Drogi czytelniku,
Błędna diagnoza
Badanie McKinseya z 2025 r. Superagency in the Workplace objęło kadrę zarządzającą dużych organizacji. Zapytano ich, ilu pracowników używa generatywnej AI do co najmniej 30% codziennych zadań. Szacunki dyrektorów oscylowały wokół 4%. Z ankiet wśród pracowników wynika jednak, że to około 13%. Pracownicy są mniej więcej trzy razy dalej w adopcji AI, niż wydaje się ich liderom.
To nie tę lukę próbują zasypać programy AI w większości korporacji. Firmy skupiają się na brakach w wiedzy: kupują licencje, organizują szkolenia i mierzą wskaźniki ich ukończenia. Tymczasem raport Salesforce z 2024 r. wykazał, że po szkoleniach z AI pracownicy osiągali wyniki testów na poziomie 90%, ale w realnej pracy stosowali zaledwie 1/3 przyswojonych zasad. Znali materiał, ale nie zmienili zachowania.
Ten schemat dobrze znamy. Wdrożenia ERP, CRM i BPM od trzech dekad uderzają w ten sam mur: przeszkoleni użytkownicy, stare nawyki, poboczne procesy operacyjne (shadow workflows) działające równolegle do nowego systemu. Zarządzanie zmianą istnieje jako samodzielna dyscyplina, ponieważ znajomość narzędzia a zmiana zachowania to dwa zupełnie inne problemy.
To, co wyróżnia AI, to głębokość tej zmiany. System ERP zmieniał miejsce, w którym wprowadzasz dane. AI wymaga zmiany sposobu myślenia: kiedy zaufać wynikom, kiedy nadpisać je własnym osądem, która część pracy należy do ciebie, a która do modelu. To zmiana nawyków poznawczych, a nie tylko kroków w procesie. Nawyki poznawcze zmieniają się znacznie wolniej, dlatego podejście “przecież ich przeszkoliliśmy” przynosi tu gorsze efekty niż przy ERP.
Twarde dane na ten temat są bezlitosne. Program CEB/Gartner Metrics that Matter wskazuje, że odsetek wiedzy dostarczonej, ale nigdy niezastosowanej w pracy (scrap learning) wynosi blisko 45%. Recenzowana literatura naukowa dotycząca transferu wiedzy od czterdziestu lat potwierdza dokładnie to samo: Baldwin i Ford (1988), Blume i in. (2010, metaanaliza 89 badań), Hughes i in. (2020) oraz Salas i in. (2012) są zgodni. Środowisko pracy (wsparcie menedżera, wsparcie zespołu, okazja do praktyki, odpowiedzialność za wdrożenie) ma drastycznie większy wpływ na to, czy wiedza zamieni się w zachowanie, niż same treści szkoleniowe. Tymczasem korporacyjne programy AI inwestują w treści, ignorując środowisko pracy.
Szkolenia odpowiadają na pytanie: czego oni nie wiedzą? Skuteczna adopcja nowych rozwiązań wymaga odpowiedzi na nieco inne: dlaczego nie zachowują się inaczej, nawet jeśli już wiedzą?
Dlaczego AI to inna kategoria poznawcza
Wcześniejsze technologie IT zmieniały procedury; praca poznawcza (ocena ryzyka, wyczucie, że coś jest nie tak) pozostawała domeną człowieka. AI wkracza w tę właśnie warstwę. Kupiec biegle używający AI ocenia ryzyko dostawcy i kompromisy marżowe wspólnie z asystentem, a następnie decyduje, którym wynikom zaufać. Praca sprowadza się do weryfikacji inteligentnego systemu, którego toku rozumowania nie da się w pełni zaudytować. Generuje to trzy problemy, których nie da się rozwiązać szkoleniami.
