Un profesionist cu douăzeci de ani de experiență termină o analiză importantă. Cunoaște domeniul, a mai întâlnit situații asemănătoare, a verificat cifrele și este aproape sigur că rezultatul este corect. Înainte să trimită documentul mai face însă ceva: îl introduce într-un sistem de inteligență artificială și scrie „Verifică analiza. Vezi vreo problemă în raționamentul meu?”. AI parcurge textul, face câteva observații și confirmă concluzia.

Nu pare să fie nimic greșit aici. Dimpotrivă, avem în față comportamentul unui profesionist prudent, iar încă o verificare nu strică. A doua zi procedează la fel. Peste o săptămână, la fel. După un an, verificarea cu AI a devenit parte din rutina lui profesională.

Merită totuși să împingem scenariul câțiva ani mai departe. Ce se întâmplă dacă același om ajunge să nu mai fie confortabil să trimită analiza sau rezultatele muncii sale înainte ca AI să o confirme? Nu și-a uitat meseria și nu și-a pierdut experiența; poate chiar a rezolvat problema perfect. Doar că între timp s-a schimbat ceva mult mai subtil: știe, dar nu mai este la fel de sigur că știe.

Cred că aici se află una dintre problemele mai puțin discutate ale adoptării inteligenței artificiale în organizații. Nu este clasica întrebare despre câte locuri de muncă va elimina AI, nici discuția simplistă dacă AI „ne face mai proști”, și nici măcar problema deja cunoscută a pierderii unor competențe prin neutilizare. Este posibil să existe o transformare mai fină: AI să preia nu doar o parte din munca noastră intelectuală, ci și o parte din mecanismele prin care ne evaluăm propria gândire.

În acel moment, AI începe să funcționeze ca ceea ce voi numi aici o Metacognitive Prosthesis,  o proteză a metacogniției.

Termenul nu este un construct consacrat și îl folosesc cu o licență asumată. Rădăcina lui, cognitive prosthesis, există de decenii în psihologia asistivă și descrie instrumente care compensează o funcție cognitivă pierdută. Fenomenul pe care îl tratez în acest articol are, la rândul lui, nume apropiate în literatura recentă: metacognitive laziness (Fan et al., 2025) sau cognitive crutch (Barcaui, 2025). Ce încerc să adaug prin deplasarea accentului pe proteză este o nuanță de mecanism. În sens strict, o proteză înlocuiește o funcție deja pierdută, iar aici vorbim despre ceva care sprijină o funcție încă sănătoasă. Exact aceasta este însă ideea: proteza pe care începi să o folosești pentru un membru sănătos ajunge, după suficient timp, să fie necesară.

De la externalizarea muncii la externalizarea certitudinii

Oamenii și-au externalizat dintotdeauna o parte din activitatea cognitivă. Scrisul ne permite să nu ținem totul minte, calculatorul face operații pe care altfel le-am executa mental, agenda ține minte întâlnirile, GPS-ul păstrează traseul. Psihologia folosește termenul cognitive offloading pentru asemenea situații: folosim acțiuni și instrumente externe pentru a reduce cerințele cognitive interne. Cercetarea arată, în plus, că decizia de a externaliza depinde inclusiv de evaluările pe care le facem asupra propriilor capacități mentale.

Nu există nimic intrinsec negativ în asta. O bună parte din progresul uman a fost posibilă tocmai pentru că am construit instrumente care ne eliberează resursele cognitive.

Dar AI schimbă natura a ceea ce poate fi externalizat. Calculatorului îi spunem „calculează”. GPS-ului, „găsește drumul”. AI-ului îi putem spune „analizează problema”, „construiește alternativele”, „spune-mi ce argumente îmi scapă”, „alege varianta cea mai bună”, „verifică dacă am dreptate”, „tu ce ai face?”.

Ultimele întrebări sunt de alt ordin. Nu mai transferăm doar execuția, ci o parte din evaluarea execuției. Iar aici trecem de la cogniție la metacogniție. Cogniția răspunde, simplificat, la întrebarea „pot să rezolv această problemă?”. Metacogniția răspunde la alta: „cât de sigur sunt că am rezolvat-o corect?”.

