Firma kupuje licencje na asystenta AI dla kilku tysięcy osób, organizuje webinar wprowadzający, publikuje politykę korzystania z narzędzi i uruchamia panel pokazujący liczbę aktywnych użytkowników. Przez pierwsze tygodnie wykres rośnie, potem się wypłaszcza. Pół roku później zarząd pyta o efekty, menedżerowie mówią, że ludzie nie chcą się zmieniać, a pracownicy opowiadają zupełnie inną historię. Nie wiedzą, do czego wolno im tego używać, nie mają czasu, żeby się nauczyć, a sprawdzenie wyniku zajmuje im tyle samo czasu, co samodzielne napisanie tekstu.

Nikt w tej historii nie kłamie i nikt nie jest leniwy. Technologia została wdrożona starannie. Zabrakło czegoś, co rzadko pojawia się w harmonogramie projektu, czyli zaprojektowania tego, jak ludzie mają pracować, decydować i brać odpowiedzialność w nowym układzie. W tym tekście chcę pokazać, co mówią na ten temat najnowsze badania i dlaczego uważam, że projektowanie zachowań jest dziś jedną z najbardziej niedocenianych części wdrożeń AI.

Dlaczego więcej użytkowników nie oznacza większej wartości?

Liczby dotyczące adopcji wyglądają imponująco. W badaniu firmy Writer przeprowadzonym na 3000 osobach prawie 97% respondentów stwierdziło, że ich organizacja wdrożyła w ostatnim roku agentów AI, a 70% pracowników korzysta z narzędzi AI codziennie. W tym samym badaniu 48% osób określiło wdrożenie AI jako ogromne rozczarowanie. Obie informacje pochodzą z jednego źródła, co opisuje Tracy Brower w artykule dla Forbesa, i dobrze pokazują, że korzystanie z narzędzia i czerpanie z niego wartości to dwie różne rzeczy.

McKinsey w lipcowym raporcie From adoption to impact: Three horizons of AI transformation opisuje to jeszcze dokładniej. Na podstawie ankiety wśród 750 pracowników i liderów autorzy wyróżnili trzy poziomy dojrzałości: udostępnianie narzędzi pojedynczym osobom, automatyzację istniejących procesów oraz przeprojektowanie pracy od podstaw. Tylko 11% liderów umieściło swoją organizację na trzecim poziomie, a większość na wszystkich poziomach przyznała, że AI nie przyniosła jeszcze istotnej wartości dla biznesu. Autorzy wyciągają z tego prosty wniosek: indywidualne przyspieszenie rzadko przekłada się na trwałą przewagę, jeśli organizacja wokół człowieka pozostaje taka sama.

Najlepiej tłumaczy to analogia, którą przywołuje McKinsey w tym samym raporcie. Kiedy fabryki przechodziły z maszyn parowych na elektryczność, wiele z nich po prostu wymieniło silnik. Układ hal, przepływ materiałów i sposób zarządzania zostały bez zmian, więc wzrost wydajności był niewielki, mimo że nowa technologia była obiektywnie lepsza. Efekty pojawiły się dopiero wtedy, gdy ktoś przemyślał całą fabrykę od nowa: gdzie stoją maszyny, jak płynie praca i kto za co odpowiada. Wiele firm robi dziś to samo z AI. Wymienia silnik, a zostawia te same spotkania, te same ścieżki akceptacji, te same wskaźniki i te same nawyki.

Czy problemem naprawdę jest opór pracowników?

Zadaję to pytanie na prawie każdym warsztacie, bo słowo „opór” pada zwykle w pierwszych minutach. Tymczasem dane pokazują coś, co powinno zmienić kierunek tej rozmowy. W badaniu McKinsey 70% respondentów czuje się osobiście gotowych do pracy z AI, ale tylko 27% liderów uważa, że ich organizacja jest gotowa na potrzebne zmiany. Gotowość organizacji wyjaśnia 48% różnicy między firmami, które widzą wartość z AI, a tymi, które jej nie widzą. Gotowość indywidualna wyjaśnia 25%.

Microsoft w raporcie 2026 Work Trend Index dochodzi do bardzo podobnego wniosku na znacznie większej próbie, obejmującej 20 000 osób korzystających z AI w dziesięciu krajach. Czynniki organizacyjne, czyli kultura, wsparcie menedżera i praktyki kadrowe, odpowiadają za ponad dwa razy większą część deklarowanego wpływu AI niż nastawienie i zachowanie samego pracownika (67% wobec 32%). Autorzy raportu piszą wprost, że w wielu przypadkach ludzie są gotowi, a systemy wokół nich nie.

Jako projektantka mam na to jedno porównanie. Kiedy użytkownicy nie klikają w przycisk, nie mówimy, że stawiają opór. Sprawdzamy, czy przycisk jest widoczny, czy jest zrozumiały i czy pojawia się we właściwym momencie. Organizacja też jest takim interfejsem. Ma swoje ustawienia domyślne, swoje ścieżki, nagrody i kary, a ludzie zachowują się w niej tak, jak ten interfejs ich prowadzi. Kurt Lewin opisał to wiele dekad temu, mówiąc, że zachowanie jest funkcją osoby i jej otoczenia. Jeśli pracujemy wyłącznie z osobą, czyli ją szkolimy, a otoczenie zostawiamy bez zmian, trudno oczekiwać innego zachowania.

Dlaczego ludzie robią to, co jest nagradzane, a nie to, co jest ogłaszane?

Jedno z najciekawszych odkryć w raporcie Microsoftu autorzy nazywają paradoksem transformacji. 65% osób korzystających z AI obawia się, że zostanie w tyle, jeśli nie zacznie szybko się dostosowywać. Jednocześnie 45% mówi, że bezpieczniej jest skupić się na bieżących celach niż przeprojektowywać swoją pracę z AI. Tylko 13% czuje, że jest nagradzanych za próbę zmiany sposobu pracy, nawet jeśli wynik nie będzie od razu dobry.

Z perspektywy ekonomii behawioralnej to zachowanie jest całkowicie racjonalne. Eksperymentowanie oznacza ryzyko, że wyniki w tym kwartale będą słabsze, a za wyniki w tym kwartale ktoś jest rozliczany. Awersja do strat sprawia, że potencjalna strata waży dla nas więcej niż podobny zysk, więc wybieramy ścieżkę znaną i bezpieczną. Organizacja mówi „eksperymentujcie”, a jednocześnie mierzy, premiuje i awansuje za coś zupełnie innego. Kiedy system wysyła dwa sprzeczne komunikaty, ludzie wybierają ten, za którym stoją konsekwencje.

Dochodzi do tego brak spójności na górze. Tylko co czwarta osoba w badaniu Microsoftu uważa, że jej kierownictwo jest jasno i konsekwentnie zgodne w sprawie AI. Trudno oczekiwać, że pracownicy zmienią sposób pracy, skoro nie wiedzą, który z dyrektorów ma rację.

Co właściwie zmienia się w zachowaniu, kiedy pojawia się AI?

W rozmowach o wdrożeniach mówimy głównie o narzędziach i kompetencjach. Znacznie rzadziej o tym, że AI zmienia jednocześnie kilka bardzo ludzkich rzeczy.

Pierwszą z nich jest sposób podejmowania decyzji. Kiedy część analizy wykonuje model, trzeba na nowo ustalić, kto myśli, kto decyduje, kto działa i kto weryfikuje. Jeśli tego nie zrobimy, podział ułoży się sam i nie zawsze w dobrą stronę. Microsoft pokazuje, że najbardziej zaawansowani użytkownicy znacznie częściej świadomie zatrzymują się przed rozpoczęciem zadania, żeby zdecydować, co zrobi AI, a co człowiek (53% wobec 33% w pozostałej grupie). To zachowanie nie musi zależeć od indywidualnych nawyków kilku osób. Ten moment zatrzymania można zaprojektować w procesie tak, żeby pojawiał się u wszystkich.

Drugą jest zaufanie. 86% badanych przez Microsoft deklaruje, że traktuje wynik AI jako punkt wyjścia, a nie gotową odpowiedź. Z kolei w badaniu Atlassiana prawie połowa pracowników mówi, że wyniki AI nie mają stabilnie wysokiej jakości. Między deklaracją a codzienną praktyką jest spora przestrzeń, w której działają zmęczenie, presja czasu i przyzwyczajenie. Ktoś, kto sprawdził dziesięć poprawnych odpowiedzi, przy jedenastej patrzy już mniej uważnie. Zaufanie nie powinno więc być ani jak największe, ani jak najmniejsze. Powinno odpowiadać temu, jak wiarygodny jest system w konkretnym zadaniu, a to wymaga świadomego projektowania momentów weryfikacji.

Trzecią jest odpowiedzialność. Conal Gallagher, CIO we Flexera, zwraca uwagę w tekście dla Forbesa, że AI trafia do firm oddolnie i często poza wiedzą działu IT. Według danych, na które się powołuje, prawie dwie trzecie menedżerów wyższego szczebla przyznaje się do korzystania z niezatwierdzonych narzędzi. Poza kwestią bezpieczeństwa jest w tym ważny sygnał: formalny podział odpowiedzialności nie nadąża za tym, jak ludzie faktycznie pracują.

Czwartą, o której mówi się najmniej, jest czas. Według raportu beautiful.ai 54% pracowników twierdzi, że oczekiwania wobec nich wzrosły z powodu AI. McKinsey zauważa, że zaoszczędzony czas bardzo często nie zamienia się w wartość dla firmy, bo nikt nie zdecydował, na co ma zostać przeznaczony. Jeśli tego nie zaprojektujemy, odzyskane godziny wypełnią się kolejnymi zadaniami, a ludzie będą mieli poczucie, że AI przyniosła im głównie więcej pracy.

Czy dobre szkolenie nie wystarczy?

Szkolenia są potrzebne i wciąż jest ich za mało. Atlassian pokazuje, że kadra zarządzająca znacznie częściej skupia się na narzędziach niż na umiejętnościach, a tylko 31% pracowników ma dostęp do rozbudowanych możliwości nauki. Problem polega na tym, że nawet najlepsze szkolenie przekazuje przede wszystkim wiedzę, a wiedza sama w sobie rzadko zmienia zachowanie.

Dobrze to widać na przykładzie pasów bezpieczeństwa. Kierowcy od dawna wiedzieli, że pasy ratują życie, a mimo to wielu ich nie zapinało. Zachowanie zaczęło się zmieniać dopiero wtedy, gdy zmieniło się otoczenie: pojawiły się przepisy, kontrole i uporczywy sygnał dźwiękowy w samochodzie. Nikt nie przekonywał kierowców argumentami przy każdej jeździe. Zaprojektowano kontekst, w którym właściwe zachowanie stało się najprostsze.

