Jak korzystać z AI, żeby nie myślało za ciebie

O czym jest ten film

1. Justin Sung, trener uczenia się i wydajności poznawczej, prezentuje schemat decyzyjny pomagający rozstrzygnąć, kiedy sięgnąć po duży model językowy (np. ChatGPT czy Claude), a kiedy odłożyć go na później albo w ogóle nie używać.
2. Punkt wyjścia to jedno pytanie: czy potrafię wykonać to zadanie bez modelu? Od tej odpowiedzi zależy cała dalsza ścieżka.
3. Jeśli nie umiesz czegoś zrobić, ta wiedza nigdy więcej nie będzie ci potrzebna, a pomyłka niczego nie kosztuje — scenariusz „nie wiem i nieważne” — zadanie można spokojnie zlecić AI. To jeden z zaledwie dwóch bezpiecznych przypadków.
4. Gdy stawka jest wysoka, a ty nie masz kompetencji („nie wiem, ale ważne”), nie umiesz zweryfikować tego, co wygenerował model. Wtedy trzeba zdobyć wiedzę, zatrudnić eksperta albo przeprojektować plan; w ostateczności — wykonać analizę premortem.
5. Główny argument przeciw bezmyślnemu użyciu AI nie dotyczy czasu, lecz zaufania: przełożeni przestają ufać ludziom, przy których nie wiadomo, ile było ludzkiego osądu, a ile maszyny.
6. Im mniej wiesz o dziedzinie, tym mniej błędów AI dostrzegasz i tym gorzej potrafisz formułować prompty — podwójna pułapka niedostatku wiedzy.
7. Scenariusz „nie wiem, ale będę musiał wiedzieć” to pułapka odkładania nauki na później: pytania i skutki decyzji prędzej czy później wrócą właśnie do ciebie.
8. Rozwiązaniem jest wyjaśnienie z góry pilności zadania i otwarte nazwanie własnych niepewności — to buduje wiarygodność i potrafi uchronić firmę przed kosztownym błędem.
9. Jeśli umiesz coś zrobić, sprawdź, czy AI jest w tym równie dobre: proste zadania wykonawcze — zwykle tak; wieloczynnikowe osądy bez jednej poprawnej odpowiedzi — nie.
10. Nawet gdy model dorównuje ci jakością, użycie go ma sens tylko przy wyraźnej oszczędności czasu; przy symbolicznej lepiej zrobić samemu, żeby nie tracić sprawności myślenia ani zaufania otoczenia.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Zacznij od uczciwej oceny własnych kompetencji

Na czym polega: Cały schemat Sunga wyrasta z jednego pytania: czy potrafię wykonać zadanie bez modelu językowego? Dopiero od tej odpowiedzi zależy, czy w ogóle sięgać po AI, a jeśli tak — w jaki sposób.

Jak stosować: Zanim otworzysz ChatGPT lub Claude, ustal poziom zadania — strategiczne, operacyjne czy czysto wykonawcze — i oceń szczerze, czy masz wiedzę i praktykę, żeby zrobić to samodzielnie. Przy zadaniach nowego typu odpowiedź często będzie „nie”, i to jest w porządku, o ile pójdziesz dalej ścieżką schematu.

Na co uważać: Wieloletnia praktyka nie zawsze oznacza realne zrozumienie tematu — najłatwiej przecenić swój poziom właśnie tam, gdzie „kiedyś się coś robiło”.

2.„Nie wiem i nieważne” — jedyny scenariusz bezrefleksyjnego użycia AI

Na czym polega: Jeśli nie umiesz czegoś zrobić, ta wiedza nigdy więcej nie będzie ci potrzebna, a pomyłka nic nie kosztuje, zlecenie zadania AI jest bezpieczne.

Jak stosować: Klasyczne przykłady to jednorazowe sprawy porządkowe lub techniczne — konfiguracja na serwerze, jednostkowy dokument proceduralny. Typowe zwłaszcza dla małych zespołów, gdzie nie ma specjalisty do każdej drobnostki.

