Agenci AI są szybcy. Ludzka weryfikacja to nowe wąskie gardło

Maszyna potrafi napisać propozycję, posortować skrzynkę odbiorczą i przygotować raporty na cały tydzień przed obiadem. Trudne może być rozstrzygnięcie, które z jej odpowiedzi zasługują na drugie spojrzenie.

Nowe badanie pracy w Anthropic, opublikowane 16 października 2026 r., nadaje temu znanemu problemowi wyjątkowo konkretny kształt: w miarę jak przybywało agentów AI w firmie, pracownicy coraz większą część swoich interakcji poświęcali na ich organizowanie, instruowanie i nadzorowanie.¹ Praca nie po prostu zniknęła. Część przesunęła się o poziom wyżej.

To bardziej bezpośrednie pytanie dla małej firmy, organizacji pozarządowej czy kierownika działu niż to, czy AI w końcu zastąpi jakiś zawód. Ile wartościowej pracy zespół może bezpiecznie przekazać, zanim jego ograniczona zdolność do sprawdzania, poprawiania i brania odpowiedzialności za wyniki stanie się ograniczeniem? Odpowiedź decyduje nie tylko o zwrocie z inwestycji w AI, ale też o tym, czego pracownicy będą musieli się nauczyć dalej. Uzupełnia nasz wcześniejszy tekst o tym, które zadania agentów zmieniają się najpierw, i o rolach nadzorczych, które te zmiany tworzą.

Proporcja sześć do jednego, która wymaga ostrzeżenia

Ekonomiści z Anthropic przeanalizowali wewnętrzne dane o zatrudnieniu, telemetrię agentów, miary wyników, dane z kalendarzy, ankiety i 17 wywiadów z pracownikami. Do sierpnia 2026 r. interaktywni agenci sterowani przez pracowników firmy AI zarejestrowali około sześciu godzin czasu działania na każdą szacowaną godzinę pracy ich ludzkich operatorów.¹ Badacze definiują czas działania agenta jako wnioskowanie i aktywne użycie narzędzi, z pominięciem oczekiwań dłuższych niż 30 minut. Czas ludzki nie jest mierzony w ten sam sposób: szacuje się go na podstawie liczby pracowników przy założeniu 40-godzinnego tygodnia pracy. To nie są wymienne jednostki, a ta proporcja nie mierzy ukończonej pracy sześciu pracowników.

Bardziej wymowny wniosek raportu dotyczy tego, co działo się wokół tej produkcji. W próbie 2000 krótkich streszczeń interaktywnych sesji Claude odsetek sklasyfikowany jako „metapraca” wzrósł z 10% jesienią 2025 r. do 22% wiosną 2026 r.¹ Obejmowało to ustalanie instrukcji dla agentów, monitorowanie potoków przetwarzania, ustawianie jednego agenta do sprawdzania drugiego i dokumentowanie procesów. To odsetek sklasyfikowanych interakcji z AI, a nie dowód, że pracownicy poświęcali 22% całego czasu pracy na zarządzanie AI.

Badacze oszacowali też, że interaktywne sesje agentów spędzały około 80% upływającego czasu na oczekiwaniu na ludzkie dane wejściowe.¹ Ta statystyka dotyczy czasu oczekiwania sesji, a nie twierdzenia, że pracownicy byli bezczynni przez 80% dnia. To rozróżnienie ma znaczenie. Głównym problemem operacyjnym nie jest brak szybkości AI, lecz to, że człowiek wciąż musi ustalać priorytety przerwań, dostarczać brakujący kontekst i decydować, kiedy wynik jest wystarczająco dobry do użycia.

Anthropic to przypadek skrajny, a nie reprezentatywny pracodawca. Rozwija badaną technologię, ma wyjątkowo zaawansowane zespoły techniczne i komercyjny interes w pokazywaniu jej użyteczności. Raport to wewnętrzne badanie obserwacyjne, a nie randomizowane oszacowanie tego, co stałoby się w typowej firmie. Jego miary wyników zmieniały się też w okresie szybkiej ekspansji biznesu, a autorzy zauważają, że pracownicy, którzy przyjmują narzędzia, mogą różnić się od tych, którzy tego nie robią. Te ograniczenia nie zacierają wzorca. Określają, jak ostrożnie go uogólniać.

Praca, której nikt nie wpisał do budżetu automatyzacji

Weźmy hipotetyczną organizację lokalną, która używa agenta do przygotowywania wniosków o dotacje na podstawie notatek programowych, rejestrów finansowych i wytycznych grantodawców. Pisanie staje się szybsze. Ale ktoś nadal musi zweryfikować kwalifikowalność, uzgodnić liczby, chronić poufne informacje, potwierdzić, że każde twierdzenie ma dowód, i zatwierdzić końcowy wniosek. Jeśli system tworzy dziesięć szkiców zamiast dwóch, kolejka do weryfikacji może rosnąć szybciej, niż zespół jest w stanie ją opróżnić. Organizacja nie zautomatyzowała odpowiedzialności, tylko zmieniła jej miejsce.

