Stwierdzenie, że sztuczna inteligencja rozgościła się w naszym życiu, jest truizmem. Pytamy ją co obejrzeć wieczorem, zjeść na obiad, na jaki film pójść do kina. Na pewno wspiera też decyzje przedsiębiorców i managerów. Jak jest w tym celu wykorzystywana? I czy powinna być? Spróbuję odpowiedzieć na te pytania starając się opisać stan na dzień dzisiejszy, ponad 3 lata od wybuchu największej rewolucji technologicznej naszych czasów.
Praktyka, czyli obserwacje i doświadczenia własne
W moim przekonaniu tym, co pożera większość roboczogodzin dobrego kierownika nie jest działanie, ale myślenie. Przeważająca część mojej pracy, to przede wszystkim refleksja – nad rynkiem, firmą, naszym położeniem, projektem, współpracownikami, mną samym itd. I to jest z reguły największe wsparcie, jakie dostajemy od AI.
W psychologii istnieje pojęcie wewnętrznego dialogowania. [24] W mowie potocznej nazywamy to czasem “biciem się z myślami”. Każde z nas ma tendencję do formułowania myśli na zasadzie rozmowy z samymi sobą. To naturalne. Dlatego również tak ważną rolę w pracy każdego kierownika odgrywają spotkania. Wymiana myśli na zasadzie konfrontowania ze sobą poszczególnych punktów widzenia i argumentów dostarcza nam realnej, pogłębionej refleksji. I tutaj największa część managerów odkrywa wartość AI. Interfejs chatbota symuluje rozmowę, naturalny proces komunikacji. Maszyna zastępuje nam zatem rozmówcę w procesie wymiany myśli. Stąd duży sukces narzędzi AI w tej właśnie roli.
Z mojej praktyki wynika, że w procesie szeroko rozumianej refleksji wykorzystanie chatbotów jest wśród managerów bardzo popularne. W jakich konkretnie zakresach? W zasadzie każdym z możliwych. Osobiście spotykałem się z wykorzystaniem AI przez top management w autorefleksji oraz formułowaniu strategii. Rezultaty?
Z reguły jest słabo, przynajmniej jeśli chodzi o refleksję strategiczną. Kluczowym powodem jest iluzja szybkości i łatwości w osiąganiu upragnionego celu. Żeby przygotować dobrą analizę strategiczną trzeba często długiej, wielopoziomowej pracy. To powolny, żmudny i bolesny proces, pełen smutnych pytań i jeszcze smutniejszych odpowiedzi. Często musimy konfrontować się wtedy z naszymi oczekiwaniami i owoce tej konfrontacji najczęściej są gorzkie. Czy sparing partner w postaci AI potrafi w tym procesie pomóc? Na pewno potrafi go osłodzić. I to jest problem. A konkretnie jest nim sykofancja [57], czyli najzwyklejsze w świecie lizusostwo popularnych chatbotów. Badania potwierdzają, że jest to cecha technologii, niezależna od wysiłku w człowieka. [5] Lizus jest najgorszym doradcą nawet, jeśli jest organiczny, nie syntetyczny. Czemu inaczej miałoby być z maszyną? Tym, co stymuluje nas do działania jest dyskomfort. Dotyczy to również procesów poznawczych. My, kierownicy jesteśmy najaktywniejsi, jeśli konfrontujemy się z bólem – brakiem, niepewnością, problemem. A te chatbot najczęściej od nas odsuwa dając nam bardzo ładnie wyglądające rozwiązania. Niewystarczające rozwiązania.
Gdybym miał podsumować, jak najczęściej wyglądały owoce współpracy kierownika z chatbotem, które lądowały w mojej skrzynce mailowej, to da się to zamknąć w jednym zdaniu. „Wygląda spoko, ale…” Są niepełne, wybrakowane. Stanowią pomieszanie ogólników, bzdur, świetnych pomysłów, cząstkowych rozwiązań i pustych, komunikacyjnych zapychaczy. Taki tekst wygląda na kompletny, jest retorycznie przekonujący, ale w rzeczywistości jest zbiorem nie połączonych ze sobą elementów. Jeśli jestem w stanie ubić tą kreaturę, zanim złoży jaja, to taka koncepcja sypie się już po pierwszej turze pytań. Zdarzyło mi się wprost powiedzieć:
„Robiliście to z chatem, prawda? To nie róbcie takich rzeczy.”
Gorzej jest natomiast, kiedy idziemy z tym dalej. Wtedy okazuje się, że kluczowe założenia współpracy z chatbotem nie są w stanie przetrwać max. 3 miesięcy. Z całej tej układanki zostaje nam dosłownie jedno rozwiązanie, które w dodatku przyda nam się najwcześniej za pół roku.
A jak jest z brainstormingiem? Bardzo podobnie, ale z obserwowalnym pozytywnym aspektem. Dla osób, z którymi pracuję, AI była wielokrotnie wręcz zbawienna w tym zakresie. Pozwalała im się odblokować w sytuacji, kiedy np. nie miały wiedzy w jakimś temacie albo nie czuły się pewnie. Potrafiła zaoszczędzić czas w przekopywaniu się przez zasoby internetu w poszukiwaniu konkretów. Skracała zatem pewien wysiłek poznawczy. Zdarzało mi się także polecać pracę z chatem decydentom, ale tylko w momencie, gdy byli na to gotowi merytorycznie. Gdy jakiś temat był wcześniej przez nich mocno przemyślany, rozłożony na czynniki pierwsze, ewentualnie skala wyzwania nie była wysoka i dotyczyła kwestii podstawowych. Czy skutecznie potrafiły w tym zakresie zastąpić mnie? Jako człowiek, który bardzo dużo czasu spędzał na sesjach i warsztatach 1:1, nie mogę tego powiedzieć. Bywały dobrym wsparciem, które skracało proces na jakimś odcinku, ale definitywnie nie moim substytutem. Jeśli ja kierowałem całym procesem warsztatowym, albo zalecałem zmierzenie się z jakimś tematem cząstkowym z AI, to bywało, że nie miałem się czego czepić. W takiej sytuacji mogliśmy szybciej przejść do kolejnego zagadnienia czy ćwiczenia. Z reguły jednak decydent pozostawiony samemu sobie z chatbotem nie był w stanie wypracować porównywalnej jakości.
Wiem z doświadczenia, że popularne chatboty mogą ułatwić gromadzenie danych. Kilkoma posługiwałem się robiąc research do tego tekstu. Ile czasu zaoszczędziłem? Nie liczyłem, ale zgaduję że tyle samo, ile straciłem. W końcu musiałem zmierzyć się z halucynacjami i ślepymi zaułkami, kiedy narzędzie twierdziło, że jest w stanie coś zrobić, podczas gdy przekraczało to jego możliwości. Dzięki chatbotom udało mi się znaleźć wiele wartościowych źródeł informacji, które tutaj wykorzystałem. Doświadczyłem jednak na własnej skórze zjawiska answer bubbles [19], czyli preferowania pewnych źródeł wiedzy nad innymi. W konsekwencji wiele wartościowych tekstów znalazłem samodzielnie i bez nich ten artykuł byłby dużo uboższy.
