Gdy AI organizuje pracę: trzy kompetencje przyszłego profesjonalisty

SEMINARIUM HUMAN+AI · EDUKACJA PENITENCJARNA · IALE

Jeżeli AI coraz sprawniej planuje i organizuje pracę, przygotowanie studentów do współpracy z nią wymaga rozwijania głębokiego rozumienia, szerokiej perspektywy i umiejętności oceny jakości rezultatów. W penitencjarystyce znaczenie tych kompetencji ujawnia się szczególnie wtedy, gdy proponowane rozwiązanie dotyczy sytuacji drugiego człowieka.

Co zmienia obserwacja Mollicka?

W opublikowanym 1 października 2026 roku artykule „The Dot and the Swarm” Ethan Mollick koryguje swoje wcześniejsze przekonanie: sądził, że współpraca zespołów agentów AI będzie wymagała starannie zaprojektowanych przez człowieka struktur zarządzania. Teraz wskazuje, że organizowanie pracy również staje się zadaniem, które systemy potrafią wykonywać z rosnącą samodzielnością.

Autor opisuje własne doświadczenia i przykłady działania systemów. Jednocześnie zaznacza, że nie wie, jak dobrze samodzielnie organizujące się zespoły agentów poradzą sobie z długotrwałą, codzienną pracą organizacji. Jego tekst traktuję jako impuls do namysłu nad kierunkiem zmian. Nie daje on podstaw do wniosku, że AI może już samodzielnie prowadzić każdą złożoną działalność.

Dla edukacji przyszłych profesjonalistów istotne jest pytanie, które z tego wynika: jeżeli technologia przejmuje także część planowania, czego powinien uczyć się student, aby rozumieć jej propozycje, oceniać je i świadomie z nich korzystać?

Potrzebujemy przygotowania, które pozwala człowiekowi rozpoznać wartość propozycji AI także wtedy, gdy nie uczestniczył w każdym etapie jej powstawania.

O doświadczeniach rozwijających osąd pisałem już we wpisie „Czy AI może napisać pracę, zanim student stanie się badaczem?”. Tutaj chcę skupić się na trzech kompetencjach, które warto rozwijać podczas zajęć i seminariów.

1. Głębokie uczenie się: rozumieć podstawy rozwiązania

Głębokie uczenie się oznacza tutaj pracę człowieka nad rozumieniem przyczyn, zależności i założeń. Student powinien potrafić wyjaśnić, dlaczego określone rozwiązanie może być wartościowe, na jakiej wiedzy się opiera i w jakich warunkach przestaje być adekwatne.

Wyobraźmy sobie przygotowany przez AI projekt edukacyjny dla osób odbywających karę pozbawienia wolności. Projekt zawiera cele, harmonogram i propozycje aktywności. Głębokie rozumienie ujawnia się wtedy, gdy student potrafi wyjaśnić przyjętą koncepcję uczenia się, związek działań z potrzebami uczestników oraz sposób sprawdzenia, czy cele rzeczywiście zostały osiągnięte.

AI może pomóc w tej pracy: zaproponować pytania, przedstawić kontrargument albo wskazać niejasność. Potrzebny jest jednak własny wysiłek studenta — powrót do literatury, porównanie argumentów i zastosowanie wiedzy w zmienionej sytuacji.

Pytanie dydaktyczne: co musiałoby się zmienić w sytuacji uczestników, abyś zmienił swoją ocenę tego programu?

2. Szerokie uczenie się: dostrzegać pominięte perspektywy

Szerokie uczenie się polega na poznawaniu różnych perspektyw i łączeniu wiedzy z wielu dziedzin. W penitencjarystyce obejmuje to między innymi pedagogikę, psychologię, socjologię, organizację instytucji oraz doświadczenia osób, których dotyczą proponowane działania.

Program może wyglądać przekonująco z perspektywy sprawnej organizacji zajęć, a jednocześnie pomijać bariery uczestnictwa, wcześniejsze doświadczenia edukacyjne lub znaczenie relacji z prowadzącym. Student potrzebuje przygotowania, które pozwoli mu takie pominięcia zauważyć.

AI może szybko zestawić różne punkty widzenia. Ich przeczytanie nie zastępuje jednak spotkania z literaturą, dyskusji ani uważnej analizy materiału. Szeroka perspektywa rozwija się także wtedy, gdy student odkrywa, że jego pierwsze wyjaśnienie było zbyt wąskie.

Pytanie dydaktyczne: czyją perspektywę uwzględnia propozycja, a kogo i jakie warunki pozostawia poza analizą?

