Tworzymy i promujemy nową teorię zarządzania dowodowego, opartą na analizie dużych zbiorów danych z badań w obszarze nauki o zarządzaniu i jakości, wspierając organizacje w podejmowaniu decyzji opartych na naukowych dowodach. Jeśli potrzebujesz więcej informacji lub doprecyzowań, daj nam znać!
W debacie o jakości informacji najczęściej mówi się o fake newsach,
dezinformacji i manipulacji. Są to zjawiska ważne, ale nie wyczerpują
problemu. W praktyce zarządzania, edukacji, coachingu, mediów
społecznościowych i komunikacji eksperckiej bardzo często większe znaczenie
mają nie wielkie kłamstwa, lecz drobne, łatwe do powielenia błędy.
Nie są one zawsze efektem świadomego oszustwa. Często powstają przez skrót
myślowy, uproszczenie, wyrwanie danych z kontekstu, nadinterpretację badań
albo powtórzenie atrakcyjnego zdania bez sprawdzenia jego podstaw.
Definicja
Błąd wirusowy to drobna, częściowo prawdziwa lub pozornie
wiarygodna informacja, której zdolność do rozpowszechniania jest większa niż
zdolność środowiska informacyjnego do jej skutecznego skorygowania.
W tym pojęciu najważniejsze nie jest samo kłamstwo, lecz relacja między
błędem a jego nośnością. Błąd wirusowy rozprzestrzenia się dlatego, że jest
prosty, atrakcyjny, powtarzalny i społecznie użyteczny.
Różnica między fake newsem a błędem wirusowym
Kryterium
Fake news
Błąd wirusowy
Charakter
Informacja fałszywa przedstawiana jako prawdziwa
Informacja uproszczona, częściowa lub źle zinterpretowana
Intencja
Często manipulacyjna
Często niezamierzona
Źródło siły
Sensacja, konflikt, fałsz
Prostota, powtarzalność, pozorna oczywistość
Trudność korekty
Zależy od skali fałszu
Wysoka, bo błąd często zawiera element prawdy
Ryzyko w EBMnt
Decyzje oparte na fałszu
Decyzje oparte na słabym lub zdeformowanym dowodzie
Mechanizm powstawania
Błąd wirusowy zwykle powstaje wtedy, gdy złożone zjawisko zostaje zamienione
w prostą formułę. Przykładem może być zdanie:
„Ludzie odchodzą z firm przez szefów”.
Jest ono komunikacyjnie silne, ale metodologicznie zbyt ubogie.
Może wskazywać ważny czynnik, jednak nie wyjaśnia całej rotacji pracowników.
Pomija wynagrodzenia, rynek pracy, kulturę organizacyjną, ścieżki awansu,
obciążenie pracą, sytuację życiową pracowników i wiele innych zmiennych.
Właśnie dlatego błąd wirusowy jest trudny do uchwycenia. Nie brzmi jak
fałsz. Brzmi jak prawda, tylko zbyt mała, zbyt łatwa i zbyt pewna siebie.
Znaczenie dla Evidence-Based Management
W Evidence-Based Management problemem nie jest wyłącznie brak danych.
Problemem jest także błędne przypisanie danym statusu dowodu. Dane mogą być
prawdziwe, a mimo to niewystarczające. Anegdota może być autentyczna, a mimo
to niereprezentatywna. Badanie może istnieć, a mimo to być źle użyte.
Błąd wirusowy powstaje dokładnie w tym miejscu: między informacją a dowodem.
Wprowadza do organizacji pozór rozumienia. Daje menedżerom, trenerom,
konsultantom i ekspertom język szybkiego wyjaśniania, ale niekoniecznie
język trafnego wnioskowania.
Wymiar metodologiczny
W badaniach jakościowych, analizie dyskursu, badaniach mediów
społecznościowych i projektach Big Qual Data błąd wirusowy może być
traktowany jako osobna kategoria analityczna. Badacz nie pyta wtedy tylko,
czy dane twierdzenie jest prawdziwe albo fałszywe. Pyta raczej, dlaczego
właśnie ta uproszczona wersja rzeczywistości stała się łatwa do powielania.
Analiza może obejmować źródło twierdzenia, kontekst użycia, sposób jego
skracania, liczbę powtórzeń, typ uzasadnienia, obecność autorytetu,
selektywne użycie danych oraz odporność na korektę.
