Produktywność AI Ricka Maneliusa: skupienie ważniejsze niż większa wydajność

Rick Manelius opublikował 26 lipca 2026 roku bezpośrednie ostrzeżenie dotyczące produktywności AI, gdy jego lista projektów rozrosła się do około 40 aktywnych eksperymentów. AI radykalnie ułatwiła rozpoczynanie pracy. Nie zwiększyła jednak jego zdolności do kończenia wszystkiego, co zaczął.

To rozróżnienie ma znaczenie, ponieważ większość twierdzeń o produktywności AI mierzy szybkość realizacji ściśle określonego zadania. Rzadko analizują, co dzieje się później, gdy zaoszczędzony czas wraca do ambitnego pracownika. Może on przeznaczyć go na odpoczynek, głębszą pracę albo kolejne kilkanaście zobowiązań.

Artykuł Ricka Maneliusa przekonuje, że zmienił się deficytowy zasób. Stworzenie szkicu, prototypu, analizy lub aplikacji wymaga dziś mniejszego wysiłku. Trudniejsze stało się wybieranie tego, co zasługuje na uwagę, domykanie otwartych spraw i doprowadzanie wartościowej pracy do końcowych etapów.

Ta teza Ricka Maneliusa o produktywności AI podważa najczęstszą narrację o AI w miejscu pracy. Microsoft, OpenAI, Anthropic, Google i niezliczone startupy sprzedają wizję zwiększonej wydajności. Manelius pyta, co się dzieje, gdy ludzie natychmiast wypełniają tę dodatkową przepustowość.

Jego odpowiedź jest niewygodna. Szybsza produkcja może tworzyć więcej pracy zamiast ją ograniczać. Najcenniejszymi ludzkimi umiejętnościami mogą więc być skupienie i konsekwencja w doprowadzaniu spraw do końca, a nie zdolność do inicjowania większej liczby działań wspieranych przez AI.

Co zmienia argument Ricka Maneliusa o produktywności AI

Wydarzeniem nie jest premiera nowego modelu. To trafne podważenie wskaźnika używanego do oceny pracy wspieranej przez AI.

Manelius opisuje znaną sekwencję wydarzeń. Przed erą generatywnej AI miał ponad 100 pomysłów na artykuły i około 50 potencjalnych projektów czekających na uwagę. Czas ograniczał te ambicje.

AI osłabiła to ograniczenie. Zaczął wysyłać prompty między spotkaniami, czasem w pięciominutowych oknach, podczas gdy modele pracowały dalej w tle. Wczesne eksperymenty dawały zachęcające rezultaty, przez co kolejne wydawały się uzasadnione.

Skala rosła, aż miał w toku około 40 proof of conceptów. Każdy projekt wydawał się tani, gdy oceniano go przez pryzmat kosztu rozpoczęcia. Łącznie stworzyły jednak duże portfolio niedokończonych zobowiązań.

To doświadczenie skłoniło Maneliusa do rozróżnienia produktywności horyzontalnej od postępu wertykalnego. Produktywność horyzontalna oznacza robienie większej liczby rzeczy jednocześnie. Postęp wertykalny oznacza doprowadzanie mniejszej liczby ważnych spraw dalej.

Różnica brzmi prosto, lecz oprogramowanie dla miejsca pracy zwykle nagradza pierwszą kategorię. Aktywność widać w wygenerowanych dokumentach, aktualizacjach zadań, pull requestach, prototypach, wiadomościach i podsumowaniach spotkań. Doprowadzanie spraw do końca jest wolniejsze i mniej widoczne.

Ukończony projekt wymaga też rodzajów pracy, których AI nie eliminuje. Ktoś musi zdecydować, czy wynik jest poprawny, istotny, kompletny, bezpieczny i użyteczny. Ktoś musi uwzględnić informacje zwrotne i przyjąć odpowiedzialność za rezultat.

Manelius ilustruje ten problem niedokończonym esejem. Uznał, że jego pierwotna wersja nie jest wystarczająco dobra, mimo że była bliska publikacji. Zamiast szybko ją opublikować, wybrał kilka kolejnych rund poprawek.

Ta decyzja stanowi sedno odwrócenia sytuacji. AI obniża koszt dojścia do wiarygodnej pierwszej wersji. Pozostała różnica między wersją wiarygodną a znakomitą nadal może wymagać większości osądu, redakcji i zaangażowania.