Na co uważać: To wąski wyjątek, nie reguła. Większość zadań zawodowych nie spełnia łącznie wszystkich trzech warunków (brak wiedzy + brak przyszłej potrzeby + brak konsekwencji), więc nie przesuwaj przypadkowo swoich spraw do tej kategorii.

3.W sprawach o wysokiej stawce nie używaj AI „na ślepo”

Na czym polega: W scenariuszu „nie wiem, ale ważne” (np. polityka prywatności, kwestie prawne) brak kompetencji oznacza, że nie masz jak ocenić, co model zrobił dobrze, a co źle — ryzyko błędnego dokumentu spada w całości na ciebie.

Jak stosować: Wybierz jedno z trzech wyjść: zdobyć wiedzę, zatrudnić eksperta albo przeprojektować plan tak, żeby ryzyko zniknęło. Decyzję podejmuj przed sięgnięciem po model, a nie po opublikowaniu jego wyniku.

Na co uważać: Odpowiedź AI może brzmieć sensownie i kompletnie — wrażenie sensowności mierzysz własną kompetencją, a tej właśnie brakuje. Pozorna jakość nie zastępuje weryfikacji.

4.Premortem: zakładaj zawczasu, że plan się nie udał

Na czym polega: Premortem to analiza, w której zakładasz, że twoja decyzja okazała się błędna, i pytasz „dlaczego?” — jeszcze przed wdrożeniem, a nie po fakcie, jak w klasycznym podsumowaniu po porażce.

Jak stosować: Za każdym razem, gdy mimo braku kompetencji używasz AI do ważnej sprawy, zapisz: co musiałoby się wydarzyć, żeby ten plan się posypał, i gdzie leżą niepewności. Podziel się tym z zespołem lub przełożonym.

Na co uważać: Największa pokusa to pominięcie tego kroku wtedy, gdy podpowiedź modelu „robi dobre wrażenie”. Właśnie wtedy premortem jest najważniejszy — bo tylko na wrażeniu się opierasz.

5.Błędy AI widzi tylko ekspert — asymetria wiedzy

Na czym polega: Sung nie zgadza się z 30–40 procentami odpowiedzi modelu w swojej dziedzinie i tylko z 2–5 procentami poza nią. Nie dlatego, że model działa gorzej w jego specjalizacji, tylko dlatego, że poza nią autor nie dostrzega błędów — i nie wie wystarczająco dużo, żeby w ogóle dobrze zapytać.

Jak stosować: Poczucie, że „AI mówi rozsądnie”, traktuj jako sygnał ostrzegawczy: może oznaczać brak kompetencji do oceny, a nie wysoką jakość odpowiedzi. Im obciejszy temat, tym ostrożniej oceniaj wiarygodność wyniku.

Na co uważać: Słabe prompty z niedostatku wiedzy pogłębiają problem: dostajesz gorsze odpowiedzi i jednocześnie gorzej je oceniasz — obie skale działają na twoją niekorzyść.

6.Zaufanie to waluta, której AI ci nie zwróci

Na czym polega: Przełożeni nie tracą zaufania dlatego, że ktoś użył modelu, ale dlatego, że nie wiadomo, ile ludzkiego, eksperckiego osądu weszło w ocenę i doszlifowanie wyniku. Raz nadwerężone zaufanie odbudowuje się bardzo trudno.

Jak stosować: Komunikuj jawnie, z czego korzystałeś, co sprawdziłeś na własną rękę i co budzi twoje wątpliwości. Przejrzystość kosztuje kilka zdań, a utrzymuje wiarygodność.

Na co uważać: Regularne przekazywanie dalej niesprawdzonych wyników AI psuje reputację nawet wtedy, gdy formalnie jakość produktu jest w porządku — bo znika pewność, że umiesz go obronić.

7.Nie odkładaj nauki „na później”

Na czym polega: Gdy wiedza będzie ci potrzebna w przyszłości — bo odpowiadasz za decyzje, bo ludzie będą pytać — użycie AI dziś tworzy dług. Nowe dane wymuszą zmiany w planie, a ty okażesz się nie rozumieć strategii, którą sam przedstawiłeś.