W AI działa to podobnie. McKinsey pokazuje, że liderzy, którzy przeprojektowali przepływy pracy, ponad pięć razy częściej raportują realną wartość z AI niż ci, u których procesy pozostały bez zmian (32% wobec 6%). Knowledge at Wharton opisuje firmy, które poprawiły adopcję dzięki drobnym interwencjom behawioralnym, takim jak ustawienie narzędzi AI jako opcji domyślnej. To jest dokładnie mechanizm, który Richard Thaler opisywał jako nudging: nie zmuszamy nikogo do niczego, ale projektujemy wybór tak, żeby pożądane zachowanie było łatwiejsze. Jeśli rekomendacje modelu leżą w osobnym panelu, do którego trzeba się specjalnie zalogować, to nawet świetnie przeszkolona osoba po prostu do niego nie zajrzy.

Jaką rolę odgrywają menedżerowie i zaufanie do organizacji?

Tu dane są wyjątkowo zgodne. W badaniu Microsoftu na 1800 pracownikach osoby, których menedżerowie aktywnie pokazywali, jak sami korzystają z AI, deklarowały o 17 punktów wyższą wartość z AI i o 30 punktów wyższe zaufanie do agentów AI. Tam, gdzie menedżerowie budowali bezpieczeństwo psychologiczne wokół eksperymentowania, gotowość do pracy z AI była wyższa nawet o 20 punktów.

McKinsey wskazuje zaufanie do organizacji jako najważniejszy czynnik gotowości na każdym poziomie dojrzałości. Osoby, które nisko oceniają wsparcie swojej firmy w czasie zmian, półtora raza częściej odczuwają niepokój związany z AI. Najwyższy poziom niepokoju deklarują menedżerowie średniego szczebla, czyli dokładnie ci ludzie, od których w największym stopniu zależy, czy zmiana przyjmie się w zespołach. To moim zdaniem jedno z najważniejszych miejsc do zaprojektowania w każdym wdrożeniu.

Autorzy raportu McKinsey robią też rozróżnienie, które bardzo lubię. Uspokajanie ludzi i budowanie ich zaufania to dwie różne rzeczy. Zapewnienie, że „nic się nie zmieni”, może chwilowo obniżyć niepokój, ale nie buduje zaufania, zwłaszcza gdy ludzie przeczuwają, że ta obietnica nie wytrzyma próby czasu. Zaufanie rośnie wtedy, gdy liderzy mówią, co wiedzą, czego jeszcze nie wiedzą i jak będą podejmowane decyzje. Podobnie myśli Stephen Wunker, opisując w artykule dla Forbesa koncepcję SAVE Gerber. Jej zdaniem bezpieczeństwo psychologiczne nie powstaje podczas dużych spotkań z całą firmą. Powstaje w drobnych momentach, w tym, jak lider reaguje na czyjąś wątpliwość, pomyłkę albo pytanie zadane na korytarzu. Wunker łączy to z wcześniejszym tekstem o tym, jak Amazon buduje kulturę opartą na inteligencji emocjonalnej.

Jak wygląda projektowanie zmiany zachowań w praktyce?

Kiedy pracuję z zespołami wdrażającymi AI, zaczynamy od pytania, które zaskakująco rzadko pada na początku projektu: jakie konkretne zachowanie ma się zmienić i u kogo? Samo „korzystanie z Copilota” nie jest zachowaniem, które da się zaprojektować. Zachowaniem jest na przykład to, że analityk przed przygotowaniem raportu sprawdza w modelu trzy alternatywne hipotezy, a potem sam decyduje, którą z nich przedstawić, lub to, że konsultant w obsłudze klienta weryfikuje podpowiedź AI zawsze wtedy, gdy dotyczy ona reklamacji powyżej określonej kwoty.

Następnie szukamy momentów decyzji, czyli miejsc w codziennej pracy, w których człowiek wybiera, czy użyć AI, czy zaufać wynikowi i czy go sprawdzić. W tych momentach ustalamy role: co należy do modelu, co do człowieka, kto ma ostatnie słowo i kto odpowiada za błąd. Potem patrzymy na otoczenie. Co dziś wspiera stary sposób pracy? Gdzie potrzebujemy więcej tarcia, bo pośpiech jest ryzykowny, a gdzie tarcie trzeba usunąć, bo zniechęca bez powodu? Jakie wskaźniki i nagrody mówią ludziom, że eksperymentowanie się opłaca?

Na końcu zmieniamy sposób mierzenia. Liczba logowań mówi niewiele. Znacznie więcej mówi to, czy zmieniła się jakość decyzji, czas ich podejmowania, liczba poprawek albo to, czy zespół wymienia się doświadczeniami. Microsoft pokazuje, że w zespołach najbardziej zaawansowanych użytkowników ludzie znacznie częściej dzielą się wskazówkami i błędami (61% wobec 36%) oraz rozmawiają o standardach jakości pracy wspieranej przez AI (54% wobec 29%). To nie dzieje się samo. Ktoś stworzył warunki, w których takie rozmowy są normalną częścią pracy.

Czego te badania nam nie mówią?

Uczciwość wymaga jednej uwagi. Większość przytoczonych danych pochodzi z deklaracji respondentów i pokazuje zależności, a nie związki przyczynowe. Microsoft sam zaznacza to w metodologii swojej analizy, a McKinsey podkreśla, że jego próba celowo obejmowała więcej firm zaawansowanych. Mimo to kierunek jest spójny w badaniach prowadzonych niezależnie przez McKinsey, Microsoft, Atlassian i Writer: o wartości z AI w znacznie większym stopniu decyduje środowisko pracy niż sama technologia czy indywidualne nastawienie ludzi. Dla mnie to wystarczający powód, żeby przestać traktować zachowanie jako skutek uboczny wdrożenia i zacząć traktować je jako jego część.

Czego brakuje w planie Twojego wdrożenia?

Większość planów wdrożenia AI ma rubryki na licencje, integracje, bezpieczeństwo, zgodność z przepisami i szkolenia. Bardzo rzadko ma rubrykę na zachowanie: kto, w którym momencie i w jaki sposób ma pracować inaczej oraz co w otoczeniu mu w tym pomoże. Tę rubrykę da się wypełnić, ale wymaga to połączenia kilku perspektyw, które w firmach zwykle funkcjonują osobno: projektowania, ekonomii behawioralnej, zarządzania zmianą i prawa.

Właśnie dlatego stworzyłam BehaviorAI Design Lab. To program dla osób, które wdrażają AI w organizacjach i chcą projektować współpracę człowieka z AI świadomie, zamiast liczyć na to, że ludzie sami się dostosują. Pracujemy na BehaviorAI Design Framework, czyli metodzie, w której krok po kroku przechodzimy od celu biznesowego i docelowego zachowania, przez mapowanie momentów decyzji i podział ról między człowiekiem a AI, aż po zaprojektowanie interwencji i sprawdzenie jej pod kątem zaufania, przejrzystości i ryzyka regulacyjnego. Uczestnicy dostają pełny dostęp do BehaviorAI Pattern Library, biblioteki wzorców, z których można korzystać od razu we własnych projektach.

Program startuje 17 listopada 2026 roku. Pracujemy w małej grupie, na własnych przypadkach uczestników, na styku technologii, designu, ekonomii behawioralnej i prawa. Jeśli wolisz przejść ten proces z całym zespołem, program jest dostępny także w formule wewnętrznej dla firm.

Szczegóły i zapisy znajdziesz tutaj

Ten tekst powstał na podstawie badania, które tłumaczyłam z modelem (niestety nie znam chińskiego :) Miłego czytania, Kasia ❤

Z tego artykułu dowiesz się:

• dlaczego pytanie „co zautomatyzować?” może być zbyt ogólne na początku wdrożenia AI
• czym różni się obecność człowieka w pętli od realnego wpływu na decyzję
• jak zmieniać poziom kontroli i odpowiedzialności między kolejnymi fazami procesu
• kiedy AI wzmacnia kompetencje człowieka, a kiedy zaczyna je zastępować
• dlaczego w BehaviorAI Design Framework najpierw mapuję zachowania, a dopiero później kalibruję rolę AI.

Czytałam ostatnio przegląd zespołu z Uniwersytetu Zhejiang, który podsumowuje blisko dekadę ich prac nad interakcją człowieka z AI. Jest tam pojęcie, które porządkuje ten problem lepiej niż wszystko, co ostatnio widziałam w materiałach wdrożeniowych. Nazywają to dwukierunkowym wzmocnieniem i składa się z trzech rzeczy. Human-Centered Human–AI Interaction (HCHAC) odpowiada na pytanie: w którą stronę płynie wzmocnienie i kto trzyma władzę w danej fazie.

Trzy mechanizmy z HCHAC przekładają się na 3 pytania, które można zadać osobno dla każdej fazy przepływu, a nie raz dla całego zadania:

1. Przywództwo wertykalne (człowiek nad AI). Gdzie w tym przepływie leży decyzja, której człowiek nie może oddać? Autorzy wskazują konkretnie oceny etyczne i wybory strategiczne. W produkcie to się przekłada na pytanie: który krok musi mieć twardy punkt zatrzymania, a nie tylko możliwość cofnięcia.
2. Przywództwo transformacyjne (AI wzmacnia człowieka). Czy ten krok podnosi zdolność użytkownika, czy ją zastępuje? Jeśli po trzech miesiącach korzystania użytkownik radzi sobie z zadaniem gorzej bez narzędzia niż na starcie, deklarowane wzmocnienie było w rzeczywistości substytucją.
3. Współdzielona odpowiedzialność. Jak alokacja zmienia się między fazami? Tu jest najważniejsza korzyść praktyczna, bo rozbija milczące założenie, że zadanie ma jeden poziom automatyzacji. Realny przepływ ma fazy o różnym profilu: zbieranie materiału może być System 0, interpretacja System 2, redakcja System 1. Karta wzorca zaprojektowana pod „całe zadanie” zawsze będzie źle skalibrowana w co najmniej jednej fazie.

To nie to samo co człowiek w pętli

Łatwo pomylić dwukierunkowe wzmocnienie z zasadą człowieka w pętli, ale to inne rzeczy i różnica ma znaczenie praktyczne.

Człowiek w pętli mówi, że człowiek jest obecny. Nie mówi, po co tam jest i czy jego obecność cokolwiek zmienia. Można spełnić ten warunek, wstawiając przycisk zatwierdzenia i mieć w logach sto procent zatwierdzeń, co znaczy dokładnie tyle, że nikt nigdy nic nie odrzucił. Obecność bez wpływu to raczej żaden nadzór.

Dwukierunkowe wzmocnienie zadaje trudniejsze pytanie:

• czy w tym punkcie człowiek naprawdę może zmienić bieg sprawy, i czy ma z czego tę decyzję podjąć?
• Jest do tego prosty test, który polecam robić po kwartale, a nie na etapie planowania. Sprawdź, czy zespół radzi sobie z zadaniem bez narzędzia lepiej niż przed wdrożeniem, czy gorzej. Jeśli gorzej, to nie było wzmocnienie.

Proces nie jest jednym blokiem

Na warsztatach czy szkoleniach w których sama biorę udział, prawie zawsze pada to samo pytanie na start: co chcemy zautomatyzować.