Dlatego esej jest czymś więcej niż poradą dotyczącą osobistej produktywności. Uchwyca konflikt pojawiający się w pracy umysłowej wspieranej przez AI. Organizacje mogą generować więcej artefaktów, nie tworząc przy tym większej liczby decyzji, większej wartości dla klientów ani większej liczby ukończonych rezultatów.

Historia trafia też na szczególny moment. Agenci AI mogą dziś wykonywać kilka zadań, podczas gdy pracownik uczestniczy w spotkaniu lub przegląda inny wynik pracy. Równoległe wykonywanie zadań zwiększa przepustowość maszyn, ale powiększa również kolejkę zadań wymagających ludzkiego przeglądu.

Technologia tworzy opcje szybciej, niż ludzie są w stanie je ocenić. To nadaje znaczenie ekonomiczne selekcji, sekwencjonowaniu i kończeniu pracy. Skupienie przestaje być preferencją stylu życia, a staje się ograniczeniem produkcyjnym.

Szybsze zadania wydłużają dni pracy

Przyspieszenie zadań nie gwarantuje krótszego dnia pracy, ponieważ zaoszczędzony czas często staje się nową zdolnością do wykonywania dodatkowej pracy.

Kontrolowane badania wykazały, że generatywna AI może poprawiać wyniki w ograniczonych zadaniach. Eksperyment z 2023 roku obejmujący 453 profesjonalistów z wykształceniem wyższym wykazał, że ChatGPT skrócił średni czas realizacji zadań pisemnych o 40 procent. Jakość wzrosła o 18 procent.

Eksperyment dotyczący pisania mierzył jasno określone zadanie, zdefiniowany punkt końcowy i porównywalny rezultat. Takie warunki pomagają badaczom wyizolować efekt produktywności.

Inne badanie objęło tysiące agentów obsługi klienta korzystających z asystenta AI. Badacze stwierdzili, że dostęp do niego zwiększył średnio liczbę spraw rozwiązywanych na godzinę o 14 procent. Najwięcej skorzystali mniej doświadczeni pracownicy.

Wyniki te wspierają twierdzenia o produktywności AI. Nie dowodzą jednak, że każdy pracownik otrzymuje równoważną ilość wolnego czasu. Szybsze zadanie może bezpośrednio prowadzić do większego obciążenia pracą.

Badania opublikowane przez UC Berkeley Haas w lutym 2026 roku opisują tę intensyfikację. Badacze Aruna Ranganathan i Xingqi Maggie Ye przeprowadzili ośmiomiesięczne badanie etnograficzne w 200-osobowej firmie technologicznej.

Pracownicy szybciej wykonywali zadania, poszerzali zakres swoich ról i pozwalali, by praca przenikała więcej części dnia. Utrzymywali też aktywność wielu strumieni pracy, gdy procesy AI działały w tle.

Ustalenia Berkeley wskazują trzy wzorce. Pracownicy podejmowali zadania, które wcześniej należały do innych osób, wykorzystywali naturalne przerwy na tworzenie promptów i utrzymywali kilka równoczesnych wątków.

Opis ten ściśle odpowiada relacji Maneliusa. Osoba wysyła prompt przed spotkaniem, ponieważ działanie zajmuje sekundy. Odpowiedź nadal tworzy przyszłe zobowiązanie: trzeba ją przeczytać, ocenić, poprawić, przekazać dalej lub odrzucić.

Prompt pochłania niewiele czasu. Jego wynik rości sobie prawo do późniejszej uwagi.

Mechanizm ten wyjaśnia, dlaczego AI może zmniejszać wysiłek przypadający na zadanie, jednocześnie zwiększając całkowite obciążenie poznawcze. Obciążenie poznawcze to wysiłek umysłowy potrzebny do utrzymywania, przetwarzania i koordynowania informacji. Każdy aktywny projekt dodaje zależności i nierozstrzygnięte decyzje.

Dane z miejsc pracy już pokazują, że na dalszą fragmentację jest niewiele przestrzeni. Microsoft podał w 2025 roku, że w podstawowych godzinach pracy pracownicy byli przerywani przez spotkanie, e-mail lub czat co dwie minuty.

