Przez ostatnie miesiące w rozmowach o AI w edukacji coraz częściej pojawia się jedno określenie: dług poznawczy. Brzmi trochę jak termin z ekonomii, ale intuicja jest prosta: narzędzie może oszczędzać wysiłek teraz, a później zostawić użytkownika z kompetencją, której nie zdążył rozwinąć.

Trochę jak z mięśniami.

Warto jednak zacząć uczciwie. „Dług poznawczy” nie jest dziś ustaloną teorią, która jednoznacznie opisuje wpływ AI na uczenie się. To raczej nowa metafora i hipoteza, która stała się głośna po badaniu dotyczącym pisania esejów z użyciem ChatGPT. Badacze porównywali pracę osób piszących bez narzędzi, z wyszukiwarką oraz z pomocą dużego modelu językowego. Wyniki sugerowały, że grupa korzystająca z LLM była mniej zaangażowana poznawczo, słabiej pamiętała własne teksty i częściej miała mniejsze poczucie autorstwa. To ważny sygnał – ale badanie było niewielkie, dotyczyło dorosłych i konkretnego zadania pisemnego. Nie pozwala jeszcze stwierdzić, że każde użycie AI prowadzi do trwałego osłabienia kompetencji.

Mimo to pytanie pozostaje ważne: kiedy AI rzeczywiście wspiera uczenie się, a kiedy przejmuje etap pracy, w którym miała powstać kompetencja?

To pytanie nie dotyczy wyłącznie uczniów. Z AI korzystają także nauczyciele, studenci i pracownicy wiedzy. Nie wszyscy jednak używają go z tego samego miejsca: dla jednej osoby narzędzie może być wsparciem kompetencji już zbudowanej, dla innej – skrótem omijającym etap, na którym ta kompetencja dopiero miała powstać. 

Dorosły nauczyciel, który używa AI do części swojej pracy, ma zazwyczaj już zbudowaną „masę poznawczą” – lata doświadczeń, wiedzę dziedzinową, intuicję zawodową, do której może wracać. Narzędzie wspiera coś, co już istnieje. Ale uczeń dopiero buduje te połączenia. Jeśli za wcześnie oddamy mu do ręki narzędzie, które buduje je za niego – uczeń zdobywa produkt, ale nie umiejętność. Jako nauczyciele, musimy o tej różnicy pamiętać, szczególnie jeśli chcemy wykorzystywać swoje własne doświadczenia w wykorzystywaniu AI do pracy, czy swojego samorozwoju.

Nie każde ułatwienie wspiera uczenie się

Weźmy burzę mózgów. Nie twierdzę, że AI nie powinna pojawiać się w takim ćwiczeniu – może pomóc rozszerzyć listę pomysłów, podsunąć nietypowe skojarzenia, zadać pytania, których uczniowie jeszcze nie postawili. Ryzyko pojawia się wtedy, gdy AI przejmuje pierwszy etap: samodzielne generowanie pomysłów, mierzenie się z pustą kartką, tolerowanie niepewności.

To nie zawsze jest przyjemny etap. Często jest chaotyczny, powolny i pełen ślepych zaułków. Ale właśnie w nim może powstawać sprawność potrzebna później: umiejętność zaczynania, szukania własnych skojarzeń, wychodzenia poza pierwsze oczywiste rozwiązanie. Jeśli AI regularnie przejmuje tę pracę, uczeń może mieć mniej okazji, aby samodzielnie ćwiczyć tę sprawność – i trudniej będzie ocenić, czy rzeczywiście ją rozwija. 

Pytanie, które naprawdę warto zadać brzmi więc: czy ten etap zadania ma przede wszystkim doprowadzić do produktu, czy ma ćwiczyć konkretną kompetencję? AI może wejść później – jako partner do porównywania pomysłów, szukania luk, podważania pierwszych intuicji. Nie jako autor pierwszej odpowiedzi.