Rozumiem, skąd się bierze. Jest konkretne, prowadzi do listy, a listę da się wycenić i wpisać do budżetu. Tylko że ono już zawiera odpowiedź. Zakłada, że proces to jeden blok, który albo się automatyzuje, albo nie, i że wiemy, gdzie w tym bloku siedzi wartość, a gdzie ryzyko.

Zwykle nie wiemy, bo nikt jeszcze nie spojrzał na ten proces od strony ludzi, którzy w nim siedzą.

Diagram na slajdzie ma cztery pola i trzy strzałki. Rzeczywistość ma setki mikrozachowań, których zza biurka nie da się przewidzieć. Ktoś skanuje wynik wzrokiem zamiast go czytać, bo 2 razy się zgadzało. Ktoś inny sprawdza wszystko po kolei, bo raz się sparzył i już nie zapomniał. Ktoś eksportuje do arkusza, bo tam widzi całość naraz. Ktoś pyta koleżankę z drugiego zespołu, zamiast pytać system. Nikt tego nie zgłasza, bo nikt tego za pracę nie uważa, a przecież właśnie z tego składa się proces.

Do tego dochodzi coś, co może 2 lata temu nie było jeszcze problemem. Ludzie w jednym zespole są dziś na całkiem różnym etapie z tą technologią. Jedna osoba pracuje z modelem codziennie i ma już wyczucie, kiedy mu nie ufać. Druga widziała go trzy razy i albo przyjmuje wszystko bez sprawdzania, albo nie tyka wcale. Ta sama faza procesu, ta sama rola w strukturze, dwa całkiem inne zachowania. Jeden poziom automatyzacji nie obsłuży obu, bo dla jednej osoby będzie zbyt luźny, a dla drugiej zbyt ciasny.

Można to nazwać różną dojrzałością i przejść dalej, ale to za mało. To zmienna, która sama się zmienia w czasie, więc kalibracja zrobiona raz przestanie pasować po pół roku, i to niezależnie od tego, jak dobrze została zrobiona na starcie.

Dlatego mapuję przed kalibracją

W moim BehaviorAI Design Framework to są dwa osobne kroki i kolejność nie jest kosmetyczna.

W kroku mapowania rozkładam przepływ na fazy i patrzę, co się w każdej z nich dzieje z człowiekiem. Nie co powinno się dziać zgodnie z procedurą, tylko co się dzieje. Gdzie faktycznie podejmuje decyzję. Gdzie tylko zatwierdza cudzą. Gdzie już przestał patrzeć, choć formalnie nadal odpowiada. Gdzie obchodzi system, bo szybciej mu bez niego.

Dopiero w kroku kalibracji ustalam, ile współpracy z AI ma sens w każdej fazie osobno i w którym punkcie decyzja musi wrócić do człowieka.

Jeśli zaczniesz od kalibracji, dostaniesz jeden suwak dla całego procesu, czyli wrócisz tam, skąd wyszłaś lub wyszedłeś. Wszystko to łączę z podejściem nauk behawioralnych - Fast and Slow Collaborative AI.

Czego jeszcze nie wiemy

Zostawiam to na koniec, bo uważam, że taki tekst powinien mówić też o swoich granicach.

Autorzy przeglądu sami wskazują, czego brakuje. Nie mamy dobrych strategii dynamicznego przekazywania kontroli między człowiekiem i systemem, czyli akurat tego, co w praktyce jest najtrudniejsze. Nie mamy też danych z długiego okresu, więc skutki takie jak degradacja kompetencji albo narastająca zależność poznawcza są dziś słabo zmierzone. Sami przyznają, że wiedzą o tym mniej, niż by chcieli.

To z pewnością nie powód, żeby wstrzymywać wdrożenia. Dla mnie osobiście jest to powód, żeby rozpisać alokację świadomie, fazami, i wrócić do niej po kwartale zamiast ustawiać jeden suwak na starcie i już nigdy go nie ruszać.

Jeśli pracujesz nad podobnym wyzwaniem

Jeśli projektujesz proces, w którym AI ma wspierać ludzi w podejmowaniu decyzji, warto najpierw zobaczyć, co naprawdę dzieje się z człowiekiem na poszczególnych etapach pracy.

Właśnie od tego zaczynam pracę z zespołami w ramach BehaviorAI Design Framework. Jeśli ten sposób myślenia jest bliski wyzwaniom, nad którymi pracujecie, chętnie porozmawiam!

Based on: Gao, Z., Zhao, Y., Pan, H., Xu, W. (2026). Toward Human-Centered Human–AI Interaction: Advances in Theoretical Frameworks and Practice. arXiv:2601.11812

www.kasiaszczesna.pl

Od kilku tygodni wraca do mnie jedno pytanie. Czy to, co uważamy za sukces w projektowaniu produktów AI, czyli usunięcie każdego możliwego tarcia, nie jest czasem błędem w założeniach.

To pytanie nie jest abstrakcyjne. Siedzi w każdym projekcie, w którym uczestniczę. Klient przychodzi z prośbą o to, żeby jego asystent AI był szybszy, bardziej płynny, żeby użytkownik nie musiał się nad niczym zastanawiać. I przez większość mojej kariery uczono mnie, że to jest właśnie dobry projekt. Mniej kliknięć. Mniej wysiłku. Mniej oporu.

Trzy teksty, które przeczytałam w ostatnim miesiącu, złożyły mi się w jedną całość i pokazały, dlaczego to założenie trzeba zrewidować.

Tarcie, które uczy

Zespół z University of Toronto i Yale, Zohar, Bloom i Inzlicht, opublikował w Communications Psychology krótki, ale bardzo precyzyjny tekst zatytułowany Against frictionless AI. Ich punkt wyjścia jest prosty. Ludzie od zawsze wybierają ścieżkę najmniejszego oporu, to jedna z najbardziej uniwersalnych zasad psychologii. A jednocześnie regularnie sami sobie ten opór fundujemy, bo bez niego nic nie ma dla nas wartości. Zjawisko to nazywa się paradoksem wysiłku.

Autorzy piszą o czymś, co nazywają desirable difficulties, czyli pożądanych trudnościach. Zmaganie się z kodowaniem, przywoływaniem i reorganizacją informacji, niezależnie od tego, czy dzieje się to przez aktywne zaangażowanie, wytrwałość czy korektę, prowadzi do głębszego zrozumienia i trwalszego zapamiętywania. Kiedy AI usuwa ten wysiłek i podaje gotowe rozwiązanie, ten proces zostaje przerwany, zanim zdąży zadziałać. I rzeczywiście, są już dowody na to, że osoby korzystające z AI gorzej odtwarzają własną pracę, uczą się mniej i osiągają słabsze wyniki, gdy wsparcie AI zostaje odebrane.

To dotyczy nie tylko procesów poznawczych. Wysiłek bywa nieprzyjemny, ale to właśnie trud i zmaganie często nadają życiu sens. Kiedy pracujemy nad zadaniem, czujemy się bardziej kompetentni i wyżej cenimy efekt swojej pracy. Nawet jeśli zadanie jest obiektywnie pozbawione znaczenia, samo dodanie do niego tarcia zwiększa poczucie celu i sensu. To dlatego ludzie oceniają własny, niedoskonały tekst jako bardziej znaczący niż wygładzoną prozę napisaną przy pomocy ChatGPT, i domagają się za niego podobnej rekompensaty co za tekst dopracowany przez AI.

Autorzy są przy tym ostrożni. Nie postulują, żeby robić produkty trudniejsze na siłę, bo związek między wysiłkiem a sensem ma kształt odwróconej litery U. Zbyt mało tarcia odbiera nam korzyści, zbyt dużo przytłacza. Chodzi o umiejętność rozpoznania, które tarcie chroni użytkownika, a które tylko go frustruje.

Ekonomia zaufania

Drugi wątek, który uderzył mnie równie mocno, dotyczy tego, jak trudno nam rozpoznać moment, w którym coś idzie nie tak. Pat Pataranutaporn z MIT Media Lab, który bada, jak ludzie projektują swoje spersonalizowane AI, ujął to w rozmowie dla MIT News w sposób, którego nie zapomnę. “Często żartuję, że gdyby sztuczna inteligencja pojawiła się jak Terminator, o wiele łatwiej byłoby nam wiedzieć, co robić.” Prawdziwym wyzwaniem jest to, że sztuczna inteligencja często jawi się jako serdeczny przyjaciel, trener, nauczyciel czy towarzysz. To utrudnia rozpoznanie, że coś idzie nie tak.

W swoim badaniu Pataranutaporn i jego zespół pokazali, że ludzie projektujący własnego chatbota mylą się w przewidywaniu jego zachowania w 11 na 15 badanych cech, zwykle przeceniając cechy pozytywne i nie doceniając ryzyka, takiego jak nadmierna uległość modelu. Co ciekawsze, kiedy zespół dał użytkownikom narzędzie do wglądu w wewnętrzne reprezentacje modelu, zaufanie do systemu wzrosło, ale sposób projektowania chatbotów się nie zmienił. Sama przejrzystość nie wystarcza. To ważna lekcja dla każdego, kto myśli, że transparentność sama w sobie rozwiązuje problem zaufania.

Bo zaufanie do AI jest dziś rzadkim zasobem. Badanie KPMG i Uniwersytetu w Melbourne, obejmujące 47 krajów, pokazało, że mniej niż połowa ludzi ufa sztucznej inteligencji, a prawie dwie trzecie przyznaje, że polega na jej wynikach bez ich sprawdzania. Ta rozbieżność ma znaczenie, bo zaufanie zachowuje się jak kapitał. Buduje się powoli, a traci się natychmiast, i nie wraca po dawnej cenie. Deloitte musiał zwrócić część kosztów kontraktu rządowego w Australii po tym, jak w raporcie wspomaganym przez AI znaleziono zmyślone źródła.

Widać już, gdzie rodzi się nowy rynek strażników tego zaufania. Wielka Czwórka firm audytorskich wprowadza usługi zapewnienia bezpieczeństwa AI jako osobną linię biznesową, sprzedając prawo do stwierdzenia, że system został przetestowany. Ubezpieczyciele Lloyd’s of London zaczęli tworzyć polisy chroniące przed halucynacjami AI, w których modele są oceniane przed wystawieniem ubezpieczenia, a wypłata następuje, jeśli uzgodnione progi wydajności przestają być spełnione. Uniwersytety wracają do egzaminów pisanych ręcznie i nadzorowanych, bo esej napisany w domu przestał być dowodem czegokolwiek. Szwecja wydaje ponad sto milionów dolarów na przywrócenie drukowanych podręczników do szkół, a Norwegia ogłosiła niemal całkowity zakaz stosowania AI w szkołach podstawowych. Ekonomista Herbert Simon pisał o tym już w tysiąc dziewięćset siedemdziesiątym pierwszym roku, że bogactwo informacji prowadzi do ubóstwa uwagi. Różne instytucje reagują dziś w różny sposób, ale wszystkie wycofują się do systemów, którym można zaufać.

Skąd wiadomo, które tarcie zostawić

Te trzy wątki, badania nad pożądanymi trudnościami, ślepy punkt w projektowaniu AI i gorączkowe budowanie infrastruktury zaufania, prowadzą do tego samego pytania. Skoro nie chodzi o to, żeby usuwać każde tarcie ani żeby zostawiać je wszędzie, to jak konkretnie zdecydować, które tarcie w danym momencie interakcji zostawić, a które usunąć.