Globalne badanie firmy wykazało, że 80 procent pracowników nie miało wystarczająco dużo czasu ani energii, by wykonywać swoją pracę. Jednocześnie 53 procent liderów stwierdziło, że produktywność musi wzrosnąć.

Raport o nieskończonym dniu pracy wykazał również, że aktywność rozciąga się na wczesne poranki i wieczory. Microsoft przedstawił AI oraz przeprojektowane procesy pracy jako część rozwiązania.

Manelius dodaje do tej propozycji kluczowy warunek. AI nie może chronić uwagi, jeśli każdy wzrost efektywności uzasadnia kolejne zobowiązanie. Bez ograniczeń automatyzacja przyspiesza ten sam przeciążony system.

Pracownicy umysłowi stają więc przed paradoksem wydajności. Mogą produkować więcej jednostek pracy, a jednocześnie czuć się bardziej oddaleni od ukończenia zadań. Ich wyniki rosną, podczas gdy poczucie kontroli spada.

Nie jest to dowód na brak wartości AI. Pokazuje, dlaczego organizacje potrzebują szerszych miar produktywności. Szybkość ma znaczenie, ale równie ważne są długość dnia pracy, liczba niedokończonych spraw, ciężar poprawek, jakość decyzji i regeneracja pracowników.

Większa liczba wyników konkuruje z ukończoną pracą

Główna rywalizacja nie toczy się między ludźmi a AI. Chodzi o widoczne rezultaty kontra praca, która przechodzi przegląd i tworzy użyteczny efekt.

Generatywna AI doskonale radzi sobie z tworzeniem wiarygodnych artefaktów pośrednich. Może przygotować strategię, podsumować wywiady, naszkicować kod, zaproponować kampanie lub przekształcić notatki w prezentację. Każdy taki artefakt może wyglądać jak postęp.

Artefakt nie jest jednak automatycznie rezultatem. Strategia wymaga wyborów i zobowiązań dotyczących zasobów. Podsumowanie badań wymaga możliwych do prześledzenia dowodów. Kod wymaga testów, utrzymania, przeglądu bezpieczeństwa i jasno wskazanego właściciela.

To rozróżnienie trudniej dostrzec, ponieważ wynik AI często ma dopracowaną strukturę. Dobre formatowanie może sprawiać, że niedokończona myśl wygląda na rozstrzygniętą. Płynny język może ukrywać brakujący kontekst lub niepoparte założenia.

BetterUp Labs i Stanford Social Media Lab nazywają jedną wersję tego problemu „workslop”. Termin opisuje dopracowany materiał wygenerowany przez AI, któremu brakuje wystarczającej treści lub kontekstu, by posunąć pracę odbiorcy naprzód.

Ich badanie z września 2025 roku objęło 1 150 pełnoetatowych amerykańskich pracowników biurowych. Czterdzieści procent stwierdziło, że w poprzednim miesiącu otrzymało workslop. Respondenci zgłaszali, że rozwiązanie każdego takiego przypadku zajmowało im średnio dwie godziny.

Badanie workslopu stanowi dowód ankietowy, a nie uniwersalny pomiar każdego miejsca pracy. Mimo to uwypukla ważne przeniesienie pracy.

Nadawca może zaoszczędzić czas, szybko generując dokument. Odbiorca następnie poświęca czas na odtworzenie jego celu, sprawdzenie twierdzeń i zdecydowanie, co powinno wydarzyć się dalej. Lokalna efektywność tworzy pracę w dalszej części procesu.

Argument Maneliusa dotyczy podobnego transferu u jednej osoby. Rozpoczęcie projektu AI wydaje się tanie, ponieważ początkowe generowanie jest tanie. Ta sama osoba później dziedziczy koszty przeglądu, koordynacji i ukończenia.

Zmienia to ekonomię osobistych portfeli projektów. Przed AI wysiłek potrzebny do rozpoczęcia projektu zniechęcał do niektórych słabszych pomysłów. To tarcie pełniło funkcję niedoskonałego filtra.

AI usuwa znaczną część tego filtra. Pracownicy mogą teraz stworzyć prototyp, zanim w pełni zdecydują, czy problem zasługuje na uwagę. Zespoły mogą wygenerować kilka opcji strategicznych, zanim uzgodnią swoje ograniczenia.

