Dwa obciążenia mózgu i pętla błędnych diagnoz
Nie każde obciążenie mózgu jest kosztem. Co badanie MIT Sloan Management Review mówi o nieudanych wdrożeniach i jakich kompetencji nie zastąpi narzędzie.
Znana scena: organizacja wdraża cyfrowe narzędzie, które miało usprawnić proces, a efektów brak. Ludzie, którzy mieli z niego korzystać, mówią, że nie rozwiązuje ich problemu albo że dodaje im pracy. Menedżer szybko znajduje winnego: opór przed zmianą. Świeże badanie opisane w MIT Sloan Management Review pokazuje, dokąd prowadzi ten odruch - wprost w pętlę błędnych diagnoz (źródło).
Odkrycie z badań: nie każde obciążenie mózgu jest kosztem
Zespół Curtisa A. Merriweathera Jr. przebadał 564 praktykujących lekarzy z 32 specjalizacji, by sprawdzić, jak jakość danych, projekt systemu i przeciążenie informacyjne wspólnie kształtują obciążenie poznawcze przy pracy z elektroniczną dokumentacją medyczną w decyzjach wysokiej stawki (źródło). Medycynę wybrano jako najlepiej udokumentowane środowisko pracy wiedzy pod presją poznawczą i czasową, ale autorzy podkreślają, że ujawnione mechanizmy nie są unikatowe dla medycyny.
Wynik ma dwa piętra. Po pierwsze, użyteczność danych - jakość, kompletność i trafność informacji - oraz użyteczność systemu, czyli projekt interfejsu, wpływają na obciążenie poznawcze zupełnie różnymi mechanizmami i zawodzą na różne sposoby. To nie dwa wymiary jednego problemu, lecz dwa osobne problemy wymagające osobnej diagnozy i osobnych inwestycji; poprawa jednego nie poprawia drugiego (źródło). Po drugie, co zaskakuje: lepsza użyteczność danych zwiększa obciążenie germane.
Żeby zrozumieć ten wynik, trzeba znać trzy rodzaje obciążenia poznawczego, czyli tego, ile pracy musi wykonać nasz umysł. Podział pochodzi z teorii obciążenia poznawczego Johna Swellera. Obciążenie wewnętrzne wynika z trudności samego zadania. Obciążenie zbędne bierze się z tego, jak źle podano informacje: z zagmatwanego formularza, z szukania danych na kilku ekranach, z filtrowania szumu. Obciążenie germane (po polsku: istotne) to wysiłek, który idzie na samo rozumienie: łączenie faktów, budowanie w głowie obrazu sytuacji, uczenie się. To obciążenie „dobre”: męczy, ale buduje zrozumienie. Moja interpretacja jest taka, że gdy dane są rzetelne i trafne, lekarz mniej walczy z systemem, a więcej myśli o pacjencie, więc rośnie ta część wysiłku, która ma sens. Uczciwie dodam, że opisany tekst nie definiuje tego pojęcia, więc to moje uproszczone wyjaśnienie, a sama teoria jest wśród badaczy dyskutowana. Zwykle pytamy, ile obciążenia zgłaszają ludzie. Tu pytanie jest inne: jakie obciążenie trafia do mózgu i którą drogą. Od tej diagnozy zależy, czy po nieudanym wdrożeniu kupimy szkolenie z zarządzania zmianą, czy przeprojektujemy system.
Zespół i produkt: pętla błędnych diagnoz
Badanie opisuje mechanizm, który nazwałabym pętlą błędnych diagnoz. Gdy cyfrowa inwestycja nie dowozi, organizacje niemal rutynowo winią wdrożenie, niewystarczające szkolenie albo kryzys zarządzania zmianą. Dopóki nikt nie odróżnia awarii jakości danych od awarii projektu systemu, postmortem nie wskaże prawdziwej przyczyny. Korygująca inwestycja trafia więc w zły problem, po czym pojawia się kolejny system niedostarczający wartości - i kolejna błędna diagnoza (źródło).