To dotyczy też nauczycieli

Podobne pytanie warto zadać przy pisaniu scenariusza lekcji. Scenariusz nie jest zadaniem administracyjnym. To moment, w którym nauczyciel myśli o konkretnej klasie: o tym, co uczniowie już wiedzą, gdzie mogą się zatrzymać, jakie pytania prawdopodobnie padną, która instrukcja będzie zbyt trudna, a która zbyt oczywista. Dobry scenariusz jest decyzją dydaktyczną: dlaczego właśnie to zadanie, dlaczego teraz, dla tej klasy i w tej kolejności.

AI może wygenerować poprawny scenariusz – uporządkowany, logiczny, napisany profesjonalnym językiem. Ale poprawność nie oznacza, że scenariusz jest osadzony w wiedzy o tej konkretnej grupie i w codziennym doświadczeniu nauczyciela z klasą. AI nie zna relacji między uczniami, napięć w grupie ani tego, co wydarzyło się na poprzedniej lekcji. Dlatego może być dobrym źródłem wariantów i pomysłów, ale nie powinna automatycznie stawać się źródłem ostatecznej decyzji dydaktycznej. Ta kreatywność – niepowtarzalna, osadzona w relacji i kontekście – należy do nauczyciela.

Inteligencja nie daje automatycznej odporności

Łatwo wyobrazić sobie błędy poznawcze jako problem kogoś, kto „nie zauważył oczywistości”. Tymczasem wiedza, doświadczenie i inteligencja nie chronią automatycznie przed skrótami myślowymi. Czasem jest wręcz odwrotnie: osoba dobrze znająca temat może sprawniej uzasadniać pierwszą przyjętą tezę i sprawniej ignorować to, co ją komplikuje.

Jednym z takich mechanizmów jest “efekt potwierdzenia” – tendencja do szukania, zapamiętywania i interpretowania informacji w sposób zgodny z tym, w co już wierzymy. Mózg nie szuka prawdy – szuka spójności. I jest w tym bardzo dobry, niezależnie od poziomu wykształcenia.

AI może ten mechanizm wzmacniać. Kiedy ekspert prosi model o argumenty na rzecz własnej tezy, łatwo otrzymuje elegancką, dobrze ustrukturowaną odpowiedź, która tę tezę wspiera. Jeśli nie poprosi równocześnie o kontrargumenty i słabe punkty rozumowania, AI staje się narzędziem wzmacniającym wcześniejsze przekonanie – a nie narzędziem krytycznego namysłu.

Jest też “heurystyka dostępności” – skłonność do uznawania za ważniejsze lub lepiej potwierdzone tego, co łatwo przychodzi do głowy. Przykładem jest tu chociażby ryzyko związane z samym pojęciem długu poznawczego. Gdy dane określenie zaczyna często pojawiać się w podcastach, postach i na konferencjach, łatwo uznać, że zostało już solidnie potwierdzone badaniami. Im częściej słyszymy dany termin, tym bardziej może wydawać się oczywisty – choć wcale tak być nie musi.

Trzecia pułapka to “efekt płynności poznawczej”: dobrze napisany, uporządkowany i profesjonalnie brzmiący tekst łatwo uznać za trafny. Dotyczy to bezpośrednio odpowiedzi AI. Kiedy nauczyciel prosi o scenariusz lekcji i uznaje go za dobry, bo brzmi sensownie i wygląda profesjonalnie, może pomylić jakość formy z jakością decyzji dydaktycznej. Tekst może być poprawny językowo i logiczny w ogólnym sensie, a jednocześnie całkowicie nietrafiony dla konkretnej klasy.

I wreszcie “efekt nastawienia” (efekt Einstellung) – przywiązanie do pierwszego rozwiązania, które przyszło do głowy, nawet gdy lepsze jest dostępne. Im więcej doświadczenia w danej dziedzinie, tym mocniej wpada nam w ręce ten pierwszy schemat. AI działa podobnie: generuje rozwiązania ze środka rozkładu, czyli dokładnie te, które widziała najczęściej. Ekspert i narzędzie mogą się w tym wzajemnie utwierdzać.

