Streszczenie: Seria badań ujawnia paradoks współpracy człowieka z maszynami: generatywna AI potęguje indywidualne nowatorstwo i jakość pracy, ale mocno obniża zbiorową różnorodność wyników. Kotwiczenie się użytkowników na zbliżonych podpowiedziach maszyny powoduje niebezpieczną homogenizację projektów. Aby temu przeciwdziałać, menedżerowie muszą wdrażać AI dopiero na późniejszych etapach procesu po ludzkiej ideacji oraz korzystać z różnicujących, krzyżowych promptów.
AI zwiększa kreatywność jednostek, ale zawęża różnorodność pomysłów w skali zbiorowej. Cztery badania wyjaśniają, dlaczego tak się dzieje i co mogą z tym zrobić menedżerowie.
Co sztuczna inteligencja robi z kreatywnością? Czy narzędzia generatywnej sztucznej inteligencji (GenAI) czynią nas bardziej twórczymi, czy mniej? Skoro kreatywność jest często motorem najbardziej udanych pomysłów i przedsięwzięć, a 83% menedżerów najwyższego szczebla umieszcza innowacje w trójce swoich najważniejszych priorytetów, zrozumienie, jak korzystanie z AI wpływa na ludzką kreatywność, ma dla biznesu znaczenie krytyczne. Z jednej strony, GenAI może być cennym partnerem w burzy mózgów, pozwalając wynalazcom i projektantom błyskawicznie prototypować pomysły i koncepcje. Z drugiej – grozi mimowolnym ograniczaniem kreatywności: zbyt wcześnie zawęża pole poszukiwań i zachęca użytkowników do kotwiczenia się na podpowiedziach AI, które wydają się „wystarczająco dobre”.
W czterech niedawnych badaniach ustaliliśmy, że prawda wykracza poza tę prostą alternatywę. Odkryliśmy, że choć AI potrafi wzmacniać kreatywność jednostek, to obniża kreatywność zbiorową. Aby wyjaśnić, dlaczego tak się dzieje, doprecyzujmy najpierw, co rozumiemy przez kreatywność.
Od kreatywności jednostki do innowacji w skali społecznej
Badacze definiują zwykle kreatywność jako przecięcie nowatorstwa i użyteczności. Nowatorstwo definiuje stopień, w jakim pomysł lub wytwór jest oryginalny bądź rzadki, natomiast użyteczność określa stopień, w jakim pomysł lub wytwór jest wartościowy lub skuteczny w realizacji swojego celu. Pomysł nowatorski, ale bezużyteczny – albo użyteczny, lecz wtórny – nie jest kreatywny.
O ile te dwa wymiary opisują kreatywność pojedynczego pomysłu, o tyle kreatywność zbioru pomysłów najlepiej oddaje jego różnorodność. W każdej kolekcji znajdzie się kilka pomysłów, które dla jednych będą odkrywcze, a dla innych oczywiste albo nowatorskie, lecz nieużyteczne. Zbiór wysoce różnorodny z większym prawdopodobieństwem zawiera jednak kilka prawdziwych oryginałów – świeżych i potencjalnie wartościowych. Taka szerokość daje zespołom więcej surowca do rekombinowania, porównywania i szlifowania w czasie, co owocuje produktami lepiej odpowiadającymi pełnemu spektrum preferencji klientów. W końcu pomysły, które na pierwszy rzut oka wydają się niepraktyczne, po dopracowaniu lub połączeniu z innymi potrafią okazać się przełomowymi: jak „nieudany” klej, z którego narodziły się karteczki Post-it, albo porzucona gra wideo, której wewnętrzny komunikator stał się Slackiem. Innymi słowy, kreatywność wymaga czegoś więcej niż ilości i jakości. Wymaga także różnorodności rezultatów – tego, by odmienne pomysły mogły naprowadzać na nowe tropy, rodzić nowe spekulacje i stawać się zalążkami nowych innowacji.
