Czasami zastanawiam się nad tematem, gdzie tak naprawdę prowadzi nas rozwój Gen AI. Widziałam wiele osób, które zmieniały kurs swojej kariery pod wpływem wielkiego boomu na sztuczną inteligencję. Jeszcze kilka lat temu hasło „sztuczna inteligencja” obejmowało bardzo szeroki obszar: uczenie maszynowe, sieci neuronowe, systemy rekomendacyjne, analizę obrazów, przetwarzanie języka naturalnego, systemy decyzyjne, optymalizację, robotykę czy metody predykcyjne. Potem pojawił się ChatGPT. Przez chwilę odnosiłam wrażenie, że AI stała się właściwie synonimem generatywnej AI. Często ludzie na Gen AI mówili o podstawach sztucznej inteligencji. Sama próbowałam to odczarować, ale z różnym skutkiem. Gen AI faktycznie zmieniła rynek, ale czy część rynku nie postawiła na tę jedną gałąź AI trochę zbyt wiele?
Co właściwie oznacza „strategiczne przeszacowanie”?
Wyobraź sobie taką sytuację. Rozmawiasz ze znajomym o podstawach sztucznej inteligencji. Ty masz na myśli sieci neuronowe, uczenie maszynowe, głębokie uczenie i wiele innych gałęzi AI. Znajomy tylko Gen AI. Nie dochodzicie do porozumienia, bo w tej chwili macie co innego na myśli.
Nie da się ukryć, że jeśli ktoś mówił o sztucznej inteligencji, bardzo często miał na myśli duży model językowy. Jeżeli pojawiał się nowy produkt AI, często był chatbotem, generatorem treści albo narzędziem zbudowanym na API jednego z dużych modeli. Powstały nowe stanowiska, kursy, szkolenia, specjalizacje i całe strategie zawodowe oparte na promptach, modelach językowych oraz narzędziach no-code. Na rynku te narzędzia robiły największy szum, dlatego narzędzia innych gałęzi AI nie miały aż tak wielkiej siły przebicia.
Nie mam tutaj na myśli zwykłego hype'u. Każda duża technologia przechodzi okres ogromnego zainteresowania. Problem zaczyna się wtedy, kiedy zainteresowanie zaczyna wpływać na długoterminowe decyzje. Firma może przesunąć dużą część inwestycji w jeden rodzaj technologii. Pracownik może zbudować praktycznie cały profil zawodowy wokół jednego narzędzia. Przykładem jest praca mojej znajomej. Pracuje ona w jednej z warszawskich firm IT, gdzie dużo pracuje z agentami przy wytwarzaniu oprogramowania. Jej stanowisko zmienia nazwę. Nie można więc zaprzeczyć, że nie używa się metod sztucznej inteligencji.
Jednak jest też druga strona medalu. Osoba wchodząca do branży może uznać, że poznanie kilku modeli, platform automatyzacyjnych i zasad promptowania jest równoznaczne z posiadaniem kompetencji w obszarze AI. Problem pojawia się wtedy, kiedy technologia dojrzewa. To, co jeszcze wczoraj było osobną specjalizacją, jutro może stać się po prostu jedną z funkcji dostępnych w większości narzędzi.
GenAI rzeczywiście zostało przyjęte bardzo szybko
Warto przypomnieć, że jeszcze w 2019 roku, kiedy OpenAI prezentowało GPT-2, twórcy podchodzili do publikacji modelu bardzo ostrożnie. Ze względu na obawy dotyczące potencjalnych nadużyć, m.in. masowego generowania dezinformacji, spamu czy treści wprowadzających w błąd. Początkowo nie udostępniono pełnej wersji modelu, lecz zdecydowano się na stopniowe publikowanie coraz większych wariantów. OpenAI określało to jako staged release, czyli etapowe udostępnianie technologii połączone z obserwacją potencjalnych zagrożeń.
Z dzisiejszej perspektywy brzmi to niemal symbolicznie. Wtedy sama możliwość automatycznego generowania spójnego tekstu była traktowana jako technologia wymagająca szczególnej ostrożności. Kilka lat później generowanie tekstu, kodu, obrazów czy dokumentów stało się funkcją dostępną praktycznie każdemu użytkownikowi. To dobrze pokazuje, jak szybko przesunęła się społeczna granica tego, co uznajemy za „zaawansowaną AI”.
