W 2024 roku szwedzka firma fintechowa Klarna ogłosiła coś, co obiegło setki biznesowych mediów: jej chatbot oparty na AI wykonywał pracę 700 konsultantów wsparcia jednocześnie. Firma wstrzymała rekrutację nowych pracowników i niemal o połowę zmniejszyła zespół.
Na początku 2025 roku w firmie było już jasne, że coś poszło nie tak. Odpowiedzi bota były szablonowe, złożone zapytania pozostawały bez rozwiązania, a zadowolenie klientów ze wsparcia wyraźnie spadło. W maju 2025 roku CEO Sebastian Siemiątkowski publicznie przyznał się do porażki: „Zbyt mocno skupiliśmy się na efektywności i kosztach. A rezultatem była niższa jakość”. Klarna zaczęła zatrudniać ludzi z powrotem.
To najbardziej jaskrawy przykład trendu, który Gartner nazwał „RIFs before reality” (zwolnienia przed rzeczywistością): redukcje personelu jeszcze zanim AI faktycznie udowodniło, że potrafi wykonać daną pracę. W pogoni za trendami i pod presją inwestorów najwyższe kierownictwo masowo zwalniało ludzi, licząc, że AI zamknie te stanowiska za niemal darmo. Najczęściej pod nóż szły obsługa klienta, copywriting, design i programowanie na poziomie juniorskim.
Dlaczego kalkulacje na papierze rozpadają się w zetknięciu z rzeczywistością? Co najnowsze dane Gartnera i Deloitte mówią o przedwczesnych zwolnieniach? Jaka jest sytuacja w Polsce i jaką strategię przyjmują firmy, które wdrażają nowe technologie, nie tracąc przy tym zespołów?
„Subskrypcja za 30 dolarów zamiast projektanta za 2000 dolarów”: gdzie załamuje się logika cięć?
Kalkulacje cięć dzięki AI wyglądają przekonująco na slajdzie prezentacji: znajdź narzędzie, policz oszczędności na pensjach, pomnóż przez liczbę stanowisk. Tyle że w tym rachunku zwykle brakuje kilku pozycji, które mogą radykalnie zmienić wynik.
#1 AI bez nadzoru degraduje. Technicznie bot Klarny działał poprawnie, ale optymalizował swoje algorytmy pod złą metrykę: skupiał się na liczbie zamkniętych rozmów zamiast na faktycznie rozwiązanych problemach klientów. Bez człowieka, który widziałby różnicę między tymi metrykami, system przez kilka miesięcy metodycznie psuł reputację firmy.
McDonald's przez trzy lata testował system AI do głosowego przyjmowania zamówień w drive-thru. Wyłączono go w 2024 roku, gdy zaczął dorzucać do zamówień zbędne pozycje, w tym 260 nuggetsów naraz. Air Canada przegrała sprawę sądową i musiała zapłacić karę, gdy jej chatbot wymyślił nieistniejące zasady zwrotów. Sąd uznał firmę za odpowiedzialną za to, co powiedział jej bot.
#2 „Junior” nie znaczy „do zastąpienia”. Firmy w pierwszej kolejności cięły juniorskich copywriterów, operatorów wsparcia i podstawowy design, czyli role, które wydawały się najłatwiejszymi kandydatami do automatyzacji. To jednak właśnie ci ludzie pełnili funkcję filtrów kontekstowych: znali styl marki, rozumieli specyfikę klienta i wychwytywali błędy merytoryczne, których narzędzie AI mogło nie zauważyć.
Bez tych „ról poprzedzających” nawet bardziej doświadczeni specjaliści zaczęli tracić czas na testowanie i poprawianie błędów AI, w praktyce wykonując pracę tych, których właśnie zwolniono, tyle że za wyższą stawkę.
#3 Koszt ponownego zatrudnienia. Według McKinsey zastąpienie jednego pracownika kosztuje od 50% do 200% jego rocznej pensji. Dokładnie to spotkało Klarnę: specjalistów zwolnionych w latach 2023–2024 trzeba było ponownie zatrudnić w 2025 roku, w dodatku w warunkach wyższego popytu i większej konkurencji na rynku.
Shopify obrał inne podejście. W 2025 roku założyciel Tobias Lütke rozesłał zespołom notatkę:
„Zanim poprosicie o dodatkowe zasoby, musicie udowodnić, dlaczego AI nie poradzi sobie z tym zadaniem”.
Przekaz odbił się echem daleko poza Shopify i stał się sygnałem dla dziesiątek innych liderów. Jest tu jednak ważny kontekst, który większość pomija: Shopify mocno zainwestował też w szkolenie obecnych pracowników w korzystaniu z narzędzi AI, rozbudował program stażowy i jasno dał do zrozumienia, że pracownicy z kompetencjami w zakresie AI są jednym z najcenniejszych aktywów firmy. Ta strategia dotyczyła przeprojektowania ról, a nie redukcji zatrudnienia.
Co istotne, te trzy problemy niemal zawsze pojawiają się razem: firma zwalnia ludzi, AI zaczyna generować wyniki bez kontroli, a dopiero kwartał później okazuje się, że coś jest nie tak. Tyle że wtedy specjaliści dawno już odeszli do innych firm, a koszt ich ponownego zatrudnienia wzrósł.
Mniej niż 1% cięć przez AI przyniosło efekt: najnowsze statystyki Gartnera i Forrestera
W lutym 2026 roku Gartner opublikował badanie oparte na ankiecie wśród 321 menedżerów obsługi klienta.
Pierwszy wniosek: mniej niż 1% głośnych wdrożeń AI z ubiegłego roku faktycznie przyniosło firmom oczekiwany wzrost produktywności. Reszta okazała się przedwczesnymi decyzjami podjętymi pod presją inwestorów i „hype'u wokół AI”.
