Czego AI wciąż nie potrafi zrobić za liderów

Sztuczna inteligencja odpowiada płynnie, pewnie i natychmiast. Problem w tym, że nie odróżnia dobra od zła, nie uczy się z doświadczenia i nie ponosi konsekwencji decyzji. W rozmowie professorki przywództwa Deborah Ancona i Kate W. Isaacs z MIT pokazują, gdzie przebiega granica między tym, co warto delegować maszynie, a tym, czego lider oddać nie może — bo przestałby być liderem.

Najgłośniejsza dziś narracja brzmi prosto: kto nie wdroży AI, ten zostanie w tyle. Mniej mówi się o drugiej stronie równania — o tym, co dzieje się z naszym osądem, autentycznością i relacjami, kiedy coraz więcej myślenia oddajemy w ręce modelu językowego. Poniższa rozmowa jest próbą wyznaczenia tej granicy. Nie jest manifestem przeciw technologii. Jest pytaniem o to, kim chcemy być w momencie, w którym otwieramy okno czatu.

Pół godziny sporu z modelem językowym

Deborah Ancona : Kate, przeżyłam ostatnio coś naprawdę dziwnego. Poprosiłam ChatGPT o pomoc przy zajęciach, które właśnie przygotowywałam. Zamiast informacji zwrotnej dostałam wykład o tym, że się mylę. Że nie powinnam uczyć tego materiału, że nie trafi do studentów, że jest nieodpowiedni. Zaczęłam się z modelem spierać — tak, jakbym rozmawiała z kolegą z katedry. A on nie odpuszczał. Przeciwnie, brnął dalej: poprawiał mnie, dorzucał kolejne argumenty, mówił z absolutną pewnością siebie. To, co Kate Kellogg nazywa „bombardowaniem perswazyjnym”.

I przez moment po prostu siedziałam i myślałam: „A może to ja się mylę?”. Co jest absurdalne, bo ten materiał prowadziłam setki razy. Widziałam, jak działa. Widziałam reakcje studentów. To dobry materiał. Naprawdę przestraszyło mnie to, że w ułamku sekundy zaczęłam słuchać AI i wątpić w siebie. Ten błysk wątpliwości był prawdziwym problemem. A potem zorientowałam się — z lekkim przerażeniem — że właśnie spędziłam pół godziny na kłótni z modelem językowym.

Generatywna AI jest świetna w jednym: w dawaniu płynnych, pewnych odpowiedzi. Do tego została stworzona, do tego ją zaprogramowano. Ale ona nie wie, co jest słuszne, a co nie. Nie wie tego z doświadczenia — tak, jak wiedzą ludzie. Założyłam, że AI jest po mojej stronie, jak współpracownik, jak przyjaciel, jak ktoś, komu zależy, żebym zrobiła to lepiej. Kiedy się cofnęłam, zrozumiałam: AI nie zależy. Nie ma intencji. Nie jest „ze mną”.

A mimo to rzutujemy na tę technologię emocje. Obsadzamy ją w rolach: powiernika, partnera, doradcy. I dlatego musimy świadomie trzymać się relacji i rozmowy — bo przywództwo dzieje się między ludźmi. W jednym pomieszczeniu. Wtedy, gdy ludzie razem myślą, śmieją się, podejmują decyzje. Jeśli to oddamy AI, tracimy coś naprawdę istotnego.

Kate W. Isaacs: Rozumiem cię doskonale, sama wpadałam w takie spory. To niewiarygodnie potężne narzędzie — zrobiło ze mnie lepszą nauczycielkę i lepszą pisarkę. Daje mi krytyczną informację zwrotną, ale tylko wtedy, gdy o nią poproszę. Znasz to? Mówisz modelowi: „Nie sądzę, żeby to było właśnie tak”, a on natychmiast: „Masz absolutną rację, całkowicie się myliłem, już poprawiam”. I to jest dokładnie to źródło autorytetu, o którym mówisz — ten wewnętrzny autorytet, którego nie wolno nam oddać.

