Sztuczna inteligencja w służbie misji uczelni: analiza raportu końcowego Grupy Roboczej EUA ds. AI

Streszczenie raportu:

T.E. Jørgensen, C. Phelan, Adopting AI that serves the needs and values of universities,

EUA Task-and-Finish Group on Artificial Intelligence, styczeń 2026

Streszczenie: Niniejszy artykuł stanowi syntetyczne omówienie raportu końcowego Grupy Zadaniowej Europejskiego Stowarzyszenia Uniwersytetów (EUA) ds. sztucznej inteligencji, opublikowanego w styczniu 2026 roku. Raport analizuje wyzwania i możliwości związane z wdrażaniem AI w europejskich uczelniach wyższych w pięciu kluczowych obszarach: etyki, strategii instytucjonalnych, kształcenia, regulacji prawnych oraz zrównoważonego rozwoju i wpływu społecznego. Opracowanie skierowane jest do osób zaangażowanych w zarządzanie zmianą technologiczną w szkolnictwie wyższym.

Słowa kluczowe: sztuczna inteligencja, szkolnictwo wyższe, etyka AI, strategie uczelni, AI Act, zrównoważony rozwój

 

1. Wprowadzenie

Upowszechnienie się zaawansowanych systemów generatywnej sztucznej inteligencji od 2022 roku wywołało głęboką refleksję w środowiskach akademickich na całym świecie. W odpowiedzi na rosnące zapotrzebowanie na rzetelne wytyczne, Europejskie Stowarzyszenie Uniwersytetów (EUA) powołało wyspecjalizowaną Grupę Zadaniową ds. Sztucznej Inteligencji, skupiającą reprezentantów uczelni z 34 krajów, wywodzących się z takich dziedzin jak statystyka, etyka, medycyna, humanistyka cyfrowa i informatyka.

Wynikiem dwuletnich prac jest raport końcowy: Adopting AI that serves the needs and values of universities (Jørgensen, Phelan, 2026). Dokument nie ma charakteru normatywnego – nie narzuca gotowych recept ani harmonogramów. Stanowi natomiast usystematyzowany przegląd aktualnych wyzwań w pięciu kluczowych obszarach: etyki, strategii instytucjonalnych, kształcenia i szkoleń, regulacji oraz zrównoważonego rozwoju. Niniejsze opracowanie prezentuje najważniejsze ustalenia i rekomendacje zawarte w raporcie, ze szczególnym uwzględnieniem aspektów istotnych z perspektywy polskiego szkolnictwa wyższego.

2. Etyka, wartości i prawa człowieka w erze AI

Autorzy raportu wychodzą od tezy, że sztuczna inteligencja jako taka nie rewolucjonizuje fundamentalnych pytań etycznych stojących przed akademią – zmienia jednak kontekst i skalę, w jakiej pytania te stają się ważne. Prawdziwe wyzwanie polega zatem nie na tworzeniu odrębnej etyki AI, lecz na skutecznym stosowaniu istniejących zasad moralnych w nowych warunkach technologicznych.

Centralną zasadą jest podejście human-centric: AI ma wspierać i wzmacniać ludzką sprawczość (human agency), a nie ją zastępować ani zmieniać. W praktyce oznacza to konieczność zachowania nadzoru człowieka nad systemami generatywnymi, które z natury wykazują skłonność do błędów i halucynacji. Raport wskazuje także na problem algorytmicznej stronniczości: większość modeli trenowanych jest na danych zdominowanych przez anglojęzyczny, zachodni punkt widzenia, co prowadzi do reprodukcji stereotypów rasowych, kulturowych i językowych. Europejskie uczelnie powinny aktywnie wspierać budowę alternatywnych zbiorów danych i infrastruktury AI odzwierciedlających wartości pluralizmu i wielojęzyczności, w duchu inicjatyw takich jak European Language Data Space.

Istotnym wymiarem jest ochrona prywatności. Uczelnie mają obowiązek kształtować świadomość różnych grup użytkowników w zakresie ryzyk związanych z udostępnianiem danych osobowych modelom komercyjnym – większość popularnych LLM (ChatGPT, Gemini) domyślnie uwzględnia dane wejściowe użytkowników w procesie dalszego trenowania modeli. Przykładami dobrych praktyk są projekty takie jak UiO GPT (Uniwersytet Oslo) lub Academic AI (Austria), zapewniające przetwarzanie danych w zgodzie z RODO bez ich udostępniania zewnętrznym podmiotom.

