Krótka odpowiedź: samo szkolenie to za mało. Zespół zacznie korzystać z AI na co dzień, gdy AI wejdzie w jego codzienne zadania i stanie się nawykiem. Szkolenie jest w tym procesie jednym z pięciu kroków, nie całością. Jeśli szukacie konkretnego programu, przejdźcie od razu do tabeli szkoleń.
Punkt wyjścia w Polsce jest niski. W badaniu KPMG i University of Melbourne tylko 29% badanych z Polski zadeklarowało, że przeszło formalne lub nieformalne szkolenie z AI. To o 10 punktów procentowych mniej niż średnia globalna. Ankietę przeprowadził zespół University of Melbourne od listopada 2024 do połowy stycznia 2025 wśród 1082 respondentów z Polski.
Samo szkolenie też nie gwarantuje zmiany. W badaniu BCG „AI at Work 2025” (ponad 10 600 osób z 11 krajów) tylko 36% pracowników czuło się odpowiednio przeszkolonych z AI. Osoby, które dostały co najmniej pięć godzin szkolenia, znacznie częściej stawały się regularnymi użytkownikami, zwłaszcza gdy szkolenie było stacjonarne i z coachingiem.
To wynik ankiety, a nie eksperymentu, więc pokazuje związek, a nie przyczynę. Kierunek jest jednak czytelny: liczy się czas i praktyka, a nie jednorazowy webinar.
Jak nauczyć zespół korzystać z AI w pięciu krokach?
Proponujemy kolejność, w której każdy krok przygotowuje następny:
- Diagnoza zadań zespołu i jego gotowości na zmianę.
- Zasady pracy z AI: jakich danych nie wpisywać i co zatwierdza człowiek.
- Wybór 2-3 zastosowań dla każdego działu.
- Warsztat praktyczny na firmowych przykładach.
- Sprawdzenie efektu: testy, sesja kontrolna po kilku tygodniach i pomiar.
Jak wygląda wdrożenie AI w całej firmie, a nie tylko w jednym zespole, opisujemy na stronie Wdrożenie AI w firmie krok po kroku.
Od czego zacząć naukę AI w zespole?
Od diagnozy, a nie od wyboru narzędzia. Zanim kogokolwiek przeszkolicie, ustalcie dwie rzeczy: które zadania zajmują zespołowi najwięcej czasu i jak ludzie podchodzą do AI.
Pierwsze pytanie dotyczy pracy. Spiszcie powtarzalne zadania: raporty, maile do klientów, notatki ze spotkań, analizę dokumentów, przygotowanie ofert. Przy każdym zanotujcie, ile czasu zajmuje w tygodniu i kto je wykonuje.
Drugie pytanie dotyczy ludzi. Na przykład w jednym zespole jedna osoba może korzystać z ChatGPT od roku, a druga bać się, że AI zabierze jej pracę. Jedno szkolenie dla obu tych osób może być dla jednej za wolne, a dla drugiej za szybkie. Szybki test gotowości organizacji daje Kompas AI™: 24 pytania o ludzi, liderów i sposób pracy, około 7 minut, wynik od razu na ekranie. Test jest bezpłatny.
Jakie zasady pracy z AI ustalić przed szkoleniem?
Takie, które odpowiadają na trzy pytania: z jakich narzędzi korzystamy, jakich danych do nich nie wpisujemy i kto odpowiada za wynik. Pracownicy i tak sięgają po AI, często po cichu.
Pokazuje to raport KPMG. Prawie 90% osób korzystających z AI w pracy sięga po publicznie dostępne narzędzia. 55% badanych pracowników korzystających z AI nie ujawnia tego faktu i prezentuje wygenerowane treści jako własne. Regulacje dotyczące korzystania z AI istnieją w 39% miejsc pracy w Polsce, w których korzysta się z AI.
Podobne bariery widać w badaniu Andersa Humluma i Emilie Vestergaard (2025). Badacze przeanalizowali odpowiedzi 18 000 pracowników z Danii, reprezentujących 11 zawodów narażonych na zmiany związane z AI. Respondenci dostrzegali potencjał ChatGPT do zwiększania wydajności, ale w korzystaniu z narzędzia często przeszkadzały im ograniczenia pracodawców oraz przekonanie, że potrzebują szkolenia.
Sam zakaz nie wystarcza. W wynikach globalnych KPMG udostępnianie poufnych danych firmy lub klientów było dodatnio skorelowane z politykami zakazującymi lub ograniczającymi korzystanie z generatywnej AI. Według KPMG liczy się nie tylko sama polityka, ale też jej jasne uzasadnienie i skuteczne zakomunikowanie pracownikom.
