AI nie zastępuje zawodów. Zastępuje ich karykaturę.

Jest taki rodzaj paniki, który lubi chodzić elegancko ubrany. Zakłada garnitur z napisem „przyszłość pracy”, bierze teczkę z raportami McKinseya i siada przy stole konferencyjnym, żeby poważnie porozmawiać o tym, ile milionów ludzi straci pracę przez sztuczną inteligencję. Liczby lecą. Procenty straszą. Dziennikarze notują.

Nikt jednak przy tym stole nie zadaje pytania, które mnie dręczy od dłuższego czasu.

Czy te zawody, które mają zniknąć, były w ogóle wykonywane dobrze?

Nie pytam złośliwie. Pytam serio, bo odpowiedź na to pytanie zmienia wszystko – zarówno to, jak oceniamy zagrożenie ze strony AI, jak i to, czego tak naprawdę możemy się po niej spodziewać. Bo jeśli AI uczy się od ludzi, a ludzie w wielu zawodach robią to, co robią, na wpół przytomnie i na wpół rutynowo – to co właściwie ta AI przejmie? Jaką schedę po nich dziedziczy?

Zacznijmy od początku. I od telefonu, który wszyscy odbieramy z westchnieniem.

Telemarketer i wielki mit cold callingu

Wyobraź sobie zawód, który jest powszechnie znienawidzony przez klientów, frustrujący dla osób, które go wykonują, i który mimo to przetrwał dekady niemal bez zmian. Telemarketer dzwoni. Klient odkłada słuchawkę. Telemarketer dzwoni do kolejnego. Statystyki konwersji w zimnych telefonach wahają się od 1 do 3 procent. Firmy to akceptują, bo przy odpowiedniej skali nawet 1 procent daje liczbę. Ale nikt nie pyta, dlaczego ten wynik jest tak żałośnie niski.

Bo powód jest prosty: większość telemarketera to ludzie, którzy nie rozumieją produktu, który sprzedają, nie słuchają rozmówcy, czytają z kartki i mają tyle empatii co automat do kawy. Szkolenia? Zazwyczaj tydzień, dwa tygodnie, skrypt i „działaj”. Wiedza o cold callingu jako sztuce – o budowaniu napięcia w rozmowie, o znajdowaniu rzeczywistego problemu klienta, o umiejętności wyjścia poza szablon – to wiedza, której na polskim rynku niemal nie ma w ustrukturyzowanej, dostępnej formie.

I teraz wchodzi AI. Ma przejąć cold calling. Świetnie. Na podstawie czego?

Na podstawie milionów zapisów rozmów telefonicznych, w których ktoś czyta ze skryptu i dostaje odmowę? Na podstawie tych 1-3 procent sukcesów, które niekoniecznie były sukcesami dlatego, że rozmowa była dobra, tylko dlatego, że klient akurat tego dnia miał dobry humor? Garbage in, garbage out – to zasada, która w uczeniu maszynowym jest tak stara jak samo uczenie maszynowe. Jeśli karmisz model złymi danymi, dostajesz mądrzejszą wersję złych danych. Nie dostajesz objawienia.

Owszem, AI już dziś wykonuje proste połączenia, potwierdza wizyty, odpowiada na pytania. To nie jest cold calling – to obsługa skryptu, który człowiek wykonywał równie bezmyślnie. Prawdziwa sztuka sprzedaży przez telefon – czytanie między słowami, wychodzenie z inicjatywą, budowanie relacji w trzy minuty – to umiejętność, której nikt systemowo nie uczył i której AI nie ma od kogo podpatrzeć na rynku, gdzie ta umiejętność była rzadkością.

Więc czego się boimy? Że AI zastąpi kogoś, kto i tak nie wiedział, co robi?

Prawnik bez intuicji to tylko droga wyszukiwarka

Prawnicy są na każdej liście zawodów zagrożonych AI. I rozumiem, skąd to się bierze – duże modele językowe potrafią analizować dokumenty prawne, znajdować precedensy, streszczać orzeczenia, generować projekty umów. To robi wrażenie i rzeczywiście jest użyteczne.