Pentru un profesionist experimentat, diferența este enormă. Un profesionist cu experiență, sau senior cum este numit în descrierea multor joburi, nu este valoros doar pentru că deține mai multe informații decât un junior, ci și pentru că, după ani de experiență, și-a calibrat relația cu propriile răspunsuri. Știe când poate decide și când trebuie să verifice. Știe când ceva este posibil matematic, dar absurd economic. Știe când o soluție este formal impecabilă, dar ceva „nu miroase bine”. Și știe când trebuie să spună: „nu știu suficient”.

O parte importantă din expertiză nu constă în a cunoaște răspunsul, ci în a ști câtă încredere să ai în răspunsul tău. Ce se întâmplă dacă externalizăm și această funcție?

Obiecția care merită luată în serios

Înainte de a merge mai departe, trebuie să recunosc argumentul contrar, pentru că este solid.

Premisa implicită de până acum a fost că profesionistul experimentat are o calibrare metacognitivă bună, pe care AI o erodează. Literatura nu susține chiar atât de generos această premisă. Cercetarea asupra supraîncrederii (în engleză overconfidence effect) arată că experții sunt frecvent prost calibrați, iar Paul Meehl demonstra încă din 1954 că judecata clinică pierde în fața unor reguli statistice simple, rezultat confirmat de meta-analiza lui Grove și colegilor (2000) pe 136 de studii, inclusiv în situațiile în care expertului i se arată predicția statistică și i se dă dreptul să o corecteze. Dacă punctul de plecare este o calibrare mediocră, atunci validarea externă permanentă ar putea îmbunătăți calitatea agregată a deciziilor, chiar dacă reduce sentimentul de autonomie. Obiecția este reală și nu poate fi ocolită.

Ea nu anulează însă argumentul, ci îl obligă să fie mai precis. Problema pe care o descriu nu este pierderea unei calibrări bune. Este pierderea capacității de recalibrare. O încredere imperfectă, dar care se corectează prin confruntare repetată cu realitatea, este cu totul altceva decât o încredere împrumutată permanent din exterior. Prima poate deveni mai bună în timp; a doua nu are cum, pentru că nu mai există un mecanism intern care să învețe ceva.

Aici intervine și o nuanță de context. Ciclul prin care se construiește calibrarea: „am fost sigur și am avut dreptate”, „am fost sigur și am greșit”, „m-am îndoit pe bună dreptate”, „m-am îndoit inutil”, funcționează doar acolo unde feedback-ul este rapid și lipsit de ambiguitate. Robin Hogarth distinge între medii de învățare „blânde” și medii „perfide”: în primele, realitatea te corectează prompt; în celelalte, feedback-ul vine târziu, este zgomotos, iar rezultatul e supradeterminat de factori pe care nu îi controlezi.

Un radiolog sau un programator lucrează, de regulă, într-un mediu relativ blând. Un manager, un strateg sau un avocat, mult mai rar. Consecința este că riscul metacognitiv nu este distribuit uniform: el este cel mai mare exact în profesiile în care nici înainte nu exista un mecanism robust de corecție, adică acolo unde autoritatea AI se poate instala fără să întâlnească vreo rezistență empirică.

Cinci configurații ale relației cu AI

Ce urmează nu este o scară pe care fiecare profesionist o urcă o singură dată și în aceeași direcție. Este mai degrabă un set de configurații care pot coexista: același om poate fi în prima situație pentru deciziile din domeniul lui de forță și în a patra pentru un tip de sarcină pe care nu l-a stăpânit niciodată complet. Tocmai această variație pe tipuri de sarcini face fenomenul greu de observat din exterior.

1. Augmentarea

„AI mă ajută să lucrez mai bine.”

Profesionistul formulează problema, își construiește analiza și folosește AI pentru documentare, explorarea alternativelor sau contestarea propriilor concluzii. Controlul intelectual rămâne la om, iar AI mărește spațiul în care acesta poate gândi. Un avocat poate căuta mai multe perspective, un analist poate testa mai multe scenarii, un manager își poate ataca propria strategie, un inginer poate explora variante pe care timpul nu i le-ar fi permis. AI nu înlocuiește gândirea; o extinde.

