Mózg 1.0 w gospodarce 4.0 - podpowiedzi, jak kontynuować samokształcenie

Wykonując swoje obowiązki każdy menadżer, a w szczególności założyciel i właściciel prywatnego przedsiębiorstwa, stara się wypełnić obowiązki wynikające z zasady „kształcić się trzeba przez całe życie”. O ile potrzeba poszerzania wiedzy i doskonalenia umiejętności nie jest kwestionowana, to wybór kierunku i form samokształcenia może stanowić trudne wyzwanie. Spróbujmy sformułować podpowiedzi, które ułatwią podjęcie decyzji menadżerom, jak zaprogramować własne samokształcenie oraz jak zaprojektować doskonalenie członków swojego zespołu.

Współcześnie szczególnie wiele uwagi poświęca się rozwojowi modeli sztucznej inteligencji. Określenie AI jest używane bez precyzyjnego określenia, jakie to są narzędzia techniki informatycznej, co można uzyskać dzięki ich wykorzystaniu oraz jakie warunki muszą być spełnione, aby efektywnie je stosować.

Przedstawiam zestaw zagadnień, których wyjaśnienie ułatwi przygotowanie się każdego z nas do użytkowania modeli maszynowego uczenia.

Mózg 1.0

W trakcie ewolucji życia na Ziemi, która odbywa się od milionów lat, powstał organizm nazywany homo sapiens. Od innych ssaków naczelnych odróżnia się m.in. relatywnie większym i bardziej złożonym mózgiem. Ten organ, który uległ ewolucji w minionych trzystu tysiącach lat, możemy nazwać mózgiem 1.0. Podczas wykonywania obowiązków menadżerskich należy uwzględniać ograniczenia ludzkiego mózgu, jednocześnie pamiętając, że wśród każdej populacji trafiają się geniusze. Są to osoby, które w swoim umyśle potrafią wykreować coś nowatorskiego. W minionych wiekach owocem pracy mózgu geniusza były dzieła artystyczne, wynalazki techniczne i teorie naukowe, które nie tylko były oryginalne, ale charakteryzowały je cechy powszechnie oceniane przez innych ludzi jako bardzo atrakcyjne, wartościowe poznawczo lub użytkowo, czy wręcz zasługujące na podziw.

Koncepcja Przemysłu 4.0

W literaturze i innych formach sztuki od wieków prezentowane są idee, które ze znacznym opóźnieniem znajdują swoje rozszerzenie i uściślenie w dziełach zrealizowanych przez badaczy oraz inżynierów. Bohater powieści Mary Shelly był jedną z pierwszych postaci literackich, które zostały przedstawione w wyimaginowanej fabule, opisującej przyszły rozwój nauki i techniki. Powieść pt. Frankenstein wydana w 1818 r. w Londynie traktowana jest jako jedno z pierwszych dzieł science-fiction. Pisarka opisała los człowieka, który stworzył monstrum, a następnie stał się jego ofiarą. Wśród dzieł tego gatunku literackiego znajduje się opublikowany w latach 40. minionego wieku cykl opowiadań Isaaca Asimowa pt. I, Robot. Zawierają one opis rozwoju techniki w zakresie robotyki. Te opowiadania zapowiedziały powstanie maszyny, która dysponuje sztuczną inteligencją (artificial intelligence – AI).

