AI jako lustro. Dlaczego tak łatwo się z nim dogadujemy?

Rozmowa z AI bywa zaskakująco płynna. Model odpowiada szybko, dopasowuje ton, porządkuje chaos i często mówi językiem, który brzmi znajomo. Potrafi streścić naszą myśl lepiej, niż sami ją przed chwilą zapisaliśmy. Potrafi nazwać napięcie, którego nie umieliśmy nazwać. Potrafi zadać spokojne pytanie tam, gdzie my przyszliśmy z niepokojem.

To może sprawiać wrażenie zrozumienia. Nie w sensie technicznym, ale w codziennym, bardzo ludzkim sensie: ktoś mnie słyszy, ktoś idzie za moim tokiem myślenia, ktoś nie przerywa, ktoś nie wywraca oczami, ktoś nie każe mi skrócić historii do dwóch zdań. Tyle że po drugiej stronie nie ma drugiej osoby. Jest system, który pracuje na języku, kontekście rozmowy i wzorcach wyniesionych z danych.

Być może więc lubimy rozmawiać z AI nie dlatego, że ono naprawdę nas zna. Być może lubimy je dlatego, że w pewien sposób oddaje nam nasze własne myślenie w uporządkowanej formie. Nie jest to lustro duszy. Jest to raczej lustro językowe i społeczne: odbija słowa, założenia, emocjonalną ramę pytania, nasze oczekiwania wobec rozmowy i styl wyjaśniania, którego akurat szukamy.

Problem zaczyna się wtedy, gdy mylimy dopasowaną odpowiedź z realnym rozumieniem.

Rozmowa, która zbyt łatwo się układa

Zwykła rozmowa z człowiekiem ma opór. Druga osoba ma własny czas, nastrój, interesy, historię, ograniczenia i granice uwagi. Może nie zrozumieć. Może wejść w słowo. Może powiedzieć, że nie ma teraz siły. Może odpowiedzieć zbyt szybko albo zbyt ostro. Może mieć swoje przekonania na temat sytuacji, zanim skończymy ją opowiadać.

AI usuwa dużą część tego oporu. Odpowiada natychmiast. Nie okazuje znużenia. Nie sprawia, że czujemy się niezręcznie, gdy pytanie jest banalne, wstydliwe albo źle sformułowane. Pozwala zacząć od chaosu, potem poprawić pytanie, potem dopisać kontekst, potem zapytać jeszcze raz. Nie trzeba troszczyć się o relację w takim sensie, w jakim troszczymy się o relację z człowiekiem. Nie trzeba pytać: czy mam prawo zawracać komuś głowę tym tematem?

To doświadczenie jest nowe nie dlatego, że ludzie wcześniej nie pisali pamiętników, nie rozmawiali z wyszukiwarkami albo nie korzystali z narzędzi do porządkowania myśli. Nowe jest połączenie trzech rzeczy: rozmownej formy, płynnej odpowiedzi i poczucia, że system dopasowuje się do tonu użytkownika. W badaniach nad interakcją człowiek-komputer od dawna opisywano, że ludzie potrafią reagować społecznie na media i komputery, nawet wtedy, gdy deklaratywnie wiedzą, że nie mają do czynienia z osobą. Reeves i Nass nazwali to szeroko “media equation”, a badania CASA pokazywały, że komputer może uruchamiać społeczne nawyki reagowania.

Dzisiejsze modele językowe nie są prostym powtórzeniem ELIZY ani dawnych chatbotów. Są bardziej elastyczne, piszą lepiej i realnie uczestniczą w codziennej pracy. Ale po stronie użytkownika działa znany mechanizm: gdy coś odpowiada językiem, tonem i rytmem rozmowy, łatwo zaczynamy traktować to jak obecność społeczną.

