AI przyspiesza pracę, ale czy przyspiesza decyzje?

Rozwój sztucznej inteligencji zmienia sposób funkcjonowania zespołów produktowych. Automatyzacja programowania, generowanie dokumentacji, analiza danych czy tworzenie prototypów pozwalają skracać czas wykonywania wielu zadań. Jednak z perspektywy zarządzania dowodowego (ang. Evidence-Based Management, EBMgt) zasadnicze pytanie brzmi inaczej: czy wzrost produktywności przekłada się na szybsze podejmowanie trafnych decyzji i większą wartość dostarczaną odbiorcom?

To rozróżnienie ma znaczenie metodologiczne. Sprawność wykonywania zadań nie jest tożsama ze skutecznością organizacji, podobnie jak liczba wytworzonych funkcjonalności nie stanowi bezpośredniej miary wartości dla klienta. Można produkować więcej, szybciej i taniej, nie poprawiając wyników całego systemu.

Paradoks produktywności wspomaganej sztuczną inteligencją

Według danych przytoczonych z raportu Atlassian The State of Product 2027, przygotowanego na podstawie badania 1000 przedstawicieli zespołów produktowych ze Stanów Zjednoczonych, Niemiec i Francji, około 80% respondentów deklaruje przyspieszenie pracy dzięki AI. Jednocześnie 69% wskazuje, że wykorzystanie sztucznej inteligencji nie przyspieszyło podejmowania decyzji, a 77% dostrzega sytuacje, w których intuicja kierownictwa przeważa nad danymi.

Wyniki te wskazują na potencjalną asymetrię pomiędzy zdolnością organizacji do wytwarzania rozwiązań a jej zdolnością do podejmowania decyzji dotyczących ich wykorzystania.

Z perspektywy metodologii badań należy jednak zachować ostrożność. Deklaracje respondentów nie stanowią obiektywnego pomiaru czasu realizacji projektów ani dowodu na brak korzyści dla klientów. Pokazują przede wszystkim, jak uczestnicy badania postrzegają zmiany zachodzące w swoich organizacjach.

Hipoteza wymagająca weryfikacji brzmi zatem: AI skraca czas wykonania zadań, ale ograniczona przepustowość procesów decyzyjnych może uniemożliwiać proporcjonalne skrócenie całkowitego czasu dostarczania wartości.

Teoria ograniczeń: kiedy lokalna optymalizacja nie poprawia wyniku systemu

Mechanizm ten można wyjaśnić za pomocą teorii ograniczeń (ang. Theory of Constraints, TOC), rozwijanej przez Eliyahu M. Goldratta.

W jej ujęciu efektywność całego systemu zależy od ograniczeń determinujących jego przepustowość. Przyspieszenie procesu, który nie stanowi aktualnego ograniczenia, nie musi zwiększać wydajności całej organizacji.

Wyobraźmy sobie zespół, który dzięki AI jest w stanie przygotować dziesięć funkcjonalności tygodniowo, podczas gdy proces zatwierdzania wdrożeń pozwala podejmować decyzje jedynie w sprawie czterech. W takim układzie zwiększenie tempa wytwarzania nie podnosi liczby wdrożeń. Może natomiast zwiększać liczbę funkcjonalności oczekujących na decyzję.

Z punktu widzenia TOC kluczowe nie jest więc dalsze przyspieszanie programowania, lecz identyfikacja i usprawnienie rzeczywistego ograniczenia systemu.

Nie oznacza to jednak, że w każdej organizacji wąskim gardłem jest kierownictwo. Ograniczeniem może być również testowanie, bezpieczeństwo, infrastruktura, dostępność klientów lub procedura regulacyjna. Lokalizację ograniczenia należy ustalić empirycznie, a nie przyjmować na podstawie samego raportu ankietowego.

Ukryte koszty przyspieszenia

Raport Atlassian zwraca również uwagę na problemy związane z jakością pracy, nadzorem nad systemami AI i zmianą granic odpowiedzialności zawodowej.

Według liczb przytoczonych w materiale wyjściowym 82% badanych dostrzega konieczność poprawiania niezadowalających rezultatów generowanych przez AI, około połowa musi kontrolować działanie agentów AI, 89% wykonuje zadania wcześniej przypisane innym działom, a 67% doświadcza trudności z określeniem własnej roli.

