Sztuczna inteligencja a praca w Polsce: fakty, zadania i granice

👁 113 przeczytań

Sztuczna inteligencja a praca w Polsce to temat, który zaczynam od rozdzielenia możliwości narzędzia od faktycznego wdrożenia. W sondażu NASK i ILO z grudnia 2024 r. wprowadzenie GenAI w miejscu pracy deklarowało 9,4% pracujących. Podstawą tej części analizy było 2168 osób pracujących, wyodrębnionych z próby 3200 osób w wieku co najmniej 15 lat. Źródłem jest raport NASK i ILO z czerwca 2025 r., z metodą CAWI opisaną w nocie metodologicznej. To historyczny wynik deklaracji pracowników, nie aktualny odsetek firm ani liczba zwolnień.

Nie mam podstaw, żeby z tego badania wyprowadzić odpowiedź, czy konkretna osoba straci pracę. Mogę natomiast sprawdzić, które czynności narzędzia już wykonują, gdzie zostały użyte i czego wymaga odbiór ich wyników. Tak rozumiem uczciwą rozmowę o AI: przez dokument, zadanie i odpowiedzialność, z oddzieleniem obserwacji od własnych wniosków.

Co już się zmieniło i da się udokumentować

Część pracy cyfrowej ma gotowe narzędzia

Nie muszę zaczynać od deklaracji o zastępowaniu zawodów. Mogę otworzyć dokumentację produktu. DeepL opisuje tłumaczenie całych plików z zachowaniem ich układu. Google Document AI opisuje wydobywanie tekstu i informacji o rozmieszczeniu elementów z dokumentów. To dostępne funkcje, które mogą przejąć wykonanie określonego etapu pracy. Nie są dowodem, że pracownik odpowiedzialny za cały dokument przestał być potrzebny.

Zakres potwierdzają instrukcja tłumaczenia plików DeepL i dokumentacja Enterprise Document OCR, sprawdzone 10.09.2026. Odczyt tekstu ze skanu oddzielam od ustalenia, czy dokument jest prawidłowy. Tłumaczenie oddzielam od zatwierdzenia znaczenia. To różne czynności, nawet jeśli wykonuje je ta sama osoba.

Przy arkuszach zmiana jest podobnie konkretna. Microsoft opisuje generowanie formuł i analiz z pomocą Copilota. Jednocześnie zaleca sprawdzanie wyników, ponieważ mogą być nieprawidłowe. Taką informację znajduję w dokumentacji Copilota w Excelu, sprawdzonej 10.09.2026. Funkcja istnieje. Jej przydatność w konkretnym arkuszu muszę ocenić osobno.

Widzę więc zmianę punktu startowego. Przygotowanie roboczej wersji nie musi oznaczać wpisywania wszystkiego od pustej kartki. Mogę rozpocząć od propozycji, odczytanego tekstu albo tłumaczenia. Mój praktyczny wniosek dotyczy jednak również końca procesu: muszę wiedzieć, co porównać z oryginałem i kto może uznać rezultat za gotowy.

Polski pilotaż nie jest dowodem zastąpienia konsultantów

Orange Polska opisał 8.10.2024 uruchomienie testów generatywnej funkcji asystenta Max, pomagającej porównywać telefony. Firma udostępniła ją początkowo wybranej grupie klientów. To komunikat operatora o pilotażu, a nie niezależny pomiar wpływu na zatrudnienie. Nie przedstawiam testu jako pełnego wdrożenia w całej firmie.

Ten przykład pokazuje także, dlaczego rozróżniam rodzaje AI. Rozmowa z automatyczną infolinią i generowanie swobodnej odpowiedzi nie są tym samym rozwiązaniem. Obecność bota nie mówi jeszcze, jaki model działa w środku. Nie przypisuję każdej automatycznej odpowiedzi chatbotowi generatywnemu tylko dlatego, że oba systemy rozmawiają z klientem.

Dla osoby pracującej w obsłudze ważniejszy od samej nazwy technologii jest podział spraw. Kto odpowiada na pytanie powtarzalne? Kto przejmuje reklamację wymagającą wyjątku? Kto może obiecać zmianę warunków? Przy analizie wdrożenia szukam odpowiedzi na te pytania. Sama demonstracja płynnej rozmowy nie pokazuje całej obsługi klienta.