3. Ocena jakości: uzasadniać, co przyjmujemy

Ocena jakości rezultatów generowanych przez AI wymaga kryteriów. W przypadku programu edukacyjnego można pytać o poprawność merytoryczną, zgodność z celem, oparcie w źródłach, wykonalność oraz znaczenie dla uczestników. Spójny język i atrakcyjna forma nie wystarczają do uznania projektu za wartościowy.

Student powinien potrafić wskazać, które elementy przyjmuje, które zmienia i które odrzuca — wraz z uzasadnieniem. Powinien również rozpoznać moment, w którym brakuje informacji do oceny i potrzebne jest dodatkowe sprawdzenie.

Możemy poprosić AI o krytykę własnego projektu. Taka odpowiedź pozostaje jednak kolejną propozycją do weryfikacji. Nie stanowi niezależnego potwierdzenia poprawności. Potrzebujemy źródeł, odniesienia do rzeczywistych warunków oraz osądu osób posiadających odpowiednie przygotowanie.

Pytanie dydaktyczne: na jakiej podstawie uznajesz ten rezultat za wystarczająco dobry i czego jeszcze nie potrafisz sprawdzić?

Jak te kompetencje łączą się z IALE?

Traktuję je jako konkretne kierunki pracy dydaktycznej w modelu IALE. Głębokie i szerokie uczenie się rozwijają architekturę wiedzy. Rozważanie i przekształcanie propozycji wspiera hybrydową kreatywność. Zdolność zakwestionowania wyniku służy odporności i suwerenności relacyjnej, a rozpatrywanie jego znaczenia dla uczestników wiąże się z odpowiedzialnością etyczną.

Kompetencje te wzajemnie się wzmacniają. Głębokie rozumienie pomaga zauważyć słabe uzasadnienie. Szeroka perspektywa ujawnia pominięty kontekst. Obie tworzą podstawę oceny jakości.

O zakresie powierzania zadań technologii pisałem we wpisie „Co można powierzyć AI? Trzy strefy delegowania w penitencjarystyce”. W edukacji do oceny możliwości i ryzyka trzeba dodać cel uczenia się: czy przekazując daną czynność AI, student nadal zdobywa doświadczenie potrzebne do późniejszego samodzielnego osądu?

Ćwiczenie: ten sam program w zmienionych warunkach

Na zajęciach proponuję wykorzystać fikcyjny program edukacyjny przygotowany z pomocą AI. Po jego wstępnej ocenie studenci otrzymują nową informację: część uczestników ma trudności z czytaniem, ich udział w zajęciach bywa przerywany, a dostęp do narzędzi cyfrowych jest ograniczony.

1. Rozumienie: wyjaśnij, które założenia programu wymagają ponownego sprawdzenia i dlaczego.
2. Perspektywa: wskaż, jak nowe warunki zmieniają sytuację uczestników i prowadzącego. Powiąż analizę z przeczytaną literaturą.
3. Jakość: zaproponuj dwie modyfikacje, określ kryteria ich oceny i wskaż brakujące informacje.

Dopiero po własnej próbie studenci mogą poprosić AI o alternatywne rozwiązania i porównać je ze swoimi. Ocenie podlega również uzasadnienie zmian: czy wynika z analizy nowych warunków i czy student potrafi wyjaśnić je własnymi słowami?

To propozycja ćwiczenia, którego wartość wymaga sprawdzenia w praktyce dydaktycznej. Korzystamy z fikcyjnych danych; przykład nie opisuje wdrożenia agentowej AI w polskiej Służbie Więziennej.

Im sprawniej AI organizuje pracę, tym uważniej powinniśmy rozwijać zdolność człowieka do rozumienia jej rezultatów, rozpoznawania ich znaczenia i uzasadniania własnych decyzji.

Źródło inspiracji: Ethan Mollick, „The Dot and the Swarm. Benefitting from the Bitter Lesson”, 1 października 2026. Wnioski dotyczące trzech kompetencji, modelu IALE i ćwiczenia stanowią autorską interpretację dydaktyczną.

Nota autorska: wpis rozwija w kontekście kształcenia studentów penitencjarystyki refleksję przedstawioną na blogu „Edukacja Przyszłości” i uzupełnia wcześniejsze teksty na tym blogu. Przygotowano go w dialogu Human+AI. Koncepcja dydaktyczna i odpowiedzialność za ostateczną treść pozostają po stronie autora.

Witold Kołodziejczyk