Wniosek
Błąd wirusowy jest metodologicznie ważny, ponieważ pokazuje, że jakość
decyzji nie zależy wyłącznie od walki z fałszem. Zależy także od zdolności
rozpoznawania informacji częściowych, zbyt prostych i nadmiernie pewnych.
W perspektywie EBMnt trzeba więc pytać nie tylko:
„Czy to jest prawda?”, ale również:
„Czy to jest wystarczająco dobry dowód dla tej decyzji?”.
Podejście Big Qual Data wykazuje wysoką kompatybilność z założeniami Zarządzania Dowodowego (Evidence-Based Management, EBMnt), ponieważ umożliwia systematyczną analizę dużych zbiorów danych jakościowych w celu identyfikacji wzorców dowodowych występujących w komunikacji, procesach organizacyjnych oraz praktykach decyzyjnych. O ile tradycyjne badania jakościowe koncentrują się zwykle na pogłębionej analizie niewielkiej liczby przypadków, o tyle Big Qual Data pozwala rozszerzyć zakres obserwacji na tysiące dokumentów, wypowiedzi, postów, raportów czy opisów praktyk organizacyjnych, zachowując jednocześnie interpretacyjny charakter analizy.
Big Qual Data pozwala badać tysiące komunikatów, zachowując interpretacyjny charakter analizy jakościowej.
Z perspektywy EBMnt szczególne znaczenie ma fakt, że współczesne organizacje funkcjonują w środowisku nadmiaru danych i informacji. Problemem nie jest już dostęp do treści, lecz zdolność odróżniania informacji wartościowych od informacji pozornie wiarygodnych. W tym kontekście Big Qual Data staje się narzędziem umożliwiającym badanie nie tylko samych treści komunikacyjnych, lecz przede wszystkim sposobów wykorzystywania danych, doświadczeń, opinii ekspertów i wyników badań do uzasadniania twierdzeń, rekomendacji i decyzji.
Yan Krukau | pexels.com
Przydatność Big Qual Data dla EBMnt wynika również z możliwości analizy struktur dowodowych występujących w dużych korpusach tekstów. W przeciwieństwie do analiz ilościowych, które koncentrują się głównie na częstotliwości występowania określonych zjawisk, analiza jakościowa dużych zbiorów danych pozwala identyfikować relacje pomiędzy kategoriami, sposoby budowania argumentacji, mechanizmy legitymizowania wiedzy oraz wzorce konstruowania wiarygodności. Dzięki temu badacz może analizować nie tylko to, jakie twierdzenia są formułowane, ale również na jakich podstawach są uzasadniane.
W logice Zarządzania Dowodowego szczególnego znaczenia nabiera możliwość identyfikacji różnych klas dowodów. Analiza dużych zbiorów danych umożliwia badanie sposobów wykorzystywania dowodów naukowych, danych organizacyjnych, doświadczeń eksperckich oraz informacji pochodzących od interesariuszy. Pozwala to na empiryczną ocenę, które źródła dominują w określonych środowiskach zawodowych oraz w jaki sposób wpływają na procesy podejmowania decyzji i budowania autorytetu.
Big Qual Data tworzy również warunki do badania zjawisk takich jak Evidence Washing, czyli pozornego wykorzystywania dowodów w celu zwiększenia wiarygodności komunikatów. Analiza dużych korpusów danych umożliwia identyfikację powtarzalnych wzorców argumentacyjnych, takich jak odwoływanie się do badań bez wskazywania źródeł, wykorzystywanie certyfikatów jako substytutów dowodów skuteczności czy prezentowanie danych pozbawionych kontekstu metodologicznego. Z perspektywy EBMnt stanowi to istotny obszar badań, ponieważ pozwala odróżniać komunikację opartą na dowodach od komunikacji jedynie wykorzystującej język nauki i profesjonalizmu.
Wykorzystanie oprogramowania CAQDAS, takiego jak MAXQDA, dodatkowo wzmacnia kompatybilność Big Qual Data z EBMnt. Narzędzia te umożliwiają budowę i rozwijanie ksiąg kodów, analizę współwystępowania kategorii, identyfikację struktur argumentacyjnych oraz tworzenie modeli teoretycznych na podstawie dużych zbiorów danych. W rezultacie Big Qual Data może pełnić rolę pomostu pomiędzy eksploracyjną analizą jakościową a rozwojem teorii średniego zasięgu dotyczących procesów wykorzystywania dowodów w organizacjach.
