Tekst porządkuje debatę o wpływie AI na pracę, w której stale mieszają się poziomy: człowieka, firmy, sektora i państwa. Część I pozwala zrozumieć mechanizm: pytanie wyjściowe, cztery poziomy i zależności między nimi, dlaczego brak płac nie oznacza automatycznie braku klientów, zmienne decydujące o wyniku, trajektorie, precedensy historyczne, mapa zawodów, skrót tego, co wiemy i czego nie wiemy, trzy intuicje o specyfice Polski, narzędzie do czytania gorących wypowiedzi i krótki poradnik. Część II pozwala sprawdzić argumenty: szczegółowe badania i ich ograniczenia, porównanie Polski, USA i Danii, pełna mechanika popytu, własność i udział w wartości wytwarzanej przez AI, redystrybucja, hipotezy przekrojowe i program badawczy, który mógłby je rozstrzygnąć.
Od technologii do skutków gospodarczych
Zanim przejdziemy do skutków AI dla pracowników i gospodarki, warto rozdzielić kilka pojęć. W tym tekście traktuję AI jako technologię wykorzystywaną w pracy i procesach gospodarczych.
AI może służyć do automatyzacji części zadań albo wspomagania pracowników w ich wykonywaniu. Oba zastosowania mogą zmieniać produktywność, ale nie gwarantują jej wzrostu. Nawet gdy wydajność rośnie, nie oznacza to automatycznie zmniejszenia liczby miejsc pracy. Przedsiębiorstwo może wykorzystać nowe możliwości do zwiększenia produkcji, obniżenia kosztów, poprawy jakości usług lub ograniczenia naboru. O wyniku decydują między innymi popyt, koszty wdrożenia i organizacja pracy.
Poniższy schemat pokazuje te zależności w uproszczeniu. Nie jest prognozą ani nieuchronnym łańcuchem przyczynowym.
Część I. Mapa sporu
Pytanie wyjściowe
Pytanie „co się stanie, jeśli firmy zastąpią niemal wszystkich pracowników AI?” nie ma jednej odpowiedzi, bo inaczej brzmi ona dla pracownika, firmy, sektora i państwa. Jednym z częstych źródeł nieporozumień w debacie jest przeskakiwanie między tymi poziomami w jednym zdaniu.
Odpowiedź w jednym akapicie. Dla pojedynczej firmy zastąpienie ludzi AI może być w pełni racjonalne: koszty spadają, a klienci (pracownicy innych firm) nadal kupują. Gdy zastępowanie pracy staje się niemal powszechne, płace mogą przestać być głównym kanałem, którym dochód trafia do gospodarstw domowych. Gospodarka nie musi się wtedy zawalić, ale potrzebne stają się inne źródła dochodu, takie jak dochody z kapitału czy transfery, oraz sposoby zapewniania dostępu do dóbr, np. usługi publiczne. Bez takich rozwiązań produkcja może rosnąć, ale znacznej części społeczeństwa nadal może brakować środków na zakup wytwarzanych dóbr.
Trzy rzeczy, które wynikają z tego od razu:
- To nie jest perpetuum mobile. Maszyny zużywają energię, sprzęt i kapitał; dochód z produkcji zawsze komuś przypada – pytanie tylko komu.
- Przy bardzo wysokim poziomie automatyzacji jednym z centralnych problemów staje się dystrybucja, a nie sama technologia. Ta sama technologia może dać szeroki dobrobyt albo skrajną koncentrację – zależnie od instytucji.
- Dostępne dane nie wskazują, by gospodarka była dziś bliska scenariusza niemal powszechnego zastępowania pracy. Pokazują zmiany zadań i sygnały słabszego zatrudniania młodych w części zawodów, ale nie potwierdzają masowych zwolnień spowodowanych AI.
Lepsze pytanie robocze brzmi więc: jeśli coraz więcej wartości da się wytworzyć przy coraz mniejszym udziale pracy, co zastąpi pensję jako sposób dzielenia dostępu do tej wartości – i jak szybko?
Cztery poziomy analizy
Każde zdanie o AI i pracy dotyczy któregoś z czterech poziomów. Zanim się z nim zgodzisz albo nie, ustal którego. Twierdzenie prawdziwe na jednym poziomie bywa fałszywe na innym.
| Poziom | Jednostka | Pytanie główne | Czym się mierzy | Typowy błąd w debacie |
|---|---|---|---|---|
| 1. Pracownik | człowiek i jego zadania | Czy AI przejmuje moje zadania i co zostaje dla mnie? | eksperymenty produktywności, ankiety użycia | „AI umie X, więc zawód X zniknie” |
| 2. Firma | zespół, junior–senior, proces | Czy opłaca się zastąpić człowieka i co to robi z przyszłymi kompetencjami? | dane rekrutacyjne, ogłoszenia, struktura zatrudnienia | „Wzrost wydajności o 30% = 30% mniej etatów” |
| 3. Sektor i region | branża, zawód, miasto, rocznik absolwentów | Czy praca znikająca w jednym miejscu powstaje w innym – dla tych samych ludzi? | zatrudnienie wg zawodu i wieku, płace, bezrobocie regionalne | „Gospodarka zawsze stworzy nowe zawody” |
| 4. Państwo i system | gospodarka, budżet, własność, popyt | Kto dostaje dochód z produkcji i kto może ją kupić? | udział dochodów z pracy, nierówności, baza podatkowa | „Wprowadzi się UBI i po sprawie” albo „to perpetuum mobile” |
Poziom globalny (wyścig USA–Chiny–UE, łańcuchy dostaw, kontrola nad mocą obliczeniową) celowo zostawiam z boku. Wraca tylko tam, gdzie zmienia odpowiedź dla Polski – na przykład wtedy, gdy zyski z AI płyną do zagranicznych właścicieli modeli.
Nie istnieje jedna przyszłość rynku pracy wynikająca z samego rozwoju AI. Wystarczy wyobrazić sobie tę samą technologię w dwóch gospodarkach. W pierwszej firmy używają jej do zwiększania produktywności, obniżają ceny, tworzą nowe usługi i nadal szkolą pracowników. W drugiej automatyzują podobne procesy, ograniczają nabór, a znaczną część korzyści przechwytuje wąska grupa właścicieli. Produktywność może wzrosnąć w obu, ale zatrudnienie, nierówności i poziom życia większości mogą zmieniać się odmiennie. Pytanie „co AI zrobi z pracą?” jest więc niepełne. Trzeba też zapytać, kto ją wdroży, na jakich warunkach, jak zareaguje popyt i komu przypadną korzyści.
Relacje między poziomami
Poziomy nie są niezależne: decyzja racjonalna na jednym może szkodzić na następnym. To sedno pytania wyjściowego.

Strzałki w dół pokazują, jak zmiana schodzi z zadania na całą gospodarkę, a opisy przy nich – którymi kanałami. Trzy pętle wracają w górę: kolorowa to popyt (mniej płac oznacza mniej klientów), duża szara to transfery, usługi i dochody z kapitału, które mogą – ale nie muszą – oddać ludziom część korzyści, a mała szara to zdobywanie doświadczenia (junior → senior). Pasek na dole to warunki, które działają na wszystkie poziomy naraz.
Trzy pułapki na styku poziomów:
- Błąd złożenia (firma → system). Dla jednej firmy zwolnienia obniżają koszty, a klienci zostają. Gdy robią tak wszystkie, kurczy się źródło popytu.
- Drabina juniorów (firma → sektor). Mniej naboru dziś może oznaczać mniej ekspertów za 5–10 lat, jeśli firmy nie znajdą innych sposobów zdobywania doświadczenia – i to w całej branży, nie tylko w jednej firmie.
- Kompensacja „gdzie indziej” (sektor → pracownik). Nawet jeśli gospodarka stworzy nowe zadania, nie muszą one powstać dla tych samych ludzi, w tym samym mieście i w tym samym czasie.
Mechanizm „drabiny juniorów” ma już odpowiednik w literaturze ekonomicznej. Mustafa Seref Akin (2026) przedstawił model kosztu społecznego zaniku przyuczenia: automatyzacja zadań początkujących może opłacać się pojedynczej firmie, choć równocześnie osłabia ścieżkę kształcenia przyszłych ekspertów. Firma korzysta z bieżących oszczędności, nie uwzględniając całego kosztu społecznego. To jednak model teoretyczny opisany w preprincie, a nie dowód, że niedobór seniorów już występuje.
Skąd bierze się popyt, gdy płac ubywa
Pytanie „kto będzie kupował?” miesza dwie sprawy: całkowity popyt i dostęp do dobrobytu. Siła nabywcza gospodarstw domowych pochodzi z pracy, z własności (dywidendy, zyski, renty), z transferów, a przejściowo z kredytu i sprzedaży aktywów. Automatyzacja może zmniejszać zapotrzebowanie na pracę i dochody z niej, ale może też zwiększać wydajność, płace i popyt na określone kompetencje. Przez zmiany cen, popytu i produkcji oddziałuje również na pozostałe źródła dochodów.
Część zakupów nie zależy bezpośrednio od płac: konsumpcja właścicieli kapitału, inwestycje firm, wydatki państwa, popyt zagraniczny. Niższe ceny zwiększają też realną siłę nabywczą. Dlatego automatyzacja nie musi prowadzić do mechanicznego załamania sprzedaży. Granice są jednak twarde. Właściciele mogą skonsumować tylko tyle, ile fizycznie zdołają. Inwestycje zwiększające produkcję zależą od oczekiwanego popytu, lecz firmy inwestują też po to, by obniżyć koszty dotychczasowej działalności. Eksport jednych krajów jest importem innych. A bardzo niska cena przy zerowym dochodzie nadal oznacza brak dostępu.
Dla jednej firmy zastąpienie ludzi AI może być w pełni racjonalne, bo popyt reszty gospodarki pozostaje poza jej kontrolą. Gdy robią to tysiące firm naraz, ich decyzje zmieniają łączny dochód z pracy, czyli źródło popytu. To błąd złożenia.