Drugi: tylko 20% menedżerów działów obsługi rzeczywiście zredukowało personel z powodu AI. Dla większości organizacji AI stało się narzędziem do stabilizacji zatrudnienia przy rosnącej bazie klientów, a nie powodem masowych zwolnień. Innymi słowy, technologia pomogła sprawnie obsłużyć rosnącą liczbę zgłoszeń, pozwalając utrzymać pełną obsadę zespołu.
Trzeci: Gartner przewiduje, że 50% organizacji, które przeprowadziły cięcia etatów z powodu AI, do 2027 roku zatrudni ludzi z powrotem. Często pod innymi nazwami stanowisk, ale do tych samych zadań.
Forrester w raporcie „Future of Work 2026” potwierdził, że 55% pracodawców, którzy przeprowadzili zwolnienia w imię AI, dziś żałuje tej decyzji, a większość z nich albo już zatrudnia ludzi z powrotem, albo to planuje. Firma zwróciła też uwagę na trend „AI washingu”: przedsiębiorstwa tłumaczą zwolnienia nadchodzącym wdrożeniem AI, podczas gdy w rzeczywistości kierują się względami finansowymi lub nadmiarem pracowników zatrudnionych w latach 2020–2022.
Według „Fortune” UPS w 2025 roku zredukował 48 000 pracowników, Amazon 14 000, a Verizon zapowiedział 15 000. AI pojawiało się w każdym komunikacie prasowym, ale analitycy widzą szerszy obraz: znaczna część tych cięć to spóźniona korekta nadmiernych rekrutacji z czasów pandemii.
Dlaczego model Human × Machine działa, a pełna automatyzacja nie
Raport Deloitte „2026 Global Human Capital Trends” wykazał wyraźną różnicę w wynikach między dwoma typami firm.
Próby zastąpienia ludzi narzędziami są 1,6 razy bardziej narażone na nieefektywność finansową niż firmy, które stawiają ludzi na pierwszym miejscu. Nikogo to jednak nie powstrzymuje: 59% organizacji wciąż wybiera podejście „AI zamiast człowieka”.
Zwycięski model Deloitte nazwał „Human × Machine”, gdzie znak × oznacza mnożenie. AI i człowiek osobno dają określony wynik, ale razem osiągają nieproporcjonalnie więcej, bo nawzajem nadrabiają swoje słabości. AI bierze na siebie rutynę, szybkość i skalę. Człowiek zachowuje kontekst, ocenę i odpowiedzialność.
„Technologię da się powielić, ludzi nie”, piszą autorzy raportu. Efekty tego podejścia dobrze widać na konkretnych przykładach. Według „CMSWire” jedna duża firma e-commerce przywróciła zespół 4 specjalistów ds. treści po tym, jak treści generowane przez AI obniżyły konwersję o 18%. Problemem nie była techniczna jakość tekstów, lecz to, że nikt nie pilnował stylu marki i nie wychwytywał błędów merytorycznych w opisach produktów. Po powrocie tych 4 osób zaczęło publikować treści dla 12 kategorii, którymi wcześniej zajmowało się 6 osób. AI przejęło szkice i strukturę, a ludzie zachowali treść i głos marki.
IBM, Salesforce, Google i Meta, które głośno mówiły o zastępowaniu ludzi przez AI, po cichu zatrudniają z powrotem autorów treści, moderatorów i specjalistów wsparcia, teraz pod nazwami „AI content supervisor”, „prompt quality reviewer” czy „AI trainer”. Nazwy stanowisk się zmieniły, ale zadania pozostały praktycznie takie same, tyle że z narzędziami AI w ręku.
5 pytań, które pomogą uniknąć błędnej redukcji przez AI
Zanim zredukujesz dane stanowisko i przekażesz jego funkcję AI, warto szczerze odpowiedzieć sobie na kilka pytań.
- Czy zadanie jest jasno ustrukturyzowane? AI stabilnie wykonuje pracę przy zrozumiałych danych wejściowych i przewidywalnym rezultacie: klasyfikacja, generowanie wariantów, pierwszy poziom sortowania. Tam, gdzie trzeba ważyć sprzeczne sygnały lub odczytywać kontekst, błędy kosztują więcej niż pensja osoby, która je wychwytuje.
- Czy jest ktoś, kto sprawdzi rezultat AI? Jeśli odpowiedź brzmi „nie” albo „sam AI”, kontroli jakości nie ma. Gartner w 2026 roku wprowadził termin „workslop” na określenie niskiej jakości treści generowanych przez AI, które zaśmiecają procesy biznesowe od środka i niepostrzeżenie niszczą reputację.
- Jaka jest cena błędu? Air Canada uznano za odpowiedzialną za to, co wymyślił jej chatbot. Im wyższa cena błędu, tym kosztowniejszy jest brak człowieka w łańcuchu kontroli.
- Czy liczysz pełny koszt automatyzacji? Cena subskrypcji narzędzia to tylko część równania. Dochodzą do niej czas na konfigurację promptów, weryfikacja rezultatów, zarządzanie błędami oraz potencjalne koszty ponownej rekrutacji. Realne oszczędności często okazują się znacznie mniejsze niż w prezentacji.
- Czy automatyzujesz rutynę, czy wartość? AI, które przejmuje mechaniczną pracę wcześniej wykonywaną przez człowieka, to dobra automatyzacja. AI, które zastępuje to, za co klient płacił i po co wracał, to ryzyko.
Pytanie nie brzmi już, czy wdrażać AI. Chodzi o to, jaką strategię obrać wobec zespołu, żeby rok później nie zatrudniać w pośpiechu z powrotem tych samych specjalistów.
Chcesz być na bieżąco?