Jak stosować: Zanim zlecisz coś modelowi, zapytaj: czy za kwartał ktoś będzie od mnie tego oczekiwał i pytał o szczegóły? Jeśli tak — zainwestuj czas w naukę z góry, żeby w pełni odpowiadać za własną rekomendację.

Na co uważać: Wygodne „dziś zaoszczędzę czas, nauczę się kiedy indziej” najczęściej kończy się wyborem między wrażeniem niekompetencji a wrażeniem nieodpowiedzialności.

8.Wyjaśnij pilność i otwarcie nazywaj niepewności

Na czym polega: Pytanie o pilność fundamentalnie zmienia podejście: bez pośpiepu — ucz się albo zatrudnij specjalistę; na pilne — ekspert na już albo szybka zmiana planu; w ostateczności — AI plus jawne nazwanie ryzyk.

Jak stosować: Na starcie zadania doprecyzuj termin i realne konsekwencje. Powiedz wprost, czego nie wiesz i co cię martwi — w przykładzie autora taka sygnalizacja skłoniła decydentów do rezygnacji z projektu, który od początku nie miał szans, i oszczędziła firmie miliony.

Na co uważać: Milczenie o niepewnościach z obawy przed oceną zwykle odbija się z nawiązką — gdy problem wyjdzie na jaw później, koszt będzie wielokrotnie wyższy.

9.Test „przeciętnej osoby z odrobiną treningu”

Na czym polega: AI zwykle dorównuje człowiekowi w prostych zadaniach wykonawczych — takich, z którymi przeciętna osoba poradziłaby sobie po krótkiej praktyce. Gorzej radzi sobie w kwestiach wieloczynnikowych, dopuszczających wiele interpretacji, bez jednej poprawnej odpowiedzi.

Jak stosować: Zanim poświęcisz godziny na dopracowywanie promptów, zadaj dwa pytania: czy przypadkiem każdy z odrobiną treningu dałby radę? Czy istnieje tu w ogóle jedna poprawna odpowiedź? Jeśli odpowiedzi „nie” i „nie” — odpuść model i postaw na własny osąd.

Na co uważać: Nie myl płynności języka z jakością merytoryczną — model zawsze brzmi pewnie, nawet gdy rozwiązuje problem, którego nie da się rozwiązać jednoznacznie.

10.Oszczędność czasu musi być wyraźna, nie symboliczna

Na czym polega: Nawet gdy model jest równie dobry jak ty, użycie go ma sens tylko przy istotnym zysku czasu. Przy małym lepiej zrobić samemu — więcej wysiłku, ale zachowujesz sprawność myślenia i działania oraz zaufanie otoczenia.

Jak stosować: Oszacuj realny zysk (godziny czy minuty) i zestaw go z kosztem: stopniową utratą praktyki i ryzykiem reputacyjnym. Decyzję podejmuj przypadkami, nie nawykiem.

Na co uważać: Drobne oszczędności, powtarzane codziennie, kumulują się w dużą utratę treningu zawodowego — to proces niezauważalny z dnia na dzień.

Redakcyjne tłumaczenie

Zanim otworzysz ChatGPT: jedno pytanie, od którego zależy wszystko

W tym materiale pokażę, jak korzystać z AI tak, żeby nie zaczęło myśleć za ciebie. Duże modele językowe niewątpliwie oszczędzają czas, ale badań, które mówią, że zbyt częste lub nieumiejętne korzystanie z nich po prostu osłabia nasze myślenie, nazbierało się już sporo. Jak więc czerpać te oszczędności i nadążać za wymaganiami, jakie stawia praca, a jednocześnie zachować — a nawet wzmocnić — zdolność trafnego osądzania i krytycznego myślenia? Jak być w ostatecznym rozrachunku bardziej wartościowym w miejscu pracy, a nie mniej?