Z tego względu Big Qual Data można traktować jako jedno z kluczowych podejść metodologicznych wspierających rozwój Zarządzania Dowodowego. Pozwala ono bowiem nie tylko analizować pojedyncze przypadki, lecz również identyfikować powtarzalne mechanizmy wykorzystywania dowodów w skali niemożliwej do osiągnięcia w klasycznych badaniach jakościowych. Dzięki temu staje się narzędziem umożliwiającym empiryczne badanie jakości dowodów, procesów ich interpretacji oraz ich wpływu na decyzje podejmowane przez jednostki i organizacje.
Przez wiele lat strony internetowe traktowano głównie jako kanały komunikacyjne lub narzędzia marketingowe. W badaniach organizacyjnych często sprowadzano je do funkcji „wizytówki firmy”, ewentualnie źródła deklaracji strategicznych i treści promocyjnych. Tymczasem z perspektywy Evidence-Based Management (EBMnt) strona WWW może być rozumiana znacznie szerzej — jako wielowarstwowy artefakt organizacyjny zawierający dane o kulturze, modelu działania, sposobach budowania autorytetu, relacjach władzy, logice sprzedaży, architekturze komunikacyjnej i napięciach między deklaracjami a praktyką.
W tym ujęciu witryna internetowa przestaje być jedynie „tekstem do przeczytania”. Staje się obiektem obserwacji metodologicznej.
Strona WWW zawiera bowiem jednocześnie kilka poziomów komunikacji. Pierwszy jest warstwą deklaratywną — organizacja mówi o swoich wartościach, misji, jakości, odpowiedzialności czy podejściu do klienta. Drugi poziom ma charakter operacyjny i ujawnia się w strukturze interfejsu, sposobie prowadzenia użytkownika, konstrukcji formularzy, architekturze uwagi, języku CTA, ilości bodźców sprzedażowych czy sposobie prezentacji dowodów społecznych. Trzeci poziom jest warstwą kulturową i obejmuje ukryte założenia dotyczące człowieka, relacji, autorytetu, efektywności lub kontroli.
To właśnie dlatego analiza stron WWW w logice EBMnt nie może ograniczać się do klasycznej analizy treści. Sama obecność określonych słów nie stanowi jeszcze dowodu określonego sposobu działania organizacji.
Organizacja może deklarować transparentność, a jednocześnie projektować interfejs oparty na manipulacji uwagą użytkownika.
Może mówić o partnerstwie i autonomii, jednocześnie stosując język silnej presji sprzedażowej lub architekturę komunikacyjną utrudniającą świadomy wybór. W praktyce oznacza to konieczność odejścia od redukcyjnego podejścia do danych internetowych. Strona WWW powinna być analizowana jako system komunikacyjny, a nie jedynie zbiór tekstów. Badacz obserwuje nie tylko „co organizacja mówi”, ale również „jak organizacja organizuje percepcję użytkownika”.
Między obserwacją a interpretacją
Z metodologicznego punktu widzenia szczególnie istotne staje się rozróżnienie między obserwacją a interpretacją. Obserwacją może być fakt występowania pięciu wyskakujących okien typu pop-up, automatycznego odtwarzania materiałów wideo lub wielokrotnych komunikatów o ograniczeniu czasowym oferty. Interpretacją będzie natomiast wniosek, że organizacja wykorzystuje mechanizmy presji poznawczej i architekturę niedoboru do zwiększania konwersji sprzedażowej. W logice EBMnt interpretacja wymaga więc nie tylko danych, ale również uzasadnienia epistemicznego.
To rozróżnienie staje się jeszcze ważniejsze przy pracy z narzędziami typu CAQDAS, takimi jak MAXQDA. Program może wspierać organizowanie danych, kodowanie narracji czy analizę relacji między kategoriami, ale nie eliminuje problemu interpretacyjnego. Kod nie jest obiektywną właściwością strony internetowej. Jest decyzją badacza dotyczącą tego, co uznał za znaczące.