Trzeba przy tym rozdzielić dwa cele: podtrzymanie całkowitego popytu oraz szeroki dostęp do dobrobytu. Gospodarka może utrzymać produkcję i zyski, obsługując głównie zamożnych nabywców albo inwestycje, a jednocześnie pozostawić wielu ludzi w gorszej sytuacji. Pełna tabela kanałów popytu jest w części II.
Od czego naprawdę zależy wynik?
Mapa poziomów mówi, gdzie szukać skutków. Żeby zrozumieć, dlaczego z tych samych możliwości AI różni ludzie wyciągają odmienne prognozy, trzeba nazwać zmienne, które decydują o wyniku. Można je potraktować jak pokrętła: przestawienie jednego zmienia obraz całości.
| Pokrętło | Co oznacza | Jak zmienia możliwy wynik |
|---|---|---|
| Zdolność AI do samodzielnego wykonywania procesów | jak wiele procesów AI potrafi niezawodnie wykonywać bez udziału człowieka | określa techniczny zakres możliwego zastępowania pracy |
| Tworzenie nowych zadań dla ludzi | czy powstają prace, w których człowiek ma przewagę | może kompensować wypieranie, ale nie musi |
| Tempo wdrażania AI w firmach | jak szybko przedsiębiorstwa rzeczywiście zaczynają korzystać z AI – do wspomagania albo zastępowania pracy | decyduje, jak szybko możliwości technologiczne przekładają się na praktykę gospodarczą |
| Reakcja cen i popytu | czy tańsza produkcja wywołuje dość duży wzrost zakupów | decyduje, czy wzrost produktywności może podtrzymywać zatrudnienie |
| Własność i podział korzyści | kto posiada kapitał i kto korzysta ze wzrostu produktywności poprzez zyski, płace, niższe ceny lub świadczenia publiczne | wpływa na nierówności, realną siłę nabywczą i dostęp do dobrobytu |
| Odtwarzanie kompetencji | czy ludzie nadal mają jak zdobywać doświadczenie | wpływa na przyszłą zdolność firm i sektorów do działania |
| Warunki krajowe i globalne | demografia, prawo, energia, handel, zagraniczna własność | sprawiają, że ta sama technologia daje inne rezultaty w Polsce i w USA |
Tempo faktycznego zastępowania pracy zależy nie tylko od zdolności AI i tempa jej wdrażania, lecz także od opłacalności oraz sposobu reorganizacji procesów w firmach. Samo wdrożenie może służyć wspomaganiu pracowników zamiast ich zastępowaniu.
To nie jest maszyna o przewidywalnym wyniku. Wagi są częściowo nieznane, zmieniają się w czasie i wzajemnie na siebie wpływają. Przykład: większa automatyzacja obniża koszty i ceny, co może zwiększyć popyt i produkcję. Ale może też zmniejszyć zatrudnienie i płace, co osłabia popyt. Które z tych działań przeważy, zależy od branży, elastyczności popytu, tempa zmian i podziału dochodu. Wartość modelu polega na tym, że wskazuje, o jakie zależności toczy się spór, zamiast zmuszać do wyboru między „AI stworzy mnóstwo pracy” a „AI odbierze ją wszystkim”.
Dwa wymiary przyszłości
| Zastępowanie pracy ↓ / Podział korzyści → | Korzyści szeroko rozdzielane | Korzyści skoncentrowane |
|---|---|---|
| Niewielkie zastępowanie | więcej wydajności i szeroko dostępnych korzyści | ludzie nadal pracują, ale nierówności mogą rosnąć |
| Silne zastępowanie | możliwy dobrobyt przy mniejszej liczbie godzin pracy, jeśli istnieją inne źródła dochodu | ryzyko wykluczenia dochodowego i osłabienia masowego popytu |
To model myślowy, nie prognoza. Macierz pokazuje cztery podstawowe kombinacje zastępowania pracy i podziału korzyści. Trajektorie A–E poniżej rozwijają ten obraz o tempo zmian, powstawanie nowych zadań i reakcję popytu. W każdym scenariuszu wynik zależy również od polityki publicznej i handlu międzynarodowego.
Gdzie AI może wpływać: łańcuch i trajektorie
Między „model umie zrobić X” a „ludzie tracą dochód” jest siedem ogniw, a na każdym AI może się zatrzymać. W wielu gorących wypowiedziach pomija się ogniwa pośrednie.
- Zdolność modelu – co AI potrafi technicznie (benchmarki, demo).
- Ekspozycja zadania – potencjalna podatność zadań w danym zawodzie na zmianę przez AI. Ekspozycja to nie prawdopodobieństwo zwolnienia.
- Opłacalność i wdrożenie – czy firmie się to opłaca, wraz z kosztem nadzoru, błędów, odpowiedzialności i integracji.
- Reorganizacja pracy – czy AI wspomaga człowieka (ekonomiści mówią o komplementarności), czy przejmuje jego zadania (zastępowanie). Przejęcie części zadań nie oznacza jeszcze likwidacji stanowiska, a wspomaganie nie gwarantuje zatrudnienia: wyższa wydajność może zwiększyć produkcję albo zmniejszyć liczbę etatów.
- Ceny i popyt – tańsza usługa może oznaczać więcej klientów, a więc tyle samo albo więcej pracy.
- Zatrudnienie i płace – kto jest przyjmowany, kto nie, za ile.
- Podział dochodu – jaka część wartości trafia do pracy, jaka do kapitału, jaka do państwa.
To porządek analizy, a nie sztywna chronologia: zmiany cen, popytu, zatrudnienia i dochodów wpływają na siebie wzajemnie, dlatego rzeczywisty przebieg transformacji może zawierać sprzężenia zwrotne.
Trajektorie. To nie prognozy, tylko możliwe układy. Różni je kilka założeń: tempo zastępowania, powstawanie nowych zadań dla ludzi oraz to, kto posiada kapitał.
| Trajektoria | Co się dzieje z pracą | Co z popytem | Główne ryzyko | Gdzie jesteśmy |
|---|---|---|---|---|
| A. Wspomaganie pracy | ludzie zostają, robią więcej | rośnie | przestarzałe kompetencje | część zawodów |
| B. Częściowe zastępowanie | mniej naboru do części ról, przesunięcia między zawodami | utrzymany | juniorzy, nierówności, prekaryzacja | wczesne obserwacje zgodne z częścią scenariusza; bez dowodu przyczynowego |
| C. Silne zastępowanie + nowe zadania | duża realokacja, nowe zawody | rośnie | bolesne przejście dla konkretnych grup | możliwe |
| D. Silne zastępowanie, brak nowych zadań, skupiony kapitał | dochody z pracy mocno spadają | masowy popyt zagrożony | koncentracja, „bezrobotny wzrost” | spekulacja |
| E. Prawie pełna automatyzacja + szeroki dostęp do korzyści | praca przestaje być głównym źródłem dochodu | utrzymany przez dywidendy, transfery, usługi | polityczny spór o podział | spekulacja |
Trajektorie D i E to właśnie scenariusz z pytania wyjściowego. Najważniejszą różnicą między tymi scenariuszami jest sposób dystrybucji dochodu.
Precedensy historyczne: pouczające, ale niepełne
Historia jest częścią rozumowania, nie ozdobą. Trzy kontrastowe przypadki pokazują, że technologia potrafi zmieniać strukturę zatrudnienia, a jednocześnie, że koszty transformacji bywają rozłożone bardzo nierówno.
| Precedens | Czego uczy | Dlaczego analogia do AI jest ograniczona |
|---|---|---|
| Mechanizacja rolnictwa | ogromny spadek zapotrzebowania na pracę w sektorze nie musi oznaczać końca zatrudnienia w gospodarce | ludzie mogli przechodzić do rozwijającego się przemysłu i usług |
| Komputeryzacja i automatyzacja biurowa | technologia zmienia zadania, tworzy nowe zawody i podnosi wydajność | AI może wykonywać także część zadań, do których wcześniej przekwalifikowywano pracowników |
| Deindustrializacja i „pas rdzy” | nawet gdy gospodarka zyskuje, konkretne regiony i społeczności mogą trwale ponosić koszty | zagrożenia związane z AI mogą być rozproszone między branżami, a nie skupione przy wielkich zakładach |
Ramy teoretyczne dają Acemoglu i Restrepo (2019). Rozróżniają oni efekt wypierania – automatyzacja przenosi zadania z ludzi na kapitał, co w ich modelu obniża udział pracy w wartości dodanej i może zmniejszyć popyt na pracę mimo wzrostu produktywności – oraz efekt przywracania, czyli powstawanie nowych zadań, w których praca ma przewagę. Wynik zależy od tego, który z nich dominuje, a żadne prawo ekonomii nie rozstrzyga tego z góry.
Co może być inne tym razem. Generatywna AI obejmuje szeroki zakres zadań poznawczych, model można skopiować i udostępnić milionom użytkowników szybciej niż fizyczną maszynę, choć tempo rzeczywistych wdrożeń różni się między branżami i krajami. Najważniejsze jest jednak to, że AI może automatyzować także zadania dopiero co powstałe, więc „nowe zawody” nie muszą oznaczać „nowej pracy dla ludzi”. Z drugiej strony technologia ta wymaga energii, mocy obliczeniowej, danych, integracji z procesami i nadzoru, więc nie jest rozwiązaniem o zerowym koszcie wdrożenia.
Historia pokazuje, że gospodarki potrafią przekształcać zatrudnienie. Nie dowodzi, że każda przyszła fala automatyzacji znajdzie dla wszystkich nowe, odpowiednio wynagradzane zadania.
Mapa zadań i zawodów
Praca poznawcza nie dzieli się na „prostą” i „trudną” według wykształcenia. Prawnik, programista i analityk wykonują zadania wymagające wysokich kwalifikacji, a mimo to znaczna część tych zadań jest opisana procedurami i ma cyfrowy wynik. Przy ocenie podatności konkretnych zadań na automatyzację szczególnie użyteczne są trzy cechy: powtarzalność zadania, możliwość szybkiego i taniego sprawdzenia wyniku oraz to, kto odpowiada za decyzję.