Odpowiadaniu na to pytanie podporządkowuję od dwóch lat większość swojej pracy. Jestem trenerem uczenia się i wydajności poznawczej i ten problem dominuje zarówno w moim własnym rozwoju, jak i w pracy z klientami. Po współpracy z setkami menedżerów, programistów, właścicieli firm, lekarzy, księgowych, nauczycieli — fachowców z każdej branży, jaka mi się trafiła — zbudowałem schemat, którym sam się posługuję, żeby rozstrzygać, kiedy sięgnąć po AI, a kiedy odmówić sobie sięgnięcia. Sprawa jest dla mnie na tyle ważna, że ściągnąłem cały swój zespół do Melbourne na spotkanie stacjonarne i przeprowadziłem warsztaty, żeby ludzie, z którymi pracuję, byli przez AI wspierani, a nie od niego zależni.

(Informacja dodatkowa: LLM, czyli duży model językowy, to technologia stojąca za narzędziami takimi jak ChatGPT czy Claude.)

Schemat zaczyna się od jednego pytania i to ono rozstrzyga o wszystkim pozostałym: czy mam wiedzę i umiejętności, żeby wykonać to zadanie bez modelu? Zanim więc otworzysz ChatGPT albo Claude, przejdź przez cały ten tok rozumowania.

Wstawka: co właściwie znaczy „mieć wiedzę i umiejętności”

Nagranie przerywa tu dodany później fragment: „Cześć, tu Justin z przyszłości. Oglądałem ten film i uznałem, że kilka przykładów pomoże wam go zrozumieć — będę je wtrącał po drodze.”

Zadanie może być czymkolwiek. Częścią mojej codziennej pracy jest na przykład budowanie strategii produktowych: wypuszczamy nowe produkty, rozwijamy je, utrzymujemy — i trzeba ustalić, jak do tego podchodzimy, jaki plan biznesowy za tym stoi. Czy umiem sam stworzyć przemyślaną strategię i takie plany? To przykład zadania strategicznego, na wysokim szczeblu. Poziom środkowy to choćby zarządzanie zespołem albo zaprojektowanie rozwiązania dla konkretnej funkcjonalności. Na dole zostają rzeczy w rodzaju ustawienia czegoś na serwerze czy napisania konkretnej wiadomości — czysta egzekucja, wytworzenie namacalnego rezultatu.

Większość zadań, które wykonujesz codziennie, mieści się w obszarze twoich bieżących kompetencji: robisz to od lat, masz doświadczenie. Obok istnieje mniejsza grupa spraw nowych — nieznane technologie, projekty i wyzwania, z jakimi nigdy wcześniej się nie mierzyłeś. I to właśnie przy nich pytanie o wiedzę i umiejętności nabiera znaczenia.

Gałąź pierwsza: „nie wiem — i nieważne”

Wróćmy do schematu. Jeśli odpowiedź brzmi: nie, nie mam dziś wiedzy ani umiejętności, żeby zrobić to bez modelu, następne pytanie głosi: czy w przyszłości będę potrzebował tej wiedzy, żeby podejmować decyzje w pracy? Czy ktoś będzie mnie o to pytał w najbliższych tygodniach czy miesiącach? Jeśli za dwa tygodnie każą mi ten plan poprawić, czy będę wiedział, jak się do tego zabrać?

Jeśli i tu odpowiedź jest przecząca, zostaje ostatnie pytanie: czy pomyłka w tej sprawie miałaby poważne konsekwencje? Taki układ nazywam „nie wiem i nieważne”: nie wiesz, jak to zrobić, a przy okazji niewiele znaczy, jak dokładnie to zrobisz. W tej sytuacji można spokojnie zlecić zadanie AI. Scenariusz jest zaskakująco częsty, zwłaszcza w małych zespołach, gdzie nie ma osobnego specjalisty do każdej drobnostki. Ląduje na tobie jednorazowe zadanie z dziedziny, której nie znasz — pytasz Claude albo ChatGPT, dostajesz instrukcję, wykonujesz, temat zamknięty.

To jeden z zaledwie dwóch wyników całego schematu, w których użycie AI od razu jest w porządku. We wszystkich pozostałych konfiguracjach lepiej zostawić model na później albo nie używać go wcale. Powód — i moim zdaniem najważniejszy z wszystkich — nie ma zresztą nic wspólnego z czasem, wydajnością czy jakością samego narzędzia. Chodzi o zaufanie. Widać to od razu, gdy zmienimy odpowiedź na tamto ostatnie pytanie.