Efekt trzeba mierzyć w konkretnym środowisku

Erik Brynjolfsson, Danielle Li i Lindsey Raymond analizowali stopniowe wprowadzanie asystenta u 5179 konsultantów obsługi klienta. Wersja pracy NBER opublikowana w kwietniu 2023 r., poprawiona w listopadzie 2023 r., opisuje średni wzrost liczby rozwiązanych spraw na godzinę o 14%. Podaję konkretną wersję, próbę i miernik za autorami „Generative AI at Work”. To badanie środowiska zagranicznej firmy, nie polskiego rynku pracy.

Nie przenoszę tego wyniku na księgowość, grafikę ani dowolną polską infolinię. Nie oznacza on również takiego samego skrócenia dnia pracy. Liczba rozwiązanych spraw na godzinę opisuje określony proces. Żeby użyć jej do własnej decyzji, musiałbym znać podobieństwo zadań, systemów, materiałów pomocniczych i sposobu oceny jakości.

Gdzie zmiana jest pozorna

Dostęp nie oznacza użycia, a użycie nie oznacza oszczędności

Rozdzielam zakup licencji, uruchomienie funkcji, wykonanie zadania i uzyskanie korzyści. Mogę mieć dostęp do asystenta i wcale z niego nie korzystać. Mogę korzystać często, ale przeznaczać dużo czasu na poprawki. Mogę też uzyskać przydatny rezultat w zadaniu, którego wcześniej w ogóle nie wykonywałem. Każda sytuacja wymaga innego opisu.

Jeśli firma informuje o wdrożeniu, szukam zakresu. Sama nazwa programu nie wyjaśnia, czy narzędzie działa w codziennej pracy, czy w pilotażu. Liczba wygenerowanych odpowiedzi również nie pokazuje, ile odpowiedzi zaakceptowano. Nie dopowiadam efektu biznesowego tam, gdzie źródło opisuje wyłącznie aktywność systemu.

Podobnie patrzę na hasło „czas zaoszczędzony dzięki AI”. Własny pomiar zaczynam przed przygotowaniem danych. Kończę po sprawdzeniu i przekazaniu rezultatu. Jeśli liczę jedynie czas generowania, pomijam redakcję polecenia, poprawki i wyjaśnianie błędów. Taki pomiar odpowiada na inne pytanie niż czas wykonania całej pracy.

Szybkość pisania kodu nie jest szybkością ukończenia zadania

METR opublikował 10.07.2025 eksperyment Joela Beckera, Nate’a Rusha, Beth Barnes i Davida Reina. Obejmował 16 doświadczonych autorów projektów open source oraz 246 rzeczywistych zadań. Zadania losowo przypisywano do warunku dopuszczającego AI lub pracy bez AI. W tej próbie użycie narzędzi wydłużyło wykonanie średnio o 19%. Źródło: opis badania METR z 10.07.2025, dotyczącego narzędzi z pierwszej części 2025 r.

Nie robię z tego hasła, że AI spowalnia wszystkich programistów. Badani znali swoje projekty. Eksperyment dotyczył określonych narzędzi i zadań. Wynik jest jednak udokumentowanym powodem, by nie utożsamiać szybkiego pojawienia się kodu z szybszym zakończeniem pracy.

Nie pomijam późniejszej aktualizacji. W komunikacie METR z 24.02.2026 zespół Beckera, Rusha, Toma Cunninghama, Reina i Khalida Mahamuda opisał dalszy eksperyment rozpoczęty w sierpniu 2025 r. Dane obejmowały 57 programistów. Autorzy wskazali problemy doboru uczestników i zadań oraz uznali sygnał dotyczący bieżącej produktywności za niewiarygodny. Nie podaję z niego uniwersalnego tempa przyspieszenia.

Mój wniosek jest metodologiczny. Samo poczucie wygody nie mierzy czasu. Wynik starszego eksperymentu nie opisuje automatycznie nowego narzędzia. Zamiast wybierać badanie pasujące do tezy, sprawdzam warunki i granice każdego pomiaru.