Pierwszy to automation bias (błąd automatyzacji). Użytkownicy delegują pracę poznawczą do AI, nawet gdy wyniki modelu są błędne (Wydanie #33 szczegółowo omawiało ten aspekt od strony projektowej). Badania Szwajcarskiej Szkoły Biznesu z 2025 r. (DOI 10.3390/soc15010006) definiują to jako różnicę między AI jako partnerem poznawczym (człowiek zachowuje kontrolę metapoznawczą) a AI jako substytutem poznawczym (człowiek w pełni deleguje wnioskowanie). Te dwa scenariusze dają skrajnie różne efekty uczenia się. Nadmierne odciążenie blokuje ludzkie procesy analityczne. Szkolenie nie naprawi interfejsu, który z definicji spycha użytkowników w stronę ślepego akceptowania.
Drugi problem to dewaluacja ekspertyzy. Status i tożsamość doświadczonych pracowników opierają się na zgromadzonej wiedzy. AI komodytyzuje znaczną jej część: junior świetnie władający promptami może w niektórych domenach dorównać weteranowi z dwudziestoletnim stażem. Weteran stawia opór wdrożeniom, bo AI stanowi realne zagrożenie dla jego pozycji. Badanie z 2025 roku przeprowadzone przez Liu i zespół na grupie 311 pracowników dowodzi, że świadomość AI wywołuje zjawisko ukrywania wiedzy, napędzane wyczerpaniem zasobów psychologicznych. Pracownicy czujący zagrożenie chronią swoje kompetencje, zamiast rozwijać nowe.
Trzeci problem to zagrożenie tożsamości – zjawisko, które badacze uznają za najtrudniejszą część zmiany organizacyjnej. Argyris nazwał ten mechanizm już w 1977 roku: większość szkoleń dostarcza uczenia pojedynczej pętli (zmiana zachowania w obrębie istniejących założeń), podczas gdy adopcja AI wymaga z reguły uczenia podwójnej pętli (rewizja samych założeń). Analiza Beckera z 2019 roku wykazała, że takie przejście uderza w tożsamość zawodową, zaburza dynamikę relacji i wymaga stałej presji środowiska operacyjnego. Tego nie załatwi dwugodzinny warsztat. Potrzebne są realne doświadczenia, wzorce ze strony współpracowników i wsparcie organizacyjne. O tym właśnie mówi literatura badawcza od 40 lat.
Wąskie gardło menedżerów
Najbardziej sprzeczne z intuicją odkrycie w ostatnich badaniach: głównym hamulcem adopcji AI wcale nie są pracownicy liniowi tylko warstwa menedżerska.
Badanie BCG AI at Work 2025 (n=10 635 pracowników z 11 krajów) wykazało, że zaledwie 25% pracowników dostrzega silne wsparcie w korzystaniu z AI ze strony liderów. Tam, gdzie takie wsparcie występuje, odsetek pracowników pozytywnie nastawionych do generatywnej AI rośnie z 15% do 55%. Dawanie osobistego przykładu przez liderów wpływa na wskaźniki wdrożenia bardziej niż jakikolwiek techniczny aspekt badanych systemów.
Raport Gallupa State of the Global Workplace 2025 uzupełnia ten obraz o ważny kontekst: zaledwie 44% menedżerów na świecie przeszło jakiekolwiek szkolenie z zarządzania. Oczekiwanie, że menedżerowie bez przygotowania będą modelować zupełnie nowe praktyki poznawcze u podwładnych – podczas gdy sami nie używają AI w swojej pracy – to gotowy przepis na porażkę. Dane BCG pokazują, jak słabą dźwignią są same godziny szkoleń: pracownicy, którzy odbyli ponad 5 godzin szkoleń z AI, to w 79% regularni użytkownicy; dla tych poniżej 5 godzin wynik ten wynosi 67%. Co więcej, 18% zaawansowanych użytkowników AI nie odbyło żadnego oficjalnego szkolenia. Wsparcie menedżera jest o wiele lepszym predyktorem sukcesu adopcji niż czas spędzony na kursach.
Czym naprawdę jest reskilling
Reskilling to nie jest po prostu więcej godzin szkoleń. Kluczowe rozróżnienie w tej kwestii zostało wyraźnie wskazane w raportach WEF, McKinsey oraz ATD.
