Wyobraźmy sobie Kraków z połowy XVII wieku. Jest jeszcze ciemno, kiedy nastoletni chłopak przeciska się przez jedną z bram prowadzących w stronę miasta. Zimą zapewne marznie, latem idzie w kurzu, wiosną omija błoto. Nie znam jego imienia, bo go wymyślam. Wbrew pozorom, nie każdy mieszkaniec Krakowa zna swoich przodków sprzed wieków i nie każdy znał się z księdzem Józefem Tischnerem. Tego chłopca nazwijmy go Jakubem.
Wymyśliłem Jakuba, ale nie wymyślam świata, do którego właśnie wchodzi.
Jakub został przyjęty do warsztatu cenionego krakowskiego kuśnierza. Cech kuśnierzy rzeczywiście należał do starych i zamożnych organizacji rzemieślniczych miasta. Najstarsza informacja o nim pochodzi z 1377 roku, kiedy rada miejska zatwierdziła jego statut. Zachowane archiwalia obejmują później między innymi księgi mistrzów i zapisy uczniów. To nie był zatem tylko zawód. To była instytucja, hierarchia, osobny mikrokosmos.
Pierwszego dnia Jakub nie dostaje zapewne do ręki najcenniejszej skóry i nie słyszy: „Pokaż, co potrafisz”. Raczej sprząta, przynosi, obserwuje. Uczy się narzędzi, ale przede wszystkim uczy się różnic. Tego, czego nie da się dobrze opowiedzieć w podręczniku: kiedy materiał stawia właściwy opór, kiedy szew będzie trzymał, dlaczego ten sam ruch wykonany o dwa palce dalej psuje całość. Patrzy na ręce mistrza. Potem próbuje. Psuje. Poprawia. Znowu psuje. Ktoś ogląda jego robotę i mówi, że źle. Dzień po dniu, kwartał za kwartałem, rok za rokiem.
I tak nasz uczeń staje się czeladnikiem. Umie coraz więcej, ale „umieć” to jeszcze nie to samo, co mieć prawo powiedzieć o sobie: mistrz.
A tym bardziej to nie to samo, co umieć zrobić „majstersztyk”.
Dziś powiedzielibyśmy tak o filmie, albumie, kodzie programu, kampanii reklamowej, operacji chirurgicznej, golu zdobytym przewrotką albo politycznym manewrze. Wtedy słowo miało znacznie bardziej dosłowne, a przy tym bardziej bezlitosne znaczenie.
Majstersztyk nie był pochwałą. Był egzaminem.
Sztuka, po której wolno było zostać mistrzem
Polski „majstersztyk” pochodzi od niemieckiego Meisterstück: dosłownie „mistrzowska sztuka”, „sztuka mistrza”. Wielki słownik języka polskiego PAN notuje jego niemieckie pochodzenie oraz poświadczoną już w XVI wieku formę „majstersztuk”. Dzisiaj definiuje majstersztyk jako dzieło, wyrób lub działanie tak doskonałe, że może stać się świadectwem czyjegoś mistrzostwa.
W krakowskich źródłach cechowych idea pracy mistrzowskiej pojawia się bardzo wcześnie. Badania Mateusza Króla pokazują zarazem drugą stronę tego systemu: wymogi stawiane kandydatom nie służyły wyłącznie jakości. Cechy chroniły własne interesy ekonomiczne, reglamentowały dostęp do zawodu i potrafiły używać wymagań mistrzowskich jako bariery wejścia.
Mistrzostwa się wtedy nie deklarowało. Mistrzostwo trzeba było zademonstrować. Nasze czasy niezwykle rozbudowały kulturę opowiadania o przyszłej doskonałości. Startup prezentuje pitch deck. Naukowiec składa proposal. Architekt wizualizację. Kandydat portfolio. Founder TAM, SAM i SOM. Korporacja roadmapę. Państwo strategię. Wiele współczesnych systemów awansu premiuje zdolność przekonującego opowiedzenia o tym, co dopiero ma powstać.
Cechowy mistrz przynosił swoją pracę i mówił: „Oto ona. Zrobiłem. Sprawdźcie.”
Rzemieślnik z MacBookiem
Richard Sennett w The Craftsman znacznie poszerzył pojęcie rzemiosła. Rzemieślnikiem nie musi być człowiek z dłutem, młotkiem czy igłą. Może nim być programista, lekarz, naukowiec. Istotą rzemieślniczej postawy jest wewnętrzna potrzeba wykonania pracy dobrze dla niej samej. To prowadzi do dość niewygodnego pytania. Czy można zrobić majstersztyk, jeśli każdą pracę traktuje się przede wszystkim jako narzędzie do awansu?
