Pytania o AI w ocenach okresowych: jak je wprowadzić bez nadzoru i presji

Szef Shopify przyznał, że odpowiedzi na pytanie o AI w ocenach okresowych nie miały znaczenia. Meta wycofała metryki AI z ocen, a Amazon uznał liczenie tokenów za głęboko błędną miarę. Pokazujemy, jak rozmawiać o AI w cyklu ocen, żeby ta rozmowa coś dawała zespołowi.

Dla kogo jest ten poradnik i ile czasu zajmie wdrożenie

Poradnik jest dla menedżerów, którzy prowadzą oceny okresowe i chcą włączyć do nich rozmowę o narzędziach AI. Opisuje dwie skale. Pierwsza to kilkuosobowy zespół w małej lub średniej firmie, gdzie ocena to zwykle rozmowa 1:1, czyli spotkanie przełożonego z jednym pracownikiem. Druga to zespół w korporacji z formalnym kwestionariuszem działu HR i ustalonym kalendarzem cyklu ocen.

Po lekturze będziesz wiedzieć, jakie pytania o AI zadać, których wskaźników nie wpisywać do oceny, jak oddzielić naukę narzędzi od oceny wyników i jak spisać dobre praktyki zespołu. Przygotowanie zajmie według naszych szacunków kilka dni w małym zespole i kilka tygodni w organizacji, w której zmianę kwestionariusza zatwierdza HR, a często także dział prawny.

Spis treści

Możesz przejść od razu do kroków. Pierwsze trzy rozdziały tłumaczą jednak, dlaczego kroki wyglądają właśnie tak.

1. Czego uczy przypadek Shopify
2. Metryka, obchodzenie, wycofanie: lekcja z Mety i Amazona
3. Co mówi AI Act o AI w ocenie pracowników
4. Krok 1: ustal, po co pytasz o AI
5. Krok 2: pytaj o efekty i sposób pracy, nie o użycie
6. Krok 3: oddziel naukę od oceny
7. Krok 4: dokumentuj dobre praktyki zespołu
8. Mały zespół i korporacja: dwie ścieżki
9. Typowe błędy
10. Lista kontrolna i następne kroki

Czego uczy przypadek Shopify

W kwietniu 2025 r. Tobi Lütke, CEO Shopify, napisał w wewnętrznym memo, że odruchowe korzystanie z AI jest podstawowym oczekiwaniem wobec pracowników firmy. Zapowiedział dodanie pytań o używanie AI do kwestionariusza ocen okresowych i ocen wzajemnych (peer review, czyli ocen wystawianych przez współpracowników). Zespoły miały też wykazywać, dlaczego AI nie wykona danej pracy, zanim poproszą o nowych ludzi lub zasoby.

Półtora roku później, w podcaście Sources w rozmowie z Alexem Heathem (odcinek z 28 października), Lütke powiedział, że odpowiedzi na to pytanie „nie miały znaczenia”. Samo pytanie miało według niego dać firmie reputację, do której musi dorosnąć. Opisał je jako ocenę wystawianą przez kolegów: na ile odruchowo ktoś przychodzi z prototypem zrobionym przy pomocy AI. Przyznał, że przy tym pytaniu „czasem trochę się kombinuje”. Nie wiedział, czy pytanie wciąż jest w bieżącej ocenie, i nie powiedział, czy pojawi się w następnym cyklu. Zarówno pytanie, jak i zasadę dotyczącą zatrudnień opisał jako coś, co działa już samo:

Czyli: nie muszę takich rzeczy egzekwować. Dla menedżera to ważna wskazówka. W Shopify pytanie w kwestionariuszu działało jako sygnał kulturowy, a nie jako pomiar. Jeśli przeniesiesz je do swojego zespołu jako twardy element oceny, dostaniesz coś innego, niż dostał Shopify.

