Rynek kompetencji w obszarze sztucznej inteligencji rośnie szybciej niż zdolność organizacji do ich rzetelnej oceny. Inwestycje idą w górę, szkolenia i certyfikaty mnożą się, a jednocześnie brakuje wspólnego języka, który pozwoliłby porównać, co te certyfikaty faktycznie oznaczają. To nie jest kryzys – to sygnał dojrzewania.
Rynek kompetencji AI: wysoka adopcja, niskie standardy
Według raportu Deloitte „Zwrot z inwestycji w AI: Polska perspektywa” (2026), 90% polskich firm zwiększyło w ostatnim roku wydatki na AI, a 96% planuje dalszy wzrost inwestycji. 48% polskich pracowników używa narzędzi AI w codziennej pracy, a to znacząco więcej niż europejska średnia wynosząca 36%.
I tu zaczyna się paradoks. Mimo tak wysokiej adopcji blisko połowa firm wciąż nie posiada żadnych formalnych zasad korzystania z narzędzi AI, co wynika z badania EY „Jak polskie firmy wdrażają AI” (2025). Technologia wyprzedziła politykę jej stosowania, a tam, gdzie nie ma zasad, nie ma też wspólnych kryteriów oceny kompetencji.
To prowadzi do konkretnego problemu. Pracodawca widzi na CV wpis „kompetencje w zakresie AI” lub „certyfikat AI”, ale nie wie, co ten zapis oznacza w praktyce: ani jakiemu poziomowi zaawansowania odpowiada, ani w jaki sposób był weryfikowany. Kandydat z jednodniowego szkolenia wygląda na papierze tak samo jak osoba, która przez rok pracowała z modelami językowymi w złożonych projektach.
Ten brak przejrzystości kosztuje po obu stronach. Działy HR tracą czas na weryfikację kompetencji, które powinny być jasne już z dokumentu. Specjaliści z realnym doświadczeniem nie potrafią go wiarygodnie udokumentować. A organizacje, które zainwestowały w rzetelne szkolenia i certyfikację, nie mają jak odróżnić się od tych, które wystawiają certyfikaty uczestnictwa po każdym webinarze.
Brak wspólnego języka nie jest problemem jednej firmy ani jednej branży. To cecha charakterystyczna każdego młodego rynku kompetencji.
Czego uczy historia innych branż
Rynek kompetencji AI nie jest pierwszym, który przeszedł przez ten etap. Analogia z branżą IT jest tu szczególnie pouczająca.
W latach 90. i 2000. rynek certyfikacji IT przypominał obecną sytuację w obszarze AI: dziesiątki certyfikatów różnych dostawców, brak porównywalności, rosnące zapotrzebowanie i nierówna jakość ofert. Z czasem wyłoniły się dwie ścieżki.
Pierwsza to certyfikaty vendorskie firm takich jak Microsoft, AWS czy Google, które budują wewnętrznie spójne systemy potwierdzania kompetencji w konkretnych technologiach. Ich wartość jest wysoka, ale ograniczona, bo certyfikat Azure AI Fundamentals nie mówi nic o kompetencjach poza ekosystemem Microsoftu. Zjawisko kolekcjonowania certyfikatów, czyli zdobywania kolejnych poświadczeń bez pogłębiania rzeczywistych umiejętności, stało się w branży IT realnym problemem.
Druga ścieżka to standardy niezależne: certyfikacje branżowe i systemowe ramy kwalifikacji, które pozwalają porównywać kompetencje niezależnie od dostawcy technologii. To one ostatecznie nadały rynkowi przejrzystość.
| Certyfikat vendorski | Kwalifikacja w systemie publicznym | |
|---|---|---|
| Zakres | Konkretna technologia lub platforma | Efekty uczenia się niezależne od technologii |
| Porównywalność | W obrębie ekosystemu dostawcy | Krajowa i europejska (PRK/ERK) |
| Weryfikacja | Egzamin dostawcy | Niezależna instytucja certyfikująca |
| Trwałość | Wymaga odnowienia przy nowych wersjach | Opisuje poziom kompetencji, nie konkretne narzędzie |
Branże regulowane takie jak finanse, ochrona zdrowia czy budownictwo poszły jeszcze dalej. Tam certyfikacja nie jest wyborem, ale warunkiem działania. Standard ISO/IEC 42001, czyli pierwsze międzynarodowe potwierdzenie wdrożenia systemu zarządzania AI, pojawił się w 2023 roku. Jego rosnąca popularność wśród organizacji, które chcą formalnie wykazać odpowiedzialne podejście do AI, to kolejny sygnał dojrzewania.
Wniosek z historii IT i branż regulowanych jest jeden: rynki zawsze zmierzają w stronę standaryzacji. Pytanie nie brzmi „czy”, lecz „kiedy” i „według jakich kryteriów”.
Co już widać na rynku
Na rynku kompetencji AI pojawiają się pierwsze wyraźne oznaki tego procesu.
