Job crafting w transformacji AI: jak zmienić pracę, a nie tylko narzędzia

Firma kupuje dostęp do AI. Pracownicy przechodzą szkolenie, przygotowują pierwsze podsumowania i szybciej tworzą dokumenty. Mimo to decyzje nadal czekają na właściciela, menedżerowie sprawdzają coraz więcej materiałów, a zespoły nie mają mniej pracy.

To możliwy scenariusz, gdy wdrożenie kończy się na narzędziu. AI przyspiesza pojedyncze czynności, ale sposób działania organizacji pozostaje bez zmian.

Job crafting może pomóc przejść od pytania „Do czego użyć AI?” do pytania „Jak chcemy wykonywać pracę, skoro część czynności możemy już realizować inaczej?”. Jego wartość polega na tym, że włącza inicjatywę pracowników w zmianę ich własnej pracy. Nie zastępuje jednak odpowiedzialności zarządu za kierunek, zasady i konsekwencje transformacji.

Czym jest job crafting?

Job crafting to oddolne kształtowanie własnej pracy przez pracownika. Może obejmować zmianę wykonywanych zadań, relacji zawodowych oraz tego, jak pracownik postrzega znaczenie swojej roli. W klasycznej koncepcji Amy Wrzesniewski i Jane Dutton pracownik nie jest wyłącznie odbiorcą gotowego stanowiska — aktywnie wpływa na jego kształt. Wrzesniewski i Dutton, 2001.

W kontekście AI te trzy obszary można przełożyć na praktykę:

To przykłady zastosowań, nie zamknięta lista. Ważne, aby za zmianą sposobu myślenia szły rzeczywiste możliwości działania.

Nie każda zmiana stanowiska jest job craftingiem. Jeśli przełożony sam ustala nowy zakres obowiązków i przekazuje go pracownikowi do wykonania, jest to odgórne projektowanie pracy. Oba podejścia mogą się uzupełniać, ale nie należy ich utożsamiać.

Dlaczego samo udostępnienie AI nie wystarcza?

W badaniu terenowym obejmującym 7137 pracowników wiedzy w 66 firmach losowo udostępniano narzędzie generatywnej AI w aplikacjach używanych do codziennej pracy. W drugiej połowie sześciomiesięcznego eksperymentu osoby z grupy objętej wdrożeniem, które korzystały z narzędzia, spędzały średnio około dwóch godzin tygodniowo mniej na poczcie elektronicznej. Autorzy nie wykryli jednak zmian w liczbie ani strukturze zadań wynikających z samego indywidualnego dostępu do AI. To wyniki konkretnego eksperymentu, przedstawione w wersji roboczej pracy, a nie prognoza dla każdej firmy. Dillon i współautorzy, „Shifting Work Patterns with Generative AI”, 2025, wersja z 13 listopada.

Wniosek praktyczny: zaoszczędzony czas i przeprojektowana praca to dwie różne rzeczy. Warto ustalić, co przestaje być potrzebne, co wymaga większej uwagi i kto może podjąć decyzję o zmianie.

Job crafting daje przestrzeń, aby takie propozycje zgłaszali również ludzie wykonujący pracę. Nie muszą przy tym ograniczać się do przyspieszania tego, co robili dotychczas.

AI może zmniejszyć wysiłek, ale może też dołożyć nowej pracy

Przygotowanie pierwszej wersji dokumentu to tylko część zadania. Trzeba jeszcze sprawdzić dane, wychwycić błędy, ocenić przydatność wyniku i uzgodnić go z odbiorcą.

W przeglądzie 23 badań Matthew Law i Rama Adithya Varanasi opisują, jak użytkownicy generatywnej AI nie tylko przekazywali jej część czynności, lecz także podejmowali dodatkową pracę związaną z nadzorowaniem i poprawianiem wyników. Zmieniały się również kontakty zawodowe — w części sytuacji AI zastępowała konsultacje z innymi osobami. Przegląd pokazuje możliwe mechanizmy, nie wielkość efektu dla dowolnej organizacji. Law i Varanasi, 2025 — preprint.