Eksploracja ma realną wartość. Tanie eksperymenty mogą ujawnić błędne założenia, zanim firma podejmie większe zobowiązanie. Problem zaczyna się wtedy, gdy eksperymenty gromadzą się bez jasnych zasad ich kończenia.

Każdy proof of concept wymaga decyzji. Powinien być rozwijany, połączony z innym działaniem, wstrzymany lub zamknięty. Unikanie tej decyzji nie sprawia, że eksperyment pozostaje bezkosztowy.

Projekt nadal zajmuje miejsce na dashboardach, w rozmowach, pamięci i przestrzeni dyskowej. Współpracownicy mogą od niego zależeć. Interesariusze mogą interpretować jego istnienie jako obietnicę.

To właśnie tutaj konsekwencja w doprowadzaniu spraw do końca różni się od wytrwałości. Wytrwałość oznacza kontynuowanie mimo trudności. Konsekwencja oznacza rozstrzygnięcie zobowiązania, także wtedy, gdy właściwym rozstrzygnięciem jest anulowanie.

Teza Ricka Maneliusa o produktywności AI umieszcza zatem odpowiedzialność w centrum współczesnej pracy. AI może przedstawiać opcje, ale osoba lub zespół musi wziąć odpowiedzialność za punkt końcowy. Bez odpowiedzialności szybsze generowanie tworzy szersze pole niejednoznaczności.

Organizacje powinny zauważyć, kto odczuwa presję związaną z tą zmianą. Indywidualni współpracownicy otrzymują więcej materiału do zweryfikowania. Menedżerowie otrzymują więcej propozycji do ustalenia priorytetów. Klienci spotykają się z większą liczbą funkcji, wiadomości i dokumentacji rywalizujących o uwagę.

Presja dociera również do najwyższych liderów. Muszą odróżniać przepustowość operacyjną od strategicznego postępu. Firma może wdrażać więcej zmian, jednocześnie osłabiając spójność swojego produktu.

Skupienie chroni spójność. Konsekwencja w doprowadzaniu spraw do końca przekształca wybrane możliwości w niezawodne rezultaty. Razem decydują o tym, czy zdolność generowana przez AI staje się wartością, czy szumem.

AI sprawia, że rozpoczęcie jest tanie, a ukończenie kosztowne

AI przyspiesza stworzenie pierwszego szkicu, ale ostatni etap nadal koncentruje osąd, odpowiedzialność i trudne kompromisy.

Manelius porównuje stan bliski ukończenia do różnicy między częściowym a całkowitym zaćmieniem Słońca. Ostatni punkt procentowy może zmienić całe doświadczenie, nawet jeśli różnica liczbowa wydaje się niewielka.

Ta metafora jest użyteczna, ponieważ ukończenie nie postępuje równomiernie. Szkic może szybko osiągnąć akceptowalną płynność. Poprawa jego wiarygodności faktograficznej i precyzji strategicznej może wymagać kilku rund ludzkiej weryfikacji.

Oprogramowanie podąża podobną krzywą. AI może szybko tworzyć działający kod, zwłaszcza dla znanych wzorców. Gotowość produkcyjna wymaga testowania nietypowych warunków, ochrony danych, dokumentowania decyzji i utrzymywania systemu po wdrożeniu.

Ostatni etap może również ujawnić, że pierwotny kierunek był błędny. To odkrycie wydaje się nieefektywne, ponieważ unieważnia wcześniejsze rezultaty. W rzeczywistości rozpoznanie słabego kierunku zapobiega większemu marnotrawstwu.

AI komplikuje ten etap, sprawiając, że koszty utopione wydają się większe. Zespół mógł wygenerować rozbudowany kod, treści lub analizy w ciągu kilku godzin. Ich ilość utrudnia emocjonalnie porzucenie pracy, nawet jeśli jej wygenerowanie było tanie.

To tworzy nową formę przywiązania. Ludzie bronią projektu, ponieważ już wygląda na znaczący. Mylą wygenerowaną masę z wypracowaną wartością.

Dobre ukończenie wymaga przeciwnej reakcji. Zespoły muszą oceniać projekty według bieżących celów, a nie ilości już wytworzonych treści. Muszą pozostać gotowe usuwać pozornie sensowną pracę.

