- Pojęcie: badanie HBR autorstwa badaczy z firmy doradczej BCG (5 marca 2026) nazywa umysłowe zmęczenie wynikające z nadmiernego używania narzędzi AI lub z nadzoru nad nimi „AI Brain Fry“. To nie jest diagnoza medyczna.
- Rozpowszechnienie: 14 % użytkowników AI w dużych amerykańskich firmach już to przeżyło (1 488 ankietowanych, samoocena). To nie 14 % wszystkich pracowników, a pytano o „kiedykolwiek przeżyte”.
- Wartości procentowe: wartości dotyczące nadzoru, zmęczenia, zmęczenia decyzyjnego, błędów i wypalenia to względne różnice wartości skal, a nie odsetki osób. Przykład: kto dużo nadzoruje AI, podaje średnio o 14 % większy wysiłek umysłowy.
- Przełączanie kontekstu: to, że przełączanie kosztuje, jest potwierdzone w laboratorium (Monsell 2003, Rubinstein i in. 2001). W badaniu związek z pytaniami o zmianę zadań jest mniej jednoznaczny niż związek z przeciążeniem informacjami.
- Kontrargument: mniej rutynowej pracy dzięki AI wiązało się z 15 % niższymi wynikami wypalenia. Badanie terenowe wykazało średnio 15 % więcej rozwiązanych spraw na godzinę (Brynjolfsson i in. 2025).
- Rytm pracy: start, skupienie, zbiory, powiadomienia czytać dopiero w zbiorach i uruchamiać tylko tyle przebiegów, ile jesteś w stanie sprawdzić. Dla poszczególnych elementów istnieją wskazówki z innych dziedzin (Fitz 2019 o zbiorczych powiadomieniach, Masicampo i Baumeister 2011), dla nadzoru nad AI żaden nie został zbadany.
W niektóre dni mam jednocześnie 5 do 6 przebiegów AI. Uruchomienie trwa minuty. Potem wyniki przychodzą jeden po drugim i każdy chce być sprawdzony, poprawiony lub zatwierdzony. Skaczę między tekstami, researchem i szkicami. Czy to już AI Brain Fry, nie umiem powiedzieć, bo diagnozy dla tego nie ma.
Kto korzysta z agentów AI lub wdraża AI w firmie, prędzej czy później prowadzi kilka przebiegów jednocześnie i trafia na to samo pytanie: ile jeszcze jestem w stanie sensownie sprawdzić? Ten wpis oddziela to, co potwierdza badanie o AI Brain Fry, przytacza badania nad przełączaniem kontekstu, pokazuje drugą stronę i opisuje mój rytm pracy.
AI Brain Fry: definicja i różnica względem wypalenia
Pojęcie „AI Brain Fry“ wprowadzają Bedard, Kropp, Hsu, Karaman, Hawes i Rosen Kellerman w artykule HBR „When Using AI Leads to ‚Brain Fry‘“ z 5 marca 2026. Wszyscy pracują w firmie doradczej BCG, 2 z nich dodatkowo doktoryzują się na University of California, Riverside. Definicja autorów w wolnym tłumaczeniu: umysłowe zmęczenie wynikające z nadmiernego używania narzędzi AI lub z nadzoru nad nimi ponad własną zdolność poznawczą. W języku niemieckim nie utrwaliło się żadne określenie. Media piszą o „wyczerpaniu AI“, „wypaleniu AI“ lub „AI Fatigue“, a jeden portal branżowy tytułuje „Smażony mózg“.
AI Brain Fry nie jest tym samym co wypalenie zawodowe. Autorzy opisują wypalenie jako przewlekły stres w pracy z emocjonalnym wyczerpaniem. Brain Fry jest według nich ostrym przeciążeniem uwagi, pamięci roboczej i sterowania własnym myśleniem. Nie jest to diagnoza medyczna.
Uwaga o pochodzeniu: BCG sama sprzedaje doradztwo we wdrażaniu AI. Artykuł zaleca, by 70 % wysiłku w projektach AI przeznaczyć na ludzi i procesy. To nie czyni liczb fałszywymi, ale pokazuje własny interes w tym temacie.