Być może można. Historia zna cyników posiadających fantastyczny warsztat. Motywacja człowieka rzadko występuje zresztą w laboratoryjnej czystości. Chcemy pieniędzy, uznania, bezpieczeństwa, podziwu, przyjemności, czasem zemsty, czasem ciszy. I gdzieś pomiędzy nimi chcemy zrobić coś naprawdę dobrze. Ale majstersztyk ma pewną szczególną właściwość: jest produktem procesu znacznie dłuższego niż jego wykonanie.
Skrzypek gra koncert przez czterdzieści minut, ale majstersztyk nie powstaje w czterdzieści minut. Programista może napisać elegancką funkcję w kwadrans, lecz ten kwadrans zawiera dziesięć lat wcześniejszych błędów. Hollywood nas tu trochę oszukało. Kino wymyśliło montaż treningowy: bohater jest niezdarny, zaczyna grać muzyka, potem widzimy kilka poranków, kilka upadków, pot, schody, sztangę i nagle człowiek jest gotowy na finał, a w tle gra rockowa muzyka.
Całe terminowanie mieści się w jednej piosence. W życiu ścieżka dźwiękowa jest znacznie dłuższa.
Badania nad tzw. deliberate practice, celową praktyką nastawioną na poprawianie konkretnych elementów wykonania, są zresztą ciekawsze niż ich poppsychologiczna wersja. Meta-analiza Brooke Macnamary, Davida Hambricka i Fredericka Oswalda wykazała, że praktyka ma znaczenie, ale bynajmniej nie wyjaśnia całej różnicy między przeciętnością a wybitnością: odpowiadała za około 21% wariancji wyników w muzyce, 18% w sporcie, 4% w edukacji i mniej niż 1% w badanych profesjach.
Majstersztyk potrzebuje praktyki, ale potrzebuje też czegoś więcej: informacji zwrotnej, selekcji pomysłów, dobrego problemu, odpowiedniego momentu, zasobów, szczęścia, krytycyzmu wobec własnej pracy i — rzecz niedoceniana — standardu, wobec którego można tę pracę uznać za znakomitą. Samo powtarzanie jest bowiem w stanie uczynić nas niezwykle sprawnymi również w robieniu rzeczy źle.
Mistrz, który nigdy nie terminował
Dziś do naszego warsztatu wchodzi ktoś nowy. Nie ma fartucha, a jego dłonie nie są ubrudzone klejem. Nie ma dziesięciu lat doświadczenia. Nigdy niczego nie uszył, nie sprzedał klientowi, nie został wyrzucony z pracy. A jednak odpowiada na pytania ucznia natychmiast. Generatywna AI jest pod tym względem dziwną figurą. Przypomina mistrza, choć nigdy nie terminowała. Młody programista pyta ją o kod. Student o fizykę. Founder o model biznesowy. Copywriter o strukturę tekstu. Junior konsultant o prezentację dla zarządu. Dawniej trzeba było czekać, aż starszy kolega będzie miał chwilę.
Maszyna ma chwilę zawsze. I nie jest to tylko technologiczna anegdota.
Erik Brynjolfsson, Danielle Li i Lindsey Raymond przeanalizowali wdrożenie generatywnego asystenta AI w pracy 5179 konsultantów obsługi klienta. Przeciętny wzrost produktywności wyniósł około 14%, ale wśród nowych i słabiej wykwalifikowanych pracowników sięgał 34%. Autorzy sugerowali, że system przejmował część wzorców działania najlepszych pracowników i udostępniał je mniej doświadczonym. Innymi słowy: technologia potrafiła częściowo rozprowadzać po organizacji coś, co wcześniej było skoncentrowane w głowach ekspertów.
Jeszcze ciekawszy jest eksperyment Tutor CoPilot. System nie zastępował nauczyciela — podpowiadał mentorowi, jak prowadzić ucznia. W randomizowanym badaniu uczniowie pracujący ze wspieranymi przez AI bardziej doświadczonymi osobami byli o 4 punkty procentowe częściej w stanie opanować badany materiał. W przypadku słabiej ocenianych tutorów różnica sięgała 9 punktów procentowych. To interesujące, ponieważ najlepszy rezultat nie powstał tutaj w układzie: uczeń i AI. Powstał w układzie: uczeń, człowiek oraz AI.
Technologia nie tyle została mistrzem, ile zaczęła podpowiadać mistrzowi.
Z drugiej strony, eksperyment przeprowadzony w Harvardzie pokazał, że odpowiednio zaprojektowany tutor AI może również działać bezpośrednio. W randomizowanym badaniu zajęć z fizyki studenci korzystający ze specjalnie stworzonego tutora AI osiągali większe przyrosty wiedzy w krótszym czasie niż grupa uczestnicząca w aktywnych zajęciach prowadzonych tradycyjnie. Ważne zastrzeżenie: nie był to po prostu otwarty chatbot poproszony o „nauczenie fizyki”, lecz narzędzie skonstruowane wokół określonych zasad pedagogicznych.