Ale jest pewien problem z tym obrazkiem.

Prawo – szczególnie prawo w praktyce sądowej, negocjacyjnej, spornej – to nie jest dziedzina, w której wygrywa ten, kto zna więcej paragrafów. Wygrywa ten, kto rozumie konkretnego sędziego. Konkretnego prokuratora. Konkretną drugą stronę. Konkretny kontekst społeczny i polityczny, w którym sprawa się toczy.

Dobry adwokat to ktoś, kto wie, że przed tym składem sądu lepiej jest nie atakować biegłego, tylko go zjednoczyć. Kto wie, że ta konkretna prokurator jest wrażliwa na argumenty proceduralne, a tamten sędzia – na emocje rodziny. Kto potrafi w pół godziny wyczuć, że ugoda jest korzystniejsza niż wyrok, nawet jeśli na papierze masz rację. Kto rozumie klienta na tyle głęboko, żeby wiedzieć, czego ten klient tak naprawdę potrzebuje – bo to, co mówi, i to, czego chce, to często dwie różne rzeczy.

Tego AI nie ma i – w przewidywalnej przyszłości – nie będzie miała. Nie dlatego, że jest głupia. Dlatego, że ta wiedza nie jest zapisana. Nie ma jej w bazach orzeczeń. Nie siedzi w komentarzach do kodeksu. To jest wiedza przekazywana z adwokata na aplikanta przy kawie, po rozprawie, szeptem. To jest wiedza o ludziach, a nie o przepisach.

I tu znowu pojawia się ten sam problem co z telemarketerami, tylko przesunięty w górę drabiny. Bo przecież nie wszyscy prawnicy to ci błyskotliwi taktycy z serialu. Wielu z nich to właśnie ta droga wyszukiwarka – wypełniają dokumenty, piszą standardowe pisma, stosują szablony. Tę część AI rzeczywiście może przejąć. I słusznie. Ale mylenie tej części z całym zawodem jest błędem, który więcej mówi o nas niż o AI.

Programista, który nie myśli

Odważne zdanie, więc je powtórzę: duża część programistów nie rozwiązuje problemów. Kopiuje rozwiązania.

Stack Overflow przez lata był czymś w rodzaju największej na świecie bazy gotowych odpowiedzi, z których programiści korzystali bez głębokiego rozumienia tego, co wklejają. Teraz jest GitHub Copilot i ChatGPT, które robią to samo, tylko szybciej i bez konieczności przeszukiwania wątków. Model pracy nie zmienił się zasadniczo – zmienił się tylko dostawca gotowych fragmentów kodu.

Problem w tym, że programowanie – to prawdziwe, wartościowe programowanie – nigdy nie polegało na znajomości składni. Polegało na myśleniu o architekturze. Na rozumieniu, dlaczego coś działa, a nie tylko tego, że działa. Na umiejętności debugowania, kiedy rzeczy przestają działać w nieoczekiwany sposób. Na pisaniu kodu, który za rok będzie czytelny dla kogoś innego – albo dla siebie samego.

Wielu programistów, których rynek wchłonął w ciągu boomu ostatnich lat, tych umiejętności nie ma. Bootcamp, kurs online, pierwsza praca, CRUD aplikacja, kolejna praca. Nie mówię, że wszyscy – mówię, że wystarczająco wielu, żeby to był problem strukturalny. I znowu: AI, która uczy się na tym kodzie, uczy się na kodzie który często jest niechlujny, nieoptymalny, pełen technicznych długów zaakceptowanych w pośpiechu.

Dlatego kiedy słyszę, że „AI zastąpi programistów” – pytam: których? Tych, którzy potrafią zaprojektować system rozproszony pod konkretne wymagania biznesowe i przewidzieć, gdzie pojawią się wąskie gardła? Czy tych, którzy kopiują komponenty React ze Stack Overflow i modlą się, żeby działało na produkcji?