To pytanie stało u początku BehaviorAI Design Framework. Zbudowałam go jako trzypytaniową, bramkową metodologię, właśnie dlatego, że odpowiedź nigdy nie jest intuicyjna ani jednorazowa, tylko musi być powtarzalną decyzją projektową.

Pytanie pierwsze: diagnoza. Opiera się na modelu COM-B. Zanim zaprojektujemy jakąkolwiek interwencję, pytamy, czy użytkownikowi brakuje zdolności, okazji czy motywacji, żeby zachować się w pożądany sposób. W kontekście frictionless AI to pytanie brzmi inaczej niż zwykle. Nie pytamy, jak ułatwić użytkownikowi dotarcie do celu, tylko czy ułatwienie w tym konkretnym miejscu odbiera mu coś, czego rzeczywiście potrzebuje, na przykład możliwość nauczenia się czegoś albo zweryfikowania własnego osądu.

Diagnoza sama w sobie jest jednak zbyt ogólna, żeby przełożyć ją na konkretny projekt. Dlatego między diagnozą a interwencją wstawiłam drugą warstwę, którą nazywam FASCAI, czyli Fast and Slow Collaborative AI. To sposób nazwania trybu, w jakim człowiek i AI powinni współpracować w danym momencie, zapożyczony od Kahnemana i jego Systemów 1 i 2, rozszerzony o System 0.

System 0 to pełna automatyzacja, w której AI działa bez udziału człowieka. System 1 to szybka, intuicyjna współpraca, w której człowiek zachowuje kontrolę, ale nie musi świadomie przetwarzać każdego kroku. System 2 to wolna, refleksyjna współpraca, w której człowiek ma myśleć, weryfikować, budować własne zrozumienie.

Najprościej pokazać to na konkretnym przykładzie. Weźmy asystenta AI, który pomaga odpowiadać na e-maile. Kiedy użytkownik akceptuje sugerowaną odpowiedź na rutynowe potwierdzenie spotkania, to zadanie transakcyjne bez konsekwencji poznawczych, więc System 0 jest właściwym trybem i frictionless jest tu dobrą decyzją, nie błędem. Kiedy AI proponuje odpowiedź na wiadomość od ważnego klienta, w grę wchodzi ocena tonu i relacji, więc potrzebny jest System 1, czyli krótka pauza i możliwość korekty, zanim wiadomość wyjdzie. Kiedy AI ma pomóc napisać odpowiedź w sprawie spornej, na przykład reklamacji albo negocjacji warunków, stawka i konsekwencje są wysokie, więc potrzebny jest System 2, czyli własny szkic użytkownika przed pokazaniem wersji AI, żeby nie stracił własnego osądu w sprawie, w której on jeden ponosi odpowiedzialność.

Błąd, przed którym ostrzegają Zohar, Bloom i Inzlicht, polega właśnie na tym, że produkty domyślnie ześlizgują się do Systemu 0 wszędzie, bo jest tańszy w projektowaniu i lepiej wypada w testach użyteczności, nawet w miejscach, które powinny zostać w Systemie 1 albo 2.

Pytanie drugie: interwencja. Kiedy wiemy już, jaki tryb FASCAI powinien działać w danym momencie, korzystamy z Behaviour Change Wheel razem z biblioteką wzorców BehaviorAI, żeby zaprojektować konkretne rozwiązanie. Dla Systemu 1 to wzorzec pauzy przed zaakceptowaniem sugestii AI albo widoczny poziom pewności systemu zamiast gotowej odpowiedzi podanej jako fakt. Dla Systemu 2 to wzorzec, który prosi użytkownika o samodzielne sformułowanie wniosku, zanim pokażemy mu odpowiedź modelu. To są konkretne narzędzia odpowiadające na dokładnie ten problem, o którym piszą autorzy tekstu o desirable difficulties.

Pytanie trzecie: etyka. Domyka cały proces. Nawet jeśli wiemy, jak zaprojektować interwencję, pytamy, czy mamy prawo to zrobić i czyim interesom to służy. To pytanie chroni przed sytuacją, w której intencja obniżenia tarcia po drodze zamienia się w manipulację albo w projektowanie zależności, o której ostrzega Pataranutaporn, mówiąc o modelu, który stale afirmuje użytkownika zamiast go czasem skorygować.

Ten framework nie daje gotowej odpowiedzi na pytanie, ile tarcia jest właściwe. Nikt jej dziś nie ma, bo to zależy od kontekstu, etapu życia użytkownika i stawki decyzji. Ale daje strukturę, która nie pozwala pominąć pytania, zanim wdroży się kolejne ułatwienie, i pozwala tę samą interakcję zdiagnozować, nazwać jej właściwy tryb i przypisać jej konkretny wzorzec, zamiast rozstrzygać o tarciu intuicyjnie za każdym razem od nowa.

Właśnie tę warstwę, między tym, co AI potrafi zrobić, a tym, co powinno zrobić dla konkretnego użytkownika w konkretnym momencie, projektuję od lat. Dopiero teraz nauka zaczyna nazywać ją po imieniu.

Jeśli pracujesz nad produktem, w którym AI odpowiada za kluczowe decyzje użytkownika, chętnie pokażę, jak wygląda pełna wersja frameworku i biblioteki wzorców. Link w komentarzu.

Źródła

1. Zohar, Bloom, Inzlicht — Against frictionless AI, Communications Psychology, 2026 https://www.nature.com/articles/s44271-026-00402-1
2. Pat Pataranutaporn (MIT Media Lab), wywiad — 3 Questions: Neural transparency and the future of AI design, MIT News, lipiec 2026 https://news.mit.edu/2026/3-questions-neural-transparency-and-future-of-ai-design-0715
3. Observer — artykuł o zaufaniu do AI i ekonomii władzy/osądu, lipiec 2026 https://observer.com/2026/07/future-ai-power-judgment-trust/
4. KPMG i Uniwersytet w Melbourne — badanie o zaufaniu do AI w 47 krajach https://kpmg.com/xx/en/media/press-releases/2025/04/trust-of-ai-remains-a-critical-challenge.html
5. Deloitte — zwrot części kosztów kontraktu rządowego w Australii po wykryciu zmyślonych źródeł w raporcie wspomaganym AI https://fortune.com/2025/10/07/deloitte-ai-australia-government-report-hallucinations-technology-290000-refund/
6. Wielka Czwórka — wprowadzenie usług AI assurance jako linii biznesowej https://thefinancestory.com/big-4-to-launch-ai-assurance-services
7. Lloyd’s of London — polisy ubezpieczeniowe od halucynacji AI https://www.armilla.ai/resources/insurers-launch-cover-for-losses-caused-by-ai-chatbot-errors

Coraz bardziej jestem przekonana, że o adopcji AI rozmawiamy w firmach na zdecydowanie za wysokim piętrze.

Bo rozmowa zwykle brzmi tak: kupiliśmy licencje, zrobiliśmy szkolenie, poszedł mail od zarządu, a po pół roku aktywnie korzysta jakieś piętnaście procent ludzi. I co teraz? Zwykle pada odpowiedź: musimy popracować nad kulturą organizacyjną.

Prawie nigdy o to nie chodzi. Ci sami ludzie rok wcześniej przeszli na nowy system kadrowy i jakoś przeżyli 😉

Nie jestem z tym sama

W poniedziałek w TIME ukazał się tekst Lindy Hill z Harvard Business School o tym, jakich liderów potrzebuje dziś innowacja. Jest tam myśl, która chodzi mi po głowie od kilku dni: najwięcej zyskują firmy, które używają AI do rzeczy, których ludzie sami zrobić nie mogli, a najmniej te, które po prostu podmieniają ludzi na maszyny. I że najtrudniejsze w tym wszystkim nie są technologie, tylko ludzie.

I nie jest to odosobniony głos. Widać wyraźnie, że temat adopcji AI przesuwa się w tym roku z działów IT do rozmowy o ludziach. Pojawiają się pierwsze programy dla liderów poświęcone wyłącznie jednemu pytaniu: dlaczego wdrożenia stają w miejscu, skoro technicznie wszystko działa.

Cieszę się z tego bardzo, bo mówię to samo od trzech lat i przez większość tego czasu brzmiało to jak temat poboczny 😉

Chcę tylko dołożyć jeszcze jedno piętro niżej.

Luka jest w dwóch miejscach, nie w jednym

Wszyscy patrzą na tę pierwszą: między tym, ile firma wydała na AI, a tym, ile z tego realnie używa.

Ale jest druga, o której mówi się dużo rzadziej. Między tym, co system faktycznie potrafi, a tym, jak człowiek to rozumie, ocenia i wykorzystuje.

To ta niewidzialna, behawioralna warstwa między interfejsem a człowiekiem. Ona nie jest miękka ani ogólna. Ona decyduje o konkretnych rzeczach: czy ktoś w ogóle otworzy narzędzie we wtorek o 10:30, czy zaufa wynikowi, czy go sprawdzi i czy będzie wiedział, po czym poznać, że warto sprawdzić.

Trzy różne “adopcja stoi”

I tu jest rzecz, którą widzę w każdym projekcie, a która ginie w rozmowach o adopcji na poziomie strategii.

Nie używają wcale. Wbrew pozorom najłatwiejszy przypadek, bo widać go od razu i ktoś w końcu zadaje pytanie.

Używają wybiórczo. Logują się regularnie, statystyki wyglądają nieźle, a robią w narzędziu rzeczy, które zrobiliby w wyszukiwarce. Sprawdzają definicje. Poprawiają styl maila. Firma jest wtedy przekonana, że się udało (i planuje kolejne wdrożenia na tej samej podstawie).

Przestali sprawdzać, co z narzędzia wychodzi. To wygląda na najlepszą adopcję z całej trójki. Jest najdroższa.

Trzy różne problemy. Trzy różne przyczyny. Trzy zupełnie inne rozwiązania. A firmy na wszystkie trzy reagują tym samym: kolejnym szkoleniem. Bo najłatwiej je zorganizować i najłatwiej rozliczyć.

Czego szukam, kiedy wchodzę do organizacji

Pracuję na własnym BehaviorAI Design Framework i przy zatrzymanej adopcji najwięcej dają trzy pierwsze kroki.

DEFINIUJ. Kiedy pytam o cel wdrożenia, słyszę: chcemy szerzej wykorzystywać AI. To nie jest cel. Cel brzmi tak: analityk przestaje pisać pierwszą wersję raportu od zera i zaczyna od wersji wygenerowanej, którą sprawdza. Teraz wiadomo, kto, kiedy i zamiast czego. Wiadomo też, co mierzyć.

MAPUJ. Zachowanie to nie jedna decyzja, tylko ciąg mikrodecyzji i skrótów myślowych. Szukam momentu, w którym człowiek odpada albo zaczyna polegać na systemie bardziej, niż powinien. To zwykle da się wskazać co do kliknięcia, jeśli ktoś w ogóle zapyta użytkowników (a pyta zaskakująco rzadko).