Gałąź druga: „nie wiem — ale ważne”

Co się dzieje, gdy konsekwencje pomyłki są poważne? Wpadamy w scenariusz „nie wiem, ale ważne”.

Przykład z mojej pracy: wdrażanie nowych polityk prywatności. Nie mam wykształcenia prawniczego i — poza tym, co przekazują nam prawnicy — niewiele wiem o kwestiach zgodności z przepisami o ochronie danych. A ta sprawa naprawdę dużo waży, zwłaszcza dziś, w czasach AI, kiedy wszyscy są czujni wobec prywatności. Z drugiej strony, gdy polityka raz zostanie ustawiona, nie będę już do tego wracał. Mógłbym więc poprosić Claude o wygenerowanie dokumentu i po prostu go opublikować — ale nie mam pewności, że to wystarczy. Skoro brakuje mi wiedzy fachowej, nie mam też jak sprawdzić, czy wygenerowany tekst jest dobry. A gdyby okazał się zły, konsekwencje byłyby dotkliwe. Takiego ryzyka nie jestem skłonny brać na siebie.

(Informacja dodatkowa: GDPR to unijne rozporządzenie o ochronie danych osobowych, w Polsce znane jako RODO.)

W tym scenariuszu masz trzy wyjścia: zdobyć wiedzę, żeby samodzielnie to zrobić, zatrudnić kogoś, kto ją ma, albo przeprojektować plan tak, żeby ryzyko zniknęło. A jeśli żadne nie wchodzi w grę i mimo wszystko używasz AI — zrób chociaż analizę premortem.

Premortem to ćwiczenie, w którym zakładasz, że twoja decyzja okazała się błędna, plan się nie powiódł i doszło do najgorszego rezultatu — i pytasz, dlaczego tak się stało. Z tą różnicą, że robisz to zawczasu. W klasycznym podsumowaniu po fakcie pytasz „dlaczego poniosłem porażkę?”, gdy porażka już się wydarzyła. W premortem pytasz: „gdyby to miało się nie udać, co byłoby przyczyną?”. I — co kluczowe — rób to nawet wtedy, gdy podpowiedź modelu wydaje ci się sensowna. ChatGPT może podać plan, który po przeczytaniu wygląda przekonująco. Premortem i tak wykonaj. Bo jeśli jesteś w sytuacji „nie wiem”, to znaczy również, że nie masz wglądu pozwalającego ocenić, co z tego planu jest trafne, a co nie.

Sam nieustannie się o tym przekonuję. Gdy używam modelu w dziedzinach, w których mam głęboką wiedzę — w nauce o uczeniu się i poznawaniu — nie zgadzam się z 30–40 procentami tego, co mi podpowiada. Gdy sięgam po niego w tematach, których słabo znam, kłócę się może z 2–5 procentami. To nie znaczy, że model działa lepiej w obcych mi dziedzinach. Prawda jest niewygodna: tam, gdzie wiem więcej, dostrzegam błędy. A tam, gdzie wiem mało, działa podwójna pułapka — po pierwsze, nie potrafię odróżnić trafnych twierdzeń od fałszywych; po drugie, nie umiem nawet dobrze zapytać. Sięgając po model w obcej sobie materii, mam więc większe prawdopodobieństwo słabej porady i mniejszą szansę, że ją zauważę.

Prawdziwy koszt: zaufanie, które tracisz

Jeśli używasz AI w ten sposób — nie wiesz jak, a stawka jest wysoka — prawdziwy koszt wykracza poza złą decyzję. Prawdziwy koszt polega na tym, że podkopujesz zaufanie, jakim darzą cię inni. Według mnie większość ludzi tę skalę pomija i nie docenia.

Gdy jako lider zespołu, jako menedżer, przekazuję komuś zadanie, tak naprawdę mówię: „oto rzecz, która mnie martwi; ufam, że ją dowieziesz”. I tak naprawdę ufam twojemu osądowi. Nie powierzyłbym tej odpowiedzialności komuś bez wiedzy, umiejętności i doświadczenia — bo nie mam podstaw, by zakładać, że ktoś tego pozbawiony podejmie trafną decyzję, wyłapie błędy albo wychwyci niuanse wynikające z kontekstu.