Bo te dwa zawody mają tę samą nazwę, ale to są dwie zupełnie różne prace.

Grafik, którego zastąpiono już dawno temu

Tu jestem może najbardziej bezlitosny, więc zaznaczam: mówię o pewnym wycinku branży, nie o wszystkich.

Wejdź na dowolny agregator stron internetowych i przewijaj. Minutę. Dwie. Pięć. Po jakimś czasie zaczyna się coś niepokojącego – wszystko wygląda tak samo. Te same duże nagłówki, ten sam biały margines, ta sama sekcja hero z fotografią stockową, ta sama siatka kart. Różnią się kolory. Może font. W zasadzie to jest to.

Oczywiście istnieje projektowanie graficzne, które jest sztuką – gdzie każdy piksel to decyzja, gdzie koncepcja jest spójna od brandingu przez packaging przez interfejs, gdzie wizualny język marki jest tak mocny, że rozpoznajesz ją bez logo. To jest trudne, rzadkie i bardzo wartościowe.

Ale obok tego istnieje przemysł szablonów. Strony internetowe klepane z Figmy do WordPressa. Materiały marketingowe generowane w Canvie. Identyfikacje wizualne, które są wypadkową aktualnych trendów i tego, co lubi klient, a nie tego, co jest właściwe. AI nie „zastępuje” tej pracy – ona ją przejęła i de facto była do niej zaproszona, bo skoro i tak pracy polegającej na kompilowaniu trendów nie odróżniamy od prawdziwego projektowania, to niech przynajmniej robi to szybciej.

Problem w tym, że AI uczy się estetyki od tych właśnie szablonów. I w kółko je odtwarza, tyle że sprawniej. Wszystko wygląda jeszcze bardziej tak samo.

Inne zawody, nad którymi nikt nie płacze – a może powinniśmy

Nauczyciel jako czytacz podręcznika

Mamy w Polsce poważny problem z jakością nauczania i wszyscy to wiemy, ale mówimy o tym tylko wtedy, gdy wyniki PISA są gorsze niż poprzednie. Znaczna część nauczycielskiej pracy w szkołach średnich sprowadza się do realizacji podstawy programowej. Czytasz temat, omawiacie, piszą sprawdzian. Powtarzasz rok po roku.

Dobry nauczyciel – taki, który zmienia życia i buduje pasje – to jest ktoś zupełnie inny. To jest mentor. To jest ktoś, kto widzi, że konkretne dziecko rozumie przez przykłady z piłki nożnej, a inne przez muzykę. Ktoś, kto potrafi tłumaczyć to samo pięcioma różnymi sposobami i wybrać właściwy dla właściwej osoby. AI-tutor jest dziś prawdopodobnie lepszy od przeciętnego nauczyciela prowadzącego klasę 30 uczniów – bo może być nieskończenie cierpliwy i adaptować tempo do każdego ucznia osobno.

Ale tu też jest ten sam paradoks: AI uczy się na podręcznikach. Na materiałach edukacyjnych. Na testach. A nie na tej nieuchwytnej relacji między nauczycielem a uczniem, która jest sercem prawdziwej edukacji.

HR-owiec jako filtr CV

Większość pracy działu HR w średnich firmach polega na tym, że ktoś patrzy na życiorys i decyduje, czy kandydat przejdzie dalej. To nie jest praca wymagająca głębokiej mądrości ludzkiej. To jest pattern matching z domieszką przesądów i intuicji, którą trudno uzasadnić. AI robi to samo i robi to szybciej.

Ale prawdziwy HR – budowanie kultury organizacyjnej, rozwiązywanie konfliktów w zespole, rozmowy o tym, dlaczego dobry pracownik zaczyna słabnąć – tego w algorytmie nie zamkniemy. Tego też niestety wiele działów HR nie robi, bo nie ma czasu, bo utknęło w Excelu z budżetem wynagrodzeń.

