , ,

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *

Dołącz do społeczności FIT!

KRS Fundacji: 0001236175

NIP: 5223371463

Polityka Prywatności

About

© Fundacja Inteligentna Transformacja