Sztuczna inteligencja nie musi zwalniać pracowników, żeby zmienić rynek pracy; wystarczy, że firmy przestaną zatrudniać juniorów. Badanie Stanford Digital Economy Lab (Brynjolfsson, Chandar, Chen, working paper, rewizja z 13 listopada 2025) wykazało około 16-procentowy względny spadek zatrudnienia osób w wieku 22-25 lat w najbardziej eksponowanych na AI zawodach (dane do października 2025, po kontroli szoków na poziomie firmy), wobec około 13% we wcześniejszej wersji z danymi do lipca 2025. Sami autorzy świadomie studzą interpretację przyczynową: przy najszerszym zestawie kontroli spadek staje się statystycznie istotny dopiero od 2024 roku, a wcześniejsze ruchy współkształtują też czynniki nie-AI. To nie jest historia o zniknięciu pracy, lecz o kurczeniu się wejścia do zawodu.
Kluczowe wnioski
- ✓ Względny spadek zatrudnienia osób 22-25 lat w najbardziej eksponowanych zawodach to około 16% w aktualnej wersji badania (Stanford DEL, working paper, rewizja z 13 listopada 2025, dane do października 2025), wobec około 13% we wcześniejszej wersji z danymi do lipca 2025; w starszych grupach wiekowych w tych samych zawodach zatrudnienie pozostało stabilne lub rosło.
- ✓ Efekt koncentruje się w zawodach, gdzie AI raczej automatyzuje niż wspomaga zadania (inżynieria oprogramowania, obsługa klienta); tam, gdzie wspomaga, zatrudnienie młodych rośnie.
- ✓ Według żywego Canaries Dashboard (Stanford DEL i ADP Research) tempo spadku dla grupy 22 do 25 lat w silnie eksponowanych zawodach wynosi obecnie około 3,8% rocznie (Fortune, czerwiec 2026); trend miesięczny jest zaszumiony (średnio około minus 0,3%).
- ✓ Autorzy podkreślają, że dashboard mierzy korelację, nie związek przyczynowy; to ogranicza siłę wniosków i jest sygnałem rzetelności, nie słabości.
- ✓ Ryzyko strategiczne nie dotyczy dzisiejszych płac, lecz lejka kompetencji: brak juniorów dziś oznacza brak warstwy mid i senior za 3 do 5 lat. Dane pochodzą z rynku USA, więc przeniesienie na Polskę wymaga ostrożności.
Czego dotyczy badanie Stanford o AI i pracy juniorów
Canaries in the Coal Mine to badanie Stanford Digital Economy Lab analizujące, jak zatrudnienie zmienia się w zawodach różniących się ekspozycją na generatywną AI, z podziałem na grupy wieku i doświadczenia. Autorzy (Erik Brynjolfsson, Bharat Chandar, Ruyu Chen) wykorzystali dane kadrowo-płacowe ADP o wysokiej częstotliwości, od największego dostawcy usług payroll w USA, od okresu upowszechnienia generatywnej AI pod koniec 2022 roku.
Metafora kanarków w kopalni oznacza tu wczesny wskaźnik zmiany, a nie pełną diagnozę całego rynku pracy. Najmłodsi pracownicy w eksponowanych zawodach są pierwszą grupą, w której efekt staje się mierzalny, co czyni ich sygnałem wyprzedzającym dla szerszego rynku.
Mechanizm jest prosty: wiele zadań powierzanych juniorom (research, streszczenia, formatowanie, pierwsze wersje kodu, odpowiedzi na standardowe zapytania) należy do prac, które modele językowe przejmują najszybciej. AI nie musi eliminować całego zawodu; wystarczy, że ograniczy liczbę wejść do niego tam, gdzie pierwsze zadania są łatwe do automatyzacji.