Ładny rezultat może ukrywać brak rozstrzygnięcia

Wyobrażam sobie prosty przykład roboczy: notatka zawiera propozycję terminu, ale nie decyzję. Asystent przygotowuje czytelny plan i wpisuje ten termin jako ustalony. Format jest uporządkowany. Znaczenie zostało zmienione. Nie potrzebuję spektakularnej pomyłki, żeby wynik przestał nadawać się do użycia.

Dlatego przy porównywaniu sposobów pracy oddzielam wygląd od zgodności. Streszczenie powinno zachować zastrzeżenia. Tabela powinna zawierać właściwe dane. Tłumaczenie powinno zachować przeczenia. Jeśli oceniam wyłącznie płynność języka, nagradzam coś innego niż poprawne wykonanie zadania.

Przeniesienie pracy nie zawsze oznacza jej usunięcie

Rozpatruję modelową sytuację, nie opis konkretnej firmy. Pracownik przygotowuje odpowiedź dla klienta z pomocą asystenta. Szkic powstaje szybko, ale przełożony musi wyjaśnić dopisaną obietnicę. Potem ktoś poprawia szablon, z którego powstała odpowiedź. Aby ocenić korzyść, uwzględniam pracę wszystkich osób uczestniczących w tym zadaniu. Sam czas autora szkicu nie obejmuje tego procesu.

Podobną różnicę widzę w ocenie jakości. Jeśli wcześniej oddawałem krótki mail, a teraz tworzę rozbudowaną odpowiedź, porównuję odmienne rezultaty. Dłuższy tekst może być przydatny, ale jego długość nie dowodzi oszczędności. Najpierw ustalam cel: szybsza odpowiedź, mniej pomyłek czy dokładniejsze wyjaśnienie. Dopiero do tego celu dobieram sposób oceny.

Które zawody zmieniają się najszybciej i dlaczego akurat te

Luka w danych: nie potwierdziłem porównywalnego rankingu tempa faktycznych zmian zawodów w Polsce spowodowanych przez AI. Nie zastępuję go rankingiem podatności technicznej. Poniżej opisuję obszary, dla których mogę wskazać działające funkcje i powód ich dopasowania do zadań. Kolejność nie oznacza tempa zwolnień, zmian płac ani wdrożeń.

Badanie ILO i NASK opublikowane 20.05.2025 przez Pawła Gmyrka i współautorów opierało ocenę zadań między innymi na odpowiedziach 1640 pracujących osób oraz weryfikacji eksperckiej. W opisie indeksu podatności zawodów autorzy wskazują wysoką ekspozycję prac biurowych. Badanie ocenia możliwości oddziaływania technologii na zadania. Nie jest obserwacją likwidacji konkretnych stanowisk.

Administracja, dokumenty i praca z tekstem

Przy dokumentach punktem styku jest materiał cyfrowy. OCR odczytuje znaki, tłumacz przygotowuje przekład, a asystent porządkuje treść. Z tego wyprowadzam praktyczny wniosek dla osoby pracującej w administracji: rozpoznanie źródła i kontrola przeniesionych danych pozostają częścią zadania. Przepisanie wartości i zatwierdzenie dokumentu nie są synonimami.

W pracy redaktora rozdzielam szkic od ustalenia faktów. Model może przygotować propozycję akapitu, ale nie traktuję jej jako przeprowadzonego wywiadu. Przy tekście firmowym nadal potrzebuję zatwierdzonych informacji o produkcie. Nie przekazuję asystentowi pustego miejsca i nie uznaję dopisanej odpowiedzi za wiedzę organizacji.

U tłumacza analizuję konkretny przekład, a nie samą obecność poprawnych gramatycznie zdań. Nazwa części technicznej może mieć ustalony odpowiednik. Umowa może zawierać ważne rozróżnienie pojęć. Moja kontrola zaczyna się od materiału źródłowego i celu tekstu. Nie sprowadzam całej pracy do wyboru języka z listy.

