Kiedy AI organizuje pracę, czego powinien uczyć się człowiek?

HUMAN+AI · IALE · SZKOŁA I UCZELNIA

Nowy tekst Ethana Mollicka skłania do ponownego namysłu nad partnerstwem Human+AI. Jeżeli sztuczna inteligencja coraz sprawniej planuje i wykonuje zadania, edukacja musi uważniej przyglądać się temu, co w tej współpracy dzieje się z człowiekiem. Dotyczy to zarówno szkoły, jak i uczelni.

W opublikowanym 1 października 2026 roku artykule „The Dot and the Swarm” Ethan Mollick przyznaje, że pomylił się w jednej ze swoich wcześniejszych ocen. Przewidywał, że skuteczna współpraca zespołów agentów AI będzie wymagała starannie zaprojektowanych przez człowieka struktur zarządzania. Teraz dostrzega, że organizowanie pracy również staje się zadaniem, z którym AI potrafi sobie radzić.

To istotna korekta. Jeszcze niedawno rozmawialiśmy przede wszystkim o umiejętności zadawania pytań. Później o delegowaniu zadań i zarządzaniu agentami. Dziś Mollick sugeruje, że nawet część tej organizacyjnej pracy może przejmować technologia.

Czy zatem człowiek będzie miał coraz mniej do zrobienia? W edukacji postawiłbym inne pytanie: jakie działania musi podejmować osoba ucząca się, aby współpraca z AI rzeczywiście służyła jej rozwojowi?

Pytanie to łączy nauczycieli szkolnych i akademickich, choć odpowiedzi wymagają uwzględnienia wieku, doświadczenia, posiadanej wiedzy oraz samodzielności uczniów i studentów. Wspólna troska o rozwój człowieka nie oznacza jednakowego sposobu prowadzenia zajęć.

Wykonane zadanie i rozwój człowieka

Wyobraźmy sobie ucznia, który przygotowuje projekt dotyczący ograniczenia zużycia wody w szkole, albo studenta opracowującego program edukacyjny. AI może pomóc rozpoznać problem, zaproponować cele, uporządkować działania i przygotować sposób oceny rezultatów. Powstaje spójny projekt, być może lepszy od tego, który osoba ucząca się przygotowałaby samodzielnie.

Jednak jako nauczyciel potrzebuję wiedzieć coś więcej. Czy uczeń lub student rozumie przyjęte założenia? Czy potrafi wyjaśnić, dlaczego wybrał określone rozwiązanie? Czy rozpoznaje jego ograniczenia? Czy zmieniłby plan, gdyby pojawiły się nowe informacje?

Sposób sprawdzania tego rozumienia powinien odpowiadać możliwościom osoby uczącej się. Zarówno uczeń, jak i student mogą wyjaśniać rozwiązania własnymi słowami, sprawdzać źródła i uzasadniać przyjęte metody. Zakres i trudność tych działań powinny zależeć od ich przygotowania oraz celu zajęć. W obu przypadkach chcemy zobaczyć własne myślenie.

Jakość produktu nie wystarcza do oceny jakości uczenia się. Możemy otrzymać bardzo dobry rezultat, a jednocześnie niewiele dowiedzieć się o rozwoju osoby, która go przedstawia.

Zadanie zostało wykonane. Pozostaje sprawdzić, czego nauczył się człowiek.

IALE wobec coraz samodzielniejszej AI

Czytam nowy tekst Mollicka jako wyzwanie dla modelu IALE. Partnerstwa poznawczego Human+AI nie można opierać na założeniu, że człowiek zawsze będzie musiał szczegółowo kierować każdym etapem pracy technologii. Takie założenie może szybko się zdezaktualizować.

Potrzebujemy wyraźniej określać, kiedy udział człowieka służy wykonaniu zadania, a kiedy jest konieczny ze względu na cel edukacyjny, relację z drugim człowiekiem lub odpowiedzialność za konsekwencje.

AI może zaproponować również cele, kryteria jakości i argumenty etyczne. Samo wygenerowanie tych propozycji nie oznacza jednak, że człowiek je rozumie, świadomie przyjmuje i jest gotowy odpowiadać za ich zastosowanie.