To zresztą jedna z rzeczy, które czynią nas wyjątkowo ludzkimi. Całe nasze przeżyte doświadczenie, kontekst, którego jesteśmy świadome, nasze wartości — wszystko to zasila ów wewnętrzny autorytet, który musi kotwiczyć nasze partnerstwo z technologią. Wiele myślałam o tym, czego AI zrobić nie potrafi, a my tak. To wyjątkowa technologia, bo zmusiła nas do rozliczenia się z pytaniem, co właściwie czyni nas ludźmi. Doszłam do co najmniej trzech rzeczy.

Cel: kto zadaje pytania

Kate W. Isaacs: Pierwsza to cel. To my ramujemy pytania, które zadajemy AI. Ona tego nie zrobi. Nie zapyta: po co tu jesteśmy? Czemu to służy? Jaki problem właściwie rozwiązujemy? Czy wchodzę w to z nastawieniem „wygrana–wygrana”, czy z twardym nastawieniem „wygrana–przegrana”? Jaki jest sens tego wszystkiego? To pytania, których model za nas nie postawi.

Deborah Ancona : To dobrze się zazębia. Mamy cel — a obok niego mądrość. Te dwie rzeczy są ze sobą spokrewnione.

Mądrość rodzi się z konsekwencji

Deborah Ancona : Mogę poprosić AI o plan strategiczny albo o pomoc w napisaniu komunikatu i dostanę świetny efekt. Sama często z tego korzystam. Ale AI nie mierzy się z tym, co przychodzi potem. Nie siedzi w sali, kiedy przedstawiasz ten plan i widzisz, jak twarze ludzi tężeją. Nie ponosi konsekwencji tego, że za pewną decyzją mogą stać czyjeś losy — czasem dosłownie ludzkie życie.

To przypomina mi, że AI się nie uczy. Ona analizuje ogromne ilości danych. A przywództwo — i człowieczeństwo — nie polega na zbieraniu danych i sklejaniu ich w całość. Polega na zajęciu stanowiska. Na powiedzeniu: część decyzji była słuszna, część nie, jak wyciągnąć z tego lekcje, które pozwolą nam lepiej poruszać się po świecie? Uczymy się przez doświadczenie tego, co działa i co ma znaczenie.

I właśnie tu leży człowieczeństwo i przywództwo — nie w samym wygenerowaniu efektownej odpowiedzi czy zgrabnego planu, lecz w przemyśleniu go. Jakie będą skutki? Jak to wpłynie na ludzi? Jak rozegra się w tym konkretnym kontekście? AI nie ma o tym żadnego pojęcia. I to trochę przeraża.

Kate W. Isaacs: Cel i mądrość są jednocześnie indywidualne i zbiorowe. Chodzi o to, dokąd zmierzamy — jako firma, jako zespół, jako gatunek. Teraz naprawdę się z tym mierzymy. To musi być coś, co robimy wspólnie, rozmowa, którą prowadzimy razem. Moje pytanie brzmi: jak wykorzystać AI, by tę rozmowę ułatwić — a nie zastąpić?

Cztery filary zaufania

Kate W. Isaacs: I tu dochodzimy do drugiej rzeczy: do cech charakteru, które tę rozmowę prowadzą. Badania nad zaufaniem pokazują, że rodzi się ono z czterech źródeł, które ujawniamy w relacji z drugim człowiekiem.

Pierwsze to autentyczność — czy dostaję prawdziwego ciebie? Drugie to empatia — czy zależy mi na tobie, na twoich interesach, na tym, co dla ciebie ważne? Trzecie to spójność — czy robię to, co mówię, że zrobię? I czwarte to kompetencja — jeśli mówię, że zoperuję ci kolano, to czy faktycznie potrafię to zrobić?