Pojawia się tutaj także problem nadkodowania danych. Strony internetowe są strukturami niezwykle gęstymi informacyjnie — zawierają tekst, obraz, układ przestrzenny, animacje, mikrointerakcje, elementy UX, język sprzedażowy, symbole kulturowe i architekturę wizualną. Nadmierne kodowanie każdego elementu może prowadzić do iluzji głębokiej analizy, podczas gdy realna zdolność syntezy danych stopniowo zanika. W efekcie badacz zaczyna produkować coraz więcej kategorii, ale coraz mniej rozumie relacje między nimi.
Dlatego analiza strony WWW wymaga budowania świadomej architektury kodowania. Kategorie powinny wynikać z pytania badawczego, a nie z samej dostępności danych. W przeciwnym razie badanie łatwo przekształca się w chaotyczne kolekcjonowanie obserwacji bez możliwości budowania dowodów interpretacyjnych.
Z perspektywy EBMnt szczególnie interesujące okazuje się badanie napięć między warstwą deklaratywną a operacyjną organizacji. Strona WWW może deklarować „evidence-based approach”, ale nie przedstawiać żadnych źródeł, danych ani mechanizmów weryfikacji twierdzeń. Może mówić o „społeczności”, jednocześnie projektując komunikację całkowicie jednokierunkową. Może eksponować język troski, jednocześnie budując interfejs oparty na przeciążeniu bodźcami i ekonomii uwagi. W takim ujęciu witryna internetowa staje się nie tylko materiałem komunikacyjnym, ale także źródłem danych o rzeczywistym modelu poznawczym organizacji.
Istotne znaczenie ma również temporalność danych internetowych. Strony WWW są strukturami dynamicznymi — zmieniają się, aktualizują, znikają i rekonfigurują. Oznacza to konieczność dokumentowania dat pobrania materiału, archiwizacji wersji stron oraz zachowywania kontekstu obserwacji. W przeciwnym razie proces badawczy traci możliwość replikacji i transparentności. W praktyce badawczej analiza stron WWW może obejmować:
analizę narracji organizacyjnych,
analizę strategii perswazyjnych,
analizę architektury decyzji użytkownika,
analizę zgodności deklaracji z konstrukcją UX,
analizę kultury organizacyjnej,
analizę sposobów budowania autorytetu,
analizę komunikacji kryzysowej,
analizę evidence washing,
analizę mechanizmów manipulacji poznawczej.
Szczególnie interesującym zjawiskiem staje się dziś właśnie evidence washing — sytuacja, w której organizacja używa języka „nauki”, „dowodów”, „badań” lub „eksperckości” głównie jako elementu budowania wiarygodności marketingowej, bez rzeczywistej transparentności źródeł i metodologii. Analiza stron WWW pozwala takie napięcia identyfikować wyjątkowo skutecznie.
Evidence washing — sytuacja, w której organizacja instrumentalnie podszywa się pod „naukowość”, używając słów takich jak badania, dowody czy ekspertyza wyłącznie jako dekoracji marketingowej, bez jakiejkolwiek realnej metodologii, weryfikowalnych źródeł czy transparentności.
W rezultacie strona internetowa przestaje być jedynie nośnikiem informacji. W logice EBMnt staje się przestrzenią obserwacji organizacyjnej, w której widoczne są zarówno deklarowane wartości, jak i ukryte mechanizmy działania systemu. I być może właśnie dlatego analiza WWW wymaga dziś nie tylko kompetencji technologicznych, ale również dojrzałości metodologicznej oraz świadomości, że każda architektura komunikacji jest jednocześnie architekturą wpływu.
Jeśli organizacje nadużywają słów „badania”, „ekspertyza”, „analiza”, badacz jakościowy musi poświęcać więcej czasu na odróżnianie realnych danych od marketingowej dekoracji.
Baza Usług Rozwojowych (BUR) stała się jednym z najważniejszych mechanizmów organizujących rynek usług szkoleniowych w Polsce. System miał zwiększyć dostęp do dofinansowania, uporządkować opisy usług oraz poprawić jakość procesów edukacyjnych. Z perspektywy Evidence-Based Management (EBMnt) BUR jest jednak czymś więcej niż platformą administracyjną. To środowisko produkcji danych, wskaźników i ocen, które dopiero potencjalnie mogą stać się dowodami jakości.
Kluczowy problem polega na tym, że dane nie są jeszcze dowodami.
BUR generuje ogromną liczbę informacji: ankiety, opisy efektów uczenia się, procedury walidacji, wskaźniki aktywności czy deklaracje kompetencji trenerów. Samo istnienie tych danych nie oznacza jednak automatycznie, że system potrafi trafnie ocenić rzeczywistą skuteczność procesu uczenia się.