Od kierowników i doświadczonych zarządzających słyszę to samo w kółko: im swobodniej ludzie sięgają po ChatGPT i Claude, tym bardziej leniwie podchodzą do własnych ocen. Efekt? Przełożeni nie mogą już ufać, że zlecenie zostanie zrobione tak, jak trzeba. I znowu: problemem nie jest samo użycie modelu do zadania. Problemem jest brak przejrzystości — nie wiadomo, ile ludzkiej, eksperckiej pracy włożono w ocenę, krytykę i doszlifowanie tego, co narzędzie wygenerowało.

Sam czuję to na własnej skórze. Są ludzie w moim zespole, którzy rzadko używają modelu do swoich zadań — i wiem, że dołożony do pracy standard to ten, który znam i którego od nich oczekuję. Są też tacy, przy których łapię się na myśli: „to mówisz ty czy model? Bo nie sądzę, żebyś ty — znając twój poziom — napisał coś takiego”. A gdy raz stracisz to zaufanie, tracisz wszystko.

Gałąź trzecia: „nie wiem — ale będę musiał wiedzieć”

Wróćmy do początku. Co, jeśli wiedzy nie masz, ale na pytanie „czy będę jej w przyszłości potrzebował” odpowiadasz: tak, będę?

W mojej codziennej pracy — bo odpowiadam za treści i produkt — muszę umieć budować strategię produktową i tworzyć materiały. Gdybym dziś nie umiał czegoś zrobić, mógłbym poprosić model: jak do tego podchodzić? Jaka strategia najlepsza? Jak zdobyć więcej wyświetleń, poprawić wyniki kanału, zbudować lepszy produkt? Dostałbym odpowiedź i decyzja mogłaby wypaść nieźle. Ale w przyszłości inni będą polegać na mojej wiedzy. Będą pytać. Będę musiał ocenić, czy realizowany plan jest dobry. Odpowiadam za tę decyzję i za wszystkie jej skutki — sama odpowiedź „na dziś” nie wystarczy. Poza tym na dłuższą metę odpytywanie modelu przy każdym problemie nie jest wydajne, bo bez własnej wiedzy i tak nie umiem ocenić, czy to, co podaje, jest wartościowe.

Stąd reguła kciuka: w zespole — ilekroć ktoś liczy na ciebie przy trwałej odpowiedzialności, prawdopodobnie musisz naprawdę posiadać tę wiedzę i umiejętności. A pracując samodzielnie, patrz na to, co ma być twoją mocną stroną, twoją przewagą. Przygotowujesz przemówienie i nie bardzo wiesz, jak je napisać? Zapytaj siebie, czy na dłuższą metę zależy ci na tym, by być dobrym pisarzem i mówcą. Jeśli tak — po prostu to opanuj. Nawet gdyby model ułożył dziś przemówienie lepiej niż ty.

I właśnie tu widzę spore niebezpieczeństwo. Sporo osób w praktyce oddaje na zewnątrz odpowiedzialność za własny rozwój: chciałyby lepiej komunikować się z ludźmi czy lepiej panować nad emocjami, ale zamiast te umiejętności rozwijać, przekazują je modelowi — i z czasem stają się po prostu mniej sprawne.

Typowa pokusa brzmi: „dziś mi to zaoszczędzi czas, więc umiejętność wykształcę kiedy indziej, a na razie użyję modelu”. Odradzam, i oto dlaczego. Ludzie będą cię pytać, będą kwestionować twoje decyzje. Z czasem napłyną nowe dane i przyjdzie modyfikować plan. A wtedy okaże się, że strategii, którą stworzyłeś, tak naprawdę słabo rozumiesz — i że to ty ponosisz skutki. W takiej sytuacji wychodzisz albo na niekompetentnego, albo na nieodpowiedzialnego. Lepiej było poświęcić czas z góry i nauczyć się porządnie, żeby w pełni odpowiadać za własną rekomendację.

