Dlaczego wsparcie uczelni i intuicyjność interfejsu AI są już ważniejsze od umiejętności w zakresie kariery absolwentów
Badanie opublikowane w pierwszej połowie 2026 roku ujawniło nieoczekiwany paradoks: w wyścigu o konkurencyjność absolwentów uczelnie powinny skupić się nie tyle na rozszerzaniu kursów sztucznej inteligencji, co na intuicyjności interfejsów i systemowym wsparciu ich wykorzystania. Autorzy z Prywatnego Uniwersytetu Stosowanego w Ammanie (Jordania) przeprowadzili modelowanie strukturalne na próbie 211 studentów, stosując metodę najmniejszych kwadratów częściowych (PLS-SEM) – technikę szczególnie odpowiednią do analizy złożonych modeli przy małej próbie.
Na pierwszy rzut oka wyniki przeczą wszystkiemu, czego nauczył nas klasyczny model akceptacji technologii (TAM): można by oczekiwać, że postrzegana użyteczność narzędzi będzie głównym motorem ich wdrażania. Rzeczywistość okazała się inna. Dwa czynniki – wsparcie instytucjonalne i łatwość korzystania z platform – statystycznie istotnie przewidywały przejście studentów od teorii do praktycznej pracy z aplikacjami AI. Co więcej, lepsze opanowanie podstaw AI wykazało nieoczekiwany negatywny wpływ: być może lepiej przygotowani studenci podchodzą do narzędzi bardziej krytycznie, lepiej widząc ich ograniczenia i ryzyka. Natomiast postrzegana użyteczność nie miała statystycznie istotnego wpływu – fakt, który jest dziwny, ale wymowny.
Łańcuch związków przyczynowo-skutkowych wygląda następująco: akceptacja narzędzi AI → rozwój kompetencji przyszłości (Future-Ready Skills) → wzrost potencjału zatrudnienia absolwentów (employability). Na każdym etapie związek ten został potwierdzony statystycznie. Co ciekawe, umiejętności „gotowości na przyszłość” pełnią rolę ogniwa pośredniczącego (mediatora) między wykorzystaniem AI a realnymi wynikami na rynku pracy – przekształcają umiejętności techniczne w konkurencyjność rynkową.
Metodologia badania – badanie przekrojowe z późniejszą analizą PLS-SEM – ma zarówno zalety, jak i ograniczenia. Zalety są oczywiste: mniejszy rozmiar próby jest łatwiejszy do przeniesienia w tym podejściu, złożone zmienne latentne są modelowane w sposób bardziej naturalny. Jednak wady są istotne. Brak danych longitudinalnych (długoterminowych) i grupy kontrolnej oznacza, że o związkach przyczynowo-skutkowych możemy mówić ostrożnie – są to korelacje wsparte logiką, ale nie eksperymentem. Ponadto autorzy nie ujawnili szczegółów podziału próby według specjalności, płci, poziomu wcześniejszego doświadczenia z AI – utrudnia to zrozumienie, w jakim stopniu wnioski można przenieść na inne konteksty, inne kraje, inne uczelnie.
Jednak najważniejsza jest zmiana paradygmatu. Dwie dekady badań nad klasycznymi TAM i UTAUT (Unified Theory of Acceptance and Use of Technology) ustaliły: postrzegana użyteczność i łatwość użycia są głównymi dźwigniami. W latach 2025–2026 ta hierarchia została przepisana. Użyteczność ustąpiła miejsca. Intuicyjność i wsparcie wyszły na pierwszy plan.
Jest to zgodne z innymi świeżymi badaniami: gdy pole narzędzi AI staje się dojrzałe i dostępne, logika utylitarna ustępuje miejsca pytaniu „Czy będę chciał tego używać?” Czynniki ludzkie – zaufanie, bezpieczeństwo psychologiczne, obecność instruktora lub środowiska wspierającego – zaczynają przeważać nad surową użytecznością.
W praktyce dla uczelni oznacza to rewolucję w strategii inwestycyjnej. Jeśli wcześniej słowo „cyfryzacja” oznaczało zakup oprogramowania i szkolenie z umiejętności, to teraz oznacza projektowanie doświadczeń, kultury, ekosystemu wokół narzędzi AI. Wygrywają uczelnie, które zapewniają swoim studentom intuicyjne platformy jednym kliknięciem, obecność mentorów, przykłady udanego zastosowania i psychologiczną pewność w użyciu. Te, które ograniczają się do wykładów o etyce AI lub ogólnej wiedzy, ryzykują pozostanie w tyle w zakresie rzeczywistego kształcenia kadr.
Kwestia negatywnego wpływu wysokich umiejętności wymaga dalszych badań. Możliwe jest kilka wyjaśnień: studenci z głęboką wiedzą mogą być bardziej sceptyczni, widząc pułapki; mogą preferować ręczną kontrolę nad automatyzacją; lub też początkowe umiejętności korelują z innymi zmiennymi (np. z perfekcjonizmem), które spowalniają akceptację. To otwiera drzwi dla kolejnej warstwy badań.
Badanie pozostawia nierozwiązane pytania dotyczące długoterminowego wpływu na jakość edukacji: czy korzystanie z AI faktycznie lepiej przygotowuje absolwentów, czy tylko tak się wydaje? Czy wygoda narzędzi AI nie prowadzi do powierzchownego uczenia się? Co dzieje się z nierównościami w dostępie – czy studenci uczelni o ograniczonych zasobach czerpią tę samą korzyść? Ryzyka etyczne – wykorzystanie danych studentów, stronniczość w modelach AI – również pozostają w cieniu. Niezależne replikacje na większych i bardziej zróżnicowanych próbach, interwencje eksperymentalne (gdy jeden wydział wdraża wsparcie, inny nie) i badania podłużne pomogą doprecyzować, na ile te wnioski są trwałe.
Wniosek jest oczywisty: uczelnie, które skupią się na tworzeniu wspierającego, intuicyjnego środowiska do pracy z AI, uzyskają znaczącą przewagę w przygotowywaniu konkurencyjnych i łatwo zatrudnialnych absolwentów. Inwestycje w doświadczenie użytkownika i wsparcie instytucjonalne zwracają się lepiej niż klasyczne programy szkoleniowe.