ILO i NASK (2025) szacują, że około jedna czwarta światowego zatrudnienia przypada na zawody w pewnym stopniu eksponowane na generatywną AI, a tylko ok. 3,3% na najwyższą kategorię ekspozycji. Autorzy podkreślają, że bardziej prawdopodobna jest zmiana zadań w zawodach niż zniknięcie całych zawodów.
Poniższa tabela to zbiór hipotez i pytań, a nie ranking zagrożenia.
| Sektor | Co AI może przejmować? | Co rozstrzygnie o zatrudnieniu? |
|---|---|---|
| IT | standardowy kod, testy, dokumentacja | czy tańsze tworzenie oprogramowania wygeneruje dość nowych projektów |
| Prawo | analiza dokumentów, wyszukiwanie orzeczeń, standardowe umowy | czy dostępniejsza pomoc prawna zwiększy liczbę spraw, czy spadnie liczba potrzebnych prawników |
| Finanse i księgowość | raportowanie, uzgodnienia, klasyfikacja | ile pracy nadal będzie wymagać kontroli i obsługi wyjątków oraz kto odpowiada za rozliczenie |
| Medycyna | dokumentacja, wstępna analiza obrazów, część analiz diagnostycznych | czy oszczędność czasu przełoży się na większą dostępność opieki, czy na zmianę zapotrzebowania na personel |
| Edukacja | przygotowanie materiałów i ćwiczeń, ocena części prac | jak rozdzielą się nauczanie, opieka i certyfikacja kompetencji |
| Marketing i media | produkcja treści, grafika, analityka kampanii | czy tańsze treści zwiększą popyt na specjalistów, czy doprowadzą do nadpodaży i spadku stawek |
| Administracja | weryfikacja wniosków, klasyfikacja dokumentów, obsługa zapytań | czy prawo i odpowiedzialność pozwolą na automatyczne rozstrzyganie spraw |
Tabela celowo nie wskazuje zadań „odpornych”: granica możliwości AI się przesuwa i nie ma podstaw, by obiecywać trwałą odporność jakiegokolwiek zadania. Przy każdym z tych wierszy liczba etatów zależy nie tylko od automatyzacji, ale i od popytu: tańsza usługa może oznaczać więcej obsłużonych klientów i niekoniecznie mniej ludzi. Dla Polski dochodzą dwa wymiary: zależność części usług biznesowych od zagranicznych klientów oraz geograficzna koncentracja wybranych specjalizacji. Spadek popytu na rutynową obsługę procesów może uderzyć w konkretne miasta i rocznik absolwentów, nawet gdy krajowe bezrobocie pozostanie niskie.
Skutki krótko- i długoterminowe
W krótkim okresie obserwujemy zmiany w części zawodów eksponowanych na AI, szczególnie wśród osób wchodzących na rynek pracy. Nie wszystkie można przyczynowo przypisać AI. Długoterminowe konsekwencje są hipotezami – sensownymi, ale niepotwierdzonymi. W tabeli każdy wpis ma oznaczenie: [dane] – obserwowane, [hip.] – hipoteza.
| Poziom | Krótko (1–3 lata) | Długo (10+ lat) |
|---|---|---|
| Pracownik | Zmiana zadań w wybranych zawodach biurowych; w części badań większe korzyści u mniej doświadczonych [dane, badane środowiska] | Spadek wartości wiedzy „książkowej”, wzrost wartości doświadczenia i odpowiedzialności [hip.] |
| Firma | Słabszy nabór osób w wieku 22–25 lat w zawodach silnie eksponowanych na AI – przez ograniczenie przyjęć, a nie wzrost odejść [dane, USA, próba ADP] | Luka seniorów: kto będzie nadzorował AI, jeśli nikt nie przeszedł ścieżki od juniora? [hip.] |
| Sektor i region | Częściej deklarują negatywne doświadczenia: młodzi, wykształceni, pracownicy biurowi w dużych miastach [dane, PL, deklaracje] | „Cyfrowy pas rdzy” – grupy kompetencji tracące wartość w wielu branżach naraz [hip.] |
| Państwo i system | Brak masowego bezrobocia; w Polsce bezrobocie wśród najniższych w UE [dane] | Przesunięcie dochodu z pracy do kapitału; presja na podatki i system emerytalny [hip.] |
Jedna z ważnych obserwacji: w części badanych zawodów słabszy nabór początkujących jest widoczniejszy niż zwolnienia dotychczasowych pracowników. Nie przesądza to, jaka część tej zmiany wynika z AI. Dlatego obok bezrobocia i zatrudnienia ogółem warto śledzić także liczbę przyjęć do pracy i losy absolwentów.
Co wiemy, czego nie wiemy, co jest prognozą
Na koniec października 2026 r. dane potwierdzają, że AI podnosi wydajność w części zadań, a w części zawodów silnie eksponowanych na AI zaobserwowano słabsze zatrudnianie młodych; w jakim stopniu odpowiada za to AI, pozostaje przedmiotem badań. Nie potwierdzają masowego bezrobocia ani tego, że kompensacja „zawsze przyjdzie sama”.
Wiemy: trzy mocne przykłady
Szczegóły, próby i zastrzeżenia są w części II. Tu wystarczą trzy przykłady, które pokazują różnicę między możliwościami AI, jej zaobserwowanymi skutkami i niepewnością prognoz.
- CBOS (Polska, maj 2026): ok. 2% dorosłych deklaruje, że straciło pracę lub ma mniej zleceń w związku z AI. To deklaracje, a nie sprawdzona przyczyna. Najczęściej mówią tak osoby w wieku 25–34 lata i pracownicy biurowi.
- Stanford (USA, sierpień 2026): nie widać szerokiego wypierania pracowników, ale zatrudnienie osób w wieku 22–25 lat w zawodach silnie eksponowanych na AI było około 19% poniżej poziomu, jaki osiągnęłoby, gdyby rosło w takim tempie jak zatrudnienie ich rówieśników w zawodach mniej eksponowanych. Różnica wynikała przede wszystkim ze słabszego naboru. To obserwacja statystyczna, a nie dowód, że AI spowodowała utratę 19% miejsc pracy.
- Badania produktywności: wzrost wydajności o ok. 15% w obsłudze klienta i ok. 26% więcej ukończonych zadań w badaniach programistów, lecz w innym eksperymencie doświadczonym programistom praca z narzędziami z początku 2025 r. zajmowała ok. 19% więcej czasu. Efekt zależy od zadania, użytkownika i generacji narzędzia.
Nie wiemy
- Czy słabsze zatrudnianie młodych ma związek przyczynowy z AI – i jak szeroko można uogólniać wynik Stanford? Autorzy wskazują, że luka zatrudnienia osób w wieku 22–25 lat maleje po uwzględnieniu wykształcenia, a część różnic w trendach występowała już przed upowszechnieniem generatywnej AI. Jednocześnie wzorzec utrzymuje się po wyłączeniu firm technologicznych oraz po uwzględnieniu stóp procentowych i pracy zdalnej. Oszacowana luka jest jednak większa w analizowanej próbie ADP niż w ogólnokrajowych danych ankietowych, a wyniki uwzględniające ogólne zmiany rekrutacji w firmach są bardziej wrażliwe na przyjętą specyfikację modelu. Dlatego wartości 19% nie należy bezpośrednio uogólniać na cały amerykański rynek pracy.
- Czy nowe zadania dla ludzi powstaną szybciej, niż znikają stare i czy nie przejmie ich też AI.
- Kto skorzysta na wzroście produktywności: pracownicy (płace), klienci (ceny), właściciele (zyski), czy zagraniczni dostawcy modeli.
- Czy wzorce z USA przeniosą się na Polskę, gdzie jest inna struktura gospodarki, inna demografia, inne prawo pracy.
- Jak szybko poprawią się agenci AI w wykonywaniu całych procesów, a nie pojedynczych zadań.
To są prognozy, nie fakty
„Za X lat połowa zawodów zniknie”, „UBI rozwiąże problem”, „ZUS można zastąpić AI”, „AI doprowadzi do utraty konkurencyjności Europy” – to scenariusze albo opinie. Nie są dziś ustalonymi faktami. Część będzie można ocenić dopiero po upływie wskazanego czasu, a inne wymagają najpierw precyzyjnych kryteriów sprawdzenia.
Pięć pułapek przyczyna–skutek
- Deklaracja to nie przyczyna. Respondent ocenia, dlaczego stracił pracę lub ma mniej zleceń; ankieta nie weryfikuje tego u pracodawcy.
- Ekspozycja to nie utrata. „25% zatrudnienia na świecie jest eksponowane na GenAI” (ILO/NASK) to mapa zadań, nie prognoza zwolnień.
- Zbieżność w czasie to nie związek. Od 2022 r. jednocześnie działały podwyżki stóp, koniec boomu pandemicznego w IT i spowolnienie – każde z nich obniża nabór.
- AI może być uzasadnieniem zwolnień wynikających również z innych przyczyn. Firma może wskazywać AI jako wyjaśnienie cięć – albo przeciwnie, nie ujawniać jej rzeczywistej roli.
- Kto wdraża AI, ten się różni. Firmy, które wdrażają AI, często już wcześniej były inne – szybciej rosły albo szybciej cięły koszty.
Polska to nie USA: trzy intuicje
Wyników z USA nie można przenieść na Polskę jeden do jednego. Trzy szczególnie istotne różnice mogą zmieniać odpowiedź. Dane i szczegóły są w części II.