W 1956 r. sztuczna inteligencja stała się pojęciem, którym posługują się naukowcy. Podczas seminarium w Dartmouth jako cel prac naukowych wyznaczono skonstruowanie i zaprogramowanie maszyny, rozwiązującej takie zadania jakie rozwiązuje homo sapiens, a nawet bardziej złożone zadania. W pierwszej dekadzie XXI w. dostrzeżono, że dzięki funkcjonowaniu Internetu, udostępnieniu chmury obliczeniowej (cloud) oraz upowszechnieniu smartfonu jako mobilnego komputera wyposażonego w takie urządzenia jak kamera i mikrofon, można zarejestrować niewspółmiernie większe zbiory danych, niż było to możliwe w XX w. Pozyskanie miliardów użytkowników smartfonów, którzy w mediach elektronicznych nawiązali więzi i wymieniają między sobą dane, otworzyło operatorom platform cyfrowych możliwość gromadzenia i przetwarzania ogromnych zbiorów danych, tzw. Big Data. Dostęp do Big Data, w tym do danych stanowiących tzw. dane wrażliwe obywateli z różnych regionów świata, został wykorzystany do rozwoju technologii uczenia maszynowego opartej na sztucznych sieciach neuronowych (artificial neural network – ANN), wzorowanych do pewnego stopnia na mózgu człowieka. Modele maszynowego uczenia służą znajdywaniu skupisk danych o tych samych cechach, co pozwala na wyznaczenie wzorców opisujących przebieg różnorodnych procesów. W trakcie analizy procesów losowych rozpoznawane są relacje stochastyczne, które umożliwiają wskazanie najbardziej prawdopodobnych zdarzeń. Przy użyciu modeli maszynowego uczenia nie są natomiast w ogóle analizowane relacje przyczynowo-skutkowe.

Dynamika rozwoju relacji między konsumentami a operatorami platform cyfrowych skłoniła w 2011 r. niemieckich naukowców i inżynierów do przedstawienia koncepcji Przemysłu 4.0. Schemat wymiany danych między ludźmi korzystającymi ze smartfonów i aplikacji, które służą transferowi danych z urządzenia mobilnego do chmury obliczeniowej, został wykorzystany do przedstawienia sieci połączeń między urządzeniami, które bez ingerencji człowieka rejestrują, transferują i przetwarzają dane (Internet of Things – IoT). Wdrożenie koncepcji Przemysłu 4.0 miało dać przewagę konkurencyjną europejskim przedsiębiorstwom przemysłowym, które w drugiej dekadzie XXI w. coraz dotkliwiej odczuwały konkurencję ze strony producentów z Azji, w tym nie tylko z Japonii i Korei Pd., ale także ze strony szybko rozwijających się producentów z Chińskiej Republiki Ludowej. Nigdzie na świecie nie uzyskano oczekiwanych efektów wdrożenia koncepcji Przemysł 4.0. Podstawową barierę stanowi brak gotowości podmiotów gospodarczych do udostępniania swoich danych w sposób zautomatyzowany, co wynika z obawy inwestorów i menadżerów przed ujawnieniem tajemnicy przedsiębiorstwa determinującej zdolność tej organizacji do skutecznego konkurowania na rynku.

Gospodarka 4.0

W pierwszym ćwierćwieczu XXI w. podstawową cechą odróżniającą najbardziej innowacyjne przedsiębiorstwa od pozostałej grupy producentów i usługodawców było dostrzeżenie, że przy pomocy usieciowionych komputerów można zmienić przebieg procesów gospodarczych i uzyskać skokowe wzrosty sprawności operacyjnej oraz efektywności ekonomicznej. W sektorze B2C (business-to-consumer) jednym z przykładów uzyskania pożądanych efektów było wprowadzenie rozliczenia finansowych między konsumentami a dostawcami dóbr rzeczowych i usług. Te procesy występujące w bardzo dużej skali są realizowane w formie zautomatyzowanych płatności elektronicznych, co wywołało znaczne ograniczenie rozliczeń gotówkowych. W Polsce występuje jeden z najwyższych na świecie udział płatności realizowanej przy wykorzystaniu smartfonu. Beneficjentami zastosowania innowacyjnej formy płatności są zarówno konsumenci, jak i producenci oraz wszyscy pośrednicy, w tym banki obsługujące klientów detalicznych. Innym przykładem jest wprowadzenie w 2026 r. Krajowego Systemu e-Faktur (KSeF), którego funkcjonowanie spowodowało, że praktycznie wyeliminowany jest obrót gotówkowy w rozliczeniach w sektorze B2B (business-to-business). Dane są generowane w systemie księgowym sprzedającego i są automatycznie transferowane do systemu u kupującego. Jednocześnie gromadzone i przetwarzane są dane ujęte w fakturach z zbiorach danych gromadzonych w jednostkach administracji państwowej odpowiedzialnej za pozyskiwane dochodów sektora publicznego i za kontrolowanie prawidłowości rozliczeń podatkowych.