Łączy te czynności możliwość przekazania narzędziu zapisanego materiału. Tekst wejściowy mogę zachować i porównać z wynikiem. To wyjaśnia techniczne dopasowanie funkcji do pracy biurowej. Nie wyjaśnia jeszcze tempa zmian w konkretnym polskim urzędzie, wydawnictwie albo biurze. Do takiego wniosku potrzebowałbym danych o rzeczywistym użyciu i organizacji pracy w danym miejscu.

Programowanie i analiza danych

W tych zadaniach narzędzie może pracować na kodzie, tabeli lub formule. Rezultat daje się porównać z konkretnym wymaganiem. Nie oznacza to, że każde wymaganie zostało dobrze opisane. Błąd w założeniu obliczenia może przetrwać nawet wtedy, gdy wygenerowana formuła jest poprawna składniowo.

GitHub w dokumentacji odpowiedzialnego użycia Copilot Chat, sprawdzonej 10.09.2026, opisuje ograniczenia wynikające między innymi z kontekstu i możliwość niebezpiecznych propozycji kodu. Dla mnie praktyczna granica przebiega przy przeglądzie zmiany. Muszę rozumieć, jaki warunek sprawdza test i czego ten test nie obejmuje.

Nie uznaję polecenia „sprawdź wszystko” za plan kontroli. Przy arkuszu wybieram znane przypadki i porównuję wyniki. Przy programie odtwarzam błąd, sprawdzam poprawkę i dotychczasowe zachowanie. To opis sposobu odbioru pracy, nie twierdzenie, że polscy pracodawcy już wymagają identycznej procedury na każdym stanowisku.

Grafika, dźwięk i materiały szkoleniowe

Dokumentacja Adobe z aktualizacją 20.05.2026 opisuje dodawanie, usuwanie i zastępowanie obiektów przez Generative Fill. Dokumentacja ElevenLabs, sprawdzona 10.09.2026, potwierdza syntezę mowy i obsługę polskiego w modelu wielojęzycznym. Mogę więc wskazać konkretne operacje, a nie ogólną obietnicę „kreatywności AI”.

Przy grafice moja kontrola dotyczy zgodności przedmiotu, kompozycji i przeznaczenia obrazu. Przy lektorze odsłuchuję nazwy oraz sens intonacji. Jeśli ilustracja zmieni cechę sprzedawanego produktu, efektowność nie naprawia błędu. Jeśli głos źle odczyta nazwę, sam naturalny tembr nie kończy pracy.

W tych obszarach rozdzielam wykonanie wariantu od decyzji twórczej. Mogę zlecić narzędziu przygotowanie propozycji. Nadal muszę określić, co przedstawiam odbiorcy i dlaczego właśnie tak. Nie wyprowadzam z dostępności funkcji twierdzenia, że każdy grafik lub lektor w Polsce korzysta już z tego sposobu pracy.

Co jest realną granicą dla modeli

Brakująca informacja i pozorna pewność

NIST w profilu ryzyka generatywnej AI z lipca 2024 r. opisuje konfabulacje, czyli między innymi fałszywe treści przedstawiane z pewnością. To dokument techniczny, nie sondaż pracowników. Przywołuję go jako opis właściwości i ryzyk systemów, bez dopisywania częstości błędów na polskim rynku.

W codziennej pracy odpowiadam na ten problem przez wymaganie źródła. Przy informacji firmowej wskazuję dokument. Przy liczbie proszę o sposób obliczenia i sprawdzam go niezależnie. Przy nieznanej wartości pozostawiam brak. Płynne zdanie nie jest powodem, żeby zamienić niewiedzę na fakt.

Ważne jest też rozróżnienie dostępu i trafności. Podłączenie bazy dokumentów może dostarczyć materiał, ale nie oznacza automatycznie poprawnej interpretacji. Najpierw sprawdzam, czy narzędzie użyło właściwej wersji. Potem oceniam wniosek. Nie uznaję obecności linku za potwierdzenie, że link rzeczywiście wspiera zdanie.