Istota technologii GenAI a jej użyteczność w podejmowaniu decyzji
Dlaczego tak jest? Bo te systemy nie są stworzone z myślą o analizie i syntezie danych.
Narzędzia, które są obecnie powszechnie używane w tym zakresie to generatywna sztuczna inteligencja (GenAI) [17]. Jej podstawowym celem, jak nazwa wskazuje, jest generowanie treści w postaci tekstu lub pikseli (z których składa się obraz lub video) lub innych mediów [50]. Robi to starając się odtworzyć najbardziej statystycznie poprawny kształt generowanej treści, np. odgadując najbardziej prawdopodobny wyraz, który powinien pojawić się w zdaniu po innym wyrazie. [32] W jaki sposób się to dzieje? Będąc dużym modelem językowym (large language model – LLM) [37] GenAI prezentuje zrozumienie języka bliskie naszemu. Nie jest to nic nowego, bo już od ponad dekady podobny poziom ekspertyzy reprezentują narzędzia Google [16] (kiedyś nazywane machine learning, obecnie już „opakowane” jako AI), które rządzą najpopularniejszą na świecie wyszukiwarką internetową. Kluczowym elementem języka są reguły. W końcu wszyscy w szkole uczyliśmy się gramatyki, która je opisuje. Wystarczy więc, że system będzie umiejętnie je stosował, ucząc się ich w oparciu o horrendalną ilość danych, które do niego załadowano. To one również wyznaczają granice, w jakich może się poruszać chatbot.
Automat nie posiada kompetencji poznawczych porównywalnych z człowiekiem. Nie ma takiego stopnia kreatywności, jak my, bawiąc się formami, plastycznie je przekształcając, kwestionując czy wymyślając od zera. Nie ma również realnego zrozumienia świata, do którego się odnosi lub który opisuje [23]. Nie może opisywać prawdy, bo do tego potrzebne jest zrozumienie koncepcji prawdy, z całą jej złożonością. GenAI emuluje natomiast skutecznie pożądany efekt w odniesieniu do danych treningowych. Widać to choćby w analizie konwersacji z chatbotami. [31, s. 274-276].
Wynika z tego bardzo ciekawy paradoks. Mamy coraz więcej potwierdzeń, że GenAI radzi sobie z obliczeniami matematycznymi, do których teoretycznie nie jest stworzona. [6] O ile jej sukcesy są spektakularne, o tyle powierzchowne. Zasilona odpowiednimi danymi GenAI jest w stanie osiągać naprawdę imponujące wyniki w konkretnych przypadkach. [11] Nie ma jednak realnego zrozumienia materii, którą się zajmuje. Imituje proces rozumowania, ale w sposób płytki, pozbawiony myślenia symbolicznego i problemowego. [9] W sytuacjach wymagających rozumowania sensu stricto ta technologia osiąga więc zdecydowanie gorsze wyniki [33], pomimo sukcesów krzyczących z nagłówków wszelkiej maści artykułów. Świetnie sobie radzi z problemami na poziomie olimpiady matematycznej, ale daleko jej do mierzenia się z wyzwaniami na wyższym poziomie. [49] Jest potwierdzone, że LLMy nie są w stanie działać w tym zakresie kreatywnie, a na pewno nie generować nowych praw czy twierdzeń. [56] Mogą tylko przetwarzać to, co wcześniej dostały w pakiecie danych treningowych. Być może dlatego większość nowych opracowań na ten temat, do jakich udało mi się dotrzeć, z reguły skupia się na zastosowaniu w edukacji matematyków. Ostatecznie wydaje się, że tak jak w innych branżach, agenty AI stają się dla matematyków raczej użytecznym narzędziem, wymagającym kontroli człowieka. [58]
Na tym opiera się również zawodność GenAI. Wynika ona z losowości, która jest wpisana w naturę tego rodzaju AI. Z tego powodu odpowiedzi chatbotów nie są spójne, konsekwentne ani powtarzalne. Za każdym razem, kiedy dajemy chatbotowi polecenie albo zadajemy pytanie ten w pewien sposób “rzuca kośćmi” i sprawdza wynik. Potwierdzają to np. badania [32] starające się sprawdzić, czy GenAI może przygotowywać rekomendacje dla zarządzających w branży medycznej. Okazało się, że odpowiedzi narzędzi były niespójne, nie tylko porównując je między różnymi narzędziami, ale również w ramach jednego narzędzia. Zresztą, każdy użytkownik popularnych chatbotów może się o tym przekonać na co dzień zadając podobne pytania, polecenia a nawet wykorzystując parokrotnie te same prompty. Dlatego również często na jakość odpowiedzi takiego narzędzia nie wpływa dostosowanie prompta (prompt engineering) ale ilość prób. Niekiedy trzeba parę razy wykorzystać ten sam prompt, żeby system “załapał”. Żeby kości wyrzuciły wynik, który nas satysfakcjonuje. Inne badania [10] wskazują, że tylko część czynników mogących ograniczyć losowość jest w naszych rękach, a jeśli już są one dostępne, to ich zaawansowanie techniczne przekracza możliwości typowego użytkownika. Jest to często pomijana wada GenAI, a szczególnie problematyczna. Jedną z cech poprawnych badań naukowych jest przecież ich rzetelność, czyli powtarzalność, możliwość uzyskiwania takiego samego efektu w takich samych warunkach. [55] (Stąd obecnie kryzys replikacji w psychologii, czy szerzej, w naukach społecznych). Zatem, według tej miary, odpowiedzi GenAI nie można uznawać za rzetelne.
Rewolucja AI nie dostarczyła nam bajecznie drogich systemów analitycznych na wyciągnięcie ręki, za (pół)darmo. Dała nam, w przystępnej formie chatbota, generator najbardziej statystycznie prawdopodobnej odpowiedzi w formie treści. Nie mamy po drugiej stronie człowieka, który stara się dokonać pewnej analizy, zanim zakomunikuje nam jej wynik w postaci odpowiedzi. GenAI nie jest silnikiem predykcyjnym. To niesamowicie zaawansowany generator tekstu.
Przed modą na GenAI wdrożenia sztucznej inteligencji w firmie były bajecznie drogie, idąc w setki tysięcy lub nawet miliony złotych. Wymagały one przede wszystkim własnych danych – w bardzo dużej ilości – w postaci repozytorium (data warehouse lub data lake). [12] Już samo to było dla wielu firm nieosiągalne. Następnie, należało pozyskać kompetencje do wykorzystania tych danych – w formie zatrudnienia specjalisty lub firmy zewnętrznej. W zależności od wymagań biznesowych, organizacyjnych oraz infrastruktury technicznej w grę wchodziło kilka różnych stanowisk [54], a czasem budowa całego zespołu. Efektem pracy był system ekspertowy [42] składający się z bazy danych, bazy wiedzy (w tym algorytmów, logiki, modeli, sieci neuronowych), mechanizmu wnioskowania (czyli, w największym skrócie tego, co ma odpowiedzieć na nasz problem) oraz modułu komunikacyjnego. Specjalista projektujący ten system miał do wyboru wiele różnych narzędzi [39] w zależności od celu stawianego takiej infrastrukturze. Ich nazwy potrafią połamać język, a zastosowanie przepalić kilka neuronów takiemu laikowi, jak ja. Dopiero tak wysublimowana struktura była w stanie odpowiedzieć na potrzeby analityczne. Było to olbrzymie wyzwanie organizacyjne i finansowe.