Demografia. Liczba osób w wieku produkcyjnym spada: według prognozy GUS z 2023 r. z ok. 22 mln w 2022 r. do ok. 15 mln w 2060 r., a rzeczywista dzietność (1,10 w 2024 r.) jest niższa niż w założeniach. Może to działać jak amortyzator, jeśli automatyzacja odpowiada na rzeczywiste niedobory pracy: wtedy AI może uzupełniać braki kadrowe zamiast wypierać zatrudnionych. Niedobory występują w różnych zawodach, także wymagających wysokich kwalifikacji, lecz nie muszą dotyczyć tych samych kompetencji, które AI może zastępować. Negatywne doświadczenia związane z AI częściej deklarują młodzi pracownicy biurowi. Mniejsze roczniki oznaczają też, że liczby bezwzględne mylą; trzeba patrzeć na wskaźniki.
Wolniejsze wdrażanie. W 2025 r. z technologii AI korzystało 8,4% polskich przedsiębiorstw z co najmniej 10 pracującymi w sektorach objętych badaniem Eurostatu, wobec 20,0% w UE. To, co AI potrafi technicznie, i to, jak szybko zmienia polskie firmy, to dwa różne pytania.
Zależność od zagranicy. Część polskich usług, jak centra usług biznesowych, pracuje dla zagranicznych klientów na skodyfikowanych procesach, a modele i infrastrukturę dostarczają głównie firmy spoza Polski. Rutynowa obsługa procesów może więc być bardziej narażona niż przeciętna, a część korzyści może być realizowana za granicą.
W raporcie z czerwca 2026 r. Bank Światowy przedstawił ilościowe scenariusze wpływu AI na polską gospodarkę, w tym produktywność, zatrudnienie, dochody i finanse publiczne. Wyniki zależą m.in. od inwestycji, tempa wdrażania i zdolności pracowników do adaptacji. Są to scenariusze warunkowe, nie pewne prognozy. Mapa w tym artykule nie podaje własnej prognozy wzrostu, lecz pomaga zrozumieć mechanizmy stojące za takimi szacunkami i granice wynikających z nich wniosków.
Dochodzi wycena pracy. Utrzymanie liczby miejsc pracy niewiele mówi, jeśli praca tanieje albo przechodzi w zlecenia bez zabezpieczeń, czyli w prekariat. Tego nie widać w stopie bezrobocia.
Jak czytać gorące wypowiedzi: checklista
Osiem pytań pomaga uporządkować wywiad, post czy komentarz o AI i pracy. Nie chodzi o to, kto ma rację, tylko o to, co dokładnie zostało powiedziane i na czym to stoi.
- Który poziom? Pracownik, firma, sektor czy państwo? Czy autor nie przeskakuje między nimi w jednym zdaniu?
- Fakt, interpretacja czy prognoza? Czy podano horyzont czasowy i liczbę, które da się kiedyś sprawdzić?
- Które ogniwo łańcucha? Czy z „model umie X” wyciąga się od razu „ludzie stracą pracę”, pomijając koszt, wdrożenie i popyt?
- Co dokładnie zmierzono? Ekspozycję, deklarację, zwolnienia, nabór, płace? To pięć różnych rzeczy.
- Skąd dane i czy pasują do Polski? Kraj, okres, grupa wiekowa, branża.
- Co jeszcze mogłoby to wyjaśnić? Stopy procentowe, cykl koniunktury, demografia, koniec boomu w IT.
- Kto mówi i co na tym zyskuje? Dostawca AI, inwestor, polityk, związkowiec, firma doradcza – każdy ma interes w jakiejś narracji. To nie unieważnia argumentu, ale każe go sprawdzić.
- Co by musiało się wydarzyć, żeby autor nie miał racji? Jeśli nic – to wyznanie wiary, a nie teza.
Przykład w praktyce. Ktoś mógłby napisać: „669 tys. Polaków straciło pracę przez AI” i powołać się na badania CBOS. Takie zdanie nie przechodzi pytań 2, 4 i 6. Gdy sięgniemy do danych źródłowych CBOS, okazuje się, że badanie mierzyło deklaracje (2,2% z 1041 osób, czyli w przybliżeniu 23 respondentów), ujmowało łącznie utratę pracy i zmniejszenie liczby zleceń, a nie weryfikowało niezależnie związku przyczynowego z AI. Uczciwa wersja takiego komunikatu brzmiałaby: „Około 2% dorosłych deklaruje, że straciło pracę lub ma mniej zleceń w związku z AI; częściej mówią tak osoby w wieku 25–34 lata i pracownicy biurowi”. Ze względu na niewielką liczbę takich deklaracji różnice między podgrupami należy interpretować ostrożnie.
Poradnik: jak się odnaleźć i nie zwariować
Niepewność jest prawdziwa i nikt jej dziś uczciwie nie rozstrzygnie. Da się jednak zamienić ją z lęku w plan: śledzić kilka wskaźników zamiast nagłówków, ocenić własne zadania zamiast całego zawodu i ustalić z góry, co zmieniłoby własne zdanie.
Higiena informacyjna
Zamiast reagować na każdy nagłówek, raz na kwartał sprawdzaj te same wskaźniki z tabeli poniżej. Przy nowej prognozie korzystaj z wcześniejszej checklisty: ustal poziom analizy, sprawdź źródło i zapytaj, jakie dane mogłyby podważyć wniosek. Warto też z góry określić, jakie zmiany w obserwowanych wskaźnikach skłonią cię do zmiany oceny.
Dla siebie jako pracownika
Oceń nie cały zawód, lecz własne zadania. Poniższa lista pomaga zauważyć cechy, które mogą sprzyjać automatyzacji; nie jest zwalidowanym testem ryzyka utraty pracy:
- [ ] Wynik jest w całości cyfrowy.
- [ ] Da się go opisać instrukcją i kilkoma przykładami.
- [ ] Poprawność można szybko i tanio sprawdzić.
- [ ] Przypadki się powtarzają.
- [ ] Klient kupuje wynik, a nie relację, obecność czy odpowiedzialność konkretnej osoby.
- [ ] Jedna osoba z AI mogłaby zrobić pracę kilku osób na moim stanowisku.
Co z tym zrobić:
- Przesuń się w łańcuchu z wykonywania w stronę definiowania problemu, oceny wyniku i odpowiedzialności za decyzję.
- Używaj AI na co dzień. Umiejętność pracy z AI może zwiększać zdolność adaptacji, ale nie usuwa ryzyka zastąpienia.
- Inwestuj w wiedzę ukrytą: kontakt z klientem, nietypowe przypadki, znajomość branży od środka. W badaniu Stanford nie zaobserwowano porównywalnej luki zatrudnienia wśród bardziej doświadczonych pracowników, ale nie daje to gwarancji ochrony w przyszłości.
- Dywersyfikuj źródła dochodu i aktywa, jeśli możesz – to osobisty odpowiednik „szerszej własności kapitału”.
- Jeśli kierujesz zespołem – nie wyłączaj ścieżki juniorów. Mniej naboru może się dziś opłacać, ale bez innych metod zdobywania doświadczenia może później zabraknąć ludzi zdolnych do sprawdzania AI.
Do rozmów z innymi
- Zaczynaj od pytania „o którym poziomie mówimy?” – to często pomaga uporządkować spór.
- Mów „nie wiemy” tam, gdzie nikt nie wie. To silniejsza pozycja niż pewność w którąkolwiek stronę.
- Odróżniaj „to się nie wydarzy” od „to nie wydarzy się samo”. Kompensacja z przeszłości była prawdziwa, ale nie była automatyczna ani bezbolesna.
Co śledzić (raz na kwartał)
| Wskaźnik | Gdzie | Co mówi |
|---|---|---|
| Luka zatrudnienia młodych w zawodach eksponowanych (USA) | Stanford Canaries Dashboard, co miesiąc | czy sygnał z USA rośnie, stoi, czy maleje |
| Deklaracje utraty pracy lub mniejszej liczby zleceń z powodu AI (PL) | CBOS – przy kolejnych edycjach | czy odsetek rośnie i w jakich grupach |
| Bezrobocie i zatrudnienie wg wieku i wykształcenia (PL) | GUS BAEL, Eurostat | czy kanał „mniej naboru” widać w Polsce |
| Realne płace w zawodach biurowych i IT | GUS | czy dostosowanie przechodzi z liczby etatów na płace |
| Udział umów cywilnoprawnych i B2B | GUS, ZUS | czy rośnie prekaryzacja |
| Udział dochodów z pracy w wartości dodanej | Eurostat, GUS | czy zmienia się podział dochodu między pracę i kapitał; w porównaniach należy uwzględniać samozatrudnionych |
Na koniec. Ani „nic się nie zmieni”, ani „wszyscy stracą pracę” nie jest dziś dobrze wspieranym scenariuszem. Dane wskazują na zróżnicowane, wczesne skutki AI. Nierówna transformacja, potencjalnie bolesna w wybranych grupach, jest więc ważnym scenariuszem do monitorowania, a nie pewną prognozą. Część II pozwala sprawdzić, które z przedstawionych wniosków opierają się na danych, które na modelach, a które pozostają hipotezami – i co mogłoby je podważyć.
Część II. Rozwinięcie dla dociekliwych
Mapa z części I pokazuje, gdzie toczy się spór. Celem tej syntezy nie jest przedstawienie nowej teorii, lecz połączenie znanych mechanizmów w mapę pozwalającą odróżniać wyniki badań od hipotez i rozpoznawać nieuprawnione uogólnienia. Wielopoziomowe podejście do AI występuje już w literaturze o organizacjach (zob. Bankins i in., 2024); tutaj służy także uporządkowaniu argumentów o zatrudnieniu, dochodach i popycie w gospodarce. Ta część sprawdza argumenty: najpierw dane i ich granice, potem porównanie Polski z USA i Danią. Następnie rozwija wątki, które w mapie są tylko zasygnalizowane: mechanikę popytu, prawo do nadwyżki z AI, kanały jej podziału i badania, które pozwoliłyby rozstrzygnąć najważniejsze niewiadome.