Trudno mówić o przesadnym zainteresowaniu GenAI, ignorując fakt, że jego adopcja była rzeczywiście wyjątkowo szybka. Bick, Blandin i Deming analizowali wykorzystanie generatywnej AI w reprezentatywnych badaniach mieszkańców Stanów Zjednoczonych. Pod koniec 2024 roku prawie 40% osób w wieku 18–64 lat deklarowało korzystanie z generatywnej AI, a około 23% zatrudnionych respondentów używało jej w pracy przynajmniej raz w ciągu poprzedniego tygodnia. Tempo adopcji było porównywalne z wczesnym rozpowszechnianiem komputerów osobistych, a ogólna adopcja przebiegała nawet szybciej niż w przypadku komputerów czy Internetu na podobnym etapie rozwoju technologii (Bick, Blandin & Deming, 2025). Autorzy szacowali, że generatywna AI wspierała wówczas zaledwie około 1–5% wszystkich godzin pracy. I właśnie tutaj zaczyna się różnica pomiędzy powszechnym korzystaniem z technologii a głęboką transformacją całego sposobu pracy.
Prompt engineer miał być zawodem przyszłości
Rozdzielmy sobie kilka rzeczy, aby dobrze zrozumieć to zjawisko. Generatywna AI jest częścią sztucznej inteligencji. LLM jest określonym typem modelu. Promptowanie jest metodą komunikowania się z takim systemem. Agent jest sposobem organizacji działania modeli oraz narzędzi. Ktoś musi zrozumieć ograniczenia modelu i fakt, że nie zawsze LLM-y będą rozwiązaniem na wszystko. Czasami lepiej sprawdzi się model uczenia maszynowego. W innych potrzebujemy metod optymalizacyjnych, przetwarzania obrazów, detekcji anomalii, szeregów czasowych albo zwyczajnego algorytmu, który rozwiąże problem szybciej, taniej i bardziej przewidywalnie. Nie mówiąc o tym, że nie każdy problem informatyczny potrzebuje sztucznej inteligencji. I chyba właśnie o tym rynek przez moment trochę zapomniał.
Chyba najlepszym przykładem tego zjawiska jest prompt engineering. Przez pewien czas stanowisko „prompt engineer” było przedstawiane niemal jako symbol nowej gospodarki opartej na AI. Doskonale pamiętam jego debiut na Pracuj.pl oraz wiele wątków na blogach programistów. W mediach pojawiały się informacje o niezwykle wysokich wynagrodzeniach, a Internet szybko wypełniły kursy uczące „zawodu przyszłości”. Zresztą, pokazywałam też te oferty moim studentom na zajęciach i prognozowaliśmy, ile to wszystko zajmie, aż bańka pęknie.
Przedstawię Wam też trochę inne spojrzenie na tę całą sytuację. Vu i Oppenlaender przeanalizowali w 2025 roku 20 662 oferty pracy związane z AI opublikowane na LinkedIn. Ile spośród nich dotyczyło stanowiska prompt engineer? Dokładnie 72. To mniej niż 0,5% analizowanych ofert. Co więcej, nawet te stanowiska nie wymagały wyłącznie umiejętności pisania promptów. Pracodawcy oczekiwali także wiedzy dotyczącej AI, komunikacji, kreatywnego rozwiązywania problemów i innych kompetencji uzupełniających (Vu & Oppenlaender, 2025). Trzeba tutaj zaznaczyć, że badanie jest preprintem i obejmuje określoną próbę ofert z LinkedIn, więc nie można na jego podstawie opisywać całego globalnego rynku pracy. Samo badanie pokazało nam ciekawą dysproporcję: widoczność pewnej kompetencji w dyskusji publicznej może być znacznie większa niż jej znaczenie jako samodzielnego zawodu.
Specjalizacja, która zjada własną przewagę
Zbliżamy się do miejsca problemu osób, które bardzo mocno związały swój rozwój zawodowy wyłącznie z GenAI. W 2023 roku stosunkowo niewiele osób potrafiło skutecznie pracować z dużymi modelami językowymi. Coś o tym wiem, bo w tym roku przeżywałam największy przesyt szkoleń i warsztatów, które przeprowadzałam. Znajomość promptów miała wartość, bo ważne było co wpisujesz w okno polecenia. To tak osoby, które były dobre przy wpisywaniu odpowiednich fraz w wyszukiwarce Google. Umiejętność połączenia modelu z kilkoma narzędziami automatyzacyjnymi miała wartość, a budowa prostego chatbota była interesującym projektem. Tylko zapomnieliśmy o jednej rzeczy. Technologie mają pewną nieprzyjemną właściwość: kiedy stają się łatwiejsze w obsłudze, sama umiejętność ich obsługi przestaje być silnym wyróżnikiem. Stąd też spadła liczba szkoleń z samego promptowania. To, co wcześniej wymagało specjalisty, stopniowo może być wykonywane przez użytkownika znającego własną dziedzinę i posiadającego podstawową wiedzę o AI. Paradoksalnie rozwój GenAI może więc zmniejszać wartość niektórych bardzo wąskich kompetencji związanych właśnie z GenAI. Krótko mówiąc - dziś prawie wszyscy potrafią promptować bez szkoleń.
