Twój zespół też produkuje workslop? Oto jak to sprawdzić.

Wyobraź sobie, że prosisz kogoś z zespołu o podsumowanie spotkania z klientem. Dostajesz dokument szybciej niż zwykle. Patrzysz – struktura czytelna, język profesjonalny, punkty i nagłówki na miejscu. Otwierasz, żeby wysłać dalej… i wtedy widzisz, że coś jest nie tak.

Nazwa firmy przekręcona. Rekomendacja na końcu brzmi rozsądnie, ale nie wiadomo kto ma ją wykonać ani kiedy. Żeby móc to wysłać komuś, kto nie był na spotkaniu, musiałbyś to przepisać.

Autor użył AI i technologia zrobiła to, w czym jest dobra: wygenerowała coś, co wygląda jak gotowe podsumowanie, ale nie zawiera tego, czego naprawdę potrzebowałeś. Efekt jest odwrotny od zamierzonego – masz teraz więcej do zrobienia, a nie mniej, jak zakładano.

To właśnie workslop. Według badania BetterUp Labs i Stanford Social Media Lab (2025) z taką sytuacją w ostatnim miesiącu zetknęło się 40% pracowników biurowych. Dla odbiorców najczęściej oznaczało to frustrację i dodatkową pracę związaną z poprawianiem lub weryfikacją materiałów.

Workslop pojawia się wtedy, gdy nowe narzędzia trafiają do zespołów szybciej niż wspólne zasady tego, jak oceniać jakość pracy z AI.

Jak go rozpoznać

Najtrudniejszy do wychwycenia jest nie ten oczywisty workslop — chaotyczny, pełen błędów, od razu widać, że coś jest nie tak. Najgroźniejszy wygląda profesjonalnie i przechodzi pierwszy test. Właśnie dlatego żyje długo.

Kilka sygnałów, które warto znać:

• Zbyt ogólne, żeby były naprawdę użyteczne. „Warto rozważyć wdrożenie nowego procesu.” „Należy usprawnić komunikację.” Wszystko brzmi rozsądnie – ale nic konkretnego z tego nie wynika. To częsty sygnał workslopu: tekst jest profesjonalny i bezpieczny, ale pozbawiony specyfiki zespołu albo sytuacji. Jeśli po przeczytaniu nadal nie wiadomo, co właściwie trzeba zrobić – dokument nie spełnił swojej roli.
• Możesz usunąć połowę i nic nie tracisz. Jeśli znaczne skrócenie tekstu nie zmienia jego wartości informacyjnej, druga połowa była wypełniaczem. AI bardzo sprawnie produkuje objętość — nie zawsze treść.
• Nazwy własne przekręcone, daty przybliżone. To sygnał, że autor nie przeczytał tego, co wysłał. AI halucynuje szczegóły — weryfikacja jest po stronie człowieka, nie narzędzia.
• Ton nie pasuje do nadawcy. Jeśli dostajesz maila od kolegi, który zazwyczaj pisze w trzech zdaniach, a tym razem dostałeś idealnie sformatowany dokument z nagłówkami, separatorami i wypunktowaniami w stylu raportu zarządczego – prawdopodobnie tego nie pisał.
• Po przeczytaniu nie wiesz co dalej. To najprostszy test. Dobry dokument kończy się jasnym następnym krokiem. Workslop kończy się podsumowaniem podsumowania.

Co zrobić jako odbiorca

Kiedy dostajesz workslop, największy problem nie leży w samej weryfikacji — tylko w tym, jak zareagować, żeby nie wyjść na osobę, która czepia się o drobiazgi.

Trzy zwroty, które działają bez wskazywania palcem na AI:

• „Jakbyś mógł określić, co jest dla Ciebie kluczowe w treści?”
  Zmusi autora do zajęcia stanowiska, ustalenia hierarchii informacji. Jeśli nie jest w stanie odpowiedzieć, sam widzi problem.
• „Co tutaj jest faktem, a co jedynie Twoją interpretacją?”
  To pytanie uruchamia krytyczne myślenie. Zmusza autora do oddzielenia tego, co rzeczywiście wynika ze źródeł, od tego, co tylko brzmi przekonująco.
• „Daj mi jeszcze twoją ocenę tego materiału, nie tylko opis. Co tu jest według Ciebie najważniejsze?”
  Prosi o subiektywny osąd – o to, czego AI nie może zastąpić. Autor musi wrócić do dokumentu i zdecydować, co naprawdę uważa.