W praktyce bardzo łatwo dochodzi do utożsamienia wskaźnika z rzeczywistością. Wysoka ocena szkolenia nie musi oznaczać wysokiej jakości dydaktycznej. Uczestnik może pozytywnie ocenić usługę dlatego, że była łatwa, przyjemna lub atrakcyjna komunikacyjnie. Tymczasem rozwój kompetencji często wiąże się z wysiłkiem poznawczym, konfrontacją z błędami oraz zmianą dotychczasowych schematów działania.
Pojawia się więc klasyczny problem metodologiczny: system zaczyna mierzyć satysfakcję zamiast rzeczywistej zmiany kompetencyjnej. Dodatkowo ankiety ewaluacyjne obciążone są licznymi biasami poznawczymi — efektem świeżości, efektem autorytetu prowadzącego czy społeczną potrzebą udzielania pozytywnych odpowiedzi.
Kolejne ryzyko wiąże się z proceduralizacją jakości. Instytucje funkcjonujące w BUR uczą się języka systemu: poprawnego formułowania efektów uczenia się, tworzenia dokumentacji i projektowania zgodności proceduralnej. W efekcie organizacja może coraz skuteczniej spełniać wymagania formalne, niekoniecznie poprawiając rzeczywistą jakość procesu edukacyjnego.
To prowadzi do zjawiska „papierowej jakości”. Dobrze opracowana dokumentacja zaczyna zastępować realną ocenę skuteczności dydaktycznej. Powstaje rozdzielenie między jakością deklarowaną a jakością rzeczywiście przeżywaną przez uczestnika szkolenia.
Fot. Pat Whelen
Sytuację dodatkowo komplikuje rozwój generatywnej AI. Narzędzia sztucznej inteligencji pozwalają dziś szybko tworzyć profesjonalnie wyglądające opisy usług, efekty uczenia się czy raporty jakościowe. Problem pojawia się wtedy, gdy system ocenia głównie poprawność dokumentów, a nie rzeczywiste procesy uczenia się.
Powstają wtedy organizacyjne „halucynacje jakości” — formalnie spójne reprezentacje rzeczywistości, które nie mają silnego zakorzenienia empirycznego.
Z perspektywy EBMnt oznacza to konieczność triangulacji danych. Ocena jakości usługi rozwojowej nie powinna opierać się wyłącznie na ankietach satysfakcji czy zgodności proceduralnej. Potrzebne stają się również dane o trwałości efektów uczenia się, transferze kompetencji do środowiska pracy, zmianie zachowań zawodowych oraz jakości rzeczywistych interakcji dydaktycznych.
BUR ujawnia więc szerszy problem współczesnych systemów jakości: nadmiar danych nie gwarantuje jeszcze lepszych decyzji. Im bardziej organizacje koncentrują się na wskaźnikach, tym większe ryzyko utraty kontaktu z rzeczywistym procesem uczenia się. Dlatego Evidence-Based Management nie powinno być rozumiane jako kultura nieustannego mierzenia, lecz jako kultura krytycznej interpretacji danych, świadomości ograniczeń metodologicznych oraz ciągłego odróżniania informacji administracyjnej od rzeczywistego dowodu jakości.
Rozwój sztucznej inteligencji w edukacji nie tylko zwiększa dostęp do informacji, ale również wprowadza nowe ryzyko epistemologiczne: halucynacje AI, czyli generowanie treści pozornie wiarygodnych, lecz niezakorzenionych w rzeczywistości. Artykuł analizuje to zjawisko w perspektywie Evidence-Based Management (EBMnt), wskazując, że problem ten nie jest wyłącznie technologiczny, lecz metodologiczny i decyzyjny. W szczególności zestawiono halucynacje AI z klasycznymi błędami naukowymi, takimi jak HARKing i p-hacking, pokazując, że wszystkie te zjawiska prowadzą do produkcji „dowodów pozornych”. W konsekwencji konieczna staje się redefinicja pojęcia dowodu oraz przesunięcie w kierunku zarządzania wiarygodnością informacji.