Prosty sposób, by nie wpaść w tę pułapkę, to doprecyzowanie kilku spraw sprytnymi pytaniami na starcie. Najważniejsze z nich: jaka jest pilność? To fundamentalnie zmienia podejście. Jeśli sprawa nie jest pilna — ucz się, zdobywaj wiedzę albo zatrudnij specjalistę. Jeśli jest — może nie starczyć czasu na naukę, ale może się uda szybko ściągnąć eksperta albo pilnie przeprojektować plan, by ograniczyć ryzyko. A jeśli z powodu presji czasu używasz modelu mimo wszystko — przynajmniej nazwij ryzyka i niepewności wprost i przemyśl je zawczasu.

W praktyce często bywa tak: dostajesz zadanie, nie bardzo wiesz, jak się za nie zabrać, ale od razu mówisz, czego nie jesteś pewien i gdzie widzisz zagrożenia. I bywa, że decydujący ludzie wyżej reagują: „skoro wiemy to i to, trzeba przemyśleć całe podejście”. A to, rzecz jasna, gra na twoją korzyść — ufają ci bardziej, jesteś bardziej wartościowy, bo to ty podniosłeś rękę i dostarczyłeś informacji, które uchroniły firmę przed trzema milionami dolarów straty w kolejnym kwartale, bo projekt od początku nie miał szans.

Błędne koło i wyjście z niego: ucz się szybciej

Zauważ, że większość omówionych sytuacji sprowadza się do tego samego: musisz się dowiedzieć więcej, zdobyć wiedzę i umiejętności, zatrudnić kogoś albo zmienić plan. Większość ludzi zgadza się z tym na poziomie zasady — ale nie w praktyce, bo realnie nie ma czasu na dokształcanie. Ledwo wyrabiasz z bieżącą pracą, a branża i pracodawcy z góry zakładają, że dzięki AI zrobisz wszystko szybciej.

Uważniejsi widzowie dostrzegą tu błędne koło: jeśli użyję AI, kiedyś sam sobie zaszkodzę — bo osłabiam krytyczne myślenie, po prostu głupieję. I to naprawdę się dzieje. Widzę rzesze doświadczonych fachowców z ogromną wiedzą, którzy nie są już tym zawodowcem, którym byli. Nie są tym myślicielem, nie są tym rozwiązującym problemy. To, co czyniło ich wyjątkowymi i wartościowymi, stopniowo się rozpuściło przez nadmierne poleganie na AI.

Lepszy sposób, by nie wpaść w tę ponurą trajektorię, jest jeden: naucz się szybciej przyswajać nowe rzeczy. Większość sądzi, że to niemożliwe. Ja, jako trener uczenia się, wiem, że możliwe — większość ludzi potrafi opanować coś w około połowie czasu, jaki zwykle im to zajmuje. Gdzie tego szukać? Po pierwsze w moich pozostałych filmach. Po drugie prowadzę bezpłatny cotygodniowy newsletter, trzy–pięć minut czytania, ze spostrzeżeniami i strategiami dotyczącymi szybszego uczenia się, jasnego myślenia w warunkach niepewności i dłuższego utrzymywania stanu flow. Piszę te maile osobiście, bez modelu — i to celowo, bo chcę, żebyście mogli ufać temu, co publikuję. To destylat lat pracy coachingowej. Link zostawiam w opisie; dołączenie nic nie kosztuje, można się wypisać w każdej chwili.

Ostatnia gałąź: umiem sam — czy AI jest równie dobre?

Zostaje ostatnia część układanki: co, gdy wiedzę i umiejętności masz?