Ta sama arytmetyka dotyczy małego sklepu, którego agent odpowiada na pytania dostawców, i zespołu finansowego, którego agent klasyfikuje faktury. Jest różnica między sprawdzaniem każdego wyniku, próbkowaniem przypadków niskiego ryzyka i wymaganiem zatwierdzenia tylko dla wyjątków. Każde podejście wymienia czas na konsekwencje błędu. Nieskorygowana literówka w wewnętrznym streszczeniu to nie to samo co błędna płatność, niedokładna instrukcja medyczna czy wprowadzające w błąd twierdzenie wobec grantodawcy. Projekt weryfikacji powinien odzwierciedlać tę różnicę.

Wrześniowe badanie firmy doradczej BearingPoint z 2026 r. to użyteczny kontrapunkt dla przekonania, że szybsze zadania automatycznie oznaczają silniejszą organizację. W ankiecie internetowej wśród 1050 wyższych rangą liderów organizacji publicznych i prywatnych w Europie, Stanach Zjednoczonych i Chinach 74% organizacji, które wdrożyły AI, zgłosiło mierzalny wpływ na przychody lub koszty, ale tylko 13% powiedziało, że w pełni przeskalowało inicjatywy zgodnie z pierwotnym planem. Ponad jedna czwarta zgłosiła poprawę produktywności bez mierzalnego wpływu na wynik finansowy.² To samodzielne deklaracje kadry kierowniczej, a nie audytowane szacunki przyczynowe, a próba nie dotyczy szczególnie małych organizacji. Mimo to wskazują one lukę między lokalną efektywnością a wartością dla organizacji.

Brakujący krok jest często organizacyjny. Szybsze szkice dają niewiele wartości, jeśli zatwierdzenia pozostają powolne. Szybsza odpowiedź dla klienta nie jest lepszym wynikiem, jeśli klient musi ponownie skontaktować się z organizacją, by ją poprawić. Zespół może zaoszczędzić czas przy jednym zadaniu, a potem wydać zysk na sprawdzanie, uzgadnianie lub obsługę większej liczby zgłoszeń. Użyteczną miarą jest ukończony, poprawny wynik, a nie liczba wiadomości, które agent potrafi wygenerować.

Szybkość i jakość mogą zmieniać się w przeciwnych kierunkach

Badania spoza Anthropic wzmacniają potrzebę rozróżniania zadań. W dokumencie roboczym z lipca 2026 r. Sven Bottesch i współpracownicy opisali randomizowany eksperyment typu lab-in-the-field z udziałem 128 pracowników wiedzy w międzynarodowej organizacji przemysłowej. Wsparcie AI poprawiło efektywność we wszystkich trzech testowanych zadaniach. Jakość wzrosła przy porządkowaniu i tworzeniu wiedzy, ale spadła przy jej pozyskiwaniu.³ Badanie jest małe, specyficzne dla zadań i ma formę dokumentu roboczego, a nie uniwersalnego szacunku skuteczności AI. Jego praktyczna lekcja jest jednak wyraźna: przepływ pracy może stać się szybszy, a określony rodzaj błędu bardziej prawdopodobny.

Osobny preprint z czerwca 2026 r. autorstwa Chen Zhu, Xiaolu Wang i Weilonga Zhanga testował ustrukturyzowany przepływ badawczy z udziałem człowieka. W 280 eksperymentalnych przebiegach badawczych na czterech zbiorach danych autorzy podają, że krytyczne awarie spadły z 72% w nieograniczonym punkcie odniesienia z wieloma agentami do 16%, gdy narzucono deterministyczne operacje na danych i wyraźne ludzkie punkty decyzyjne.⁴ Te liczby opisują specjalnie zaprojektowany test badawczy, a nie oczekiwany odsetek błędów w biurze. Pokazują jednak, dlaczego architektura weryfikacji może mieć takie samo znaczenie jak wyrafinowanie modelu.

Kusi, by rozwiązać wąskie gardło weryfikacji, prosząc drugiego agenta o sprawdzenie pierwszego. To może pomóc wychwycić rutynowe niespójności, ale dwie automatyczne kontrole mogą mieć te same ślepe punkty. Jeśli źródło jest błędne, zasada niejednoznaczna lub model pewnie zmyśli cytat, dodanie kolejnego modelu samo w sobie nie ustala prawdy. Weryfikujący człowiek nadal potrzebuje dostępu do dowodów, jasnego standardu zatwierdzania i dość czasu na wydanie osądu.

Praktyczny test dla zespołu bez działu AI

Zanim rozbudują agenta, menedżerowie mogą zmapować jeden przepływ pracy od zgłoszenia do wyniku końcowego. Można zaznaczyć, które działania są odwracalne, które tworzą zobowiązania wobec otoczenia, które dotyczą danych wrażliwych i które wymagają osądu zawodowego lub prawnego. Następnie każdej kategorii przypisuje się wyraźną regułę weryfikacji. Niskoryzykowy szkic wewnętrzny można sprawdzać próbkowo; zmiana płatności, decyzja o zatrudnieniu lub publiczne twierdzenie o faktach mogą wymagać wskazanej z nazwiska osoby zatwierdzającej. To redakcyjne ramy decyzyjne, a nie twierdzenie, że jakikolwiek poziom automatyzacji jest uniwersalnie bezpieczny.

