Paradoks Polanyiego – dlaczego nie umiesz wytłumaczyć tego, co robisz najlepiej

Stoisz na dworcu w godzinach szczytu. Przez halę przewija się kilkaset osób, twarz przy twarzy, wszystkie w ruchu. I nagle, gdzieś w tym tłumie, wyłapujesz kogoś znajomego. Bez wysiłku, bez namysłu. Rozpoznanie przychodzi wcześniej niż myśl o rozpoznawaniu.

A teraz spróbuj to zapisać. Wyobraź sobie, że masz przekazać obcej osobie instrukcję, po której wskaże tę samą twarz w tym samym tłumie. Kolor oczu, kształt nosa, wzrost, coś o fryzurze. Wypiszesz dziesięć cech i wciąż będzie za mało, bo pod taki opis podpada połowa hali. Rozpoznajesz tę twarz wśród tysiąca innych i jednocześnie nie potrafisz powiedzieć, po czym ją rozpoznajesz.

W 1966 roku Michael Polanyi otworzył książkę The Tacit Dimension zdaniem, które zrobiło potem karierę daleko poza filozofią. Napisał, że zamierza przemyśleć ludzką wiedzę na nowo, wychodząc od faktu, że wiemy więcej, niż potrafimy powiedzieć.

Przez kilkadziesiąt lat brzmiało to jak elegancka ciekawostka o naturze umysłu. Dziś jest jednym z najczęściej przywoływanych argumentów w sporze o to, co maszyny odbiorą ludziom, a czego nie tkną.

W tym artykule przyjrzymy się, kim był człowiek, który to zauważył, dlaczego jego myśl nazwano paradoksem dopiero prawie czterdzieści lat po jego śmierci i co się z nią stało w chwili, gdy maszyny nauczyły się rozpoznawać twarze lepiej od nas.

Czym jest paradoks Polanyiego i skąd się wziął?

Polanyi dzieli ludzką wiedzę na dwie części. Pierwsza daje się zapisać. Instrukcja obsługi, przepis, regulamin, kod. Można ją wydrukować, wysłać mailem albo wgrać do maszyny, a po drugiej stronie zadziała tak samo. Druga część działa bezbłędnie i nie daje się zapisać w ogóle. Rozpoznawanie twarzy. Jazda na rowerze. Wyczucie, że rozmowa z klientem właśnie zaczęła iść w złą stronę, choć nikt nie powiedział jeszcze nic złego.

Ta druga część nazywa się w polskiej literaturze różnie. Wiedza ukryta, milcząca, niejawna, cicha. Każde z tych tłumaczeń jest odrobinę obok, bo angielskie tacit bliższe jest zwrotowi „przyjmowany w milczeniu” niż słowu „schowany”. Nikt tej wiedzy nie ukrywa. Ona po prostu nigdy nie przeszła przez słowa.

Michael Polanyi urodził się w Budapeszcie w 1891 roku i zanim doszedł do filozofii, zdążył przeżyć dwa inne życia zawodowe. Skończył medycynę. Potem obronił doktorat z chemii i został wybitnym chemikiem fizycznym z dorobkiem ponad dwustu prac naukowych. W 1933 roku uciekł z nazistowskich Niemiec i osiadł na uniwersytecie w Manchesterze. Filozofią nauki zajął się dopiero w drugiej połowie życia, mając za sobą kilkadziesiąt lat przy laboratoryjnym stole.

To pochodzenie widać w treści jego myśli. Polanyi nie pisał o wiedzy ukrytej jako teoretyk. Pisał o niej jako człowiek, który przez lata prowadził eksperymenty i widział z bliska, że najlepsi badacze wyczuwają dobry trop, zanim potrafią uzasadnić, dlaczego jest dobry. Nazwisko zresztą pojawia się w tej rodzinie w trzech różnych dziedzinach. Brat Karl został znanym ekonomistą, a syn John profesorem chemii w Toronto i laureatem Nagrody Nobla z 1986 roku.

I tu pojawia się rzecz, która najwięcej mówi o losach całej koncepcji. Polanyi nigdy nie użył słowa „paradoks”. Wydał The Tacit Dimension w 1966 roku, zmarł dziesięć lat później, a nazwę „paradoks Polanyiego” nadał jego obserwacji ekonomista David Autor z MIT dopiero w 2014 roku. Prawie czterdzieści lat po śmierci autora i w zupełnie innej dyscyplinie niż ta, w której ta myśl powstała.

Dlaczego twarzy nie da się opisać? Mechanizm wiedzy ukrytej

Polanyi wyjaśnił to jednym przykładem z warsztatu. Wbijasz gwóźdź młotkiem. Jesteś świadomy i gwoździa, i uderzeń, które czujesz w dłoni, ale te dwie świadomości mają zupełnie inny charakter. Patrzysz na gwóźdź. Czucie w dłoni pracuje w tle jako wskazówka mówiąca, czy trzymasz młotek dobrze i czy trafiasz.