Słownik pojęć
Część I używa określeń intuicyjnych. Część II posługuje się terminami, które czytelnik spotka w badaniach i wypowiedziach ekspertów.
| Określenie z części I | Termin naukowy | Co oznacza |
|---|---|---|
| zastępowanie pracy | substytucja | AI przejmuje zadania wykonywane wcześniej przez ludzi |
| wspomaganie pracy | komplementarność | AI zwiększa wydajność człowieka, który nadal wykonuje pracę |
| korzyści ze wzrostu produktywności | wzrost produktywności i jego podział | to, co zyskuje gospodarka dzięki wyższej wydajności; może trafić do klientów, pracowników, właścicieli lub państwa |
| korzyści z technologii | nadwyżka ekonomiczna | łączne korzyści ekonomiczne powstające dzięki technologii; nie to samo co przychód, zysk czy wzrost PKB |
| podział dochodów i korzyści | dystrybucja dochodu | jak dochód jest rozdzielany między pracowników, właścicieli kapitału i inne podmioty; zmiany cen to odrębny kanał podziału korzyści |
| podatki i transfery | redystrybucja | wtórny podział dochodu przez państwo |
| wdrażanie, korzystanie z AI | adopcja | faktyczne używanie AI przez firmy; zawsze warto sprawdzić, co dokładnie zmierzono |
| ekspozycja na AI | AI exposure | potencjalna podatność zadań na zmianę, a nie prawdopodobieństwo zwolnienia |
Trzy rozróżnienia, które najczęściej się zacierają:
- Zastępowanie zadań ≠ likwidacja stanowiska. AI może przejąć połowę zadań pracownika, a firma nadal może go zatrudniać – choć może też ograniczyć przyszły nabór.
- Wspomaganie ≠ gwarancja zatrudnienia. Jeśli pracownik z AI robi dwa razy więcej, firma może zwiększyć produkcję albo zmniejszyć liczbę etatów.
- Korzyści z produktywności ≠ nadwyżka do rozdania. Wyższa wydajność może przełożyć się na niższe ceny, wyższe płace, większe zyski albo inwestycje. Nie jest automatycznie gotówkowym funduszem do podziału między obywateli.
Badania szczegółowo: co zmierzono i czego to nie dowodzi
Ta sekcja zbiera dane, na których opiera się część I. Przy każdym wyniku warto czytać dwie kolumny: co zmierzono i czego to nie dowodzi.
Obserwacje i ich granice
| Twierdzenie | Typ dowodu | Czego to NIE dowodzi |
|---|---|---|
| Wsparcie AI podnosi produktywność w obsłudze klienta o ok. 15%, najbardziej u mniej doświadczonych (Brynjolfsson, Li, Raymond, 2025) | badanie terenowe ze stopniowym wdrożeniem AI i analizą quasi-eksperymentalną, 5 172 osoby | spadku zatrudnienia o 15% |
| Programiści z AI kończą średnio ok. 26% więcej zadań -błąd standardowy oszacowania: ok. 10,3 pkt proc. (Cui i in., 2026) | 3 eksperymenty z losowym przydziałem dostępu do narzędzia, 4 867 osób | że każde zadanie przyspiesza |
| Doświadczonym programistom open source zadania z narzędziami AI z początku 2025 r. zajmowały ok. 19% więcej czasu (METR, 2025) | eksperyment losowy (METR), 16 programistów i 246 zadań | że AI spowalnia pracę w ogóle |
| W analizowanych danych ADP nie znaleziono dowodów na szerokie wypieranie pracowników przez AI (Stanford, 08.2026) | dane płacowe ADP | że nie występują skutki niewidoczne w tej próbie lub poza badanymi grupami |
| Zatrudnienie 22–25-latków w zawodach najbardziej eksponowanych na AI jest ok. 19% poniżej poziomu, jaki osiągnęłoby przy wzroście takim jak u rówieśników w zawodach mniej eksponowanych – to luka względem hipotetycznej ścieżki, a nie liczba utraconych etatów (rok wcześniej 15%) (Stanford, 08.2026) | dane opisowe, nie przyczynowe | że AI „zabrała” 19% miejsc pracy |
| Ta luka powstaje głównie przez mniejszy nabór, nie przez zwolnienia; w analizowanej próbie nie zaobserwowano porównywalnego dostosowania płac zasadniczych | jw. | że płace są bezpieczne w przyszłości |
| W Polsce 2,2% dorosłych deklaruje utratę pracy lub mniejszą liczbę zleceń w związku z AI (ok. 669 tys.); w wieku 25–34 lata – 6%, wśród pracowników biurowych – 6% (CBOS, 2026) | ankieta CBOS, 1 041 osób, maj 2026 | że AI rzeczywiście była przyczyną |
| 7% dorosłych Polaków deklaruje obawę, że w najbliższym czasie straci pracę lub będzie mieć mniej zleceń w związku z AI; wśród pracowników administracyjno-biurowych odsetek wynosi 18% | jw. | rzeczywistej skali przyszłych zwolnień ani ograniczenia liczby zleceń |
Polska, USA i Dania: szczegółowe porównanie
Wyników z USA nie można przenieść na Polskę jeden do jednego. Różnią nas trzy rzeczy, które mogą zmienić odpowiedź: malejąca liczba osób w wieku produkcyjnym, bardzo niskie bezrobocie i duża część pracy na zlecenie, gdzie wpływ AI może najpierw ujawniać się w ograniczeniu liczby zleceń, a nie redukcji etatów.
Demografia: AI trafia w rynek, który i tak się kurczy
- Według prognozy GUS z 2023 r. (wariant średni) liczba osób w wieku produkcyjnym ma spaść z 22,17 mln w 2022 r. do 15,1 mln w 2060 r., czyli o około 32%. To scenariusz obarczony niepewnością, a nie dokładna zapowiedź przyszłej liczby osób w wieku produkcyjnym.
- Tempo zmian demograficznych nie będzie jednakowe w kolejnych latach ani we wszystkich grupach wieku. Wpływ na rynek pracy należy więc oceniać z uwzględnieniem konkretnego rocznika, zawodu i horyzontu czasowego, a nie tylko wieloletniej liczby ludności.
- Dzietność w 2024 r. wyniosła 1,10 i była niższa od założeń wcześniejszej prognozy GUS. W listopadzie 2025 r. urząd przedstawił eksperymentalną symulację: gdyby tak niska dzietność utrzymywała się w przyjętym scenariuszu, liczba ludności w 2060 r. wyniosłaby około 28,4 mln, czyli o 2,5 mln mniej niż w oficjalnym wariancie. Jest to wynik warunkowego założenia, a nie nowa prognoza bazowa.
Co to znaczy dla AI – działa w obie strony:
- Amortyzator. Gdy rąk do pracy ubywa, AI może zapełniać luki zamiast tworzyć bezrobocie.
- Ale to inne luki. Niedobory pracowników i zadania podatne na automatyzację AI nie muszą dotyczyć tych samych zawodów ani tych samych kompetencji. Z kolei automatyzacja fizyczna pozostaje trudniejsza do skalowania niż wiele cyfrowych zastosowań AI. We wrześniu 2026 r. Lidl i Einride uruchomiły w Edermünde pod Kassel pilotaż elektrycznego pojazdu ciężarowego bez kabiny, na zatwierdzonej trasie o długości ok. 400–500 m i przy prędkości do 25 km/h. Operator może interweniować. Jest to rzeczywiste, lecz ograniczone zastosowanie – nie dowód gotowości do powszechnej automatyzacji drogowego transportu towarowego.
- Pułapka w statystyce. Kiedy maleje liczebność roczników wchodzących na rynek pracy, sama liczba osób bezrobotnych może spadać nawet wtedy, gdy ofert pracy jest mniej. Dlatego trzeba porównywać wskaźniki (np. stopę zatrudnienia i czas przejścia ze studiów do pracy), a nie tylko liczby bezwzględne.
- Budżet. Mniej pracujących i potencjalnie mniejszy udział płac w dochodzie to podwójna presja na składki i ZUS. Tu poziom 3 łączy się z poziomem 4.
Rynek pracy dziś: w liczbach ogólnych brak alarmu
W maju 2026 r. bezrobocie w Polsce wyniosło 3,1% przy średniej UE 5,9%. Wśród osób poniżej 25 lat – 12,4% (wzrost o 0,3 pkt proc. r/r) przy średniej UE 15,2%. Ten niewielki wzrost nie dowodzi niczego o AI; to dopiero sygnał, żeby rozbić dane na wiek, zawód i region. Uwaga na dwa różne wskaźniki: powyższe liczby pochodzą z badania ankietowego (BAEL/Eurostat). Stopa bezrobocia rejestrowanego GUS liczy osoby zapisane w urzędach pracy i jest wyższa – w lipcu 2026 r. 5,8%, o 0,4 pkt proc. więcej niż rok wcześniej. Mieszanie obu wskaźników w jednej dyskusji to częsty błąd.
Wycena pracy i prekariat
Utrzymanie liczby miejsc pracy niewiele mówi, jeśli praca tanieje albo zamienia się w zlecenia bez zabezpieczeń. To kanał, którego nie widać w statystyce bezrobocia.
- CBOS pytał o utratę pracy lub mniejszą liczbę zleceń. Drugi przypadek – tłumacz, copywriter, grafik, programista na B2B – nie pojawia się w rejestrach bezrobotnych.
- W analizowanej przez Stanford próbie amerykańskich danych płacowych ADP dostosowanie w zawodach silnie eksponowanych na AI jest na razie wyraźniejsze w zatrudnieniu niż w płacy zasadniczej (Stanford Digital Economy Lab i Stanford – Canaries Dashboard, 08.2026). Nie przesądza to o zmianach premii, udziałów ani innych zmiennych składników wynagrodzenia, o sytuacji całego rynku USA ani o tym, czy podobny wzorzec występuje w Polsce.
- Prekariat (termin Guya Standinga): praca niestabilna, bez ochrony i przewidywalnego dochodu. Wskaźniki do obserwowania: udział umów cywilnoprawnych i B2B, realne płace w zawodach eksponowanych, stawki freelancerów.
