Sytuacja z poniedziałku: potrzebuję na szybko analizy, wrzucam prompt i po dwudziestu sekundach mam na ekranie gotowy tekst. Wszystko się zgadzało – struktura, logiczne wnioski, a na deser ładnie sformułowana rekomendacja. Wyglądało to tak profesjonalnie, że ręka sama wędrowała mi w stronę Ctrl+V. No po prostu idealna pokusa, żeby odhaczyć zadanie i przejść do kolejnej rzeczy.
I właśnie o tej krótkiej chwili jest ten tekst.
To nie był moment, w którym faktycznie pomyślałem o problemie. Wręcz przeciwnie – o mało nie wyłączyłem czujności, bo wygenerowany materiał okazał się na tyle dobry, że nikt by się nie zorientował, że powstał w minuty. Ja prawdopodobnie też szybko bym o tym zapomniał.
Spis treści
Co się naprawdę zmieniło: koszt produkcji spadł, koszt osądu nie
Przez większość mojej kariery zawodowej największym wyzwaniem było czyste rzemiosło, czyli fizyczne wyprodukowanie czegokolwiek. Napisanie rzetelnego raportu pożerało kilka dni, przygotowanie dziesięciu wariantów kampanii wymagało tygodnia pracy, a zebranie materiałów przed podjęciem decyzji oznaczało godziny przekopywania źródeł. Ponieważ ta praca kosztowała najwięcej czasu, to wokół niej budowaliśmy całą optymalizację – od szablonów, przez procedury, aż po podział zadań w zespołach.
Dzisiaj ten koszt spadł praktycznie do zera.
Dziesięć alternatywnych strategii mogę dostać w minutę, a raport powstaje szybciej, niż ekspres zdąży zaparzyć kawę (jeśli masz odpowiednią liczbę tokenów ;)). W tym miejscu kryje się jednak haczyk, który niezwykle łatwo przeoczyć: choć koszt wyprodukowania odpowiedzi drastycznie zmalał, to koszt oceny jej jakości nie drgnął nawet o milimetr. Przejrzenie i weryfikacja dziesięciu propozycji zajmuje nam dokładnie tyle samo czasu, co kiedyś. A czasem nawet więcej, bo nagle na stole leży dziesięć opcji zamiast dwóch.
Wąskie gardło wcale więc nie zniknęło. Przesunęło się po prostu o jeden krok dalej – z etapu produkcji do etapu weryfikacji. I dlatego myślenie krytyczne, traktowane dotąd jak ładny, ale nieco oklepany ozdobnik z ogłoszeń o pracę, z dnia na dzień stało się kluczową kompetencją, na której zamyka się cały proces.
Dlaczego płynność wyłącza naszą czujność?
W relacji z AI działa pewien mechanizm psychologiczny, który warto nazwać po imieniu, bo poddajemy mu się absolutnie wszyscy.
Kiedy tekst jest napisany spójnie i bezbłędnie, podświadomie odbieramy go jako prawdziwy. Pewność tonu automatycznie utożsamiamy z trafnością merytoryczną. To naturalny skrót poznawczy, który świetnie znamy z sali konferencyjnej: gdy ktoś mówi płynnie, elokwentnie i bez wahania, z automatu zakładamy, że wie, o czym mówi. W świecie ludzi to zazwyczaj prawda, bo na taką pewność siebie trzeba zapracować wiedzą i doświadczeniem.
Model językowy całkowicie rozłączył te dwie rzeczy. Pisze z dokładnie takim samym przekonaniem wtedy, gdy podaje twarde fakty, jak i wtedy, gdy po prostu zgaduje. My natomiast wciąż czytamy go starym nawykiem, dając się uwieść nienagannej stylistyce.
Do tego dochodzi prosta matematyka: im więcej materiałów zalewa naszą skrzynkę, tym mniej uwagi możemy poświęcić każdemu z nich. Zauważyłem u siebie niepokojącą zależność – większa ilość danych wyjściowych wcale nie poprawia jakości decyzji, tylko ją rozcieńcza. Przejrzenie dwudziestu dokumentów w godzinę nie sprawi, że nagle uruchomimy w sobie dwadzieścia razy więcej krytycyzmu. Nasz zasób uwagi pozostaje ten sam, tyle że dzielimy go na coraz drobniejsze części.
Trzy miejsca, w których osąd umyka najczęściej
Kiedy patrzę wstecz na sytuacje, w których o mało nie kliknąłem „dalej” zbyt szybko, potencjalny błąd zazwyczaj krył się w jednym z trzech obszarów:
Brakujący kontekst: Model uśrednia to, co typowe dla rynku, i podaje to jako pewnik. Nie wie jednak (bo i skąd), że dany klient odszedł od konkurencji dokładnie przez rozwiązanie, które sztuczna inteligencja właśnie nam rekomenduje. Sam o to nie zapyta – to człowiek musi wnieść ten kontekst do równania.