Wykonanie fizyczne i odpowiedzialność za decyzję

W tym tekście opisuję przede wszystkim oprogramowanie generujące i przetwarzające treści. Nie obejmuję nim robotów przemysłowych ani urządzeń medycznych. W takim zakresie model tekstowy nie montuje instalacji, nie przenosi pacjenta i nie naprawia urządzenia rękami. Może pomóc opracować dokumentację dotyczącą czynności. To inne zadanie niż jej fizyczne wykonanie.

Nie nazywam z tego powodu całego zawodu odpornym na zmiany. Osoba wykonująca pracę fizyczną może także pisać ofertę, czytać instrukcję i prowadzić ewidencję. Te obowiązki analizuję oddzielnie. Odpowiedź zależy od rzeczywistego zestawu czynności, nie tylko od nazwy stanowiska.

Decyzję wymagającą odpowiedzialności również oddzielam od przygotowania materiału. Model może uporządkować argumenty do rozmowy. Nie traktuję tego jako zatwierdzenia wydatku, przyjęcia reklamacji czy oceny człowieka. Własną granicę ustalam tam, gdzie potrzebne są uprawnienia, wiedza o sytuacji i możliwość poniesienia odpowiedzialności za działanie.

Jakość wejścia i koszt kontroli

Niejasny skan, sprzeczne notatki i źle opisana kolumna to różne problemy wejściowe. Nie zakładam, że dłuższe polecenie je usunie. Jeśli nie wiem, co oznacza wartość w arkuszu, najpierw wyjaśniam definicję. Jeśli brakuje fragmentu rozmowy, oznaczam brak zamiast żądać kompletnego protokołu.

Microsoft zaznacza, że podsumowania AI w Teams opierają się na transkrypcji i mogą być niepełne lub nieprawidłowe. Dokumentację sprawdziłem 10.09.2026. W praktyce porównuję więc podsumowanie z zapisem rozmowy, szczególnie przy właścicielu zadania, terminie i warunkach decyzji.

Koszt kontroli wliczam do zadania. Jeśli sprawdzenie zajmuje więcej pracy niż samodzielne przygotowanie prostego wyniku, szukam innego zastosowania. Nie muszę używać AI do wszystkiego, żeby korzystać z niej sensownie. Ważne, abym potrafił odróżnić pomoc od dodatkowej pracy ukrytej pod sprawnym interfejsem.

Wiedza o miejscu pracy nie mieści się w samej nazwie stanowiska

W modelowym zadaniu proszę o odpowiedź na reklamację. Żeby rezultat nadawał się do użycia, dostarczam opis sprawy, zatwierdzone warunki i zakres możliwej odpowiedzi. Samo polecenie „napisz profesjonalnie” określa styl. Nie dostarcza zasad firmy. Gdy model nie ma tych informacji, nie pozwalam mu wypełnić ich zwyczajowo brzmiącymi deklaracjami.

Przy polskim tekście sprawdzam też konkretne znaczenia. „Termin proponowany” i „termin potwierdzony” opisują inne ustalenia. „Zgłoszenie przyjęte” nie oznacza „reklamacja uznana”. Poprawne ogonki i naturalna składnia są potrzebne, ale nie rozstrzygają tych różnic. Moim punktem odniesienia jest treść sprawy oraz uprawnienie osoby, która wysyła odpowiedź.

Co z tego wynika dla osoby pracującej dziś w Polsce

Zaczynam od własnych czynności

Spisuję faktyczne obowiązki: przygotowanie maila, zebranie danych, rozmowę z klientem, ułożenie grafiku, kontrolę dokumentu. Rozdzielam etap przygotowania od decyzji i wykonania. Dopiero do takiej listy dobieram narzędzie. Nazwa zawodu jest zbyt szeroka, aby powiedzieć mi, co mogę od razu sprawdzić.

Wybieram zadanie o czytelnym wyniku i małych skutkach pomyłki. Przygotowuję materiał, którego treść znam. Określam, czego model nie może dopisywać. Potem porównuję wynik z wymaganiem. To praktyczna próba własnego procesu, bez udawania reprezentatywnego badania rynku pracy.

Przy ocenie zapisuję, co narzędzie przygotowało, co poprawiłem i co odrzuciłem. Dołączam czas sprawdzenia. Jeśli chcę pokazać efekt przełożonemu, przedstawiam rezultat oraz ograniczenia. Nie obiecuję oszczędności dla całego działu na podstawie udanego maila.