Ile wynosi spadek zatrudnienia juniorów według danych
Główna liczba aktualnej wersji badania to około 16-procentowy względny spadek zatrudnienia osób w wieku 22 do 25 lat w najbardziej eksponowanych zawodach, po kontroli szoków na poziomie firmy (Stanford DEL, working paper, rewizja z 13 listopada 2025). W tym samym czasie zatrudnienie osób bardziej doświadczonych w tych samych zawodach pozostawało stabilne lub rosło, a dostosowanie szło głównie przez liczbę etatów, nie przez płace.
W obiegu funkcjonują dwie liczby (13% i 16%) i warto je rozdzielić, bo opisują ten sam efekt w różnych oknach danych, nie sprzeczne wyniki. Różnica to przede wszystkim zakres danych i rewizja paperu, nie surowsze kontrole: oba odczyty kontrolują szoki na poziomie firmy.
Dwa odczyty względnego spadku zatrudnienia (22 do 25 lat, zawody silnie eksponowane)
| Liczba | Źródło i wersja | Zakres danych | Jak czytać |
|---|---|---|---|
| około 13% | wcześniejsza wersja paperu (sierpień 2025) | do lipca 2025 | pierwotny, niższy odczyt |
| około 16% | aktualna wersja paperu (rewizja 13 listopada 2025); potwierdzone w nocie z lutego 2026 | do października 2025 | bieżący headline, bez odwrócenia trendu |
Źródło: Stanford Digital Economy Lab, „Canaries in the Coal Mine?” (working paper, rewizja 13 listopada 2025) oraz nota „Canaries, Interest Rates, and Timing” (luty 2026). Uwaga interpretacyjna: poprawne jest zdanie „w danych Stanford i ADP widoczny jest około 16-procentowy względny spadek zatrudnienia w tej grupie”, lecz nie „AI spowodowała 16-procentowy spadek”. Autorzy ramują to jako silny sygnał korelacyjny, nie dowód przyczynowy.
Żywy Canaries Dashboard (Stanford DEL i ADP Research) pokazuje, że efekt nie zniknął, lecz pogłębia się dla najmłodszych. Trzeba jednak czytać go ostrożnie: trend miesięczny jest zaszumiony, a wiarygodny sygnał to dynamika roczna. Skumulowany spadek (około 16% do października 2025) i bieżące tempo (około 3,8% rocznie) to dwie różne miary, nie rozbieżność.
Tempo zmian zatrudnienia w zależności od wieku (zawody silnie eksponowane)
| Grupa wieku | Dynamika zatrudnienia (r/r) | Kierunek |
|---|---|---|
| 22-25 lat | około minus 3,8% | spadek, pogłębiający się |
| 31-34 lat | około minus 1,7% | lekki spadek |
| 35-40 lat | około plus 2% | wzrost |
Źródło: relacja prasowa Fortune (czerwiec 2026) na podstawie Canaries Dashboard; te trzy liczby należy traktować jako prasowe streszczenie dashboardu, nie jako cytat z tabeli metodologicznej paperu. Dla kontrastu: najmniej eksponowane zawody w grupie 22 do 25 lat rosły w tym czasie o około 2% rocznie.
Co istotne dla skali: w próbie dashboardu osoby 22 do 25 lat stanowią tylko około 7% zatrudnienia w punkcie wyjścia (listopad 2022), więc efekt dotyczy wąskiej, ale strategicznie ważnej grupy (Stanford DEL, 2026).
Dlaczego automatyzacja uderza w juniorów mocniej niż augmentacja
Spadki zatrudnienia koncentrują się tam, gdzie AI automatyzuje zadania, a nie tam, gdzie je wspomaga. Badanie Stanford wykorzystuje klasyfikację automatyzacja vs augmentacja z Anthropic Economic Index: w zawodach o wysokim udziale automatyzacji zatrudnienie młodych spada lub rośnie wolniej, podczas gdy w zawodach o profilu wspomagającym wzorzec ten nie występuje.
To rozróżnienie tłumaczy, dlaczego efekt nie jest jednolity. Pewne wejściowe zadania (proste fragmenty kodu, standardowa obsługa zapytań) są delegowane modelowi w całości; inne wymagają człowieka jako współpracownika.
