Kiedy kilka dni temu na TechCrunch pojawił się artykuł o tym, że inżynierowie Meta opisują wewnętrzny dział AI firmy jako "duszący gułag", wiele osób potraktowało to jako kolejną korporacyjną dramę z Doliny Krzemowej. Ale jeśli prowadzisz firmę technologiczną w Polsce - nawet niewielką - ten tekst powinien dać ci sporo do myślenia.
Bo problem, który ujawnił się w Meta, nie dotyczy wyłącznie gigantów technologicznych. To historia o tym, jak szybkie skalowanie zespołów AI bez przemyślanej kultury pracy prowadzi do frustracji, rotacji ludzi i marnowania potencjału. A polskie firmy, które właśnie budują swoje zespoły AI, stoją dokładnie w tym samym punkcie decyzyjnym. Mogą powtórzyć błędy Big Techu albo zrobić to lepiej.
Przyjrzyjmy się, co dokładnie poszło nie tak w Meta i jakie konkretne wnioski mogą z tego wyciągnąć polscy przedsiębiorcy.
Co się właściwie stało w Meta?
Z relacji inżynierów wynika, że kilkumiesięczny dział AI w Meta szybko stał się miejscem, w którym panuje chaos organizacyjny, brak jasnych celów i toksyczna presja na wyniki. Ludzie nie wiedzieli, nad czym tak naprawdę pracują, priorytety zmieniały się z tygodnia na tydzień, a komunikacja między zespołami praktycznie nie istniała. Inżynierowie opisywali środowisko jako demotywujące i wyczerpujące psychicznie.
To nie jest przypadek odosobniony. W ostatnich dwóch latach widzieliśmy podobne sygnały z Google DeepMind (po połączeniu dwóch działów AI), z OpenAI (odejścia kluczowych osób, w tym Ilyi Sutskevera) i z Amazona (masowe zwolnienia w zespole Alexa AI). Wzorzec jest zawsze ten sam: firma rzuca ogromne zasoby w AI, zatrudnia setki ludzi w krótkim czasie, a potem nie potrafi tym zarządzić.
Według danych Revelio Labs rotacja w zespołach AI dużych firm technologicznych wzrosła o 30% w porównaniu z 2023 rokiem. To nie jest abstrakcyjna statystyka - za każdym odejściem stoi utracona wiedza, opóźnione projekty i koszty rekrutacji, które w przypadku specjalistów AI sięgają nawet 6-12 miesięcznych wynagrodzeń.
Dlaczego to dotyczy polskich firm?
Ktoś mógłby powiedzieć: "Meta zatrudnia tysiące ludzi, my mamy zespół pięcioosobowy - co nas to obchodzi?" Otóż obchodzi, i to bardzo. Polskie firmy technologiczne przeżywają teraz swój własny boom AI. Według raportu Startup Poland z 2025 roku ponad 40% polskich startupów deklaruje wykorzystanie sztucznej inteligencji jako głównej technologii. Firmy takie jak Nomagic, Synerise czy Infermedica rosną szybko i zatrudniają agresywnie.
Ale nawet mniejsze firmy - software house'y, agencje marketingowe, firmy produkcyjne - budują wewnętrzne zespoły AI lub zatrudniają pierwszych specjalistów od uczenia maszynowego. I właśnie w tym momencie popełniają te same błędy, które teraz wychodzą na jaw w Meta.
Oto trzy najczęstsze scenariusze, które obserwuję w polskich firmach:
- Zatrudnianie bez planu. Firma słyszy, że "trzeba mieć AI", więc zatrudnia dwóch data scientistów. Ale nie ma dla nich jasno zdefiniowanych projektów, infrastruktury ani sponsora biznesowego. Po trzech miesiącach ludzie siedzą i szukają sobie zadań albo robią dashboardy w Power BI, bo nikt nie wie, co z nimi zrobić.
- Zmiana priorytetów co kwartał. W jednym kwartale firma chce chatbota obsługującego klientów, w następnym - system predykcji sprzedaży, a w kolejnym - automatyzację dokumentów. Zespół AI skacze między projektami, nic nie doprowadza do końca, frustracja rośnie.