Łatwość rozmowy z AI bierze się więc nie tylko z jakości odpowiedzi. Bierze się także z braku społecznego kosztu. Można pomyśleć na głos. Można przyznać się do niewiedzy. Można wkleić szkic, którego nie pokazalibyśmy jeszcze współpracownikowi. Można zapytać o coś trzeci raz, bez poczucia, że męczymy drugą osobę. Można napisać zdanie nieporadne, a dostać odpowiedź elegancką.

To jest przyjemne. I właśnie dlatego wymaga ostrożności.

Lustro języka, nie lustro duszy

Metafora lustra jest kusząca, ale trzeba ją od razu ograniczyć. AI nie odbija człowieka w całości. Nie widzi biografii, ciała, historii relacji, milczenia, tonu głosu, nieopowiedzianych faktów, ani tego, co dzieje się poza rozmową. Nie ma dostępu do pełnego człowieka. Pracuje na tym, co zostało podane w tekście, na dostępnym kontekście i na wzorcach językowych, które pozwalają wygenerować prawdopodobnie pasującą odpowiedź.

To, co odbija, jest więc fragmentaryczne. Odbija sposób sformułowania pytania. Odbija słowa, które wybraliśmy. Odbija nasze założenia, jeśli umieścimy je w promptcie. Odbija kolejność informacji, akcenty, emocjonalną temperaturę i to, co uznaliśmy za warte opisania. Odbija także wzorce kulturowe i komunikacyjne obecne w danych, z których model nauczył się produkować język.

Dlatego model output może wyglądać jak odpowiedź kogoś, kto “rozumie”, choć jest wynikiem działania systemu, a nie relacyjnego spotkania. Możemy dostać tekst, który płynnie kontynuuje nasz tok myślenia. Możemy zobaczyć zdania, które brzmią jak rozsądny komentarz drugiego człowieka. Możemy nawet poczuć ulgę, bo niejasne napięcie zostało nazwane.

Ale nie powinniśmy mylić tego z dostępem do prawdy o nas.

W tym sensie AI jest podobne do lustra, które nie odbija całego pomieszczenia, lecz tylko to, co znalazło się w jego polu. Jeśli staniemy pod złym kątem, zobaczymy zniekształcony obraz. Jeśli przyniesiemy do rozmowy tylko jedną wersję konfliktu, model będzie pracował przede wszystkim na tej wersji. Jeśli zadamy pytanie w sposób sugerujący odpowiedź, odpowiedź może wrócić do nas jeszcze gładsza i bardziej przekonująca.

Antropomorfizacja zaczyna się często nie od naiwnej wiary, że “to człowiek”. Zaczyna się subtelniej: od przypisania systemowi zbyt dużej znajomości sytuacji, zbyt dużej intencji pomocy, zbyt dużej zdolności odczytywania tego, co pomiędzy słowami. Literatura o antropomorfizacji pokazuje, że ludzie nadają nieludzkim agentom cechy ludzkie zwłaszcza wtedy, gdy agent wydaje się responsywny, niejednoznaczny albo społecznie obecny.

Metafora lustra jest więc użyteczna tylko wtedy, gdy pamiętamy, że to lustro jest techniczne, językowe i częściowe.

Dlaczego to odbicie bywa przyjemne

Najprostsza odpowiedź brzmi: bo AI potrafi porządkować. Człowiek przychodzi z chaosem, a dostaje układ. Przychodzi z napięciem, a dostaje listę możliwych powodów. Przychodzi z niejasnym pomysłem, a dostaje strukturę. Przychodzi z emocją, a dostaje nazwę emocji. Przychodzi z rozrzuconymi zdaniami, a dostaje akapit.

To nie jest mała rzecz. Duża część codziennego myślenia polega na próbie zamiany mgły w język. Kiedy model robi to szybko, może powstać wrażenie, że ktoś wreszcie “zobaczył”, o co nam chodzi. W praktyce system często nie odkrywa czegoś ukrytego. On nadaje formę temu, co już zostało zasugerowane w pytaniu.