Dziennikarz jako przepisywacz informacji prasowych

Wielki kryzys mediów ma wiele przyczyn, ale jedną z nich jest to, że sporo dziennikarstwa przez ostatnie dwie dekady zamieniło się w przepisywanie komunikatów prasowych z drobną parafrazą. Content farm produkujące 50 artykułów dziennie nie produkują dziennikarstwa – produkują szum informacyjny. AI jest w tym szumie lepsza. Jest szybsza. Nie potrzebuje kawy.

Prawdziwe dziennikarstwo – dochodzeniowe, analityczne, oparte na źródłach, które trzeba latami budować – tego AI nie zastąpi. Bo nie ma dostępu do tych źródeł. Nie ma zaufania, które się buduje przez lata wspólnej pracy w terenie. Nie potrafi siedzieć na korytarzu w sądzie i czekać, aż ktoś coś powie.

Księgowy bez wiedzy doradczej

Rachunkowość jako mechaniczne wprowadzanie cyfr – tak, to jest praca dla automatyzacji i AI robi to coraz lepiej. Ale doradztwo podatkowe, planowanie podatkowe, rozumienie, jak zmiana struktury biznesowej wpłynie na obciążenia – to jest coś zupełnie innego. Tyle że wielu „księgowych” nigdy w życiu nie przeszło tej granicy.

Skąd AI ma wziąć wiedzę, której rynek nie wyprodukował?

To jest może najważniejsze pytanie tego felietonu i odpowiedź na nie jest brutalna: nie ma skąd.

Modele językowe uczą się na tym, co zostało zapisane. Na artykułach, rozmowach, dokumentach, poradnikach, transkryptach. Ale jeśli wiedza specjalistyczna w danej dziedzinie nie była zapisywana – bo była przekazywana ustnie, bo była traktowana jako przewaga konkurencyjna, bo po prostu nikt nie zadał sobie trudu jej skodyfikowania – to tej wiedzy w modelu nie ma.

I tu rodzi się problem, który widzę szczególnie wyraźnie, bo śledzę rynek narzędzi AI z bliska. Buduje się dziś setki produktów SaaS, które mają „rozwiązywać problemy” za pomocą AI. Funkcja jest: interfejs, integracje, API, dashboard. Ale merytoryka – co konkretnie ten produkt powinien wiedzieć o dziedzinie, w której działa – jest traktowana jak punkt drugi na liście, do ogarnięcia później, z ogólnych źródeł, z Wikipedii, ze zbioru artykułów wygrzebanych z Internetu.

Wyobraź sobie narzędzie AI do wspomagania sprzedaży, które ma nauczyć się cold callingu. Tylko że jego baza wiedzy to artykuły z bloga o sprzedaży, kilka książek z połowy lat 2000 i transkrypty rozmów telefonicznych, z których 97 procent kończyło się odmową. Co ten model będzie wiedział? Będzie wiedział, że cold calling to trudna sprawa i że warto być uprzejmym. Gratulacje.

„Budujemy narzędzia oparte na AI, które mają zastąpić ekspertów – ale nie pytamy ekspertów, co tak naprawdę robią. Pytamy ich, jak to wygląda z zewnątrz.” – Piotr Wolniewicz, Redakcja AIPORT.pl

To jest fundamentalny problem wiedzy ukrytej. Michael Polanyi, filozof nauki, pisał o tym już w latach pięćdziesiątych – „wiemy więcej niż potrafimy powiedzieć”. Ekspert radiolog, który patrzy na zdjęcie i mówi „coś tu jest nie tak”, zanim jeszcze jest w stanie wskazać co – to jest wiedza, której sam nie potrafi w pełni wyartykułować. Jak ma ją przekazać modelowi?

Odpowiedź brzmi: z ogromnym trudem i tylko wtedy, gdy ktoś temu poświęci poważną uwagę. Zbudowanie dobrego modelu AI w medycynie wymagało tysięcy radiologów opisujących swoje decyzje w sposób, który wcześniej nie był standardem. To nie było tanie ani szybkie.