W ten sposób powstawały systemy wspomagania decyzji (intelligent decision support systems, IDSS) [26]. Dedykowane systemy mające na celu dostarczanie wiedzy i rekomendacji. Budowane w celu mierzenia się z konkretnym wyzwaniem, w których narzędzia były dobierane w zależności od tego celu. Czy generator treści może być jego substytutem? Po jednej stronie mamy system który powstał specjalnie dla Twojej firmy. Po drugiej, uniwersalne narzędzie, które teoretycznie ma wspierać każdego i zawsze. Chyba zatem wiadomo, które rozwiązanie będzie spersonalizowane, a które nie. Oczywiście, popularny chatbot może być dostosowany poprzez zasilanie go odpowiednimi danymi, wskazówkami, aż po budowę specjalnego wirtualnego asystenta albo agenta itd. Wciąż jednak sensem istnienia takiego narzędzia będzie generowanie treści. Czy narzędzie stworzone do tworzenia contentu jest w stanie dostarczyć odpowiednią jakość analizy?
To raczej problem epistemologiczny, niż managerski czy techniczny. Jest bardzo stary, sięgający Arystotelesa (korespondencyjna, klasyczna teoria prawdy) [44, s. 390-391] i Platona (metafora jaskini, idealizm) [14]. Narratywista, zorientowany na relatywizm poznawczy [27], stwierdziłby, że w zasadzie wszystko jest narracją. Że nie ma nic poza językiem [22] i nie mamy dostępu do świata takim, jaki on jest. Że wszyscy żyjemy w Matrixie i musimy się z tym pogodzić. Ja z kolei, stojąc na gruncie obiektywizmu ontologicznego [40], zakładam, że co prawda kultura [53], język [8] i opowieść [15] są ważnymi strukturami poznawczymi zapośredniczającymi doświadczenie, ale zapewniającymi dostęp do rzeczywistości obiektywnej, która istnieje niezależnie od nich. Jeśli język jest jedynym, co wyznacza granice ludzkiego poznania, a więc i ludzkiej aktywności, to LLM-y da się zastosować do wszystkiego. Jeśli nie, to sprawa się komplikuje.
Wracając jednak do kwestii przyziemnych, pozostaje pytanie: czy na pewno dobieramy odpowiednie narzędzie do określonego zadania? Odstawiając na bok problem losowości odpowiedzi, GenAI może z powodzeniem napisać nam maila, wyszukać informacje w internecie, zrobić streszczenie naszego dziennika czy jakiegoś innego dokumentu. Czy jednak na pewno poradzi sobie generując np. interpretacje? Czy wysnuje wnioski z tabeli zawierającej dane ilościowe? Czy udźwignie ciężar realnej refleksji strategicznej? Prognozowania? Czy możemy wykorzystywać GenAI do czegokolwiek poza generowaniem i analizą treści, czy szerzej, analiz przekraczających jej językowy charakter?
Z badań wiemy, że nie. Nie są to np. narzędzia stworzone z myślą o kalkulacjach matematycznych. Zweryfikowano, że gorzej performują też w zadaniach bardziej interpretacyjnych, jak formułowaniu sądów czy podejmowaniu decyzji [13]. Nie radzą sobie z zadaniami polegającymi na dokonywaniu wyboru [36]. Na pewno potwierdzone jest, że narzędzia GenAI słabo sobie radzą w prognozowaniu na podstawie danych tabelarycznych [28], chociaż zdarzają się też badania, które udowadniają coś odwrotnego [3]. W tym wypadku lepiej więc sprawdzi się tradycyjne podejście [52], chociaż oczywiście typowy chatbot jest w stanie streścić prostą, nie wysublimowaną tabelkę. Jest jasne, że popularne modele mogą w procesach decyzyjnych tworzyć dobre podsumowania dużej ilości informacji. Dzięki temu mogą udzielać dobrych rekomendacji w tematach prostych i błahych (np. jaki film obejrzeć wieczorem). Stąd ich szybka adopcja przez szerokie grono odbiorców. Nie są one jednak w stanie udźwignąć wyzwania w postaci analizy i wspierania procesów podejmowania decyzji na wyższym poziomie, typowo analitycznym czy akademickim [2]. Jest to poziom złożoności i wysiłku intelektualnego również typowy dla decyzji strategicznych czy biznesowych. Im bliżej jednak generatywnemu lub contentowemu charakterowi zadań, tym ich skuteczność wzrasta. Przykładowo, chatboty z powodzeniem generują interpretacje wykresów [18], chociaż nie można na nich polegać w kalkulacjach, statystykach, wykresach ze skomplikowaną skalą kolorów czy z nietypowymi oznaczeniami [34]. Mogą też np. skutecznie wspierać lekarzy w interpretowaniu badań, zwiększając skuteczność diagnozy. Mowa jednak o analizie obrazów radiologicznych [51]. W zakresie zadań adekwatnych do możliwości LLM-ów, potrafią one znacząco podnieść jakość wykonywanej pracy, chociaż z zastrzeżeniem, że nie są w tym niezawodne. Problematyczne jest to, że nie do końca znamy jeszcze granice optymalnego zastosowania tej technologii, a ich zrozumienie dopiero się kształtuje [13].
Jednocześnie jednak popularne chatboty są nam prezentowane jako narzędzia rozumujące. Przykładowo, OpenAI prezentuje swój model [43] dobierając takie słowa, żeby nadać mu cechy ludzkie: „myślenie”, „rozumować”, „analizować złożone zadania”, „rozwiązywać trudniejsze problemy”, „przemyślenie problemów”. (Nazywamy to antropomorfizacją [46]). Wprost deklaruje, na podstawie eksperymentu, że posiada on zdolności na poziomie człowieka. Wiemy już jednak, że nie jest to możliwe, bo ta technologia jako taka nie może tego zagwarantować. Jak zatem to “rozumowanie” działa? Zamiast przedstawić nam jedną wygenerowaną odpowiedź, system generuje proces polegający na wyszukiwaniu, ocenie, przyjmowaniu lub odrzucaniu i syntetyzowaniu treści. Taki proces możemy nawet zobaczyć korzystając z np. Groka, Gemini czy właśnie ChatGPT. Proces „rozumowania” jest w tym przypadku jednak rozbiciem jednego prompta na kilka. Tak samo, jak wcześniej użytkownik robił to stosując technikę prompt chaining, czyli serię poleceń, tak teraz postępuje chatbot. Działa on w sposób podobny do użytkownika, na zasadzie strumienia świadomości, co nazywane jest techniką chain of thought. [4] Generalna zasada nie ulega jednak zmianie. To dalej jest emulator poprawnych odpowiedzi. Tych odpowiedzi jest po prostu więcej i są ułożone w pewnym porządku. Narzędzie skraca czas, przeprowadzając proces za nas. Fundamentalne założenia jego działania nie są jednak odmienne. Nie jest to zatem rozumowanie porównywalne z tym co robi istota ludzka, chociaż struktura procesu jest oczywiście podobna. Żeby to uzmysłowić posłużę się popularną metaforą. Nie mamy ucznia, który w kreatywny sposób rozwiąże problem. Mamy takiego, który nauczył się rozwiązywać testy tak, żeby wstrzelić się w klucz.