Druga lekcja pochodzi z wcześniejszej, wrześniowej wypowiedzi Lütkego w podcaście Knowledge Project. Mówił tam, że AI pogorszyło w firmie pewien rodzaj niedbałej pracy. Pracownicy Shopify nazywają niesprawdzony wynik pracy AI, przekazany dalej koledze, „slop grenade” (dosłownie „granat z bylejakością”). Search Engine Journal zwrócił uwagę, że pytanie o to, jak chętnie ktoś sięga po AI, nie powie liderowi, czy ktokolwiek sprawdza szkice AI, zanim trafią do redaktora albo klienta. To dwa różne problemy i wymagają dwóch różnych pytań.

Trzecia sprawa to stanowisko wobec sceptyków. Lütke uważa, że sceptyk, który „stara się nie wychylać”, nie zostanie najlepszym pracownikiem w firmie, gdzie wszyscy wokół pracują z agentami AI. Firma powinna według niego jasno mówić, dla kogo jest, i pomagać ludziom znaleźć miejsce, w którym mogą być wśród najlepszych. To decyzja o kulturze konkretnej firmy, nie reguła uniwersalna. Matt Poepsel z The Predictive Index, cytowany przez SHRM (amerykańskie stowarzyszenie specjalistów HR), uważa, że liderzy nie powinni zmuszać ludzi do używania AI.

AI

Metryka, obchodzenie, wycofanie: lekcja z Mety i Amazona

Duże firmy technologiczne przeszły w ostatnich miesiącach podobną drogę. Najpierw mierzyły i nagradzały używanie AI, potem pracownicy zaczęli te wskaźniki obchodzić, a na końcu firmy się z nich wycofywały albo je ograniczały.

W Mecie szefowa HR Janelle Gale ogłosiła na początku lutego 2026 r., że „AI-driven impact”, czyli wpływ osiągany dzięki AI, staje się podstawowym oczekiwaniem wobec wszystkich pracowników, od inżynierów po marketerów. Firma używała systemu Checkpoint, który zbierał ponad 200 punktów danych na inżyniera, w tym ilość kodu wygenerowanego przez AI oraz powiązane z pracą danej osoby błędy. Część zespołów miała do połowy 2026 r. generować z pomocą AI ponad 75 proc. zatwierdzanego kodu. Najwyższy z czterech poziomów oceny dawał prawo do mnożnika premii 200 proc.

We wrześniu 2026 r., po pozwie sądowym, Meta według doniesień medialnych wycofała Checkpoint z ocen. Powód opisywany w mediach: wiązanie premii z wpływem AI zachęcało inżynierów do przedkładania ilości kodu z AI nad jego jakość. Nowe zasady uczyniły korzystanie z AI opcjonalnym, a pracę ocenia się po końcowym wpływie projektu.

W Amazonie w maju 2026 r. zamknięto KiroRank, nieformalny ranking stworzony przez grupę pracowników, który porządkował ludzi według zużycia tokenów AI (jednostek, w których rozlicza się pracę modeli językowych). Okazało się, że pracownicy wymyślali sztuczne zadania, m.in. za pomocą wewnętrznego agenta MeshClaw, żeby podbić wynik. Dave Treadwell, starszy wiceprezes Amazona, powiedział wtedy pracownikom: „Please don't use AI just for the sake of using AI”, czyli żeby nie używali AI tylko po to, by go używać.

W memo z 27 października 2026 r. Amazon nazwał zużycie tokenów, tempo przyjmowania narzędzi AI i liczbę zmian w kodzie głęboko błędnymi miarami wykorzystania AI, bo prowadzą do wyższych kosztów i niepotrzebnej złożoności. Firma nie wyrzuciła tych danych. Poleciła menedżerom czytać je razem z innymi wskaźnikami i przyglądać się obu skrajnościom: bardzo niskie użycie może oznaczać przegapione okazje, a bardzo wysokie rodzi pytanie, czy uzasadnia je wzrost tego, co zespół faktycznie dostarcza.

Podobny zwrot opisał SHRM w przypadku Duolingo. Firma wycofała się z decyzji z 2025 r. o traktowaniu AI jako miary wyników, a CEO Luis von Ahn mówił, w przytoczonej przez SHRM parafrazie, że w ocenie najważniejsze jest wykonywanie swojej pracy jak najlepiej. Nasz wniosek redakcyjny: każdy wskaźnik użycia AI, który przekłada się na ocenę i pieniądze, prędzej czy później ktoś zacznie obchodzić.