Przy tworzeniu kolejnego „AI sales copilota” nikt tego wysiłku nie włożył. I widać to po wynikach.

Czy to nie za wcześnie na nekrologi?

Prognozy o końcu zawodów są stare jak mechanizacja. Krosna mechaniczne miały zniszczyć tkaczy – zniszczyły tkaczów tkających ręcznie, bo tkaczy tkających maszynowo potrzeba było nagle bardzo wielu. Automaty kasowe miały zniszczyć kasjerów – liczba kasjerów w Stanach Zjednoczonych przez dwie dekady po wprowadzeniu bankomatów rosła, bo banki otwierały więcej oddziałów.

Nie mówię, że AI nie zmieni rynku pracy. Zmieni, i to głęboko. Ale zmiana, która następuje, jest subtelniejsza i ciekawsza niż „zawód X znika”.

To, co znika, to najsłabsza wersja każdego zawodu. Ta, w której człowiek był de facto gorzej wykonującą maszyną – rutynowo, bez refleksji, bez twórczości, bez relacji. I to jest dobra wiadomość, jeśli umiemy ją tak czytać. Bo zostaje pytanie: co w tym zawodzie było naprawdę ludzkie, naprawdę wartościowe, naprawdę niemożliwe do zastąpienia?

Telemarketer, który słucha – zostaje. Prawnik, który taktykuje – zostaje. Programista, który projektuje – zostaje. Grafik, który ma koncepcję – zostaje. Nauczyciel, który zmienia życia – zostaje.

Problem w tym, że tych ludzi jest mniej niż myślimy. Bo rynek przez lata nie wymagał od nich bycia naprawdę dobrymi – wymagał bycia wystarczająco dobrymi. A AI podniosła poprzeczkę do poziomu, przy którym „wystarczająco dobry” już nie wystarczy.

I może to jest właśnie to, o czym powinniśmy rozmawiać. Nie „jak AI zabierze pracę”, tylko „dlaczego tak wielu ludzi przez tak długi czas mogło pracować poniżej swojego potencjału i jakoś to się kręciło”. Co było nie tak z rynkiem, który to akceptował? Co było nie tak z edukacją, która produkowała ludzi nieumiejących samodzielnie myśleć w swoim zawodzie?

AI jest symptomem diagnozy, której nie chcieliśmy postawić. Mówi nam: ta praca była robiona źle. Nie mówi nam: ta praca jest niepotrzebna.

Podsumowanie: lustro, w które nie chcemy patrzeć

Wrócę do tego elegancko ubranego strachu z początku. Siedzi przy stole i rozmawia o przyszłości pracy. I ma rację w jednej kwestii – AI zmienia wszystko. Ale myli się w drugiej, ważniejszej: myśli, że problem leży w AI.

Problem leży w nas. W tym, że przez dekady budowaliśmy rynki pracy oparte na certyfikatach, a nie na kompetencjach. Na obecności, a nie na efektach. Na tytułach, a nie na myśleniu. I teraz mamy narzędzie, które bardzo sprawnie robi to, co większość z nas robiła – tyle że taniej i bez urlopu.

Jeśli twoja praca polega na tym, żeby być żywym skryptem – to tak, powinieneś się bać. Ale jeśli twoja praca polega na myśleniu, relacjach, kontekście, intuicji zbudowanej przez lata – to AI jest twoim narzędziem, nie twoim zastępcą.

Pytanie tylko, czy wiesz, po której stronie tej granicy jesteś.

Bo większość z nas woli tego nie sprawdzać.

I to jest może największy problem – nie AI, która się uczy od nas złych rzeczy. Ale my, którzy boimy się zobaczyć, czego nas przez te lata naprawdę nauczyła.

Napisz w komentarzu, w jakim zawodzie pracujesz i jak uczciwie oceniasz jego przeciętny poziom. Jestem ciekaw, czy mam rację – a jeśli nie, chętnie dam się przekonać.