2018 rok. Stoimy z grupą operatorów w hali odlewni Krakodlew. Za chwilę zakładają gogle VR i pierwsze raz w życiu wchodzą do wirtualnego środowiska pracy. Jeden z nich — 20 lat przy piecu, doświadczony — mówi do mnie: „To dla młodych. Ja swoje wiem.”
Dwie godziny później ten sam człowiek pyta, kiedy jest następna sesja.
Nauczanie technologii — szczególnie AI i narzędzi opartych na AI — ma ten sam wzorzec. Bariera wejścia jest psychologiczna, nie techniczna. I kiedy ją pokonasz właściwą metodą, reszta przychodzi zaskakująco szybko.
W ciągu ostatnich kilku lat pracowałem z ludźmi, którzy nigdy nie napisali linii kodu: operatorami maszyn, menedżerami produkcji, kadrą zarządzającą, studentami szkół zawodowych. Oto co faktycznie działa.
Błąd nr 1: zacznij od technologii
Większość kursów i warsztatów AI zaczyna tak: „Dziś poznasz modele językowe. LLM to model trenowany na dużych zbiorach danych…”
Tracisz ucznia w czwartym zdaniu.
Dorośli uczą się inaczej niż dzieci. Nie przyswajają abstrakcji a potem szukają zastosowania — przyswajają konkret i potem szukają teorii, która go wyjaśnia. Andragogika (pedagogika dorosłych) mówi to od lat sześćdziesiątych. Problem w tym, że większość instruktorów AI to inżynierowie, którzy uczą tak, jak sami się uczyli.
Zasada: zacznij od problemu, który uczestnik ma dziś. Nie od technologii, którą chcesz mu pokazać.
W odlewni nie zaczęliśmy od „jak działa VR”. Zaczęliśmy od: „Pokażę ci sytuację, w której doszło do wypadku w podobnym zakładzie. Jak byś zareagował?” Technologia stała się narzędziem do rozwiązania konkretnego, realnego problemu. Nie demonstracją.
Framework, który działa: „Dotknij, potem wyjaśnij”
W szkoleniach VR wypracowałem sekwencję, którą nazywam „dotknij, potem wyjaśnij”. Działa tak samo w nauce AI i vibe codingu:
- 1. Zrób to razem — nie wyjaśniaj najpierw. Daj uczestnikowi proste zadanie do wykonania od razu. Błąd w bezpiecznym środowisku to więcej niż godzina wykładu.
- 2. Nazwijcie to wspólnie — kiedy coś zadziała (lub nie), zapytaj: „Co się stało? Dlaczego, jak myślisz?” Uczeń buduje model mentalny z własnego doświadczenia.
- 3. Teraz wyjaśnij mechanizm — dopiero po tym pojęcia takie jak „token”, „kontekst”, „temperatura” mają znaczenie. Bo masz konkretną sytuację, do której można je przykleić.
- 4. Daj im problem do rozwiązania samodzielnie — nie „ćwiczenie z instrukcją”. Problem, którego nie rozwiązywałeś z nimi wcześniej.
Te liczby dotyczą VR, ale wzorzec jest ten sam: kiedy uczysz przez działanie, a nie przez słuchanie, wyniki są drastycznie inne.
Co blokuje uczenie się AI — i jak to usunąć
Nauczając AI i vibe coding, napotkasz kilka stałych barier:
„To nie dla mnie, jestem za stary / za mało techniczny”
Antidotum: pokaż konkretny przykład osoby podobnej do ucznia, która to robi. Nie Elona Muska. Kogoś, kto prowadzi mały biznes i używa Claude do pisania ofert. Kogoś, kto jest operatorem i nauczył się programować robota na kursie. Identyfikacja przed aspiracją.
„Nie wiem, co powiedzieć do AI”
Antidotum: daj szablony. Nie jako sztywne formularze, ale jako punkty startowe. „Jestem [rola], próbuję [cel], mam problem z [konkret].” Uczniowie potrzebują rusztowania, zanim zbudują własny styl promptowania.