GenAI w decyzjach zarządczych w świetle badań
Tak wygląda nasz stan wiedzy. Wróćmy jednak do praktyki. Na pewno każdy, kto pracuje z kluczowymi decydentami wie, że korzystają oni z popularnych chatbotów. Problemem jest jednak stwierdzenie w jakiej skali i na ile. W wielu obszarach brakuje nam wiedzy. Nie udało mi się namierzyć zbyt wielu źródeł informacji na ten temat i wiele wskazuje, że takich badań może po prostu nie być. Dane, które udało mi się zgromadzić są bardzo ogólne i niepełne, żeby nie powiedzieć szczątkowe. Na pewno zrozumienia tego stanu rzeczy, nie ułatwia fakt, że pytania stawiane respondentom w takich analizach są raczej ogólne, a terminy “AI” oraz “GenAI” są w nich używane zamiennie. Powodem jest fakt, że w ostatnich latach popularne chatboty wypozycjonowały się na uniwersalne narzędzia o szerokim zastosowaniu. Nie ułatwia nam to zrozumienia w jakich obszarach biznesu dominują określone gałęzie AI. Na pewno wiemy, że im większa firma, tym większa rola AI. Badanie “AI Has a Seat in the C-Suite” [38] stwierdza, że w 55% firm na rynku amerykańskim o rocznych przychodach przekraczających 1 miliard dolarów decyzje wspierane przez AI wypierają albo obchodzą tradycyjne podejmowanie decyzji. Z kolei według Deloitte aż 60% kierowników na wysokim stanowisku wykorzystuje regularnie AI w podejmowaniu decyzji [30]. Są jednak przesłanki, żeby sądzić, że nie zawsze wygląda to tak progresywnie. Według raportu KPMG [1] tylko 17% firm w branży retail używa AI w procesach analizy danych i podejmowania decyzji. Zdecydowanie, spośród wszystkich źródeł, z których korzystałem, najdokładniejszy i najbardziej szczegółowy jest raport z badań zrealizowanych przez Casbeg i SW Research w 2026 r. [21] Wynika z niego, że chatboty są mocno osadzone w procesach decyzyjnych w zakresie zakupów B2B w Polsce. Są wykorzystywane często (nawet codziennie), w newralgicznych elementach takich procesów, przez osoby mające krytyczny wpływ na ostateczną decyzję, często przy budżetach idących w dziesiątki czy setki tysięcy złotych. Są obecne niemal na całej ścieżce zakupowej i mają nawet wpływ na refleksję po dokonaniu zakupu. Im bliżej końca ścieżki zakupowej, tym wykorzystanie GenAI wzrasta, przynajmniej w świetle tego badania. Dotyczy to również formułowania decyzji. Przyznać jednak należy, że częstotliwość wykorzystania chatbotów w obliczu tych danych nie jest najwyższa. Z reguły decydenci korzystają z nich od czasu do czasu.
Różni to polskich respondentów Casbeg od innej, porównywalnej analizy. Co prawda jest ona sformułowana w stosunku do AI w ogóle, ale wydaje mi się, że można jej wynik śmiało ekstrapolować na GenAI. W badaniu obejmującym 500 przedstawicieli top managementu Capgemini [20] odnotowało rekordową popularność AI w procesach decyzyjnych. W tej grupie 92% korzysta z niej w tym zakresie codziennie, a 82%, co najmniej raz w tygodniu. Jednocześnie, tylko 17% używa jej w ten sposób aktywnie, 42% selektywnie, a 31% tylko eksperymentuje. 7% wykorzystuje tę technologię w czasie wszystkich spotkań, a 23% w czasie wybranych. Wspiera ona raczej decydentów w zakresie przygotowania dokumentacji, analiz czy insightów, a AI nie uczestniczy w spotkaniach na równi z innymi. Przytłaczająca większość badanych korzysta obecnie z AI w początkowych fazach procesu decyzyjnego, do przygotowania dokumentacji, maili, notatek, do researchu i analizy. 23% wykorzystuje ją do wspierania myślenia strategicznego i prognozowania. Im bliżej decyzji, tym wykorzystanie AI spada. Zaledwie 6% wspiera się w zakresie analizy scenariuszowej czy testowania założeń decyzyjnych, a 1% do podejmowania decyzji pod okiem człowieka. Obecnie nikt z badanych nie używa jej do dokonywania w pełni samodzielnych decyzji. Tylko 1% deklaruje, że będzie to możliwe w przyszłości, w okresie najbliższych 1-3 lat. Jednocześnie łącznie aż 78% deklaruje wzrost wykorzystania AI na etapie formułowania (40%) i testowania (38%) decyzji. Wydaje się jednak, że AI osiągnęła już jednak maksimum możliwości w zakresie przygotowania dokumentacji. Im częściej przedstawiciele tej grupy badawczej korzystali z AI, tym bardziej deklarowali większą aktywność w tym zakresie w przyszłości. Ostateczną decyzję rezerwują jednak dla siebie. Tylko 1% deklaruje, że przyjmuje rekomendację AI, jeśli jest sprzeczna z ich osądem.
Warto zauważyć, że w obliczu tego raportu osiągamy powoli maximum możliwości wykorzystania w tym w celu, do którego została stworzona. Pokrywa się to najczęściej z początkowymi etapami procesu decyzyjnego. Jednocześnie przed decydentami dopiero eksplorowanie górnego zakresu możliwości tej technologii jeśli chodzi o podejmowanie decyzji sensu stricto, czyli to, z czym GenAI radzi sobie najgorzej. Badanie nie pozwala jednak na sformułowanie podobnego sądu jeśli chodzi o polskich decydentów (przynajmniej jeśli chodzi o zakupy B2B). Oczywiście, z kronikarskiego obowiązku należy wymienić również, że mimo tej skomplikowanej przyszłości już obecnie powstają śmiałe i mocno przemyślane modele projektowania struktury organizacji biznesowej w celu zapewnienia pomyślnej kooperacji między człowiekiem a AI w podejmowaniu decyzji. [47] Nieznane są natomiast skutki wdrożenia takich modeli dla podniesienia wydajności podejmowania decyzji czy ich jakości.