Liczby z badania i jak je czytać
Ankietowano 1 488 pracowników pełnoetatowych w dużych firmach w USA, jednorazowo i na podstawie samooceny. Kwestionariusza ani working paper z metodologią nie znalazłem. Dla każdej liczby ważne jest, co właściwie mierzy:
| Wniosek badania | Jak czytać tę liczbę |
|---|---|
| 14 % użytkowników AI potwierdziło, że kiedyś doświadczyło Brain Fry | Odsetek osób, ale tylko wśród użytkowników AI w dużych amerykańskich firmach, a pytanie brzmiało „czy kiedykolwiek doświadczyłeś”. Błędne byłoby stwierdzenie: „Co siódma osoba na to cierpi.” |
| Wysoki zamiast niskiego nadzoru nad AI: o 14 % większy wysiłek umysłowy, o 12 % większe zmęczenie umysłowe, o 19 % większe przeciążenie informacjami | Względne różnice wartości skal z samooceny między 2 grupami, a nie odsetki osób. |
| Z Brain Fry: o 33 % większe zmęczenie decyzyjne, o 11 % więcej drobnych i o 39 % więcej poważnych błędów | To również wartości skali z samooceny, a nie policzone błędy. Stwierdzenie „Brain Fry powoduje o 39 % więcej poważnych błędów” byłoby błędne. |
| Zamiar odejścia z pracy: 25 % bez, 34 % z Brain Fry | Porównanie odsetków osób. Liczby względnej, którą HBR podaje, nie mogę przeliczyć na podstawie zgłoszonych wartości, dlatego jej tu nie ma. |
| Według funkcji: 26 % pracowników w funkcjach marketingowych, 6 % w funkcjach prawnych podało, że doświadczyło Brain Fry | Funkcje dużych firm z USA, a nie branże. |
| Jednocześnie używane narzędzia AI: postrzegana produktywność wyraźnie rośnie przy przejściu z 1 do 2, potem słabiej, a od czwartego lekko spada | Zmierzono postrzeganą produktywność. Nie jest jasne, czy liczono narzędzia, czy agentów. Z tego nie wynika żadna granica dla agentów. |
Na co dzień ważniejsze od każdego procentu są 2 ustalenia. Pierwsze: z obciążeniem i umysłowym zmęczeniem wiązał się przede wszystkim bieżący nadzór nad wynikami AI, a do tego zwiększona dzięki AI ilość pracy. W centrum badania stoi nadzór. Drugie dotyczy zmian kontekstu: odpowiedzi swobodne wskazują przeciążenie informacjami i zmiany zadań jako ważne czynniki. Związek statystyczny z pytaniami o zmianę zadań jest jednak mniej jednoznaczny niż z przeciążeniem informacjami. Na „główną przyczynę” zmiana kontekstu w tym badaniu się nie nadaje.
Jeszcze jedno zastrzeżenie: autorzy piszą, że korzystanie z AI „may be causing” wyczerpanie, a nadzór „predicted” je. To ostrożne sformułowania i to z dobrego powodu. W badaniu przekrojowym możliwy jest też odwrotny kierunek: kto i tak jest przeciążony, może odbierać nadzór jako bardziej obciążający.
Przełączanie kontekstu i nadzór: dlaczego kosztują tyle uwagi
To, że zmiana zadań kosztuje czas i dokładność, psychologia bada od dziesięcioleci, jednak nie na przykładzie pracy z AI. Dane pochodzą ze streszczeń badań, a u Mark z artykułów.
- Koszty przełączania: Po zmianie zadania ludzie w laboratorium odpowiadają wolniej i zwykle popełniają więcej błędów. Przygotowanie obniża te koszty, ale nie eliminuje całkowicie (Monsell 2003, praca przeglądowa o prostych zadaniach). Rosną wraz ze złożonością zasad, maleją dzięki wskazówkom i są wyższe przy nieznanych zadaniach (Rubinstein, Meyer, Evans 2001).
- Resztki uwagi: Uwaga słabo odrywa się od niedokończonych zadań, a wydajność przy kolejnym zadaniu spada. Fachowa nazwa to „Attention Residue” (Leroy 2009, 2 eksperymenty).