Zarzucając szerszą sieć, organizacje chronią się przed przedwczesnym skręcaniem ku bezpiecznym, konwencjonalnym opcjom i zwiększają szanse na zaskakujące, przełomowe odkrycia. I właśnie tu nasze badania ujawniają interesujący paradoks. Indywidualnie AI często wzmacnia kreatywność – zwłaszcza pozwalając osobom mniej doświadczonym lub z natury mniej twórczym generować bardziej nowatorskie i użyteczne pomysły. Zbiorowo jednak AI często spłaszcza przestrzeń pomysłów. Ponieważ wiele osób kotwiczy się na podobnych podpowiedziach AI, rezultaty się upodabniają. Typowy rezultat pracy z pomocą AI jest bardziej kreatywny, ale zróżnicowanie rezultatów maleje. Krótko mówiąc: nawet jeśli pomysł zainspirowany przez AI wygląda dobrze, może się okazać podobny do pomysłów wszystkich innych, którzy też inspirowali się AI.
Dla menedżerów płynie z tego doniosły wniosek. Wyzwanie polega na tym, by czerpać z AI korzyści w postaci produktywności i jakości, a zarazem chronić różnorodność pomysłów, która napędza innowacje w długim horyzoncie.
Wpływ AI na różnorodność pomysłów
Aby zrozumieć, jak AI wpływa na twórczą różnorodność, przeanalizowaliśmy cztery niedawne badania, w których uczestniczyliśmy, obejmujące różne domeny kreatywne: pisanie krótkich opowiadań, rozwiązania gospodarki obiegu zamkniętego, konkursy na dowcipne podpisy pod rysunkami oraz wspólne tworzenie historii. Mimo odmiennych kontekstów wyłonił się spójny wzorzec: asysta AI poprawiała jakość indywidualnych rezultatów, zawężając zarazem zbiorową różnorodność.
W pierwszym z tych badań dwaj z nas (Anil i Oliver) sprawdzali, jak dostęp do AI wpływa na proces twórczy i różnorodność zbiorowego rezultatu. Uczestników eksperymentu poproszono o napisanie krótkich, ośmiozdaniowych opowiadań. Część osób pisała całkowicie samodzielnie, inne otrzymały do pięciu trzyzdaniowych zalążków historii wygenerowanych przez model AI. Niezależni ewaluatorzy oceniali kreatywność każdego opowiadania. Za pomocą analizy tekstu opartej na AI zmierzyliśmy też stopień semantycznego podobieństwa między opowiadaniami, porównując te pisane z asystą AI i te bez niej.
Wyniki ukazały sedno problemu. Asysta AI poprawiała nowatorstwo opowiadań, zwłaszcza u autorów o niższym wyjściowym poziomie kreatywności (zmierzonym wcześniej za pomocą istniejącego narzędzia badawczego – Divergent Association Task). Na poziomie zbiorowym różnorodność jednak spadła. Opowiadania z grup wspomaganych przez AI zbiegały się ku podobnym motywom i strukturom, wykazując mniejszą wariancję niż te pisane bez AI (zob. grafiki dotyczące pisania opowiadań). Ujawnia to istnienie dylematu społecznego: jednostki zyskują na AI – szczególnie te, którym zadania twórcze sprawiają najwięcej trudności – ale powszechne poleganie na sztucznej inteligencji grozi zawężeniem zbiorowej puli pomysłów: średnia jakość rośnie, lecz wyrazistych oryginałów jest mniej.
W drugim badaniu, prowadzonym przez jednego z nas (Léonarda z czworgiem współpracowników), ten sam wzorzec utrzymał się w zupełnie innej domenie. Poprosiliśmy uczestników o propozycje rozwiązań z zakresu gospodarki obiegu zamkniętego, odpowiadających na wyzwania zrównoważonego rozwoju – na przykład ponowne wykorzystanie odpadów. Grupa złożona z samych ludzi wygenerowała szeroki wachlarz pomysłów: od konwencjonalnych propozycji recyklingu po unikatowe, niesztampowe koncepty, jak innowacyjne cegły z pyłu odlewniczego i odpadowego plastiku, łączone na wzór klocków Lego, by ograniczać zanieczyszczenie powietrza związane z budownictwem. Tymczasem pojedynczy człowiek pracujący z AI często przewyższał grupę w ocenie niezależnych ewaluatorów pod względem ogólnej jakości, wykonalności strategicznej oraz wartości finansowej i środowiskowej. Ale to grupa ludzi wygrywała w nowatorstwie i to głównie z niej pochodziły nietypowe pomysły, które mogłyby zaowocować przełomami. AI ponownie podniosła dolną granicę wyników, ale zawęziła ich wariancję (zob. grafikę dotyczącą gospodarki obiegu zamkniętego).