Pierwszą z nich Polanyi nazwał świadomością ogniskową, drugą uboczną. O tym, do której należy dane wrażenie, nie decyduje jego natężenie. Decyduje pełniona funkcja. Czucie w dłoni może być bardzo wyraźne i wciąż pozostawać uboczne, dopóki służy za wskazówkę do czegoś innego.

Lubił też przykład laski niewidomego. Na początku laska jest przedmiotem trzymanym w ręce i czuje się jej uchwyt. Po jakimś czasie uchwyt znika ze świadomości, a czucie przenosi się na czubek. Człowiek przestaje odbierać drgania w dłoni i zaczyna odbierać krawężnik. Narzędzie wchodzi do ciała.

Stąd bierze się najdziwniejsza własność wiedzy ukrytej. Ona rozpada się w chwili, gdy skierujesz na nią uwagę wprost. Polanyi opisał to na pianiście, który w trakcie gry przenosi uwagę z utworu na to, co robią jego palce. Zaczyna się gubić i może być zmuszony przerwać. Wrażenia działające jako wskazówki przestają nimi być w momencie, w którym same stają się przedmiotem obserwacji.

To samo dzieje się z twarzą z początku tego artykułu. Rozpoznanie działa, ponieważ dziesiątki drobnych sygnałów pracują w tle i prowadzą do jednej całości. Kiedy próbujesz je wyliczyć, rozbijasz całość na części i zostajesz z listą cech pasujących do połowy dworca.

Ten sam mechanizm potrafi działać na poziomie eksperckim. Malcolm Gladwell otwiera Błysk! historią greckiego posągu, którego Muzeum Getty'ego kupiło w latach osiemdziesiątych za dziesięć milionów dolarów. Przed transakcją muzeum prowadziło czternaście miesięcy badań, łącznie z analizą geologiczną marmuru, i uznało rzeźbę za autentyczną. Kilku historyków sztuki poczuło coś przeciwnego w pierwszej sekundzie. Federico Zeri zatrzymał się na paznokciach figury. Thomas Hoving stwierdził po prostu, że coś jest nie tak. Żaden nie potrafił wtedy uzasadnić dlaczego. Dokumenty pochodzenia okazały się później sfałszowane, a autentyczność posągu budzi wątpliwości do dziś.

Sam Polanyi używał wiedzy ukrytej do rozbrojenia znacznie starszego problemu. Platon w dialogu Menon postawił zarzut, że szukanie rozwiązania jest z gruntu absurdalne, bo albo wiesz, czego szukasz, i wtedy nie masz problemu, albo nie wiesz i nie rozpoznasz odpowiedzi nawet wtedy, gdy na nią wpadniesz. Odpowiedź Polanyiego brzmiała, że rozpoznasz ją dlatego, iż przez cały czas prowadzi cię przeczucie kierunku, którego nie umiesz wypowiedzieć. To dlatego badacz potrafi wyczuć, że zbliża się do rozwiązania, zanim je zobaczy.

Jak Matsushita nauczył maszynę piec chleb

W 1985 roku Matsushita Electric, firma znana dziś jako Panasonic, pracowała nad domowym automatem do pieczenia chleba. Urządzenie miało robić wszystko samo, od ugniatania po wypiek. Problem polegał na tym, że chleb wychodził zły. Skórka była przypieczona, a środek prawie surowy. Zespół zmieniał parametry i poprawiał mechanizm, ale ugniatanie ciasta uparcie nie chciało wyjść tak, jak powinno.

Ikuko Tanaka, programistka z zespołu, zaproponowała rozwiązanie spoza inżynierskiego repertuaru. Poszła na praktykę do szefa piekarni w hotelu Osaka International, o którym mówiono, że wypieka najlepszy chleb w okolicy. Nie przyszła tam z ankietą ani z listą pytań. Przyszła ugniatać ciasto obok niego.

Trwało to miesiącami. Naśladowała ruchy, powtarzała je, myliła się i powtarzała jeszcze raz. Aż pewnego dnia zobaczyła coś, czego nie było w żadnym opisie procesu. Piekarz ciasta nie tylko rozciągał. Rozciągał je i jednocześnie skręcał.

Tego ruchu nikt wcześniej nie miał w głowie w formie zdania. Piekarz wykonywał go od lat i nigdy nie musiał go nazywać. Tanaka nazwała go po raz pierwszy, mówiąc inżynierom o „skręcającym rozciąganiu”, i to określenie stało się pomostem między jej ręką a ich rysunkami. Samo słowo jednak nie wystarczyło. Przełożenie go na mechanizm zajęło zespołowi rok, w trakcie którego dołożono żebra wewnątrz komory na ciasto, żeby lepiej je trzymały podczas obracania, a drożdże zaczęto dodawać na późniejszym etapie, aby nie fermentowały w zbyt wysokiej temperaturze. Automat trafił do japońskich sklepów w 1986 roku.