2. Verificarea

„Am rezolvat problema. Hai să văd și ce spune AI.”

Nici aici nu este nimic problematic în sine: a cere a doua opinie este o practică profesională sănătoasă. Numai că AI introduce ceva fără precedent: o a doua opinie aproape instantanee, ieftină și disponibilă permanent. Un coleg bun nu poate fi întrebat de optzeci de ori pe zi. AI poate. O verificare rezervată înainte situațiilor importante devine astfel parte din fiecare microdecizie.

Există și o complicație pe care merită să o spunem deschis. Sistemele actuale au o tendință documentată de a se alinia la cadrul propus de utilizator; în literatura tehnică i se spune sycophancy, iar Sharma și colegii (2023) au arătat că este un efect secundar al modului în care aceste modele sunt antrenate pe baza preferințelor umane. Cu alte cuvinte, în scenariul de la începutul textului există riscul ca profesionistul să își externalizeze certitudinea către un sistem parțial optimizat să fie de acord cu el. Confirmarea primită nu este întotdeauna o informație nouă. Uneori este propria ipoteză, întoarsă cu o formulare mai sigură decât a lui.

3. Ritualizarea

„Întotdeauna verific și cu AI.”

Aici verificarea încetează să mai fie o decizie și devine un reflex. Înainte, profesionistul decidea când incertitudinea proprie justifică o verificare externă; acum verificarea are loc indiferent dacă incertitudinea este mare sau aproape inexistentă. Nu mai verifică pentru că nu este sigur, ci pentru că așa se încheie sarcina.

Mecanismul de fond este mai interesant decât pare. Ca să ceri o a doua opinie de la un coleg, trebuia mai întâi să decizi că îndoiala ta merită timpul lui. Decizia aceea era ea însăși actul metacognitiv, iar când nu mai trebuie luată, dispare odată cu ea. Nu ritualul verificării erodează calibrarea, ci dispariția deciziei de a verifica.

4. Dependența metacognitivă

„Cred că este corect, dar nu sunt confortabil până nu confirmă și AI.”

Aceasta mi se pare granița importantă: omul poate continua să dețină competența, dar începe să aibă nevoie de sistem pentru a avea încredere în ea.

Un studiu publicat în 2026 în Scientific Reports oferă un semnal relevant. Într-un experiment preînregistrat cu 269 de participanți, completat de un sondaj de confirmare pe 270 de persoane, utilizarea pasivă a AI, reprezentată de preluarea directă a conținutului generat, a redus self-efficacy, sentimentul de ownership asupra rezultatului și sensul perceput al muncii. O parte dintre efecte au persistat și după ce participanții au revenit la lucru fără AI. În schimb, cei care își făceau întâi propriul draft și foloseau apoi AI pentru rafinare au avut rezultate psihologice apropiate de ale celor care lucraseră independent.

Diferența este esențială: nu simpla utilizare a AI contează, ci arhitectura relației dintre om și AI.

5. Inversarea autorității epistemice

Expertul ajunge la concluzia X. AI ajunge la concluzia Y. La începutul relației, profesionistul spune: „interesant, hai să verific de ce modelul a ajuns la Y”. El verifică AI. După ani de utilizare, prima reacție ar putea deveni: „probabil mie îmi scapă ceva”.

Trebuie să recunosc faptul că aici părăsesc terenul dovezilor, tenta articolului mergând spre zona de anticipare a unui comportament viitor. Nu există studii longitudinale care să arate acest traseu la profesioniști, iar ce urmează este o ipoteză, nu o constatare. Ce știm este mult mai puțin și vine din laborator: un experiment distins cu Honorable Mention la CHI 2025 a arătat că încrederea oamenilor în propriile răspunsuri tinde să se alinieze la nivelul de încredere exprimat de AI și că efectul persistă, atenuat, chiar după retragerea sistemului; feedback-ul obiectiv privind corectitudinea îl reduce. Distanța dintre acest rezultat și un profesionist senior aflat în al șaptelea an de utilizare zilnică este considerabilă, iar cine o parcurge o face pe propria răspundere argumentativă. Merită totuși parcursă măcar ca întrebare: dacă relația se repetă de mii de ori, cine îl validează, în cele din urmă, pe cine?

