Predstavljajte si povsem običajno situacijo. Pred vami je zahtevno besedilo, problem, ki ga ne razumete najbolje, ali vprašanje, na katero ne poznate odgovora. Še pred nekaj leti bi morda iskali informacije, primerjali razlage, naredili nekaj napak in šele nato prišli do rešitve. Danes lahko vprašanje v nekaj sekundah prepustimo umetni inteligenci.
Odgovor dobimo hitreje. Toda ali smo se tudi kaj naučili?
Prav tu se skriva eno pomembnejših psiholoških vprašanj uporabe umetne inteligence. Ali zaradi umetne inteligence razmišljamo manj, ker del miselnega napora prepuščamo tehnologiji? Ali pa samo drugače razporejamo svoje kognitivne sposobnosti in jih lahko uporabimo za zahtevnejše naloge?
Raziskave za zdaj ne upravičujejo preprostega odgovora da ali ne. Veliko je odvisno od tega, kaj prepustimo umetni inteligenci, kdaj to naredimo in kaj z njenim odgovorom naredimo potem. Raziskovalci v reviji Nature Human Behaviour opozarjajo prav na dvojnost generativne umetne inteligence. Ta lahko podpira učenje, vendar njene koristi niso samoumevne in so odvisne tudi od načina uporabe.
Razmišljanje zahteva napor in človek ga pogosto zmanjšuje
Človeški kognitivni sistem ne rešuje vsakega problema po najzahtevnejši možni poti.
Če lahko nalogo opravimo z že znanim pravilom, navado ali zunanjim pripomočkom, bomo to pogosto storili. Takšna strategija je lahko zelo učinkovita.
Ni smiselno vsakokrat znova računati na pamet, če imamo kalkulator. Prav tako nam ni treba pomniti vsakega termina, če uporabljamo koledar.
Psihologija za prenos dela miselnega bremena na zunanje okolje uporablja izraz kognitivno razbremenjevanje oziroma cognitive offloading. Risko in Gilbert ga opisujeta kot uporabo zunanjih dejanj, s katerimi zmanjšujemo kognitivne zahteve določene naloge. Pregled Cognitive Offloading v Trends in Cognitive Sciences
Takšno razbremenjevanje ni nastalo z umetno inteligenco.
Koledar si zapomni datum namesto nas.
Kalkulator izvede račun.
Navigacija poišče pot.
Zapisek shrani informacijo, ki bi jo sicer morali ohraniti v spominu.
Generativna umetna inteligenca pa predstavlja zanimiv naslednji korak. Ne shranjuje samo informacij in ne izvaja samo vnaprej določene operacije. Lahko napiše razlago, povzame besedilo, ustvari argument, predlaga rešitev, pripravi strukturo ali interpretira informacije.
V nekaterih situacijah ji zato lahko prepustimo tudi del procesa, ki smo ga prej razumeli kot svoje razmišljanje.
Tu nastane pomembno vprašanje:
Kdaj nam umetna inteligenca pomaga razmišljati in kdaj začne razmišljanje opravljati namesto nas?
Kognitivno razbremenjevanje samo po sebi ni problem
Pri razpravah o umetni inteligenci bi naredili napako, če bi vsako zmanjšanje miselnega napora razumeli kot nekaj negativnega.
Razbremenitev je lahko zelo koristna.
Če umetna inteligenca povzame dolgo tehnično dokumentacijo in nam omogoči, da več časa namenimo presoji bistvenih vprašanj, smo morda odstranili predvsem rutinski del dela.
Če nam pomaga strukturirati zapiske, lahko več pozornosti namenimo povezovanju idej.
Če nam težak koncept razloži na več načinov, lahko podpira razumevanje.
Če jo prosimo, naj poišče argumente proti našemu stališču, lahko celo povečamo zahtevnost svojega razmišljanja.
Zato pravo vprašanje ni samo:
Koliko razmišljanja nam umetna inteligenca prihrani?
Pomembnejše je:
Katero razmišljanje nam prihrani?
Če tehnologija odstrani nepotrebno ponavljanje, lahko sprosti naše kognitivne vire.
Če odstrani prav tisti miselni proces, skozi katerega bi morali nekaj razumeti, vaditi ali se naučiti, pa je položaj drugačen.