Zjawiska te można interpretować w kategoriach kosztów koordynacji i kontroli jakości. Część pracy, którą wcześniej wykonywano bezpośrednio, zostaje zastąpiona przez nadzorowanie, weryfikowanie i korygowanie wyników systemów AI.

Powstaje zatem ryzyko pozornej oszczędności czasu. Jeżeli wygenerowanie rozwiązania zajmuje pięć minut, ale jego sprawdzenie, poprawienie i uzgodnienie wymaga dwóch godzin, rzeczywisty efekt produktywnościowy zależy od całkowitego nakładu pracy, a nie wyłącznie od czasu generowania.

Zarządzanie dowodowe wymaga uwzględnienia również kosztów błędów, poprawek, opóźnień i konsekwencji organizacyjnych.

Problem epistemiczny: kiedy intuicja wygrywa z dowodami

Szczególnie istotny jest wynik dotyczący przewagi intuicji kierownictwa nad danymi. W klasycznym ujęciu Evidence-Based Management decyzje powinny uwzględniać cztery kategorie dowodów: wyniki badań naukowych, dane organizacyjne, doświadczenie profesjonalne oraz wartości i oczekiwania interesariuszy.

Nie oznacza to wyeliminowania intuicji. Doświadczenie menedżerskie stanowi wartościowe źródło wiedzy praktycznej, zwłaszcza w sytuacjach niepewności. Problem pojawia się wtedy, gdy przekonanie osoby decyzyjnej uzyskuje pierwszeństwo wyłącznie ze względu na jej pozycję w hierarchii organizacyjnej. Wówczas decyzja może być formalnie uzasadniana danymi, mimo że rzeczywistą przesłanką pozostaje autorytet kierownictwa.

Z punktu widzenia EBMgt ważniejsze od samej szybkości decyzji są trzy właściwości procesu decyzyjnego: jakość wykorzystanych dowodów, jawność przesłanek rozstrzygnięcia oraz możliwość późniejszej oceny jego skutków. Szybka decyzja oparta na niewiarygodnych danych nie musi być lepsza od decyzji podjętej wolniej. Podobnie jednak wielokrotne odkładanie decyzji nie zwiększa automatycznie jej trafności.

Dojrzałość dowodowa organizacji polega na umiejętności dostosowania tempa i rygoru podejmowania decyzji do ich znaczenia, odwracalności oraz poziomu niepewności.

Od mierzenia aktywności do mierzenia wartości

W organizacjach wykorzystujących AI szczególnie łatwo pomylić wskaźniki aktywności ze wskaźnikami rezultatu. Liczba wygenerowanych fragmentów kodu, dokumentów, analiz czy funkcjonalności może rosnąć, chociaż korzyści uzyskiwane przez klientów pozostają bez zmian.

To również obszar ryzyka opisywanego przez prawo Goodharta: gdy wskaźnik staje się celem zarządzania, może tracić swoją wartość informacyjną.

Jeżeli organizacja nagradza liczbę dostarczonych funkcjonalności, zespoły mogą koncentrować się na zwiększaniu produkcji zamiast na rozwiązywaniu rzeczywistych problemów klientów.

W praktyce EBMgt warto zatem odróżniać trzy poziomy pomiaru:

Poziom	Przykładowy wskaźnik	Pytanie
Wykonanie	Czas przygotowania funkcjonalności	Jak szybko pracujemy?
Przepływ	Czas od rozpoczęcia pracy do wdrożenia, w tym oczekiwanie na decyzję	Jak szybko dostarczamy?
Wartość	Zmiana satysfakcji, retencji lub skuteczności realizacji zadań klienta	Co rzeczywiście poprawiliśmy?

Dopiero zestawienie tych wymiarów pozwala ocenić, czy wdrożenie AI przyniosło korzyść całej organizacji, a nie tylko wybranemu etapowi procesu.

Jak zastosować Evidence-Based Management w praktyce?