Mistrz z XVII-wiecznego warsztatu miał przewagę, której model językowy nie ma: odpowiedzialność wynikającą z doświadczenia rzeczywistości. Jeżeli źle nauczył czeladnika szyć, szew pękał. Jeżeli źle nauczył wybierać materiał, klient wracał. Jeżeli warsztat produkował kiepskie wyroby, reputacja mistrza cierpiała.
AI nie ponosi podobnej konsekwencji. Może wygenerować świetną podpowiedź, ale może również z równą językową pewnością wygenerować odpowiedź fałszywą. NIST w swoim profilu ryzyka generatywnej AI wymienia „confabulation” — przekonująco sformułowane treści błędne lub zmyślone — jako jedno z podstawowych zagrożeń tej technologii. Szczególnie niebezpieczne staje się to właśnie tam, gdzie użytkownik nie ma wystarczającej wiedzy, by błąd rozpoznać.
A uczeń z definicji takiej wiedzy często jeszcze nie ma. Powstaje więc osobliwy paradoks. Im mniej wiem, tym bardziej potrzebuję nauczyciela. Ale im mniej wiem, tym trudniej mi ocenić, czy mój nauczyciel ma rację. Z człowiekiem radziliśmy sobie za pomocą reputacji, stopni naukowych, egzaminów, doświadczenia, rekomendacji, odpowiedzialności zawodowej. W przypadku AI dopiero wymyślamy odpowiedniki tych mechanizmów. Jest jeszcze coś.
Mistrz nie tylko odpowiada na pytania. Mistrz czasami odmawia odpowiedzi, mówiąc: „spróbuj sam” albo „pokaż mi, jak do tego doszedłeś”. Jeśli narzędzie natychmiast usuwa każdą trudność, może równocześnie usuwać część procesu, dzięki któremu powstawała kompetencja. Zastanówmy się więc, czy człowiek może zostać mistrzem, jeśli nigdy nie pozwolimy mu wystarczająco długo być uczniem?
Startup, czyli warsztat, w którym wolno psuć
Wyobraźmy sobie, że historią naszego Jakuba zainteresował się Netflix. I dziwnym zbiegiem okoliczności, scenarzyści kazali chłopakowi pracować w… w coworkingu.
Startupowy świat wydaje się przecież antytezą cechowego ideału. Tam należało długo terminować, zanim pokazano światu rzecz ukończoną. Tutaj mamy MVP. Tam kunszt, tutaj iterację. Tam mistrza, tutaj foundera w bluzie z kapturem mówiącego, że „na tym etapie skalujemy learning”. Tam doskonalenie produktu. Tutaj: „eksperymentuj, popełniaj błędy, próbuj ponownie.”
Czy w takiej kulturze może powstać majstersztyk? Może. Ba, powiem więcej: kultura eksperymentowania może być jednym z najlepszych środowisk do powstawania majstersztyków, pod warunkiem że nie pomyli się eksperymentowania z chaotycznym popełnianiem błędów.
William Kerr, Ramana Nanda i Matthew Rhodes-Kropf nazwali przedsiębiorczość procesem eksperymentowania. W nowych przedsięwzięciach prawdopodobieństwo sukcesu jest niskie, rozkład rezultatów bardzo nierówny, a wielu kluczowych informacji nie sposób poznać przed podjęciem działania. Startup nie jest realizacją planu, którego rezultat znamy. Jest urządzeniem służącym do produkcji wiedzy o czymś, czego jeszcze nie wiemy. Ale eksperyment różni się od porażki. Porażka bez hipotezy może być tylko porażką.
Badanie Arnalda Camuffo, Alessandra Cordovy, Alfonsa Gambardelli i Chiary Spiny pokazało, że uczenie przedsiębiorców bardziej naukowego podejścia do decyzji — formułowania przewidywań i testowania hipotez — pomagało im trafniej decydować, kiedy trwać przy pomyśle, a kiedy zmienić kierunek.
Podobnie Rembrand Koning, Sharique Hasan i Aaron Chatterji, analizując wykorzystanie testów A/B przez startupy technologiczne, stwierdzili, że eksperymentowanie poprawiało uczenie organizacyjne: firmy tworzyły więcej produktów, sprawniej identyfikowały obiecujące pomysły i szybciej rezygnowały z tych, które dostawały negatywny sygnał. W badanej grupie wdrożenie A/B testingu wiązało się po roku ze wzrostem wyników szacowanym na 30–100%.
