Článek se věnuje efektu AI vyhoření, který může člověk zakoušet tehdy, když využívá AI nástroje, bez jasného nastavení smyslu, hranic a cílů. Text popisuje jak samotný fenomén AI vyhoření, tak také příčiny jeho vzniku a čtyřfázový proces jeho prevence.
Rozvoj generativní umělé inteligence je tématem, které není třeba znovu připomínat ani zdůrazňovat. Jde o technologii, která tu s námi je, umožňuje mnoho procesů a aktivit zefektivnit a urychlit a tím, že je stále silněji součástí i komerčního prostoru, vytváří tlak na práci s ní i ve školách. Ostatně většina dětí ji denně využívá. Jak se technologie rozšiřuje a více zapojuje do různých oblastí, roste také míra uvědomování si rizik. A jedno z těch, které budou mít ve škole velký dopad, je AI vyhoření (AI burnout – někdy též algoritmické vyhoření).
chápat jako formu vyčerpání, která má systémové pracovní příčiny. Většinou začíná nadšením z práce, které je ale stále více, a následují čtyři známé fáze: rostoucí pocit nestíhání, maximalizace snahy, rozpad systému a jistot a symptomy neurotického chování a apatie spojená s úplným vyčerpáním. Jde o fenomén, který má mnoho příčin, ale je zřejmé, že část z nich je systémová, část je spojená s nedostatkem reflexe, supervize a smyslu mimo práci samotnou, případně s problémy s odpočinkem, ale existují i faktory osobnostní nebo profesní determinanty. Často se objevuje v profesích, kde existuje tlak na kvalitu a smysl, člověk zde současně nemá pod kontrolou všechny parametry, které ovlivňují výsledek. A samozřejmě je zde faktor chronického stresu, který je jedním z důležitých faktorů vstupujících do současného pracovního světa.
AI vyhoření je relativně nově zavedený jev, který představuje určitou formu syndromu vyhoření, v jehož jádru nejsou typicky lidské interakce, ale i interakce s AI systémy, především s těmi, se kterými se interaguje pomocí přirozeného jazyka. Dopady jsou vlastně velice podobné – rostoucí stres, nechuť pracovat se systémem, nelibost nad vlastní prací, frustrace z vlastní existence a současně jen velice omezená schopnost s takovou situací něco dělat. Tato forma vyhoření pak bude – pokud s ní nedokážeme efektivně preventivně pracovat – zasahovat vyučující i studující.
Jamese Boyce hovoří o syndromu přetížení z umělé inteligence (AIOS), který definuje jako „Stav duševního, fyzického nebo emocionálního vyčerpání vyplývající z nadměrného používání nebo neúnavné snahy o produktivitu usnadněné nástroji umělé inteligence". Tato definice docela dobře odpovídá tomu, co se pod AI vyhořením skrývá nebo může skrývat.
Rádi bychom současně zdůraznili, že řešením není se technologii vyhnout, a to ze dvou důvodů. Předně, jak říká Floridi, digitální wellbeing je schopnost vést dobrý život, což je něco, k čemu technologie dnes do značné míry potřebujeme, protože většina našich životních cílů s nimi určitým způsobem pracuje. Současně sami studující vnímají velký vnější tlak na to, aby s technologiemi tohoto typu pracovali, takže jejich vyloučení problém nijak neřeší.
Příčiny
AI vyhoření není psychologickou diagnózou, je nezbytné jej chápat do jisté míry jako agregovaný soubor rizik, které se v této oblasti vyskytují a na člověka působí. Proměnlivost technologií, ale i jejich společenská percepce, mohou trvalost těchto fenoménů komplikovat, což ztěžuje případnou exaktní diagnostiku. Tak jako u běžného vyhoření jde o vícefaktorový fenomén, který můžeme chápat jako určitý specifický projev technostresu. Mezi vlivy je možné pravděpodobně zařadit:
Únava z dohledu – dobře míněné rady, že výstupy AI je třeba neustále kontrolovat, mění strukturu kognitivních činností, v nichž právě kontrola získává nepřiměřeně velký podíl na celkové kognitivní zátěži. Ta tak může růst jako celek a současně se změna formy nemusí promítat do toho, co člověka baví nebo mu přináší smysl. Například studující, kteří si nechají vygenerovat úkol (obejdou zadání), jej musí pečlivě kontrolovat a procházet, přitom ale nemají pocit, že se něco učí a že taková činnost dává nějaký smysl. Vyučující, kteří si nechají vygenerovat testové otázky, je také musí kontrolovat, ale nemají radost z toho, že je dobře vymysleli nebo že vůbec odvedli nějakou práci.