W tym widzę znaczenie suwerenności relacyjnej: zdolności do korzystania ze wsparcia AI przy zachowaniu możliwości zakwestionowania jej propozycji, zmiany kierunku i podjęcia własnej decyzji.

Rozwijanie tej zdolności jest zadaniem zarówno szkoły, jak i uczelni. Nauczyciel musi przy tym rozpoznać, kiedy osoba ucząca się potrzebuje wskazówki, wspólnej analizy lub demonstracji, a kiedy można pozostawić jej większą samodzielność. Nie wystarczy udostępnić narzędzia i oczekiwać, że umiejętność odpowiedzialnego korzystania z niego powstanie sama.

Cztery filary jako pytania o uczenie się

Nowy artykuł zachęca mnie do odczytania filarów IALE poprzez konkretne pytania. Można wykorzystywać je w szkole i na uczelni, dostosowując język oraz stopień trudności do osób uczących się.

Architektura wiedzy: czy potrafię połączyć otrzymane informacje, sprawdzić ich podstawy i wyjaśnić własnymi słowami, co z nich wynika?

Hybrydowa kreatywność: czy współpraca z AI pomaga mi rozwijać pomysły i dostrzegać nowe możliwości? Jaki jest mój udział w wyborze i przekształcaniu propozycji?

Odporność i suwerenność relacyjna: czy umiem zatrzymać proces, odmówić przyjęcia odpowiedzi i rozpoznać sytuację, w której wygoda zaczyna zastępować mój osąd?

Odpowiedzialność etyczna: czy potrafię uzasadnić działanie wobec osób, których ono dotyczy, oraz przewidzieć i rozważyć jego konsekwencje?

Te pytania pozwalają oceniać partnerstwo także wtedy, gdy technologia przejmuje coraz większą część wykonania.

Trzy kompetencje wymagające naszego udziału

W praktyce dydaktycznej widzę szczególną potrzebę rozwijania trzech kompetencji: zdolności do głębokiego uczenia się, zdolności do szerokiego uczenia się oraz umiejętności oceny jakości rezultatów generowanych przez AI. Są one konkretnym sposobem realizowania założeń IALE.

W każdej z tych dziedzin technologia może nas wspierać. Jednocześnie łatwo przekazać jej czynności, dzięki którym sami te kompetencje rozwijamy: dociekanie, poszukiwanie powiązań i ocenianie. Warto przyglądać się temu, czy korzystając z pomocy, nadal podejmujemy własny wysiłek poznawczy.

Głębokie uczenie się rozumiem tutaj jako uczenie się człowieka prowadzące do rozumienia przyczyn, zależności i założeń. Kiedy AI dostarcza gotowe wyjaśnienie, możemy zakończyć pracę, zanim podejmiemy wysiłek potrzebny do jego zrozumienia. Dlatego warto pytać ucznia i studenta: czy potrafisz wyjaśnić ten wynik własnymi słowami, zastosować go w nowej sytuacji i wskazać, kiedy przestaje być trafny?

Szerokie uczenie się polega na poznawaniu różnych perspektyw i łączeniu wiedzy z wielu dziedzin. AI może szybko przedstawić takie powiązania, ale ich przeczytanie nie oznacza jeszcze, że potrafimy samodzielnie je dostrzegać. Potrzebujemy własnych doświadczeń, lektur, rozmów i spotkań z odmiennymi sposobami myślenia. Dzięki nim możemy zauważyć, że problem uznany za techniczny ma również wymiar społeczny, kulturowy lub etyczny.

Ocena jakości rezultatów generowanych przez AI wymaga rozpoznawania, czy odpowiedź jest poprawna, dobrze uzasadniona, adekwatna do sytuacji i wartościowa dla osób, których dotyczy. Płynność języka i atrakcyjna forma nie wystarczają do takiej oceny. Uczeń i student powinni uczyć się określać kryteria jakości, sprawdzać rezultat oraz uzasadniać, co przyjmują, co zmieniają i co odrzucają.