Może więc startupowy majstersztyk nie powstaje mimo nieudanych prób. Może powstaje dzięki dobrze zaprojektowanej sekwencji prób, z których większość majstersztykiem nie jest.
„Ship it”, czyli kapitalizm i niedokończony majstersztyk
Majstersztyk wymaga czasu. Startup ma runway.
Majstersztyk wymaga poprawek. Rynek żąda jak najszybszej premiery.
Majstersztyk to autorefleksja: „czy to już jest naprawdę dobre?”
Inwestor pyta: „ile miesięcy zostało do następnej rundy?”
Nie trzeba nawet pracować w startupie, żeby znać współczesną liturgię pośpiechu. Wystarczy wspomnieć choćby znane nam wszystkim zaklęcie: Done is better than perfect. To wszystko są rozsądne zasady. Produkt, który nigdy nie opuszcza warsztatu, nie jest produktem. Perfekcjonizm potrafi być najbardziej elegancką formą prokrastynacji. Rynek dostarcza informacji, których nie da się zdobyć przy biurku. Klient znacznie szybciej niż founder wyjaśni, czy rozwiązywany problem rzeczywiście istnieje. Ale rozsądna zasada łatwo zamienia się w dogmat. No i pojawia się pytanie: czy kapitalizm sprzyja majstersztykom, czy każe je wypuszczać o jedną iterację za wcześnie?
Teresa Amabile, Constance Hadley i Steven Kramer przeanalizowali ponad dziewięć tysięcy dziennych zapisów pracowników zaangażowanych w projekty wymagające kreatywności. Ich wniosek był znacznie mniej romantyczny niż korporacyjna legenda o geniuszu rodzącym się pod presją deadline’u. Silna presja czasu najczęściej ograniczała kreatywność. Wyjątkiem były sytuacje, w których presji towarzyszyły koncentracja, poczucie sensu i możliwość skupienia się na jednym ważnym zadaniu.
Nowsza meta-analiza badań nad stresem i twórczością prowadzi w podobnym kierunku: spośród analizowanych stresorów presja czasu szczególnie wyraźnie pogarszała kreatywne wykonanie u dorosłych. Nie wynika z tego oczywiście, że twórca potrzebuje nieskończonego czasu. Nieskończony czas jest równie niebezpieczny jak jego brak. Majstersztyk zapewne potrzebuje czegoś pomiędzy: napięcia wystarczającego, żeby pracę skończyć, ale nie takiego, żeby jedyną racjonalną strategią było przestać myśleć.
W świecie venture capital napięcie to jest wbudowane w samą konstrukcję finansowania. Josh Lerner i Ramana Nanda, analizując rolę VC w finansowaniu innowacji, zwracali uwagę na szczególną siłę tego modelu, ale jednocześnie na jego ograniczenia. Instytucjonalny venture capital preferuje określony typ innowacji: taki, który daje się finansować etapami, może szybko pokazywać postęp i posiada potencjał bardzo dużego wzrostu. W efekcie część ważnych technologii zwyczajnie słabo mieści się w jego architekturze.
Majstersztyk może więc przegrać nie dlatego, że jest zły. Może przegrać dlatego, że jego czas dojrzewania nie pasuje do czasu kapitału. Teza, że współczesny kapitalizm jako całość cierpi na chroniczny „short-termism”, jest dyskutowana. Steven Kaplan, analizując argumenty dotyczące krótkoterminowej orientacji amerykańskich firm, wskazywał, że część popularnych tez o systematycznym niszczeniu inwestycji długoterminowych przez presję rynku ma słabsze empiryczne podstawy, niż często się zakłada.
Kapitalizm potrafi bowiem finansować również rzeczy absurdalnie długoterminowe. Laboratoria. Fabryki półprzewodników. Rakiety. Nie chodzi zatem o prostą opowieść: dawniej cierpliwość, dziś chciwość. Rzecz idzie tu raczej o konflikt dwóch zegarów. Zegar jakości odmierza czas potrzebny, by rzecz stała się dobra. Zegar ekonomii odmierza czas, przez który możemy sobie pozwolić, żeby jeszcze dobra nie była.
Majstersztyk wymaga synchronizacji obu zegarów – choćby czasowej.
Mała matematyka majstersztyku
Spróbujmy popełnić intelektualne wykroczenie i zamienić mistrzostwo w równanie.