- Przerwy: Wśród 24 pracowników jednej firmy (obserwowanych po 3,5 dnia, czas trwania badania 13 miesięcy) 57 % jednostek pracy zostało przerwanych. Do przerwanej pracy wracali tego samego dnia średnio po 25 min 26 s. Rozrzut jest ogromny (odchylenie standardowe 54 min 48 s), a 77 % zostało w ogóle wznowionych tego samego dnia (Mark, Gonzalez, Harris 2005). W laboratorium osoby przerywane pracowały szybciej, ale z większym stresem i wysiłkiem (Mark, Gudith, Klocke 2008, 48 uczestników, głównie studenci).
- Nadzór nad automatyzacją: Kto nadzoruje zautomatyzowany system, przy wielokrotnym obciążeniu kontroluje mniej (Complacency) i nawet jako ekspert zbyt szybko przyjmuje sugestie (Automation Bias). Trening temu nie zapobiega (Parasuraman i Manzey 2010, praca przeglądowa).
Moja interpretacja: kto prowadzi 5 przebiegów, przełącza się między 5 zadaniami i przy tym stale sprawdza cudze wyniki. Jedno i drugie razem pasuje do tego, co opisują badanie i te prace. Dla pracy z AI nie jest to udowodnione. Badania laboratoryjne i biurowe pochodzą z czasów sprzed agentów AI, a badania nad przerwaniami mają małe próby.
Druga strona: oddanie rutyny odciąża
To samo badanie ma drugi przekaz, który łatwo ginie obok liczb o obciążeniu. Pracownicy, którzy dzięki AI mieli mniej pracy rutynowej, podawali o 15 % niższe wskaźniki wypalenia. Wartości umysłowego zmęczenia nie były niższe. Znów jest to zależność z samooceny, ale przemawia przeciwko traktowaniu używania AI zbiorczo jako obciążenia. Z mniejszym zmęczeniem wiązało się też to, że kierownictwo odpowiadało na pytania o AI (o 15 % mniej) i że pracownicy mieli wrażenie, że firma, w której pracują, ceni równowagę między pracą a życiem (o 28 % mniej).
Badanie terenowe wskazuje ten sam kierunek. Brynjolfsson, Li i Raymond przeanalizowali w „Generative AI at Work” (wydane w 2025) dane 5 172 pracowników wsparcia, u których w latach 2020 i 2021 etapami wprowadzono asystenta AI. Średnio rozwiązywali o 15 % więcej spraw na godzinę. Mniej doświadczeni i mniej wykwalifikowani zyskali więcej, a u najbardziej doświadczonych wzrost tempa i spadek jakości były niewielkie. Samopoczucia pracowników nie mierzono bezpośrednio, a wsparcie z asystentem z 2020 roku to coś innego niż prowadzenie kilku agentów.
Obciążenie i odciążenie stoją w danych obok siebie. Moja interpretacja: liczy się to, ile nadzoru mieści się w Twoich możliwościach. Nie wynika z tego, że potrzeba mniej AI.
Rytm pracy: start, skupienie, zbiory
Od tego miejsca opisuję swój sposób pracy. To doświadczenie jednego solo-przedsiębiorcy, a nie sprawdzona metoda. Tam, gdzie dla danego elementu istnieją dowody z innych dziedzin, jest to zaznaczone. Czy te elementy działają tak samo przy nadzorze nad AI, pozostaje otwarte.
Podstawowa idea: ograniczam punkty styku z AI i zostawiam otwarty czas trwania przebiegów. Mogą trwać długo, o ile zaglądam do nich tylko o stałych porach. Z tego powstają 3 bloki:
| Blok | Co się dzieje | Czas trwania |
|---|---|---|
| Start | Wysyłać wszystkie zlecenia po kolei, każde z jasnym wynikiem | 15 do 30 min |
| Skupienie | Własne zadanie, które mogę rozwiązać tylko ja. Bez czytania wyników, bez podglądania przebiegów | 90 do 120 min |
| Zbiory | Sprawdzić wyniki, zaakceptować, uruchomić poprawki jako nowe zlecenia (to jednocześnie następny start) | 30 do 45 min |
Start: zlecenia tego samego rodzaju jako partia
Na starcie liczy się czyste zlecenie. Zadania tego samego rodzaju wysyłam jako partię, 5 do 6 równolegle. To, co nie mieści się w partii, czeka na następny start. Przygotowanie i wskazówki obniżają koszty przełączania (Rubinstein, Monsell). Dlatego warto w zleceniu dodać zdanie o tym, po czym poznasz gotowy wynik i co z nim zamierzasz zrobić. To przeniesienie z laboratorium.