Co się przenosi z USA, a co nie. Przenosi się technologia i modele biznesowe. Nie przenosi się demografia, prawo pracy, struktura branż i siła negocjacyjna pracowników. Hipoteza do sprawdzenia: polskie centra usług biznesowych obsługujące zagranicznych klientów mogą być bardziej narażone niż ich odpowiedniki w USA, bo pracują na skodyfikowanych procesach.
| Co porównujemy | Czy wnioski przenoszą się między krajami |
|---|---|
| Zdolności tego samego modelu AI | w dużym stopniu tak, choć zależą od języka, danych i środowiska użycia |
| Eksperyment produktywności dla konkretnego zadania | częściowo, jeśli zadania i warunki są porównywalne |
| Tempo adopcji przez firmy | nie wprost – zależy od wielkości firm, kosztów, kompetencji i inwestycji |
| Zatrudnienie i płace | nie wprost – różnią się struktura branż, demografia i instytucje rynku pracy |
| Prawo i odpowiedzialność | nie – regulacje mogą istotnie zmieniać opłacalność automatyzacji |
| Podział zysków i wpływy podatkowe | nie – zależy od właścicieli aktywów i międzynarodowych przepływów dochodów |
Dwa fakty, które porządkują perspektywę
Korzystanie z AI w polskich firmach jest rzadkie. Według Eurostatu w 2025 r. z technologii AI korzystało 8,4% polskich przedsiębiorstw z co najmniej 10 pracującymi (pracownikami lub osobami pracującymi na własny rachunek), wobec 20,0% w całej UE. Badanie obejmuje wybrane sektory gospodarki, a nie wszystkie polskie firmy. Niżej była tylko Rumunia (5,2%). To wskaźnik użycia różnych technologii AI, a nie wyłącznie zaawansowanych agentów. Oddziela on dwa pytania: co AI potrafi technicznie i jak szybko naprawdę zmienia polskie firmy.
Badanie duńskie pozwala inaczej spojrzeć na zatrudnianie młodych. Humlum i Vestergaard (badanie z 2026 i wcześniejsza wersja) połączyli badania ankietowe dotyczące używania chatbotów AI z duńskimi rejestrami rynku pracy do końca 2024 r. Nie wykryli istotnego przeciętnego wpływu korzystania z chatbotów ani inicjatyw firm związanych z ich wdrażaniem na zarobki i zarejestrowany czas pracy; ich oszacowania wykluczały przeciętne efekty większe niż około 2% w analizowanym okresie. Zbadali także zmiany zatrudnienia, tworzenie i likwidację etatów oraz strukturę przyjęć i odejść. W części zawodów eksponowanych na AI zatrudnienie młodych spadało, lecz udział początkujących pracowników nie zmniejszał się bardziej w firmach zachęcających do używania chatbotów niż w innych firmach. To istotny kontrapunkt dla przypisywania takich zmian samemu wdrażaniu AI, nie zaś obalenie opisowych wyników Stanford. Badania różnią się krajem, czasem, metodą pomiaru i zakresem technologii. Zob. publikację autorów (marzec 2026) oraz ich omówienie (październik 2026).
Typowe ruchy w debacie
W publicznych wypowiedziach o AI i pracy, czyli na panelach, w wywiadach i w mediach społecznościowych, kilka ruchów wraca niezależnie od tego, kto mówi i po której stronie sporu stoi. Poniższe przykłady to uogólnione wzorce, nie cytaty.
Prognoza dopisana do raportu. „Według raportu X w ciągu kilku lat większość stanowisk biurowych zostanie zautomatyzowana”. Najprostszy test: zajrzeć do raportu. Często mierzy on ekspozycję zadań albo słaby, wczesny sygnał, a w wypowiedzi staje się prognozą, której autorzy nigdy nie postawili.
Prawdziwy trend doprowadzony do końca. „Wygenerowanie tekstu kosztuje dziś prawie zero, więc za chwilę nie będzie tłumaczy i copywriterów”. Koszt rzeczywiście spada. Ale klient płaci nie tylko za tekst, lecz także za terminologię, kontekst i to, że ktoś za wynik odpowiada. A tańsza usługa może też oznaczać więcej zleceń. Obserwacja jest trafna, ale wniosek przeskakuje kilka ogniw łańcucha.
Prognoza, której nie da się sprawdzić. „Firmy, które teraz nie wdrożą AI, za kilka lat znikną z rynku”. Które firmy, w jakim czasie, co znaczy „zniknąć”? Bez odpowiedzi nie ma czego sprawdzać (pytanie 8 checklisty).
Liczba bez punktu odniesienia. „W tym sektorze pracują setki tysięcy ludzi, więc AI zlikwiduje setki tysięcy miejsc pracy”. Liczba etatów nie mówi, ile z tej pracy da się zautomatyzować ani ile to będzie kosztować. Nie mówi też, na ile pozwolą prawo i odpowiedzialność za decyzje.
Twierdzenie bez źródła. „Liczba poważnych incydentów z AI gwałtownie rośnie”. Bez źródła i definicji incydentu takiej tezy nie da się ani potwierdzić, ani obalić. To samo dotyczy anegdot z drugiej ręki w rodzaju „w jednej firmie zwolnili cały dział”: mogą być prawdziwe, ale nic nie mówią o skali.
„Nie widać w danych, więc nie będzie”. To ruch strony sceptycznej. Prostowanie przesadzonych prognoz bywa trafne, ale dzisiejsze statystyki mówią o dziś. Część dostosowań, takich jak nieotwarte rekrutacje czy mniej zleceń, widać w nich słabo i z opóźnieniem.
Nie każda gorąca teza jest pusta. W dyskusjach często padają dobre hipotezy: że AI odbiera pracę „po cichu”, bo nieutworzone etaty juniorów nie trafiają do żadnej statystyki zwolnień, albo że część wartości i bazy podatkowej odpływa do zagranicznych dostawców modeli. To dobre pytania badawcze i wracają niżej jako H1 i H3. Kłopot zaczyna się wtedy, gdy podaje się je jako rozstrzygnięte.
Obie strony popełniają w gruncie rzeczy ten sam błąd: mówią o przyszłości pewniej, niż pozwalają przesłanki. Jedni robią pewnik z możliwości modeli i wczesnych sygnałów, drudzy gwarancję z braku sygnału. Najbliżej danych jest stanowisko, które mówi obie rzeczy naraz: szerokiego wypierania na razie nie widać, ale sygnał wśród młodych jest realny i warto go śledzić.
Skąd bierze się popyt w gospodarce z małą ilością pracy
Część I streszcza ten wątek w kilku akapitach. Tu pełniejszy rachunek. PKB od strony wydatków to konsumpcja gospodarstw domowych plus inwestycje, zakupy państwa i eksport netto. Od strony dochodów te same pieniądze to płace, zyski, renty i podatki. Automatyzacja może zmniejszać zapotrzebowanie na pracę i dochody z niej, ale może też zwiększać wydajność, płace i popyt na określone kompetencje. Przez zmiany cen, popytu i produkcji oddziałuje również na pozostałe strumienie, więc nie wiadomo z góry, jaki będzie wynik netto. Siła nabywcza gospodarstwa domowego pochodzi z pracy, z własności, z transferów, a przejściowo z kredytu lub sprzedaży aktywów.
| Kanał popytu | Jak działa | Ograniczenie |
|---|---|---|
| Niższe ceny | ta sama kwota kupuje więcej; tańsza produkcja może zwiększyć popyt | przy zerowym dochodzie nawet bardzo niska, ale dodatnia cena oznacza brak dostępu |
| Dochody z własności | dywidendy, zyski i renty zastępują płacę jako źródło dochodu | zależą od tego, kto jest właścicielem; konsumpcja jednej osoby ma fizyczne granice |
| Inwestycje | firmy kupują maszyny, energię, infrastrukturę | rozbudowa mocy zależy od oczekiwanego popytu; inwestycje obniżające koszty mogą być opłacalne także bez wzrostu sprzedaży |
| Wydatki publiczne | państwo kupuje dobra i usługi, finansuje usługi publiczne | wymagają bazy podatkowej i sprawnej administracji |
| Eksport | popyt zagraniczny | dla jednego kraju działa, dla świata jako całości eksport jednych jest importem drugich |
| Kredyt i sprzedaż aktywów | przejściowo finansują konsumpcję | nie są trwałym źródłem dochodu |
| Transfery i usługi publiczne | transfery zwiększają dochód rozporządzalny odbiorców, a usługi publiczne zapewniają dostęp do świadczeń bez bezpośredniego zakupu | wymagają finansowania, realnych zasobów i zdolności organizacyjnej |
Tabela potwierdza rozróżnienie z części I: podtrzymanie całkowitego popytu to nie to samo co szeroki dostęp do dobrobytu. Gospodarka może utrzymać produkcję i zyski, obsługując głównie zamożnych nabywców albo inwestycje, a jednocześnie pozostawić wielu ludzi w gorszej sytuacji. To, że sprzedaż się nie załamie, nie znaczy więc, że większość będzie żyła lepiej. Gospodarka z bardzo małą ilością pracy jest możliwa; trzeba w niej jednak wskazać, kto ma prawo do tego, co wytwarzają maszyny.
Własność: kto ma prawo do nadwyżki z AI?
Pytanie „kto będzie kupował?” prowadzi do pytania głębszego: kto ma uzasadnione roszczenie do wartości wytwarzanej przez technologię, która powstała ze zbiorowego dorobku ludzi? Ta sama technologia może dać szeroki dobrobyt albo skrajną koncentrację – na wynik wpływają również struktura własności i instytucje podziału, obok organizacji produkcji i reakcji popytu.
„Nadwyżka” oznacza tu korzyści ekonomiczne powstające dzięki technologii – w postaci niższych cen, wyższych płac, większych zysków albo dodatkowych inwestycji. Nie jest to jeden łatwy do wyliczenia fundusz zysków, który można po prostu podzielić między obywateli.