Które zadania warto oddać AI, a które zostawić człowiekowi?

Nie ma jednej odpowiedzi dla wszystkich przedmiotów i wszystkich uczniów. Są jednak pytania, które pomagają myśleć o tym konkretniej.

“Oddaj AI to, co obsługuje proces.” Formatowanie, poprawa językowa, porządkowanie materiału, tworzenie wariantów instrukcji, przygotowanie tabeli pytań – to zadania, w których AI realnie odciąża, nie zastępując myślenia.

“Zostaw uczniowi etap, na którym ma powstać kompetencja.” Formułowanie własnego pytania badawczego. Pierwsza próba interpretacji. Wybór argumentów. Uzasadnienie decyzji. Ocena źródeł. Wyciąganie wniosków. To są momenty, w których uczeń nie tylko przygotowuje odpowiedź, ale rozwija sposób myślenia. Dobrze, jeśli ten etap wydarzy się najpierw samodzielnie – nawet nieidealnie, najlepiej na kartce, bez narzędzi. Dopiero potem AI może wejść jako krytyczny czytelnik: wskazać niejasności, zadać pytania pogłębiające, pokazać kontrargument, zasugerować czego jeszcze brakuje.

“Pytaj o własne skróty myślowe.” Przy pracy z AI warto regularnie zadawać sobie pytania: skąd wiem, że ta odpowiedź jest trafna? Czy poprosiłam o kontrargument? Czy ten tekst jest naprawdę dobry, czy tylko dobrze brzmi? Czy AI pomogła mi myśleć, czy pomyślała za mnie?

“Nie oddawaj scenariusza lekcji w całości.” Niech AI pomoże uporządkować to, co już przemyślałaś, znaleźć warianty ćwiczeń albo dostrzec lukę w instrukcji. Ale decyzja o tym, czego potrzebuje właśnie ta klasa, powinna zostać po stronie nauczyciela. 

—

O tym wszystkim rozmawiam w podcaście – w luźnej rozmowie, z przykładami i bez udawania, że istnieją proste odpowiedzi. Nagranie znajdziesz poniżej.

A jeśli chcesz więcej tekstów o uczeniu się, AI i projektowaniu zadań, które nie zastępują myślenia gotowym wynikiem zapisz się na newsletter albo zajrzyj do pozostałych wpisów na blogu.

—

Źródła do dalszego czytania

Dorota Janczak, „Czy AI naprawdę „wyłącza” nasz mózg?”
Krytyczne omówienie badania MIT: co rzeczywiście badano, czego wyniki mogą sugerować i dlaczego nie należy wyciągać z nich zbyt szerokich wniosków.
https://eduwczasachai.pl/czy-ai-naprawde-wylacza-nasz-mozg/

Nataliya Kosmyna i in., „Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task”
Preprint badania, od którego upowszechniło się pojęcie „długu poznawczego” w kontekście AI. Dotyczy pisania esejów przez dorosłych uczestników, więc warto czytać go razem z ograniczeniami badania.
https://arxiv.org/abs/2506.08872

Hao-Ping Lee i in., „The Impact of Generative AI on Critical Thinking”
Badanie pracowników wiedzy dotyczące związku między zaufaniem do generatywnej AI a deklarowanym wysiłkiem krytycznego myślenia. Pełny tekst PDF.
https://dl.acm.org/doi/pdf/10.1145/3706598.3713778

Raymond S. Nickerson, „Confirmation Bias: A Ubiquitous Phenomenon in Many Guises”
Klasyczny, dostępny bezpłatnie tekst o efekcie potwierdzenia – przydatny do fragmentu o szukaniu argumentów wspierających wcześniejszą tezę.
https://pages.ucsd.edu/~mckenzie/nickersonConfirmationBias.pdf