Na start przyda się krótka lista:
- narzędzia dopuszczone w firmie i konta, z których korzystamy;
- dane, których nie wpisujemy: dane osobowe klientów, umowy, dane finansowe, tajemnice handlowe;
- rzeczy, które zawsze sprawdza człowiek przed wysłaniem: liczby, cytaty, decyzje wobec klienta;
- osoba, do której można przyjść z pytaniem „czy mogę to wrzucić do AI?”.
Omówcie te zasady na szkoleniu, na przykładach z Waszej pracy. Wtedy widać, gdzie dokładnie przebiega granica.
Jak wybrać pierwsze zastosowania AI dla działu?
Wybierzcie dwa lub trzy zadania na dział, które są częste, mają prosty sprawdzian jakości i nie wymagają danych poufnych. Lepiej, żeby zespół dobrze opanował trzy zastosowania, niż żeby słyszał o trzydziestu.
Dlaczego ważny jest prosty sprawdzian jakości? Ponieważ AI nie pomaga w każdym zadaniu tak samo. Fabrizio Dell’Acqua i współpracownicy (2026) przeprowadzili eksperyment z 758 pracownikami wiedzy we współpracy z Boston Consulting Group. Przy zadaniach mieszczących się w możliwościach GPT-4 uczestnicy korzystający z AI wykonywali średnio o 12,2% więcej zadań i kończyli je o 25,1% szybciej. Jakość ich rozwiązań również była wyższa. Jednak w wybranym złożonym zadaniu menedżerskim, które wykraczało poza możliwości AI, poprawne rozwiązania uzyskiwali o 19% rzadziej niż osoby pracujące bez AI. To wynik tego konkretnego eksperymentu, ale dobrze pokazuje, dlaczego przy wyborze zastosowań trzeba sprawdzać nie tylko szybkość, lecz także poprawność.
Przykłady dobrych pierwszych zastosowań:
- sprzedaż: pierwsza wersja oferty na podstawie notatki ze spotkania;
- HR: ogłoszenie o pracę i pytania na rozmowę rekrutacyjną;
- obsługa klienta: szkice odpowiedzi na powtarzające się pytania;
- menedżerowie: podsumowanie długiego dokumentu lub raportu przed spotkaniem.
Każde zastosowanie zapiszcie w jednym zdaniu: „Zamiast X robimy Y z pomocą AI, a wynik sprawdza Z”. Te zdania staną się materiałem na warsztat i punktem odniesienia przy pomiarze.
Jak powinien wyglądać warsztat AI dla zespołu?
Warsztat powinien opierać się na zadaniach Waszej firmy, a nie na ogólnych przykładach. Uczestnicy powinni pracować na swoich przypadkach użycia i wyjść z gotowymi promptami, których użyją następnego dnia.
W eksperymencie Shakkeda Noya i Whitney Zhang (2023) 453 specjalistów wykonywało zadania pisarskie związane ze swoimi zawodami. Losowo wybrana połowa miała dostęp do ChatGPT. W tej grupie średni czas wykonania zadania był o 40% krótszy, a jakość oceniono o 18% wyżej. Osoby, które używały ChatGPT podczas eksperymentu, dwa razy częściej deklarowały korzystanie z niego w pracy po dwóch tygodniach i 1,6 raza częściej po dwóch miesiącach. Nie było to badanie skuteczności szkolenia. Pokazuje jednak, że doświadczenie pracy z narzędziem na konkretnym zadaniu może mieć znaczenie także dla jego późniejszego używania.
Na co zwrócić uwagę:
- mała grupa: u nas do 12 osób, żeby każdy przećwiczył swoje zadanie, a nie tylko patrzył na ekran prowadzącego;
- wystarczający czas: jeden dzień (8 godzin) na start albo dwa dni (16 godzin) dla zespołu, który ma pracować z AI codziennie;
- bezpieczeństwo psychologiczne: ludzie muszą móc zadać „głupie” pytanie i przyznać się do błędu. Amy Edmondson (1999) zbadała 51 zespołów w firmie produkcyjnej. Wspólne przekonanie, że w zespole można bezpiecznie podjąć takie ryzyko, szło w parze z uczeniem się zespołu, a przez nie z lepszymi wynikami;
- krytyczne myślenie po stronie człowieka: uczcie pracy z AI w sposób, który nie zastępuje samodzielnej oceny wyniku. W eksperymencie Hamsy Bastani i współpracowników (2025) blisko tysiąc licealistów rozwiązywało zadania matematyczne z pomocą GPT-4. Po odebraniu nieograniczonego dostępu do narzędzia wyniki jednej z grup były o 17% gorsze niż u uczniów, którzy nie mieli do niego dostępu. Wariant AI z zabezpieczeniami dydaktycznymi w dużej mierze ograniczał ten efekt. Badanie dotyczyło nauki matematyki w szkole, a nie pracowników firm. Osobno Hao-Ping Lee i współpracownicy (2025) przebadali ankietowo 319 pracowników umysłowych. Wyższa deklarowana ufność wobec AI wiązała się u nich z mniejszym wysiłkiem wkładanym w krytyczną ocenę odpowiedzi. To związek zaobserwowany w ankiecie, a nie dowód, że AI samo w sobie osłabia krytyczne myślenie;
- materiały po szkoleniu, do których można wrócić przy pierwszym samodzielnym zadaniu.