Trzy różne twierdzenia, które łatwo pomylić
| Twierdzenie | Typ | Status |
|---|---|---|
| Modele AI korzystają z tekstów, kodu, obrazów i wiedzy wytworzonej przez pokolenia ludzi | opisowe | prawdziwe |
| Ci, którzy ten dorobek wytworzyli, powinni uczestniczyć w korzyściach | normatywne | stanowisko etyczno-polityczne – można je uzasadniać, ale nie wynika z faktów |
| Każdemu autorowi lub obywatelowi należy się określona część zysków firm AI | prawne | przywołane przepisy UE nie ustanawiają takiego powszechnego uprawnienia |
Przeciwko prostemu podziałowi „ludzkość wytworzyła dane, korporacje zabrały zysk” przemawia kontrargument. Wartość modeli pochodzi też z pracy badaczy i inżynierów, z inwestycji w infrastrukturę, z energii i z podjętego ryzyka. Spór dotyczy więc proporcji: ile korzyści powinno trafić do twórców, pracowników, inwestorów, a ile do całego społeczeństwa.
Co już mówi prawo UE
- Dyrektywa 2019/790, art. 4 przewiduje wyjątek dotyczący eksploracji tekstów i danych z legalnie dostępnych treści, z możliwością odpowiedniego zastrzeżenia praw przez uprawnionych. Nie wprowadza powszechnych tantiem dla autorów treści wykorzystywanych do trenowania modeli.
- AI Act, art. 53 określa m.in. obowiązek prowadzenia polityki zgodności z unijnym prawem autorskim oraz udostępniania podsumowania treści wykorzystanych do treningu modeli AI ogólnego przeznaczenia. Odpowiednie przepisy zaczęły być stosowane od 2 sierpnia 2025 r., z regulacjami przejściowymi dla modeli wcześniej wprowadzonych na rynek.
To krok w stronę przejrzystości, ale nie rozwiązuje problemu podziału ekonomicznego.
Dwa modele sprawiedliwości
- Wynagrodzenie za wkład. Udział należy się tym, których utwory, dane lub praca pomogły zbudować system. Narzędzia: licencje, tantiemy, zbiorowe zarządzanie prawami. Słabość: wiarygodne oszacowanie wkładu pojedynczego źródła jest trudne, a taki system może premiować dużych właścicieli katalogów.
- Społeczny udział w produktywności. Udział należy się każdemu, kto żyje w gospodarce, w której znaczna część produkcji opiera się na wspólnym dziedzictwie wiedzy, a płaca przestaje wystarczać jako kanał podziału. Narzędzia: fundusze majątkowe, usługi publiczne, podatki, transfery. Ten model obejmuje także ludzi, którzy nie wytworzyli żadnych danych o wartości komercyjnej.
Drugi model jest znacznie szerszy i to on odpowiada na pytanie wyjściowe. Pierwszy odnosi się do części sporów o prawa do treści i wynagrodzenie twórców, ale sam nie rozwiązuje problemu popytu w gospodarce z małą ilością pracy.
Cztery pytania o „własność”, które łatwo pomylić
Słowo „własność” w debacie o AI oznacza co najmniej cztery różne rzeczy, a każda ma inne narzędzia i inny rodzaj sporu.
| Pytanie | O czym naprawdę mowa | Rodzaj sporu |
|---|---|---|
| Kto ma prawa do danych treningowych? | prawo autorskie, licencje, wyjątki dla eksploracji danych, prywatność | prawny |
| Kto jest właścicielem modelu i infrastruktury? | kapitał, udziały, własność intelektualna, umowy | własnościowy i kontraktowy |
| Kto ma prawa do wyników wygenerowanych przez AI? | prawa do konkretnych rezultatów, umowy, reguły właściwej jurysdykcji | prawny i kontraktowy |
| Kto powinien uczestniczyć w nadwyżce gospodarczej? | podatki, dywidendy, transfery, usługi publiczne, szeroka własność kapitału | polityczny i dystrybucyjny |
Pierwsze trzy pytania mają wymiar prawny i kontraktowy. Czwarte jest przede wszystkim pytaniem o politykę gospodarczą i sprawiedliwość podziału. Rozróżnienie chroni przed wnioskiem „AI uczyła się na ludzkiej pracy, więc wszyscy mają automatycznie prawny udział w zyskach jej producenta”. Taki wniosek nie wynika z obecnych regulacji, choć można argumentować za ustanowieniem mechanizmów społecznego udziału w korzyściach.
Dlaczego to ma znaczenie dla Polski
W zakresie, w jakim polskie przedsiębiorstwa korzystają z modeli i infrastruktury należących do zagranicznych dostawców, część przychodów i zysków związanych z AI może trafiać za granicę. Nie oznacza to, że krajowe korzyści z automatyzacji zanikają – polskie firmy mogą osiągać wyższą produktywność i niższe koszty. Skala zagranicznych przepływów dochodów oraz możliwości ich opodatkowania wymaga odrębnych danych. Pytanie o własność staje się więc również pytaniem o politykę przemysłową i podatkową: własne kompetencje, infrastrukturę i warunki korzystania z zagranicznych modeli.
UBI i redystrybucja: mechanizm a realizm
Sceptycyzm wobec UBI (Universal Basic Income), czyli bezwarunkowy dochód podstawowy, ma solidne podstawy, ale dotyczy politycznej wykonalności jednego narzędzia, a nie samego problemu. Pytanie „kto ma siłę nabywczą, gdy płace tracą znaczenie” zostaje, nawet jeśli UBI nigdy nie powstanie.
Dwa różne pytania, które się zlewają
- Czy potrzebny jest jakiś mechanizm podziału nadwyżki? W trajektoriach D i E – tak. Bez odpowiedniego rozkładu siły nabywczej trudno utrzymać masową konsumpcję i szeroki dostęp do dobrobytu.
- Czy tym mechanizmem będzie UBI? To osobne pytanie ekonomiczne, instytucjonalne i polityczne. Odpowiedź „nie” na drugie nie unieważnia pierwszego.
Co mówią sceptycy
- Nawet państwa z rozbudowanymi usługami publicznymi mają trudności z ich finansowaniem i zapewnieniem szybkiego dostępu do świadczeń. W Polsce podstawowym zakresem opieki zdrowotnej objętych jest formalnie ok. 97% ludności, ale tylko 51% mieszkańców jest zadowolonych z dostępności wysokiej jakości opieki (OECD, 2025). Sceptycy pytają więc, czy takie państwa stworzą dodatkowo trwały, odpowiednio finansowany system bezwarunkowego dochodu.
- Koszt jest ogromny. Rachunek orientacyjny dla Polski: ok. 30 mln dorosłych × 1 500 zł × 12 miesięcy to ok. 540 mld zł rocznie.
- Pilotaże są małe i czasowe. W dużym amerykańskim badaniu z losową grupą kontrolną (OpenResearch i ich omówienie: 1 000 osób dostawało po 1 000 USD miesięcznie przez 3 lata, a 2 000 osób w grupie kontrolnej po 50 USD) odbiorcy pracowali średnio ok. 1,3 godziny tygodniowo mniej, a zaobserwowana na początku poprawa subiektywnego dobrostanu psychicznego nie utrzymała się przez cały okres badania. To nie był test ogólnokrajowego UBI, a przywołane pilotaże nie pozwalają ocenić finansowania ani pełnych skutków makroekonomicznych takiego programu.
- Publiczne wypowiedzi liderów firm AI o UBI same w sobie nie tworzą wiążących zobowiązań do finansowania takiego systemu. Sceptycy obawiają się, że narracja o przyszłym UBI może ułatwiać społeczną akceptację automatyzacji.
Co mówią zwolennicy
- Zwolennicy wskazują, że w części badań transfery ułatwiały zaspokajanie podstawowych potrzeb i zwiększały swobodę decyzji, bez gwałtownego spadku aktywności zawodowej. Wyniki zależą jednak od konstrukcji programu.
- Dywidenda z kapitału już istnieje: Alaska wypłaca mieszkańcom roczną dywidendę ze stanowego funduszu naftowego od 1982 r.
- Europa startuje z innego miejsca niż USA: rozbudowanie istniejących transferów i usług jest prostsze niż budowa systemu od zera.
Realne alternatywy – nie tylko UBI
| Mechanizm | Jak działa | Główna słabość |
|---|---|---|
| Indywidualna własność kapitału | PPK, akcje pracownicze | skala korzyści zależy m.in. od możliwości oszczędzania i uczestnictwa w programie |
| Wspólna własność kapitału | publiczny fundusz majątkowy, dywidenda społeczna | wymaga finansowania, odpowiedzialnego zarządzania i sprawiedliwych reguł wypłaty korzyści |
| Usługi publiczne | zdrowie, edukacja, transport, opieka zamiast gotówki | wymaga sprawnego państwa |
| Podatki od zysków i rent z AI | państwo przechwytuje część nadwyżki | kapitał jest mobilny, a dostawcy modeli są zagraniczni |
| Krótszy czas pracy | możliwy podział dostępnej pracy między większą liczbę osób | wpływ na zatrudnienie zależy od popytu, kosztów i organizacji pracy |
| Przekwalifikowanie | ludzie przechodzą do nowych zawodów | słabnie, gdy AI dotyka wielu zawodów naraz |
Polski haczyk. Jeśli istotna część zysków związanych z AI trafia do zagranicznych właścicieli modeli i infrastruktury, opodatkowanie tych dochodów w Polsce może być trudniejsze. Nie przesądza to o skali krajowych korzyści z AI ani o całkowitych wpływach podatkowych – te kwestie wymagają osobnego pomiaru. To miejsce, w którym globalny podział własności i łańcuchy wartości wpływają na możliwości polskiej polityki gospodarczej.