Pomembna razlika med uspešnostjo in učenjem
Predstavljajte si študenta, ki mora razložiti zahteven psihološki koncept.
Brez umetne inteligence mora prebrati gradivo, ugotoviti, česa ne razume, povezati informacije in nato oblikovati razlago.
Z umetno inteligenco lahko v nekaj sekundah dobi jasno strukturiran odgovor.
Če ocenjujemo samo kakovost končnega izdelka, je lahko drugi pristop uspešnejši.
Toda kakovost izdelka ni nujno enaka količini učenja.
Yan, Greiff, Lodge in Gašević opozarjajo prav na razlikovanje med izboljšanjem trenutne izvedbe naloge in učenjem. Generativna umetna inteligenca lahko izboljša uspešnost uporabnika, vendar takšna uporaba ne zagotavlja nujno globljih kognitivnih in metakognitivnih procesov, ki so pomembni za kakovostno učenje. Nature Reviews Psychology o razliki med uspešnostjo in učenjem
To razlikovanje ima veliko širši pomen od izobraževanja.
Nekdo lahko s pomočjo umetne inteligence pripravi odlično poslovno analizo.
Toda ali zna problem analizirati tudi sam?
Lahko ustvari dobro predstavitev.
Toda ali razume argument, ki ga predstavlja?
Lahko dobi pravilno rešitev.
Toda ali bi znal prepoznati napačno?
Tu nastane zanimiv paradoks sodobne učinkovitosti.
Lahko postajamo uspešnejši pri ustvarjanju rezultatov, ne da bi se v enaki meri razvijala sposobnost, ki bi nam omogočila te rezultate ustvariti samostojno.
Zakaj je miselni napor pri učenju pomemben?
Če lahko do pravilnega odgovora pridemo lažje, zakaj bi si sploh želeli zahtevnejše poti?
Ker določena količina kognitivnega napora pri učenju ni samo neprijetna ovira. Lahko je del procesa.
Ko skušamo nekaj priklicati iz spomina, povezati informacije, pojasniti koncept ali rešiti problem, moramo vsebino aktivno obdelovati.
Prav pri tem pogosto ugotovimo, česa ne razumemo.
Opazimo luknje v znanju.
Prepoznamo informacije, ki si nasprotujejo.
Ugotovimo, kaj moramo ponovno preveriti.
Novo znanje povežemo s tem, kar že vemo.
Če odgovor dobimo še preden smo sami začeli razmišljati, lahko del tega procesa preskočimo.
To ne pomeni, da se moramo tehnologiji odpovedati.
Pomeni nekaj precej preprostejšega:
Najhitrejša pot do odgovora ni vedno najboljša pot do razumevanja.
Ko se navadimo, da odgovor vedno pride takoj
Tu se vprašanje umetne inteligence poveže z vedenjskimi vzorci.
V knjigi Vzorci, ki živijo v nas izhajam iz pomembnega psihološkega dejstva. Razumevanje nekega vedenja samo po sebi še ne pomeni, da ga bomo spremenili. Vzorec lahko vzdržujejo pričakovanja, pozornost, telesni odzivi in kratkoročne posledice vedenja.
Podoben proces lahko opazujemo pri uporabi tehnologije.
Naletimo na težavo.
Občutimo negotovost.
Vprašamo umetno inteligenco.
Dobimo odgovor.
Negotovost se zmanjša.
Če se takšno zaporedje pogosto ponavlja, lahko postane običajen način odzivanja na kognitivno zahtevnost.
Problem zato ni posamezno vprašanje umetni inteligenci.
Pomembnejši je avtomatizem.
Ali umetno inteligenco uporabljamo po tem, ko smo začeli razmišljati, ali jo uporabimo namesto tega, da bi začeli razmišljati?
To sta psihološko različni situaciji.
Več o tem, kako se vedenje utrjuje in zakaj se lahko ponavlja tudi takrat, ko ga razumemo, lahko preberete v članku Vedenjski vzorci.
Produktivni napor ni isto kot nepotrebna težavnost
Pri tem moramo paziti tudi na nasprotno skrajnost.
Ni vsak napor koristen.
Če nekdo dve uri išče podatek, ki ga lahko zanesljivo pridobi v nekaj sekundah, dodatni napor sam po sebi nima posebne psihološke vrednosti.