Aș numi capătul acestui traseu, dacă el chiar există, inversarea autorității epistemice: expertul nu mai verifică AI, ci începe să fie verificat de el. Filosofia cunoașterii discută deja fenomenul, sub denumiri precum artificial epistemic authorities (Hauswald, 2025) sau deferență epistemică față de AI (Lange, 2025), iar în medicină s-a argumentat explicit că, dacă sistemul e mai precis, clinicianul ar avea obligația să se alinieze la el. Ceea ce mă interesează aici nu este însă dacă deferența e justificată în principiu, ci ce se întâmplă cu omul care o practică zilnic, ani la rând.

Nu e nevoie ca scenariul să se realizeze integral pentru ca observația să conteze. Chiar și o deplasare parțială face ca trecerea din decident în validator să fie mai puțin liniștitoare decât sună, pentru că rolul de validator pare responsabil, dar este instabil prin construcție: un validator care nu mai poate să nu fie de acord nu este validator, este ștampilă. Iar dacă lucrurile chiar merg în această direcție, paradoxul este că profesionistul nu și-a pierdut neapărat competența ci și-a modificat relația cu ea.

Mai performant și mai puțin autonom

Poate cea mai importantă idee pentru mulți manageri ai companiilor actuale este că un profesionist poate deveni simultan mai performant și mai puțin autonom. Nu există nicio contradicție aici. Cu AI poate analiza de trei ori mai multe documente, genera mai multe scenarii, scrie și programa mai repede, procesa cantități mai mari de informație. Câștigurile pentru companie/instituție sunt reale. Dar performanța sistemului om + AI nu este identică cu evoluția capacității omului.

Un studiu prezentat tot la CHI 2025, realizat pe 319 knowledge workers care au descris 936 de situații reale de utilizare a GenAI, a găsit că o încredere mai mare în AI era asociată cu mai puțin efort de gândire critică raportat, în timp ce o încredere mai mare în propriile capacități era asociată cu mai multă gândire critică. Cercetătorii au observat și o mutare a gândirii dinspre producerea efectivă a rezultatului către verificarea informației, integrarea răspunsurilor și supravegherea sarcinii. Studiul este observațional și bazat pe auto-raportare, deci nu demonstrează o degradare cognitivă, dar schimbarea de rol este relevantă: de la creator la supervizor; de la decident la validator. Și aceasta este exact schimbarea pe care strategiile de productivitate o pot interpreta greșit drept progres pur.

Calibrarea care se câștigă, nu doar cea care se pierde

Argumentul de până acum are un punct slab pe care ar fi necinstit să îl las neatins: presupune că socoteala se face într-o singură direcție. Or, cine lucrează zilnic cu AI dobândește un tip de calibrare pe care nu îl avea înainte. Învață unde greșește sistemul și unde e solid. Ajunge să simtă când un răspuns e fluent, dar gol. Știe la ce tipuri de sarcină să nu se ducă deloc, recunoaște tiparul unei halucinații plauzibile, prinde momentul în care modelul îi confirmă prea repede propria ipoteză. Este o competență metacognitivă reală, doar că îndreptată spre altceva: nu spre propriile răspunsuri, ci spre răspunsurile sistemului. Un profesionist bun în 2026 nu e cel care nu folosește AI, ci cel care știe exact cât să se bazeze pe el.

Această contra-mișcare există și ea contrazice o versiune tare a tezei mele. Nu am însă motive să cred că o anulează, din trei motive.

• Cele două calibrări nu se substituie. A ști unde greșește modelul nu îți spune unde greșești tu. Sunt obiecte diferite de evaluat, iar competența la unul nu se transferă automat la celălalt, chiar dacă se spune că mașinile învață mai repede de la oameni decât noi de la ele.
• Calibrarea față de sistem se învață mai repede, dar și expiră mai repede. Ea e legată de o generație de modele; se reînvață la fiecare versiune. Calibrarea față de propria judecată se construiește în ani și, odată pierdută, nu se recuperează cu un changelog.
• Ea funcționează bine tocmai acolo unde ai și un etalon independent. Ca să știi că sistemul a greșit, de obicei trebuie să poți evalua tu răspunsul, adică exact capacitatea despre care discutăm. Cu cât se erodează mai mult, cu atât devine mai fragilă și competența de a supraveghea modelul.