Niezależnie od luk w naszej wiedzy szczegółowej, można jednak bez wątpienia powiedzieć, że GenAI jest na pewno obecna w podejmowaniu decyzji biznesowych, bo jest użyteczna. Jeśli jednak przeanalizujemy szczegóły, to wychodzi, że sprawdza się ona w konkretnych zakresach, jak organizacja i optymalizacja procesów (w tym logistycznych), optymalizacja kosztów, ocena ryzyk, prognozowanie finansowe, analiza trendów rynkowych itd. Są to więc pewne wycinki analiz strategicznych i bardziej wsparcie podejmowania decyzji, niż delegowanie odpowiedzialności w tym zakresie. Na pewno daleko tutaj do sytuacji, w której automat podejmuje decyzje za człowieka. Raczej te decyzje wspiera. Dodajmy, że najczęściej są one co najmniej zbliżone do podstawowego założenia stojącego za GenAI, czyli procesów związanych z treścią i językiem. Jednocześnie stwarza również ryzyka już na tym poziomie strategicznym, poprzez możliwość dezinformacji kluczowych decydentów. Idzie to w parze ze wszystkimi profitami, które niesie ze sobą [2].
Nie oczekujmy zatem, że popularny chatbot przeprowadzi analizę za nas. Może za to wygenerować treść, która w sugestywny i retorycznie poprawny sposób będzie efekt takiej analizy udawać.
Perswazyjna siła chatbotów AI i jej konsekwencje
Management, a w szczególności decydenci, wydają się nie zdawać sobie z tego sprawy i bardzo często przyjmują odpowiedź chata za dobrą monetę zaledwie po kilku promptach. Delegują na niego wysiłek poznawczy związany z podejmowaniem decyzji.
Dlaczego? Bo odpowiedź brzmi przekonująco i potwierdza ich własne przekonania oraz z góry założone tezy. Typowego chatbota można w takiej sytuacji porównać do utalentowanego sprzedażowca, który mówi klientowi to, co ten chce usłyszeć, żeby skuteczniej sprzedać produkt. Wielu pracowników zdumiewa się dlaczego niektóre osoby potrafią robić karierę w różnych instytucjach, chociaż realnie nie mają kompetencji. Powodem często są ich zdolności autoprezentacji i przekonywania. Również w firmowych burzach mózgów pracownicy różnego szczebla potrafią zręcznie narzucić swoje przekonania (i interesy) innym, posiadając lepsze zdolności retoryczne czy erystyczne. Śmiało można powiedzieć, że taką rolę w niejednym biznesie zajął chatbot.
Jest potwierdzone, że GenAI potrafi w bardzo przekonujący sposób uzasadniać jakąś tezę, nawet jeśli jest błędna [13] używając różnych taktyk, nawet ocierających się o manipulację [45]. Również doświadczenia zwykłych użytkowników (takich jak ja) potwierdzają, że GenAI potrafi generować wadliwe, ale retorycznie przekonujące odpowiedzi. Inne badania [25] udowadniają też, że możliwości LLM-ów są ograniczone w dziedzinie generowania wyjaśnień. Pomimo tego, że doskonale udają typowo ludzkie zachowania charakterystyczne dla wyjaśniania jako procesu rozumienia, to jednak nie wszystkie, a jakość takiej odpowiedzi może odbiegać od tej, jaką dałby nam człowiek. Przede wszystkim LLMy są selektywne i starają się ilustrować swój wywód przykładami, co bywa przekonujące. Autorzy niektórych analiz wprost zalecają, że ze względów bezpieczeństwa z narzędziem powinien pracować człowiek kompetentny w danym zakresie. W przeciwnym razie może ulec atrakcyjnej retoryce systemu, która nie musi być podparta merytoryką.
Pozostaje również kwestia wiarygodności analizy, która często stoi pod znakiem zapytania. (Pominę tutaj dla uproszczenia problem czarnej skrzynki [7], czyli fakt, że nie do końca wiemy jak działa, a więc nie mamy kontroli nad procesem analitycznym i jego poprawnością oraz ideę Explainable AI [29], która jest na to odpowiedzią). Największym wyzwaniem we włączaniu AI w procesy decyzyjne jest obecnie stwierdzenie, czy innowacyjny pomysł, o którym sami byśmy nie pomyśleli, a który sugeruje nam chatbot, to faktyczny przełom, halucynacja czy efekt niedopasowanej, błędnej analizy narzędzia – niedopasowania danych lub kontekstu (inferential trilemma) [41]. I z tymi pytaniami każdy użytkownik chatbota musi się zmierzyć.
Czy GenAI faktycznie usprawnia pracę managera? Stare i nowe praktyki
Jeśli nasz manager, wypracowując konkretne rozwiązanie prosi chat o jakieś analizy czy dane, to czy otrzyma halucynację? Czy będzie to weryfikował? Czy może będzie zbyt zmęczony, żeby to zrobić? W końcu największą wartością jest w tym przypadku dla nas oszczędność czasu. I niektórzy wprost to komunikują. W połączeniu z iluzją kompetencji, która również towarzyszy użytkownikom AI, staje się to puszką Pandory. Chyba najlepiej pokazują to słowa Michała Sołowowa w wywiadzie dla Biznes Klasy [35]:
“Słuchajcie, ja prawie koduję. Mówię ‘prawie’, no nie? To już jest po prostu śmieszne, tak? Ale jestem w stanie na spotkaniu rozwiązać mnóstwo problemów marketingowych, tak? Łącznie z projektowaniem, gdzie moi koledzy odpowiadają mi 'Słuchaj, posadzimy trzech grafików, za tydzień będziemy mieć rozwiązanie.’
[…]
No i tam promptuję 10 razy, poprawiam w lewo, w prawo, na koniec spotkania im pokazuje gotowe rozwiązanie, prawda? Ale po to żeby się wszyscy tego uczyli, bo jeżeli te narzędzia są dostępne, no to musimy z nich korzystać. Wiesz, ja mówię: my musimy zanurkować w AI-a.”
Każdemu doświadczonemu specjaliście te słowa mogą zjeżyć włosy na głowie. Miałem już w przeszłości wątpliwą przyjemność kastrowania realizacji dlatego, że nie podobała się prezesowi. Nie życzę tego nikomu. Z tego biorą się wszystkie przypadki pod tytułem „grafik płakał jak projektował”. Czy taki decydent ocenia projekt na bazie swojej wiedzy i doświadczenia? Nie. Robi to na podstawie swojego braku wiedzy i braku doświadczenia. I to może zaważyć na skuteczności całego projektu. Zamiast delegować kwestię do tych, którzy mają wiedzę i doświadczenie w danym zakresie domenowym, a także się nim na co dzień zajmują (i po to zostali zatrudnieni), dzięki pracy z narzędziem rezerwuje to dla siebie. Jeśli w takiej sytuacji chodzi o witrynę internetową, to rezultaty mogą być wysoce destrukcyjne dla całego biznesu. W digital marketingu chyba każdy miał sytuację, kiedy doszło do wprowadzenia zmian na stronie pod wpływem decydenta. Wtedy z reguły zmianie ulega interfejs witryny. Od niego uzależniona jest analityka internetowa. Ona odpowiada za mierzenie konwersji. A te z kolei zasilają kampanie PPC. Na końcu tego procesu jest specjalista do spraw kampanii, który dowiaduje się o tym dopiero w momencie, kiedy na koncie reklamowym od 3 dni nie ma konwersji, albo kiedy ktoś dzwoni i pyta się dlaczego sprzedaż stanęła. Podobne przypadki zdarzają się też nagminnie w branży SEO. Legendarny jest już przypadek migracji sklepu internetowego Rossmann z 2018 r. Przy zmianie silnika witryny nie uwzględniono wymagań związanych z pozycjonowaniem w wyszukiwarce Google. Opisy produktów były generowane przy użyciu JavaScript, przez co crawlery Google nie rejestrowały żadnej treści. Sklep stracił 80% ruchu. Udało się go odzyskać dopiero po roku.