Skupienie: powiadomienia czytać dopiero w czasie zbiorów
W bloku skupienia nie czytam wyników i nie zaglądam do przebiegów. Powiadomienia mogą przychodzić, ale czytam je dopiero w czasie zbiorów. To mniej niż grupowanie: nadal przychodzą pojedynczo, ja tylko je zostawiam.
Do grupowania służy eksperyment terenowy na smartfonie. Fitz i współpracownicy (2019) sprawili, że 237 osób dostawało powiadomienia jak dotychczas, grupowane 3 razy dziennie albo wcale. Grupa z powiadomieniami grupowanymi zgłaszała więcej uwagi, lepszy nastrój i mniej stresu. Grupa całkiem bez powiadomień miała niewiele korzyści, za to więcej lęku i obawy, że coś przegapi. Grupowanie było więc lepsze niż wyłączenie. Kto chce w ten sposób wesprzeć blok skupienia, każe dostarczać powiadomienia zbiorczo. Czy samo zostawienie powiadomień bez reakcji daje to samo, badanie nie pokazuje. Ustawienia dla iPhone i Pixel znajdziesz we wpisie o ciągłej dostępności.
Zbiory: sprawdzić, zaakceptować, zanotować zmiany
W czasie zbiorów sprawdzam wyniki jeden po drugim, akceptuję i wysyłam poprawki jako nowe zlecenia. Jednocześnie zaczyna się następny start. Kto przechodzi między 2 wynikami albo z powrotem do własnego zadania, może w 1 zdaniu zanotować, gdzie i jak będzie kontynuować. Masicampo i Baumeister pokazali w 2011 roku w eksperymentach laboratoryjnych, że konkretny plan, kiedy i jak cel zostanie zrealizowany, kończy zakłócający wpływ niezrealizowanego celu. Czy dotyczy to porzuconych wyników AI, nie znalazłem badania.
Po zbiorze i nowym starcie, zanim zacznie się kolejny blok skupienia, pomaga prawdziwa przerwa. Metaanaliza (22 próby, 2 335 osób) wykazała, że mikroprzerwy zwiększają witalność i zmniejszają zmęczenie, oba w niewielkim stopniu (Albulescu i in. 2022). Dla wydajności przy wymagającej pracy efekt nie jest potwierdzony, rekomendacja opiera się na dobrostanie.
Tyle przebiegów, ile możesz sprawdzić
Wąskim gardłem jest sprawdzanie, a nie uruchamianie. Dzień jest pełny, gdy zbiory nie mieszczą się już w czasie pracy. Zgadza się to z relacjami z doświadczeń. Addy Osmani wiąże liczbę agentów ze swoim tempem przeglądu i pisze, że dla większości jest to niska liczba jednocyfrowa (The Orchestration Tax, 2026). Simon Willison według własnych słów potrafi skupić się naraz tylko na sprawdzeniu i przyjęciu jednej większej zmiany (2025).
Próg z badania HBR przy 3 narzędziach nie nadaje się jako miara dla przebiegów, bo niejasne jest, co liczono. Jako test wystarczy prosta zasada: uruchamiaj tylko tyle przebiegów, ile dokładnie sprawdzisz w następnym bloku zbiorów. Po tygodniu zobacz, ile wyników zostało nieprzejrzanych.
Granice stanu badań
Badanie Brain Fry opiera się na samoocenie i przekroju w jednym punkcie czasu, pochodzi z USA i z dużych firm, a ukazało się w magazynie o zarządzaniu bez recenzji. Pytanie o Brain Fry to pojedyncza pozycja tak-nie ze słowem „kiedykolwiek”, a nie sprawdzony kwestionariusz. Te 33 % więcej zmęczenia decyzyjnego to wartość skali. Mechanizmu, który za tym stoi (ego depletion), nie udało się wiarygodnie potwierdzić w 2 dużych badaniach replikacyjnych (Hagger i in. 2016, Vohs i in. 2021).