KALIBRUJ. Tu wchodzi mój RIFT: Relationship, Interpretation, Friction, Trust. Za kogo ludzie uważają to narzędzie. Czy rozumieją, skąd bierze się wynik. Gdzie dokładnie jest tarcie. I czy ufają na tyle, na ile powinni, bo za mało zaufania blokuje, a za dużo kosztuje jeszcze więcej.

Najczęstsza diagnoza brzmi zresztą tak: firma oddała systemowi decyzję, a odpowiedzialność za skutki zostawiła człowiekowi. Nikt tego nie zgłosi na statusie. Ludzie po prostu przestaną korzystać.

To nie jest opór przed zmianą. To całkiem rozsądna kalkulacja.

Zanim zamówisz kolejne szkolenie

Zadaj sobie trzy pytania:

1. Czy wiesz, które z trzech “adopcja stoi” macie u siebie? Bo jeśli nie, to każda reakcja jest strzałem w ciemno.
2. Czy ktoś rozmawiał z ludźmi, którzy mają z tego korzystać codziennie? Sama góra opowie wersję spójną i najczęściej nieprawdziwą.
3. Czy wiecie, po czym poznacie, że pomogło? Jeśli miarą jest liczba logowań, to wrócimy do tej rozmowy za pół roku.

Trzy pytania, na które nie potrzebujesz mnie. Odpowiedzi bywają niewygodne.

A jeśli odpowiedzi wyszły niewygodne:

Dla firm robię diagnozę adopcji i projektowanie warstwy behawioralnej. Wszystkie formaty są tutaj, a najprościej zacząć od krótkiej rozmowy o tym, gdzie dziś jesteście.

Dla osób, które wolą nauczyć się metody i mieć ją u siebie w zespole, 17 listopada startuje pierwsza edycja BehaviorAI Design Lab. Trzy tygodnie, praca na własnym case’ie, cały framework, biblioteka wzorców i asystent. Early bird trwa do końca września.

Mniej gadania, więcej działania 😉

Czego dowiesz się z artykułu:

• Dlaczego McKinsey uważa, że wdrożenia AI zatrzymują się dziś na ludziach, a nie na technologii
• Co mówi 5 zasad projektowania organizacji opartej na mózgu
• Gdzie naprawdę powstaje obciążenie poznawcze w pracy z AI
• Jak BehaviorAI Design Framework przekłada te zasady na konkretne decyzje w przepływie pracy i na interfejsie
• Dlaczego adopcja AI nie jest problemem komunikacyjnym

O czym jest raport McKinseya

79% organizacji wdrożyło generatywną AI, ale tylko 39% widzi jakikolwiek wpływ na EBIT, a poza pilotaże wyszła mniej więcej jedna trzecia. McKinsey mówi wprost, że coraz częściej zatrzymuje ich nie technologia, tylko pojemność poznawcza ludzi, którzy z tej technologii korzystają.

Autorzy zbierają dowody, które układają się w niewygodną całość. Kiedy człowiek regularnie oddaje myślenie maszynie w sposób bierny, jego samodzielne zdolności analityczne mierzalnie spadają. Osoby, które cały dzień nadzorują wyniki modeli, zgłaszają mgłę umysłową i wolniejsze decyzje. Wczesne obserwacje z MIT sugerują, że przy dużym odciążaniu poznawczym słabnie sama infrastruktura mózgu, bo mózg, który przestaje ćwiczyć przypominanie i syntezę, po prostu odzwyczaja się od tej pracy, mniej więcej tak jak odzwyczajamy się od czytania mapy, kiedy przez pięć lat jeździmy wyłącznie z nawigacją.

Stąd pojęcie kapitału mózgowego i 5 zasad operacyjnych, których myślą przewodnią jest jedno zdanie: człowiek za kierownicą, AI w pętli.

Pięć zasad organizacji opartej na mózgu

1.Kalibruj obciążenie poznawcze Automatyzacja zmienia skład dnia pracy, a nie tylko jego długość, i dlatego handlowiec, któremu AI zabrała administrację, nie dostaje lżejszego dnia, dostaje dzień złożony wyłącznie z rozmów z klientem, a konsultant obsługi, któremu automatyzacja zabrała proste zgłoszenia, siedzi 8 godzin w samych eskalacjach. Wolumen spadł, intensywność wzrosła i wygląda to trochę jak trening, z którego ktoś usunął wszystkie lekkie serie i zostawił same maksymalne ciężary. McKinsey nazywa odpowiedź architekturą obciążenia i zwraca też uwagę na drugą stronę tej samej sprawy, czyli na niedociążanie ludzi, którym AI zabrała zadania, na których kiedyś się uczyli.

2.Chroń pojemność poznawczą Pierwsza zasada dotyczy tego, o co prosimy mózg, druga tego, ile mózg ma do oddania, a ponieważ pojemność odbudowuje się głównie przez sen i realne odłączenie się od pracy, to program rozwojowy wprowadzony bez zaplanowanej regeneracji dokłada obciążenie do konta, które jest już puste. Liderzy, którzy robią to dobrze, odejmują zanim dodadzą.

3.Twórz warunki do skupienia Badania Glorii Mark pokazują, że na jednym ekranie zostajemy średnio 47 sekund, a pełny powrót do przerwanego zadania potrafi zająć ponad 20 minut, więc szybkość modelu niewiele daje, jeżeli człowiek nie ma spokojnego kwadransa na ocenę tego, co model wyprodukował.

4.Buduj umiejętności, które zanikają Junior, który kiedyś spędzał godziny na slajdach i arkuszach, robi to teraz w kilka minut i jest to prawdziwy zysk, tylko że w tych godzinach uczył się przy okazji rzeczy, których AI go nie nauczy, jak odczytanie sceptycznego klienta czy przeformułowanie rozsypującego się argumentu w połowie spotkania.

5.Kształtuj środowisko sprzyjające mózgowi Ostatnia zasada mówi, że adopcja AI jest pytaniem kulturowym w tym samym stopniu, co technicznym.

McKinsey pokazuje to na porównaniu dwóch identycznych pilotaży wprowadzonych dwoma różnymi zdaniami. Jeden lider mówi, że zobaczymy, czy to w ogóle zadziała. Drugi przedstawia narzędzie jako partnera do myślenia i pyta zespół, czego potrzebuje, żeby mieć na tę współpracę zasoby poznawcze. Narzędzie to samo, wynik inny.

Do tego dochodzą pytania o bezpieczeństwo psychologiczne, przestrzeń fizyczną, dostęp do zasobów.

Jak widzi to BehaviorAI Design Framework

Zgadzam się z każdą z tych zasad i mam z nimi jeden problem. Wszystkie opisują warunki, czyli rolę lidera, kulturę, rytm dnia i program rozwojowy, a obciążenie poznawcze powstaje w zupełnie innym miejscu, w niewidzialnej warstwie między interfejsem a umysłem człowieka, który przy nim siedzi. Produkt może działać poprawnie, a użytkownik i tak będzie ufał bardziej niż powinien albo oddawał systemowi decyzje, które miały zostać po jego stronie.

Framework prowadzi przez 5 kroków i każdy z nich zamienia jedną z zasad McKinseya w decyzję, którą ktoś naprawdę musi podjąć.

01 Definiuj Ustalamy, jakie zachowanie chcemy zmienić, kto je wykonuje i co dziś stoi mu na przeszkodzie, i bardzo często okazuje się w tym miejscu, że ludziom nie brakuje ani kompetencji, ani chęci, tylko okazji, ponieważ proces nie przewiduje czasu na to, o co ich prosimy. To jest ta sama sprawa, którą McKinsey nazywa ochroną pojemności poznawczej, tylko widziana od strony konkretnego procesu.

02 Mapuj Rozkładamy zachowanie na decyzje, mikroakcje i momenty wpływu, szukając barier poznawczych, emocjonalnych, społecznych i funkcjonalnych. Tu widać rzeczy niewidoczne na diagramie procesu, na przykład to, że ktoś omija narzędzie, bo o tej porze dnia nie ma już pojemności na naukę nowego kroku, albo że system przerwał mu myślenie czternaście razy, za każdym razem zasadnie, co jest zasadą 3 oglądaną z bliska.

03 Kalibruj Dzielimy odpowiedzialność między człowieka a system, czyli decydujemy, co AI powinna przejąć w całości, a gdzie człowiek musi zachować kontrolę i możliwość weryfikacji, analizując przy tym relację z AI, sposób interpretowania jej odpowiedzi, rozkład barier i poziom zaufania. To jest kalibracja obciążenia z pierwszej zasady, tylko przeprowadzona na poziomie zadania, a nie roli, i to tutaj najczęściej widać, że tarcie jest rozłożone dokładnie odwrotnie, niż powinno, trochę jak leżący policjant postawiony na autostradzie zamiast przed szkołą.

04 Projektuj Diagnozę przekładamy na wzorce z biblioteki BehaviorAI, dobierane do konkretnego mechanizmu poznawczego, a nie do tego, co akurat jest popularne. Można wtedy świadomie zostawić wysiłek tam, gdzie buduje kompetencje, projektując moment tak, żeby człowiek najpierw zapisał własną ocenę, a dopiero potem zobaczył propozycję modelu, i to jest czwarta zasada zamieniona w strukturę zamiast w apel.

05 Waliduj Sprawdzamy zmianę zachowania, poziom zaufania, sprawczość użytkownika, transparentność oraz ryzyka regulacyjne, i robimy to na obserwowanym zachowaniu, ponieważ w środowisku, które karze przyznanie się do niesprawdzenia wyniku AI, wskaźniki adopcji będą wyglądały znakomicie w tym samym czasie, w którym ludzie akceptują coraz szybciej i sprawdzają coraz rzadziej.

Adopcja jest skutkiem, nie celem

Najczęstszy błąd, jaki widzę w organizacjach, polega na tym, że adopcja AI jest traktowana jako problem komunikacyjny. Skoro ludzie nie korzystają, trzeba lepiej wytłumaczyć, zachęcić, przeszkolić, pokazać przykłady.

Informacja nie zmienia zachowania. Zmienia je projekt sytuacji, w której to zachowanie ma się wydarzyć.

Organizacja oparta na mózgu, o której pisze McKinsey, nie powstanie z programu rozwojowego ani z polityki spotkań, choć obie te rzeczy pomogą. Powstanie wtedy, gdy ktoś usiądzie nad konkretnym przepływem pracy i zapyta, co ten przepływ robi z człowiekiem, który przez niego przechodzi. Gdzie zabiera mu myślenie, którego nie powinien zabierać. Gdzie zostawia wysiłek, który nie służy niczemu. Gdzie interfejs uczy pośpiechu w miejscu, które wymaga zwolnienia.

To nie jest tylko praca kulturowa, tylka praca projektowa, oparta na tym, co wiemy o zachowaniu.

Jak pracujemy

Pomagam firmom projektować to, co dzieje się między człowiekiem a AI, czyli przepływy pracy, adopcję, relację i pojedyncze interakcje na interfejsie.