Trzy hipotezy przekrojowe
Trzy intuicje, które w debacie krążą jako stwierdzenia, warto zapisać jako hipotezy – takie, które dane mogą potwierdzić albo obalić. Każda łączy dwa poziomy mapy i każda ma poważny kontrargument.
| Hipoteza | Łączy poziomy | Możliwe konsekwencje | Kontrargument | Jak to zmierzyć |
|---|---|---|---|---|
| H1. AI zastępuje nie tylko zadania, ale też proces zdobywania kompetencji | pracownik ↔ firma | Może powstać niedobór przyszłych ekspertów zdolnych nadzorować AI, jeśli alternatywne sposoby zdobywania kompetencji nie zrekompensują ograniczenia tradycyjnych ścieżek uczenia się | AI może skracać naukę: tutoring, symulacje trudnych przypadków, szybsze dojście do samodzielności | Jakość samodzielnej pracy po roku, wykrywanie błędów modelu, tempo awansów – w firmach z AI i bez |
| H2. Nowe zadania dla ludzi powstają wolniej, niż AI przejmuje stare i nowe | firma ↔ sektor | Produkcja może rosnąć bez proporcjonalnego wzrostu zatrudnienia („bezrobotny wzrost”); część zawodów może jednocześnie doświadczać trwałej presji | Historia wielokrotnie pokazała tworzenie nowych zawodów; tańsze usługi zwiększają popyt | Udział nowych tytułów i zadań w ogłoszeniach; zatrudnienie w zawodach powstałych po 2022 r.; kto te zadania wykonuje – ludzie czy agenci |
| H3. Dochód z kapitału i transfery nie są rozłożone dość szeroko, by zastąpić płace | sektor ↔ system | Wzrostowi produktywności może towarzyszyć niepewność dochodowa części społeczeństwa i osłabienie masowego popytu, jeśli spadku płac nie zrekompensują inne dochody ani niższe ceny | Niższe ceny podnoszą realne dochody; istniejące państwo opiekuńcze i fundusze emerytalne już dziś dzielą część zysków kapitału | Udział dochodów z pracy w gospodarce (z korektą dla samozatrudnienia), koncentracja własności akcji, realne dochody gospodarstw wg decyli, wpływy podatkowe z AI |
Klucz do H2. Decydujące nie jest samo powstawanie nowych zadań, lecz to, czy tworzą one trwałe zapotrzebowanie na pracę ludzi – i jak szybko AI zaczyna przejmować również te zadania.
Klucz do H1. Nie wystarczy sprawdzić, czy firmy zatrudniają mniej juniorów. Trzeba również zbadać, czy korzystanie z AI przyspiesza, czy osłabia zdobywanie samodzielnych kompetencji przez początkujących pracowników.
Program badawczy
Żeby przejść od sporu na intuicje do sporu na dane, potrzebne jest jedno pytanie centralne, trzy główne osie programu badawczego oraz testy pozwalające oceniać konkurencyjne mechanizmy i ograniczać niepewność.
Pytanie centralne: w jakich warunkach rozwój AI prowadzi do wzrostu dobrobytu większości społeczeństwa, a w jakich do koncentracji dochodu, erozji kompetencji i trwałego wykluczenia części pracowników?
Trzy główne osie programu badawczego
- Substytucyjność technologiczna – jak szybko AI osiąga jakość wystarczającą do samodzielnego wykonywania całych procesów, a nie pojedynczych zadań.
- Odtwarzanie kompetencji i tworzenie nowej pracy – czy firmy nadal szkolą ludzi, czy powstają nowe zadania dla ludzi i czy popyt na nie jest trwały.
- Dystrybucja własności i dochodu – czy zyski z produktywności trafiają do pracowników, konsumentów i usług publicznych, czy skupiają się u właścicieli nielicznych zasobów, w tym zagranicznych.
Zestawienie tych trzech osi, z uwzględnieniem pozostałych „pokręteł” z części I – tempa wdrożeń, reakcji cen i popytu oraz warunków krajowych i globalnych – pozwala porównywać możliwe skutki AI w Polsce, UE i USA.
Cztery główne testy empiryczne
| Test | Na jakie pytanie odpowiada | Hipoteza |
|---|---|---|
| Wdrożenie AI a nabór, odejścia i rozwój kompetencji | Czy wdrożenia AI wiążą się ze zmianami przyjęć i odejść oraz z szybszym lub wolniejszym osiąganiem samodzielności i zdolności wykrywania błędów AI przez początkujących? | H1, H2 |
| Produktywność a płace i ceny | Kto przechwytuje korzyść: pracownicy, konsumenci czy właściciele? | H3 |
| Substytucja a nowe zadania i trwałość zatrudnienia | Czy nowe zadania tworzą trwałe zapotrzebowanie na pracę ludzi, widoczne w zatrudnieniu i przepracowanych godzinach, oraz jak szybko same podlegają automatyzacji? | H2 |
| Udział dochodów z pracy w wartości dodanej (z korektą dla samozatrudnionych) i koncentracja własności | Czy wzrost produktywności idzie w parze z gorszym podziałem siły nabywczej? | H3 |
Czego potrzeba w Polsce
- Dane podłużne na poziomie firm, łączące wdrożenia AI ze zmianami zatrudnienia, naboru, płac, cen i rentowności – z grupami kontrolnymi. Samo współwystępowanie wdrożenia i redukcji nie dowodzi przyczyny.
- Losy absolwentów. System Ekonomicznych Losów Absolwentów (ELA), łączący dane uczelni z danymi ZUS, pozwala śledzić sytuację zawodową absolwentów, ich wynagrodzenia i przechodzenie na rynek pracy. Aby ocenić, czy zmiany w tych wskaźnikach wynikają z AI, potrzebne są dodatkowe dane o ekspozycji zawodów lub wdrożeniach technologii oraz odpowiednia strategia identyfikacji przyczynowej.
- Badanie Aktywności Ekonomicznej Ludności w podziale na wiek, wykształcenie i zawód – stopy, nie liczby bezwzględne, ze względu na kurczące się roczniki.
- Dane o pracy na zlecenie i B2B – kanał prekaryzacji, którego nie widać w bezrobociu.
- Wartość dodana i podatki od usług AI – ile nadwyżki zostaje w kraju, a ile trafia do zagranicznych dostawców.
Pytanie na koniec
Pytanie „jak przygotować pracowników na AI?” pozostanie ważne, ale może przestać wystarczać. Jeśli praca ludzka stanie się potrzebna w znacznie mniejszym zakresie, problem nie będzie już tylko sprawą polityki zatrudnienia. Trzeba będzie zapytać, dlaczego prawo do korzystania z owoców cywilizacyjnej produktywności miałoby zależeć głównie od możliwości sprzedania własnej pracy. To nie jest rozstrzygnięcie ekonomiczne, tylko pytanie o projekt przyszłych instytucji – i na nie dane z 2026 r. jeszcze nie odpowiadają.
Źródła
-
- Stanford Digital Economy Lab – Canaries in the Coal Mine, aktualizacja z 12.08.2026
- Stanford – Canaries Dashboard
- CBOS – Czy sztuczna inteligencja (AI) jest zagrożeniem dla rynku pracy? Komunikat 59/2026
- GUS – Prognoza ludności na lata 2023–2060 (scenariusze i oryginalne tablice)
- GUS – Symulacja liczby ludności do 2060 r. (opracowanie eksperymentalne, 11.2025)
- MRPiPS – odpowiedź na interpelację nr 15822 (bezrobocie, maj 2026)
- OpenResearch – wyniki dotyczące zatrudnienia oraz omówienie University of Michigan
- Brynjolfsson, Li, Raymond – Generative AI at Work, The Quarterly Journal of Economics 140(2), 2025, s. 889–942
- Cui i in. – The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers, Management Science (DOI 10.1287/mnsc.2025.00535)
- METR – Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (07.2025)
- ILO i NASK – Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO Working Paper 140 (05.2025)
- Acemoglu, Restrepo – Automation and New Tasks: How Technology Displaces and Reinstates Labor, Journal of Economic Perspectives 33(2), 2019
- Humlum, Vestergaard – Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI (03.2026) oraz wcześniejsza wersja, NBER WP 33777
- Eurostat – Use of artificial intelligence in enterprises, Statistics Explained (dane z 12.2025)
- Eurostat – 20% of EU enterprises use AI technologies, komunikat z 11.12.2025
- Anthropic – Labor Market Impacts of AI: A New Measure and Early Evidence (03.2026), opis w katalogu badań
- VerkehrsRundschau – autonomiczny e-tir Lidla i Einride (09.2026)
- hessenschau – Fahrerloser Lkw kurvt nachts durch Edermünde (09.2026)
- NBER – The Employment Effects of a Guaranteed Income: Experimental Evidence from Two U.S. States (Working Paper 32719)
- Miller i in. – Does Income Affect Health? Evidence from a Randomized Controlled Trial of a Guaranteed Income (NBER Working Paper 32711)
- OECD – Health at a Glance 2025: Poland
- EUR-Lex – Dyrektywa (UE) 2019/790, art. 4
- Komisja Europejska – AI Act, art. 53
- Akin, M. S. (2026) – The Apprenticeship Externality: Generative AI, Entry-Level Work, and the Future Supply of Expertise (preprint SSRN)
- Bankins i in. (2024) – A Multilevel Review of Artificial Intelligence in Organizations, Journal of Organizational Behavior 45(2), 159–182
- Bank Światowy (2026) – Navigating the Age of AI: Implications for Poland’s Economy, pełny raport
- Lidl Deutschland – komunikat prasowy o pilotażu autonomicznego e-Lkw z Einride (15.09.2026)
- Bank Światowy – komunikat prasowy: AI could boost Poland’s economy by up to 12% by 2035 (22.06.2026)
- Brookings – Humlum, Vestergaard: Still waters, rapid currents, omówienie (10.2026)
- Eurostat – Euro indicators: bezrobocie w maju 2026 (komunikat z 2.07.2026)
- GUS – Stopa bezrobocia rejestrowanego w latach 1990–2026