Prav tako lahko prevelika kognitivna obremenitev otežuje učenje.
Smiselna uporaba tehnologije zato ni tekmovanje v tem, kdo bo več naredil brez pomoči.
Vprašanje je, kateri del napora je pomemben za sposobnost, ki jo želimo razviti.
Če se učimo argumentiranja, je oblikovanje argumenta pomemben del naloge.
Če se učimo jezika, je oblikovanje stavkov pomembno.
Če se učimo programiranja, je razumevanje logike kode pomembno.
Če pa moramo pri zahtevni strokovni nalogi urediti veliko količino informacij, nam lahko umetna inteligenca odstrani del rutinskega bremena in omogoči več časa za strokovno presojo.
Razlika je med odstranjevanjem nepotrebnega napora in odstranjevanjem tistega napora, skozi katerega se razvija sposobnost.
Umetna inteligenca lahko učenje tudi izboljša
Znanstvena slika zato ni enostranska.
Leta 2025 je bil v reviji Scientific Reports objavljen randomizirani kontrolirani poskus, v katerem so raziskovalci primerjali učenje študentov pri posebej zasnovanem sistemu z umetno inteligenco in pri aktivnem učenju v predavalnici.
Rezultati so pokazali večji učni napredek pri uporabi posebej zasnovanega tutorja z umetno inteligenco. Študenti so za učenje porabili manj časa ter poročali o večji angažiranosti in motivaciji. Randomizirani kontrolirani poskus v Scientific Reports
Toda pri interpretaciji je pomembna podrobnost.
Raziskovalci študentom niso preprosto omogočili neomejene uporabe običajnega klepetalnega modela. Tutor je bil posebej zasnovan z ustreznimi navodili in strukturirano podporo ter je uporabljal pedagoška načela, ki so bila vključena tudi v primerjalno aktivno učenje.
To bistveno spremeni interpretacijo.
Umetna inteligenca torej ni nujno bližnjica okoli učenja. Lahko postane tudi orodje učenja.
Razlika je lahko v tem, kaj od uporabnika zahteva.
Primerjajmo dva načina uporabe.
Prvi:
Napiši mi odgovor na to vprašanje.
Drugi:
Ne povej mi še odgovora. Postavi mi vprašanje, ki mi bo pomagalo, da do rešitve pridem sam.
V prvem primeru tehnologija opravi velik del naloge.
V drugem pomaga strukturirati naš miselni proces.
Orodje je lahko isto.
Kognitivna izkušnja pa je precej drugačna.
Iluzija razumevanja
Obstaja še ena subtilna težava.
Ko beremo jasno in lepo strukturirano razlago, lahko dobimo občutek:
To razumem.
Toda prepoznavanje dobre razlage ni enako sposobnosti, da jo sami obnovimo.
To lahko hitro preverimo.
Preberemo odgovor umetne inteligence.
Nato ga zapremo.
In poskusimo brez pomoči odgovoriti na tri vprašanja:
Kaj je bila glavna ideja?
Zakaj naj bi veljala?
Kako bi jo razložil drugemu človeku?
Če tega ne zmoremo, smo morda sledili razlagi med branjem, nismo pa še zgradili dovolj stabilnega lastnega razumevanja.
Generativna umetna inteligenca lahko takšno razliko nekoliko zakrije, ker pogosto proizvaja tekoče in dobro strukturirane odgovore.
Toda tekočnost odgovora ni dokaz globine našega razumevanja.
Kaj se zgodi, ko UI postane prvi odziv na vsako vprašanje?
Predstavljajte si običajen dan.
Ne veste, kako napisati elektronsko sporočilo. Vprašate umetno inteligenco.
Ne veste, kaj skuhati. Vprašate umetno inteligenco.
Ne veste, kako odgovoriti sodelavcu. Vprašate umetno inteligenco.
Ne razumete članka. Vprašate umetno inteligenco.
Ne veste, katero možnost izbrati. Ponovno vprašate umetno inteligenco.
Posamezno nobena od teh situacij ni nujno problematična.
Skupaj pa odpirajo širše psihološko vprašanje.
Človekovo mišljenje se razvija tudi skozi majhne vsakodnevne situacije, v katerih oblikujemo možnosti, prenašamo negotovost, izbiramo med alternativami in presojamo posledice svojih odločitev.