Najdroższą rzeczą, jaką można zbudować, jest funkcja AI, którą użytkownicy omijają, dlatego zaczynam od diagnozy i pokazuję, czy problem siedzi w zaufaniu, w zrozumieniu, czy w momencie, w którym system się odzywa. Sprawdzam też ryzyko z drugiej strony, czyli ludzi, którzy ufają za bardzo i zatwierdzają wyniki bez sprawdzenia, ponieważ to nie pojawia się ani w testach użyteczności, ani w statystykach adopcji, tylko później w reklamacji, incydencie albo audycie. Przy okazji weryfikuję, czy komunikaty wymagane przez artykuł 50 AI Act realnie do kogokolwiek docierają, bo przepis wymaga poinformowania użytkownika, a nie tego, żeby ktoś to zauważył.

Pracuję warsztatowo i szkoleniowo, więc metoda zostaje w zespole i można ją powtórzyć przy kolejnej funkcji beze mnie.

Jeśli chcesz zobaczyć, jak wygląda mapa behawioralna konkretnego procesu w Twojej organizacji, napisz do mnie: napisz@kasiaszczesna.pl

Źródło: Jacqueline Brassey, Julie Goran, Alexis Krivkovich, Kate Smaje, Five principles for designing brain-powered organizations, McKinsey & Company, People & Organization Blog, 13 lipca 2026.

Wyobraź sobie nowy park. Alejki są wybrukowane, ławki stoją tam, gdzie pada cień, a między nimi rośnie równo przycięta trawa. Po miesiącu na trawniku pojawiają się wydeptane ścieżki, bo ludzie chodzą tam, gdzie jest im wygodniej, a nie tam, gdzie ich zaprosiliśmy. Nikt niczego nie zepsuł, po prostu projekt rozminął się z tym, jak ludzie naprawdę się poruszają.

Tak samo wygląda dziś wiele wdrożeń AI. Jest strategia, są licencje i szkolenie z promptów, a po trzech miesiącach część osób nie korzysta z narzędzia wcale, część używa go tylko do maili, a spora grupa i tak otwiera prywatnego ChatGPT w telefonie. Behavioural Insights Team (BIT), zespół zajmujący się naukami behawioralnymi w organizacjach, zebrał ostatnio sporo danych na ten temat. Prowadzą one do wniosku, który powtarzam od dawna: problem z adopcją AI jest dużo bardziej behawioralny niż technologiczny.

Karnet na siłownię, który leży w portfelu

Kupno rocznego karnetu na siłownię daje przyjemne poczucie postępu, ale mięśni nie buduje. Z licencjami na AI jest podobnie. Przy płytkiej adopcji ludzie sięgają po AI od czasu do czasu, do prostych zadań w rodzaju maila czy streszczenia, a oszczędności są tak małe, że trudno je zauważyć. Przy głębokiej adopcji AI jest wbudowana w procesy i używana regularnie, także przy analizie czy decyzjach, i dopiero wtedy widać realną zmianę.

Dane pokazują tę różnicę bardzo wyraźnie. Wstępny raport MIT NANDA (2025), oparty na ankietach i wywiadach z liderami, sugeruje, że ogólne modele językowe skutecznie wdraża około 40% firm, a narzędzia wbudowane w konkretne procesy tylko około 5%. Humlum i Vestergaard (2025) przebadali 25 tysięcy pracowników w Danii i policzyli, że chatboty oszczędzają im średnio 2,8% czasu, bez wpływu na płace czy godziny pracy. To trochę jak szybszy czajnik: woda zagotuje się minutę wcześniej, ale jeśli nadal stoisz przy nim i czekasz, poranek wcale się nie skróci.

Tymczasem w eksperymencie z inżynierami Google (Paradis i in., 2024), gdzie AI była częścią środowiska pracy, czas wykonania zadania spadł o 21%. A w porównaniu przeglądów literatury robionych z AI i bez niej całość szła o 23% szybciej, choć nierówno: AI mocno przyspieszyła analizę i syntezę, ale wybór materiałów i poprawki ludzie robili szybciej sami. Skoro to samo narzędzie daje raz niecałe 3%, a raz ponad 20%, to różnica leży w tym, co dzieje się wokół modelu. A tam spotykam zwykle siedem powtarzających się problemów.

1. Ludzie się boją, ale nie mówią tego głośno

Strach rzadko pada wprost, bo zamiast „boję się” słyszymy „nie mam czasu” albo „u nas to się nie sprawdzi”. Pod spodem kryją się bardzo konkretne obawy: że AI podważy pozycję eksperta, na którą ktoś pracował latami, że wklei się dane, których nie powinno się wklejać, albo że przy pierwszym błędzie winny będzie człowiek, a nie narzędzie. Z perspektywy pracownika te obawy są racjonalne, więc kolejne szkolenie z promptów niczego tu nie zmieni.

Pierwszy krok: zamiast pytać zespół, czy korzysta z AI, zapytaj, co musiałoby się wydarzyć, żeby ludzie czuli się bezpiecznie, używając jej w codziennej pracy. Odpowiedzi zwykle pokazują, że problemem nie jest narzędzie, tylko niejasne zasady i brak poczucia bezpieczeństwa. Warto przy tym pamiętać, że ludzie rzadko dzielą się obawami z własnym przełożonym, dlatego takie rozmowy najlepiej prowadzi ktoś spoza struktury.

2. Narzędzie jest, ale nikt po nie nie sięga

Licencje są kupione, szkolenie się odbyło, a narzędzie leży nieużywane jak rower treningowy, który po kilku tygodniach zaczyna służyć za wieszak. Najczęściej nie wynika to z niechęci, tylko z tego, że korzyść jest zbyt abstrakcyjna, a stary sposób pracy znajomy i wygodny. Hasło „wzrost produktywności” niewiele mówi komuś, kto ma w piątek do oddania konkretny raport. A szkoda, bo według badania Microsoftu wśród użytkowników Copilota nawyk zaczyna się utrwalać już przy około 11 minutach oszczędności dziennie przez 11 tygodni.

Pierwszy krok: przyjrzyj się jednemu powtarzalnemu zadaniu w zespole i sprawdź, w którym dokładnie momencie ktoś mógłby sięgnąć po AI, ale tego nie robi. Ten moment decyzji mówi więcej niż ankieta satysfakcji, bo pokazuje, czy przeszkodą jest brak czasu, brak pewności, zbyt wiele kliknięć czy po prostu przyzwyczajenie. Każda z tych przyczyn wymaga zupełnie innego rozwiązania.

3. Ludzie używają, ale zatrzymali się na mailach

W statystykach wygląda to na sukces, bo konta są aktywne, a logowania regularne. Ludzie znaleźli jednak jedno zastosowanie, które jest wystarczająco dobre, i przestali szukać dalej, trochę jak z pilotem do telewizora, który ma czterdzieści przycisków, a my używamy trzech. Herbert Simon nazwał to w 1947 roku „zadowalanie się wystarczającym” i to właśnie ten mechanizm sprawia, że organizacje utykają na etapie płytkiej adopcji. Według Accenture, które samo sprzedaje szkolenia, 94% pracowników chce rozwijać kompetencje w zakresie AI, a na dużą skalę szkoli tylko 5% firm.

Pierwszy krok: zamiast liczyć, ile osób korzysta z AI, sprawdź, do czego korzystają. Jeśli lista zastosowań od trzech miesięcy się nie zmienia, to znak, że ludzie nie potrzebują więcej dostępu, tylko bezpiecznej okazji, żeby spróbować czegoś trudniejszego, na przykład pierwszej wersji analizy czy planu projektu.

4. AI działa obok pracy, a nie w niej

W wielu firmach proces wygląda dokładnie tak samo jak przed wdrożeniem, tylko ktoś w środku od czasu do czasu coś „przepuszcza przez czata”. Przypomina to restaurację, która kupiła świetny piec, ale zostawiła to samo menu i ten sam podział obowiązków, więc piec stoi w kącie i odgrzewa zupę. To dokładnie sytuacja z duńskiego badania, w którym oszczędności były znikome, bo nikt nie zmienił sposobu pracy. Pomocna jest tu matryca Ananda i Wu z Harvard Business Review, która patrzy na każde zadanie przez dwa pytania: czy wymaga wiedzy, którą da się zapisać, czy raczej doświadczenia, i jak kosztowny byłby błąd.

Pierwszy krok: weź jeden proces, rozpisz go na etapy i przy każdym zadaj dwa pytania: czy AI realnie tu pomaga i kto w tym miejscu podejmuje decyzję. Często okazuje się, że AI świetnie przyspiesza jeden etap, ale na kolejnym ludzie i tak robią wszystko od nowa, bo nie ufają wynikowi albo nikt nie ustalił, co z nim zrobić dalej.

5. Człowiek „w pętli” tylko zatwierdza

Wiele wdrożeń zakłada, że skoro człowiek sprawdza pracę AI, to wszystko jest pod kontrolą. W praktyce osoba, która przez cały dzień zatwierdza wyniki maszyny, szybko przestaje je naprawdę czytać, a przy pierwszym błędzie to ona ponosi odpowiedzialność. Cory Doctorow nazywa taką sytuację odwróconym centaurem, bo zamiast maszyny pomagającej człowiekowi mamy człowieka pomagającego maszynie. Madeleine Clare Elish mówi z kolei o moralnej strefie zgniotu, bo człowiek przyjmuje na siebie uderzenie jak zgniatana część karoserii, która chroni resztę samochodu.

Pierwszy krok: sprawdź, czy osoba nadzorująca AI ma realny wpływ na decyzję, czas na weryfikację i wiedzę, na co powinna uważać. Jeśli nie, nadzór jest tylko formalnością, a ludzie doskonale to wyczuwają, co z czasem zamienia się albo w opór, albo w bezrefleksyjne klikanie „zatwierdź”.

6. Ludzie korzystają, ale nie z tego, co im daliśmy

To są właśnie wydeptane ścieżki na trawniku. Ludzie potrzebują AI, tylko oficjalne narzędzie jest trudniejsze w użyciu, wolniejsze albo obwarowane procedurami, więc sięgają po prywatne konta. Jednocześnie dane zebrane przez Apollo pokazały w połowie 2025 roku lekki spadek oficjalnej adopcji AI w dużych amerykańskich firmach, z około 14% do 12%. Wiele organizacji traktuje prywatne korzystanie z AI wyłącznie jako problem bezpieczeństwa, choć jest to przede wszystkim cenna informacja o tym, czego ludzie naprawdę potrzebują.

Pierwszy krok: zanim wprowadzisz zakazy, porozmawiaj z kilkoma osobami o tym, z czego korzystają, do czego i dlaczego wolą to od narzędzia firmowego. Takie rozmowy działają najlepiej wtedy, gdy nikt nie musi się obawiać konsekwencji, bo inaczej usłyszysz tylko to, co ludzie uważają za bezpieczne do powiedzenia.