AI

Co mówi AI Act o AI w ocenie pracowników

Unijne rozporządzenie 2024/1689, czyli AI Act, uznaje systemy AI stosowane w zatrudnieniu za systemy wysokiego ryzyka. Załącznik III, pkt 4 obejmuje m.in. systemy do przydzielania zadań, monitorowania pracowników i oceny ich wyników. Ważne rozróżnienie: przepisy dotyczą systemów, w których AI ocenia lub monitoruje. Menedżer, który w rozmowie pyta pracownika, jak korzysta z narzędzi AI, nie wdraża systemu wysokiego ryzyka. Narzędzie, które tylko zbiera opinie bez oceny wystawianej przez AI, według analiz prawniczych też nim nie jest. Inaczej jest z oprogramowaniem, które samo analizuje aktywność ludzi i wystawia im ocenę.

Jeśli twoja firma rozważa takie narzędzie, zapamiętaj trzy przepisy. Art. 26 ust. 7 wymaga, by pracodawca poinformował przedstawicieli pracowników i samych pracowników o objęciu ich systemem AI, zanim zostanie wdrożony. Art. 86 daje pracownikowi prawo do jasnego wyjaśnienia, jak system wpłynął na decyzję, która go dotyczy. Art. 5 zakazuje systemów rozpoznawania emocji w miejscu pracy, z wąskimi wyjątkami medycznymi i związanymi z bezpieczeństwem; ten zakaz już obowiązuje.

Pamiętaj też, że monitoring pracowników regulują już dziś kodeks pracy i RODO (unijne ogólne rozporządzenie o ochronie danych osobowych). Ten poradnik nie zastępuje porady prawnej: przy każdym narzędziu, które zbiera dane o pracy konkretnych osób, zaangażuj prawnika lub inspektora ochrony danych.

Krok 1: ustal, po co pytasz o AI

Zanim dopiszesz cokolwiek do formularza, nazwij cel. Od niego zależy, czy pytanie o AI w ogóle powinno trafić do oceny.

1. Zapisz jednym zdaniem, czego chcesz się dowiedzieć. Na przykład: „chcę wiedzieć, które zadania zespół już przyspieszył z AI i gdzie potrzebuje szkolenia”.
2. Przypisz cel do jednej z trzech kategorii: rozwój kompetencji, wymiana praktyk w zespole albo ocena wyników.
3. Jeśli cel to rozwój lub wymiana praktyk, nie wpisuj pytania do części, od której zależy ocena i premia. Przenieś je do rozmowy rozwojowej.
4. Jeśli cel to ocena wyników, oceniaj wyniki, a AI traktuj jako jeden ze sposobów ich osiągania.
5. Sprawdź, czy odpowiedzi ktoś przeczyta i coś z nimi zrobi. Pytanie, z którego nic nie wynika, usuń.

Co powinieneś mieć po tym kroku: jedno zdanie celu i decyzję, w której części cyklu ocen pojawi się temat AI.

Krok 2: pytaj o efekty i sposób pracy, nie o użycie

SHRM rozróżnia dwa typy pytań: „czy pracownik używa AI” to pytanie o adopcję, a „ile tokenów zużył w kwartale” to próba mierzenia wydajności. Samo używanie nie mówi, czy ktoś robi to dobrze, a nagradzanie wolumenu nagradza marnotrawstwo. Dustin Snyder z firmy doradczej Wayforward Associates uważa, że używanie AI nie powinno być osobną miarą w ocenie, bo firma nagradzałaby wtedy narzędzie, nie efekt. Jackie Stinnett z O.C. Tanner podkreśla, że ocena powinna mieć wiele wymiarów, a nie opierać się na jednej metryce AI.

Na tej podstawie przygotowaliśmy zestaw pytań do rozmowy. Wybierz dwa lub trzy:

1. Przy którym zadaniu w ostatnim okresie AI realnie skróciło ci pracę i o ile, w przybliżeniu?
2. Jak sprawdzasz wynik pracy AI, zanim przekażesz go dalej, do mnie, kolegi albo klienta?
3. Gdzie AI cię zawiodło i jak to wychwyciłeś?
4. Które zadanie chcesz spróbować zrobić z AI w kolejnym okresie i czego potrzebujesz, żeby to zrobić?
5. Jaką praktykę pracy z AI warto pokazać reszcie zespołu?
6. W jakich sytuacjach świadomie nie używasz AI i dlaczego?