Trzy zawody, trzy trajektorie dla najmłodszych (22 do 25 lat)
| Zawód | Ekspozycja na AI | Trend dla juniorów |
|---|---|---|
| Inżynieria oprogramowania | wysoka, profil automatyzacji | wyraźne spadki |
| Obsługa klienta | wysoka, profil automatyzacji | wyraźne spadki |
| Opieka domowa | niska, profil relacyjny | wzrost, najwyższy wśród grup wieku |
Źródło: Canaries Dashboard (Stanford DEL i ADP Research), 2026. Opieka domowa pokazuje odwrotny biegun: praca fizyczna i relacyjna pozostaje poza zasięgiem obecnych modeli, a najmłodsi zyskują tam szybciej niż starsi.
Praktyczna konsekwencja: ekspozycja zawodu na AI nie wystarcza do prognozy. Liczy się charakter użycia AI w danym zadaniu. Współpraca człowieka z modelem sprzyja utrzymaniu zatrudnienia bardziej niż pełna delegacja.
Co to oznacza dla lejka talentów w firmie
Największe ryzyko nie dotyczy kosztów płac dziś, lecz struktury kompetencji za kilka lat. Jeśli firma przestaje zatrudniać 22-latków, którzy w normalnym cyklu staliby się 35-letnimi menedżerami, nie tnie wyłącznie wydatków; drąży własny zespół. Junior to nie koszt do optymalizacji, lecz wczesna inwestycja w przyszłą warstwę mid i senior.
Z perspektywy finansowej to klasyczny problem kapitału, który buduje się latami i którego nie da się szybko odkupić. Firma, która dziś po cichu utrzymuje nabór na stanowiska podstawowe, może za 3 do 5 lat mieć przewagę w dostępie do gotowych specjalistów, gdy konkurencja będzie ich szukać na rynku po zawyżonej cenie. To hipoteza strategiczna, nie pewnik; warto ją traktować jako scenariusz do testowania, nie jako prognozę.
Dla sektorów regulowanych w Polsce (bankowość, ubezpieczenia, rynek kapitałowy) dochodzi warstwa nadzorcza. Wymogi dotyczące kompetencji, ciągłości operacyjnej i sukcesji na kluczowych funkcjach oznaczają, że erozja warstwy juniorskiej jest nie tylko problemem HR, lecz elementem ryzyka operacyjnego. Brak następców na stanowiskach wymagających licencji czy certyfikacji to ryzyko, które materializuje się z opóźnieniem.
Kiedy ta interpretacja się nie sprawdzi
Wnioski z badania mają realne ograniczenia i nie wolno czytać ich jako dowodu, że AI deterministycznie likwiduje pracę juniorów. Co najmniej cztery zastrzeżenia osłabiają mocną wersję tezy:
Po pierwsze, korelacja, nie przyczynowość. Sami autorzy zaznaczają, że dashboard mierzy współwystępowanie ekspozycji i trendów zatrudnienia, a nie związek przyczynowy. W aktualizacji z lutego 2026 dodają, że przy najszerszym zestawie kontroli (efekty stałe firma-czas) spadek staje się istotny dopiero w 2024 roku, a wcześniejsze ruchy współkształtują czynniki niezwiązane z AI, w tym stopy procentowe. Wzrost liczby nagłówkowej z 13% do 16% wynika z wydłużenia okna danych (do października 2025), nie z mocniejszego twierdzenia o przyczynowości; aktualizacja idzie w parze z większą, nie mniejszą ostrożnością interpretacyjną autorów.
Po drugie, próba nie jest reprezentatywna. Dane pochodzą od klientów ADP w USA, z 5-letniej zbalansowanej próby firm; rozkład firm nie odwzorowuje całej gospodarki, a tym bardziej nie odwzorowuje rynku polskiego. Przeniesienie wniosków na Polskę wymaga osobnej weryfikacji na lokalnych danych, których to badanie nie dostarcza.