Wiarygodność
Edukacja przez długi czas operowała w warunkach niedoboru informacji. Kompetencją kluczową było jej wyszukiwanie i przyswajanie. Wraz z pojawieniem się narzędzi AI sytuacja uległa radykalnej zmianie — informacja stała się natychmiast dostępna, spersonalizowana i językowo dopracowana. Jednak to przesunięcie ujawniło nowy problem: nie brak wiedzy, lecz jej nadmiar w formie trudnej do odróżnienia od wiedzy rzetelnej. Halucynacje AI są tutaj symptomem głębszej zmiany — przejścia od problemu dostępności informacji do problemu jej wiarygodności.
Z perspektywy Evidence-Based Management szczególnie istotne jest to, że źródło informacji zaczyna symulować dowód. Odpowiedź generowana przez AI może spełniać wszystkie powierzchowne kryteria poprawności, jednocześnie nie posiadając empirycznego zakorzenienia.
Zjawisko epistemologiczne czy li tylko techniczne?
W praktyce edukacyjnej halucynacje AI ujawniają się w różnych formach: od subtelnych przesunięć znaczeń, przez błędne interpretacje, aż po całkowicie fikcyjne źródła. Jednak ich wspólną cechą nie jest fałsz sam w sobie, lecz jego wiarygodna forma. To właśnie ta forma stanowi kluczowy problem. Halucynacje AI są „pełne”, „dopowiedziane”, „przekonujące” — imitują strukturę wiedzy, a nie jej źródła. Z perspektywy EBMnt oznacza to konieczność przesunięcia: z oceny treści na ocenę procesu jej powstawania.
Takie podejście jest szczególnie istotne w obszarach wymagających specjalistycznych kompetencji — jak edukacja zdalna, rachunkowość, coaching czy rzemiosło — gdzie pozorna poprawność może prowadzić do realnych błędów decyzyjnych. W tych dziedzinach wiedza nie jest jedynie informacją, lecz podstawą działania, co czyni problem halucynacji szczególnie istotnym.
Halucynacje AI często traktowane są jako niedoskonałość technologii. Jednak ich istota jest głębiej zakorzeniona — przypominają znane z nauki błędy metodologiczne. Szczególnie istotne są tu dwa zjawiska:
HARKing (Hypothesizing After the Results are Known) polega na formułowaniu hipotez dopiero po uzyskaniu wyników, a następnie przedstawianiu ich jako wcześniejszych założeń badawczych.
p-hacking polega na manipulowaniu analizą danych (np. selekcją zmiennych lub prób), aby uzyskać statystycznie istotny wynik.
Na poziomie strukturalnym halucynacje AI działają analogicznie:
wynik (odpowiedź) jest generowany jako pierwszy,
uzasadnienie jest „dopisywane” wtórnie,
całość prezentowana jest jako spójny, racjonalny proces.
Powstaje w ten sposób iluzja dowodu, która nie wynika ani z danych, ani z metodologii, lecz z dopasowania do oczekiwań odbiorcy.
Ta logika ma dziś istotne znaczenie także w edukacji i zarządzaniu. W świecie nasyconym treściami generowanymi przez AI nie wystarczy zwiększać dostępu do informacji. Trzeba projektować środowisko poznawcze tak, aby wspierało selekcję, weryfikację i ocenę wiarygodności. Innymi słowy: nie chodzi o to, by widzieć więcej, lecz by trafniej rozpoznawać, co rzeczywiście ma znaczenie.
Wiedza (widźmy i wiedźmini) czy czary (czarownice i czarownicy)?
Evidence-Based Management zakłada integrację wielu źródeł dowodów. W klasycznym ujęciu głównym problemem była ich ograniczona dostępność lub zróżnicowana jakość. Współcześnie sytuacja ulega odwróceniu — wyzwaniem przestaje być brak informacji, a staje się nim ich nadprodukcja, w której coraz trudniej odróżnić wiedzę od jej symulacji. Halucynacje AI, podobnie jak znane z metodologii naukowej zjawiska HARKing i p-hacking, prowadzą do powstawania tego, co można określić jako dowody pozorne. Są to konstrukty, które przyjmują formę argumentu, posługują się językiem nauki i wpisują się w oczekiwania poznawcze odbiorcy, lecz nie posiadają rzeczywistego zakorzenienia w danych empirycznych. Ich siła nie wynika z prawdziwości, lecz z wiarygodnej formy.
