Badanie Harvard Business Review z lutego 2026 roku wykazało, że w analizowanej firmie technologicznej narzędzia AI nie zmniejszyły obciążenia pracowników – przeciwnie, pracownicy wykonywali więcej zadań, rejestrowali więcej godzin i częściej pracowali wielozadaniowo niż przed wdrożeniem AI. Zjawisko to wpisuje się w szerszy obraz: badanie NBER z lutego 2026 roku na próbie blisko 6 000 menedżerów z czterech krajów wykazało, że 89% firm nie odnotowało żadnego mierzalnego wzrostu produktywności organizacyjnej w ciągu ostatnich trzech lat korzystania z AI.
Dla decydentów oznacza to konkretne ryzyko: wzrost efektywności na poziomie pojedynczego zadania nie przekłada się automatycznie na wzrost wydajności organizacji. Często prowadzi do rozszerzenia zakresu obowiązków pracowników i stopniowego zacierania granic między pracą a życiem prywatnym. W literaturze ekonomicznej zjawisko to określa się jako paradoks produktywności AI.
Kluczowe wnioski:
- ✓ AI zmienia charakter pracy, nie jej ilość – pracownicy podejmują szerszy zakres zadań, nie wykonują mniej zadań.
- ✓ 89% firm w badaniu NBER (2026, n≈6 000, dane deklaratywne) nie zarejestrowało wzrostu produktywności mierzonej sprzedażą na pracownika.
- ✓ Inżynierowie poświęcają rosnącą część czasu na weryfikację kodu generowanego przez AI i szkolenie współpracowników.
- ✓ Granica między czasem pracy a odpoczynkiem ulega erozji: pracownicy wysyłają polecenia do modeli poza godzinami pracy.
- ✓ Paradoks Solowa powraca: AI jest widoczna w inwestycjach i deklaracjach, lecz nie w zagregowanych wskaźnikach produktywności.
Czym jest paradoks produktywności AI?
Paradoks produktywności AI to zjawisko, w którym narzędzia sztucznej inteligencji zwiększają efektywność pojedynczych zadań, lecz nie przekładają się na mierzalny wzrost produktywności na poziomie roli ani całej organizacji – często dlatego, że zaoszczędzony czas jest natychmiast wypełniany nowymi zadaniami lub kosztami weryfikacji wyjść generatywnych modeli.
Zjawisko działa na trzech poziomach, które należy analizować oddzielnie:
| Poziom | Efekt AI | Przykład |
|---|---|---|
| Zadanie | Szybciej, taniej | Draft dokumentu w 5 minut zamiast 45 |
| Rola | Więcej zadań, szerszy zakres | Inżynier przejmuje recenzję kodu AI juniorów |
| Organizacja | Brak mierzalnego wzrostu produktywności | 89% firm – NBER 2026 |
Bez rozróżnienia tych poziomów deklaracje o „wzroście produktywności dzięki AI” są metodologicznie nieweryfikowalne.
Czym jest efekt intensyfikacji pracy wywołany przez AI?
Efekt intensyfikacji pracy (work intensification effect) to mechanizm, w którym narzędzie zwiększające efektywność zadań prowadzi jednocześnie do wzrostu całkowitego obciążenia pracownika. W kontekście AI: technologia obniża próg wejścia do nowych obszarów pracy, skłaniając pracownika do ekspansji zakresu obowiązków zamiast redukcji ich liczby.
Badanie Aruny Ranganathan i Xingqi Maggie Ye (Haas School of Business, UC-Berkeley), opublikowane w Harvard Business Review 9 lutego 2026 roku, monitorowało przez 8 miesięcy około 200 pracowników jednej amerykańskiej firmy technologicznej, którzy samodzielnie wdrożyli narzędzia AI. Uzupełniono je ponad 40 pogłębionymi wywiadami. Wyniki: pracownicy pracowali szybciej, podejmowali się szerszego zakresu zadań i wydłużali czas pracy – bez formalnego polecenia ze strony przełożonych. Zakres badania (jedna firma, USA, branża technologiczna) ogranicza bezpośrednią generalizację na inne sektory i rynki.
Zjawisko wpisuje się w mechanizm ekonomiczny znany jako efekt odbicia (paradoks Jevonsa): wzrost efektywności technologicznej prowadzi do proporcjonalnego lub większego wzrostu konsumpcji zasobu, który miał być oszczędzany. W przypadku AI tym zasobem jest czas pracy.
Dane makro: czy AI widoczna jest w produktywności organizacyjnej?