Trzecie badanie wskazało, w którym miejscu procesu twórczego dochodzi do tego zawężenia. Jeden z nas (Kartik ze współbadaczem) przeprowadził eksperyment z randomizacją, wzorowany na konkursie na podpisy pod rysunkami „New Yorkera”, aby sprawdzić, czy AI ogranicza różnorodność twórczych rezultatów na etapie generowania pomysłów, czy ich oceny. Przetestowaliśmy cztery modele współpracy: tylko ludzie, AI wyłącznie przy generowaniu pomysłów, ludzkie pomysły z AI wyłącznie przy selekcji oraz wsparcie AI w obu fazach. Badanie pokazało, że AI zwiększała zarówno liczbę, jak i średnią jakość pomysłów – z największym zyskiem wtedy, gdy wspierała i generowanie, i ocenę. Co istotne, efekty dla różnorodności rozchodziły się w zależności od momentu użycia AI: przy generowaniu pomysłów konsekwentnie obniżała różnorodność, natomiast przy selekcji zachowywała zróżnicowanie na poziomie porównywalnym z pracą czysto ludzką (zob. grafikę dotyczącą konkursu humorystycznego). To odkrycie podpowiada, że moment, gdy AI wkracza do procesu, może być równie istotny jak sam fakt jej użycia.
Czwarte badanie, w którym uczestniczył jeden z nas (Kartik ze współbadaczem), przetestowało ten wniosek wprost. Sprawdzało ono, jak różne modele współpracy człowieka z AI wpływają na jakość i różnorodność pisanych historii, a także na deklarowaną satysfakcję autorów. Przetestowano cztery warianty: tylko człowiek, ideacja prowadzona przez człowieka z AI piszącą wersje robocze, tworzenie prowadzone przez AI z ludzką akceptacją oraz ciągła współpraca człowieka i AI przez cały proces (scenariusz „copilota”). Wyniki potwierdziły wzorzec z poprzedniego badania: oddanie AI kontroli twórczej dawało najbardziej jednorodne rezultaty; wspólna praca w trybie copilota częściowo łagodziła ten efekt; a pozostawienie ludziom wczesnych zadań twórczych zachowywało znacząco więcej różnorodności – zbliżonej do tej, jaką widać w pracy w pełni ludzkiej (zob. grafikę Hosanagara i Ahna dotyczącą pisania opowiadań). Wyłoniła się z tego jasna zasada projektowa: to, czy różnorodność przetrwa, zależy od tego, w którym miejscu procesu pojawiają się ludzie.
Wykresy wizualizujące te ustalenia obejmują wszystkie cztery badania. Aby zmierzyć efekt różnorodności, wykorzystując metody AI obliczyliśmy podobieństwo między rezultatami w każdej grupie, a następnie uśredniliśmy wyniki. Można o tym myśleć jak o wskaźnik skupienia: wyższy wynik podobieństwa oznacza, że pomysły zbiły się w gromadę, natomiast niższy sugeruje, że rozproszyły się one po szerszej przestrzeni twórczej. Na każdym panelu oś pozioma przedstawia średni wynik podobieństwa, a krzywa rozkładu – częstość tego wyniku wśród uczestników. Gdy w grę wchodzi AI, krzywe konsekwentnie przesuwają się w prawo, ku wyższemu podobieństwu, sygnalizując, że rezultaty stają się do siebie bardziej podobne.
Jak korzystać z AI w pracy kreatywnej (nie tracąc różnorodności)
Dowody ze wszystkich badań prowadzą do jednego wniosku: to, jak używasz AI w pracy twórczej, znaczy tyle samo co to, czy w ogóle jej używasz. Liderzy, którzy pragną zysków efektywnościowych z AI przy zachowaniu – lub wzmocnieniu – oryginalności, muszą świadomie projektować swoje procesy. Oto kilka praktycznych strategii.
1. Na etapie ideacji zostaw ludzi „za kierownicą”
Opisane wyżej czwarte badanie, testujące różne tryby współpracy człowieka z AI przy pisaniu historii, daje tu bezpośrednie wskazówki. Uczestnicy, którzy zachowali odpowiedzialność za ideację, tworzyli opowiadania oceniane przez niezależnych ewaluatorów wyżej pod względem atrakcyjności i ogólnej jakości oraz deklarowali większą satysfakcję. Równie ważne były efekty dla różnorodności: oddanie AI kontroli twórczej przynosiło najbardziej jednorodne rezultaty, a pozostawienie ludziom wczesnych zadań twórczych owocowało znacząco większą różnorodnością, bliską pracy w pełni ludzkiej. Nawet model copilota, z AI obecną przez cały czas, zawężał różnorodność w porównaniu z ideacją prowadzoną przez człowieka.