Očekávaná produktivita – lidé s AI nástroji pracují s představou, že to bude rychlejší a produktivnější, což ale v mnoha činnostech často není nebo není dost rychlé. Člověk testuje nástroj, věnuje velkou energii tomu, aby se s ním naučil pracovat, a výstupy nejsou dost dobré nebo dost rychlé, takže výsledkem je propad produktivity.
Ztráta smyslu – již jsme naznačili, že výstupy od AI nemusí být uživateli vnímané jako jejich vlastní, což může vést ke ztrátě smysluplnosti určité činnosti – danou věc může AI udělat rychleji, lidská práce vlastně nemusí vůbec dávat smysl a výsledek je, že se z vyučujících i studujících stávají (v jejich čtení) obsluhy technologických systémů bez vlastní autonomie, jen plnící vnější zadání (od nadřízených či samotné AI).
Komunikační vyčerpání – samotný komunikační jazyk se může velice rychle stát banálním a vyčerpávajícím. Ani změna tónu odpovědi často nemění celkové komunikační schéma, které – stejně jako komunikace s člověkem – může uživatel vyčerpat, ale zde nemá možnost využít psychologické efekty spojené s běžnou mezilidskou komunikací, jako je empatie, péče, sdílená radost či starost.
Neustálé změny a nemožnost přestat s využíváním – určitým zdrojem stresu je potřeba stále pracovat s dalšími a dalšími nástroji, se kterými se musíme učit, protože jinak člověku ujede vlak. Právě kombinace negativní motivace, stresu ze změn a systémové transformace zvyšuje zátěž pro uživatele.
Rozhodovací závislost – pro část uživatelů je snadné přenášet rozhodování, zpětnou vazbu nebo evaluaci sebe sama a své práce na AI, což bez přítomnosti dalších mechanismů představuje značnou psychologickou zátěž a může snadno vést k různým formám patologických interakcí.
Design nástrojů – sám podporuje maximalizaci času, který v nich uživatelé tráví. Tak jako mnoho jiných technologií může vést k dekonstrukci hranic mezi volným časem a prací (školou), k tvorbě parasociálních vztahů a dalších fenoménů, které udržitelnou práci s AI nepodporují.
Dalších faktorů by se dalo jistě najít více, a to je důležité ukázat: kombinaci systémové nepřipravenosti, kulturních vlivů, individuální psychologie a role technologických společností, které v tomto poli chtějí maximalizovat zisk (což je pochopitelné) bez přítomnosti téměř jakékoli regulace (což je pochopitelné už méně).
Co s tím?
Hledat v takovém multifaktorovém systému nějakou jednoduchou prevenci není možné, ale lze se inspirovat u digitálního wellbeingu v tom, že předně přijmeme tezi, že žádné jednoduché řešení tento problém nevyřeší, a současně v důrazu na reflexi vlastních potřeb a zkušeností. Pokud níže nabídneme nějaké možné kroky, nejde o jediný a normativní návod, ale spíše o určité záchytné body pro další inspiraci.
První krok je možná relativně univerzální a jednoduchý – mluvme o tom; s žáky a žákyněmi, s kolegy a kolegyněmi, s vedením školy, s ICT koordinátorem. To, že o takových věcech mluvíme, že druhý vidí, že není sám, kdo má nějaké pocity nebo problémy, může být (v bezpečném prostoru) zásadní krok, který může pomoci předejít mnoha problémům. Právě diskuse, sdílení, ale i přenos zkušeností mezi aktéry mohou způsobit, že lidé budou ochotni si problém přiznat, identifikovat jej a pracovat s ním dříve, než bude pozdě. Vyplatí se to nebagatelizovat ani nehodnotit, jak to mají druzí.