Če umetna inteligenca postane prvi odziv na vsako nejasnost, nanjo ne prenašamo samo iskanja informacij.
V nekaterih primerih lahko začnemo prenašati tudi pobudo za začetek razmišljanja.
To še ne pomeni, da bomo izgubili sposobnost razmišljanja.
Za tako širok vzročni zaključek trenutno nimamo dovolj kakovostnih dolgoročnih dokazov.
Pomeni pa, da je smiselno opazovati svoje navade uporabe.
Ali zaradi umetne inteligence izgubljamo kognitivne sposobnosti?
Na tej točki moramo biti znanstveno previdni.
Trenutno ni upravičeno trditi, da generativna umetna inteligenca sama po sebi povzroča splošen upad človekovih kognitivnih sposobnosti.
Tehnologija se hitro spreminja, načini uporabe so zelo različni, raziskovalna literatura pa se še razvija.
Pregled Yan in sodelavcev v Nature Human Behaviour opisuje pomembne možnosti generativne umetne inteligence za personalizirano podporo, povratne informacije in učenje, hkrati pa opozarja na omejitve modelov, etične izzive ter potrebo po nadaljnjem raziskovanju vplivov na človeško kognicijo, metakognicijo in ustvarjalnost.
Drugo opozorilo prihaja iz razlikovanja med izvedbo in učenjem. Če tehnologija izboljša naš trenutni rezultat, iz tega še ne moremo avtomatično sklepati, da se je v enaki meri izboljšalo naše znanje ali sposobnost samostojnega reševanja podobnih problemov.
Na drugi strani raziskava Kestina in sodelavcev kaže, da lahko premišljeno zasnovana uporaba umetne inteligence pod določenimi pogoji dejansko izboljša učenje.
Zato je trenutno natančnejši zaključek:
Učinek umetne inteligence na naše razmišljanje je odvisen tudi od tega, ali tehnologija podpira naš miselni proces ali prevzame prav tisti del procesa, ki bi ga morali opraviti sami.
Kako uporabljati UI in hkrati ohranjati lastno razmišljanje?
Umetne inteligence nam ni treba uporabljati manj samo zato, da bi dokazovali svojo samostojnost.
Veliko bolj smiselno je izboljšati način njene uporabe.
Najprej poskusite sami
Preden vprašate umetno inteligenco, si pri pomembnejšem problemu vzemite nekaj časa.
Kaj že veste?
Kako bi problem rešili?
Kje ste negotovi?
Kaj predvidevate?
Šele nato primerjajte svoje razmišljanje z odgovorom umetne inteligence.
Tako odgovor ne postane začetek vašega razmišljanja, ampak informacija, s katero lahko svoje razmišljanje primerjate.
Prosite za namig, ne za rešitev
Namesto:
Reši to.
lahko poskusite:
Daj mi prvi namig, vendar mi še ne povej rešitve.
Na ta način umetna inteligenca postane opora pri mišljenju in ne nujno njegov nadomestek.
Po odgovoru preverite svoje razumevanje
Preberite razlago in jo nato zaprite.
Poskusite bistvo povedati s svojimi besedami.
Če tega ne morete, se vprašajte, kateri del vam pravzaprav še ni jasen.
Zahtevajte vprašanja
Ena zanimivejših možnosti uporabe umetne inteligence je zelo preprosto navodilo:
Postavljaj mi vprašanja, s katerimi bom sam prišel do zaključka.
Takšen način lahko zahteva precej več aktivnega razmišljanja kot neposredno generiranje končnega odgovora.
Pri pomembnih odločitvah ohranite nekaj miselnega trenja
Preden sprejmete priporočilo umetne inteligence, si lahko zastavite tri vprašanja:
Zakaj se s tem strinjam?
Kaj govori proti temu?
Kaj bi izbral, če tega predloga ne bi videl?
S tem se ponovno vključimo v proces presoje.
Najpomembnejša sposobnost prihodnosti morda ne bo samo znati uporabljati UI
Verjetno se bomo umetno inteligenco naučili uporabljati zelo hitro.
Vmesniki bodo postajali preprostejši.
Modeli bodo postajali zmogljivejši.
Odgovori bodo prihajali hitreje.
Zato tehnična uporaba umetne inteligence morda ne bo največji psihološki izziv.