Praktyczny wniosek dla menedżerów nasuwa się natychmiast: w każdym procesie kreatywnym i innowacyjnym pozostaw inicjatywę ludziom, by uchwycić więcej unikatowych pomysłów. Zacznij od tego, by zespół naszkicował pomysły lub wstępne zarysy, zanim do procesu wejdzie AI. Taka sekwencja chroni różnorodność, nie rezygnując z efektywności, i sprawia, że AI uzupełnia, a nie zastępuje, immanentnie ludzką zdolność do nieuporządkowanych, zaskakujących skoków myśli.
Konkretną ilustracją tej sekwencji w działaniu jest Ghostwriter – wewnętrzne narzędzie AI producenta gier Ubisoft. Zaprojektowane z myślą o scenarzystach dużych gier z otwartym światem, przejmuje ono jedno z najbardziej powtarzalnych zadań narracyjnych: generowanie pierwszych wersji krótkich kwestii wypowiadanych przez postacie niezależne. Co kluczowe, narzędzie nie zastępuje scenarzysty w kształtowaniu postaci ani fabuły: to autorzy najpierw definiują bohatera i kontekst, a dopiero potem wybierają spośród wariantów wygenerowanych przez AI i je redagują. Ludzki osąd przez cały czas pozostaje „za kierownicą”. Efektem tego jest proces, który pozwala scenarzystom inwestować energię twórczą tam, gdzie liczy się ona najbardziej, podczas gdy AI bierze na siebie masową produkcję na dalszych etapach.
We wszystkich czterech badaniach konsekwentnie powracał jeszcze jeden wniosek: jeśli zależy ci na możliwie największej różnorodności pomysłów, ludzi trudno pobić. Ale sama różnorodność nie wystarczy. W badaniu nad gospodarką obiegu zamkniętego pojedynczy człowiek iteracyjnie pracujący z AI tworzył na przykład rozwiązania wyżej oceniane pod względem ogólnej jakości, bo precyzyjne promptowanie umożliwia szybkie doszlifowanie ich praktycznej wartości – choć to grupa osób generowała pomysły bardziej różnorodne i nowatorskie. Liderzy powinni więc mądrze decydować, gdzie w firmowych procesach umieszczać grupy złożone z samych ludzi.
2. Różnicuj to, czym zasilasz AI
Homogenizacja często bierze się stąd, że wszyscy używają tego samego narzędzia AI w ten sam sposób. Menedżerowie mogą się temu przeciwstawić, celowo wprowadzając zróżnicowanie: rotując prompty, eksperymentując z instrukcjami opartymi na odgrywaniu ról (np. „zaatakuj ten pomysł”), uruchamiając równolegle różne modele czy włączając nietypowe źródła danych.
Badania potwierdzają, że takie taktyki zwiększają różnorodność pomysłów. Na przykład promptowanie łańcuchem myśli (chain-of-thought), czyli proszenie modelu o rozumowanie krok po kroku przed wygenerowaniem odpowiedzi, daje znacznie większe rozproszenie zbiorów pomysłów niż prompty standardowe, a w niektórych przypadkach zbliża się do wariancji osiąganej przez grupy.
Uzupełnia to badanie nad gospodarką obiegu zamkniętego: gdy ludzie iteracyjnie instruują duży model językowy, by generował on rozwiązania odmienne od poprzednich, znacząco zwiększają nowatorstwo bez utraty wartości. To badanie terenowe pokazało, że podejście oparte na sterowanym przez człowieka różnicowaniu – w którym po każdej odpowiedzi wprost proszono model, by „zajął się innym problemem niż poprzednio i zaproponował inne rozwiązanie” – dawało rozwiązania o nowatorstwie porównywalnym z grupą, z zachowaniem przewagi w wykonalności strategicznej i ogólnej jakości.