Dlatego w pilotażu warto sprawdzić cały przebieg pracy. Czy ktoś oszczędza czas kosztem osoby, która później weryfikuje materiał? Czy szybsze przygotowanie wersji roboczej nie powoduje większej liczby poprawek? Czy pracownik nadal rozumie, jak powstał wynik?

Celem nie jest maksymalna liczba czynności wykonywanych z AI, tylko przydatny rezultat i rozsądny podział wysiłku.

Czy AI daje pracownikowi zasoby, czy dokłada wymagania?

Ten problem pomaga uporządkować perspektywa wymagań i zasobów pracy (Job Demands–Resources, JD-R), rozwijana m.in. przez prof. Evangelię Demerouti. Wymagania to te elementy pracy, które pochłaniają wysiłek — na przykład presja czasu lub konieczność analizowania trudnych informacji. Zasoby pomagają wykonywać pracę i rozwijać umiejętności. Mogą nimi być autonomia, wsparcie innych osób czy możliwości uczenia się.

W publikacji o cyfryzacji i automatyzacji Demerouti wskazuje, że technologia powinna wspierać pracę, a ludzie powinni zachować wpływ na sposób jej wykorzystania. Nowym wymaganiom muszą towarzyszyć odpowiednie zasoby. To opracowanie koncepcyjne, a nie eksperyment dowodzący skuteczności generatywnej AI. Demerouti, „Turn Digitalization and Automation to a Job Resource”, 2022; publikacja online w 2020 roku.

Jak zastosować tę perspektywę do AI? Pracownik może szybciej przygotować dokument, ale jednocześnie otrzymać więcej materiałów do sprawdzenia. Jeżeli rosną oczekiwania, a brakuje czasu na naukę, wsparcia i możliwości zmiany sposobu pracy, samo narzędzie nie musi oznaczać odciążenia.

Dlatego proponujemy oceniać pilotaż nie tylko po liczbie zaoszczędzonych minut. Warto zapytać także:

• Które wymagania zmalały, a które pojawiły się lub wzrosły?
• Jakiego wsparcia potrzebuje pracownik?
• Co może zmienić samodzielnie, a co wymaga decyzji menedżera?
• Czy usprawnienie jego pracy nie zwiększa obciążenia innych osób?

To praktyczne zastosowanie tej perspektywy do transformacji AI, a nie gotowa recepta potwierdzona dla każdego wdrożenia. Uzupełnia opisane wcześniej trzy obszary job craftingu: zadania, relacje zawodowe i znaczenie pracy.

Przykład: mniej przygotowywania raportów, więcej wyjaśniania danych

Poniższy przykład jest ilustracyjny. Nie opisuje klienta Instytutu Gaussa ani wyników przeprowadzonego wdrożenia.

Sześcioosobowy zespół w rozwijającej się firmie przygotowuje po cztery zestawienia tygodniowo na osobę. Pracownicy proponują wykorzystanie zatwierdzonego narzędzia AI do opracowania pierwszej wersji materiału. Chcą skrócić czas przygotowywania raportów i częściej analizować przyczyny problemów.

Przed testem uzgadniają z menedżerem zakres danych, sposób kontroli i przeznaczenie odzyskanego czasu. Robocze założenia wyglądają tak:

Przy 24 raportach tygodniowo różnica wynosi 600 minut, czyli 10 godzin pracy całego zespołu. To oszczędność czasu wykonywania wskazanych czynności, nie automatyczna oszczędność pieniędzy ani dowód skrócenia czasu oczekiwania na decyzję. Trzeba jeszcze uwzględnić uruchomienie rozwiązania, koszty narzędzia i ewentualne dodatkowe poprawki.

Gdzie w tym przykładzie jest job crafting? Nie w samym generowaniu raportu. Jest w inicjatywie pracowników, którzy proponują zmianę własnych zadań i sposobu współdziałania z odbiorcami danych. Jeżeli odzyskany czas rzeczywiście pozwala im analizować przyczyny odchyleń, ich praca zmienia się jakościowo.

Jeżeli nadal produkują te same dokumenty, tylko szybciej, to również może być korzyść. Nie jest to jednak jeszcze dowód głębszej zmiany roli.