Problem jakości wykracza też poza halucynacje. Halucynacja to pewna siebie odpowiedź AI, która nie ma oparcia w faktach. Nawet treść poprawna faktograficznie może zawieść, ponieważ ignoruje lokalną historię, potrzeby interesariuszy lub ograniczenia organizacyjne.

Dlatego dostęp do kontekstu ma znaczenie. Pracownicy wiedzy potrzebują istotnych decyzji, dokumentów, rozmów i dowodów w pobliżu momentu weryfikacji. Przeszukiwalna osobista baza wiedzy może skrócić czas poświęcany na odtwarzanie tego kontekstu.

Jednak wyszukiwanie nie podejmuje ostatecznej decyzji. Lepszy kontekst wspiera osąd, ale nie wybiera celu. Pracownik nadal określa, które dowody są ważne i jaki kompromis organizacja zaakceptuje.

Ukończenie obejmuje również pracę społeczną. Ktoś musi uzyskać zgodę, wyjaśnić konsekwencje, odpowiedzieć na zastrzeżenia i skoordynować wdrożenie. Zadania te często przebiegają w ludzkim tempie, ponieważ zaufania nie da się wygenerować na żądanie.

Ten sam limit pojawia się w pracy kreatywnej. AI może w ciągu kilku minut zaproponować dwadzieścia pomysłów na kampanię. Zespół nadal potrzebuje jednego komunikatu, który pasuje do jego odbiorców, produktu, momentu i reputacji.

Wybranie jednego pomysłu oznacza odrzucenie dziewiętnastu. AI zachęca do rozszerzania, podczas gdy strategia wymaga eliminacji.

Zdolność do generowania alternatyw podnosi więc wartość jasnej definicji ukończenia. Definicja ukończenia określa warunki, które rezultat musi spełnić, zanim zobowiązanie zostanie zamknięte. Powinna obejmować wymagania dotyczące jakości, odpowiedzialności i dostarczenia.

Bez tej definicji projekty wspierane przez AI pozostają stale możliwe do ulepszenia. Modele zawsze mogą dostarczyć kolejny wariant, dodatkowe badania lub przeredagowaną wersję. Iteracja staje się mechanizmem unikania.

Decyzja Maneliusa, by głębiej poprawiać mniej artykułów, stanowi jedną z odpowiedzi. Narzuca niedobór po tym, jak technologia go usunęła. Ograniczenie wynika z osądu redakcyjnego, a nie z kosztu produkcji.

Firmy potrzebują porównywalnego ruchu. Mogą ograniczyć liczbę aktywnych prac, wyznaczyć jasnych właścicieli i wymagać dowodów przed rozpoczęciem kolejnej inicjatywy. Wybory te brzmią operacyjnie, lecz chronią strategiczną wartość AI.

Skupienie to system operacyjny, a nie cecha osobowości

Skupienie nie przetrwa, jeśli organizacje celebrują aktywność AI, jednocześnie nagradzając pracowników za przyjmowanie nieograniczonej ilości pracy.

Łatwo potraktować doświadczenie Maneliusa jako problem osobistej dyscypliny. Otworzył zbyt wiele wątków, rozpoznał obciążenie i ograniczył swoje zobowiązania. Lepsza lista zadań mogłaby wydawać się wystarczająca.

Taka interpretacja pomija zachęty w miejscu pracy otaczające AI. Liderzy często wprowadzają te narzędzia, aby zwiększyć zdolność działania. Pracownicy rozsądnie zakładają, że zaoszczędzony czas powinien przełożyć się na większą produkcję.

Microsoft’s 2025 Work Trend Index wykazał, że 82 procent liderów spodziewało się wykorzystać cyfrową siłę roboczą do zwiększenia zdolności zespołów w ciągu 12–18 miesięcy. Cyfrowa siła robocza oznacza systemy AI wykonujące część pracy organizacyjnej.

Rozszerzenie możliwości może przynieść korzyść zespołowi z ograniczonymi zasobami. Może też stworzyć oczekiwanie, że każdy pracownik powinien nadzorować więcej równoległych działań. Praca zmienia się z wykonywania zadań w zarządzanie rosnącą kolejką wyników maszyn.

Pracownicy nie mogą rozwiązać tego problemu projektowego samą koncentracją. Potrzebują uprawnień do odmawiania pracy, kończenia eksperymentów i ochrony nieprzerwanego czasu na weryfikację. W przeciwnym razie skupienie koliduje z oczekiwaniami dotyczącymi wyników.