Po trzecie, analogia historyczna działa w dwie strony. Wcześniejsze rewolucje technologiczne (informatyzacja) początkowo zaburzały zatrudnienie, by potem przynieść jego wzrost po dostosowaniu kapitału ludzkiego i organizacyjnego. Obecny spadek może być fazą przejściową, nie trwałym stanem.
Po czwarte, trend miesięczny jest zaszumiony. Pojedynczy miesiąc nie jest dowodem; dopiero dynamika roczna daje wiarygodny sygnał, a ta nadal jest świeża i może się odwrócić.
Kluczowe pytania i decyzje
Czy powinienem ograniczać nabór na stanowiska juniorskie, skoro AI przejmuje ich zadania?
Niekoniecznie. Tnij, jeśli zadania danego stanowiska są w pełni delegowalne do modelu i nie budują ścieżki do ról seniorskich. Utrzymuj nabór, jeśli stanowisko jest wczesnym etapem ścieżki sukcesji na kompetencje, których nie da się szybko odkupić na rynku.
Czy ekspozycja zawodu na AI wystarczy, by przewidzieć skutki dla zatrudnienia?
Nie. Liczy się, czy AI w danym zadaniu automatyzuje, czy wspomaga pracę. Profil augmentacji sprzyja utrzymaniu etatów; profil automatyzacji zwiększa ryzyko ich redukcji.
Czy te dane opisują polski rynek pracy?
Nie wprost. Opisują próbę firm korzystających z payroll ADP w USA. Dla Polski traktuj je jako sygnał kierunkowy wymagający potwierdzenia na danych krajowych, nie jako bezpośredni dowód.
Podsumowanie
Dane Stanford i ADP dają jedno z najmocniejszych dotąd, wielkoskalowych i aktualizowanych na bieżąco świadectw, że generatywna AI zaczyna nierównomiernie obciążać wejście do zawodu. Sygnał jest najwyraźniejszy dla osób 22 do 25 lat w zawodach o profilu automatyzacji (inżynieria oprogramowania, obsługa klienta), a najsłabszy lub odwrotny tam, gdzie praca jest relacyjna i wspomagana (opieka domowa). Skala (około 16% względnego spadku w aktualnej wersji badania, dane do października 2025, wobec około 13% w odczycie do lipca 2025) jest poważna, lecz daleka od katastrofy, a sami autorzy świadomie cofnęli się z twardych twierdzeń o przyczynowości.
Dla decydenta najważniejsza nie jest dzisiejsza liczba, lecz jej implikacja dla lejka kompetencji. Erozja warstwy juniorskiej zwiększa ryzyko luki sukcesyjnej za kilka lat, szczególnie w sektorach regulowanych, gdzie kompetencji nie da się szybko odkupić. Rozsądna reakcja to nie panika ani ignorowanie sygnału, lecz mapowanie własnych stanowisk pod kątem automatyzacja vs augmentacja i świadoma ochrona tych ścieżek juniorskich, które realnie budują przyszłych specjalistów. To zwiększa szansę na przewagę kompetencyjną, choć jej nie gwarantuje.
Remigiusz Pruszczak: ekspert GenAI i menedżer z wieloletnim doświadczeniem w międzynarodowych instytucjach finansowych; makler papierów wartościowych z uprawnieniami do wykonywania czynności doradztwa inwestycyjnego. Więcej o autorze: strona O mnie.
Źródła
- Brynjolfsson E., Chandar B., Chen R., „Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab (working paper, rewizja z 13 listopada 2025; abstrakt podaje 16% względnego spadku): link
- Brynjolfsson E., Chandar B., Chen R., „Canaries, Interest Rates, and Timing: More on the Recent Drivers of Employment Changes for Young Workers”, Stanford Digital Economy Lab, luty 2026: link
- Stanford Digital Economy Lab i ADP Research, „AI Economic Indicators: Canaries Dashboard”, 2026: link
- Fortune, „What is AI’s impact on entry-level jobs”, czerwiec 2026 (źródło prasowe pomocnicze): link