Zgodne cele: co ma zyskać firma, zespół i pracownik?

Właściciel oczekuje większej efektywności. Menedżer chce ograniczyć zaległości. Pracownik chciałby mniej czasu poświęcać powtarzalnym czynnościom i rozwijać umiejętności analityczne. Te dążenia mogą się wspierać, ale nie dzieje się to automatycznie.

Warto uzgodnić, co stanie się z odzyskanym czasem. Czy ograniczymy nadgodziny? Zajmiemy się zaległymi sprawami? Poprawimy jakość? Podejmiemy zadania rozwojowe? Jeżeli każda strona spodziewa się czegoś innego, nawet sprawne narzędzie może stać się źródłem napięcia.

Pytanie nie brzmi więc tylko: „Czy pracownik rozumie cel wdrożenia?”. Ważniejsze jest: „Czy firma, zespół i pracownik mają zgodne cele dotyczące tej zmiany?”.

Do rozmowy o tych zależnościach warto wykorzystać „Małą książeczkę o współpracy” Victora Wekselberga i Jacka Wasilewskiego. Wnosi ona perspektywę współpracy, ale nie jest źródłem koncepcji job craftingu.

Samodzielność pracownika wymaga warunków

Badanie z 2026 roku, obejmujące 287 par pracownik–przełożony w Chinach, wykazało związki między rozwojowym kształtowaniem pracy z AI, poczuciem jej znaczenia oraz wybranymi wynikami zawodowymi. Znaczenie miała także autonomia. Autorzy wskazują jednak ograniczenia w ustalaniu przyczynowości: badanie było ankietowe, część zmiennych mierzono jednocześnie, a dane pochodziły z jednego kraju. Nie dowodzi ono, że dowolny program job craftingu wywoła takie efekty w polskiej firmie. Liu, Lei i Qu, 2026.

W praktyce zaproszeniu do eksperymentowania powinny towarzyszyć czas, dostęp do zatwierdzonych narzędzi i jasno określony zakres decyzji.

Sama deklaracja „Macie swobodę” niewiele zmienia, jeśli każda propozycja wymaga długiej akceptacji, a pracownik ma testować rozwiązania po godzinach. Z drugiej strony swoboda nie oznacza dowolności w przekazywaniu danych, zmienianiu standardów jakości czy składaniu zobowiązań klientom.

Co badania mówią o job craftingu podczas zmiany?

Demerouti i współautorzy sprawdzili program job craftingu w organizacji handlowej przechodzącej zmianę. Interwencja obejmowała warsztat, cztery tygodnie samodzielnie wybranych działań pracowników oraz spotkanie podsumowujące. W analizie końcowej uwzględniono 53 osoby z grupy interwencyjnej i 16 z grupy kontrolnej.

W porównaniu z grupą kontrolną uczestnicy programu deklarowali mniejsze wyczerpanie, częstsze poszukiwanie wyzwań oraz większą gotowość do angażowania się w zmianę. Nie wszystkie oczekiwane efekty zostały jednak potwierdzone: w porównaniu między grupami nie stwierdzono istotnego wzrostu poszukiwania zasobów ani optymalizowania wymagań. Badanie miało niewielką próbę, nie zastosowano losowego przydziału do grup i nie dotyczyło ono wdrażania AI. Demerouti, Soyer, Vakola i Xanthopoulou, 2021.

To badanie może inspirować projektowanie pilotażu AI, ale nie dowodzi, że pilotaż okaże się skuteczny. Warto połączyć warsztat z możliwością sprawdzenia własnych pomysłów w codziennej pracy i późniejszą oceną efektów. Samo przekazanie wiedzy o job craftingu nie jest tym samym co stworzenie warunków do zmiany.

Jak rozpocząć pilotaż job craftingu z AI?

Poniższy schemat to propozycja praktycznej pracy, nie zwalidowany protokół badawczy.

1. Ustalcie, jak praca wygląda obecnie

Zacznijcie od krótkiego podsumowania: z jakich narzędzi AI i gdzie korzystacie w firmie lub zespole? Następnie wybierzcie jeden powtarzalny proces. Opiszcie czynności, decyzje, przekazania pracy, czas wykonania i poprawki. Ustalcie również, co najbardziej obciąża ludzi oraz z jakiego wsparcia mogą dziś korzystać.