Praktyczny model działania zaczyna się od mniejszej liczby aktywnych rezultatów. Rezultat opisuje znaczącą zmianę, taką jak rozwiązanie problemu klienta lub dostarczenie niezawodnej funkcji. Nie jest jedynie wygenerowanym materiałem.

Zespoły mogą następnie ograniczyć pracę w toku. Limit pracy w toku określa maksymalną liczbę aktywnych elementów, zanim można rozpocząć kolejny. Ta praktyka od dawna istnieje w oprogramowaniu i produkcji, lecz AI czyni ją istotną w całej pracy opartej na wiedzy.

Limit powinien obejmować procesy AI, a nie tylko ludzkie przydziały. Agent badający dziesięć tematów tworzy dziesięć obowiązków weryfikacyjnych. Obowiązki te się liczą, nawet gdy agent działa bez nadzoru.

Organizacje powinny również mierzyć zamykanie spraw. Użyteczne sygnały obejmują ukończone projekty, rozstrzygnięte decyzje, usunięte problemy klientów i wycofane stare zobowiązania. Same wygenerowane dokumenty nie powinny być uznawane za sukces.

Zdolność do weryfikacji zasługuje na własny budżet. Przed uruchomieniem procesu AI zespół powinien wskazać, kto sprawdzi rezultat i ile czasu będzie wymagała ta kontrola. Weryfikacja bez właściciela jest ukrytym długiem.

Ta sama zasada dotyczy spotkań i wiadomości. Podsumowania AI mogą ograniczyć koszty uczestnictwa lub przypominania sobie ustaleń. Mogą też zachęcać do większej liczby spotkań, ponieważ dokumentacja wydaje się automatyczna.

Podsumowanie nie rozstrzyga sprzecznych priorytetów. Jeśli każde spotkanie generuje pięć elementów działania, automatyzacja może zwiększyć liczbę zobowiązań trafiających do systemu.

Menedżerowie muszą zatem bronić punktów zatrzymania. Lunch, wieczory i czas między spotkaniami kiedyś naturalnie ograniczały pracę. Zawsze dostępne modele mogą rozmyć te granice, jeśli zespoły nie przywrócą ich świadomie.

Nie wymaga to odrzucenia ambicji. Wymaga skierowania ambicji ku głębi. Pracownik może użyć AI do szybkiego przetestowania kilku podejść, a następnie zobowiązać się do jednego i zamknąć pozostałe.

AI może wspierać ten proces, porównując dowody, wskazując sprzeczności i zachowując kontekst projektu. Narzędzie takie jak ask remio może pomóc pracownikowi odzyskać wcześniejsze materiały bez otwierania kolejnego wątku badawczego.

Pracownik nadal odpowiada za ustalanie priorytetów. Żaden model nie zna pełnego kosztu alternatywnego nowego zobowiązania, chyba że organizacja jasno wyraziła swoje cele i ograniczenia.

W tym miejscu argument Ricka Maneliusa dotyczący produktywności AI staje się praktyczny. Nową umiejętnością nie jest po prostu lepsze promptowanie. Jest nią projektowanie systemu pracy, w którym tanie początki nie mogą przytłoczyć kosztownych zakończeń.

Czego teza o skupieniu nadal nie może dowieść

Manelius przedstawia mocną diagnozę, lecz jego osobiste doświadczenie nie dowodzi, że AI powszechnie zwiększa wypalenie zawodowe ani że mniej projektów zawsze przynosi lepsze rezultaty.

Oryginalny esej zawiera uderzające szacunki produktywności, od dwóch do 100 razy szybciej. Liczby te opisują doświadczenie i sposób ujęcia tematu przez Maneliusa. Nie należy traktować ich jako kontrolowanych pomiarów obejmujących różne zawody.

Zweryfikowane badania zwykle wskazują na węższe efekty w konkretnych warunkach. Eksperyment dotyczący profesjonalnego pisania zmierzył 40-procentowe skrócenie czasu ukończenia. Badanie obsługi klienta wykazało średni wzrost produktywności o 14 procent.

Rezultaty różnią się także w zależności od zadania i pracownika. W badaniu obsługi klienta mniej doświadczeni pracownicy uzyskali większe korzyści. Doświadczeni pracownicy odnotowali mniejsze zyski.