Potem przez kilka tygodni warto mierzyć cały cykl: czas do pierwszego wyniku, czas poświęcony na jego sprawdzenie, poprawki, częstotliwość wyjątków, liczbę poprawnie zakończonych spraw i to, czy klienci lub podopieczni otrzymują lepszą obsługę. Wyniki należy porównać z procesem sprzed AI. Trzeba też uwzględnić koszt szkolenia osób nadzorujących system i utrzymywania instrukcji, od których zależy. Jeśli agent jest szybki, ale ostateczna decyzja utyka w kolejce, dodawanie mocy generowania raczej nie rozwiąże wąskiego gardła.

Wreszcie trzeba zdecydować, kto uczy się z wyjątków. Osoba weryfikująca, która zauważa, dlaczego proponowana odpowiedź jest niebezpieczna, niepełna lub źle ujęta, buduje osąd domenowy. To doświadczenie można zamienić we wspólną listę kontrolną, lepszy proces lub lepsze szkolenie dla współpracowników. Ale jeśli ten sam ekspert po cichu ratuje każdy nieudany wynik, organizacja uzależnia się od niewidocznej pracy. Dobry nadzór to zdolność, którą trzeba rozwijać i rozdzielać, a nie nieograniczony zasób do zużycia.

Konsekwencje dla kariery są subtelniejsze niż nowy tytuł stanowiska

Nadzór nad agentami nie musi być nowym zawodem. W wielu miejscach pracy to zmieniający się element istniejących ról: pracownik socjalny, który sprawdza uprawnienia, księgowy, który bada anomalie, rekruter, który kwestionuje streszczenie kandydata, lub menedżer, który określa, czym jest dobra odpowiedź. Anthropic podaje, że pracownicy w niektórych funkcjach przesunęli się w stronę określania i koordynowania pracy zamiast samodzielnego wykonywania każdego kroku. Firma zgłasza też spadający odsetek zatrudnień młodszych specjalistów technicznych, ale jej wewnętrzne dane nie mogą dowieść, że samo używanie agentów spowodowało tę zmianę.¹

To tworzy dylemat szkoleniowy. Dobrzy weryfikujący muszą wiedzieć, jak wykonuje się pracę bazową, a automatyzacja może usunąć rutynowe przypadki, na których zdobywano tę wiedzę. Mniejsze organizacje nie rozwiążą problemu, po prostu zatrudniając doświadczonych „menedżerów AI”. Mogą potrzebować świadomego terminowania: nadzorowanych przeglądów wyjątków, okresowej pracy praktycznej bez agenta i okazji dla młodszych pracowników, by wyjaśniać, dlaczego zaakceptowali lub odrzucili wynik. To kosztuje czas w krótkim okresie, ale chroni osąd, od którego zależy bezpieczna automatyzacja.

Obietnica AI jest realna: mniej powtarzalnych kroków, więcej mocy na kontakt z klientem, głębsza analiza i praca, która wcześniej pozostawała niewykonana. Ryzyko też jest realne: organizacje mogą liczyć wygenerowany wynik jako produktywność, a osoby, które czynią go wiarygodnym, traktować jako koszt ogólny. Najbardziej użyteczne pytanie przed kolejnym pilotażem AI nie brzmi więc „Ile zadań potrafi wykonać agent?”. Brzmi: „Kto zauważy, że agent się myli, i będzie miał uprawnienia oraz czas, by coś z tym zrobić?”.

Jak hilighter może pomóc

Bezpieczne wdrażanie agentów zaczyna się od wiedzy, jakie kompetencje stoją za każdą rolą, gdzie trafiają wyjątki i kto może rozwinąć się w stronę weryfikacji i nadzoru. hilighter pomaga mapować kompetencje według roli, poznawać mocne strony i luki w module Analiza kompetencji i talentów, ustalać indywidualne ścieżki rozwoju oraz uzyskać orientacyjny obraz potencjalnego wpływu AI na stanowiska. Plan bezpłatny jest dostępny dla maksymalnie trzech ról.

Źródła

1. Anthropic Institute, How employment is changing at Anthropic, 16 października 2026 r.
2. BearingPoint, Scaling AI for measurable impact, wrzesień 2026 r.; badanie terenowe w sierpniu 2026 r.
3. Bottesch i in., Faster, Higher, Stronger? The Impact of GenAI on Knowledge Work Productivity - Evidence from the Field, dokument roboczy, 28 lipca 2026 r.
4. Zhu, Wang i Zhang, (Human) Attention Is (Still) All You Need: Human oversight makes AI-assisted social science reliable, preprint, 11 czerwca 2026 r.

Źródła sprawdzono po raz ostatni: 24 października 2026 r. Dane Anthropic opisują jednego czołowego pracodawcę z branży AI; wyniki ankiet i dokumentów roboczych nie są uniwersalnymi szacunkami dla MŚP.