Część najnowszych badań dotyka właśnie autentyczności. Kiedy ludzie odkrywają, że użyłeś AI, bywa, że autentyczność zostaje nadwyrężona — ufają efektowi mniej i mniej go cenią. Więc pytanie brzmi: jakie cechy charakteru mają poprowadzić rozmowę o tym, jak używać AI, by realizować cel, na którym nam zależy?

Kiedy AI eroduje naszą autentyczność

Deborah Ancona : Pójdę o krok dalej. AI nie tylko sprawia, że inni kwestionują naszą autentyczność. Sprawia, że my sami zaczynamy ją kwestionować.

Pisałam kiedyś przemówienie na wesele. Całe, od początku do końca, własnymi słowami. A potem poprosiłam AI, żeby pomogła mi to ładniej ulepić. I kiedy już wygłosiłam tę mowę, miałam poczucie: „Czy to naprawdę byłam ja?”. Coś to we mnie nadpsuło. Myślę, że to jest część problemu z AI — ona eroduje nasze poczucie autentyczności. Eroduje nasz osąd.

AI uzależnia, wiemy to. Wiemy z wielu badań, choćby z analizy BCG dotyczącej konsultantów wspieranych przez AI. Ludzie się uzależniają: za każdym razem, gdy mają problem, znacznie łatwiej go wpisać i dostać gotową odpowiedź. A jednocześnie czują się ze sobą gorzej. Gorzej myślą o sobie i o tym, co potrafią, a czego nie. Ta erozja to coś, nad czym musimy się zastanowić. Powinniśmy zadawać sobie pytania, zanim w ogóle sięgniemy po technologię: kim jestem w tej chwili? Kim chcę być? Co chcę wiedzieć? Co chcę zachować?

Kate W. Isaacs: Zgadzam się. Też przez to przeszłam. Na początku prosiłam AI, żeby coś za mnie tworzyła — i zauważyłam, że tracę zdolność ufania sobie i rozpoznawania własnego głosu. AI nie powie nam, jaki jest nasz unikalny podpis. A ludzie tego od nas oczekują. Chcą, żebyśmy pokazywali się tacy, jacy jesteśmy — z całym bagażem, z wadami, z niedoskonałościami. To właśnie czyni nas ludźmi.

Więc znów wraca to samo pytanie: za czym się opowiadam? Jaki jest mój styl, którego nie chcę stracić i którego z pewnością nie chcę oddać AI? Czy potrafię zacząć od siebie, pozwolić jej co najwyżej trochę mnie dopolerować — i jednocześnie dopilnować, żeby nie wypolerowała ze mnie osobowości?

Deborah Ancona : Tak, to właśnie zakotwiczenie. Zakotwiczenie samych siebie i radzenie sobie z uzależnieniem. Bo w relacjach pojawia się kolejne ryzyko: jeśli zbyt mocno polegam na AI, przestaję wchodzić w relacje z ludźmi. Nie idę na spotkania, nie wyciągam ręki. Tymczasem są fascynujące badania pokazujące, że jeśli zbierzesz zespół choćby raz w miesiącu, rośnie szansa, że jego członkowie będą się ze sobą kontaktować również między spotkaniami — że nawiążą lepszą więź. Pytanie organizacyjne brzmi więc: jak wyważyć te rzeczy, żeby dostać to, na czym nam zależy?

Modele mentalne, których maszyna nie zbuduje

Deborah Ancona : Chciałabym dorzucić jeszcze jeden wątek. Byłam w tym tygodniu na świetnej konferencji „Brains on Brains” — w grupie Brain and Cognitive Sciences na MIT. Mówiono tam właśnie o tym, co odróżnia AI od ludzi i od liderów. Padły dwie rzeczy, które uznałam za fascynujące.

Pierwsza: AI potrzebuje około tysiąca przykładów, żeby rozpoznać, czym jest kot. My rozpoznamy to, patrząc na dwa koty. Mamy zdolność tworzenia modeli mentalnych. I więcej — kiedy raz zrozumiesz, jak działa metro, na przykład bostońskie, wiesz, jaka jest twoja rola i co masz robić. A ta wiedza jest przenośna. Możesz wejść do metra w Paryżu i wiedzieć, jak się poruszać.