- Izolacja zespołu AI od reszty firmy. Specjaliści AI siedzą w swoim bąblu, nie rozumieją procesów biznesowych, a reszta firmy nie rozumie, co oni robią. Brak komunikacji prowadzi do projektów, które technicznie działają, ale biznesowo nie mają sensu.
Brzmi znajomo? To dokładnie te same problemy, które opisują inżynierowie Meta - tylko w mniejszej skali. A w mniejszej firmie konsekwencje mogą być proporcjonalnie nawet poważniejsze, bo strata dwóch z pięciu osób w zespole to utrata 40% kompetencji.
Jak budować zespół AI bez powtarzania błędów Big Techu?
Na podstawie doświadczeń z pracy z polskimi firmami widzę kilka praktyk, które naprawdę działają. Nie są odkrywcze - ale zaskakująco mało firm je stosuje.
1. Zacznij od problemu biznesowego, nie od technologii. Zanim zatrudnisz pierwszego specjalistę AI, odpowiedz sobie na pytanie: jaki konkretny problem biznesowy ma rozwiązać? Nie "chcemy wdrożyć AI", ale "chcemy skrócić czas odpowiedzi na zapytania klientów z 24 godzin do 2 godzin" albo "chcemy zmniejszyć liczbę błędów w kompletacji zamówień o 50%". To daje zespołowi jasny cel i mierzalny wynik.
Firma logistyczna z Wrocławia, z którą miałem okazję rozmawiać, zrobiła to dobrze. Zanim zatrudnili kogokolwiek, przez dwa miesiące mapowali swoje procesy i identyfikowali miejsca, gdzie AI może dać największy zwrot. Dopiero potem szukali ludzi - i wiedzieli dokładnie, kogo szukają. Efekt? Pierwszy działający model predykcji opóźnień w dostawach po czterech miesiącach od zatrudnienia, a nie po roku bezproduktywnego eksperymentowania.
2. Buduj przejrzystość od pierwszego dnia. W Meta jednym z głównych problemów był brak jasności co do tego, kto za co odpowiada i jakie są priorytety. W małej firmie to łatwiej naprawić - ale trzeba to zrobić świadomie. Cotygodniowe spotkania zespołu AI z osobami z biznesu, wspólna tablica projektów (nawet prosty Trello czy Notion wystarczy), regularne demo tego, nad czym się pracuje. To brzmi banalnie, ale w praktyce większość firm tego nie robi.
3. Daj ludziom poczucie wpływu. Inżynierowie Meta narzekali, że czują się jak tryby w maszynie. W polskiej firmie zatrudniającej 5-20 osób w zespole AI masz ogromną przewagę - możesz dać każdemu realny wpływ na kierunek projektu. Specjaliści AI to z reguły ludzie, którzy chcą rozwiązywać trudne problemy i widzieć efekty swojej pracy. Jeśli zamkniesz ich w powtarzalnych zadaniach bez kontekstu biznesowego, odejdą. Mediana wynagrodzenia inżyniera ML w Polsce to według Just Join IT około 18-25 tys. zł netto na B2B - ci ludzie mają wybór i z niego skorzystają.
4. Nie kopiuj struktury korporacji. Widzę polskie firmy zatrudniające 30 osób, które próbują wdrażać procesy rodem z Google'a - z rozbudowanymi obiegami zatwierdzania, wielopoziomowymi strukturami raportowania i formalnymi procesami code review obejmującymi pięć osób. To nie działa w małej skali. Buduj lekkie procesy, które można modyfikować w miarę wzrostu. Narzędzia takie jak Linear do zarządzania projektami, GitHub Copilot do wsparcia kodowania i Weights & Biases do śledzenia eksperymentów ML wystarczą na start. Nie potrzebujesz rozbudowanej platformy MLOps, jeśli masz trzy modele w produkcji.