2. Zaproście pracowników do zaproponowania zmian

Zapytajcie, co warto ograniczyć, co wykonywać inaczej, a czemu poświęcić więcej uwagi. Uwzględnijcie kompetencje i potrzeby ludzi, ale także oczekiwania odbiorcy pracy. Rozwiązaniem może być AI, prostsza procedura albo rezygnacja z niepotrzebnego raportu.

3. Uzgodnijcie granice i odpowiedzialność

Określcie, co pracownik może zmienić sam, co konsultuje, a co wymaga akceptacji. Ustalcie dopuszczalne dane, kontrolę jakości oraz sytuacje, w których należy przerwać test. Wykonanie zadania z pomocą AI nie przenosi odpowiedzialności na narzędzie.

4. Przeprowadźcie test na ograniczonej liczbie spraw

Zapewnijcie czas na naukę i sprawdzanie błędów. Porównujcie zadania o podobnej trudności. Nie oceniajcie skuteczności na podstawie najlepszego przykładu z prezentacji ani samej liczby użyć narzędzia.

5. Oceńcie zmianę i zdecydujcie, co zostaje

Sprawdźcie czas całego procesu, jakość, poprawki, obciążenie osób weryfikujących i przydatność rezultatu dla odbiorcy. Porównajcie wymagania i dostępne wsparcie przed zmianą oraz po niej. Zapytajcie także, czy pracownicy mają większy wpływ na pracę i potrafią ją wykonać, gdy AI zawiedzie. Rozwiązania przydatne szerzej warto opisać, uzgodnić z innymi zespołami i dopiero wtedy upowszechniać.

Jakich problemów job crafting nie rozwiąże?

Nie zastąpi decyzji zarządu o priorytetach, podziale uprawnień i zasadach współpracy między działami. Nie naprawi samodzielnie niespójnych danych ani systemu premiowania, który nagradza szybkość kosztem jakości. Nie powinien też służyć przekonywaniu przeciążonych osób, że mają jedynie inaczej spojrzeć na swoją pracę.

Jeżeli pracownik nie ma wpływu na źródło problemu, oczekiwanie od niego inicjatywy może stać się przerzuceniem odpowiedzialności. Wtedy potrzebna jest zmiana organizacyjna, a nie kolejny warsztat o nastawieniu do AI.

W przeglądzie badań z 2026 roku Demerouti podkreśla, że job crafting może przynosić zarówno korzystne, jak i niekorzystne skutki. Podejmowanie nowych wyzwań wymaga ostrożności, ponieważ może zwiększać obciążenie i ryzyko wyczerpania. Job crafting nie powinien więc oznaczać nieustannego dokładania sobie obowiązków. Demerouti, „Job Crafting Revisited: Current Insights, Emerging Challenges, and Future Directions”, 2026.

Job crafting ma szczególną wartość wtedy, gdy pracownicy mogą zaproponować zmianę, sprawdzić ją w bezpiecznych warunkach i zobaczyć, co z niej wynika. Ich inicjatywa potrzebuje jednak miejsca w sposobie zarządzania firmą.

Transformacja AI zaczyna się od pytania o pracę

Zamiast pytać wyłącznie „Ile czynności zautomatyzujemy?”, warto zapytać: „Jak ma wyglądać dobra praca po tej zmianie — dla klienta, organizacji i pracownika?”.

Job crafting pomaga włączyć perspektywę ludzi, którzy tę pracę wykonują. Zarząd i menedżerowie odpowiadają za to, aby indywidualne usprawnienia wspierały zgodne cele i nie tworzyły problemów w innych częściach firmy.

W Instytucie Gaussa łączymy psychologię organizacji i wykorzystanie AI z analizą decyzji, odpowiedzialności oraz współpracy. Jeżeli Twoja firma wdraża AI, ale nie jest jeszcze jasne, jak powinny zmienić się zadania i role, porozmawiajmy o konkretnym procesie w Twojej organizacji.