Dostęp do narzędzia nie oznacza gotowości do pracy
Interfejs popularnej aplikacji AI sprawia wrażenie prostego. Wystarczy zadać pytanie albo dodać dokument, aby otrzymać odpowiedź. Ta łatwość obsługi może ukrywać trudniejsze decyzje. Pracownik musi ocenić, czy wolno mu przesłać materiał, czy narzędzie ma potrzebny kontekst i jak sprawdzić wynik. Nie zawsze wie też, kiedy zamiast kolejnej próby powinien zwrócić się do osoby odpowiedzialnej za temat.
Umiejętność wpisania polecenia jest więc tylko początkiem. Osoba przygotowująca ofertę powinna rozpoznać warunki, których nie wolno jej obiecać klientowi. Ktoś pracujący z arkuszem musi sprawdzić, czy obliczenie opiera się na właściwych kolumnach i jednostkach. W administracji ważne może być rozróżnienie informacji z dokumentu od sugestii modelu. Każde stanowisko potrzebuje innego zestawu praktycznych kryteriów.
Program szkolenia powinien opisywać kompetencje w języku pracy uczestnika. Zamiast obietnicy opanowania wielu aplikacji warto oczekiwać umiejętności wykonania zadania, rozpoznania błędu i podjęcia decyzji o użyciu rezultatu. Dzięki temu również przełożony może ocenić, czy rozwój kompetencji pomógł zespołowi, bez polegania wyłącznie na ankiecie satysfakcji po spotkaniu.
Zaczynaj od ról i zadań, które powracają
Przed wyborem programu warto zebrać przykłady czynności wykonywanych przez uczestników. Nie trzeba tworzyć rozbudowanej dokumentacji. Wystarczy poznać materiały wejściowe, oczekiwany wynik oraz problemy, które pojawiają się po drodze. Ważne jest też doświadczenie grupy. Osoby testujące już AI mają inne pytania niż te, które dopiero próbują zrozumieć podstawy działania modelu.
Wspólne szkolenie może wyrównać język organizacji i omówić zasady danych. Kolejne ćwiczenia powinny uwzględniać role. Zarząd potrzebuje oceny zastosowań, kosztów i odpowiedzialności. Sprzedaż pracuje z komunikacją i informacjami o kliencie. Administracja może częściej przygotowywać dokumenty i zestawienia. Łączenie wszystkich tych potrzeb w jednej demonstracji ogranicza czas na zadania, które każdy uczestnik rzeczywiście wykonuje.
Takie dopasowanie jest zgodne z kierunkiem wskazanym w raporcie OECD, BCG i INSEAD. Autorzy podkreślają znaczenie szkoleń na rzeczywistych projektach, systemach i danych właściwych dla danego obszaru biznesowego. To rekomendacja wynikająca z międzynarodowego opracowania, a nie gwarancja konkretnego efektu. Firma nadal musi określić własne zadania i sposób oceny ich wykonania.
Wspólne podstawy powinny obejmować ograniczenia AI
Na początku uczestnicy potrzebują zrozumieć, że model może tworzyć odpowiedź brzmiącą wiarygodnie, choć niepopartą materiałami. Powinni wiedzieć, że wynik zależy od kontekstu oraz że poprawność jednego zadania nie potwierdza poprawności następnego. Warto pokazać te ograniczenia na prostych przykładach z ich pracy, bez zbędnego zagłębiania się w architekturę techniczną.
Drugą częścią podstaw są zasady korzystania z informacji. Zespół musi wiedzieć, które środowiska zatwierdziła firma, jakie dane można w nich przetwarzać i kto odpowiada na pytania. Określenie „nie dodawaj danych wrażliwych” bywa niewystarczające. Potrzebne są przykłady: dokument pracownika, wewnętrzna marża, treść reklamacji, dane kontaktowe klienta lub publiczna instrukcja produktu.
Trzecim elementem jest odpowiedzialność za dalsze użycie. Jeśli model przygotowuje szkic, trzeba ustalić, kto zatwierdza treść przed wysłaniem. Jeśli narzędzie podsumowuje spotkanie, uczestnik powinien wiedzieć, jak sprawdzić przypisanie ustaleń. Szkolenie jest bardziej użyteczne, gdy łączy sposób wykonania zadania z zasadami kontroli i reagowania na pomyłkę.