Jak bardzo usprawnić taki fakap może AI?
Tych 3 grafików wykorzystując AI jest w stanie zrealizować projekt znacznie szybciej niż w tydzień (o ile nie są przytłoczeni zadaniami, za co również odpowiada management). Prezes w ciągu jednego spotkania może co najwyżej zrujnować projekt.
Managerze, który to czytasz, pozwól swoim ludziom zająć się tym, za co odpowiadają. Ty zajmij się swoją działką – umożliwieniem im tego i połączeniem w spójną całość z pracą innych.
Wszystko zależy od stricte zarządczej decyzji o delegowaniu (lub nie) zadań, na którą wpływ ma doświadczenie pracy z chatbotem. Widać tutaj prawidłowość, która w ostatnich latach stała się kulą u nogi zarówno poszczególnych osób, jak i całych organizacji. Jest to iluzja łatwości. Korzystanie z popularnych chatbotów tworzy w nas przekonanie, że pracę można wykonywać szybciej i łatwiej, przy mniejszym nakładzie energii i zaangażowania. Już krótka refleksja nad powyższym przykładem wskazuje, że niekoniecznie tak jest.
Czy rekomenduję użycie GenAI w podejmowaniu decyzji?
Tylko nielicznym.
Osobiście nie wykorzystuję GenAI w pracy strategicznej w ogóle. To jednak moja osobista decyzja. Wynika ona ze znajomości własnych kompetencji, ich potwierdzenia i zaufania do nich, a także ze zrozumienia natury obecnych rozwiązań technicznych. Przez lata wypracowywałem umiejętności wyszukiwania, analizy, syntezy i interpretacji różnorodnych danych. Umiem na ich podstawie podejmować decyzje w określony, uporządkowany sposób. Problematyki badawcze, które do tej pory poruszałem, wymuszały na mnie wypracowanie zdolności krytycznego myślenia. Jestem oczywiście gotów zmienić zdanie, jeśli będę miał twarde dowody, że obecne możliwości technologiczne mogą stanowić dla mnie rzeczywistą wartość, a nie tylko pozorną.
Nie byłoby jednak mądrze zakładać, że tak jest z każdym. Nie każdy przeszedł przez tak długi i bolesny trening, jak ja. I takie osoby mogą faktycznie wspierać się GenAI, o ile są w stanie uniknąć w tym zakresie błędów. Jest potwierdzone badaniami [48], że GenAI może być użyteczne na konkretnych odcinkach pracy analityczno-decyzyjnej. Te same badania potwierdzają jednak skuteczność wykorzystania takich narzędzi w tandemie z człowiekiem, bez delegowania na nie odpowiedzialności w jakimkolwiek zakresie [13]. Zawsze, bezwzględnie cały proces decyzyjny musi być prowadzony przez człowieka, a do tego starannie przez niego zaplanowany. Opierajmy się tylko na faktach, twardych, wiarygodnych danych i konkretnych przesłankach. W dotarciu do nich AI może pomagać, ale równie często ten proces utrudnia.
Na pewno staje się widoczne, że ta technologia rozmija się z naszymi narracjami, oczekiwaniami i wyobrażeniami wobec niej, a to ma konkretne konsekwencje, również w podejmowaniu decyzji. Ograniczenia te wynikają z samej natury GenAI. Czy z czasem będzie w stanie ona do naszych oczekiwań dorosnąć? To już materiał na równie szerokie, ale osobne rozważania.
Deklaracja
Chatboty AI zostały wykorzystane do stworzenia tego tekstu wyłącznie na poziomie wyszukiwania źródeł informacji. Cała reszta jest stworzona przez człowieka.
Autor
Paweł Wrona. Konsultant biznesowy i fractional manager. Wspiera CEO oraz zarządy firm w wyznaczaniu i realizacji celów biznesowych. Buduje systemy pracy, porządkuje procesy biznesowe, sprzedażowe i marketingowe, przeprowadza transformacje organizacji, testuje pomysły oraz tworzy strategie. Wcześniej najbardziej związany z e-commerce i performance marketingiem.
Bibliografia
1. AI inretail. Global lessons from strategy to storefront, KPMG, 2026, https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2026/01/ai-in-retail-report.pdf.coredownload.inline.pdf
2. M. Albashrawi, Generative AI for decision-making: A multidisciplinary perspective, “Journal of Innovation & Knowledge”, 2025, vol. 10, issue 4, https://www.sciencedirect.com/science/article/pii/S2444569X25000964
3. A. A. Barr, R. Rozman, E. Guo, Generative adversarial networks vs large language models: a comparative study on synthetic tabular data generation, 2025, https://arxiv.org/abs/2502.14523
4. D. Bergmann, What is a reasoning model?, https://www.ibm.com/think/topics/reasoning-model
5. S. O. Birim, F. Marozzo, Y. Kazancoglu, Generative AI for Managerial Decision-Making under Ambiguity and Sycophancy, https://arxiv.org/abs/2603.03970
6. R. Brandom, AI models are starting to crack high-level math problems, 2026, https://techcrunch.com/2026/01/14/ai-models-are-starting-to-crack-high-level-math-problems/
7. B. Brożek, M. Furman, M. Jakubiec, B. Kucharzyk, The black box problem revisited. Real and imaginary challenges for automated legal decision making, “Artificial Intelligence and Law”, 2024, vol. 32, s. 427–440, https://link.springer.com/article/10.1007/s10506-023-09356-9
8. J. Buczkowska, Poznawcza geneza języka a informacyjna struktura znaczenia, „Studia Philosophiae Christianae”, 2015, vol. 51, issue 4, s. 75-96, https://cejsh.icm.edu.pl/cejsh/element/bwmeta1.element.desklight-043a15d9-e448-41ab-ac8d-219d551e0a6e
9. L. Carbone, Advancing mathematics research with generative AI, 2025, https://arxiv.org/abs/2511.07420
10. G. Coqueret, J. Llull, F. Oswald, Ch. Pérignon, Ch. Scheuch, L. Vilhuber, Randomness in large language models: What researchers need to know (and report), 2026, https://arxiv.org/abs/2607.24372
11. J. Cui, 2025, The Application of Generative Artificial Intelligence (GAI) in Solving Higher Mathematics Problems: A Qualitative Analysis and Case Study, https://www.researchgate.net/publication/390232650_The_Application_of_Generative_Artificial_Intelligence_GAI_in_Solving_Higher_Mathematics_Problems_A_Qualitative_Analysis_and_Case_Study