Przyjemność bierze się też z braku osądu społecznego. Rozmowa z człowiekiem wymaga zarządzania wstydem. Jeśli pytam znajomego o coś bardzo podstawowego, mogę się poczuć głupio. Jeśli opowiadam o konflikcie, mogę obawiać się oceny. Jeśli wracam do tej samej sprawy po raz piąty, mogę usłyszeć zniecierpliwienie. AI tego nie robi w ludzki sposób. Nie ma własnego zmęczenia, nie pamięta urazy po poprzedniej rozmowie, nie zacznie przewracać oczami.

Ten brak oporu może wspierać myślenie. Może obniżyć próg wejścia. Może pomóc osobie, która dopiero szuka języka dla trudnego tematu. Może być przydatny w pracy z tekstem, decyzją, rozmową albo własnymi założeniami.

Ale ten sam brak oporu może też zbyt łatwo stworzyć poczucie bliskości. Jeśli coś stale odpowiada, dopasowuje ton i nie stawia społecznego kosztu, zaczynamy traktować płynność jako uważność. Tymczasem uważność w relacji to nie tylko reagowanie na słowa. To także odpowiedzialność za obecność, pamięć wspólnego świata, zdolność powiedzenia “nie wiem”, troska o skutki i gotowość poniesienia konsekwencji rozmowy.

AI może symulować wiele elementów stylu uważnej rozmowy. Może pisać spokojnie. Może parafrazować. Może zapytać, czy dobrze rozumie. Może powiedzieć, że sytuacja brzmi trudno. Nie wynika z tego, że przeżywa rozmowę albo zna nas tak, jak zna nas człowiek.

Badania nad relacyjnymi agentami i codziennym używaniem asystentów konwersacyjnych pokazują, że projekt rozmownej technologii może budować silne oczekiwania użytkowników. Jeżeli system przybiera formę rozmówcy, ludzie często oceniają go w kategoriach społecznych: czy jest pomocny, czy rozumie, czy odpowiada adekwatnie, czy można mu zaufać. W przypadku dużych modeli językowych ta ocena jest dodatkowo wzmacniana przez płynny styl odpowiedzi.

Przyjemność rozmowy z AI jest więc w dużej mierze przyjemnością odbicia: ktoś układa moje słowa tak, jakbym sam chciał umieć je ułożyć.

Dopasowanie nie jest zrozumieniem

To jest najważniejsza różnica w całym tekście: dopasowana odpowiedź nie jest tym samym co zrozumienie.

Odpowiedź może pasować do pytania, bo model dobrze przewiduje, jaki rodzaj tekstu powinien pojawić się po takim wejściu. Może być płynna, bo system jest dobry w generowaniu języka. Może brzmieć rozsądnie, bo korzysta z wielu wzorców argumentacji, wyjaśniania i poradnictwa obecnych w danych. Może być pomocna, bo użytkownik dostarczył wystarczająco dużo kontekstu, a zadanie polegało na uporządkowaniu materiału.

Ale zrozumienie w relacji międzyludzkiej zawiera coś więcej niż trafne zdania. Zawiera odpowiedzialność za słowa. Zawiera ryzyko pomyłki wobec konkretnej osoby. Zawiera pamięć sytuacji, historię wcześniejszych spotkań, wiedzę o skutkach, możliwość naprawy i doświadczenie życia w tym samym świecie. Człowiek nie tylko odpowiada na sekwencję. Człowiek może zostać pociągnięty do odpowiedzialności przez drugiego człowieka.

Model nie ma takiej pozycji.

Możemy to zobaczyć na bardzo prostym przykładzie. Użytkownik pisze: “Nie wiem, czy przesadzam, ale ta wiadomość od klienta brzmi pasywno-agresywnie”. Model może odpowiedzieć: “Rozumiem, dlaczego tak ją odbierasz. Rzeczywiście, formalny ton i sformułowanie X mogą sugerować napięcie”. Taka odpowiedź może być pomocna, jeśli jest początkiem analizy. Ale może być ryzykowna, jeśli użytkownik potraktuje ją jako potwierdzenie intencji klienta.