Druhý krok také není složitý a spočívá v práci s potřebami. Pokud se vrátíme k Floridimu, můžeme v jeho definici vidět důraz na potřeby, které uspokojujeme prostřednictvím cílů, které si volíme. Zde mohou hrát důležitou roli školní psycholog, osobnostní a sociální rozvoj a další edukační aktivity, které umožní člověku se zastavit a formulovat, co vlastně chce, jaké jsou jeho potřeby a které potřebuje mít naplňovány. Pokud máte pojmenované potřeby, je legitimní se ptát, jakým způsobem je chceme dosahovat. Nedokonavý vid je zde důležitý, protože asi nikdy nemáme trvale saturované všechny potřeby, hledání cest k nim je proces, který může být celoživotní.
Třetí rok spočívá v reflexi a volbě strategií, které k těmto potřebám a cílům vedou.
Například: Pokud je mojí potřebou být externě validován, pak je cílem získat odměny, pochvaly a diplomy. Saturace této potřeby skrze AI spočívá v tom, že ji přesvědčuji o své jedinečnosti a kvalitách, což není těžké, a získávám od ní ocenění. Což funguje chvíli, ale dlouhodobě to většinou vede k chybnému obrazu o sobě samém a frustraci. Alternativou mohou být jiné zdroje externí validace, posílení sociálních kompetencí, sebepřijetí či ideálně transformace potřeby vnější validace na vědomí vlastní hodnoty.
Kroků, které v této třetí fázi můžeme dělat, je velké množství a záleží právě na cílech a potřebách, ale také na situaci, osobnostním nastavení a kontextu. Může jít například o:
Identifikaci činností, které děláme rádi a jsou pro nás důležité, které nechceme delegovat na AI.
Digitální detoxy, kdy s AI nějaký čas nepracujeme.
Nastavení přesného zadání toho, co od AI systémů chceme, než aplikaci spustíme.
Oddělte tvorbu od kontroly – nechávejte si čas, kdy tvoříte sami, a jasně definované části procesů, kdy využíváte AI a kontrolujete ji.
Diskutujte s druhými, co vám i jim AI bere a co vám i jim AI přináší.
Snažte se kultivovat procesy adaptace organizací na AI revoluci.
Definujte kvalitu s ohledem na lidský rozvoj, nikoli jen na efektivitu a produktivitu.
Pečujte o lidské vztahy.
Reflektujte, co jste se naučili.
Takových bodů může být obrovské množství a důraz na kreativitu a kreativně-reflektivní přístupy může být jednou z cest, které pomáhají dosahovat dobrých výsledků. Zdá se, že jedním z důležitých aspektů je pocit autonomie a autenticity, to, že člověk má možnost rozhodovat se a svobodně tvořit. Druhým důležitým – a pro školství zásadním – prvkem je uvědomění si, že učení vyžaduje čas. Mnoho činností možná zvládne lépe AI, ale pokud máme důvody, proč se dané věci potřebujeme naučit nebo promyslet, má smysl je nechat jako lidskou činnost. To je i jedna z věcí, kterou popisují v našem výzkumu studující – chtějí mít prostor na to chybovat, být pomalí a neefektivní, protože to je součástí procesu učení. Nikoli produktivita – redukce vzdělávání na efektivitu, tedy na krátkodobé cíle, může být v procesu vzdělávání velice nebezpečná.
Čtvrtou fází je reflexe a sdílení, jak konkrétním aktérům daná aktivita vyhovovala, co jim přinesla anebo naopak v čem selhala. Zde je velký prostor jak pro různé metody záznamu zkušenosti (od deníků přes různé škály až po empirická měření), tak pro různé reflektivní techniky, čímž se opět vracíme k roli školy a jejímu významu pro osobnostní růst studujících i vyučujících.
Závěrem
Je zřejmé, že jednoduchý zákaz AI ve škole nic neřeší, vlastně stejně jako ignorování tohoto tématu. Rozvoj schopnosti člověka pracovat s technologiemi způsobem, který bude udržitelný, růstový, který nepovede k vyhoření, ale ke schopnosti využívat technologie vhodným způsobem k vhodným cílům, je jednou ze zásadních výzev edukace, kterou není možné přenášet na to, že „oni se to nějak naučí“ nebo že se to „stane samo“. AI je mimořádně silnou technologií v dopadech na trh práce, edukaci i sociální vazby, je spojená s revolucí, která ale vždy nese nejistotu a stres. Současně se ukazuje, že adaptace vyžaduje náročnou a kultivovanou práci vzdělavatelů, kterou není možné podcenit, ale také péči o učitele a učitelky, protože právě oni patřili, již před nástupem generativní AI, mezi profese nejvíce postižené syndromem vyhoření.