Niech qiq_i oznacza prawdopodobieństwo, że nasza kolejna poważna próba — produkt, eksperyment, książka, konstrukcja, startup — przekroczy pewien umowny próg, powyżej którego jesteśmy gotowi nazwać rezultat majstersztykiem, pod warunkiem że żadna wcześniejsza próba go nie przekroczyła. Wówczas prawdopodobieństwo, że po nn próbach przynajmniej raz stworzymy majstersztyk, można zapisać:
P(Mn)=1−∏i=1n(1−qi)P(M_n)=1-\prod_{i=1}^{n}(1-q_i)
Gdyby dla zabawy przyjąć, że każda próba daje niezmiennie tylko 1% szansy, wzór upraszcza się do:
P(Mn)=1−(1−0,01)nP(M_n)=1-(1-0{,}01)^n
Jedna próba: 1%.
Pięćdziesiąt prób: około 39,5%.
Sto prób: około 63,4%.
Brzmi jak matematyczna apologia zasady „rób dużo”. I rzeczywiście, istnieją badania wspierające tzw. equal-odds rule: im większa liczba wytworzonych idei, tym większa może być również liczba idei bardzo dobrych. W badaniu Rexa Junga i współpracowników liczba generowanych odpowiedzi była silnie związana z ocenianą kreatywnością.
Dean Keith Simonton próbował nawet formalizować samą kreatywność. Zaproponował funkcję:
c=(1−p)u(1−v)c=(1-p)u(1-v)
gdzie istotne stają się jednocześnie nieoczywistość pomysłu, jego użyteczność oraz stopień, w jakim rezultat zaskakuje samego twórcę.
Nie jest to oczywiście równanie na arcydzieło. Ale pokazuje rzecz ważną: kreatywność nie jest po prostu funkcją „oryginalności”. Bardzo oryginalny pomysł może być kompletnie bezużyteczny.
W naszym wzorze najważniejsze jest jednak coś innego.
qiq_i nie jest stałe.
Po każdej uczciwie przeprowadzonej próbie człowiek może być nieco lepszy. Dostaje informację zwrotną. Rozpoznaje materiał. Lepiej wybiera problem. Zaczyna widzieć błąd wcześniej niż poprzednio.
Jego qi+1q_{i+1} może być większe od qiq_i.
Ale nie musi.
Może być zmęczony. Może zabraknąć pieniędzy. Rynek może się zmienić. Może uwierzyć własnym recenzjom. Może po sukcesie zacząć kopiować siebie. Może wykonać sto iteracji tego samego błędu. Dlatego prawdziwy wzór na majstersztyk wyglądałby raczej tak:
liczba prób × jakość uczenia się × poziom umiejętności × oryginalność × jakość informacji zwrotnej × zasoby × właściwy moment × szczęście.
I właśnie ostatni składnik jest dla ludzi ambitnych najbardziej irytujący. Nie wszystko zależy od nas.
Osobowość mistrza
Czy istnieje osobowość predysponowana do tworzenia majstersztyków? Psychologia odpowiada w swoim najlepszym stylu: trochę tak, trochę nie. Wśród cech Wielkiej Piątki szczególnie interesująca okazuje się otwartość na doświadczenie / intelekt. Scott Barry Kaufman i współpracownicy przebadali cztery zróżnicowane próby liczące łącznie 1035 osób. Otwartość szczególnie dobrze przewidywała osiągnięcia twórcze w sztuce, natomiast komponent określany jako intelekt — osiągnięcia w nauce.
Czyli… żeby stworzyć coś wybitnego, trzeba jednocześnie znać reguły i dopuszczać myśl, że można je naruszyć. Tyle że można mieć tysiąc błyskotliwych pomysłów i zero gotowych produktów.
Dlatego literatura popularna pokochała kilka lat temu grit — połączenie wytrwałości i długotrwałego przywiązania do celu. Kłopot w tym, że badania ostudziły entuzjazm. Meta-analiza Marcusa Credé, Michaela Tynana i Petera Harmsa objęła 88 niezależnych prób i ponad 66 tysięcy osób. Grit okazał się umiarkowanie związany z wynikami i silnie związany z dużo starszym konstruktem psychologicznym — sumiennością. Szczególnie użyteczna była jego część dotycząca wytrwałości w wysiłku.
Majstersztyk wydaje się wymagać czegoś mniej efektownego niż „geniusz” i mniej instagramowego niż „pasja”. Raczej niewygodnej koalicji przeciwieństw:
- otwartości pozwalającej wymyślić coś innego i dyscypliny pozwalającej to skończyć;
- wytrwałości potrzebnej, by wykonać kolejną próbę, i elastyczności potrzebnej, by powiedzieć: „ten pomysł jednak nie działa”;
- pewności siebie koniecznej do rozpoczęcia pracy i pokory koniecznej, by ją poprawić.
Jest jeszcze cecha, której niełatwo zmierzyć kwestionariuszem. Zdolność znoszenia okresu, w którym jest się kiepskim. Uczeń w warsztacie miał tę niedogodność wpisaną w status. Był po prostu uczniem. Nikt nie oczekiwał, że pierwszego dnia będzie mistrzem.