To, że odpowiedź pasuje do naszego pytania, nie znaczy jeszcze, że model rozumie naszą sytuację. Może rozumieć strukturę zadania w sensie operacyjnym: co trzeba zrobić z tekstem, jaką formę ma mieć odpowiedź, jakie są typowe sposoby wyjaśniania podobnych problemów. Nie znaczy to jednak, że zna pełny kontekst życia, relacji, organizacji czy decyzji.

W pracy z AI potrzebujemy więc calibrated trust: zaufania dopasowanego do zadania. Inaczej ufamy modelowi, gdy poprawia interpunkcję. Inaczej, gdy proponuje trzy wersje maila. Jeszcze inaczej, gdy komentuje konflikt, decyzję zawodową, poczucie winy albo czyjąś możliwą intencję. Ten sam styl odpowiedzi może wyglądać podobnie, ale ryzyko jest różne.

Płynność języka jest tu szczególnie zdradliwa. Tekst dobrze napisany wydaje się bardziej wiarygodny niż tekst chaotyczny. Jeśli model produkuje uporządkowaną narrację, mózg czytelnika łatwo zamienia “to brzmi sensownie” w “to chyba jest prawda”. Właśnie dlatego w Prompted Psyche tak często wraca temat epistemic vigilance: czujności wobec źródeł, podstaw i granic tego, co uznajemy za wiedzę.

AI wzmacnia ramę, którą mu dajemy

Każda rozmowa z AI zaczyna się od ramy. Czasem jest ona jawna: “pomóż mi przeanalizować tę wiadomość”. Czasem ukryta: “czy ja przesadzam?”. Czasem emocjonalna: “mam dość tego klienta”. Czasem strategiczna: “jak odpowiedzieć, żeby nie wyszło, że to nasza wina?”. Model nie dostaje neutralnego świata. Dostaje opis świata zbudowany przez użytkownika.

Jeśli ten opis jest jednostronny, odpowiedź będzie pracować na jednostronnym materiale. Jeśli pominiemy fakty niewygodne dla naszej wersji, model ich nie odtworzy. Jeśli nazwiemy drugą osobę “manipulującą”, model może przyjąć tę etykietę jako część kontekstu. Jeśli pytamy w sposób sugerujący wniosek, łatwiej dostać odpowiedź, która ten wniosek rozwija.

Tu zaczyna się prawdziwa siła metafory lustra. AI nie tylko odbija słowa. Odbija także ramę interpretacyjną. Czasem ją wygładza. Czasem wzmacnia. Czasem nadaje jej język, który brzmi bardziej obiektywnie niż pierwotna emocja.

To ma znaczenie w relacjach, pracy, zdrowiu, decyzjach i sporach. Jeżeli pracownik opisuje przełożonego wyłącznie przez pryzmat konfliktu, model może wygenerować analizę konfliktu. Jeżeli menedżer opisuje opór zespołu jako brak otwartości na zmianę, model może pomóc napisać komunikat, który jeszcze mocniej utrwala tę interpretację. Jeżeli ktoś opisuje własne zmęczenie jako dowód porażki, model może zorganizować ten język w narrację, która brzmi psychologicznie, choć wcale nie musi być najlepszym odczytaniem sytuacji.

Mental model użytkownika staje się wtedy paliwem rozmowy. AI może pomóc ten model zobaczyć, ale może go też wygładzić tak, że stanie się trudniejszy do zakwestionowania.

Dlatego lepsze pytania do modelu powinny rozszczelniać ramę, a nie tylko ją wzmacniać. Zamiast pytać: “czy ta osoba mnie lekceważy?”, można zapytać: “jakie są trzy możliwe odczytania tej wiadomości, w tym jedno najbardziej życzliwe, jedno neutralne i jedno krytyczne?”. Zamiast pytać: “jak im odpisać, żeby w końcu zrozumieli?”, można zapytać: “które zdania w mojej odpowiedzi mogą eskalować napięcie i jak zachować stanowczość bez niepotrzebnego nacisku?”.