Oczekiwania pracodawców stają się bardziej precyzyjne. Już nie wystarczy „znajomość narzędzi AI”, ale rośnie zapotrzebowanie na konkretne umiejętności: pracę z dużymi modelami językowymi, krytyczną ocenę wyników generowanych przez AI, projektowanie promptów pod konkretne zastosowania biznesowe. Według danych PARP kluczowe kompetencje na 2026 rok to adaptacyjność, myślenie krytyczne, biegłość cyfrowa, a co istotne, etyczne osądy w kontekście AI. To nie są miękkie dodatki do twardych umiejętności, ale ich niezbędne uzupełnienie.
Równolegle upowszechnia się podejście „skills-first”, czyli rekrutacja i ocena pracowników oparta na rzeczywistych kompetencjach, a nie wyłącznie na formalnych dyplomach. Organizacje coraz częściej pytają: co ta osoba potrafi zrobić, a nie jaki dokument posiada? Ten trend wymaga jednak narzędzi, które pozwolą odpowiedzieć na to pytanie w wiarygodny i porównywalny sposób.
Pojawiają się też systemowe inicjatywy. Polski Fundusz Rozwoju przygotował ustrukturyzowaną ścieżkę rozwoju kompetencji AI: od podstawowego korzystania z narzędzi do projektowania autonomicznych rozwiązań. Microsoft realizuje w Polsce program edukacyjny we współpracy z Ministerstwem Edukacji Narodowej. Liczba podobnych inicjatyw rośnie i to symptom tego, że rynek przestaje traktować AI jak chwilowy trend, a zaczyna budować pod nią trwałą infrastrukturę kompetencyjną.
Ramy kwalifikacji jako wspólny język
W tym kontekście szczególnego znaczenia nabierają istniejące systemy kwalifikacji. Nie są one rozwiązaniem stworzonym z myślą o AI, ale to właśnie sprawia, że mogą pełnić funkcję neutralnego punktu odniesienia.
Polska Rama Kwalifikacji porządkuje kwalifikacje w ośmiu poziomach opisanych przez efekty uczenia się: wiedzę, umiejętności i kompetencje społeczne. Dzięki powiązaniu z Europejską Ramą Kwalifikacji (ERK), kwalifikacje wpisane do polskiego ZSK są rozpoznawalne i porównywalne na całym rynku europejskim. To konkretna odpowiedź na pytanie o porównywalność kompetencji w skali ponadkrajowej.
Kluczowa cecha tego systemu: kwalifikacja potwierdza efekty uczenia się, a nie ścieżkę ich zdobycia. Nieważne, czy ktoś uczył się na szkoleniu, samodzielnie czy przez praktykę zawodową. Liczy się to, co faktycznie wie i potrafi, a więc czy jest w stanie to wykazać w procesie walidacji przeprowadzanym przez niezależną instytucję certyfikującą.
To rozróżnienie ma znaczenie praktyczne. Certyfikat uczestnictwa informuje tylko o tym, że ktoś był na szkoleniu. Kwalifikacja w ZSK informuje o tym, że ktoś, niezależnie od drogi, osiągnął określony poziom kompetencji potwierdzony w standaryzowanym procesie zewnętrznej weryfikacji.
W obszarze AI pierwsze kwalifikacje cząstkowe zostały już wpisane do Zintegrowanego Systemu Kwalifikacji. To wczesny, ale konkretny sygnał, że rynek kompetencji AI zaczyna korzystać z infrastruktury, którą system kwalifikacji oferuje od lat.
Dodatkowym impulsem jest europejskie rozporządzenie AI Act, które stopniowo wchodzi w życie i nakłada na organizacje obowiązki związane z zarządzaniem ryzykiem AI. Firmy, które budują kompetencje z myślą o przejrzystości i weryfikowalności, a nie tylko o adopcji narzędzi, będą lepiej przygotowane na regulacyjną rzeczywistość najbliższych lat.
Wnioski
Rynek kompetencji AI jest młody i dynamiczny, a właśnie dlatego przechodzi przez fazę, którą przeszły przed nim inne rynki: etap chaosu prowadzący do standaryzacji. Ten proces nie jest zagrożeniem, ale warunkiem wzrostu zaufania zarówno pracodawców do kandydatów, jak i kandydatów do wartości posiadanych przez siebie dokumentów.
Wspólne standardy nie pojawią się same z siebie. Wymagają zarówno oddolnej presji rynku, a więc rosnących oczekiwań pracodawców i specjalistów, jak i instytucjonalnych narzędzi, które nadadzą tej presji formalny kształt. Ramy kwalifikacji są jednym z takich narzędzi. Nie jedynym, ale wyjątkowo trwałym.
Warto śledzić, jak szybko rynek AI uczy się korzystać z rozwiązań, które już istnieją, w tym z rozróżnienia między uczeniem się a potwierdzaniem kompetencji, które ma bezpośrednie przełożenie na to, jak organizacje budują wiarygodne systemy oceny.