W obszarze integralności akademickiej raport podkreśla zagrożenie związane z generowaniem fałszywie wiarygodnych wyników badawczych przy użyciu AI. W środowiskach akademickich, w których presja na liczbę publikacji pozostaje wysoka, narzędzia generatywne mogą sprzyjać powstawaniu szybkich, ale nierzetelnych opracowań naukowych. Instytucje powinny zatem wyraźnie powiązać korzystanie z AI z wymogami przejrzystości i powtarzalności badań oraz z zasadami otwartej nauki.

3. Strategie instytucjonalne: od eksperymentu do systemu

Po pierwszej fazie eksperymentowania z generatywną AI uczelnie europejskie stoją przed wyzwaniem przekształcenia zebranych doświadczeń w długofalowe strategie. Raport przestrzega przed dwiema skrajnościami: pochopnym rewizjonizmem misji uczelni pod wpływem entuzjazmu technologicznego oraz biernym oczekiwaniem na ustabilizowanie się rynku AI.

Proponowanym podejściem jest strategia inkrementalna: stopniowe, przemyślane pilotaże identyfikujące rzeczywistą wartość narzędzi AI bez przeciążania zasobów instytucjonalnych. Takie działanie pozwala również wykryć ukryte koszty wdrożenia. Jednocześnie strategia uczelni powinna wciąż umożliwiać eksploracyjne działania – zbytnie ograniczanie przestrzeni do eksperymentowania może zahamować innowacyjność.

W obliczu znaczących dysproporcji finansowych między uczelniami raport podkreśla wagę kooperacyjnych modeli współpracy: współdzielona infrastruktura, wspólne negocjacje z dostawcami i wymiana doświadczeń mogą niwelować nierówności w dostępie do technologii. Platformy europejskie, takie jak European Digital Education Hub czy AI4Education, powinny stanowić punkt odniesienia dla uczelni budujących spójność swych strategii z szerszym ekosystemem cyfrowym.

4. Kształcenie kompetencji AI: między techniką a etyką

Raport traktuje umiejętność korzystania z AI (AI literacy) jako kluczową kompetencję wszystkich członków społeczności akademickiej – nie tylko studentów i wykładowców, ale również administracji i kierownictwa. Postuluje się dwutorowe podejście: budowanie powszechnej, podstawowej sprawności cyfrowej oraz rozwijanie zaawansowanej, ukierunkowanej wiedzy o AI.

Kształcenie kompetencji AI powinno wykraczać poza sprawność techniczną i kształtować zdolność do krytycznej oceny wyników generowanych przez systemy AI. Umiejętność rozpoznawania uprzedzeń algorytmicznych, weryfikowania wiarygodności źródłowych danych oraz świadomość ograniczeń modeli to nieodłączne składniki rzetelnej edukacji o AI. Szkolenia powinny budować poczucie osobistej i zbiorowej odpowiedzialności za społeczne i środowiskowe skutki stosowania tych technologii.

Poważnym wyzwaniem pozostaje dystans między teorią a praktyką. Choć ogólne wytyczne uczelni dotyczące korzystania z AI są na ogół dobrze przyjmowane przez społeczność akademicką, rzadko wskazują one konkretne obszary głębszego eksperymentowania. Raport zaleca, aby skuteczność programów szkoleniowych mierzyć wpływem na jakość uczenia się, nie zaś statystykami użycia narzędzi. Docelowo efektywne wdrażanie AI wymaga także budowy zdrowej kultury zarządzania danymi w uczelniach – obszaru, w którym europejskie instytucje akademickie wciąż wymagają uwagi.

5. Regulacje i zgodność prawna: konsekwencje AI Act dla uczelni

Najważniejszym wyzwaniem regulacyjnym dla europejskiego szkolnictwa wyższego jest implementacja unijnego Aktu o sztucznej inteligencji (AI Act, 2024). Rozporządzenie klasyfikuje zastosowania AI według poziomów ryzyka: od niedopuszczalnych (np. śledzenie emocji studentów w czasie rzeczywistym) przez wysokie (monitorowanie i ocenianie studentów, selekcja kandydatów) aż po niskie lub minimalne (np. optymalizacja systemów infrastrukturalnych).