Inne eksperymenty wykazały poszarpaną granicę możliwości. AI dobrze wykonuje niektóre pozornie trudne zadania, a jednocześnie zawodzi przy podobnych zadaniach wykraczających poza jej mocne strony. Użytkownicy mogą stawać się mniej dokładni, gdy ufają modelowi w niewłaściwym obszarze.

Różnice te mają znaczenie, ponieważ skupienie nie może naprawić każdego ograniczenia technicznego. Głęboko zaangażowany pracownik nadal może podążać za niedokładnym wynikiem modelu. Koncentracja nie zastępuje weryfikacji.

Nie każdy otwarty projekt należy też klasyfikować jako szkodliwy. Praca eksploracyjna tworzy wiedzę, zwłaszcza gdy niepewność jest wysoka. Kilka szybkich prototypów może ujawnić, która ścieżka zasługuje na poważną inwestycję.

Kluczowe rozróżnienie dotyczy tego, czy eksperymenty prowadzą do decyzji. Portfel prób może być zdyscyplinowany, gdy każda z nich ma pytanie, właściciela, limit czasu i warunek zakończenia.

Manelius łączy również rozszerzanie projektów z pojawiającym się wypaleniem zawodowym. Wypalenie zawodowe to związany z pracą syndrom kojarzony z wyczerpaniem, dystansem wobec pracy i obniżoną skutecznością zawodową. Ma wiele przyczyn organizacyjnych i osobistych.

Jego relacja nie może wyizolować AI jako przyczyny. Rodzicielstwo, przedsiębiorczość, wymagania w pracy, presja finansowa, zdrowie i kultura organizacyjna mogą wpływać na wyczerpanie.

Wyniki Berkeley zasługują na podobną ostrożność. Badanie omawiane w lutym 2026 roku opierało się na ośmiomiesięcznej analizie przeprowadzonej w jednej firmie technologicznej. Dostarcza bogatych dowodów behawioralnych, a nie reprezentatywnego oszacowania dla całej siły roboczej.

Telemetria Microsoft również ma ograniczenia. Odzwierciedla aktywność w środowiskach Microsoft 365 i nie obejmuje części populacji. Liczba wiadomości nie jest tożsama z obciążeniem psychicznym.

Mimo to źródła te wskazują na prawdopodobny mechanizm. AI zmniejsza trudność rozpoczęcia pracy poznawczej. Ludzie reagują rozszerzaniem zakresu, utrzymywaniem większej liczby równoległych wątków i wykorzystywaniem czasu, który wcześniej służył jako przerwa.

Mechanizm ten należy testować w różnych branżach. Badacze potrzebują danych podłużnych łączących wdrażanie AI z czasem pracy, niedokończoną pracą, jakością, autonomią i dobrostanem.

Pracodawcy powinni również odróżniać dobrowolną eksplorację od narzuconej intensyfikacji. Założyciel wybierający dodatkowe eksperymenty znajduje się w innej sytuacji niż pracownik, którego cel wydajnościowy rośnie po wdrożeniu AI.

Kontrola zmienia doświadczenie. Pracownicy, którzy decydują, jak wykorzystać zaoszczędzony czas, mogą odczuwać większą autonomię. Pracownicy otrzymujący wyższe normy mogą postrzegać tę samą technologię jako nadzór lub presję.

Istnieje też kwestia dystrybucji. AI może zmniejszyć uciążliwość pracy jednego pracownika, jednocześnie przenosząc pracę weryfikacyjną na innego. Produktywność całej organizacji może wyglądać inaczej niż produktywność pojedynczej osoby.

Rzetelna ocena musi śledzić pracę przez kolejne przekazania. Powinna wskazywać, kto oszczędza czas, kto przejmuje weryfikację i kto ponosi odpowiedzialność, gdy rezultat zawodzi.

Teza o skupieniu pozostaje cenna, ponieważ zadaje te pytania. Jej słabością nie jest brak uniwersalnej odpowiedzi. Słabość ujawniłaby się dopiero wtedy, gdy firmy zamieniłyby „skupiaj się bardziej” w kolejne wymaganie nakładane na przeciążonych pracowników.