W tym kontekście sztuczna inteligencja przestaje być źródłem wiedzy w klasycznym sensie. Staje się raczej generatorem możliwych narracji — hipotez językowych, które dopiero wymagają konfrontacji z badaniami naukowymi, danymi operacyjnymi, doświadczeniem praktycznym oraz wartościami interesariuszy. To właśnie ta integracja stanowi rdzeń Evidence-Based Management i jednocześnie podstawowy mechanizm obrony przed pozorną wiedzą.
Można powiedzieć, że współczesne zarządzanie wiedzą zaczyna przypominać wybór między dwoma porządkami: wiedzą rozumianą jako proces dochodzenia do prawdy oraz „czarami”, które tworzą jej przekonującą iluzję. W pierwszym przypadku mamy do czynienia z wysiłkiem weryfikacji, niepewnością i metodologiczną dyscypliną — z postawą bliższą „wiedźmom i wiedźminom”, którzy rozumieją naturę zjawisk, nawet jeśli nie są one w pełni uchwytne. W drugim pojawia się pokusa szybkiego efektu — „czarownic i czarowników”, dla których liczy się rezultat, niezależnie od jego epistemicznej podstawy. Halucynacje AI sytuują się niebezpiecznie blisko tego drugiego porządku.
Produkują odpowiedzi, które działają — są spójne, przekonujące i użyteczne — ale niekoniecznie są prawdziwe.
W efekcie dochodzi do przesunięcia, w którym decyzje mogą być podejmowane nie na podstawie dowodów, lecz na podstawie ich symulacji.
Z perspektywy praktyki zarządzania i dydaktyki oznacza to konieczność redefinicji relacji między danymi, interpretacją a decyzją. Szczególnie w środowisku cyfrowym łatwo dochodzi do sytuacji, w której narzędzie zaczyna zastępować proces poznawczy, a nie go wspierać. Doświadczenie pracy na styku przedsiębiorczości, edukacji i badań pokazuje, że technologia — choć niezwykle użyteczna — wymaga równoważenia przez rygor metodologiczny. W tym sensie nie wystarczy już zarządzać informacją. Konieczne staje się zarządzanie jej wiarygodnością.
Ostatecznie więc pytanie nie brzmi, czy korzystać z AI, lecz w jakim porządku epistemologicznym chcemy funkcjonować: czy w świecie wiedzy, która wymaga sprawdzania, czy w świecie czarów, które jedynie ją imitują.
Alex Andrews | pexels.com
Halucynacje jako test poznawczy
Zamiast traktować halucynacje AI wyłącznie jako zagrożenie, można je rozumieć jako narzędzie diagnostyczne. Ujawniają one bowiem nie tyle błędy samej technologii, ile słabości systemu edukacyjnego i decyzyjnego, w którym funkcjonują. W kontakcie z treściami generowanymi przez AI szybko okazuje się, czy użytkownik potrafi odróżnić informację od dowodu, czy rozumie proces powstawania wiedzy oraz czy jest w stanie rozpoznać błędy metodologiczne — zarówno te wynikające z ludzkich uproszczeń, jak i te generowane algorytmicznie. W tym sensie halucynacje AI pełnią funkcję swoistego „testu obciążeniowego” dla Evidence-Based Management. System, który rzeczywiście opiera się na integracji dowodów, zachowuje odporność; system, który jedynie deklaruje taką orientację, ulega iluzji wiarygodności.
Halucynacje AI, podobnie jak HARKing i p-hacking, mają wspólny mianownik: produkują obrazy rzeczywistości, które są przekonujące, lecz epistemicznie wątłe. Choć różnią się mechanizmem powstawania — od algorytmicznej predykcji po selektywną interpretację danych — prowadzą do tego samego rezultatu: erozji jakości decyzji. W konsekwencji zasadnicze przesunięcie nie dotyczy już samej technologii, lecz sposobu myślenia o wiedzy i jej roli w działaniu. Kluczowe staje się przejście od zarządzania informacją, rozumianego jako gromadzenie i przetwarzanie danych, do zarządzania wiarygodnością informacji, które zakłada ich nieustanną weryfikację i konfrontację z różnymi źródłami.
W świecie nasyconym treściami generowanymi przez AI Evidence-Based Management przestaje być jedną z wielu możliwych metod. Staje się warunkiem sensowności decyzji. Bez niego rośnie ryzyko działania w oparciu o to, co jedynie przypomina dowód, lecz nim nie jest. Ostatecznie więc problem nie sprowadza się do pytania, czy AI się myli, lecz do pytania znacznie bardziej wymagającego: czy system, w którym funkcjonujemy — edukacyjny, organizacyjny czy poznawczy — potrafi te błędy rozpoznać, zrozumieć i skorygować.