Dla uczelni kluczowe znaczenie ma klasyfikacja zastosowań AI w obszarze dostępu do edukacji i ewaluacji uczenia się jako wysokiego ryzyka, co w praktyce oznacza obowiązek stosowania rygorystycznych standardów jakości danych, dokumentowania procesu decyzyjnego i zapewnienia stałego nadzoru człowieka. Raport wskazuje na liczne „szare strefy” – np. kwestia zgodności adaptacyjnych systemów nauczania ze szczegółowymi wytycznymi AI Act pozostaje otwarta do czasu opublikowania oczekiwanych w 2026 roku aktów wykonawczych.

Istotne ryzyko instytucjonalne stwarza zjawisko „shadow IT” – nieformalnego korzystania przez pracowników i studentów z ogólnodostępnych modeli komercyjnych w sytuacjach, które de facto wymagają stosowania systemów spełniających normy wysokiego ryzyka. Zarządzanie przejściem od swobodnego eksperymentowania do przestrzegania reguł instytucjonalnych wymagać będzie aktywnej komunikacji, szkoleń i konsekwentnego egzekwowania zasad. Raport rekomenduje proaktywne nawiązywanie dialogu między uczelniami a krajowymi organami nadzorczymi, najlepiej za pośrednictwem krajowych konferencji rektorów lub stowarzyszeń uczelni, umożliwiając wzmocnienie pozycji negocjacyjnej sektora edukacji.

6. Zrównoważony rozwój i szeroki wpływ społeczny

Integracja AI wiąże się z daleko idącymi konsekwencjami środowiskowymi i społecznymi. W wymiarze ekologicznym raport zwraca uwagę na trudności w precyzyjnym szacowaniu śladu węglowego AI: zużycie energii różni się znacząco w zależności od rodzaju zastosowania, wielkości modelu i częstotliwości użycia. Niemniej uczelnie, jako instytucje deklarujące zobowiązania wobec celów neutralności klimatycznej, powinny aktywnie kształtować świadomość społeczności akademickiej w zakresie kosztów infrastrukturalnych AI, obejmujących wydobycie surowców ziem rzadkich, gospodarkę wodną centrów danych oraz produkcję odpadów elektronicznych.

W wymiarze wewnętrznym raport przestrzega przed nadmiernym uzależnieniem się studentów od AI, co może prowadzić do erozji samodzielności poznawczej, osłabienia zdolności krytycznego myślenia i pogłębienia kryzysu zdrowia psychicznego. Jednocześnie autorzy wskazują na potencjał inkluzyjny AI: systemy adaptacyjne mogą tworzyć spersonalizowane ścieżki dla studentów lub osób pracujących w trybie kształcenia ustawicznego. Warunkiem koniecznym jest rygorystyczne monitorowanie tych systemów pod kątem halucynacji, błędów, ukrytych uprzedzeń i dyskryminacyjnych efektów.

7. Wnioski

Raport EUA stanowi wartościową mapę wyzwań, przed którymi stoją europejskie uczelnie w dobie AI. Jego nadrzędnym przesłaniem jest odrzucenie technologicznego determinizmu na rzecz podejścia refleksyjnego i wartościującego: AI powinna służyć misji uczelni, a nie ją redefiniować. Wdrażanie AI powinno być procesem partycypacyjnym, prowadzonym we współpracy z całą społecznością akademicką. Strategie instytucjonalne powinny być elastyczne, umożliwiając eksperymentowanie przy jednoczesnym zachowaniu spójności z celami edukacyjnymi, normami etycznymi i wymogami prawnymi.

Dla polskich uczelni wyższych raport dostarcza cennych punktów odniesienia. Podkreślone w nim znaczenie dialogu wewnętrznego, stopniowego podejścia do implementacji technologii oraz proaktywnego uczestnictwa w procesach regulacyjnych na poziomie krajowym i europejskim – to wytyczne szczególnie aktualne w momencie, gdy polskie uczelnie stoją przed koniecznością opracowania własnych strategii AI. Rekomendowane przez raport budowanie AI literacy, ochrona integralności akademickiej oraz dbanie o dobrostan członków społeczności uczelnianych to obszary wymagające szczególnej uwagi również w polskim kontekście.

Literatura

Jørgensen, T.E., Phelan, C. (2026). Adopting AI that serves the needs and values of universities. Final report of the EUA Task-and-Finish Group on Artificial Intelligence. European University Association.

European Commission (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.

Vuorikari, R., Kluzer, S., Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for Citizens. Publications Office of the European Union.

OECD (2023). Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research. OECD Publishing.

Chan, S. (2025). How much energy will AI really consume? The good, the bad and the unknown. Nature, 639, 22–24.

Fossheim, H. (2025). Artificial intelligence: Ethical challenges for research. University World News, 30 May 2025.