12. Data warehouses versus data lakes versus data lakehouses, https://www.ibm.com/think/topics/data-warehouse-vs-data-lake-vs-data-lakehouse
13. F. Dell’Acqua , E. McFowland III , E. Mollick , H. Lifshitz , K. C. Kellogg , S. Rajendran, L. Krayer, F. Candelon, K. R. Lakhani, Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality, „Organization Science”, 2026, vol. 37, issue 2, s. 403-793, https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838#
14. A. Gendler, Plato’s Allegory of the Cave, TED-Ed, 2015, https://www.youtube.com/watch?v=1RWOpQXTltA
15. A. Grzegorek, Narracja jako forma strukturyzująca doświadczenie, [w:] Doświadczenie indywidualne : szczególny rodzaj poznania i wyróżniona postać pamięci, red. K. Krzyżewski, „Psychologia Osobowości”, t. 5, Wydawnictwo Uniwersytetu Jagiellońskiego, Kraków 2003, s. 209-225, https://ruj.uj.edu.pl/server/api/core/bitstreams/094dd11f-1eba-4aa9-8fe7-60e3764b2bd9/content
16. A guide to Google Search ranking systems, https://developers.google.com/search/docs/appearance/ranking-systems-guide
17. L. Harris, Generative Artificial Intelligence: Overview, Issues, and Considerations for Congress, https://www.congress.gov/crs-product/IF12426
18. Sh. Hegde, P. Fazli, H. Seifi, ChartQA-X: Generating Explanations for Visual Chart Reasoning, EEE/CVF Winter Conference on Applications of Computer Vision, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC13166121/
19. M. Huang, A. Goyal, K. Saha, E. Chandrasekharan, Answer Bubbles: Information Exposure in AI-Mediated Search, 2026, https://arxiv.org/abs/2603.16138
20. Inside the C-Suite: How AI is quietly reshaping executive decisions, Capgemini Research Institute, 2026, https://www.capgemini.com/wp-content/uploads/2026/01/Final-Web-Version-Research-Brief-Gen-AI-in-Decision-Making.pdf
21. Jak kupujemy w dobie AI?, Casbeg, 2026, https://casbeg.com/pl/do-pobrania/raport-o-llm-zakupy-b2b-casbeg/
22. A. Jedynak, O relatywizmie językowym, „Filozofia Nauki”, 2003, r. XI, nr 3-4 (43-44) s. 23-40, https://cejsh.icm.edu.pl/cejsh/element/bwmeta1.element.ojs-issn-2657-5868-year-2003-volume-11-issue-3-4-article-370/c/370-269.pdf
23. S. Joshi, Comprehensive Review of AI Hallucinations: Impacts and Mitigation Strategies for Financial and Business Applications, “International Journal of Computer Applications Technology and Research”, 2025, vol. 14, issue 06, s. 38-50, https://www.researchgate.net/publication/391978285_Comprehensive_Review_of_AI_Hallucinations_Impacts_and_Mitigation_Strategies_for_Financial_and_Business_Applications
24. B. Józefik, B. Janusz, B. de Barbaro, Koncepcja dialogowego Ja w psychoterapii – założenia teoretyczne, „Psychiatria Polska”, 2012, t. XLVI, nr 5, s. 857–865, https://www.psychiatriapolska.pl/pdf-154503-79054?filename=79054.pdf
25. J. Kunz, M. Kuhlmann, Properties and Challenges of LLM-Generated Explanations, 2024, https://www.researchgate.net/publication/400070417_Properties_and_Challenges_of_LLM-Generated_Explanations
26. A. Kaklauskas, Intelligent Decision Support Systems, [w:] Biometric and Intelligent Decision Making Support, “Intelligent Systems Reference Library”, vol. 81, Springer International Publishing, Switzerland 2015 , s. 31-85, https://www.researchgate.net/publication/278680414_Intelligent_Decision_Support_Systems
27. D. Leszczyńska, Co głosi relatywizm poznawczy? Rekonstrukcja konstytutywnych twierdzeń relatywizmu, „Filozofia Nauki”, 2005, r. XIII, nr 1(49), s. 100-110, https://bibliotekanauki.pl/articles/909782.pdf
28. H. Liu, M. Yang, G. Adomavicius, Robustness is important: Limitations of LLMs for predictions on tabular data, PNAS Nexus, 2026, vol. 5, issue 6, https://academic.oup.com/pnasnexus/article/5/6/pgag197/8699520
29. L. Longo, M. Brcic, F. Cabitza, J. Choi, R. Confalonieri, J. Del Ser, R. Guidotti, Y. Hayashi, F. Herrera, A. Holzinger, R. Jiang, H. Khosravi, F. Lecue, G. Malgieri, A. Páez, W. Samek, J. Schneider, T. Speith, S. Stumpf, Explainable Artificial Intelligence (XAI) 2.0: A manifesto of open challenges and interdisciplinary research directions, “Information Fusion”, 2024, vol. 106, https://www.sciencedirect.com/science/article/pii/S1566253524000794
30. D. Mallon, J. Duda, S. Besana, M. Bodan, AI and the future of human decision-making, Global Human Capital Trends 2026, chapter 3, https://www.deloitte.com/us/en/insights/topics/talent/human-capital-trends/2026/decision-making-with-ai.html
31. D. Marquardt. Dialog z chatbotem. Ujęcie mediolingwistyczne, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach, Katowice 2024, https://sbc.org.pl/Content/841695/Dialog_z_chatbotem_tekst.pdf
32. Th. Mee, J. J. Choi, A. Baduashvili, Same Prompt, Different Answer: Why AI Disagrees with Itself, “Journal of General Internal Medicine”, 2026 vol. 41, s. 1283–1285, https://link.springer.com/article/10.1007/s11606-025-10071-1
33. Y. Memiş, Examining the potential and pitfalls of AI in problem solving, “Journal of Pedagogical Research”, 2025, vol. 9, issue 2, s. 177-190, https://files.eric.ed.gov/fulltext/EJ1472344.pdf
34. S. Mukhopadhyay, A. Qidwai, A. Garimella, P. Ramu, V. Gupta, D. Roth, Unraveling the Truth: Do VLMs really Understand Charts? A Deep Dive into Consistency and Robustness, Findings of the Association for Computational Linguistics: EMNLP 2024, Association for Computational Linguistics, Miami 2024, s. 16696–16717, https://aclanthology.org/2024.findings-emnlp.973/
35. Najbogatszy Polak nie ma złudzeń: Polsce grozi armagedon energetyczny. Michał Sołowow, Biznes Klasa, 2026, https://www.youtube.com/watch?v=bvwxySsYPVs&t=3697s
36. E. M. Nassiri, A. El Mzabi, Generative AI and Organizational Decision-Making: A Systematic Review of Performance Effects, „Procedia Computer Science”, 2026, vol. 280, s. 1344-1349, https://www.sciencedirect.com/science/article/pii/S1877050926011956