Kultura pracy jako przewaga konkurencyjna
Jest jeszcze jeden aspekt, o którym polskie firmy rzadko myślą w kontekście AI: kultura pracy jako narzędzie rekrutacji i retencji. Na rynku, gdzie o dobrych specjalistów AI konkurujesz nie tylko z innymi polskimi firmami, ale też z zagranicznymi korporacjami oferującymi pracę zdalną, Twoja kultura organizacyjna jest jednym z niewielu wyróżników.
Badanie Stack Overflow Developer Survey z 2025 roku pokazuje, że dla 62% programistów kultura pracy jest ważniejsza niż wynagrodzenie przy wyborze pracodawcy. W przypadku specjalistów AI ten odsetek jest prawdopodobnie jeszcze wyższy, bo to ludzie, którzy mogą pracować praktycznie wszędzie.
Polskie firmy mają tu realną szansę. Możesz zaoferować coś, czego Meta nie potrafi: bliskość do decyzji biznesowych, szybką ścieżkę od pomysłu do wdrożenia, brak korporacyjnej biurokracji i realny wpływ na produkt. Firma Infermedica z Wrocławia od lat przyciąga topowych specjalistów AI właśnie tym - pracą nad realnym problemem (diagnostyka medyczna), małymi zespołami z dużą autonomią i kulturą opartą na zaufaniu.
Ale to wymaga świadomego wysiłku. Kultura pracy nie powstaje sama z siebie - albo ją projektujesz, albo powstaje przypadkowo. I jak widać na przykładzie Meta, przypadkowa kultura w zespole AI to przepis na katastrofę.
Czego nie wiemy i gdzie warto być ostrożnym
Trzeba uczciwie powiedzieć, że artykuł na TechCrunch przedstawia jedną stronę medalu. Relacje anonimowych pracowników to cenne źródło, ale nie pełny obraz. Meta nadal publikuje jedne z najlepszych modeli open source na świecie (Llama 4 to potwierdziła), więc nie wszystko w ich dziale AI jest dysfunkcyjne. Być może problemy dotyczą konkretnych podzespołów, a nie całej organizacji.
Podobnie - nie każda polska firma musi budować wewnętrzny zespół AI. Dla wielu małych i średnich przedsiębiorstw lepszym rozwiązaniem jest współpraca z zewnętrznym konsultantem lub software house'em specjalizującym się w AI, przynajmniej na początek. To pozwala zwalidować pomysł bez ryzyka związanego z budowaniem zespołu od zera. Dopiero gdy masz sprawdzony przypadek użycia i wiesz, że AI będzie u Ciebie pracować długoterminowo, zatrudnianie na stałe ma sens.
Nie istnieje też jeden uniwersalny model zarządzania zespołem AI. To, co działa w firmie produktowej, nie zadziała w software house'ie. Firma produkująca meble ma inne potrzeby niż fintech. Ważne jest, żeby uczyć się na cudzych błędach - ale adaptować rozwiązania do własnego kontekstu, a nie kopiować je bezmyślnie.
Podsumowanie
Historia chaosu w dziale AI Meta to ostrzeżenie, ale też szansa dla polskich firm. Szansa, bo pokazuje, że sam budżet i marka nie wystarczą do zbudowania skutecznego zespołu AI. Liczy się jasność celów, przejrzystość komunikacji, autonomia ludzi i świadomie budowana kultura pracy.
Polskie małe i średnie firmy mają naturalną przewagę w każdym z tych obszarów - pod warunkiem, że nie będą próbowały udawać korporacji. Zamiast tego powinny wykorzystać swoją zwinność, bliskość do klienta i płaskie struktury jako fundament zespołów AI, które nie tylko nie będą "gułagiem", ale staną się miejscem, gdzie ludzie naprawdę chcą pracować.
A to w dłuższej perspektywie przełoży się na lepsze modele, szybsze wdrożenia i realną przewagę biznesową. Bo najlepsza technologia AI na świecie jest bezużyteczna, jeśli ludzie, którzy ją budują, są wypaleni i sfrustrowani.
Źródło: TechCrunch - Meta's months-old AI unit is a 'soul-crushing gulag,' say the engineers stuck inside it