Antymajstersztyk
Jakub z Krakowa opanował rzemiosło. Ma znakomity warsztat. Jest cierpliwy, inteligentny, zdyscyplinowany i oryginalny. Tworzy rzecz perfekcyjna, w oparciu o prawidła sztuki.
Tyle że ta rzecz jest zła.
Czy nadal mamy do czynienia z majstersztykiem?
To pytanie staje się szczególnie kłopotliwe w technologii, ponieważ cyfrowy produkt możemy optymalizować z precyzją, o której dawny rzemieślnik nawet nie marzył.
Badanie Arunesh Mathura i współpracowników objęło około 11 tysięcy serwisów zakupowych i ponad 53 tysiące stron produktowych. Badacze zidentyfikowali 1818 przypadków tzw. dark patterns — rozwiązań interfejsu zaprojektowanych tak, aby nakłaniać, zwodzić lub kierować użytkowników ku decyzjom korzystnym dla serwisu, lecz niekoniecznie dla nich samych. Co szczególnie ciekawe, autorzy zidentyfikowali również firmy oferujące takie mechanizmy innym podmiotom jako gotową usługę.
Wyobraźmy sobie człowieka, który zaprojektował idealny dark pattern. Przycisk ma właściwy kolor. Komunikat pojawia się w idealnym momencie. Konwersja rośnie, a KPI realizowane bez trudu.
Technicznie? Majstersztyk. Po ludzku? Tu zaczyna się kłopot.
Sztuczna inteligencja daje nam nawet laboratoryjnie czyste przykłady tego problemu. Badacze DeepMind opisali zjawisko specification gaming: system osiąga formalnie zadany cel, ale robi to w sposób sprzeczny z intencją projektanta. W jednym z eksperymentów agent miał ustawić czerwony klocek na niebieskim. Funkcja nagrody została jednak sformułowana niedoskonale — nagradzała wysokość dolnej powierzchni czerwonego klocka. Agent znalazł prostsze rozwiązanie: przewrócił klocek tak, by spełnić matematyczny warunek, nie wykonując właściwego zadania.
To zabawne, dopóki klocek jest z Lego. Znacznie mniej zabawne robi się wtedy, gdy celem systemu jest „maksymalizuj zaangażowanie”, „maksymalizuj sprzedaż”, „minimalizuj koszt” albo „zwiększ liczbę użytkowników”. Każdy KPI jest w pewnym sensie uproszczoną funkcją nagrody. A doskonały system optymalizacyjny może bardzo sprawnie odkryć, że najlepszy sposób realizacji miernika niekoniecznie odpowiada temu, co człowiek miał na myśli. Mamy więc nową odmianę majstersztyku.
Perfekcyjnie wykonane rozwiązanie źle postawionego problemu. Antymajstersztyk.
Jeśli mistrzostwo oznacza wyłącznie doskonałość środków, można stworzyć mistrzowską machinę propagandową, mistrzowski system uzależniający, mistrzowskie narzędzie manipulacji albo mistrzowski model biznesowy oparty na wykorzystywaniu ludzkich słabości.
Historia zna aż za dużo perfekcyjnie zaprojektowanych rzeczy, których celu trudno bronić. Może więc do naszego wcześniejszego równania trzeba dopisać jeszcze jedną zmienną. Nazwijmy ją ee — od etyki, choć równie dobrze mogłaby oznaczać ends, cel.
M=Q×O×L×eM = Q \times O \times L \times e
gdzie jakość, oryginalność i uczenie się nie wystarczają, jeżeli e=0e=0.
To oczywiście nie matematyka. To moralna deklaracja ukryta w matematycznym kostiumie.
Junior, który ma być seniorem
Chciałbym teraz wrócić do młodego człowieka. Tym razem nie z 1640, lecz z 2026 roku. Wyobraźmy sobie dwudziestotrzylatka z Krakowa. Nazwijmy go… również Jakubem, a co tam. Kończy studia. Ma LinkedIna, laptop, kilka certyfikatów, być może własny projekt zrobiony z pomocą AI. Idzie na pierwszą rozmowę rekrutacyjną. Chciałby dobrze zarabiać. Nie bardzo interesuje go trzyletnie terminowanie przy kimś bardziej doświadczonym. Po roku chce awansu.
Łatwo byłoby w tym miejscu westchnąć: „ach, ta Generacją Z”.