Pytanie drugie bezpośrednio odpowiada na problem „granatów z bylejakością” z Shopify. Szóste daje przestrzeń sceptykom: ostrożność wobec AI przy danych klientów albo w zadaniach wymagających precyzji bywa dobrą decyzją zawodową, a nie brakiem kompetencji.

Równie ważne jest to, czego nie wpisywać do oceny. Każdy z poniższych wskaźników mierzy użycie, a nie efekt. Część z nich stosowały duże firmy i wycofywały się z nich, gdy zachęcały do gry pod wskaźnik:

• liczba promptów (poleceń wpisanych do narzędzia),
• czas spędzony w narzędziu AI,
• zużycie tokenów,
• odsetek kodu lub tekstu wygenerowanego przez AI,
• liczba zmian lub przeglądów kodu,
• pozycja w rankingu użytkowników AI.

Zamiast tego patrz na trzy rzeczy, które w swoich rekomendacjach wskazują doradcy HR: czas lub wysiłek zaoszczędzony przy konkretnym zadaniu, jakość wyniku (praca AI wymagająca dużych poprawek się nie liczy) oraz wynik końcowy zamiast częstotliwości używania narzędzia.

Krok 3: oddziel naukę od oceny

Ludzie uczą się nowych narzędzi metodą prób i błędów. Jeśli każda próba może obniżyć ocenę, przestaną próbować albo zaczną udawać. Daniel Zhao, ekonomista Glassdoor, cytowany przez SHRM, zwraca uwagę, że pracownicy łączą metryki AI w ocenach z obawą o utratę pracy. Ta obawa ma wpływ na to, co usłyszysz w rozmowie.

1. Zaplanuj rozmowę o AI jako osobny punkt albo osobne spotkanie, poza częścią, w której omawiasz ocenę i wynagrodzenie.
2. Powiedz wprost na początku, że odpowiedzi nie wpływają na ocenę ani premię.
3. Pytaj o eksperymenty, także nieudane. Nieudana próba z wnioskiem jest w tej rozmowie wartościowym wynikiem.
4. Oceniaj wyniki pracy tak jak dotąd: terminy, jakość, wpływ na klienta lub projekt.
5. Zapisz, jakiego wsparcia pracownik potrzebuje: szkolenia, dostępu do narzędzia, czasu na naukę.
6. Wróć do tych potrzeb za miesiąc i sprawdź, czy zostały zaspokojone.

Co powinieneś mieć po tym kroku: dwie oddzielne notatki z rozmowy, ocenę wyników i plan rozwoju w obszarze AI.

Krok 4: dokumentuj dobre praktyki zespołu

Najwięcej z rozmów o AI zyskasz wtedy, gdy wnioski z rozmów indywidualnych trafią do wspólnego dokumentu. Zespół uczy się od siebie, a ty nie musisz kontrolować każdej osoby z osobna.

1. Załóż jeden wspólny dokument lub stronę w wiki zespołu pod tytułem „Jak pracujemy z AI”.
2. Dla każdej praktyki zapisz: zadanie, narzędzie, sposób sprawdzenia wyniku, przybliżony zaoszczędzony czas i ryzyka.
3. Wpisz zasadę przekazywania: kto przekazuje dalej wynik pracy AI, ten go wcześniej przeczytał i sprawdził.
4. Dopisz listę danych, których nie wolno wklejać do zewnętrznych narzędzi AI, uzgodnioną z osobą odpowiedzialną za ochronę danych.
5. Wpisuj praktyki bez nazwisk albo za zgodą autora. Dokument ma służyć nauce, nie rozliczaniu.
6. Przeglądaj dokument raz na kwartał i usuwaj praktyki, które przestały działać.