Ten odruch ma nazwę także w nauce o zachowaniu. W 2022 roku Nick Chater i George Loewenstein wywołali debatę i-frame kontra s-frame, argumentując, że aplikowana nauka o zachowaniu przez dekadę skupiała się na wpływie na jednostkę, a za mało na systemach, w których jednostka działa - przez co interwencje przynosiły mniej, niż obiecywano, a uwaga odpływała od rozwiązań systemowych (źródło). Obwinianie zespołu o opór przed wdrożeniem to i-frame w czystej postaci: diagnoza ląduje w głowach ludzi, a nie w architekturze danych i procesów.
Dwa przykłady z interakcji człowiek-technologia pokazują stawkę. Pierwszy z rynku konsumenckiego: około połowa dorosłych Amerykanów nigdy nie korzysta z chatbotów, wśród osób 65 plus odsetek ten sięga 77 procent, a nie-użytkownicy najczęściej wskazują brak zainteresowania oraz obawy o prywatność i trafność odpowiedzi; to sondaż 5119 dorosłych przeprowadzony 17-23 lutego 2026 roku (źródło). Wniosek, jaki z tego wyciągam: zanim ogłosimy opór pracowników, sprawdźmy, czy narzędzie rozwiązuje rzeczywisty problem - brak adopcji bywa najuczciwszym feedbackiem produktowym.
Drugi przykład z frontu AI. W badaniu NN/g doświadczeni użytkownicy Claude wydawali więcej wysiłku na budowanie i utrzymanie bibliotek kontekstu niż na samo formułowanie promptów; każdy improwizował własny proces, pliki kontekstowe się starzeją, a decyzja, co zachować, gdzie trzymać i kiedy aktualizować, spada wyłącznie na człowieka (źródło). Agent może pisać za nas, ale kuratorstwo wiedzy pozostaje po naszej stronie. Dobra wiadomość jest projektowa: nowy Siri AI, wdrażany w becie od 14 września 2026 roku, w testach NN/g pokazuje, że dostęp asystenta do osobistego kontekstu - wiadomości, zdjęć, planów - zmniejsza wysiłek użytkownika, bo przestaje on sam szukać informacji i wklejać je do rozmowy (źródło).
Ta sama pętla działa na poziomie całej firmy. Hiszpańska ustawa Rider z 2021 roku wprowadziła domniemanie zatrudnienia kurierów, gdy platforma organizuje, kieruje lub kontroluje ich pracę, również przez zarządzanie algorytmiczne. Glovo sięgnęło po minimalną zgodność: przeprojektowano aplikację tak, by kurierzy mogli się dowolnie logować, odrzucać zlecenia bez jawnych kar i wybierać dzienny mnożnik stawki. Trzy lata później firma wraz z Delivery Hero ogłosiła zatrudnienie około 15 tysięcy kurierów w Hiszpanii, a po drodze przyszły protesty, narastające kary ze stosunku pracy i sprawa karna (źródło). Autorzy nazywają to algorytmiczną pułapką zgodności: wąskie łatki zachowują model biznesowy, ale rozszerzają powierzchnię audytu i dokładają wewnętrznej złożoności. W języku biologii pracy: każda łatka zamiast przeprojektowania kupuje złożoność, którą ktoś w zespole musi nosić w głowie.
Kompetencje przyszłości: trenuj to, czego narzędzie nie zrobi samo
W 34 z 37 badanych krajów ludzie częściej oczekują, że sztuczna inteligencja doprowadzi do mniejszej, a nie większej liczby miejsc pracy, a mediana udziału dorosłych bardziej podekscytowanych niż zaniepokojonych AI to ledwie 13 procent (źródło). W takim klimacie rośnie premia za kompetencje, których model nie powieli sam z siebie. Cztery trenowałabym w pierwszej kolejności.