Wtedy zapytaj siebie: czy AI zrobi to samo równie dobrze? Krótka wskazówka, w czym modele zwykle dorównują człowiekowi albo go przewyższają: to przeważnie proste zadania wykonawcze. Myślę o tym tak: czy przeciętny człowiek, po odrobinie treningu i nabraniu praktyki, dałby radę to zrobić? Jeśli tak — model prawdopodobnie zrobi to już dziś. Gorzej jest w sprawach wieloczynnikowych, dopuszczających wiele interpretacji, wymagających długiego zbierania doświadczenia i głębokiego namysłu. Zapytaj dziesięciu ekspertów — dostaniesz dziesięć opinii. Czasem przydaje mi się pytanie: czy w ogóle istnieje tu jedna poprawna odpowiedź? Jeśli nie — AI raczej nie dorówna tobie, który masz to doświadczenie i ten osąd. Ta reguła oszczędzi ci czterech godzin dopracowywania promptów, żeby w końcu przekonać się, że model po prostu nie jest w tym dobry.

Jeśli odpowiedź brzmi „nie” — masz układ „ja umiem, AI nie”. Naturalna reakcja: zrób to sam. Moje newslettery są właśnie w tej kategorii. Uważam, że robię to dobrze, AI — nie, więc piszę sam. Zajmie mi to trochę więcej czasu, ale czas nie jest zmarnowany, jeśli prowadzi do rezultatu, na którym mi zależy. A AI, które błyskawicznie osiąga zły rezultat, niczego mi nie daje.

A jeśli odpowiedź brzmi „tak, AI jest równie dobre jak ja”? I tu moja pozornie kontrowersyjna teza: zadaj jeszcze jedno pytanie — czy to naprawdę dużo czasu oszczędzi? Jeśli tak, użycie modelu jest prawdopodobnie w porządku. Jeśli nie — rób to jednak sam. Wymaga to więcej wysiłku, ale zachowujesz sprawność myślenia i działania, a przy tym nie tracisz zaufania, jakim darzą cię inni.

Korzystając z okazji: zdaję sobie sprawę, że schemat może wyglądać zagmatwanie, więc przygotowałem skróconą wersję do szybkiej konsultacji, żeby nie wracać za każdym razem do tego filmu. Zostawiam link do powiązanego wpisu na Instagramie — jeśli pod nim klikniesz link i dodasz komentarz „Save my brain”, automat prześle ci wersję schematu do pobrania na urządzenie. A już tam jesteś, możesz mnie przy okazji zaobserwować.

Dwa bezpieczne scenariusze i zasada ostateczności

Całość spina się w dwa scenariusze, w których spokojnie można powierzyć zadanie modelowi — wykonać je, podjąć decyzję, ułożyć plan:

1. Masz wiedzę, AI jest w tym równie dobre jak ty i zaoszczędzi ci mnóstwo czasu.
2. Nie wiesz, jak to zrobić, nigdy więcej ta wiedza nie będzie ci potrzebna i nic się nie stanie, jeśli wyjdzie nie tak — czyli „nie wiem i nieważne”.

W każdej innej sytuacji — gdy stawka jest wysoka, gdy ta wiedza będzie ci potrzebna w przyszłości, gdy oszczędność czasu jest iluzoryczna albo gdy AI po prostu nie jest w tym dobre — zrób to sam. Naucz się. Zatrudnij kogoś, kto się zna. Albo przeprojektuj plan tak, żeby ta wiedza nie była potrzebna. A w ostateczności, gdy używasz AI mimo wszystko, wykonaj chociaż analizę premortem, żeby ryzyka i niepewności zostały nazwane na starcie, a nie odkryte po fakcie.

Dzięki takiemu podejściu stajesz się przez AI wspierany, a nie od niego zależny. Nadal myślisz krytycznie, rozwijasz się w tym, w czym rozwijać się powinieneś, a tam, gdzie model rzeczywiście oszczędza czas, korzystasz z niego pewnie — z wiedzą, że nie psujesz sobie głowy.

Chcesz pójść o krok dalej, czyli nauczyć się szybciej? Zajrzyj do filmu, który podlinkowuję — to jeden z najlepszych punktów startowych, zwłaszcza jeśli nigdy wcześniej nie zastanawiałeś się, jak przyspieszać własne uczenie. To poziom wykraczający poza triki pamięciowe i mnemotechniki — ten rodzaj uczenia się, który musisz opanować, by naprawdę szybko wchodzić w nowe tematy w realnym, zawodowym świecie. Dzięki za obejrzenie i do zobaczenia w następnym materiale.