Dobre polecenie zaczyna się od dobrze opisanego zadania
Uczestnik powinien umieć przekazać cel, potrzebne informacje i wymagania dotyczące wyniku. W praktyce oznacza to wyjaśnienie, kto będzie korzystał z odpowiedzi, jakie dane mają znaczenie i czego nie można dopowiadać. Nie trzeba zapamiętywać jednej formuły promptu. Ważniejsze jest rozpoznanie, czy model otrzymał materiał pozwalający wykonać konkretną pracę.
Przykładowe ćwiczenie może dotyczyć odpowiedzi na zapytanie klienta. Najpierw grupa określa, jakich informacji brakuje. Potem przygotowuje instrukcję, która pozwala napisać szkic na podstawie zatwierdzonej oferty i wskazać pytania do klienta. Na końcu ocenia rezultat. Taki przebieg pokazuje, że częścią zadania jest zauważenie braków, a nie wyłącznie stworzenie gotowej wiadomości.
Warto również ćwiczyć zmianę polecenia wtedy, gdy rezultat jest nieprzydatny. Pracownik powinien umieć nazwać problem: nieodpowiedni ton, zbyt ogólna treść, brak źródła lub pominięcie warunku. Jeśli zamiast tego prosi model wielokrotnie o „lepszą odpowiedź”, może tracić czas bez jasnego kryterium. Nauka iteracji wymaga wiedzy, co oznacza poprawa w danym zadaniu.
Ocena wyniku zasługuje na osobną część programu
W raporcie KPMG „Sztuczna inteligencja w Polsce” 45% pracowników z Polski deklarowało, że zazwyczaj lub zawsze sprawdza poprawność wyników AI. To wynik ankietowy, a nie obserwacja rzeczywistej jakości kontroli. Sugeruje jednak, że weryfikacji nie należy traktować jako umiejętności, którą uczestnicy automatycznie posiadają przed warsztatem.
Ćwiczenie powinno pokazywać również odpowiedź zawierającą błąd. Uczestnik porównuje ją z dokumentem, sprawdza liczby i zauważa treść bez uzasadnienia. Przy zadaniu analitycznym może odtworzyć obliczenie. W komunikacji ocenić, czy tekst zawiera nieuprawnione deklaracje. W wyszukiwaniu wiedzy sprawdzić, czy wskazane źródło rzeczywiście potwierdza odpowiedź i czy obowiązuje aktualna wersja.
Pracownik powinien zakończyć szkolenie z umiejętnością odmowy użycia niepewnego wyniku. To szczególnie ważne, gdy sprawa dotyczy klienta, pieniędzy albo danych osobowych. Trener powinien dać czas na omówienie takich decyzji. Prezentacja samych udanych przykładów tworzy wrażenie, że problemem jest wyłącznie technika pisania polecenia, a nie ocena treści.
Ćwiczenia firmowe wymagają przygotowania materiałów
Najbardziej przydatne zadania są podobne do rzeczywistej pracy, ale nie muszą zawierać prawdziwych danych klientów. Można przygotować próbki pozbawione identyfikatorów albo materiały syntetyczne odtwarzające strukturę sprawy. Ważne, aby zachować cechy decydujące o trudności: niejasne zapytanie, brakujący parametr, sprzeczne ustalenia lub konieczność wykorzystania kilku dokumentów.
Materiały warto uzgodnić przed szkoleniem, wraz ze środowiskiem ćwiczeń. Jeśli część grupy ma różne konta i dostęp do innych funkcji, trudno przeprowadzić wspólne zadanie. Tak samo problemy z logowaniem lub blokadą firmowej sieci mogą zabrać znaczną część czasu. Ustalenie dostępu, stanowisk i zasad pracy jest częścią przygotowania, za którą ktoś powinien odpowiadać.
Potrzebny jest również oczekiwany wynik ćwiczenia. Bez niego uczestnicy oceniają odpowiedzi głównie według stylu. Warto wcześniej uzgodnić wymagane informacje, dopuszczalne założenia i błędy wykluczające użycie. Materiał szkoleniowy może wtedy służyć później jako przykład dla nowego pracownika i punkt odniesienia podczas samodzielnych prób w dziale.
