Narzędzia oparte na dużych modelach językowych jako katalizatory poznania zbiorowego w zespołowej pracy nad nowymi produktami: badanie quasi-eksperymentalne

Dlaczego ma to znaczenie dla codziennej pracy zespołowej

Współczesne zespoły — od start-upów po grupy projektowe w szkołach — coraz częściej korzystają z chatbotów AI, by wspierać myślenie, planowanie i tworzenie. Tymczasem wciąż wiemy zaskakująco niewiele o tym, jak te narzędzia faktycznie zmieniają sposób współpracy ludzi. Badanie to przygląda się dokładnie, jak duże modele językowe (LLM), takie jak zaawansowane chatboty, kształtują myślenie grupowe podczas projektowania nowych produktów oraz gdzie ludzki osąd wciąż wyraźnie przewyższa AI.

Jak zespoły zwykle myślą razem

Gdy ludzie współpracują nad nowym produktem, robią więcej niż tylko dzielą zadania; stopniowo budują wspólne zrozumienie problemu i możliwych rozwiązań. Autorzy nazywają to „poznaniem zbiorowym” — sposobem, w jaki indywidualne pomysły i punkty widzenia scalają się w wspólny obraz mentalny. Wcześniejsze badania pokazały, że to wspólne myślenie rozwija się poprzez cykle zbierania informacji, omawiania ich, ważenia opcji i przyjmowania rozwiązań, lecz te cykle często opisywano ogólnie. Aby szczegółowo przebadać rzeczywiste rozmowy, badacze dopracowali starszy model do tego, co nazywają ramą 2I2A, która dzieli współpracę na cztery nakładające się obszary: identyfikowanie informacji i wskazówek, interakcję służącą organizacji pomysłów, analizę opcji i kompromisów oraz akomodację, czyli przekształcanie wglądów w wykonalne rozwiązania.

Bliższe spojrzenie na eksperyment

Zespół zrekrutował 44 zaawansowanych studentów projektowania i inżynierii i pogrupował ich w 22 pary. Każda para miała 90 minut na stworzenie innowacyjnego produktu dla dzieci, myśląc na głos. Połowa zespołów mogła swobodnie korzystać z LLM (ChatGPT‑4 lub podobnego systemu) na laptopie; druga połowa miała tylko papier i ołówki. Cała mówiona rozmowa została nagrana, a następnie starannie zakodowana linijka po linijce przy użyciu modelu 2I2A. Każde zdanie lub wymiana zostały oznaczone jako należące do jednego z czterech obszarów oraz do jednego z ośmiu bardziej szczegółowych typów komunikacji, takich jak przyjmowanie informacji, formułowanie pytań, ocenianie pomysłów czy łączenie rozwiązań. Dodatkowo uczestnicy korzystający z LLM wzięli udział w półstrukturalizowanych wywiadach, które badacze przeanalizowali za pomocą teorii ugruntowanej, aby wydobyć wspólne motywy dotyczące odczuć związanych z pracą z AI.

Gdzie AI pomaga najbardziej

Dane pokazują, że LLM-y silnie wspierają wczesne etapy myślenia grupowego. W porównaniu z zespołami pracującymi bez AI, grupy korzystające z LLM spędzały więcej czasu współpracy w obszarach Identyfikacji i Interakcji. Prosiły LLM o fakty kontekstowe, przykłady i inspirację, a następnie wykorzystywały jego odpowiedzi jako surowiec do formułowania i przeformułowywania pytań projektowych. Oznaczało to, że dostrzegały więcej istotnych informacji, wybierały i akumulowały więcej opcji oraz aktywniej reorganizowały pomysły. Wywiady to potwierdzają: wielu uczestników mówiło, że LLM przyspieszył ich badania, zasugerował kierunki, których wcześniej nie rozważali, i działał jak szybki „partner koncepcyjny”, pomagający przełamać blokady twórcze. Krótko mówiąc, AI poszerzało granice poznawcze zespołów i pomagało szybciej osiągnąć wspólny punkt wyjścia.