Mogę zacząć od prostego ćwiczenia z dokumentem. Wybieram niepoufny opis usługi i proszę o listę warunków. Każdy punkt porównuję z odpowiednim fragmentem. Sprawdzam szczególnie wyjątki, przeczenia i informacje pominięte. Jeśli model wskazuje brak danych, zostawiam go w wyniku. Celem próby jest wierne uporządkowanie treści, a nie uzyskanie odpowiedzi na każde możliwe pytanie.

W kolejnym kroku określam moment zakończenia pracy. Robocza lista może być gotowa do mojego przeglądu, ale jeszcze nie do wysłania klientowi. Nadaję jej właściwy status. Dzięki temu przydatna propozycja nie staje się przypadkiem zatwierdzonym dokumentem tylko dlatego, że została zapisana w estetycznym pliku.

Ustalam zasady z organizacją

Przed pracą na firmowych materiałach sprawdzam, jakie narzędzie jest dopuszczone i jakie dane mogę przekazać. Nie zakładam, że prywatne konto jest właściwym miejscem dla każdego dokumentu. Gdy nie znam zasad, proszę o ich ustalenie. Nie potrzebuję zaczynać nauki od danych klienta, aby przećwiczyć redakcję tekstu.

W rozmowie o wdrożeniu pytam o odpowiedzialność za odbiór i obsługę błędu. Chcę wiedzieć, czy mogę odrzucić wynik, gdzie zgłosić problem i jak wrócić do wcześniejszego sposobu pracy. Takie ustalenia są konkretniejsze niż ogólne polecenie, aby „pracować z AI”.

Jeśli ktoś oczekuje ode mnie szybszego wykonania zadania, pokazuję także wymagane sprawdzenia. Rozdzielam czynności, które narzędzie już wykonało, od tych, za które nadal odpowiadam. To nie jest prognoza zmiany norm pracy. To sposób przedstawienia aktualnego procesu, aby rozmowa dotyczyła rzeczywistych obowiązków, a nie samej obietnicy producenta.

Gdy obawiam się o swoje stanowisko, nie szukam odpowiedzi w procentowej ocenie wygenerowanej przez chatbota. Pytam w organizacji o zakres wdrożenia, zmiany zadań i dostępne przygotowanie do pracy z narzędziem. Model nie zna tych decyzji, jeśli nikt mu ich nie przekazał. Nie traktuję jego pewnego tonu jako informacji od pracodawcy.

Pokazuję umiejętność wykonania i sprawdzenia pracy

Przy szukaniu pracy nie dopisuję sobie kompetencji tylko dlatego, że narzędzie wygenerowało materiał. Przygotowuję przykład, który potrafię wyjaśnić. Opisuję zadanie, użyte źródło, własne poprawki oraz końcowy wynik. Jeśli czegoś nie umiem zrobić samodzielnie, nie ukrywam tego pod nazwą aplikacji.

W CV używam wyłącznie prawdziwych obowiązków i rezultatów. Asystent może pomóc je uporządkować. Nie powinien dopisywać skali projektu, oszczędności ani liczby klientów. Gdy nie mam pomiaru, opisuję wykonaną czynność bez procentu. Taki dokument mogę później obronić podczas rozmowy.

Nie podaję procentowego ryzyka utraty pracy. Udokumentowane funkcje i badania pozwalają opisać fragmenty procesu, ale nie rozstrzygają losu konkretnego stanowiska. Dla osoby pracującej w Polsce użyteczny punkt wyjścia jest dziś prosty: wybrać rzeczywiste zadanie, sprawdzić dostępne wsparcie, ustalić granice i umieć ocenić wynik.

// czytaj dalejOscary stawiają granicę: aktor wygenerowany przez sztuczną inteligencję nie dostanie statuetkiPremiumCzym jest sztuczna inteligencja i jak naprawdę działa. Wyjaśnienie bez owijaniaArtykułySztuczna inteligencja: co to jest, jak działa i od czego zacząć (2026)AI