Concluzia rezonabilă nu este că nu câștigăm nimic. Este că cele două nu se compensează automat, iar organizațiile tind să o măsoare pe cea care se vede. Un angajat care a devenit foarte bun la folosirea AI apare imediat în rezultate. Unul care a încetat să își mai testeze propria judecată nu apare nicăieri.

Expertiza nu este o bază de date

Dacă expertiza ar fi doar informație, bazele de date ar fi fost experți cu mult înainte de apariția GPT-urilor. Expertiza înseamnă recunoaștere de tipare, context, excepții, cunoaștere tacită și experiență acumulată. Directorul financiar care privește o cifră perfect posibilă matematic și spune „nu are sens economic”. Medicul care vede diagnosticul statistic cel mai probabil și spune „pacientul acesta nu se potrivește”. Avocatul care citește o clauză aparent impecabilă și simte că formularea va crea probleme. Managerul care primește o strategie foarte bine argumentată și spune „pe hârtie funcționează, în organizația aceasta nu”.

Această judecată este rezultatul expunerii repetate la realitate. Iar literatura despre automatizare ne avertizează de peste patru decenii. În 1983, Lisanne Bainbridge publica un text scurt, „Ironies of Automation”, a cărui observație centrală nu a fost contrazisă de atunci: automatizarea îi lasă operatorului uman exact sarcinile pe care sistemul nu le poate face: cele mai rare și mai grele, după ce i-a retras practica de rutină prin care rămânea competent la ele. În 1995, Mica Endsley și Esin Kiris descriau out-of-the-loop performance problem: când automatizarea mută omul din rolul de participant activ în cel de supraveghetor, scad situation awareness și capacitatea de a prelua eficient controlul în caz de defecțiune. Cercetările ulterioare asupra automation bias și automation complacency au arătat că asemenea efecte nu sunt rezervate novicilor ci apar adesea și la experți.

AI mută ironia lui Bainbridge din cockpit și din camera de control în aproape toate profesiile cognitive.

Cu cât AI devine mai bun la problemele obișnuite, cu atât omul va fi chemat mai ales pentru problemele extraordinare, dar problemele obișnuite sunt tocmai terenul pe care și-a construit reflexele pentru cele extraordinare.

Îi cerem omului să rămână excelent în excepții după ce l-am scos treptat din normalitate.

Juniorul care livrează, dar nu se formează

Până aici am vorbit mai ales despre profesioniști experimentați. Există însă și cealaltă jumătate a problemei. Seniorul poate ajunge să practice mai puțin. Juniorul poate ajunge să nu practice suficient niciodată. În mod tradițional, formarea profesională conține o buclă lentă, neplăcută și costisitoare: încerci, greșești, primești feedback, corectezi, înțelegi, repeți. AI poate transforma foarte ușor acest proces în: întrebi, primești, adaptezi, livrezi. Output-ul poate fi superior dar Învățarea nu este.

Un experiment de teren publicat în PNAS în 2025, cu aproape o mie de elevi de liceu, ilustrează bine distincția. Accesul la o interfață GPT standard a îmbunătățit puternic performanța cât timp instrumentul era disponibil, aproximativ 48% peste grupul de control, dar la testarea ulterioară, fără AI, aceiași elevi au obținut rezultate cu 17% mai slabe decât cei care nu avuseseră niciodată acces. Când AI a fost configurat ca tutore, cu mecanisme care ofereau indicii în loc de răspunsuri, efectul negativ a fost în mare măsură eliminat. (Ca o paranteză, acest articol a pornit de la un interviu pe baza acestui experiment prezentat de jurnalistul Vitalie Cojocari pe o platformă de social media și observațiilor personale în lucrul cu studenții sau proprie cu instrumentele AI).

Detaliul cel mai relevant pentru discuția de față este însă altul și trece deseori neobservat: elevii care se sprijiniseră pe instrument își supraestimau propriile competențe. Nu au pierdut doar cunoștințe, ci și acuratețea imaginii despre cât știu, exact mecanismul metacognitiv despre care vorbim aici, măsurat experimental.