Jak sprawdzić, czy zespół naprawdę korzysta z AI po szkoleniu?
Patrzcie na to, jak zmieniła się praca, a nie na liczbę licencji czy logowań. Licencja mówi, że ktoś ma dostęp. Logowanie mówi, że otworzył narzędzie. Żadne z nich nie mówi, czy zadanie trwa krócej albo jest zrobione lepiej. Szerzej piszemy o tym w artykule Governance AI a ROI.
Prosty plan pomiaru:
- przed szkoleniem: zmierzcie czas i jakość wybranych zadań, na przykład ile trwa przygotowanie oferty;
- zaraz po: krótki test praktyczny na prawdziwym zadaniu, a nie quiz z definicji;
- po 4-6 tygodniach: sesja kontrolna z zespołem. Co działa, gdzie ludzie wrócili do starego sposobu pracy i dlaczego. Ten termin jest naszą rekomendacją organizacyjną, nie wynikiem konkretnego badania;
- na koniec: porównanie z punktem wyjścia i decyzja, które zastosowanie rozszerzyć na kolejne osoby.
Sesja kontrolna to nie formalność. Nicholas Cepeda i współpracownicy (2006) przeanalizowali 317 eksperymentów ze 184 publikacji o efekcie rozłożenia nauki w czasie. Wyniki pokazały, że najlepszy odstęp między sesjami nauki rośnie wraz z tym, jak długo materiał ma zostać w pamięci. Badania dotyczyły zapamiętywania materiału słownego, a nie pracy z AI. Wniosek dla szkoleń: jeśli zespół ma pamiętać nowe umiejętności za kilka miesięcy, a nie tylko za tydzień, warto wrócić do tematu po kilku tygodniach.
Warto też sprawdzić, czego uczestnicy rzeczywiście się nauczyli. Allison E. Connell Pensky i współpracownicy (2026) przeprowadzili eksperyment z udziałem 1368 studentów z 65 grup zajęciowych, losowo przypisanych do 90-minutowych modułów online z ćwiczeniami lub grupy kontrolnej. Moduły poprawiły wiedzę o AI, umiejętność pisania promptów, weryfikowania faktów i źródeł oraz poczucie własnej skuteczności. Nie wykazano jednak poprawy w krytycznej ocenie potencjalnej stronniczości odpowiedzi AI. To nie oznacza, że każde krótkie szkolenie ma taki sam efekt, ale przypomina, by kompetencje sprawdzać osobno, zamiast zakładać, że po ukończeniu kursu uczestnicy opanowali je wszystkie.
Jakie szkolenie AI wybrać dla zespołu?
Takie, które pasuje do poziomu i roli uczestników. Inne potrzeby ma zespół, który nie korzystał jeszcze z AI, inne menedżerowie prowadzący zmianę, a jeszcze inne osoby budujące asystentów AI. Tabela pokazuje, który program Polskiej Szkoły AI pasuje do jakiej sytuacji.