Taki dokument zastępuje w dużej mierze to, co Shopify próbował osiągnąć pytaniem w kwestionariuszu: pokazuje, jakie oczekiwania ma zespół, ale opiera się na przykładach, a nie na deklaracjach.

AI

Mały zespół i korporacja: dwie ścieżki

W materiałach, z których korzystaliśmy, nie ma badania ani studium przypadku pokazującego, jak pytania o AI działają w małych firmach. Poniższe różnice to wniosek redakcji z porównania formalności procesów HR w obu typach organizacji.

W kilkuosobowym zespole ocena to zwykle rozmowa, a nie formularz. Wystarczą dwa lub trzy pytania z kroku 2 zadane w rozmowie 1:1 i krótka notatka. Ryzyko prawne jest mniejsze, bo zwykle nie ma tu narzędzi, które same analizują pracę ludzi. Większe jest ryzyko osobistej presji: w małym zespole szef widzi, kto używa AI, a kto nie, i łatwo przenieść to na ocenę. Mniejsza jest też anonimowość, więc dokument z praktykami prowadź tak, by nikt nie czuł się wystawiony.

W korporacji kwestionariusz ocen zmienia dział HR, a każde nowe pytanie trafia do setek lub tysięcy osób. Zanim zaproponujesz zmianę, ustal z HR, czy firma używa albo planuje narzędzi, które same zbierają dane o użyciu AI. Jeśli tak, w proces powinni wejść prawnik, inspektor ochrony danych i przedstawiciele pracowników, o których mówi art. 26 ust. 7 AI Act. Jeśli takie dane już istnieją, nie wpisuj ich wprost do oceny. Rozsądniejszy jest model, który Amazon opisał w październikowym memo: dane o użyciu czytane razem z innymi wskaźnikami, jako punkt wyjścia do rozmowy, a nie wynik.

W obu przypadkach obowiązuje ta sama zasada: ocena dotyczy tego, co ktoś osiągnął, a rozmowa o AI dotyczy tego, jak może pracować lepiej.

Typowe błędy

Te błędy powtarzają się w opisanych wyżej przykładach i w rekomendacjach doradców HR:

1. Wpisanie wolumenu użycia AI do oceny lub premii. Skutek widać w Mecie i Amazonie: ilość wypiera jakość, a ludzie wymyślają zadania pod wskaźnik.
2. Tolerowanie rankingów użycia AI w zespole, nawet nieformalnych. KiroRank powstał oddolnie, a firma i tak musiała go zamknąć.
3. Pytanie tylko o adopcję. Odpowiedź „używam codziennie” nie mówi nic o tym, czy ktoś sprawdza wyniki.
4. Karanie ostrożności. Pracownik, który nie używa AI przy danych klienta, może po prostu dobrze wykonywać swoją pracę.
5. Kopiowanie rozwiązań wielkich firm bez ich kontekstu. Pytanie w Shopify było częścią szerszej zmiany kultury, ogłoszonej przez CEO.
6. Wdrożenie narzędzia, które analizuje pracę ludzi, bez informacji dla zespołu i bez konsultacji prawnej.
7. Zadawanie pytania, którego odpowiedzi nikt nie analizuje.

Lista kontrolna i następne kroki

Przed najbliższym cyklem ocen przejdź przez listę poniżej. Pozycje oznaczone jako korporacyjne pomiń, jeśli prowadzisz mały zespół bez narzędzi analitycznych.

Zacznij od małego kroku. W najbliższym tygodniu zapisz cel i wybierz dwa pytania z kroku 2. W najbliższej rozmowie 1:1 zadaj je poza częścią oceniającą i zanotuj odpowiedzi. Po pierwszej rundzie rozmów załóż dokument z praktykami i wpisz do niego trzy pierwsze przykłady od zespołu.

Jeśli pracujesz w dużej organizacji, umów się z HR na rozmowę o kwestionariuszu przed planowaniem następnego cyklu i weź na nią ten poradnik oraz listę kontrolną. Po pierwszym cyklu sprawdź, czy dokument z praktykami żyje i czy ludzie dopisują do niego przykłady bez przypominania. Jeśli tak, temat AI masz w zespole wdrożony lepiej niż za pomocą dowolnego wskaźnika.