Co nas zatem odróżnia? Po pierwsze, nie tylko zbieramy i analizujemy dane — budujemy modele mentalne, nawet bez języka. Niemowlęta, które jeszcze nie mówią, mają modele świata. Po drugie, potrafimy przenieść te modele z jednej sytuacji do drugiej. Po trzecie, umiemy się dostosować. Jeśli w paryskim metrze coś jest inne, zmieniamy zachowanie. Nie jesteśmy przykuci do tego, czego właśnie się nauczyliśmy. Musimy uszanować to, czym są nasze modele mentalne — i to, że potrafimy coś, czego AI nie potrafi. To wraca do tej samej myśli: używajmy AI tam, gdzie nam pomaga, i jednocześnie zachowujmy oraz doceniajmy to, co jako ludzie wnosimy do gry.

Inteligencja, która ma ciało

Kate W. Isaacs: Mówisz o tych szybkich i oszczędnych heurystykach, które w sobie wyrabiamy — wchłaniamy je nieświadomie przez całe życie, a potem po mistrzowsku tworzymy przenośne mapy świata. Trzecia rzecz, o której myślałam, to mapy, które tworzymy z naszych ciał.

Nie działamy „od szyi w górę”. Mamy zdolność cielesnego odczuwania, która zasila nasze modele i nadawanie znaczeń. To poczucie tego, jak czujemy się w środku — interocepcja, w odróżnieniu od percepcji. AI nie jest interoceptywna, a my tak. I to jedna z naszych supermocy.

Możemy wejść do pomieszczenia i natychmiast wyczuć atmosferę. Wyczuć, czy jest bezpiecznie. Nasze ciała nieustannie wysyłają nam takie sygnały. Wychwytujemy mnóstwo wskazówek kontekstowych i społecznych, nawet nie zdając sobie z tego sprawy — a one zapisują się w ciele, które dopiero potem mówi mózgowi, jak się sprawy mają. Działa to też w drugą stronę: ludzie nieustannie odczytują nasze sygnały. Badania nad neuronami lustrzanymi pokazują, że nieświadomie naśladujemy nawzajem swoją mimikę i mowę ciała.

AI tego po prostu nie robi. Ale każdy potrafi wyczuć, kiedy znajduje się w obecności kogoś, kto ma charyzmę. Wiele z tego, co robimy na MIT — wokół opowiadania historii i pracy z obecnością — polega na uczeniu ludzi, jak wnosić autentyczną obecność, która jest tak samo fizyczna, jak wszystko inne. AI nie ma ciała. Jej tętno nie zwolni tak, jak nasze, kiedy siedzimy obok siebie. A są badania sugerujące, że grupy ludzi, których tętno się synchronizuje, podejmują lepsze decyzje. Z Claude’em ani z czatem się nie zsynchronizujemy.

Deborah Ancona : Używamy przecież AI choćby do monitorowania spotkań i robienia notatek — i robi to świetnie. Ale tyle z tego, co naprawdę odczytujemy na spotkaniu, to sygnały niewerbalne. To, jak czuję się w danym momencie, wpływa na to, jak patrzę na podjętą — albo niepodjętą — decyzję. Nakładam swój własny schemat tego, co powinno się wydarzyć, na to, co się dzieje, i na tej podstawie oceniam. To wszystko umyka maszynie.

Co więcej, skoro to nie my robimy notatki, nie utrwalamy tego, co zaszło na spotkaniu, we własnym umyśle — więc dużo łatwiej nam to zapomnieć. To przypomnienie, co tracimy, używając AI, a nie tylko co zyskujemy. Możemy uzyskać wszystkie dane i dostrzec wzorce, których sami byśmy nie zauważyli, bo jest ich zbyt wiele. AI robi to znakomicie. Ale kiedy kluczowymi parametrami stają się doświadczenie, osąd, charakter i relacja — wtedy najbardziej liczą się ludzie i przywództwo.