| Sytuacja zespołu | Program | Czas i poziom |
|---|---|---|
| Podstawowe kompetencje cyfrowe, potrzeba bezpieczeństwa w sieci i pierwszych rozmów z AI | Bezpieczny Start z AI | 1 dzień, podstawowy |
| Brak doświadczenia z AI, obawy przed nowym narzędziem | AI dla Każdego | 1 dzień, podstawowy |
| Cały zespół zaczyna i potrzebuje solidnych podstaw: prompty, narzędzia, ochrona danych | ABC Sztucznej Inteligencji | 2 dni, podstawowy |
| Zespół korzysta już z AI, ale na różnym poziomie, i chce pracować na własnych przypadkach użycia | Praktyczne wykorzystanie AI w pracy zespołów | 2 dni, dopasowany do grupy |
| Specjaliści i menedżerowie: research, analiza dokumentów, komunikacja | AI w pracy specjalistów i menedżerów | 2 dni, dopasowany do grupy |
| Zespoły marketingu, contentu, social media i komunikacji | Szkolenie ChatGPT dla zespołu marketingu | 1 dzień (8 h) lub 2 dni (16 h), dopasowany do grupy |
| Menedżerowie działów, którzy mają poprowadzić zespół przez zmianę | AI w praktyce pracy zespołów | 2 dni, dopasowany do grupy |
| Opór lub ambiwalencja wobec AI, potrzeba krytycznej oceny wyników AI | Postawa wobec AI i adaptacja do zmiany | 2 dni, dopasowany do grupy |
| Liderzy i kadra zarządzająca, którzy wprowadzają AI do pracy zespołów | Lider w Erze AI | 1 dzień (8 h) lub 2 dni (16 h), tylko stacjonarnie |
| Osoby, które na co dzień pracują z ChatGPT i chcą wejść w asystentów i funkcje agentowe | ChatGPT zaawansowany, asystenci i agenci AI | 2 dni, średniozaawansowany |
| Zespoły usprawniające procesy, które chcą zbudować własnych asystentów AI | Projektowanie i budowa asystentów AI | 1 dzień, średniozaawansowany |
| Trenerzy i firmy szkoleniowe | AI w praktyce trenerskiej i szkoleniowej | 2 dni, dopasowany do grupy |
Każdy program prowadzimy online lub stacjonarnie (poza Liderem w Erze AI), w grupach do 12 osób. Każdy uczestnik dostaje materiały poszkoleniowe i imienny certyfikat. Nie publikujemy jednego cennika, bo wycena zależy od programu, formy i liczby grup. Współpracujemy z firmami, które pomagają pozyskać dofinansowanie, m.in. z Krajowego Funduszu Szkoleniowego i Bazy Usług Rozwojowych. Pełny opis programów znajdziecie na stronie Szkolenia AI dla firm.
Dlaczego zespoły po szkoleniu wracają do starych nawyków?
Bo szkolenie zmienia wiedzę, a zachowanie w pracy prowadzą w dużej mierze nawyki. Wendy Wood i David Neal (2007) opisują nawyki jako reakcje uruchamiane automatycznie przez wskazówki z otoczenia. W pracy może to być to samo biurko, ta sama skrzynka mailowa, ta sama pora dnia. W ich modelu nawyk nie zmienia się wyraźnie pod wpływem bieżących celów ani rzadkich prób zrobienia czegoś inaczej. Szkolenie daje nowy cel, ale otoczenie pracy zostaje to samo.
Gdy brakuje sił na pilnowanie się, nawyki biorą górę. David Neal i współpracownicy (2013) przeprowadzili pięć badań: dwa terenowe, dwa laboratoryjne i jedno korelacyjne. Pokazali, że gdy zasoby samokontroli są wyczerpane, ludzie częściej powtarzają swoje nawyki, i te dobre, i te złe. W praktyce może to oznaczać, że w tygodniu z ciężkim terminem zespół odłoży AI i zrobi raport „po staremu”. Dopiero gdy praca z AI sama stanie się nawykiem, ten sam mechanizm zacznie działać na Waszą korzyść.
Ile trwa budowanie nawyku? Sprawdzili to Phillippa Lally i współpracownicy z University College London (2010). W ich badaniu 96 ochotników wybrało jedno proste zachowanie, które mieli wykonywać codziennie przez 12 tygodni w tym samym kontekście, na przykład „po śniadaniu”. Dojście do 95% maksymalnego dla danej osoby poziomu automatyzmu trwało od 18 do 254 dni. Pojedynczy pominięty dzień nie zaburzał procesu.
Badanie dotyczyło prostych zachowań związanych z jedzeniem, piciem i ruchem, a nie pracy z AI. Traktujcie je więc jako wskazówkę kierunku, a nie normę dla Waszego zespołu.
Liczy się też to, co dzieje się w firmie po szkoleniu. Brian Blume i współpracownicy (2010) przeanalizowali 89 badań o przenoszeniu wiedzy ze szkolenia do pracy. Takie przenoszenie wiązało się m.in. z motywacją uczestników i ze wspierającym środowiskiem pracy.