Szkolenie przekazuje wiedzę i jest mierzone na 1. lub 2. poziomie skali Kirkpatricka. Upskilling pogłębia istniejące kompetencje na danym stanowisku. Z kolei Reskilling łączy zmianę zachowań, oduczanie się starych nawyków i infrastrukturę wsparcia organizacyjnego, co w efekcie prowadzi do istotnej przebudowy roli w firmie. Jego skuteczność mierzy się na 3. poziomie Kirkpatricka – poprzez trwałą zmianę zachowań podczas pracy, weryfikowaną po 30, 60 i 90 dniach, a nie za pomocą ankiet zaraz po wyjściu z sali szkoleniowej.
Arbitraż kosztowy to konkret: WEF szacuje oszczędności z reskillingu obecnych pracowników na 70-92% w stosunku do rekrutacji zewnętrznej. Ten argument biznesowy broni się jednak tylko wtedy, gdy mówimy o prawdziwej transformacji, a nie o kursie zakończonym certyfikatem.
Czego wymaga to w praktyce:
Infrastruktura Liderów Zmian (Champions). Citi stosuje tu model dwupoziomowy: około 25-30 oficjalnych “AI Champions” wspiera blisko 4 000 dobrowolnych ambasadorów technologii “AI Accelerators” wśród 182 000 pracowników w 84 krajach. Środowisko to napędza oddolna wymiana wiedzy i wewnętrzne odznaki, bez powiązania z wynagrodzeniem. Efekt to ponad 70% załogi używającej zatwierdzonych firmowych narzędzi AI. Wymóg podstawowych szkoleń z promptowania Citi wdrożyło dopiero pod koniec 2025 r. Oddolna sieć wciąż pozostaje głównym motorem głębokiego zaangażowania.
Taksonomia umiejętności i architektura ról przed uruchomieniem szkoleń. Program Future Ready w AT&T o budżecie 1 mld USD (Donovan i Benko, HBR, październik 2016) zredukował około 2 000 etatów do pojemniejszych kategorii stanowisk i zbudował wewnętrzną platformę Career Intelligence pokazującą wymagane umiejętności i wektory migracji stanowiskowej – wszystko to zanim uruchomiono masowe szkolenia. Większość organizacji robi na odwrót. Przeszkoleni pracownicy AT&T finalnie obsadzili połowę nowo utworzonych stanowisk w obszarze zarządzania technologią.
Wsparcie menedżerów jako inwestycja na start. Skoro wsparcie ze strony przełożonych najsilniej determinuje skuteczność wdrożenia, przygotowanie liderów (manager enablement) powinno otwierać listę wydatków. Zazwyczaj jest na samym końcu.
Pomiary na 3. poziomie Kirkpatricka. Odsetek Shadow AI zmigrowanego do oficjalnych narzędzi, konkretne zmiany w zachowaniu operacyjnym poszczególnych ról, zmiana produktywności w przebudowanych procesach. Bez pomiarów na Poziomie 3., program staje się niewidoczny dla zarządu i nie generuje zwrotu z inwestycji.
Infrastruktura oduczania. Celowe wsparcie dla doświadczonych ekspertów, których wiedza ulega częściowej komodytyzacji przez AI, w tym coaching zarządczy.
Briefing
Instytut Hendersona z ramienia BCG opublikował w kwietniu 2026 r. raport AI Will Reshape More Jobs Than It Replaces, oparty na analizie 165 mln stanowisk w USA w 1 500 obszarach. Wnioski: AI w ciągu dwóch, trzech lat przebuduje 50-55% ról na rynku, a kolejne 10-15% wyeliminuje w horyzoncie pięcioletnim. Głównym problemem dla firm staje się reskilling prowadzony na masową skalę, a czas na działanie jest o wiele krótszy, niż zakładają to plany zarządów. Rynek nie ma w tej sprawie jasnego kierunku: jedne firmy właśnie ogłaszają cięcia w imię AI, inne — które mają takie cięcia już za sobą — wycofują się z nich, gdy okazuje się, że przesadziły. To dwa etapy tego samego procesu. W maju 2026 r. PayPal ogłosił redukcję zatrudnienia rzędu 20%, wprost nazywając to strategicznym pivotem w stronę AI. CEO Klarny — która ten ruch wykonała wcześniej — na początku 2026 r. przyznał, że firma zbyt agresywnie podeszła do zastępowania ludzi algorytmami i musiała wznowić rekrutację w modelu hybrydowym.