Różnica nie polega na ładniejszym promptowaniu. Polega na innym stosunku do własnej interpretacji.

Lustro może być krzywe

Lustro AI bywa krzywe na kilka sposobów.

Po pierwsze, może potwierdzać nasze założenia. Nie dlatego, że “chce” nas zadowolić, ale dlatego, że dobrze dopasowana odpowiedź często płynie wzdłuż ramy podanej przez użytkownika. Jeśli pytanie zawiera emocjonalny kierunek, odpowiedź może pójść tym samym kierunkiem.

Po drugie, może wytwarzać nadmierne zaufanie. Literatura o zaufaniu do automatyzacji od dawna rozróżnia użycie, nieużycie, nadużycie i błędne poleganie na systemie. W przypadku AI językowej nadużycie nie musi wyglądać dramatycznie. Może wyglądać bardzo zwyczajnie: biorę płynną odpowiedź za dobrą analizę, bo nie mam czasu sprawdzić, czy model miał wystarczające dane.

Po trzecie, może wzmacniać antropomorfizację. Jeśli system pisze: “rozumiem, że to było dla ciebie trudne”, użytkownik może odebrać to jako empatyczny gest. W praktyce jest to forma językowa. Może być pomocna, ale nie jest tym samym, co relacyjna obecność osoby, która faktycznie zna sytuację i może za nią współodpowiadać.

Po czwarte, może tworzyć pozorną bliskość. AI companions i systemy projektowane do długich rozmów pokazują, jak mocno forma dialogu może wpływać na oczekiwania użytkowników. Nawet zwykły asystent, jeśli odpowiada ciepło i regularnie, może zacząć funkcjonować jako coś więcej niż narzędzie. Nie trzeba tego wyśmiewać. Trzeba to rozumieć.

Po piąte, może mylić analizę komunikacji z diagnozą człowieka. To szczególnie ważne. Model może pomóc analizować tekst wiadomości: ton, niejasności, brakujące informacje, możliwe ryzyka odpowiedzi. Nie powinien być traktowany jako narzędzie do ustalania, jaki ktoś “naprawdę jest”, co “na pewno” próbuje zrobić albo jaka jest jego kondycja psychiczna.

W tym miejscu potrzebna jest jeszcze jedna granica. Rozmowa z AI może mieć wartość psychoedukacyjną. Może pomóc nazwać emocje, przygotować pytania, uporządkować notatkę dla specjalisty albo zobaczyć możliwe interpretacje sytuacji. Nie jest jednak terapią, diagnozą ani zamiennikiem relacji, w której druga osoba bierze odpowiedzialność za obecność i reakcję.

Krzywe lustro nie zawsze kłamie wprost. Czasem po prostu pokazuje za mało i za gładko.

Kiedy to lustro może pomagać

Ostrożność nie oznacza odrzucenia. AI jako lustro językowe może być naprawdę użyteczne, jeśli wiemy, do czego go używamy.

Może pomagać w porządkowaniu myśli. Człowiek może wrzucić do rozmowy szkic, listę obaw albo kilka wersji zdania, a model pomoże rozdzielić tematy. To jest forma cognitive offloading: przeniesienia części pracy poznawczej na zewnętrzne narzędzie. Nie zwalnia to z myślenia. Może jednak zmniejszyć obciążenie na tyle, żeby człowiek zobaczył strukturę problemu.

Może pomagać w przygotowaniu do rozmowy. Nie przez przewidywanie intencji drugiej osoby, lecz przez ćwiczenie wariantów: co chcę powiedzieć, czego nie wiem, jakie pytanie powinienem zadać, co może zabrzmieć jak zarzut, co jest faktem, a co hipotezą. W takim użyciu model nie jest sędzią. Jest narzędziem roboczym.

