Miliony ludzi latami klikały kciuk w górę albo w dół pod odpowiedziami AI, żeby nauczyć je, co jest dobrą robotą. Teraz to AI klika kciuk pod Twoją.

Zanim AI oceniło jedno zdanie, które napisałeś w pracy, tysiące ludzi na całym świecie oceniło miliony zdań, które napisało ono. Kciuk w górę, kciuk w dół, jedna odpowiedź lepsza od drugiej. Tak AI nauczyło się, co znaczy "dobra robota".

Dziś pytanie brzmi inaczej. Czy AI powinno oceniać pracę ludzi. Role się odwróciły. Uczeń zdał egzamin i dostał posadę egzaminatora.

Ten artykuł nie jest instrukcją wdrożenia. To pytanie o granicę: gdzie AI naprawdę pomaga ocenić pracę zespołu, a gdzie zamienia się w wyrok, którego nikt nie może zaskarżyć.

Jak ludzie nauczyli AI oceniać

Mikhail Nilov / Pexels

Mechanizm nazywa się RLHF, czyli uczenie przez ludzką informację zwrotną. W praktyce: model dostaje dwie odpowiedzi na to samo pytanie, człowiek wskazuje lepszą, a system uczy się wzorca, który podoba się ludziom. Bez tego etapu AI odpowiadałoby płynnie, ale bez żadnego wyczucia, co jest w ogóle użyteczne.

Już w 2023 roku śledztwo magazynu Time pokazało, jak wyglądała ta praca w praktyce: pracownicy w Kenii czytali i oznaczali najbardziej drastyczne fragmenty internetu za mniej niż 2 dolary za godzinę, żeby ChatGPT nauczył się, czego nie mówić.

Miliony takich ocen później AI potrafi rozpoznać dobrą odpowiedź lepiej niż niejeden recenzent na Allegro. Tylko że nikt z tych ludzi nie oceniał, czy dotrzymujesz terminów.

Teraz role się odwracają

MART PRODUCTION / Pexels

KPMG w USA ogłosiło w październiku 2025 roku, że pracownicy będą oceniani w rocznej ocenie pracy między innymi z tego, jak często korzystają z AI. Krąg się domyka: człowiek uczył AI oceniać, teraz AI patrzy człowiekowi na ręce, czy wystarczająco często z niego korzysta (dokładnie tak, jak przewidywał niejeden odcinek serialu o robotach, którego nikt nie potraktował poważnie).

Mechanika, którą opisywałem szerzej przy okazji AI w ocenie pracy zespołu, jest prosta: system zbiera dane, liczbę zamkniętych zadań, czas realizacji, czasem ton maili, i buduje z nich wynik. Różnica jest jedna, ale zasadnicza: tym razem to Twoja praca jest materiałem, na podstawie którego ktoś zdecyduje o Twojej podwyżce.

Harvard Business Review ostrzega w artykule z maja 2026 roku, że generatywna AI może naprawić oceny pracownicze albo zepsuć je jeszcze bardziej, zależnie od tego, czy firma używa jej do zbierania faktów, czy do pisania ładniej brzmiących wyroków.

Gdzie jest granica: pomoc czy wyrok

AI dobrze radzi sobie z liczbami. Ile zadań zamknięto, ile maili wysłano, ile razy ktoś spóźnił się na stand-up. Gorzej z tym, co liczbą nigdy nie było: inicjatywą, tym, że ktoś zgłosił problem, zanim urósł, albo uspokoił klienta, którego nikt inny by nie uspokoił.

Model policzy Ci 47 zamkniętych ticketów. Nie policzy tego, że jeden z nich zajął Ci 3 godziny, bo klient dzwonił co 10 minut, żeby zapytać, czy już gotowe.

Granica jest prosta do nazwania, trudna do utrzymania: AI może zbierać fakty, człowiek musi wydawać wyrok. W momencie, kiedy model zaczyna sam decydować o podwyżce, awansie albo zwolnieniu, przestaje być narzędziem, a staje się szefem, którego nie można zapytać "dlaczego".

Dlaczego ta symetria jest tylko pozorna

Wygląda ładnie: kiedyś ludzie oceniali AI, teraz AI ocenia ludzi, koło się zamyka. Tylko że to koło ma inny promień po każdej stronie.

Pracownik, który oceniał odpowiedzi AI, robił to za wynagrodzenie, w ramach jasno określonego zlecenia, i mógł je w każdej chwili rzucić. Pracownik oceniany przez AI nie ma tego wyboru, bo od wyniku zależy jego wypłata, a rzucenie pracy nie jest równoważną opcją na rynku, na którym rachunki trzeba płacić co miesiąc.

AI, które oceniało kiedyś, mogło się pomylić bezkarnie, bo nikt przez to nie tracił pracy. Człowiek oceniany przez AI nie ma tego luksusu. Jedna źle zinterpretowana metryka, i to on tłumaczy się przed zarządem, nie model.

Gdzie ja stawiam granicę

Moim zdaniem AI w ocenie pracy ma sens tylko jako dostarczyciel faktów, nigdy jako sędzia. Dokładnie tak, jak przy ocenie kandydatów w rekrutacji: model może przygotować materiał do rozmowy, człowiek musi tę rozmowę przeprowadzić i wziąć za nią odpowiedzialność.

Kto odpowiada, gdy automatyzacja AI się pomyli, to pytanie, które przy ocenie ludzi nabiera innego ciężaru niż przy błędnym mailu do klienta. Błędny mail można sprostować. Błędnej oceny rocznej nikt nie cofnie razem z podwyżką, której nie było.

Kciuk w górę, kciuk w dół. Tylko że tym razem to nie Ty go klikasz.