Fałszywa pewność: AI rzadko sygnalizuje granicę swojej wiedzy. Człowiek wprost przyzna: „nie jestem pewien tych danych”. Model po prostu wpisze najbardziej prawdopodobną liczbę i przejdzie do kolejnego zdania. Ten brakujący filtr ostrożności leży całkowicie po naszej stronie.
Ciążenie ku przeciętności: Algorytmy są zbudowane na tym, co powtarzalne i statystycznie najczęstsze. W wielu sytuacjach to wystarcza, ale „odpowiedź popularna” to rzadko „odpowiedź właściwa” dla unikalnego problemu biznesowego. Różnica między nimi stanowi całą wartość, za którą realnie płacą nam klienci.
Krytyczne myślenie nie zwalnia tempa – ono zwiększa przepustowość
Najprostszym, ale też najbardziej błędnym wnioskiem z tej diagnozy byłoby stwierdzenie: „w takim razie zwolnijmy, sprawdzajmy każde słowo i nie ufajmy technologii”. Nie o to chodzi.
Krytyczny osąd nie działa jak hamulec w pracy z AI. On pozwala bezpiecznie wcisnąć gaz do dechy.
Sama prędkość generowania bez zdolności do oceny efektu nie jest realną efektywnością – to po prostu zaciąganie długu merytorycznego. Każdy niesprawdzony dokument, bezrefleksyjnie przyjęta rekomendacja czy liczba wklejona bez pytania „skąd ona się wzięła”, wrócą do nas rykoszetem w najmniej odpowiednim momencie. Zespół, który tworzy treści dziesięć razy szybciej, ale nie potrafi ich zweryfikować, wcale nie przyspieszył pracy. Stał się po prostu dziesięć razy szybszy w robieniu rzeczy, których nikt merytorycznie nie zważył.
Na tym polega dzisiejsza ludzka przewaga (human advantage). Nie wygramy z modelami na masową produkcję i nie ma sensu się w to bawić, bo tę rywalizację już dawno przegraliśmy. Nasza wartość leży w umiejętnym zatrzymaniu się i zadaniu pytania: czy to, co właśnie powstało, ma w ogóle sens?
Co to oznacza dla managera w praktyce?
Zamiast tworzyć długie listy procedur, w codziennej pracy z zespołem staram się trzymać trzech prostych nawyków, po których najszybciej widać różnicę:
Rozdzielam proces generowania od oceniania. To dwa zupełnie różne tryby pracy mózgu. Kiedy próbuję robić to jednocześnie (a robię to częściej, niż chciałbym się przyznać 😅), kończy się tym, że zbyt pobłażliwie patrzę na świeżo wypluty tekst, dając się ponieść pierwszemu entuzjazmowi. Najpierw pozwalam materiałom powstać, a do ich oceny siadam osobno, na chłodno.
Przed akceptacją zadaję jedno kluczowe pytanie: Czego model nie mógł wiedzieć? To jedno zdanie błyskawicznie wyłapuje większość problemów z brakującym kontekstem biznesowym czy relacyjnym, zanim dokument wyjdzie na zewnątrz.
Uczę zespół, że „brzmi dobrze” to nie to samo co „jest dobrze”. Pokazanie słabych punktów w wygenerowanej strategii bywa dziś cenniejsze niż stworzenie kolejnych pięciu jej wersji. To duża zmiana w tym, co realnie nagradzamy. Przez lata premiowaliśmy tych, którzy szybko dowożą projekty. Dziś najważniejszą osobą w pokoju coraz częściej staje się ta, która potrafi trafnie uzasadnić, dlaczego dostarczony materiał wymaga poprawek.
Wróćmy do tej sekundy z początku tekstu. Na ekranie widzę tę samą płynną analizę i czuję ten sam impuls, by zamknąć zadanie jednym kliknięciem. Różnica polega na tym, że teraz przed wklejeniem tekstu pytam sam siebie: czego tu brakuje, czego model nie mógł wiedzieć?
Czasem odpowiedź brzmi „niczego, jest super” i klikam dalej z czystym sumieniem. Często jednak to jedno pytanie ratuje mnie przed wysłaniem czegoś, co brzmiało świetnie, ale było zwyczajnie nietrafione.
Ta jedna sekunda na refleksję to nie wrodzony talent – to mięsień, który da się wytrenować u siebie i u zespołu, jak każdy inny nawyk. W hearts&heads spędzamy nad tym sporo czasu, bo to właśnie to podejście odróżnia dziś zespoły mądrze wdrażające AI od tych, które bezgranicznie wierzą mu na słowo. Narzędzia dostaniesz wszędzie i za grosze. Osąd, który decyduje, co z tymi narzędziami zrobić, wciąż należy wyłącznie do nas.
Dawid Sobolak – design researcher, menadżer projektów biznesowych i społecznych, marketer, trener Design Thinking, współzałożyciel hearts&heads. (👋 Dodaj mnie do znajomych na LinkedIn! )