Możemy poprosić AI także o ocenę jej własnej odpowiedzi. Taka dodatkowa analiza bywa pomocna, ale sama w sobie nie stanowi niezależnego potwierdzenia poprawności. Nadal potrzebujemy sprawdzenia źródeł, odniesienia do rzeczywistości i własnego osądu.

Te trzy kompetencje wzajemnie się wzmacniają. Głębokie rozumienie pomaga zauważać błędy i uproszczenia. Szeroka perspektywa pozwala dostrzec pominięty kontekst i możliwe konsekwencje. Obie tworzą podstawę świadomej oceny jakości.

Im sprawniej AI przygotowuje rezultaty, tym większego znaczenia nabiera nasze przygotowanie do ich rozumienia, oceny i odpowiedzialnego wykorzystania.

Granice delegowania zależą również od celu zajęć

Delegowanie zadań AI można rozpatrywać w wymiarze organizacyjnym, poznawczym i etycznym. Osobnym pytaniem jest to, czy konkretne zadanie można przekazać technologii, czy wymaga ono określonego nadzoru, czy też powinno pozostać po stronie człowieka. Te granice opisuje model trzech stref delegowania: dopuszczalnej, warunkowej i niedopuszczalnej.

W edukacji o przypisaniu zadania do danej strefy powinny decydować również cele uczenia się oraz przygotowanie ucznia lub studenta. To, co warto delegować dla sprawniejszego wykonania pracy, może wymagać osobistego zaangażowania, gdy służy rozwijaniu rozumienia i osądu.

Jeżeli celem ćwiczenia jest rozwijanie umiejętności analizy, przekazanie AI całej analizy może pozbawić osobę uczącą się najważniejszego doświadczenia. Jeżeli natomiast opanowała już tę umiejętność, podobne wsparcie może otworzyć przestrzeń do pracy nad bardziej złożonym problemem.

Ten sam zakres pomocy może więc mieć różną wartość dydaktyczną. Znajomość możliwości technologii musi iść w parze ze znajomością potrzeb osoby uczącej się.

W szkole można zaproponować uczniom ocenę przygotowanego przez AI planu oszczędzania wody: sprawdzenie jego założeń, porównanie ich z rzeczywistymi warunkami i uzasadnienie zmian. Nauczyciel może wcześniej pokazać na jednym przykładzie, jak sprawdzać propozycję, a następnie stopniowo oddawać uczniom inicjatywę.

Na zajęciach akademickich z edukacji w warunkach penitencjarnych można wykorzystać fikcyjny przypadek: poprosić studentów o ocenę programu zaproponowanego przez AI, wskazanie jego założeń oraz uzasadnienie koniecznych zmian. Szczególnie ważne będzie pytanie, czy program uwzględnia perspektywę osoby, dla której został przygotowany.

W obu sytuacjach propozycja AI staje się materiałem do uczenia się. Wartość ćwiczenia ujawnia się w pytaniach, sprawdzeniach i decyzjach podejmowanych przez uczniów lub studentów.

Uczyć się, aby móc świadomie współdziałać

Najbardziej interesuje mnie dziś to, czy wraz ze wzrostem samodzielności AI rozwija się również nasza zdolność do rozumienia, wybierania i ponoszenia odpowiedzialności.

Dlatego partnerstwo Human+AI wymaga czegoś więcej niż skutecznego korzystania z narzędzi. Wymaga projektowania sytuacji, w których człowiek nadal ćwiczy własny osąd, konfrontuje się z niepewnością i uczy się uzasadniać decyzje.

To zadanie nauczyciela szkolnego i akademickiego. Każdy realizuje je w innych warunkach, z innymi osobami i przy użyciu odpowiednich metod. Łączy ich odpowiedzialność za to, aby wsparcie technologii pomagało uczniom i studentom stawać się coraz bardziej samodzielnymi.

Im więcej potrafimy delegować, tym uważniej powinniśmy określać, jakie doświadczenia są człowiekowi potrzebne, aby zachował zdolność świadomego działania.

Źródła i inspiracje

Źródło inspiracji: Ethan Mollick, „The Dot and the Swarm. Benefitting from the Bitter Lesson”, 1 października 2026. Rozważania dotyczące edukacji i modelu IALE są autorską interpretacją podjętego w nim problemu.