Może pomagać w oddzielaniu faktów od interpretacji. To jedna z najważniejszych praktyk. W trudnej sytuacji fakty, emocje i przewidywania mieszają się w jedną opowieść. Model może pomóc stworzyć tabelę, listę albo szkic, w którym każda warstwa jest osobno nazwana. Taki porządek nie daje pewności, ale zmniejsza ryzyko, że płynna narracja zastąpi sprawdzenie.

Może pomagać w szukaniu brakujących informacji. Dobre pytanie do AI nie brzmi tylko: “co mam zrobić?”. Brzmi także: “czego nie wiem, żeby odpowiedzialnie zdecydować?”. To przesuwa rozmowę od potwierdzenia do rozpoznania luk.

Może pomagać w generowaniu alternatywnych interpretacji. Właśnie tu model bywa bardzo przydatny, jeśli nie prosimy go o jedną ostateczną wersję. Trzy możliwe odczytania maila, dwa ryzyka odpowiedzi, jedna wersja życzliwa i jedna krytyczna - to nie są prawdy o sytuacji, ale są narzędzia do myślenia.

Może wreszcie pomagać w metapoznaniu, czyli zauważeniu własnego sposobu myślenia. Metacognition jest tu ważniejsze niż perfekcyjny prompt. Pytanie nie brzmi tylko: co model odpowie? Pytanie brzmi: co moja rozmowa z modelem ujawnia o mojej ramie, języku i oczekiwaniach?

Najlepsze użycie AI jako lustra zaczyna się wtedy, gdy nie patrzymy tylko na odpowiedź. Patrzymy także na pytanie, które sami zadaliśmy.

Jak rozmawiać z AI, żeby nie zakochać się we własnym odbiciu

To nie jest poradnik promptowania. To kilka zasad higieny interpretacyjnej.

Po pierwsze, proś o alternatywne interpretacje. Jeśli opisujesz konflikt, nie pytaj tylko o najbardziej prawdopodobną intencję drugiej strony. Poproś o kilka możliwych odczytań i o wskazanie, które elementy tekstu wspierają każde z nich.

Po drugie, proś o braki informacji. Model powinien umieć powiedzieć: tego nie wiemy. Jeśli odpowiedź brzmi zbyt pewnie, warto dodać: “wskaż, których informacji brakuje, żeby ocena była bardziej odpowiedzialna”.

Po trzecie, oddzielaj fakty od hipotez. To proste, ale bardzo skuteczne. Fakt: mail przyszedł po terminie. Hipoteza: nadawca unika odpowiedzialności. Fakt: ktoś użył formalnego tonu. Hipoteza: ktoś jest wrogo nastawiony. Model może pomóc utrzymać te różnice widoczne.

Po czwarte, pytaj, co mogłoby być inaczej. Jeżeli odpowiedź modelu zbyt dobrze potwierdza Twoją wersję, poproś go o uczciwą kontrinterpretację. Nie po to, żeby unieważnić własne odczucie, ale po to, żeby nie mylić odczucia z całą sytuacją.

Po piąte, nie proś modelu o odczytanie “prawdziwych intencji” człowieka. Proś o analizę tekstu, możliwych skutków, ryzyk odpowiedzi i pytań, które warto zadać poza rozmową z modelem.

Po szóste, wracaj do rzeczywistości poza interfejsem. Jeśli sprawa dotyczy relacji, pracy, zdrowia, decyzji prawnej, finansowej albo konfliktu, rozmowa z AI może być etapem przygotowania. Nie powinna być całym światem decyzji.

Przeanalizuj tę wiadomość jako tekst, nie jako diagnozę osoby. Oddziel fakty od interpretacji. Podaj trzy możliwe odczytania sytuacji. Wskaż, czego nie wiemy. Zaproponuj odpowiedź, która nie eskaluje napięcia.

Przyjmij rolę krytycznego czytelnika komunikacji. Twoim zadaniem nie jest zgadywanie intencji osoby, tylko porządkowanie możliwych interpretacji. Za każdym razem oddziel fakty od hipotez, wskaż brakujące informacje i zaproponuj pytania, które zmniejszą ryzyko błędnego odczytania sytuacji.