AI poate accelera producția de răspunsuri fără să accelereze în aceeași măsură producția de competență.

În context, juniorii nu devin seniori pentru că trec zece ani în calendar, ci pentru că acumulează probleme, fac analize mediocre, scriu primul cod prost, interpretează greșit date, pierd un client, supraestimează o oportunitate. Primesc feedback, repară, învață excepțiile și construiesc, încet, ceea ce peste ani vom numi „experiență”. Multe dintre aceste sarcini sunt tocmai primele pe care organizațiile sunt tentate să le automatizeze.

Poți elimina juniorul și, fără să observi, mecanismul care produce seniorul

Din perspectivă financiară, strategia este tentantă. Dacă un senior cu AI produce cât produceau înainte trei oameni, de ce să mai angajăm trei? Dacă activitățile unui junior sunt ușor de automatizat, de ce să mai plătim pentru ele? Pe termen scurt, răspunsul poate fi impecabil.

Dar există o diferență între rolul economic al unei sarcini și rolul ei formativ. Unele activități au două produse: primul este rezultatul muncii, al doilea este omul care se formează făcând acea muncă. AI poate elimina costul primului și, fără ca acest lucru să apară vreodată în analiza financiară, poate elimina și al doilea produs. Seniorul din 2035 este, de cele mai multe ori, juniorul din 2026. Dacă tăiem prima treaptă a scării, nu ar trebui să ne mire peste zece ani că avem mai puțini oameni pe ultima.

Aici cele două procese se întâlnesc. De jos în sus, organizația formează mai puțini experți. De sus în jos, experții existenți devin mai dependenți de AI pentru validare. Problema nu mai este una de headcount, ci de regenerare a judecății profesionale.

Capability debt

În primii ani, compania poate arăta extraordinar. Productivitatea crește, costul unitar scade, timpul de execuție se reduce, revenue per employee crește, pentru același output sunt necesari mai puțini oameni. Toate acestea sunt rezultate reale și perfect măsurabile. Există însă un al doilea set de indicatori pe care foarte puține dashboard-uri îi urmăresc: câți angajați pot reproduce independent ceea ce livrează cu AI, câți pot explica de ce răspunsul este corect, cât de bine își calibrează certitudinea fără confirmare externă, câți pot contrazice sistemul, câte probleme rezolvă juniorii înainte de a vedea soluția.

Acumularea acestor pierderi a început să primească nume în ultimul an. Un studiu MIT din 2025 a introdus termenul cognitive debt pentru efectul individual: participanții care scriseseră cu ChatGPT au rămas cu o activitate cerebrală redusă și după ce instrumentul le-a fost retras. Iar un preprint recent al lui Wolfgang Rohde vorbește despre capability debt pentru versiunea organizațională a aceluiași proces. Voi folosi al doilea termen, cu o precizare: ceea ce mă interesează nu este eroziunea competenței de execuție, deja bine documentată, ci eroziunea judecății, în mod specific, a capacității de a evalua, contrazice și asuma rezultatul. Compania consumă capitalul de competență acumulat ieri pentru a produce mai mult astăzi, fără să investească suficient în capacitatea de care va avea nevoie mâine.

Partea cu adevărat incomodă este că nu vorbim despre o simplă scăpare de atenție managerială, ci despre o structură de stimulente. Pentru profesionistul individual, validarea cu AI este perfect rațională: reduce riscul personal, crește viteza și nu are niciun cost imediat. Costul apare la nivelul organizației peste câțiva ani și la nivelul profesiei peste un deceniu. Nimeni nu are un stimulent individual să își conserve propria calibrare. Ceea ce înseamnă, practic, că problema nu se rezolvă prin conștientizare, ci prin design instituțional, la fel ca orice altă externalitate în sensul unui efect secundar care vine cu un cost ascuns.

Și, asemenea lui technical debt, capability debt are o proprietate periculoasă:

Organizația poate părea mai eficientă exact în perioada în care începe să devină mai fragilă.

Productivitatea apare imediat în dashboard. Erodarea judecății apare mult mai târziu.