Osobna sytuacja to ta, gdy workslop zawiera halucynacje, niedziałające linki albo źródła, które nie potwierdzają tego, co napisano. Tutaj najlepiej zadziała bezpośrednie pytanie:

• „Czy mógłbyś wskazać, gdzie w źródłach to znajdę?”
  To prośba o nawigację, nie atak. Jeśli autor nie potrafi odpowiedzieć — sam zobaczy, że coś pominął. Jeśli linki są zepsute albo źródła nie potwierdzają tezy — wychodzi to w odpowiedzi, nie w zarzucie.
• „Czy ta informacja jest aktualna? Sprawdź proszę, bo mam wrażenie, że to mogło się zmienić.”
  Taki zwrot zdejmuje z odbiorcy rolę arbitra — nie mówi „to jest błąd”, mówi „coś mi tu nie pasuje”. Autor musi sprawdzić, ale nie czuje się oskarżony.
• „Zanim to pójdzie dalej, możesz przejść przez linki i sprawdzić czy wszystkie działają?”
  Neutralne, praktyczne, sugeruje, że to rutyna przed wysłaniem — nie że coś jest nie tak.

Żaden z tych zwrotów nie dotyczy AI, ani nikogo nie oskarża. Wszystkie dotyczą jakości — i wszystkie można stosować niezależnie od tego, jak dokument powstał.

Co zrobić jako manager

Workslop w zespole rzadko jest problemem jednej osoby. Częściej jest sygnałem, że zespół nie ma wspólnych standardów jakości dla pracy z AI – bo nikt nie wyznaczył standardów albo sami nie zaczęliście jeszcze o tym rozmawiać.

Badania BetterUp i Stanford pokazują, że zaufanie w zespole redukuje workslop o 61%. Nie nowe narzędzia, nie szkolenia z promptowania — budowanie zaufania między ludźmi w zespole. Czyli przestrzeń, w której można powiedzieć „Napisałem to z AI, ale nie wiem, czy to jest dobre” bez obawy, że zostanie to odebrane jako nieudolność.

Rozmowę z zespołem można zacząć od trzech pytań:

• Które zadania AI naprawdę skraca? Nie „gdzie można spróbować”, tylko gdzie już działa i co konkretnie daje.
• Gdzie AI może wprowadzić błąd, który trudno wychwycić? To pytanie otwiera rozmowę o weryfikacji — bez wskazywania winnych.
• Co w naszej pracy zawsze wymaga twojego osądu? Tu chodzi o to, żeby każdy w zespole umiał powiedzieć, gdzie jest jego odpowiedzialność — niezależnie od tego, co wygeneruje narzędzie.

Taka rozmowa zajmuje 30 minut — i jest lepszym punktem startowym niż jakakolwiek polityka AI napisana przez dział prawny.

Co zrobić jako organizacja

Workslop nie jest problemem technologicznym. Jest symptomem tego, co dzieje się w organizacji, gdy pojawia się ogólny nakaz „używajcie AI” — bez żadnych wytycznych co to w praktyce oznacza.

Według badania BetterUp i Stanford 41% pracowników dostało od przełożonych nakaz używania AI bez konkretnych wskazówek jak to robić. To właśnie w tych firmach workslop jest najczęstszy. Dla organizacji zatrudniającej 10 000 osób ten niewidoczny koszt wynosi około 9 milionów dolarów rocznie w utraconej produktywności.

Odpowiedzią nie są zakazy ani nowe narzędzia. Potrzebne są proste ustalenia: które zadania nadają się do AI, jak weryfikować wyniki i kto odpowiada za ostateczną wersję. Coś, co każdy w zespole rozumie tak samo.

Jeśli chcesz przeprowadzić tę rozmowę w swoim zespole lub zastanawiasz się od czego zacząć w swojej organizacji — możemy to zrobić razem. 

Źródła

Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K., Hancock, J.T. (2025). AI-Generated “Workslop” Is Destroying Productivity. Harvard Business Review. https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity

Niederhoffer, K., Robichaux, A., Hancock, J.T. (2026). Why People Create AI “Workslop”—and How to Stop It. Harvard Business Review. https://hbr.org/2026/01/why-people-create-ai-workslop-and-how-to-stop-it