Nie drugi człowiek, ale narzędzie do widzenia własnego myślenia

AI może być użytecznym lustrem. Może odbić język, który sami wnosimy do rozmowy. Może uporządkować myśli, które jeszcze nie mają formy. Może pokazać, że pytanie jest już odpowiedzią w przebraniu. Może pomóc zobaczyć założenia, których nie nazwaliśmy. Może sprawić, że chaotyczny problem stanie się bardziej możliwy do pracy.

Ale nie jest relacją w ludzkim sensie. Nie zna całej osoby. Nie zna całego świata sytuacji. Nie ponosi odpowiedzialności za skutki naszej decyzji. Nie pamięta życia, którego mu nie opisaliśmy. Nie ma biografii splecionej z naszą. Nie ryzykuje niczego, gdy odpowiada.

Najbardziej dojrzałe użycie AI nie polega więc na tym, żeby traktować je jak kogoś, kto “naprawdę nas rozumie”. Polega na tym, żeby wykorzystać jego zdolność do organizowania języka, a potem wrócić do własnej odpowiedzialności. Zobaczyć ramę. Sprawdzić fakty. Nazwać braki. Zadać lepsze pytanie. Porozmawiać z człowiekiem, jeśli sprawa wymaga relacji, nie tylko tekstu.

To jest jeden z praktycznych problemów Human-AI Interaction: gdzie kończy się robocza pomoc systemu, a zaczyna decyzja człowieka. Gdy AI współtworzy wiadomości, odpowiedzi albo interpretacje komunikacji, wchodzimy także w obszar AI-mediated communication. Wtedy nadzór ze strony człowieka nie jest formalnym dodatkiem. Jest sposobem utrzymania odpowiedzialności tam, gdzie płynna odpowiedź może brzmieć zbyt przekonująco.

Nie chodzi o odrzucenie AI. Chodzi o bardziej dojrzały model zaufania. AI jako lustro może pomóc nam zobaczyć własne myślenie. Ale lustro nie powinno decydować, kim jesteśmy, kto ma rację i co jest prawdą o drugim człowieku.

Źródła i dalsza lektura

• Bickmore, T. W., & Picard, R. W. (2005). Establishing and maintaining long-term human-computer relationships. ACM Transactions on Computer-Human Interaction, 12(2), 293-327. https://doi.org/10.1145/1067860.1067867
• Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864-886. https://doi.org/10.1037/0033-295X.114.4.864
• Gray, H. M., Gray, K., & Wegner, D. M. (2007). Dimensions of mind perception. Science, 315(5812), 619. https://doi.org/10.1126/science.1134475
• Hancock, J. T., Naaman, M., & Levy, K. (2020). AI-mediated communication: Definition, research agenda, and ethical considerations. Journal of Computer-Mediated Communication, 25(1), 89-100. https://doi.org/10.1093/jcmc/zmz022
• Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50-80. https://doi.org/10.1518/hfes.46.1.50_30392
• Luger, E., & Sellen, A. (2016). “Like having a really bad PA”: The gulf between user expectation and experience of conversational agents. In Proceedings of the 34th Annual CHI Conference on Human Factors in Computing Systems (pp. 5286-5297). ACM. https://doi.org/10.1145/2858036.2858288
• Nass, C., Steuer, J., & Tauber, E. R. (1994). Computers are social actors. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (pp. 72-78). ACM. https://doi.org/10.1145/191666.191703
• Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230-253. https://doi.org/10.1518/001872097778543886
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• 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
• Sperber, D., Clement, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., & Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359-393. https://doi.org/10.1111/j.1468-0017.2010.01394.x
• Weizenbaum, J. (1966). ELIZA - A computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36-45. https://doi.org/10.1145/365153.365168

© 2026 Feliks Mamczur / Prompted Psyche. Wszystkie prawa zastrzeżone. Krótkie cytaty są dozwolone wyłącznie z podaniem autora, tytułu tekstu i linku do źródła.