Czas na dostosowanie do regulacji również się kurczy. Artykuł 4 EU AI Act (dotyczący kompetencji AI) obowiązuje od lutego 2025 r. Cyfrowy “Digital Omnibus” z 7 maja 2026 r. złagodził nieco wymogi dla wdrożeniowców na rzecz “wspierania rozwoju”, jednak utrzymał bezwzględny obowiązek szkoleń z nadzoru ludzkiego (Human-in-the-loop) dla systemów wysokiego ryzyka. Kraje członkowskie rozpoczną ścisłe egzekwowanie przepisów od 2/3 sierpnia 2026 r., z możliwością nakładania kar sięgających 15 mln euro lub 3% globalnego obrotu z poprzedniego roku.
Pytania do zarządu
Czy ktoś w Twojej organizacji odpowiada za reskilling? Jeśli w kontekście AI myślisz tylko o szkoleniach i szukasz generycznych programów szkoleniowych dla załogi, to nie spodziewaj się zmian zachowań.
Jaki procent Twoich inwestycji w AI wspiera rozwój menedżerów (manager enablement) w stosunku do zakupów licencji dla użytkowników końcowych? Dane wskazują, że główne wąskie gardło leży poziom wyżej w hierarchii organizacji niż miejsce, w którym koncentruje się większość inwestycji firmowych.
Jak mierzysz kompetencje i poziom wdrożenia AI? Jeśli wskaźnikiem jest liczba ukończonych szkoleń lub stopień utylizacji licencji, mierzysz dopiero Poziom 1. Jakie masz metryki dla Poziomu 3 (zachowania) sprawdzane po 30, 60 i 90 dniach?
Kiedy wyższa kadra zarządzająca (poza strukturami AI Lab / CoE) ostatni raz w widoczny sposób użyła generatywnej AI do własnych, codziennych zadań? Skok adopcji z 15% do 55% wynikający bezpośrednio z osobistego przykładu liderów pokazuje, że taki sygnał daje niekiedy więcej niż najdroższe i najbardziej rozbudowane szkolenia od vendora.
Podsumowanie
Dominujące na rynku podejście do wdrożeń AI sprowadza się do zakupu narzędzia, uruchomienia kursu i raportowania odsetka jego ukończenia. Dane zebrane przez trzydzieści lat wdrażania technologii IT, cztery metaanalizy efektywności szkoleń oraz szerokie pomiary prowadzone w latach 2024-2026 przez BCG, McKinsey i Wharton dają jednoznaczny wniosek: to podejście ogranicza realny poziom wykorzystania technologii. Raport BCG z 2026 roku AI Transformation Is a Workforce Transformation pokazuje koszty tego błędu: 60% firm nie generuje żadnej mierzalnej wartości z AI mimo ciągłych inwestycji, a zaledwie 5% potrafi przekuć je w wartość skalowalną biznesowo.
Przebudowa procesów, architektura ról, przygotowanie menedżerów, infrastruktura Champions, pomiary na Poziomie 3., wsparcie w oduczaniu są dużo trudniejsze, wolniejsze i generują znacznie większe koszty. Ale to tu jest dźwignia do zwrotu z inwestycji: dane MIT-CISR dotyczące przejścia z 2. do 3. etapu dojrzałości organizacyjnej pokazują, że marża brutto rośnie wtedy z poziomu -1,4 p.p. poniżej rynku do +0,8 p.p. powyżej rynku, a przychody notują skok rzędu +4,7 p.p.
Zachowaj równowagę, Krzysztof Goworek
Krzysztof Goworek jest założycielem Quintant — firmy wspierającej wdrożenia AI dające mierzalne efekty biznesowe.