Nie – przynajmniej nie jeszcze i nie w skali zagregowanej. NBER Working Paper 34836 (Yotzov i in., luty 2026), obejmujący blisko 6 000 dyrektorów generalnych, finansowych i menedżerów wyższego szczebla z USA, Wielkiej Brytanii, Niemiec i Australii, ujawnił strukturalną lukę między oczekiwaniami a rzeczywistością. Ważne zastrzeżenie metodologiczne: są to dane deklaratywne – menedżerowie oceniali wpływ AI na podstawie własnej percepcji, nie obiektywnych pomiarów.
| Wskaźnik | Wartość (NBER WP 34836, luty 2026, dane deklaratywne) |
|---|---|
| Firmy aktywnie używające AI | 69% |
| Firmy bez mierzalnego wpływu AI na produktywność | 89% |
| Firmy bez mierzalnego wpływu AI na zatrudnienie | ponad 90% |
| Przeciętny czas korzystania z AI przez dyrektorów | 1,5 godz./tydzień |
| Dyrektorzy nieużywający AI w pracy | 25% |
| Prognozowany wzrost produktywności (kolejne 3 lata) | +1,4% |
| Prognozowana redukcja zatrudnienia (kolejne 3 lata) | -0,7% |
Wyniki potwierdzają PwC Global CEO Survey 2026: jedynie 12% prezesów stwierdziło, że AI przyniosła jednocześnie korzyści kosztowe i przychodowe, a 56% nie odnotowało żadnych istotnych korzyści finansowych.
Niezależne badanie duńskiego rynku pracy (cytowane przez IT Pro, 2026) wykazało „precyzyjne efekty zerowe” na zarobki i rejestrowane godziny pracy po wdrożeniu narzędzi AI.
Paradoks Solowa w nowym wydaniu
W 1987 roku ekonomista Robert Solow sformułował obserwację: „Erę komputerów widać wszędzie – poza statystykami produktywności”. Dziś schemat się powtarza: AI jest widoczna w inwestycjach i deklaracjach menedżerów, lecz nie w zagregowanych wskaźnikach wydajności.
Erik Brynjolfsson (Stanford, luty 2026, Financial Times) prezentuje kontrargument: dane BLS po rewizji wskazują wzrost produktywności w USA o około 2,7% w 2025 roku – drugi najlepszy wynik od 1973 roku. Interpretuje to przez hipotezę krzywej J: fazy inwestycji poprzedzają fazy zbiorów. Atrybuacja tego wzrostu wyłącznie AI pozostaje jednak sporna, a dane makro nie rozstrzygają, czy efekt pochodzi z AI, czy z innych czynników cyklu gospodarczego.
Jak AI zmienia charakter pracy w praktyce – trzy branże
Programowanie i inżynieria oprogramowania
Narzędzia wspomagające pisanie kodu zmieniają rozkład czasu pracy inżynierów. Badanie HBR (Ranganathan i Ye, 2026) wskazuje, że inżynierowie poświęcają więcej czasu na weryfikację i poprawę kodu generowanego przez AI, szkolenie współpracowników korzystających z AI poza swoimi kompetencjami oraz odpowiadanie na rosnącą liczbę próśb o pomoc w zakresie kodu wspomaganego przez AI. Efekt: seniorzy stają się de facto recenzentami produkcji AI junior-deweloperów, co rozszerza ich zakres obowiązków bez formalnej zmiany stanowiska.
Usługi finansowe i obsługa klienta
Klarna w 2024 roku zastąpiła część agentów obsługi klienta systemem AI opartym na OpenAI. W połowie 2025 roku część pracy wróciła do pracowników, gdy jakość obsługi okazała się niewystarczająca – co ilustruje, że automatyzacja zadań rutynowych nie równa się automatyzacji całej roli i że koszty wdrożenia AI mogą być ukryte i odroczone.
W sektorze bankowym Rezerwa Federalna San Francisco (luty 2026) wskazuje, że AI przyspiesza poszczególne etapy procesów (np. wstępną weryfikację wniosków kredytowych), lecz nie transformuje procesu jako całości – jest „jak zastąpienie silnika parowego elektrycznym przy niezmienionej hali produkcyjnej”.
Wiedza i praca analityczna (sektor konsultingowy, prawny, medyczny)
Badanie Workday z 2026 roku wykazało, że 37–40% czasu rzekomo zaoszczędzonego przez AI zostaje pochłoniętego przez weryfikację, korektę i sprawdzanie danych generowanych przez modele. Analogia praktyczna: zaoszczędzono godzinę na pisaniu raportu, ale 25 minut poświęcono na weryfikację pod kątem halucynacji.
ManpowerGroup Global Talent Barometer 2026 (n≈14 000 pracowników, 19 krajów) rejestruje wzrost regularnego korzystania z AI o 13% w 2025 roku przy jednoczesnym spadku zaufania do użyteczności narzędzi o 18% – co sugeruje, że presja organizacyjna pcha wdrożenia szybciej niż rzeczywiste korzyści.
Mechanizmy intensyfikacji: dlaczego AI dokłada pracy zamiast ją redukować?
Badanie HBR identyfikuje cztery mechanizmy odpowiedzialne za efekt intensyfikacji:
- Ekspansja zakresu zadań – AI obniża próg wejścia do nowych obszarów pracy. Pracownik, który wcześniej nie podejmował się zadania ze względu na brak kompetencji lub czasu, teraz je realizuje. Skutek: więcej zadań, nie mniej.
- Zacieranie granic czasowych – model językowy jest dostępny o każdej porze. Pracownicy wysyłają polecenia wieczorami, w weekendy, w trakcie przerw. Granica między pracą a odpoczynkiem ulega erozji bez formalnego przedłużenia godzin pracy.