Duże modele językowe

Rozwój technologii uczenia maszynowego doprowadził do udoskonalenia i upowszechnienia dwóch typów modeli: dużych modeli językowych (Large Language Model – LLM) oraz modeli dziedzinowych. W opinii publicznej zastosowanie modeli LLM jest najbardziej spektakularnym przejawem postępu technicznego na świecie. Niedoceniane jest natomiast znaczenie rozwoju oraz upowszechniania modeli dziedzinowych, w których przetwarzanie danych jest zogniskowane na rejestracji wybranych danych oraz zastosowaniu wyspecjalizowanych technik ich przetwarzania, np. w zakresie diagnostyki medycznej.

W 2026 r. we wszystkich sferach aktywności społeczno-gospodarczej wykorzystywane są technologie cyfrowe, dzięki którym możliwe jest podwyższenie poziomu edukacji społeczeństwa, rozszerzenie zakresu świadczenia usług publicznych dla ludności, zwiększenia zdolności konkurowania przedsiębiorstw na rynku lokalnym, kontynentalnym i globalnym.

Motywacja człowieka do wysiłku

Mózg 1.0 w toku ewolucji został wyposażony w mechanizm obrony przed wysiłkiem. Proces umysłowej aktywności w organizmie jest bardzo energochłonny, dlatego mózg stara się wykonać zadania w możliwie najszybszy i najprostszy sposób. Człowiek patrzy „na coś” a nie „na wszystko”. Wykładowca na sali dostrzega poszczególne twarze, kierowca koncentruje uwagę na wybranym obiekcie w otoczeniu samochodu, a menadżer korzystający z zaawansowanych narzędzi analitycznych (business intelligence – BI) zwraca uwagę na zestaw wybranych wskaźników KPIs (Key Performance Indicators), gdyż pod presją czasu nie potrafi dostrzec powiązania i znaczenia relacji danych, przedstawionych w formie bardzo rozbudowanego zestawu wskaźników PI (Performance Indicators) ilustrujących wszystkie procesy cząstkowe realizowane w przedsiębiorstwie oraz na styku przedsiębiorstwa z otoczeniem.

Swoiste „lenistwo” mózgu 1.0 jest przyczyną, że niemal wszystkie decyzje są podejmowane przez człowieka „natychmiast”. To powoduje, że proces przygotowania decyzji w mózgu odbywa się w sposób uproszczony, co jest określane mianem heurystyki. W 1903 r. James Allen opublikował wyniki swoich badań nad wykorzystywaniem mózgu przez człowieka. W pracy pt. Tak, jak myśli człowiek, wskazał, że można świadomie ukształtować sposób postrzegania otaczającego świata i nadać wybrany kierunek myślenia o tym świecie. Osoby, które stawiają sobie jasno sprecyzowany cel, tak jak to powinni robić menadżerowie, mogą się skupić na znajdywaniu „właściwej myśli, która zapewnia panowanie”. W praktyce jest to zachęta do zablokowania mózgu, gdy szybko i w sposób uproszczony formułuje wskazówkę, jak postępować. W 2011 r. Daniel Kahneman opublikował wyniki swoich badań nad funkcjonowaniem mózgu w opracowaniu pt. Thinking, Fast and Slow. Wskazuje, że mózg można „przestawić” z myślenia intuicyjnego i emocjonalnego na myślenie analityczne i deliberatywne, które może doprowadzić do podjęcia dojrzalszych decyzji. Powiedzenie „muszę się z tym przespać” sygnalizuje, że menadżer nie chce pochopnie podjąć decyzji jeśli może odsunąć w czasie swoją reakcję na nową sytuację. Doświadczenie życiowe wskazuje, że owa faza zastanowienia się lub ujawnienia się całkiem nowego pomysłu może wystąpić nieoczekiwanie, np. podczas jednostajnego wysiłku fizycznego w trakcie biegu długodystansowego, gdy mózg jest „odciążony” od podejmowania ciągłych decyzji o zachowaniu człowieka. Według D. Kahnemana mózg dysponuje domyślną siecią (Default Mode Network – DMN) i w fazie swoistego „uśpienia” kreuje najbardziej twórcze myśli, w tym nowe idee kształtowania działalności zawodowej, w tym dotyczących decyzji o inwestycjach, wprowadzaniu innowacji i sposobie mobilizowania zespołu do realizacji zadań w nowatorski sposób.