Im lepsze modele, tym mniej imponujące staje się samo używanie modeli
Skoro już wcześniej wspomniałam o wyszukiwarkach, to nawiążę też do nich teraz. Na początku umiejętność sprawnego znajdowania informacji w Internecie rzeczywiście mogła wyróżniać pracownika. Dokładnie tak samo jest z osobami, które "ogarniają" modele językowe. Dzisiaj nikt raczej nie buduje kariery wokół hasła: "potrafię korzystać z Google", bo każdy z nas to potrafi. Serio! Wyszukiwanie stało się elementem pracy, a podobny proces może zachodzić obecnie z generatywną AI. Zresztą wyszukiwarka Google jest już połączona z modułem AI. Umiejętność korzystania z LLM prawdopodobnie nie zniknie. Jednak może stać się coś dużo gorszego: stanie się tak powszechna, że przestanie być samodzielną specjalizacją. Będzie czymś, czego oczekuje się od analityka, programisty, marketera, badacza, prawnika czy projektanta, zresztą podobnie jak dzisiaj oczekuje się umiejętności korzystania z wyszukiwarki, arkusza kalkulacyjnego czy narzędzi komunikacyjnych.
Badania sugerują, że ważniejsze stają się kompetencje wyższego rzędu
Gulati, Marchetti, Puranam i Sevcenko przeanalizowali oferty pracy publikowane przez 378 amerykańskich spółek, które rekrutowały osoby na stanowiska wykorzystujące narzędzia GenAI. Role związane z generatywną AI charakteryzowały się o 36,7% wyższymi wymaganiami dotyczącymi kompetencji poznawczych. Po pojawieniu się ChatGPT zwiększyło się również zapotrzebowanie na kompetencje społeczne w tych rolach. Autorzy interpretują wyniki jako wskazówkę, że adopcja GenAI nie eliminuje zapotrzebowania na kompetencje wyższego poziomu. Może wręcz zwiększać ich znaczenie (Gulati i in., 2025). Ale kierunek jest bardzo interesujący, bo przewagą nie jest „umiem używać GenAI", bo większość z nas je potrafi. Tylko „jestem specjalistą, który potrafi wykorzystać GenAI do rozwiązywania problemów w swojej dziedzinie”. To ogromna różnica.
Strategiczne przeszacowanie GenAI nie polegało na tym, że uwierzyliśmy w złą technologię
GenAI okazało się technologią niezwykle użyteczną, ale problem polega na czymś bardziej subtelnym. Przez moment część rynku zaczęła zachowywać się tak, jakby jedna gałąź AI miała zastąpić prawie całą resztę kompetencji potrzebnych do budowania systemów technologicznych. Nie zastąpiła i na pewno nie zastąpi. Przez chwilę każdy z nas zachłysnął się hypem na Gen AI. Nie ulega wątpliwości, że generatywna AI może pisać kod, ale ktoś nadal musi wiedzieć, czy ten kod ma sens. Może analizować dane, ale ktoś musi wiedzieć, jakie dane należy zebrać.Może proponować decyzje, ale ktoś musi rozumieć konsekwencje ich wdrożenia. Dlatego największym ryzykiem nie było wejście w GenAI. Największym ryzykiem było wejście w GenAI i zatrzymanie się właśnie tam. Najwięcej czasu (i nie tylko) tracą osoby, które stoją ciągle w miejscu. Nie pytaj siebie "czy znam wystarczająco Gen AI", ale "co właściwie potrafię zrobić poza nią i jak GenAI może Ci w tym pomóc?” To robi różnicę.
Literatura
Bick, A., Blandin, A., & Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER Working Paper No. 32966. National Bureau of Economic Research. https://doi.org/10.3386/w32966.
Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044.
Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, Articles in Advance. https://doi.org/10.1287/orsc.2025.21838.
Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting Work Patterns with Generative AI. NBER Working Paper No. 33795. National Bureau of Economic Research. https://doi.org/10.3386/w33795.
Gulati, P., Marchetti, A., Puranam, P., & Sevcenko, V. (2025). Generative AI Adoption and Higher Order Skills. arXiv preprint, arXiv:2503.09212.
Humlum, A., & Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper No. 33777, revised March 2026. National Bureau of Economic Research. https://doi.org/10.3386/w33777.
OECD. (2025). Generative AI and the SME Workforce: New Survey Evidence. OECD Publishing, Paris. https://doi.org/10.1787/2d08b99d-en.
Vu, A., & Oppenlaender, J. (2025). Prompt Engineer: Analyzing Hard and Soft Skill Requirements in the AI Job Market. arXiv preprint, arXiv:2506.00058.
Komentarze
Prześlij komentarz