7. Liderzy mówią jedno, a robią drugie

Zarząd ogłasza, że AI jest priorytetem, ale menedżerowie sami z niej nie korzystają, nie dają zespołom czasu na naukę, a nagradzają dokładnie tak samo jak wcześniej. Ludzie czytają takie sprzeczne sygnały bardzo trafnie, trochę jak dzieci, którym rodzice mówią, że czytanie jest ważne, ale sami nigdy nie biorą książki do ręki. Gallup pokazuje, że pracownicy, których menedżer aktywnie wspiera korzystanie z AI, są 2,1 razy bardziej skłonni używać jej regularnie, a takie wsparcie zdecydowanie odczuwało w 2025 roku tylko 28% z nich.

Pierwszy krok: sprawdź, jakie sygnały naprawdę wysyła organizacja, a nie tylko te, które są zapisane w strategii. Czy jest czas na eksperymenty, czy ktoś pokazuje własne przykłady użycia, czy błędy są traktowane jako nauka? Odpowiedzi na te pytania zwykle wyjaśniają więcej niż jakiekolwiek wskaźniki wykorzystania licencji.

Co łączy te wszystkie problemy

Każdy z tych pierwszych kroków ma wspólny mianownik: zanim zaczniemy cokolwiek zmieniać, trzeba zrozumieć, jak ludzie naprawdę pracują, gdzie podejmują decyzje i co ich w tych momentach zatrzymuje. Dopiero wtedy można projektować rozwiązania, które trafiają w prawdziwy problem, zamiast wylewać kolejny beton w miejscach, gdzie nikt nie chodzi. Właśnie od tego zaczynam każdą współpracę z organizacją.

Pracuję w oparciu o BehaviorAI Design Framework, w którym każdy krok odpowiada na któryś z opisanych problemów. FRAME zamienia ogólne „ludzie mają używać AI” na konkretne zachowanie w konkretnym procesie, więc AI przestaje działać obok pracy. MAP pokazuje momenty decyzji, w których ludzie rezygnują, zatrzymują się na mailach albo schodzą z alejki na trawnik, a także sygnały, jakie wysyła im organizacja. CALIBRATE ustala role człowieka i AI oraz poziom zaufania, tak żeby nikt się nie bał i nikt nie trafił do strefy zgniotu. DESIGN to projektowanie konkretnych rozwiązań z wykorzystaniem wzorców z BehaviorAI Pattern Library. CHECK sprawdza, czy rozwiązanie działa w praktyce i czy jest bezpieczne, także regulacyjnie.

Zaproszenie

Jeśli rozpoznajesz tu swoją organizację, zapraszam do BehaviorAI Design Lab, programu na żywo w małej grupie, który startuje 17 listopada 2026. Pracujemy na BehaviorAI Design Framework na przykładach uczestników, a każdy dostaje pełny dostęp do BehaviorAI Pattern Library. Ten sam program prowadzę też dla całych zespołów.

👉 Program

👉 Usługi dla firm Źródła

1. Challapally, A. i in. (2025). The GenAI Divide: State of AI in Business
2. 2025. MIT NANDA. Raport wstępny.
3. Humlum, A., Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. Becker Friedman Institute.
4. Paradis, E. i in. (2024). How much does AI impact development speed? Google.
5. Egan, M. i in. (2025). AI-assisted vs human-only evidence review. Behavioural Insights Team dla DCMS i DSIT.
6. Microsoft WorkLab (2024). The 11-by-11 Tipping Point.
7. Simon, H. A. (1947). Administrative Behavior. Macmillan.
8. Accenture (2024). Komunikat o Accenture LearnVantage.
9. Anand, B. N., Wu, A. (2025). The Gen AI Playbook for Organizations. Harvard Business Review.
10. Doctorow, C. (2025). The Reverse Centaur’s Guide to Criticizing AI. Pluralistic.
11. Elish, M. C. (2019). Moral Crumple Zones. Engaging Science, Technology, and Society, 5.
12. Sløk, T. (2025). AI Adoption Rate Trending Down for Large Companies. Apollo Academy.
13. Gallup (2025). Manager Support Drives Employee AI Adoption.

AI zmienia nie tylko to, jak projektujemy produkty, ale też samą relację między człowiekiem a technologią. Klasyczny UX coraz częściej nie wystarcza, żeby opisać zaufanie, sprawczość, sposób podejmowania decyzji i współpracę człowieka z AI.

Z tego artykułu dowiesz się:

• czym różni się human AI interaction od klasycznego HCI
• dlaczego kalibracja zaufania jest ważniejsza niż jego maksymalizacja
• kiedy współpraca człowieka z AI faktycznie daje lepsze wyniki
• jak projektować momenty, w których człowiek nadal myśli, decyduje i zachowuje kontrolę - BehaviorAI Design Framework

Jakiś czas temu zaczęłam zauważać, że ludzie pytają mnie o zupełnie inne rzeczy niż kiedyś. Nikt już nie pyta, jak zaprojektować np. dobry formularz czy stronę. Pytają, jak zaprojektować sytuację, w której człowiek ufa systemowi tyle, ile powinien. Ani grama więcej, ani grama mniej.

To pytanie nie mieściło się w klasycznym UX. Musiałam po prostu zbudować sobie własny język, żeby móc na nie odpowiadać. I okazuje się, że nie jestem w tym sama. Na rynku istnieje już osobne hasło poświęcone temu zjawisku: human AI interaction, w skrócie HAX albo HAII. To młoda gałąź badań, wyrastająca z klasycznego human computer interaction, ale traktująca AI zupełnie inaczej niż komputer traktowano przez ostatnie czterdzieści lat.

Wikipedia definiuje human AI interaction jako obszar badań i poddziedzinę human computer interaction, która koncentruje się na doświadczeniu użytkownika i czynnikach psychologicznych. Wraz z rozwojem sztucznej inteligencji powstał osobny nurt badający, w jaki sposób ludzie wchodzą w interakcje z AI i jak AI na nich wpływa.

Skąd ta różnica

W tradycyjnym HCI człowiek wydaje polecenia, a maszyna je wykonuje, czyli mamy prosty, jednokierunkowy układ. W relacji człowieka z AI ten układ się rozmywa. AI przestaje być narzędziem, a zaczyna być postrzegane jako aktywny uczestnik interakcji. Sugeruje, rekomenduje, czasem decyduje samodzielnie.

I właśnie dlatego badacze mówią o czterech możliwych trybach tej relacji: współpracy, rywalizacji, konflikcie i symbiozie.

Ja od dawna pracuję właśnie w tym miejscu. Łączę nauki behawioralne, projektowanie doświadczeń i wiedzę o tym, jak działają systemy AI, żeby odpowiadać na pytanie, które moim zdaniem jest dziś najważniejsze w projektowaniu produktów. Nie: co powinno robić AI. Tylko: jak człowiek powinien myśleć, decydować i działać razem z AI.

Model w głowie użytkownika

Jedną z rzeczy, które najbardziej fascynują mnie w tym temacie, jest to, jak bardzo ludzie polegają na swoim wewnętrznym modelu tego, jak działa dany system AI. Ten model buduje się z każdą interakcją. Im więcej ktoś korzysta z narzędzia, tym trafniejsze podpowiedzi potrafi mu dawać, bo lepiej rozumie jego logikę.

Problem w tym, że ten model rzadko jest kompletny. Ludzie wyciągają wnioski z ograniczonych doświadczeń i budują sobie uproszczony obraz tego, co AI potrafi, a czego nie.

To dokładnie ten mechanizm stoi za moim ulubionym paradoksem w tej dziedzinie. Kiedy firma poprawia model, żeby działał lepiej, zespoły złożone z człowieka i AI czasem zaczynają działać gorzej. Nie dlatego, że model jest słabszy. Dlatego, że zaburza się dopasowanie między nowym zachowaniem systemu a starym modelem mentalnym, który użytkownik zdążył sobie zbudować.

To jest coś, co w moim frameworku nazywam kalibracją zaufania, a nie jego maksymalizacją. Celem nie jest, żeby ludzie ufali AI jak najbardziej. Celem jest, żeby ufali mu dokładnie tyle, na ile ono zasługuje w danym kontekście.

Wspólna praca nie zawsze oznacza wspólny sukces

Badania nad współpracą człowieka i AI pokazują coś, co uwielbiam pokazywać klientom, bo obala popularny mit. Intuicyjnie wydaje się, że człowiek plus AI zawsze da lepszy wynik niż sam człowiek albo samo AI. W praktyce to się nazywa synergią i zdarza się rzadziej, niż myślimy.

Znacznie częściej mamy do czynienia z augmentacją, czyli AI po prostu wspiera to, co człowiek i tak by zrobił, bez realnego skoku jakości. A czasem jest jeszcze gorzej. Ludzie zaczynają zbytnio polegać na sugestiach systemu i przestają myśleć samodzielnie, nawet gdy mają informacje, które przeczą temu, co pokazuje AI.

I tutaj wchodzi projektowanie behawioralne. Wiemy już, że proste przypomnienie, żeby aktywnie przeanalizować sytuację, zanim zaakceptuje się rekomendację, potrafi realnie ograniczyć nadmierne poleganie na systemie. To nie jest kwestia interfejsu, tylko zaprojektowania momentu, w którym człowiek ma szansę pomyśleć, zanim zdąży się zgodzić.

Ludzie oceniają nie tylko AI, ale i siebie nawzajem

Jest jeszcze jeden wątek z tego obszaru, który bardzo mnie zaciekawił, bo łączy się wprost z tym, czym zajmuję się przy okazji artykułu 50 AI Act.

Okazuje się, że osoby, które ujawniają w pracy, że korzystały z AI, są częściej postrzegane jako mniej pracowite niż osoby wykonujące to samo zadanie bez takiej informacji. Ujawnienie użycia AI obniża postrzeganą wiarygodność decyzji i pracy danej osoby.

To pokazuje, jak bardzo transparentność wokół AI jest zjawiskiem społecznym i behawioralnym, a nie tylko regulacyjnym checkboxem. Można spełnić literę prawa i jednocześnie zupełnie nie rozumieć, jak ta informacja wpływa na to, jak ludzie oceniają się nawzajem.

Kiedy sam nazywasz coś przy pracy, to się przebudowuje

Ostatnio, pracując nad kolejnymi projektami, sama przebudowałam swój framework. Nie w teorii, tylko w praktyce, przy realnych diagnozach dla klientów. Za każdym razem, kiedy próbowałam nazwać, dlaczego dany moment w produkcie działa albo nie działa, dokładałam kolejną cegiełkę.

W pewnym momencie zorientowałam się, że pięć kroków, które od dawna miałam w głowie, trzeba było poukładać na nowo, żeby dało się je faktycznie stosować krok po kroku, a nie tylko rozumieć jako ideę.

Cały ten obszar, modele mentalne, kalibracja zaufania, augmentacja kontra synergia, percepcja transparentności, to nie są osobne ciekawostki z różnych badań. Tylko elementy jednej większej układanki, którą poukładałam w BehaviorAI Design Framework.

Wygląda dziś tak.

1.Ustal.

Zamiast zaczynać od pytania, jaką funkcję AI dodać do produktu, zaczynam od pytania, jakie zachowanie chcemy zaprojektować. Kto, co, kiedy i po co.