Gdzie wciąż przoduje ludzki osąd

W kontraście LLM nie zmienił istotnie częstotliwości angażowania się zespołów w głębsze rozumowanie czy ostateczną syntezę. W obszarach Analizy i Akomodacji — gdzie ludzie oceniają plusy i minusy, negocjują różnice i splatają pomysły w jedną koncepcję — grupy z LLM i bez niego zachowywały się podobnie ogółem, a w niektórych podobszarach zespoły bez AI były bardziej aktywne. Bez AI współpracownicy spędzali więcej czasu na krytycznej ocenie opcji i dyskusji o kompromisach. Rozmówcy często wspominali, że sugestie chatbota mogły być powierzchowne, czasem niedokładne i zbyt zgodne, rzadko występując jako krytyczny partner. Niektórzy czuli, że AI czasami „zastępował” ich własne myślenie lub skłaniał ich do zbyt ścisłego podążania za jego pomysłami, co mogło zawężać, zamiast poszerzać, zakres rozwiązań. To pomaga wyjaśnić, dlaczego mimo żywszego burzowania pomysłów na wczesnym etapie, końcowy efekt twórczy nie był wyraźnie lepszy dzięki AI.

Zmiany w dynamice zespołu i ukryte ryzyka

Analiza tego, jak zespoły przesuwały się pomiędzy czterema przestrzeniami myślenia w czasie, wykazała, że grupy korzystające z LLM przejawiały płynniejsze, tam i z powrotem przejścia, zwłaszcza między identyfikowaniem informacji a interakcją w celu ich uporządkowania. AI zachęcało do szybkich cykli zadawania pytań, otrzymywania odpowiedzi i przekształcania pomysłów, nadając współpracy bardziej zwinny charakter. Ta elastyczność miała jednak swoje koszty. Niektórzy uczestnicy zgłaszali, że częste przeskoki, napędzane łatwymi odpowiedziami AI, utrudniały spowolnienie i głębszą refleksję. Inni obawiali się rosnącego uzależnienia od narzędzia, utraty „naturalnej” rozmowy między ludźmi oraz konieczności weryfikowania treści AI pod kątem błędów lub brakującego kontekstu. Wywiady wskazywały też na szersze skutki społeczne: AI może zautomatyzować rutynowe prace i uwolnić ludzi do zadań bardziej kreatywnych, ale może też zmienić dynamikę władzy, przyznając większy wpływ niektórym rolom — na przykład menedżerom produktu, którzy zarządzają wykorzystaniem AI — w obrębie zespołu.

Co to oznacza dla wykorzystania AI w rzeczywistych zespołach

Dla osoby niebędącej specjalistą główne przesłanie jest proste: LLM-y bardzo dobrze pomagają zespołom wystartować i zachować elastyczność myślenia, ale nie są skrótem do głębokiego zrozumienia czy mądrych decyzji. Te narzędzia działają jako potężne przyspieszacze do zbierania informacji, eksplorowania pomysłów i budowania początkowego, wspólnego obrazu. Jednak uważna analiza, trudne wybory i łączenie wielu punktów widzenia w solidny, wykonalny projekt nadal w dużym stopniu opierają się na wiedzy eksperckiej ludzi, krytycznym myśleniu i negocjacjach. Autorzy argumentują, że organizacje powinny traktować LLM-y jako pomoc przy wczesnym etapie myślenia w ramach szerszej perspektywy 2I2A — a nie jako zamiennik ludzkich rozmów i osądów, które ostatecznie decydują o powodzeniu nowych produktów.

Cytowanie: Zhang, D., Luo, S., Liu, Y. et al. Large language model tools as catalysts for collective cognition in collaborative new-product development: a quasi-experimental study. Humanit Soc Sci Commun 13, 382 (2026). https://doi.org/10.1057/s41599-026-06738-7

Słowa kluczowe: duże modele językowe, projektowanie zespołowe, poznanie zbiorowe, opracowywanie nowych produktów, współpraca człowiek–AI