Tę samą logikę porządkuje model ADKAR firmy Prosci, opisany przez Jeffreya Hiatta w książce z 2006 roku. To model praktyków zarządzania zmianą, a nie wynik badania naukowego. Trwała zmiana wymaga w nim pięciu elementów: świadomości, po co się zmieniamy, chęci, wiedzy, umiejętności i utrwalenia. Z perspektywy tego modelu szkolenie odpowiada głównie za wiedzę i część umiejętności, a reszta dzieje się przed nim i po nim.
Co pomaga utrwalić nowy nawyk:
- plan „jeśli X, to Y”: na przykład „jeśli kończę spotkanie z klientem, to notatkę porządkuję z AI”. Metaanaliza Petera Gollwitzera i Paschala Sheerana (2006), obejmująca 94 niezależne testy, wykazała, że takie plany mają średni do dużego pozytywny wpływ na realizację celów;
- lider, który wspiera i sam korzysta: w badaniu BCG tylko 25% pracowników pierwszej linii mówiło, że ich liderzy dają wystarczające wskazówki dotyczące AI;
- miejsce na pytania: krótka cotygodniowa wymiana w zespole „co mi zadziałało, a co nie”. Edmondson (1999) wiązała bezpieczeństwo psychologiczne z uczeniem się zespołu, więc zadbajcie, by o tym, co nie zadziałało, dało się mówić bez obaw;
- cierpliwość na starcie: nie rozliczajcie zespołu z oszczędności czasu od pierwszego dnia. Nawyk potrzebuje powtórzeń, a w badaniu Lally i współpracowników nawet pojedynczy pominięty dzień nie przekreślał postępów.
Dla liderów, którzy prowadzą tę zmianę, przygotowaliśmy szkolenie Lider w Erze AI. Łączy ono psychologię zmiany i model ADKAR ze strategią wdrożenia.
Źródła
- Edmondson A. (1999), „Psychological Safety and Learning Behavior in Work Teams”, Administrative Science Quarterly 44(2), s. 350-383
- Wood W., Neal D. T. (2007), „A new look at habits and the habit-goal interface”, Psychological Review 114(4), s. 843-863
- Neal D. T., Wood W., Drolet A. (2013), „How do people adhere to goals when willpower is low? The profits (and pitfalls) of strong habits”, Journal of Personality and Social Psychology 104(6), s. 959-975
- Lally P., van Jaarsveld C. H. M., Potts H. W. W., Wardle J. (2010), „How are habits formed: Modelling habit formation in the real world”, European Journal of Social Psychology 40(6), s. 998-1009
- Cepeda N. J., Pashler H., Vul E., Wixted J. T., Rohrer D. (2006), „Distributed practice in verbal recall tasks: A review and quantitative synthesis”, Psychological Bulletin 132(3), s. 354-380
- Blume B. D., Ford J. K., Baldwin T. T., Huang J. L. (2010), „Transfer of Training: A Meta-Analytic Review”, Journal of Management 36(4), s. 1065-1105
- Gollwitzer P. M., Sheeran P. (2006), „Implementation Intentions and Goal Achievement: A Meta-analysis of Effects and Processes”, Advances in Experimental Social Psychology 38, s. 69-119
- KPMG w Polsce i University of Melbourne (2025), „Sztuczna inteligencja w Polsce. Krajobraz pełen paradoksów”, lipiec 2025, s. 4, 11, 22, 26 i 31
- Boston Consulting Group (2025), „AI at Work 2025: Momentum Builds, But Gaps Remain”, czerwiec 2025
- Humlum A., Vestergaard E. (2025), „The unequal adoption of ChatGPT exacerbates existing inequalities among workers”, Proceedings of the National Academy of Sciences 122(1), e2414972121
- Dell’Acqua F., McFowland E., Mollick E. i in. (2026), „Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality”, Organization Science 37(2), s. 403-423
- Noy S., Zhang W. (2023), „Experimental evidence on the productivity effects of generative artificial intelligence”, Science 381(6654), s. 187-192
- Bastani H., Bastani O., Sungu A. i in. (2025), „Generative AI without guardrails can harm learning: Evidence from high school mathematics”, Proceedings of the National Academy of Sciences 122(26), e2422633122
- Lee H.-P., Sarkar A., Tankelevitch L. i in. (2025), „The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers”, Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, s. 1-22
- Connell Pensky A. E., Eckstein L. E., Melville M. C. i in. (2026), „Can asynchronous learning modules about generative AI increase students’ knowledge, skills, and self-efficacy for genAI?”, Computers & Education 250, 105640
- Hiatt J. M. (2006), „ADKAR: A Model for Change in Business, Government and Our Community”, Prosci Research, ISBN 978-1-930885-50-9 (model praktyczny, nie badanie naukowe)