Co AI literacy oznacza dla organizacji
W aktualnych wyjaśnieniach Komisji Europejskiej dotyczących art. 4 AI Act podkreślono potrzebę działań wspierających kompetencje osób pracujących z systemami AI. Kontekst obejmuje ich wiedzę, doświadczenie, rolę oraz zastosowanie systemu. Nie należy więc traktować ogólnego kursu jako automatycznego potwierdzenia zgodności całej firmy z regulacją.
Praktyczny program powinien odpowiadać na ryzyko faktycznych zastosowań. Inne przygotowanie jest potrzebne do roboczej korekty tekstu, a inne do pracy z systemem wspierającym decyzje dotyczące ludzi. Przy opisie obowiązków warto sięgać do aktualnego tekstu AI Act w EUR-Lex. Zakres odpowiedzialności konkretnej organizacji zależy od jej roli i sposobu użycia systemów.
Dla zarządzającego oznacza to potrzebę połączenia szkoleń z ustaleniami organizacyjnymi. Wiedza pracownika nie zastąpi decyzji o dozwolonych narzędziach, dostępie do danych i zasadach zatwierdzania. Z kolei procedura bez przygotowania użytkowników może pozostać niezrozumiała. Oba elementy powinny rozwijać się razem i być aktualizowane, gdy zmienia się sposób wykorzystania AI.
Zaplanuj pracę po szkoleniu
Warto przed warsztatem ustalić, kto pomoże uczestnikom w pierwszych samodzielnych próbach. Nie musi to być nowy etat. Potrzebna jest osoba, która zbiera pytania, wskazuje właściwe materiały i przekazuje problem do odpowiedzialnego działu. Bez takiego punktu kontaktu pracownicy mogą porzucić użyteczne zastosowanie po pierwszej nieudanej odpowiedzi lub zacząć pracować na własnych zasadach.
Pierwszy miesiąc można przeznaczyć na ograniczoną liczbę uzgodnionych zadań. Użytkownicy zapisują, co pomogło, gdzie pojawiły się błędy i ile pracy wymagała kontrola. Spotkanie z trenerem lub przełożonym pozwala ocenić, czy potrzebna jest korekta instrukcji, dodatkowe ćwiczenie albo zmiana narzędzia. Ważne, aby doświadczenia nie pozostały wyłącznie w prywatnych rozmowach pracowników.
Firma może stopniowo tworzyć niewielką bazę sprawdzonych zastosowań. Każdy przykład powinien mieć opis celu, warunki użycia i osobę odpowiedzialną za aktualność. Warto usuwać instrukcje, które przestały działać, zamiast gromadzić coraz więcej promptów. Transfer wiedzy do pracy wymaga miejsca na ćwiczenia, informacji zwrotnej i jasnego zakresu samodzielności.
Przełożony również musi przygotować zmianę
Wdrożenie wiedzy może zatrzymać się na sposobie zarządzania. Pracownik nauczył się tworzyć szkic dokumentu z AI, lecz kierownik nadal oczekuje wykonania zadania dokładnie według wcześniejszej metody. Uczestnik nie wie, czy wolno korzystać z narzędzia i jak wyjaśnić jego udział. Dlatego przełożony powinien rozumieć zakres szkolenia, dopuszczone zastosowania i sposób oceny pracy po warsztacie.
Istotne jest zapewnienie czasu na pierwsze próby. Osoba obciążona bieżącymi sprawami może nie mieć możliwości porównania odpowiedzi, zapisania uwag i poprawienia instrukcji. Jeśli firma oczekuje natychmiastowego efektu bez takiej przestrzeni, wdrażanie wiedzy staje się dodatkowym obowiązkiem wykonywanym po godzinach. W planie warto przewidzieć ograniczony czas na eksperymenty w ramach uzgodnionych zadań i zasad danych.
