← Blog

Wdrożyliśmy AI. Tylko że ludzie używają jej zupełnie inaczej, niż sobie wyobraziliśmy

O płytkiej i głębokiej adopcji oraz o przedeptanych ścieżkach na trawniku

Kasia Szczesna·29 września 2026·9 min czytania

Jak powstał ten artykuł: dane i badania, na które się powołuję, zebrałam podczas własnych poszukiwań i webinarów, w tym webinaru Behavioural Insights Team o adopcji AI. BehaviorAI Design Framework jest moją autorską metodyką. AI pomogła mi w ułożeniu struktury tekstu, redakcji, tłumaczeniu na angielski oraz w odnalezieniu linków do oryginalnych publikacji.

Całość przeczytałam, zweryfikowałam i zatwierdziłam osobiście.

Pozdrowienia, Kasia 😉

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.
Porozmawiajmy

Widzisz to u siebie w firmie?

Opowiedz, co wdrożyliście i co nie działa tak, jak miało. Na krótkiej rozmowie wspólnie znajdziemy pierwszy krok.

Umów rozmowęNewsletter na Substacku ↗
Czytaj dalejWszystkie artykuły
Blog06
23 września · 11 min

Firmy wdrażają AI szybciej, niż projektują zmianę zachowań

Blog05
10 września · 4 min

Luka adopcyjna: co naprawdę blokuje korzystanie z AI