„Skąd wiem, że odpowiedź jest poprawna?”
To najlepsza bariera, bo jest uzasadniona. Krytyczne myślenie wobec outputu AI to kluczowa umiejętność — nie przeszkoda w nauce. Naucz ucznia weryfikować: cross-check z innym źródłem, test „czy to ma sens w moim kontekście”, pytanie zwrotne do AI („sprawdź czy nie popełniłeś błędu w założeniu X”).
Najlepsi uczniowie AI to nie ci, którzy ufają mu bezwarunkowo — to ci, którzy umieją prowadzić dialog: pytają, weryfikują, poprawiają, iterują.
Robotyka jako wejście do AI dla młodszych uczniów
W XR FabLab w Chrzanowie pracowaliśmy z uczniami szkół zawodowych. Próg wejścia do abstrakcyjnego „AI” był za wysoki. Robotyka okazała się idealnym pomostem.
Dlaczego robotyka działa:
- Natychmiastowa pętla zwrotna — robot jedzie lub nie. Nie ma dwuznaczności. Uczeń widzi efekt swojej decyzji w ciągu sekund, nie dni.
- Fizyczny artefakt — można go dotknąć, pokazać rodzicom, zepsuć i naprawić. Kod na ekranie jest abstrakcyjny. Robot jest rzeczywisty.
- Programowanie jako rozkazy — uczniowie instynktownie rozumieją sekwencję rozkazów. To prosta analogia do promptowania AI.
- Element rywalizacji — wyścigi, wyzwania, rankingi. Motywacja zewnętrzna, dopóki nie pojawi się wewnętrzna.
Kiedy uczeń rozumie, że robot wykonuje dokładnie to, co mu powiedział (i nie więcej, i nie mniej), rozumie też, dlaczego precyzja w promptowaniu ma znaczenie. To jest moment transferu.
Co różni dobrego instruktora AI od złego
Dobry instruktor AI nie jest tym, który zna API dokumentację na pamięć. Jest tym, który:
- Pamięta, jak to było nie wiedzieć — i potrafi wyobrazić sobie perspektywę ucznia
- Cieszy się, kiedy uczeń go zaskoczy nowym zastosowaniem narzędzia
- Traktuje błąd ucznia jako informację diagnostyczną, nie porażkę
- Sam nadal się uczy — AI zmienia się co kilka miesięcy, kto stoi w miejscu, zostaje w tyle
Najważniejsze zdanie, które możesz powiedzieć uczniowi: „Nie wiem, sprawdźmy razem.” To modeluje dokładnie ten rodzaj myślenia, który AI wymaga.
Praktyczny punkt startowy
Jeśli projektujesz kurs lub warsztat AI od zera, jeden schemat który polecam:
- Sesja 1: Problem uczestnika → pierwsze zetknięcie z narzędziem → zaskoczenie (dobre lub złe) → wspólna analiza
- Sesja 2: Budowanie słownika → szablony promptów → pierwsze samodzielne zadanie
- Sesja 3+: Projekt własny uczestnika → iteracja → prezentacja wyniku
Projekt własny jest kluczowy. Kiedy uczestnik rozwiązuje swój problem (nie ćwiczenie z instrukcją), a AI mu w tym pomaga — w tym momencie narzędzie staje się jego.
Kogo w twojej organizacji lub klasie jest najtrudniej przekonać do AI — i co jest ich główną barierą?
Autor wdrażał szkolenia VR w środowiskach przemysłowych od 2018 r. (Krakodlew, XR FabLab Chrzanów). Uczy AI, automatyzacji i kodowania wspomaganego AI w kontekście praktycznym — w Polsce i za granicą. Źródła: PwC VR Soft Skills Study 2020 (n=10 000); dane własne Krakodlew/Industrverse 2018–2024.