Zagrożenie dla mózgu 1.0 – uzależnienie niechemiczne

Zaawansowane badania nad pracą mózgu dowiodły, że człowiek poddaje się oddziaływaniu czynników, które wywołują stan zadowolenia, poczucia zrozumienia i akceptacji ze strony innych osób. Operatorzy platform cyfrowych oraz założyciele i menadżerowie laboratoriów rozwoju modeli AI dysponują bardzo dobrym rozpoznaniem, jakie impulsy powinny być przekazywane użytkownikom sieciowych urządzeń, aby uzyskać wśród nich jak największą skłonność do kontynuowania kontaktu z wybraną aplikacją. W badaniach socjologicznych wskazuje się na nową formę uzależnienia się człowieka. Jest to uzależnienie niechemiczne, czyli postawa notorycznego użytkowania mediów elektronicznych, które dostarczają „pożądanej” treści. W miejsce relacji interpersonalnych pojawiają się więzi człowieka z komputerem, który w zaprogramowany sposób przyciąga uwagę mózgu 1.0 do aplikacji upowszechnionych w epoce gospodarki 4.0.

Rozwój agentów AI, czyli oprogramowania obejmującego zautomatyzowane procesy decyzyjne wspierane modelami uczenia maszynowego, stanowi kolejny etap rozwoju techniki informacyjnej. Dostęp do coraz bogatszej oferty operatorów platform cyfrowych skłania wielu menadżerów do wdrażania agentów AI w zarządzanych organizacjach oraz przy organizacji własnego indywidualnego życia. Funkcjonowanie modeli maszynowego uczenia odbywa się przez znajdywanie rozwiązań najbardziej prawdopodobnych, zatem wyniki przetwarzania danych zawsze są obciążone ryzykiem błędu, tzw. halucynacji. Z tego powodu zastosowanie agentów AI wymaga rozpatrzenia ich wszystkich zalet i wad zautomatyzowania procesu podejmowania autonomicznej decyzji przez maszynę w zastępstwie decyzji podejmowanych przez człowieka. Jedną z dostrzeganych wad jest wystąpienie „zbiorowego uzależnienia niechemicznego”, czyli pozbawienie zespołu pracowników motywacji do rozszerzania wiedzy i doskonalenia umiejętności, które są niezbędne dla wypełniania zadań zawodowych przez człowieka dysponującego mózgiem 1.0. Jest to szczególnie ryzykowne, jeśli człowiek przed podjęciem decyzji w życiu osobistym lub zawodowym powinien wyciągnąć wnioski z analizy relacji przyczynowo-skutkowych występujących w otoczeniu. Niezbędne jest uwzględnienie faktu, że modele AI nie służą rozpoznaniu tych relacji, co w epoce gospodarki 4.0 zasadniczo obniża użyteczność ich stosowania w każdym zakresie.