Historię tę opisali Ikujiro Nonaka i Hirotaka Takeuchi w książce Kreowanie wiedzy w organizacji, wydanej po polsku przez Poltext w 2000 roku. Posłużyła im za ilustrację modelu, w którym wiedza krąży w firmie w czterech trybach, a pierwszy z nich Nonaka nazwał socjalizacją. To ten moment, w którym wiedza ukryta przechodzi z jednego człowieka na drugiego bez pośrednictwa dokumentu, przez wspólne wykonywanie tej samej czynności.

Warto zwrócić uwagę na przepustowość takiego kanału. Jedna osoba, kilka miesięcy, jedna umiejętność, jeden ruch nadgarstka. Wszystko, co firma potrafi zapisać w procedurze, da się rozesłać do tysiąca ludzi w minutę. Wszystko, czego zapisać się nie da, przechodzi w tempie jednego ucznia naraz i wymaga fizycznej obecności przy kimś, kto już umie.

Co paradoks Polanyiego mówi o automatyzacji pracy?

Nazwa „paradoks Polanyiego” narodziła się w sierpniu 2014 roku, w miejscu odległym od filozofii nauki. David Autor, ekonomista z MIT zajmujący się rynkiem pracy, przygotował referat na doroczne sympozjum Rezerwy Federalnej w Jackson Hole. Obrady dotyczyły zmian na rynku pracy, a Autor postanowił wyjaśnić je zdaniem sprzed pół wieku.

Jego rozumowanie było proste. Żeby maszyna wykonała jakąś czynność, ktoś musi umieć tę czynność opisać. Skoro spora część tego, co ludzie robią najlepiej, nigdy nie przeszła przez słowa, to spora część ludzkiej pracy pozostaje poza zasięgiem programisty. Obserwacja Polanyiego z 1966 roku wyprzedzała epokę komputerów, a mimo to okazała się dobrą mapą pięciu dekad komputeryzacji.

Z tej mapy wynikał konkretny kształt, który Autor widział w danych. Automatyzacja zabierała przede wszystkim zajęcia dające się rozłożyć na powtarzalne reguły, czyli środkową półkę rynku pracy. Utrzymywały się natomiast oba jego końce. Na górze zawody wymagające rozwiązywania problemów, intuicji, kreatywności i przekonywania. Na dole zajęcia wymagające orientacji w zmiennej sytuacji, rozpoznawania obrazu i rozumienia mowy. Wspólny mianownik obu krańców pozostaje ten sam. Wiedza, która nimi rządzi, nigdy nie została spisana.

Autor zgłosił przy tym zastrzeżenie, które w 2014 roku brzmiało jak głos rozsądku. Uważał, że dziennikarze i komentatorzy przeceniają skalę zastępowania ludzi przez maszyny, a pomijają zjawisko odwrotne, w którym maszyna wzmacnia człowieka, zamiast go usuwać.

Wskazał też dwie drogi obejścia paradoksu. Pierwsza polega na upraszczaniu świata. Zamiast uczyć maszynę radzenia sobie ze złożonym otoczeniem, przebudowujemy otoczenie tak, żeby złożoności było w nim mniej. Tory kolejowe, drogi dla samochodów, kody kreskowe w sklepie, uporządkowany magazyn. Każde z tych rozwiązań wygładza świat pod maszynę. Autor zauważał, że samochód autonomiczny wymagałby znaczącej przebudowy istniejącej infrastruktury drogowej.

Druga droga odwraca kierunek. Zamiast wpisywać maszynie regułę, pokazujemy jej tysiące przykładów i pozwalamy wyprowadzić regułę samodzielnie z danych i statystyki. To maszyna dopasowuje się wtedy do świata, a nie odwrotnie.

Autor pisał to w 2014 roku. Niecałą dekadę później druga z jego dróg przestała być zapowiedzią.

Czy AI właśnie złamała paradoks Polanyiego?

Dziś maszyny robią dokładnie te rzeczy, które Autor wymieniał jako oporne. Rozpoznają twarze na poziomie, który jeszcze niedawno wydawał się zarezerwowany dla ludzi. Prowadzą samochody po zwykłych, nieprzebudowanych ulicach. Rozumieją mowę, wyłapują ton wypowiedzi i reagują na kontekst rozmowy. Nikt nie zapisał reguły rozpoznawania twarzy, bo nikt jej nie zna. Została wyprowadzona z milionów przykładów. Zadziałała druga z dróg Autora, i to mocniej, niż on sam zakładał.