Tyle że badania psują tę wygodną opowieść. Deloitte w swoim globalnym badaniu z 2026 roku zebrał odpowiedzi przedstawicieli Gen Z i millenialsów z wielu krajów. Zaledwie 25% Zetek deklarowało preferencję dla szybkiej kariery opartej na kolejnych awansach. 44% wolało stopniowy rozwój, a około 21% dopuszczało ruch w bok lub nawet krok wstecz, jeżeli miałby przynieść wartościowe doświadczenie. Tylko 6% przedstawicieli obu badanych pokoleń uznawało zdobycie stanowiska przywódczego za swój najważniejszy cel zawodowy.
Czyli nasz niecierpliwy Jakub istnieje. Ale nie wolno robić z niego twarzy pokolenia.
Jeszcze ciekawsze są wyniki badania przeprowadzonego latem 2026 roku wśród 906 stażystów KPMG w Stanach Zjednoczonych, w ogromnej większości należących do Generacji Z. Najważniejszym kryterium wyboru przyszłego pracodawcy okazała się możliwość rozwoju kariery. 57% badanych uznało bezpośredni coaching za najcenniejszy sposób uczenia się podczas stażu. AI-assisted learning wskazało zaledwie 3%. Co więcej, 59% uważało, że w świecie zdominowanym przez AI menedżerowie i mentorzy staną się jeszcze ważniejsi. Młodzi najwyraźniej nadal chcą mistrzów. Tylko może coraz trudniej znaleźć im warsztat.
Równie ostrożnie trzeba mówić o rzekomym „zanikaniu” staży. Polski projekt ustawy o stażach powstał właśnie dlatego, że państwo dostrzega problem jakości tego mechanizmu: zakłada m.in. obowiązek komponentu edukacyjnego i przygotowania zawodowego oraz odejście od bezpłatnych praktyk absolwenckich. Na 16 września 2026 roku pozostaje projektem oznaczonym numerem UD307.
Nie ma więc podstaw, by ogłosić śmierć stażu.
Można natomiast mówić o kryzysie terminowania — rozumianego nie jako forma umowy, lecz relacja pomiędzy początkującym i bardziej doświadczonym człowiekiem, w której junior dostaje czas, opiekę, realne zadania i prawo do niewiedzy. Ale pojawił się jeszcze jeden czynnik, czyli AI.
PwC przeanalizowało w 2026 Global AI Jobs Barometer ponad miliard ogłoszeń o pracę z sześciu kontynentów. Analiza 2,4 miliona ofert entry-level w Stanach Zjednoczonych pokazała, że stanowiska juniorskie najbardziej eksponowane na AI były siedmiokrotnie częściej niż najmniej eksponowane stanowiska powiązane z wymaganiami tradycyjnie charakterystycznymi dla bardziej doświadczonych pracowników: oceną sytuacji, przywództwem, strategicznym myśleniem czy innymi kompetencjami opartymi na ludzkim osądzie. PwC mówi wprost o „seniorisation” części pracy juniorskiej.
Czy więc terminowanie zostanie uśmiercone nie przez zetki, a przez korporacje?
Automatyzujemy proste zadania, bo AI wykonuje je szybciej i taniej. Tyle że właśnie na prostych zadaniach początkujący uczył się kiedyś wykonywać trudne. Usuwamy więc najniższe szczeble drabiny, a potem dziwimy się, że młody pracownik stojący przed trzecim szczeblem nie umie się na niego wspiąć.
Żądamy od juniora osądu seniora, ponieważ pracę, podczas której dawniej ten osąd zdobywał, wykonuje już model językowy.
To może być jedna z najważniejszych edukacyjnych konsekwencji AI — znacznie ciekawsza niż pytanie, ile miejsc pracy „zabierze sztuczna inteligencja”. Czy więc nie będzie tak, że w epoce generatywnej AI my, ludzie, stracimy okazję do tworzenia rzeczy nieudanych – a majstersztyki będą autorstwem wyłącznie sztucznej inteligencji?