2.Mapuj.

Sprawdzam, jak naprawdę dochodzi do decyzji. Gdzie są bariery, jakie błędy poznawcze wchodzą w grę i w którym dokładnie momencie AI wchodzi w tę ścieżkę.

3.Kalibruj. Ustalam, jak powinna wyglądać współpraca między człowiekiem a AI w tym konkretnym momencie. Kto analizuje, kto decyduje, kto działa, kto weryfikuje.

4.Projektuj. Dopiero teraz wybieram interwencję i wzorzec. Jedno zachowanie, jeden moment, jedna hipoteza. Tutaj pomocna jest biblioteka BehaviorAI.

5.Sprawdź. Testuję, czy rozwiązanie faktycznie zachowuje sprawczość użytkownika i czy transparentność jest naprawdę zauważona i zrozumiana, a nie tylko wygląda dobrze na papierze. Na tym etapie bierzemy również pod uwagę etykę i regulacje.

Dziedzina human AI interaction dopiero się rozwija i wciąż brakuje jej wspólnego języka. Mam wrażenie, że moja praca, łącząca behawiorystykę, projektowanie i regulacje, jest właśnie próbą zbudowania tego języka w praktyce, zamiast czekać, aż powstanie w teorii.

Relacja człowieka z AI już się dzieje, niezależnie od tego, czy ktoś ją świadomie projektuje, czy nie. Wolę być po tej stronie, która ją projektuje.

---

Wikipedia, Human–AI interaction: https://en.wikipedia.org/wiki/Human–AI_interaction

Amershi i in., Guidelines for Human-AI Interaction, CHI 2019: https://doi.org/10.1145/3290605.3300233

Vaccaro, Almaatouq, Malone, When combinations of humans and AI are useful: A systematic review and meta-analysis, Nature Human Behaviour 2024: https://doi.org/10.1038/s41562-024-02024-1

Bansal i in., Beyond Accuracy: The Role of Mental Models in Human-AI Team Performance, AAAI HCOMP 2019: https://doi.org/10.1609/hcomp.v7i1.5285

TopSpeed, BMW Spider-Man In-Car Ads Draw Owner Backlash in 2026: https://www.topspeed.com/bmw-spider-man-in-car-ads-backlash/

Obowiązuje od: 13 października 2026

§1. Postanowienia ogólne

1. Regulamin określa zasady korzystania ze strony internetowej kasiaszczesna.pl (dalej: „Strona”) oraz zasady świadczenia usług drogą elektroniczną w rozumieniu ustawy z dnia 18 lipca 2002 r. o świadczeniu usług drogą elektroniczną.
2. Właścicielem Strony i usługodawcą jest DM Dots sp. z o.o. z siedzibą w Gałowku, Gałowek 33, 55-330 Gałowek, NIP 9131633963 (dalej: „Usługodawca”).
3. Kontakt z Usługodawcą: napisz@kasiaszczesna.pl.

§2. Usługi świadczone na Stronie

1. Za pośrednictwem Strony Usługodawca nieodpłatnie udostępnia treści informacyjne i edukacyjne, w tym artykuły blogowe, opisy usług i materiały o metodzie BehaviorAI Design Framework.
2. Strona umożliwia przejście do zewnętrznych serwisów, w których można umówić rozmowę (Calendly), zapisać się na newsletter (Substack) lub posłuchać podcastu (Spotify). Korzystanie z nich odbywa się na zasadach określonych przez ich operatorów.
3. Umowy o świadczenie usług doradczych, audytowych, warsztatowych i szkoleniowych nie są zawierane przez Stronę. Ich zakres, cena i warunki są ustalane indywidualnie i określane w odrębnej ofercie lub umowie.

§3. Wymagania techniczne

Do korzystania ze Strony potrzebne jest urządzenie z dostępem do Internetu i aktualna przeglądarka internetowa. Do kontaktu e-mailowego potrzebny jest aktywny adres e-mail.

§4. Zasady korzystania ze Strony

1. Użytkownik korzysta ze Strony w sposób zgodny z prawem i dobrymi obyczajami.
2. Zabronione jest dostarczanie treści o charakterze bezprawnym oraz podejmowanie działań, które mogłyby zakłócić działanie Strony.

§5. Prawa autorskie

1. Treści publikowane na Stronie, w tym teksty, grafiki, zdjęcia, nazwy i opisy autorskich metod (m.in. BehaviorAI Design Framework, RIFT, FASCAI), są chronione prawem autorskim i należą do Usługodawcy lub są wykorzystywane za zgodą uprawnionych.
2. Możesz cytować fragmenty artykułów z podaniem autorki i linku do źródła. Kopiowanie, rozpowszechnianie lub wykorzystywanie treści w celach komercyjnych wymaga wcześniejszej pisemnej zgody Usługodawcy.
3. Logotypy klientów i mediów prezentowane na Stronie należą do ich właścicieli i są użyte wyłącznie w celach informacyjnych.

§6. Odpowiedzialność

1. Treści na Stronie mają charakter informacyjny i nie stanowią porady prawnej ani indywidualnej rekomendacji dla konkretnej organizacji.
2. Usługodawca dokłada starań, aby Strona działała nieprzerwanie, ale nie gwarantuje braku przerw technicznych.
3. Usługodawca nie odpowiada za treści i działanie serwisów zewnętrznych, do których prowadzą linki ze Strony.

§7. Reklamacje

1. Reklamacje dotyczące działania Strony można zgłaszać na adres napisz@kasiaszczesna.pl.
2. Usługodawca rozpatruje reklamację w ciągu 14 dni od jej otrzymania i odpowiada na adres e-mail, z którego została wysłana.

§8. Dane osobowe

Zasady przetwarzania danych osobowych opisuje Polityka prywatności.

§9. Postanowienia końcowe

1. Usługodawca może zmienić Regulamin z ważnych przyczyn, w szczególności zmiany przepisów lub zakresu działania Strony. Zmiany obowiązują od dnia ich publikacji na Stronie.
2. W sprawach nieuregulowanych w Regulaminie zastosowanie mają przepisy prawa polskiego.

Obowiązuje od: 13 października 2026

Ta polityka wyjaśnia, jakie dane osobowe przetwarzam w związku z działaniem strony kasiaszczesna.pl, w jakim celu i jakie prawa Ci przysługują. Staram się zbierać tylko to, co naprawdę potrzebne.

1. Administrator danych

Administratorem Twoich danych osobowych jest DM Dots sp. z o.o. z siedzibą w Gałowku, Gałowek 33, 55-330 Gałowek, NIP 9131633963 (dalej: „Administrator”).

We wszystkich sprawach dotyczących danych osobowych możesz pisać na adres: napisz@kasiaszczesna.pl.

2. Jakie dane przetwarzam i w jakim celu

Kontakt e-mailowy

Jeśli napiszesz do mnie wiadomość, przetwarzam dane, które w niej podasz (zwykle imię, nazwisko, adres e-mail, nazwę firmy i treść wiadomości), aby odpowiedzieć i prowadzić dalszą korespondencję.

• Podstawa prawna: prawnie uzasadniony interes Administratora polegający na odpowiadaniu na wiadomości (art. 6 ust. 1 lit. f RODO), a jeśli wiadomość dotyczy współpracy, także podjęcie działań przed zawarciem umowy (art. 6 ust. 1 lit. b RODO).
• Okres przechowywania: do czasu zakończenia korespondencji, a następnie przez okres przedawnienia ewentualnych roszczeń.

Umawianie rozmów

Przyciski „Umów rozmowę” prowadzą do zewnętrznego serwisu Calendly. Dane, które tam podasz (np. imię, adres e-mail, termin spotkania), trafiają do mnie, abym mogła przygotować się do rozmowy i ją przeprowadzić (art. 6 ust. 1 lit. b i f RODO). Calendly przetwarza je także zgodnie z własną polityką prywatności.

Współpraca i rozliczenia

Jeśli podejmiemy współpracę, przetwarzam dane potrzebne do zawarcia i wykonania umowy (art. 6 ust. 1 lit. b RODO) oraz do wystawienia faktur i prowadzenia księgowości (art. 6 ust. 1 lit. c RODO, w związku z przepisami podatkowymi). Dokumenty księgowe przechowuję przez okres wymagany przepisami.

Dane techniczne

Strona jest hostowana w infrastrukturze Cloudflare. Przy każdym wejściu na stronę serwer automatycznie rejestruje podstawowe dane techniczne, takie jak adres IP, typ przeglądarki i czas wizyty. Służą one wyłącznie do zapewnienia bezpieczeństwa i prawidłowego działania strony (art. 6 ust. 1 lit. f RODO) i nie łączę ich z innymi danymi.

3. Pliki cookies i analityka

Strona nie używa analitycznych ani marketingowych plików cookies i nie śledzi Twojego zachowania. Czcionki są wczytywane z mojego serwera, a nie z zewnętrznych usług. Cloudflare może zapisać techniczny plik cookie niezbędny do ochrony strony przed nadużyciami; nie służy on do profilowania.

4. Odbiorcy danych

Twoje dane mogą być przekazywane wyłącznie podmiotom, które pomagają mi prowadzić działalność, w zakresie niezbędnym do realizacji opisanych celów:

• dostawcy hostingu i ochrony strony (Cloudflare, Inc.),
• dostawcy poczty elektronicznej,
• dostawcy narzędzia do umawiania spotkań (Calendly LLC),
• biuru rachunkowemu, jeśli zawrzemy umowę.

Niektórzy z tych dostawców mają siedzibę w Stanach Zjednoczonych. Przekazanie danych odbywa się na podstawie decyzji Komisji Europejskiej o adekwatnym stopniu ochrony (EU-US Data Privacy Framework) lub standardowych klauzul umownych.

5. Twoje prawa

W związku z przetwarzaniem danych masz prawo do:

• dostępu do swoich danych i otrzymania ich kopii,
• sprostowania danych,
• usunięcia danych,
• ograniczenia przetwarzania,
• przenoszenia danych,
• wniesienia sprzeciwu wobec przetwarzania opartego na prawnie uzasadnionym interesie.

Aby skorzystać z tych praw, napisz na napisz@kasiaszczesna.pl. Masz też prawo wnieść skargę do Prezesa Urzędu Ochrony Danych Osobowych (ul. Stawki 2, 00-193 Warszawa).

Podanie danych jest dobrowolne, ale bez nich nie mogę odpowiedzieć na wiadomość ani zawrzeć umowy. Nie podejmuję wobec Ciebie decyzji opartych wyłącznie na zautomatyzowanym przetwarzaniu, w tym profilowaniu.

6. Linki zewnętrzne

Na stronie znajdziesz linki do innych serwisów, m.in. Substack, Spotify, LinkedIn, Calendly i behaviorai.eu. Po przejściu do nich obowiązują zasady prywatności ich administratorów.

7. Zmiany polityki

Polityka może być aktualizowana, na przykład gdy zmienią się przepisy lub narzędzia, z których korzystam. Aktualna wersja jest zawsze dostępna na tej stronie.