Consecința se vede și în alt plan: AI reduce spectaculos costul producerii de output intelectual, dar judecata nu se scalează în același ritm. Cineva tot trebuie să înțeleagă rezultatul, să îi vadă premisele, să observe contextul lipsă, să identifice excepția, să decidă ce ignorăm și să își asume consecința. Este posibil ca problema organizațiilor viitorului să nu fie lipsa analizelor, ci excesul lor; nu lipsa recomandărilor, ci lipsa oamenilor care știu care recomandare merită ignorată.

Competența rară s-ar putea să fie capacitatea de a spune „nu”

În următorii ani, capacitatea de a folosi AI va deveni probabil banală, așa cum utilizarea unui motor de căutare sau a unui spreadsheet nu mai reprezintă astăzi o diferențiere profesională. Competența rară poate deveni alta: să știi când AI greșește și, mai important, să ai suficientă încredere calibrată în propria judecată încât să acționezi în consecință.

Să presupunem că un sistem oferă 99 de recomandări corecte. La cazul 100, seniorul spune X, AI spune Y. Ce se întâmplă? Nu înseamnă că omul are automat dreptate. Dar compania trebuie să păstreze oameni capabili să spună: „înțeleg recomandarea sistemului, nu sunt de acord și pot demonstra de ce”.

Dacă această capacitate dispare, problema încetează să fie tehnologică. Devine una de guvernanță și încă una cu un aspect neplăcut. Madeleine Elish a descris fenomenul moral crumple zone: în sistemele automatizate complexe, operatorul uman ajunge să absoarbă responsabilitatea pentru rezultate pe care nu le mai controla efectiv. Un validator lipsit de autonomie reală este exact acest tip de zonă de deformare: suficient de prezent ca să răspundă, insuficient de autonom ca să prevină.

Arhitectura relației, nu volumul de utilizare

Concluzia nu este că trebuie să folosim mai puțin AI. Ar fi o interpretare greșită: AI poate crește productivitatea, poate democratiza accesul la expertiză, poate accelera învățarea, poate găsi erori și poate ajuta profesioniștii să gândească mai bine.

Problema este unde îl introducem în procesul de gândire. Există o diferență enormă între „rezolvă problema și spune-mi ce să fac” și „aceasta este analiza mea; atacă-mi argumentele, arată-mi ipotezele slabe, construiește cel mai bun contraargument”. În primul caz, AI poate substitui procesul de gândire. În al doilea, îl poate provoca. Dacă omul formulează problema, construiește prima ipoteză și își asumă o concluzie înainte de intervenția sistemului, AI devine un adversar intelectual extraordinar. Dacă sistemul formulează problema, soluția și criteriile de evaluare, iar omul doar aprobă rezultatul, avem o arhitectură complet diferită, iar substituția repetată suficient de mult poate deveni dependență. (Ca o paranteză, pentru secțiunea de obiecții de la începutul articolului, am sintetizat o listă de critici aduse de un instrument AI la ideile expuse în acest articol în formele lui incipiente).

De aici decurge și întrebarea strategică pe care o cred mai importantă decât „ce oameni putem înlocui?”: ce capacități umane trebuie să continuăm să exersăm chiar dacă AI le poate executa mai repede? Nu din nostalgie și nu pentru a conserva artificial locuri de muncă, ci pentru că o companie nu trebuie doar să producă rezultate, ci și să își regenereze capacitatea de a produce judecată. Poate deveni astfel rațional ca anumite sarcini să nu fie automatizate complet, deși tehnic pot fi: unele pentru formarea juniorilor, altele pentru menținerea competenței seniorilor, altele pur și simplu pentru ca organizația să știe că poate funcționa și atunci când AI nu știe.

Un indicator care se poate măsura

Întrebările de mai sus sună bine, dar majoritatea sunt greu de operaționalizat, iar un dashboard plin de întrebări retorice nu ajută pe nimeni luni dimineața. Există totuși una care se poate transforma într-un indicator real, cu costuri mici: rata de dezacord și acuratețea dezacordului.