W przypadku środków zaradczych wygląda to skromniej. Fitz, Masicampo i Albulescu badali smartfony, zadania laboratoryjne i przerwy, a nie nadzór nad AI. O jednoosobowych firmach z kilkoma agentami nie znalazłem badania. Moje doświadczenie to pojedynczy punkt danych. Kto prowadzi podobne przebiegi, może przetestować ten rytm jako hipotezę i zmierzyć go na własnych zbiorach.
Jak na co dzień prowadzę przebiegi AI i co przy tym idzie źle, pokazuję w newsletterze AI Sync, który ukazuje się w każdą niedzielę.
Wszystko na tej stronie można wdrożyć beze mnie. Nowe narzędzia i zmiany dopisuję tutaj, a co niedzielę jest o tym wskazówka w newsletterze.
Do AI SyncKonfiguruję z tobą procesy AI, które dostarczają wyniki zbiorczo o stałych porach do akceptacji, i ustalam z tobą, kto co sprawdza. Na miejscu od Eisenstadt po Mattersburg i Wiener Neustadt, online w całym obszarze niemieckojęzycznym.
Więcej na ten tematNajczęstsze pytania
Czym jest AI Brain Fry?
AI Brain Fry to pojęcie z badania HBR autorstwa badaczy z firmy doradczej BCG (5 marca 2026). Chodzi o umysłowe zmęczenie spowodowane nadmiernym używaniem narzędzi AI lub nadzorem nad nimi ponad własne możliwości. Pojęcie to nie jest diagnozą medyczną. Badanie opiera się na samoocenie 1 488 pracowników dużych amerykańskich firm.
Jak często występuje AI Brain Fry?
W badaniu 14 % użytkowników AI odpowiedziało twierdząco na pytanie, czy już to przeżyli. Dotyczy to użytkowników AI w dużych firmach w USA, a pytano o „kiedykolwiek doświadczone”. W zależności od funkcji wartość bardzo się różniła: 26 % pracowników w funkcjach marketingowych, 6 % w funkcjach prawnych. Dla jednoosobowych firm ani MŚP w Austrii nie znam żadnej liczby.
Czy AI Brain Fry to to samo co wypalenie?
Nie. Autorzy opisują wypalenie jako przewlekły stres w pracy z emocjonalnym wyczerpaniem, a Brain Fry jako ostre przeciążenie uwagi i pamięci roboczej. W badaniu mniej rutynowej pracy dzięki AI wiązało się z 15 % niższymi wartościami wypalenia, a wartości zmęczenia umysłowego nie były niższe. Media mimo to często piszą o „wypaleniu przez AI”.
Ile narzędzi lub agentów AI jednocześnie to za dużo?
Stałej liczby nie znalazłem w żadnym badaniu. W badaniu postrzegana produktywność wyraźnie wzrosła przy przejściu z 1 do 2 jednocześnie używanych narzędzi, potem słabiej, a od czwartego lekko spadała. Nie jest jasne, co dokładnie liczono. Programista Addy Osmani wiąże liczbę agentów ze swoją zdolnością do sprawdzania i dla większości podaje niską liczbę jednocyfrową. To wartość z doświadczenia.
Co pomaga na AI Brain Fry?
Na nadzór nad AI nie ma sprawdzonego środka. Z innych dziedzin są wskazówki dotyczące powiadomień w paczkach, 3 razy dziennie (Fitz i in. 2019, 237 osób), konkretnego planu dla niezałatwionych spraw (Masicampo i Baumeister 2011) i krótkich przerw na zmęczenie (Albulescu i in. 2022). Samo badanie wymienia oddanie rutyny i wyznaczenie granic nadzoru. Czy to działa przy nadzorze nad AI, pozostaje otwarte.
Czy AI męczy, czy odciąża?
Jedno i drugie widać w danych. Wysoki zamiast niskiego nadzoru nad AI wiązał się z 12 % większym zmęczeniem psychicznym (różnica względna w samoocenie). Mniej pracy rutynowej wiązało się z 15 % niższymi wynikami wypalenia. W badaniu terenowym z udziałem 5 172 pracowników wsparcia ci z asystentem AI rozwiązywali średnio o 15 % więcej spraw na godzinę (Brynjolfsson i in. 2025).
Zmiany w tym wpisie
- 10 listopada 2026Pierwsza wersja.