Zahtevnejša sposobnost bo vedeti, kdaj jo uporabiti, za kaj jo uporabiti, česa ji ne prepustiti in kdaj po njenem odgovoru ponovno začeti razmišljati sam.
To je metakognitivno vprašanje.
Ne gre samo za razmišljanje.
Gre tudi za sposobnost opazovati in usmerjati lastno razmišljanje.
V širšem članku Umetna inteligenca in človek: kako UI spreminja naše razmišljanje? sem odprl prav vprašanje, kako se ob vse večji uporabi umetne inteligence spreminjajo naše kognitivne navade, presoja in način reševanja problemov.
Vprašanje prihodnosti zato morda ne bo samo, kaj vse bo znala umetna inteligenca.
Pomembno bo tudi, katere sposobnosti bomo ob njej še naprej zavestno uporabljali in razvijali sami.
Zaključek
Ali zaradi umetne inteligence razmišljamo manj?
V nekaterih situacijah opravimo manj miselnega dela, ker ga del prenesemo na tehnologijo. Toda iz tega še ne moremo sklepati, da umetna inteligenca sama po sebi zmanjšuje naše sposobnosti razmišljanja.
Ključno vprašanje je, kaj smo prenesli.
Če umetna inteligenca prevzame rutinsko organizacijo informacij in nam omogoči več časa za razumevanje, presojo in ustvarjanje, je lahko kognitivno razbremenjevanje koristno.
Če pa ji vedno znova prepustimo prav tisti del naloge, skozi katerega bi morali razvijati določeno sposobnost, lahko dobimo rezultat, ne da bi v enaki meri opravili proces, ki vodi do znanja in razumevanja.
Zato prihodnost človeškega razmišljanja verjetno ne bo odvisna samo od tega, ali bomo uporabljali umetno inteligenco.
Odvisna bo tudi od tega, kako jo bomo umestili med vprašanje, miselni napor in odgovor.
Avtorska misel
»Težava ni, da nam umetna inteligenca olajša razmišljanje. Težava bi nastala, če bi se navadili, da je vsak miselni napor nekaj, čemur se moramo izogniti.«
Danijel Horvat, psiholog
Nadaljujte z raziskovanjem
Če želite najprej razumeti širši vpliv umetne inteligence na človeško mišljenje, preberite:
Preberite: Umetna inteligenca in človek
Pri uporabi tehnologije niso pomembne samo njene zmožnosti. Pomembni so tudi vzorci, ki jih človek ob njej razvija:
Naslednji članek v tematskem grozdu bo odprl novo vprašanje: Zakaj tako hitro zaupamo umetni inteligenci?
O avtorju
Danijel Horvat, magister psihologije
Psiholog, raziskovalec in avtor. Na Psihoviziji povezuje psihološko znanje, raziskovalni pristop in praktične izkušnje ter psihološka spoznanja približuje posameznikom in organizacijam na strokoven, razumljiv in uporaben način.
Njegovo poslanstvo je pomagati ljudem bolje razumeti sebe in svoje situacije, prepoznavati ter razvijati potenciale in premagovati notranje ovire, ki jih omejujejo pri osebnem in poklicnem razvoju.
S svojim delom psihologijo približuje resničnemu življenju ter ustvarja znanje, ideje in praktična orodja, ki posameznikom pomagajo bolje razumeti sebe, sprejemati kakovostnejše odločitve, ustvarjati pozitivne spremembe ter živeti bolj zavestno, kakovostno in izpolnjeno.
V ospredju njegovega dela je prepričanje, da pravo razumevanje človeka ni samo cilj psihologije, temveč tudi izhodišče za njegov razvoj.
Viri in literatura
Horvat, D. (2026). Vzorci, ki živijo v nas. Psihovizija.
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in class active learning: An RCT introducing a novel research based design in an authentic educational setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
Yan, L., Greiff, S., Teuber, Z., & Gašević, D. (2024). Promises and challenges of generative artificial intelligence for human learning. Nature Human Behaviour, 8, 1839–1850. https://doi.org/10.1038/s41562-024-02004-5
Yan, L., Greiff, S., Lodge, J. M., & Gašević, D. (2025). Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 4, 435–436. https://doi.org/10.1038/s44159-025-00467-5