- Efekt odbicia w weryfikacji – każde wyjście generatywnej AI wymaga sprawdzenia. Im więcej treści generuje narzędzie, tym więcej czasu pracownik przeznacza na kontrolę jakości. Wzrost objętości produkcji przesuwa, a nie eliminuje koszt pracy.
- Efekt demonstracyjny i presja recenzji – wdrożenie AI przez część zespołu generuje nowe obowiązki dla ekspertów (szkolenie, recenzja, informacja zwrotna do modeli), których nikt formalnie nie przypisał do ich stanowisk.
Kiedy AI rzeczywiście redukuje pracę? Warunki brzegowe
Efekty redukcji obciążenia są udokumentowane, ale warunkowe. Badania cytowane w NBER Working Paper 34836 wskazują na duże korzyści w konkretnych, wąskich zastosowaniach: agenci obsługi klienta w firmach programistycznych – wzrost produktywności o 15–30% (del Rio-Chanona i in., 2025); zadania piśmiennicze w eksperymencie randomizowanym – wzrost jakości i szybkości przy dostępie do ChatGPT (Noy i Zhang, 2023).
| Warunek | Efekt bez spełnienia |
|---|---|
| Zadanie powtarzalne, dobrze zdefiniowane | Ekspansja zakresu zamiast automatyzacji |
| Jasna polityka zakresu użycia AI | Praca po godzinach, wielozadaniowość |
| Weryfikacja przez dedykowanego recenzenta | Koszt weryfikacji przeniesiony na twórcę |
| Wyraźne granice ról | Efekt demonstracyjny u ekspertów |
| Automatyzacja całego procesu, nie fragmentu | Częściowa automatyzacja = nowe wąskie gardła |
Ograniczenia badań i kontrargumenty
Badanie HBR (Ranganathan i Ye, 2026) obejmuje jedną firmę technologiczną w USA (~200 osób, 8 miesięcy). Generalizacja wyników na inne branże, kraje i kultury organizacyjne wymaga ostrożności. Brak grupy kontrolnej utrudnia izolację efektu AI od innych zmiennych środowiskowych.
Badanie NBER (Yotzov i in., 2026) mierzy produktywność jako sprzedaż na pracownika i opiera się na danych deklaratywnych – menedżerowie oceniali wpływ AI subiektywnie, nie na podstawie twardych pomiarów. Miara niedoskonała dla pracy wiedzy, gdzie jakość i innowacyjność trudno ująć ilościowo.
Brynjolfsson i dane BLS sugerują, że produktywność w USA może już rosnąć szybciej niż przez ostatnią dekadę, co przeczy narracji zerowej produktywności. Atrybuacja wyłącznie AI pozostaje jednak nierozstrzygnięta.
Podsumowanie
Paradoks produktywności AI polega na tym, że narzędzia zwiększające efektywność pojedynczych zadań prowadzą jednocześnie do rozszerzenia zakresu pracy – przez co produktywność organizacyjna nie rośnie proporcjonalnie, a często nie rośnie wcale. Badanie HBR (luty 2026) dokumentuje mechanizm intensyfikacji w jednej firmie technologicznej: pracownicy przejmowali nowe zadania, pracowali szybciej i dłużej, a granice czasowe pracy się rozmywały. Badanie NBER (luty 2026, n≈6 000, dane deklaratywne) pokazuje, że 89% firm nie zarejestrowało mierzalnego wzrostu produktywności organizacyjnej.
Pytanie, które decydenci powinni zadać przed wdrożeniem AI: „Które zadania ma przestać wykonywać pracownik, gdy AI przejmie część jego obowiązków?” – Bez odpowiedzi na to pytanie AI staje się narzędziem dodawania pracy, nie jej redukowania. Zarządzanie granicami zakresu zadań i ochrona czasu pracownika są warunkiem, przy którym wzrost efektywności zadaniowej przekłada się na rzeczywisty wzrost produktywności organizacji.
Źródła
- Ranganathan, A., Ye, X. M. (2026). AI Doesn’t Reduce Work—It Intensifies It. Harvard Business Review, 9 lutego 2026. https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it
- Yotzov, I. i in. (2026). Firm Data on AI. NBER Working Paper 34836. National Bureau of Economic Research, luty 2026. https://www.nber.org/papers/w34836
- Brynjolfsson, E. (2026). The AI Productivity Take-Off Is Finally Visible. Financial Times, 15 lutego 2026.
- ManpowerGroup (2026). 2026 Global Talent Barometer. n≈14 000 pracowników, 19 krajów.
- Federal Reserve Bank of San Francisco (2026). The AI Moment? Possibilities, Productivity, and Policy. Economic Letter, luty 2026. https://www.frbsf.org/research-and-insights/publications/economic-letter/2026/02/ai-moment-possibilities-productivity-policy/
- PwC (2026). PwC Global CEO Survey 2026.
- del Rio-Chanona i in. (2025). Cytowane w: NBER WP 34836.
- Noy, S., Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT.