Źródło: M. Jabłoński, A. Jabłoński, P. Janulek, D. Dulęba, M. Glenszczyk, TRAKTAT o zasadach zarządzania dowodowego – przyszłość zarządzania 2025, CeDeWu, s. 190.
W każdej poważnej decyzji istnieje pokusa, by zapytać o wszystko naraz. Czy interwencja działa? Czy jest opłacalna? Czy zostanie zaakceptowana? Czy jest zgodna z kulturą organizacyjną? Pytanie rozrasta się, puchnie, obejmuje kolejne wątki — aż przestaje być pytaniem, a staje się opisem niepokoju decydenta. W tym miejscu potrzebne jest pojęcie porządkujące: dominująca zmienna decyzyjna.
Dominująca zmienna decyzyjna to ta kategoria rezultatu, która w danym procesie stanowi główne kryterium rozstrzygnięcia. Nie jest to jedyna zmienna brana pod uwagę, lecz ta, która organizuje strukturę pytania i wyznacza klasę podstawowych dowodów. To ona decyduje, czy analizujemy przede wszystkim skuteczność, mechanizm działania, opłacalność ekonomiczną czy akceptowalność społeczną rozwiązania. Bez jej wyraźnego wskazania proces dowodowy traci orientację epistemiczną.
W klasycznej EBM hierarchia dowodów była przez lata stabilna, ponieważ dominującą zmienną była najczęściej skuteczność kliniczna interwencji. W zarządzaniu sytuacja jest bardziej złożona: raz kluczowa jest efektywność operacyjna, innym razem redukcja ryzyka, jeszcze innym — trwałość zmiany kulturowej. Hierarchia dowodów nie może być zatem stała; rekonfiguruje się wokół dominującej zmiennej. To ona decyduje, czy większą wagę przypiszemy badaniom porównawczym, analizom jakościowym, modelom ekonomicznym czy danym systemowym. Brak identyfikacji dominującej zmiennej prowadzi do hybrydyzacji pytania i mieszania klas danych. Decydent zaczyna równocześnie oceniać skuteczność, koszty i preferencje interesariuszy, nie rozróżniając, która z tych kategorii ma charakter nadrzędny. W rezultacie powstaje syntetyczna narracja, lecz nie uporządkowana analiza. Dowody nie są ważone według adekwatności do celu, lecz według siły retorycznej.
Pytanie bez hierarchii zmiennych nie prowadzi do wiedzy, lecz do narracji
Dominująca zmienna decyzyjna pełni więc funkcję kompasu metodologicznego. Wskazuje, jaki typ danych ma pierwszeństwo, jakie narzędzia oceny jakości zastosować i według jakiego kryterium budować rekomendację. Pozostałe zmienne — koszt, wykonalność, akceptowalność — pozostają istotne, lecz mają charakter wspierający i są integrowane dopiero na etapie translacji w modelu Evidence-to-Decision. W praktyce oznacza to jedno: zanim rozpoczniemy wyszukiwanie dowodów, należy odpowiedzieć na pytanie, co w tej decyzji jest rzeczywiście rozstrzygające. Nie wszystko może być nadrzędne jednocześnie. Metodologiczna dyscyplina polega na przyjęciu tej hierarchii świadomie, jawnie i z uzasadnieniem. Dominująca zmienna decyzyjna nie upraszcza rzeczywistości — ona nadaje jej strukturę, bez której zarządzanie dowodowe przekształca się w uporządkowaną, lecz epistemicznie niespójną narrację.
Publikacja stanowi pionierską próbę przeniesienia koncepcji Evidence-based medicine (EBM) na grunt nauk o zarządzaniu i jakości. Autorzy pro...
Warsztaty tworzenia i publikacji tekstów popularnonaukowych
Pełen cykl: od pomysłu i kwerendy po publikację i promocję artykułu.
30 godzin praktycznej pracy nad tekstem. Kwerenda, struktura, styl popularnonaukowy, APA 7, komunikacja z redakcją, promocja publikacji oraz studium przypadku ArticFlow.
.jpg)
Posty