Wniosek narzuca się sam. Paradoks Polanyiego przestał obowiązywać, skoro maszyna nauczyła się rzeczy, których nikt nie umiał opisać. Zanim jednak go przyjmiemy, warto rozbić samo pojęcie wiedzy ukrytej na części.

Zrobiła to Janna Lu w pracy Tacit knowledge in large language models, opublikowanej w 2025 roku w „The Review of Austrian Economics”. Rozróżnia trzy rodzaje wiedzy ukrytej i sprawdza po kolei, które z nich mają modele językowe.

Pierwszy rodzaj to wiedza, którą teoretycznie dałoby się spisać, tylko koszt takiego spisania byłby absurdalny. Modele ją mają, bo przerobiły dość przykładów, żeby wyprowadzić ją z tekstu. Drugi rodzaj to niuans i podtekst zakodowane w samym języku, czyli to, co człowiek słyszy między słowami. Ten również mają i jest to największa niespodzianka ostatnich lat. Trzeciego nie mają. Jest nim wiedza ucieleśniona, zdobywana przez zmysły i ciało.

Tu wraca ciasto z piekarni w Osace. Skręcający ruch nadgarstka nigdy nie trafił do żadnego tekstu, więc nie ma go w danych, z których modele się uczą. Tanaka musiała stanąć obok piekarza, bo innej drogi po prostu nie było.

Wyjaśnienie tej granicy pojawiło się zresztą wcześniej niż sam spór. W 1988 roku robotyk Hans Moravec zauważył w książce Mind Children, że stosunkowo łatwo jest doprowadzić komputer do poziomu dorosłego człowieka w testach inteligencji albo w warcabach, a trudno lub wręcz nie sposób dać mu umiejętności rocznego dziecka w postrzeganiu i poruszaniu się. Nazwano to później paradoksem Moraveca. Wyjaśnienie jest ewolucyjne. Układy zmysłowe i ruchowe szlifowały się przez miliard lat, a myślenie abstrakcyjne jest świeżym dodatkiem, którego natura nie zdążyła porządnie dopracować. To, co przychodzi nam bez wysiłku, stanowi najlepiej wykończoną część naszego wyposażenia.

Jest jeszcze trzeci wątek i wygląda najciekawiej ze wszystkich. Enrique Ide opisał w pracy Automation, AI, and the Intergenerational Transmission of Knowledge z 2025 roku mechanizm dotykający dokładnie tego kanału z piekarni. Wiedza ukryta przechodzi z człowieka na człowieka wtedy, gdy początkujący pracuje obok doświadczonego. Zadania początkujących są zaś zwykle najprostsze do zautomatyzowania. Model Idego pokazuje, że automatyzacja pracy wejściowej podnosi wydajność natychmiast po wdrożeniu, a mimo to potrafi obniżyć wzrost i dobrobyt w dłuższym okresie, ponieważ odsuwa nowicjuszy od najlepszych praktyków.

Obraz, który się z tego składa, jest mniej efektowny od nagłówków. Paradoks Polanyiego nie pękł i nie został nietknięty. Przesunął się. Wiedza ukryta zapisana w języku okazała się dla maszyn dostępna, choć przez pięćdziesiąt lat uchodziła za prywatną własność człowieka. Wiedza ucieleśniona została po drugiej stronie granicy. A kanał, którym ta druga przechodzi z pokolenia na pokolenie, właśnie się zwęża.

Podsumowanie

Paradoks Polanyiego zaczął się od spostrzeżenia o granicach języka. Wiemy więcej, niż potrafimy powiedzieć, a to, czego nie umiemy powiedzieć, bywa najcenniejszą częścią tego, co umiemy. Polanyi zapisał to jako filozof nauki, który wcześniej spędził dekady przy laboratoryjnym stole i z bliska widział, jak pracuje wyczucie badacza.

Pół wieku później ekonomista zamienił tę myśl w prognozę o rynku pracy i przez kilka dekad prognoza się sprawdzała. Potem część jej fundamentów rozmontowało uczenie maszynowe, wchodząc dokładnie tam, gdzie miało sobie nie poradzić.

Paradoks przetrwał to w zmienionej formie. Dziś mówi mniej o tym, czego maszyny nie potrafią, a więcej o tym, gdzie w konkretnej pracy siedzi ta jej część, której nie da się skopiować z dokumentu. Granica przebiega inaczej niż w 1966 roku i inaczej niż w 2014. Nic nie zapowiada, żeby miała zostać tam, gdzie jest dzisiaj.

Warto więc zadać sobie pytanie, które Polanyi zostawił w gruncie rzeczy każdemu z osobna. Ile z tego, co robisz najlepiej, dałoby się jutro komuś podyktować, a ile trzeba by pokazywać, stojąc obok przez pół roku?