Skupienie wymaga odejmowania. Jeśli liderzy zachowają każdy cel, spotkanie, inicjatywę i oczekiwanie dotyczące odpowiedzi, nowa polityka skupienia stanie się pustym hasłem. Coś musi opuścić system.

Trzy sygnały pokażą, czy realizacja wygrywa

Kolejna faza AI w miejscu pracy będzie oceniana na podstawie tego, czy organizacje przekształcą szybsze wykonywanie zadań w lepsze rezultaty bez nieograniczonego wydłużania ludzkiej pracy.

Pierwszym sygnałem będzie zmiana sposobu mierzenia produktywności. Firmy powinny wyjść poza liczenie wygenerowanych materiałów, promptów czy poziomu wdrożenia AI. Powinny mierzyć zrealizowane rezultaty, liczbę poprawek, czas podejmowania decyzji i niedokończoną pracę.

Jeśli takie miary staną się powszechne, teza o skupieniu zyska na sile. Pokazałoby to, że organizacje dostrzegają różnicę między przepustowością maszyn a postępem biznesowym.

Jeśli firmy nadal będą świętować korzystanie z narzędzi bez mierzenia pracy wykonywanej dalej w procesie, teza osłabnie jako ruch operacyjny. Skupienie pozostanie osobistą strategią radzenia sobie zamiast standardem instytucjonalnym.

Drugim sygnałem będzie to, czy produkty AI rozwiną silniejsze mechanizmy kontroli nad aktywną pracą. Przydatne rozwiązania mogłyby w jednym miejscu pokazywać każdego działającego agenta, oczekującą recenzję, nierozstrzygniętą decyzję i porzucony wynik.

Takie funkcje traktowałyby ludzką uwagę jako ograniczony zasób. Pomagałyby pracownikom zrozumieć przyszłe zobowiązania tworzone przez nowy prompt lub delegowane zadanie.

Jeśli dostawcy będą optymalizować przede wszystkim pod kątem większej liczby równoległych agentów, większej liczby generacji i większej liczby automatycznych wiadomości, przeciążenie pozostanie prawdopodobne. Interfejs będzie zachęcał do rozszerzania działań, jednocześnie ukrywając koszty ich ukończenia.

Trzecim sygnałem będą długoterminowe dane dotyczące intensywności pracy. Badacze powinni porównać długość dnia pracy, zakres zadań, czas regeneracji i autonomię pracowników przed oraz po znaczącym wdrożeniu AI.

Spadek liczby godzin przy stabilnej jakości podważyłby najsilniejszą wersję ostrzeżenia Maneliusa. Pokazałby, że zaoszczędzony czas może pozostać zaoszczędzony w sprzyjających warunkach.

Dłuższe godziny pracy, szerszy zakres obowiązków lub rosnąca liczba poprawek wzmocniłyby jego analizę. Sugerowałyby, że lokalne zyski produktywności są pochłaniane przez rosnące oczekiwania.

Pracownicy umysłowi nie muszą czekać na te wyniki, by przyjrzeć się własnym systemom. Mogą policzyć aktywne zobowiązania, zidentyfikować wyniki oczekujące na ocenę i zakończyć eksperymenty, które przestały odpowiadać na ważne pytanie.

Celem nie jest sztuczna rzadkość. Chodzi o świadome alokowanie zasobów. AI powinna ułatwiać doprowadzanie wartościowej pracy do końca, a nie sprawiać, że każdy możliwy projekt wydaje się obowiązkowy.

To trwały wniosek płynący z koncepcji produktywności AI Ricka Maneliusa. Szybsze wykonanie zmienia miejsce, w którym pojawia się wąskie gardło. Gdy generowanie staje się obfite, osąd i zaangażowanie nabierają większej wartości.

Wybieraj projekty, których ukończenie naprawdę ma znaczenie. Zdefiniuj, co oznacza ich zakończenie, zanim zaczniesz je rozszerzać. Następnie wykorzystaj AI, aby wejść głębiej, zachować kontekst, testować założenia i ograniczać możliwy do uniknięcia nakład pracy.

Otwarte pytanie nie brzmi już, czy AI może pomóc Ci rozpocząć więcej pracy. Oczywiście, że może. Pytanie brzmi, czy wykorzystasz tę nową zdolność do mnożenia zobowiązań, czy do kończenia tych kilku, które warto podjąć.