Diagnoza krytyczna. Nawyk z gabinetów lekarskich: zanim zareagujesz, zapytaj, czy to problem danych, czy problem systemu (źródło). Dopełnia go pytanie z debaty behawioralnej: czy naprawiamy człowieka, czy system, w którym człowiek działa (źródło)? To ćwiczenie krytycznego myślenia wymaga wzięcia odpowiedzialności za interpretację, a nie tylko wygenerowania odpowiedzi.
Pokora poznawcza. Chromostereopsja sprawia, że większość ludzi widzi czerwień i błękit na jednym obrazie tak, jakby leżały na różnych głębokościach, a mniejszość widzi odwrotnie; to prawdziwa iluzja stereoskopowa, która znika po zamknięciu jednego oka, a jej mechanizm wciąż nie jest w pełni zrozumiany (źródło). Skoro tak elementarne doświadczenie, jak głębia na statycznym obrazie, różni się między ludźmi, tym bardziej różnią się interpretacje pulpitu z danymi. Praktyczny trening: przed decyzją poproś każdego w zespole, by powiedział, co widzi w danych, zanim powiesz, co widzisz ty.
Empatia warsztatowa. Empatię można ćwiczyć jak procedurę, a nie tylko deklarować jako wartość. Mapa empatii porządkuje wiedzę o użytkowniku w czterech kwadrantach - Says, Thinks, Does, Feels - a szczególnej uwagi wymaga Thinks: to, co użytkownik myśli, ale nie powie na głos (źródło). Mapę można naszkicować przed badaniami, ale wtedy jest zbiorem hipotez, więc każdą notatkę bez źródła trzeba oznaczyć jako założenie. W tym rozróżnieniu siedzi cała wartość ćwiczenia: przy każdej notatce na mapie pytaj, czy to cytat z rozmowy z użytkownikiem, czy projekcja zespołu. Empatia zapisana jako procedura przestaje być deklaracją i staje się zestawem pytań kontrolnych.
Rezyliencja przez próbę generalną. W lipcu 2024 roku CrowdStrike wypchnął rutynową aktualizację z błędem: w ciągu 78 minut, zanim pojawiła się łatka, padło 8,5 miliona urządzeń Windows, a koszt dla firm z listy Fortune 500 oszacowano - według jednej z analiz - na 5,4 miliarda dolarów (źródło). Pół roku wcześniej ransomware wszedł do Change Healthcare przez portal pozbawiony uwierzytelniania wieloskładnikowego, a koszty dla UnitedHealth w samym pierwszym półroczu 2024 roku przekroczyły 2 miliardy dolarów. Tymczasem już w 2022 roku 70 procent najwyższych kierowników technologicznych w dużych przedsiębiorstwach eksplorowało lub inwestowało w bliźniaki cyfrowe - a niewiele firm używa ich do ćwiczenia reakcji na kryzys, choć, jak podkreśla autor, luka nie jest technologiczna. Rezyliencja zespołu to nie wytrzymałość, lecz przećwiczona reakcja. Z badań nad reakcjami na epidemie płynie przy tym ostrzeżenie: percepcja ryzyka słabo śledzi realne zagrożenie - zaskakujące niebezpieczeństwa przeceniamy, a do narastających przyzwyczajamy się jak do nowej normalności (źródło). Trening odporności musi więc być cykliczny, nie jednorazowy.
Na koniec perspektywa, która porządkuje całość. W 1959 roku Oliver Selfridge opisał architekturę Pandemonium: proste, wyspecjalizowane jednostki, połączone razem, potrafią wykonywać złożone zadania poznawcze. Ten pomysł zainspirował badania nad sieciami neuronowymi, a przez nie współczesne uczenie maszynowe (źródło). Dzisiejsze systemy AI potrafią pisać teksty, klasyfikować dane i generować treści na nasze polecenie. Tego, czego nie zrobią same, dotyczy cały ten trening: decydować, które jednostki połączyć, co uznać za dowód, a co za założenie - i po co to wszystko robimy.