37. H. Naveed, A. U. Khan, S. Qiu, M. Saqib, S. Anwar, M. Usman, N. Akhtar, N. Barnes, A. Mian, A Comprehensive Overview of Large Language Models, https://arxiv.org/abs/2307.06435
38. New Research Finds That Nearly Half of Executives Trust AI Over Themselves, SAP News, 2025, https://news.sap.com/2025/03/new-research-executive-trust-ai/
39. G. Nguyen, S. Dlugolinsky, M. Bobák, V. Tran, Á. López García, I. Heredia, P. Malík, L. Hluchý, Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey, “Artificial Intelligence Review”, 2019, vol. 52, s. 77-124, https://link.springer.com/article/10.1007/s10462-018-09679-z
40. Obiektywizm, Słownik języka polskiego PWN, https://sjp.pwn.pl/sjp/obiektywizm;2569460.html
41. S. E. Page, A. Kallapur, Replace, augment, disrupt: AI & organizational decision-making, „Journal of Organization Design”, 2026, vol. 15, s. 19-26, https://link.springer.com/article/10.1007/s41469-025-00194-4
42. A. Pieczyński, Zasady funkcjonowania sztucznej inteligencji (AI) z perspektywy technicznej, „Dyskurs Prawniczy i Administracyjny”, 2025, nr 1, s. 177-189, https://www.researchgate.net/publication/397729167_Zasady_funkcjonowania_sztucznej_inteligencji_AI_z_perspektywy_technicznej
43. Przedstawiamy OpenAI o1‑preview, oficjalna witryna OpenAI, 2024, https://openai.com/pl-PL/index/introducing-openai-o1-preview/
44. M. Przełęcki, Prawda, „Filozofia Nauki”, 1993, r. I, nr 2-3, 389-399, https://bazhum.muzhp.pl/media/texts/filozofia-nauki/1993-tom-1-numer-23/filozofia_nauki-r1993-t1-n2_3-s389-399.pdf
45. S. Randazzo, A. Joshi, K. C. Kellogg, H. Lifshitz, F. Dell’Acqua, K. R. Lakhani, GenAI as a Power Persuader: How Professionals Get Persuasion Bombed When They Attempt to Validate LLMs, 2025, Harvard Business School, Working Paper 26-021, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5678644
46. Zbigniew Rzepkowski, Golem z kodu: Dlaczego antropomorfizujemy sztuczną inteligencję?, hAI Magazine, https://haimagazine.com/pl/ai_branza/zdrowie/golem-z-kodu/
47. Th.-O. Saup, J. Asghara, D. K. Kanbach, S. Kraus, From pilots to decision systems: embedding generative AI into strategic decision-making through a socio-technical and governance lens, „Journal of Decision Systems”, 2026, vol. 35, nr 1, https://www.tandfonline.com/doi/full/10.1080/12460125.2025.2597835
48. N. Schulte, D. K. Kanbach, Rethinking organizational decision-making: The emerging roles and tasks of generative artificial intelligence, “Management Review Quarterly”, 2026, https://link.springer.com/article/10.1007/s11301-026-00611-2
49. G. Son, S. Kim, C. Arnett, H. Ko, H. Lee, H. Kang, J. Longxi, J. Yun, J. Lee, K. Lee, S. Y. Kim, S. Park, S. Hong, S. Lee, S. Yi, S. Shin, S. Bok, S. Shin, Y. Ji, Y. Kim, H. Jung, A. Asai, G. Neubig, S. Welleck, Y. Yu, A. R, A. B. Ivanov, B. Muhammadjon, C. Y. Han, Ch. Stump, C. R. Anderson, D. Karp, D. Kwon, D. Yi, D. Kwon, D.-S. Oh, E. Choi, G. Resta, G. Panova, H. Noh, H. Baik, H. Bae, I. Mashrafdzhon, J. Kim, J.-R. Kim, J. E. Lee, J. Liu, J. Kang, J. Kim, J.-L. Kim, J. Won, J. Yoon, J. Jo, K. Kim, K. Kwon, M. Kummer, M. Mercer, M. H. Kim, M. Kim, N. Lee, N. Ze-An, N. Libedinsky, R. M. Łochowski, R. Lachièze-Rey, R. Auffarth, R. Zhang, S. Park, S. Seo, S. Jaehoon, Sunatullo, T. Eom, Y. Park, Y. Jang, Y. Oh, Zh. Wang, Z. Kovács, Soohak: A Mathematician-Curated Benchmark for Evaluating Research-level Math Capabilities of LLMs, 2026, https://arxiv.org/abs/2605.09063
50. S. Singh Sengar, A. Bin Hasan, S. Kumar, F. Carroll, Generative artificial intelligence: a systematic review and applications, “Multimedia Tools and Applications”, 2025, vol. 84, s. 23661–23700, https://link.springer.com/article/10.1007/s11042-024-20016-1
51. Ph. Spitzer, D. Hendriks, J. Rudolph, S. Schlaeger, J. Ricke, N. Kühl, B. F. Hoppe, S. Feuerriegel, The effect of medical explanations from large language models on diagnostic accuracy in radiology, „npj Digital Medicine”, 2026, nr 9 (333), https://www.nature.com/articles/s41746-026-02619-0
52. A. X. Wang, S. S. Chukova, C. R. Simpson, B. P. Nguyen, Challenges and opportunities of generative models on tabular data, “Applied Soft Computing”, 2024, vol. 166, https://www.sciencedirect.com/science/article/pii/S1568494624009979
53. S. Wasiuta, Etnolingwistyka kognitywna – w stronę integralnego opisu języka, “LingVaria”, 2023, r. XVIII, nr 2 (36), s. 267–276, https://www.researchgate.net/publication/375646832_Etnolingwistyka_kognitywna_-_w_strone_integralnego_opisu_jezyka
54. What’s the Difference? Data Engineer vs Data Scientist vs Analytics Engineer?, https://www.ibm.com/think/topics/data-engineer-data-vs-data-scientist-vs-analytics-engineer
55. B. Worek, Rzetelność i trafność w badaniach jakościowych: ocena jakości danych, [w:] Projektowanie, ocena i wykorzystanie danych rynkowych, red. J. Dziechciarz, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 51, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław 2009, s. 136-147, https://www.dbc.wroc.pl/Content/18958/PDF/Worek_Rzetelnosc_i_trafnosc_w_badaniach.pdf
56. E. Xie, W. Ye, A. Zhang, ALPS: Measuring Valid Creativity in Large Language Models with Mathematical Construction, 2026, https://arxiv.org/abs/2608.15979
57. M. Ye, L. Ibrahim, J. Y. Bo, M. Cheng, I. Mattsson, D. Vennemeyer, R. Kraut, S. Rathje, What Counts as AI Sycophancy? A Taxonomy and Expert Survey of a Fragmented Construct, https://arxiv.org/abs/2605.21778
58. D. Zheng, I. von Glehn, Y. Zwols, I. Beloshapka, L. Buesing, D. M. Roy, M. Wattenberg, B. Georgiev, T. Schmidt, A. Cowie, F. Viegas, D. Kanevsky, V. Kahlon, H. Maennel, S. Alj, G. Holland, A. Davies, P. Kohli, AI co-mathematician: Accelerating mathematicians with agentic AI, 2026, https://arxiv.org/abs/2605.06651