Co robić: rekomendacje dla liderów

Kate W. Isaacs: Trzymamy się na MIT zasady mens et manus — umysł i ręka. Jaka byłaby więc twoja rada dla liderów, którzy chcą wykorzystać to, w czym jesteśmy naprawdę dobrzy, i jednocześnie to, co najlepsze w AI?

Deborah Ancona : Po pierwsze: najpierw autor, potem narzędzie. Tworzyć samemu, żeby AI nie odbierała nam autentyczności. Po drugie: skoro AI uzależnia, nałóżmy na nią ograniczenia — tak jak ograniczamy je dzieciom — żebyśmy mogli się cofnąć i zapytać, co chcemy zachować. Jakie kompetencje, jakie sądy, jakie obserwacje chcemy utrzymać przy sobie. I po trzecie: zadbajmy o to, by pozostawać w relacji ze sobą nawzajem i jasno rozumieć, czego uczymy się w czasie — tak, żeby rodziła się mądrość, a nie tylko najświeższa porcja informacji. A teraz odwróćmy pytanie. Twoja kolej.

Kate W. Isaacs: Wszystkich nas fascynuje ta błyszcząca nowa technologia i wszystko, co potrafi. Wyszłam właśnie z zajęć — to program Future Ready Enterprise Academy — gdzie kadra zarządzająca z całego świata rozmawiała o wdrażaniu AI. I tak wiele przekazów było wyłącznie „za”. Że wszyscy musimy to robić, żeby być choć o cal do przodu.

Ostatecznie AI stanie się towarem — to technologia masowa. Różnica polega na tym, jak jej użyjemy. Jakie człowieczeństwo do niej wniesiemy. Powiedziałabym dwie rzeczy. Pierwsza to dokładnie to, o czym tu rozmawiamy: zauważanie, czego AI nie robi i w czym nie jest dobra — bo to właśnie te rzeczy musimy w naszej relacji z nią wzmacniać i ich nie tracić. Jeśli wciąż uderzamy w jeden ton, „pro-AI”, musimy go zrównoważyć rozmową o tym, czego AI naprawdę nie potrafi i czego robić nie powinna. Pewnego autorytetu po prostu nie wolno jej oddać.

Druga rzecz: cieszy mnie, że zaczynają pojawiać się badania o ciemnej stronie nadużywania — o uzależnieniu, o atrofii poznawczej. O tym, co się dzieje, gdy oddajemy autorytet i zamiast lepszych decyzji dostajemy gorsze. Trzeba więc być świadomym ryzyk, szkolić ludzi, wbudowywać systemy i mechanizmy kontroli w samą technologię — w tym to, co René Gosselin nazywa „korzystnym tarciem”. Jak wprowadzić w proces korzystania z AI punkty świadomego tarcia, które złagodzą ryzyko i sprawią, że nie podejmiemy złych decyzji tylko dlatego, że „AI tak powiedziała”.

Deborah Ancona : Dorzucę jeszcze jedno. Musimy zrozumieć, że AI działa bardzo dobrze przy określonych zadaniach. Ale poza tak zwaną granicą technologiczną potrafi popełniać mnóstwo błędów. Trzeba więc rozpoznać, kiedy produktywność realnie rośnie, a kiedy AI po prostu się myli. Jedyny sposób, by to wiedzieć — obok wszystkiego, o czym mówiłyśmy — to nadzór. Nieustanne zadawanie pytań: co może pójść nie tak? Co właśnie idzie nie tak? Musimy czuwać nad tym, jak wchodzimy w interakcję z tą technologią.

Kate W. Isaacs: Dobrze być w dialogu — i musimy w nim być. To była przyjemność.

Deborah Ancona : Dziękuję, Kate. To było świetne.