Concret: în ce procent din cazuri profesionistul ajunge la o concluzie diferită de cea a sistemului și, atunci când se întâmplă, cine avea dreptate. Mecanismul nu e nou, cercetarea despre încrederea în automatizare măsoară de douăzeci de ani exact acest echilibru, sub numele de appropriate reliance (Lee & See, 2004). Noutatea ar fi doar să îl scoatem din laborator și să îl punem în dashboard-ul organizației, lângă productivitate. Ambele valori se pot înregistra fără instrumentar sofisticat, iar împreună spun mult mai mult decât oricare separat:

• O rată de dezacord care tinde spre zero este un semnal de alarmă chiar dacă rezultatele arată bine, înseamnă că nimeni nu mai testează sistemul.
• O rată mare, dar cu acuratețe slabă, spune altceva: oamenii contestă zgomotos și fără temei.
• Zona sănătoasă este un dezacord rar, dar disproporționat de corect atunci când apare.

Acela este semnul unei judecăți calibrate, iar evoluția lui în timp este probabil cel mai bun proxy pentru capability debt de care dispunem astăzi.

Un al doilea instrument, la fel de ieftin, este eșantionul de lucru fără AI: periodic, o sarcină reprezentativă rezolvată integral independent, nu ca test de performanță, ci ca măsurătoare a distanței dintre ce livrează organizația și ce poate ea reproduce singură.

Înapoi la profesionistul nostru

Să revenim la omul de la început. A terminat analiza, știe că este corectă, o introduce totuși în AI, iar sistemul confirmă. Nu este nimic problematic în această verificare.

Problema începe în ziua în care confirmarea nu mai este o informație suplimentară, ci devine condiția psihologică pentru ca expertul să aibă încredere în propria judecată. În acel moment, AI a încetat să mai fie doar un instrument pe care profesionistul îl folosește.

Poate că una dintre cele mai importante întrebări pentru companiile deceniului următor nu va fi „câtă muncă poate prelua inteligența artificială?”, ci „câtă judecată umană independentă vrem să mai existe după ce a preluat-o?” Pentru că o organizație poate deveni simultan mai rapidă, mai ieftină și mai productivă și, în același timp, mai dependentă, mai fragilă și mai puțin capabilă să își judece independent propriile rezultate.

Câștigul de productivitate apare astăzi. Pierderea autonomiei profesionale apare peste ani. Și este posibil ca, atunci când va deveni în sfârșit vizibilă în dashboard, datoria să fi fost deja acumulată.

Surse citate

Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775-779.

Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 12, 102287.

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122.

Elish, M. C. (2019). Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction. Engaging Science, Technology, and Society, 5, 40-60.

Endsley, M. R. & Kiris, E. O. (1995). The Out-of-the-Loop Performance Problem and Level of Control in Automation. Human Factors, 37(2), 381-394.

Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X. & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530.

Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E. & Nelson, C. (2000). Clinical versus mechanical prediction: A meta-analysis. Psychological Assessment, 12(1), 19-30.

Hauswald, R. (2025). Artificial Epistemic Authorities. Social Epistemology, 39(6), 716-725.

Hogarth, R. M. (2001). Educating Intuition. University of Chicago Press.

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I. & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872.

Lange, B. (2025). Epistemic Deference to AI. arXiv:2510.21043.

Lee, E. H., Yin, Y., Jia, N. & Wakslak, C. (2026). Relying on AI at work reduces self-efficacy, ownership, and meaning while active collaboration mitigates the effects. Scientific Reports, 16, 13583.

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R. & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ’25.

Lee, J. D. & See, K. A. (2004). Trust in Automation: Designing for Appropriate Reliance. Human Factors, 46(1), 50-80.

Li, J., Yang, Y., Liao, Q. V., Zhang, J. & Lee, Y.-C. (2025). As Confidence Aligns: Exploring the Effect of AI Confidence on Human Self-confidence in Human-AI Decision Making. CHI ’25 (Honorable Mention).

Meehl, P. E. (1954). Clinical versus Statistical Prediction. University of Minnesota Press.

Parasuraman, R. & Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation. Human Factors, 52(3), 381-410.

Risko, E. F. & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676-688.

Rohde, W. (2026). Short-Term Gain, Long-Term Fragility: AI Labor Substitution and the Erosion of Sustainable Capability. arXiv:2605.27399.

Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R. et al. (2023). Towards Understanding Sycophancy in Language Models. arXiv:2310.13548.