Punktem wyjścia powinno być zidentyfikowanie miejsca, w którym praca oczekuje najdłużej. W zespole produktowym może to być decyzja o priorytecie, akceptacja projektu, testowanie, zgoda na wdrożenie albo weryfikacja rezultatów przez klienta.

Następnie należy ustalić, kto ma uprawnienia decyzyjne, jakimi dowodami powinien dysponować i jakie warunki muszą zostać spełnione, aby decyzja mogła zostać podjęta.

Pomocna jest tutaj logika pięciu kroków TOC: identyfikacja ograniczenia, maksymalne wykorzystanie jego obecnej przepustowości, podporządkowanie mu pozostałych działań, zwiększenie jego przepustowości i ponowna analiza systemu po zmianie.

W praktyce można rozpocząć od prostego eksperymentu organizacyjnego. Przez cztery tygodnie rejestrować czas oczekiwania gotowych funkcjonalności na decyzję, a następnie wprowadzić jedno usprawnienie, np. jasno określone uprawnienia do zatwierdzania wdrożeń lub regularne, krótkie okna decyzyjne.

Porównanie okresów przed zmianą i po niej pozwoli wstępnie ocenić, czy skrócono czas oczekiwania. Należy jednocześnie kontrolować liczbę błędów, nieudanych wdrożeń i wycofanych funkcjonalności, aby nie uznać przyspieszenia osiągniętego kosztem jakości za sukces.

Takie postępowanie realizuje podstawową zasadę zarządzania dowodowego: decyzję traktuje się jako hipotezę dotyczącą skutków działania, którą należy następnie zweryfikować na podstawie obserwowalnych rezultatów.

Wnioski: AI nie zastępuje dojrzałości decyzyjnej

Raport Atlassian The State of Product 2027 wskazuje na istotne napięcie między technologiczną zdolnością organizacji do szybszego wykonywania pracy a jej zdolnością do dostarczania wartości.

W świetle teorii ograniczeń oraz Evidence-Based Management można sformułować szerszy wniosek: automatyzacja wykonania nie usuwa automatycznie ograniczeń występujących w procesach koordynacji, oceny dowodów i podejmowania decyzji.

Nie oznacza to, że AI nie może wspierać decyzji. Może przyspieszać pozyskiwanie informacji, porządkowanie danych, analizę alternatyw czy identyfikację ryzyka. Odpowiedzialność za ocenę jakości przesłanek, akceptację ryzyka i skutki decyzji pozostaje jednak po stronie ludzi oraz ustanowionych przez organizację mechanizmów zarządzania.

Ostatecznie przewaga organizacji nie musi wynikać z tego, jak szybko potrafi ona coś wytworzyć. Może wynikać z tego, jak sprawnie potrafi rozpoznać właściwy problem, podjąć uzasadnioną dowodowo decyzję, dostarczyć rozwiązanie i zweryfikować jego rzeczywistą wartość.

Warto zatem postawić pytanie diagnostyczne: ile czasu w naszej organizacji gotowe rozwiązanie oczekuje na decyzję o wdrożeniu — i jaka część tego oczekiwania rzeczywiście poprawia jakość decyzji?

Źródła i literatura

1. Atlassian (2026). The State of Product 2027. Oficjalna strona raportu.
2. Goldratt, E. M., Cox, J. The Goal: A Process of Ongoing Improvement. North River Press.
3. Briner, R. B., Denyer, D., Rousseau, D. M. (2009). Evidence-Based Management: Concept Cleanup Time? Academy of Management Perspectives, 23(4), 19–32. DOI: 10.5465/amp.23.4.19.
4. Rousseau, D. M., ten Have, S. (2022). Evidence-based change management. Organizational Dynamics, 51(3), 100899. DOI: 10.1016/j.orgdyn.2022.100899.
5. DORA. Software Delivery Performance Metrics. Dokumentacja metryk.

Uwaga metodologiczna: Szczegółowe odsetki przytoczone w artykule pochodzą z materiału wyjściowego i wymagają weryfikacji w pełnej wersji raportu Atlassian przed publikacją naukową. Wyniki badań ankietowych dotyczą deklaracji respondentów i nie powinny być interpretowane jako bezpośredni pomiar efektywności organizacji.

Tematyka: AI, decyzje