3. Sięgaj po podejścia wieloagentowe i wielomodelowe
Tak jak zróżnicowane zespoły ludzkie wydobywają szerszy wachlarz perspektyw niż zespoły jednorodne, tak różnicowanie „głosów” AI może przeciwdziałać upodabnianiu się rezultatów. Włączanie przepływów agentowych – jedna AI generuje pomysły, a druga je krytykuje albo wiele wyspecjalizowanych agentów zajmuje się różnymi aspektami problemu – może istotnie poszerzyć pole poszukiwań.
Organizacje mogą projektować systemy, w których różne modele lub agenty podchodzą do tego samego wyzwania z odmiennych perspektyw. Na froncie badań naukowych wieloagentowe systemy AI zaczynają wspierać samo odkrywanie: generują hipotezy, krytykują je i doskonalą w samonapędzających się cyklach. Pierwsze zastosowania przynoszą już wyniki potwierdzone eksperymentalnie. Praktyczną ilustracją tej architektury jest Colgate-Palmolive. Zamiast kierować pracę innowacyjną przez jeden interfejs AI, firma łączy ze sobą różne systemy: jeden przekopuje dane konsumenckie w poszukiwaniu niezaspokojonych potrzeb, autorska AI generuje koncepty produktów, a trzeci system wykorzystuje cyfrowe bliźniaki konsumentów do symulowania ich reakcji, przy czym każdorazowo przekazanie pałeczki odbywa się pod okiem ludzi.
Kluczowy wniosek ma charakter architektoniczny: zamiast kanalizować całą pracę twórczą przez jeden interfejs AI, organizacje powinny budować procesy, które tworzą twórcze napięcie między wieloma perspektywami AI. Takie podejście korzysta z efektywności sztucznej inteligencji, zachowując myślenie dywergencyjne, które napędza przełomowe innowacje.
4. Buduj mechanizmy zabezpieczające i celowe tarcie, by chronić przewagę ludzi
Pokusa będzie taka, by pozwolić AI działać w charakterze copilota wszędzie. Ale jeśli pracownicy scedują na nią swoje kluczowe zadania twórcze, to ryzykują utratę umiejętności, które stanowią o ich wyjątkowości. Rekomendujemy wprowadzenie do korzystania z AI odrobiny tarcia – drobnych decyzji projektowych, które nie pozwolą ludziom stać się biernymi konsumentami tego, co wygeneruje maszyna. Można na przykład wymagać od zespołów przedstawienia własnych propozycji, zanim sięgną po AI, albo uzasadnienia, dlaczego wybierają pomysł przez nią podsunięty.
Stawka jest wyższa niż kolejny dobry pomysł, który mógłby się przydać organizacji: takie praktyki utrzymują twórcze mięśnie ludzi w ruchu, nie rezygnując z efektywności AI. Bez takich barier ochronnych w epoce, w której dostęp do AI będą mieli wszyscy, zyski efektywnościowe szybko staną się dobrem powszechnym, zostawiając niewiele podstaw do konkurencyjnego wyróżnienia i pozbawiając załogę zdolności do twórczego myślenia i działania. Potwierdzają to eksperymenty.
W badaniu z 2025 r. uczniowie z nieograniczonym dostępem do AI radzili sobie znacząco gorzej po jego odebraniu, ale starannie zaprojektowane mechanizmy zabezpieczające eliminowały tę karę. W innym badaniu konsultanci, którzy bezrefleksyjnie przyjmowali rekomendacje AI, również wypadali gorzej niż ci, którzy zachowali krytyczny nadzór1.
Ostatecznie o przewadze konkurencyjnej organizacji w nadchodzących latach zdecyduje zdolność do pielęgnowania różnorodnego zbioru twórczych pomysłów dzięki ludzkiej pomysłowości – uzupełnionej o efektywny, poparty badaniami proces, który sięga po możliwości AI we właściwym momencie, by osiągać wyższą jakość i wykonalność.
AI może wspierać kreatywność, ale tylko wtedy, gdy ludzie aktywnie i wcześnie angażują się w kształtowanie procesu. Wyróżnią się nie te organizacje, które będą używać AI najwięcej, lecz te, które będą używać jej najbardziej świadomie – projektując jej zastosowania tak, by ludzka oryginalność i maszynowa efektywność wzajemnie się wzmacniały, zamiast się znosić. •
Autorzy dziękują następującym osobom za cenne dyskusje i sugestie: Daehwan Ahn, Giorgio Franceschelli, Jacqueline Lane, Dokyun Lee, Mirco Musolesi i Ericowi Zhou.