Kierownik powinien też reagować na wynik, który pokazuje brak korzyści. Pracownik nie może mieć poczucia, że każda próba musi zakończyć się sukcesem, ponieważ firma zapłaciła za szkolenie. Informacja o kosztownej weryfikacji lub trudnym zadaniu jest przydatna. Może pomóc wybrać prostsze zastosowanie, przygotować materiały albo zrezygnować z użycia AI w danym fragmencie pracy.
Osobnym ryzykiem jest utrata rozumienia czynności. Gdy uczestnik korzysta z wygenerowanej odpowiedzi, warto czasem poprosić go o wyjaśnienie, dlaczego wynik jest właściwy. Nie chodzi o ponowne wykonanie całej pracy ręcznie przy każdej sprawie. Chodzi o zachowanie kompetencji potrzebnej do kontroli i rozpoznania wyjątku. Użytkownik powinien potrafić wskazać źródło ważnej informacji oraz założenia, od których zależy rezultat.
Firma może wzmacniać ten element przez wymianę przykładów między pracownikami. Doświadczona osoba pokazuje, gdzie model pominął warunek lub źle zinterpretował dokument. Mniej doświadczona wyjaśnia, jakie wskazówki pomogły jej wykonać zadanie. Takie rozmowy przenoszą wiedzę o jakości, która często pozostaje nieformalna. Warto zachować wybrane przypadki jako materiał do przygotowania nowych członków zespołu.
Praktyczne szkolenie powinno wspierać samodzielność, a nie zależność od odpowiedzi narzędzia. Zespół potrzebuje zarówno sprawnego sposobu wykonania zadania, jak i rozumienia jego sensu. Przełożony może pomóc, oceniając poprawność, decyzje i umiejętność pracy z ograniczeniami. Liczba wygenerowanych tekstów jest łatwa do policzenia, ale nie zastępuje takiej oceny.
Warto ustalić również sposób przygotowania nowej osoby, która dołączy do działu po zakończeniu warsztatu. Aktualne przykłady i reguły powinny wejść do wdrożenia pracownika. Dzięki temu kompetencje nie pozostają związane wyłącznie z uczestnikami jednego spotkania. Firma zachowuje wiedzę o zastosowaniach, ich ograniczeniach i warunkach kontroli także wtedy, gdy zmienia się skład zespołu.
Jak rozpoznać rezultat, za który warto zapłacić
Ocena programu powinna obejmować wykonanie zadania i zmianę sposobu pracy. Krótki test może sprawdzić znajomość zasad, lecz dopiero ćwiczenie pokaże, czy uczestnik potrafi przygotować materiał i ocenić odpowiedź. Po kilku tygodniach warto przyjrzeć się podobnym sprawom, liczbie poprawek i częstotliwości wykorzystania uzgodnionego zastosowania. Sama obecność na szkoleniu nie informuje o tych efektach.
Dobry rezultat może oznaczać krótsze przygotowanie dokumentu przy zachowaniu jakości. Może też polegać na wcześniejszym wykrywaniu błędów albo ograniczeniu użycia niezatwierdzonych narzędzi. Nie każda korzyść przekłada się bezpośrednio na zmniejszenie kosztu. Firma powinna opisać ją zgodnie z tym, co rzeczywiście zaobserwowała, i uwzględnić czas potrzebny na naukę oraz weryfikację.
Przy wyborze szkolenia AI dla zespołu warto więc rozmawiać o zadaniach, poziomie uczestników i dalszej pracy po warsztacie. Jeżeli główną potrzebą są dane i bezpieczne korzystanie, można sprawdzić zakres AI Safe. Program powinien kończyć się odpowiedzią na pytanie: co zespół potrafi teraz wykonać odpowiedzialnie i jak firma sprawdzi, że rzeczywiście z tej umiejętności korzysta?
Bibliografia
- OECD, BCG, INSEAD, „The Adoption of Artificial Intelligence in Firms”, 2025.
- KPMG, „Sztuczna inteligencja w Polsce. Krajobraz pełen paradoksów”, 2025, wyniki ankietowe dotyczące weryfikacji odpowiedzi.
- Komisja Europejska, „AI Literacy: Questions & Answers”, dostęp 12 października 2026 r.
- EUR-Lex, rozporządzenie (UE) 2024/1689, AI Act, tekst i dostęp do aktualnej wersji skonsolidowanej.