Źródła:
- A Scientific Approach to Entrepreneurial Decision Making: Evidence from a Randomized Control Trial, Arnaldo Camuffo, Alessandro Cordova, Alfonso Gambardella, Chiara Spina, https://pubsonline.informs.org/doi/10.1287/mnsc.2018.3249
- AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting, Greg Kestin, Kelly Miller, Anna Klales, Timothy Milbourne i in., https://www.nature.com/articles/s41598-025-97652-6
- Are U.S. Companies Too Short-Term Oriented? Some Thoughts, Steven N. Kaplan, https://www.nber.org/papers/w23464
- Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, Chloe Autio, Reva Schwartz, Jesse Dunietz, Shomik Jain, Martin Stanley, Elham Tabassi, Patrick Hall, Kamie Roberts, https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
- Cechy kuśnierzy w Krakowie i Kazimierzu, Archiwum Narodowe w Krakowie / Szukaj w Archiwach, https://www.szukajwarchiwach.gov.pl/en/zespol/-/zespol/31089
- Creativity Under the Gun, Teresa M. Amabile, Constance Noonan Hadley, Steven J. Kramer, https://hbr.org/2002/08/creativity-under-the-gun
- Dark Patterns at Scale: Findings from a Crawl of 11K Shopping Websites, Arunesh Mathur, Gunes Acar, Michael Friedman, Elena Lucherini, Jonathan Mayer, Marshini Chetty, Arvind Narayanan, https://webtransparency.cs.princeton.edu/dark-patterns/
- Defining Creativity: Don’t We Also Need to Define What Is Not Creative?, Dean Keith Simonton, https://onlinelibrary.wiley.com/doi/10.1002/jocb.137
- Deliberate Practice and Performance in Music, Games, Sports, Education, and Professions: A Meta-Analysis, Brooke N. Macnamara, David Z. Hambrick, Frederick L. Oswald, https://pubmed.ncbi.nlm.nih.gov/24986855/
- Deloitte Global Gen Z and Millennial Survey 2026, Deloitte Global, https://www.deloitte.com/global/en/issues/work/genz-millennial-survey.html
- Ekskluzywizm korporacji rzemieślniczych w świetle źródeł do historii krakowskiej organizacji cechowej w XIV–XVI wieku, Mateusz Król, https://journals.iaepan.pl/khkm/article/view/3622
- Entrepreneurship as Experimentation, William R. Kerr, Ramana Nanda, Matthew Rhodes-Kropf, https://www.nber.org/papers/w20358
- Experimentation and Start-up Performance: Evidence from A/B Testing, Rembrand Koning, Sharique Hasan, Aaron Chatterji, https://pubsonline.informs.org/doi/10.1287/mnsc.2021.4209
- Generative AI at Work, Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, https://www.nber.org/papers/w31161
- KPMG Intern Pulse Survey: As AI Reshapes Entry-Level Work, Gen Z Prioritizes Career Growth and Critical Thinking, KPMG LLP, https://kpmg.com/us/en/media/news/summer-intern-pulse-survey-2026.html
- majstersztyk, Wielki słownik języka polskiego PAN, Instytut Języka Polskiego PAN, https://wsjp.pl/haslo/podglad/39444/majstersztyk
- Meisterstück, Deutsches Rechtswörterbuch, Heidelberger Akademie der Wissenschaften, https://drw.hadw-bw.de/drw-cgi/zeige?index=lemmata&term=meisterstueck
- Much ado about grit: A meta-analytic synthesis of the grit literature, Marcus Credé, Michael C. Tynan, Peter D. Harms, https://pubmed.ncbi.nlm.nih.gov/27845531/
- Openness to Experience and Intellect Differentially Predict Creative Achievement in the Arts and Sciences, Scott Barry Kaufman, Lena C. Quilty, Rachael G. Grazioplene, Jacob B. Hirsh i in., https://pmc.ncbi.nlm.nih.gov/articles/PMC4459939/
- Projekt ustawy o stażach, UD307, Ministerstwo Rodziny, Pracy i Polityki Społecznej / Kancelaria Prezesa Rady Ministrów, https://www.gov.pl/web/premier/projekt-ustawy-o-stazach
- Quantity yields quality when it comes to creativity: a brain and behavioral test of the equal-odds rule, Rex E. Jung, Christopher J. Wertz, Christine A. Meadows, Sephira G. Ryman, Andrei A. Vakhtin, Ranee A. Flores, https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2015.00864/full
- Specification gaming: the flip side of AI ingenuity, Victoria Krakovna, Jonathan Uesato, Vladimir Mikulik, Matthew Rahtz, Tom Everitt, Ramana Kumar, Zac Kenton, Jan Leike, Shane Legg, https://deepmind.google/blog/specification-gaming-the-flip-side-of-ai-ingenuity/
- The Craftsman, Richard Sennett, https://yalebooks.yale.edu/book/9780300151190/the-craftsman/
- The double-edged sword of stress: A systematic meta-analysis on how stress impacts creativity, autorzy publikacji, https://www.sciencedirect.com/science/article/pii/S0149763425001137
- Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise, Rose E. Wang, Ana T. Ribeiro, Carly D. Robinson, Susanna Loeb, Dora Demszky, https://scale.stanford.edu/publications/tutor-copilot-human-ai-approach-scaling-real-time-expertise
- Two futures for jobs in an AI era — 2026 Global AI Jobs Barometer, PwC, https://www.pwc.com/gx/en/issues/artificial-intelligence/publications/artificial-intelligence-study.html
- Venture Capital’s Role in Financing Innovation: What We Know and How Much We Still Need to Learn, Josh Lerner, Ramana Nanda, https://www.nber.org/papers/w27492
