AI nie czyta ludzi. Pomaga uporządkować sytuację.

Ktoś dostaje trudny mail. Nie jest agresywny. Nie ma w nim wielkich słów, wykrzykników ani otwartego zarzutu. Jest za to coś, co od razu podnosi napięcie: formalny ton, kilka zdań o odpowiedzialności, sugestia opóźnienia, niejasne odwołanie do wcześniejszych ustaleń i końcówka, która brzmi uprzejmie, ale zamyka rozmowę.

Pierwszy impuls jest bardzo ludzki: zrozumieć, co druga strona naprawdę chce powiedzieć. Czy ktoś próbuje się wycofać? Czy przerzuca odpowiedzialność? Czy zabezpiecza się na wypadek problemów? Czy to sygnał konfliktu, zmęczenia, presji ze strony przełożonych, a może zwykły brak precyzji?

Coraz częściej pojawia się wtedy drugi impuls: wkleić wiadomość do systemu AI i zapytać: “co ta osoba naprawdę chce?”. To pytanie wydaje się naturalne, bo obiecuje szybkie wyjaśnienie. Model może odpowiedzieć płynnie, nazwać możliwe intencje, opisać ton, wskazać ukryty sens i zaproponować odpowiedź. Po kilku sekundach napięcie dostaje narrację.

Problem polega na tym, że to jest złe pytanie.

AI nie wie, co ktoś naprawdę myśli. Nie zna całej relacji, historii projektu, rozmów poza tekstem, presji w zespole, zależności organizacyjnych ani emocji drugiej osoby. Może pracować tylko na tym, co dostanie. Dlatego lepsze pytanie brzmi inaczej: co w tej komunikacji widać, czego nie widać, jakie są możliwe interpretacje, co jest faktem, co jest hipotezą i co trzeba sprawdzić przed odpowiedzią?

Ta zmiana jest niewielka, ale zmienia całą praktykę pracy z AI. Przesuwa model z roli sędziego relacji do roli drugiego czytelnika. Nie chodzi o to, żeby system powiedział nam prawdę o człowieku. Chodzi o to, żeby pomógł uporządkować sytuację, zanim człowiek podejmie decyzję.

Studium przypadku: mail, który wyglądał jak problem osobisty

Poniższy przykład jest kompozytowy i zanonimizowany. Nie opisuje jednej konkretnej korespondencji ani nie cytuje realnych wiadomości. Łączy kilka typowych sytuacji, w których AI może pomóc uporządkować kontekst komunikacyjny.

Wyobraźmy sobie międzynarodowy projekt komunikacyjno-technologiczny. Nie trzeba znać branży, kraju ani szczegółów. Wystarczy układ: Zespół A odpowiada za przygotowanie części materiałów i decyzje po stronie zamawiającej. Zespół B koordynuje wykonanie i kontakt z partnerem lokalnym. Jest też dostawca, który czeka na finalne potwierdzenia, oraz osoba odpowiedzialna za decyzję, która nie bierze udziału w każdej rozmowie, ale musi zatwierdzić ważniejsze zmiany.

Na początku wszystko wygląda zwyczajnie. Są spotkania, notatki, lista zadań, harmonogram i kilka punktów do doprecyzowania. Potem zaczynają pojawiać się opóźnienia. Jedna decyzja zostaje przesunięta, druga wraca z poprawkami, a trzecia okazuje się zależna od informacji, której nikt wcześniej nie nazwał jako krytycznej. Każda strona ma swoje powody. Zespół A czuje, że Zespół B unika odpowiedzialności i odpowiada zbyt ogólnie. Zespół B czuje, że Zespół A naciska na terminy bez pełnego zrozumienia lokalnych ograniczeń i kosztów zmiany.

Korespondencja staje się coraz bardziej formalna. Zdania są dłuższe. Pojawiają się sformułowania w rodzaju “zgodnie z wcześniejszymi ustaleniami”, “po naszej stronie nie widzimy podstaw do zmiany zakresu”, “prosimy o jednoznaczne potwierdzenie” albo “konieczne będzie ponowne otwarcie harmonogramu”. Nikt nie pisze wprost: “nie ufamy wam”. Nikt nie mówi: “boimy się odpowiedzialności”. Nikt nie przyznaje: “nie mamy jeszcze decyzji”. Ale napięcie rośnie.

W końcu przychodzi mail, który jedna osoba w Zespole A odczytuje jako problem osobisty. Nadawca z Zespołu B wydaje się chłodny, wymijający i zbyt formalny. W odpowiedzi pojawia się pokusa, żeby napisać ostro: przypomnieć ustalenia, wskazać niedotrzymane terminy, zażądać decyzji i jasno zaznaczyć, kto odpowiada za opóźnienie.

Na tym etapie AI może bardzo łatwo pogorszyć sytuację. Jeśli zapytamy: “czy ta osoba próbuje zrzucić winę?”, model może wygenerować przekonującą analizę, która wzmocni właśnie taką interpretację. Jeśli zapytamy: “jak odpowiedzieć, żeby nie mogli się wycofać?”, model może pomóc napisać wiadomość taktycznie skuteczną, ale relacyjnie niszczącą. Jeśli zapytamy: “co on naprawdę chce osiągnąć?”, model może zbudować psychologiczną narrację, która brzmi sensownie, ale nie ma statusu faktu.

Lepsza praca zaczyna się od innego ustawienia problemu. Nie: kto jest trudny? Nie: kto ma rację? Nie: co ta osoba ukrywa? Tylko: jakie warstwy sytuacji są widoczne w tej korespondencji?

Po takim uporządkowaniu okazało się, że mail nie musi być przede wszystkim wyrazem złej woli. Widać było kilka nakładających się warstw: niejasną odpowiedzialność za decyzję, brak formalnego potwierdzenia zmiany, presję terminu, różne oczekiwania wobec jakości, niedopowiedziany koszt korekty i ryzyko utraty twarzy przez jedną ze stron. Napięcie było realne, ale nie musiało oznaczać, że ktoś “jest problemem”. Bardziej prawdopodobne było to, że projekt przez dłuższy czas przesuwał niewygodne decyzje na poziom maili.

To ważna różnica. AI nie rozpoznała intencji ludzi. Pomogła nazwać elementy sytuacji, które wcześniej mieszały się w jedną emocjonalną reakcję.

Model widzi tekst, a nie całą relację

Wiadomość nigdy nie jest całą sytuacją. Mail, komentarz w dokumencie, krótka odpowiedź na czacie albo oficjalny komunikat są tylko fragmentem większego układu. Za nimi mogą stać wcześniejsze rozmowy, niejasne ustalenia, hierarchie, terminy, różnice kulturowe, zmęczenie, presja budżetu albo zwykła nieprecyzyjność.

Model tego nie wie, jeśli mu tego nie podamy. Widzi dostępny tekst i pracuje w granicach tego, co mieści się w context window. Może wykryć sprzeczności, wskazać braki, zaproponować kilka odczytań i nazwać miejsca, które wymagają doprecyzowania. Nie może jednak potwierdzić, że dana osoba miała określoną intencję.

To rozróżnienie jest podstawowe. Model output może wyglądać jak diagnoza sytuacji, ale pozostaje wynikiem systemu. Jest odpowiedzią wygenerowaną na podstawie wejścia, kontekstu i wzorców językowych, a nie bezpośrednim dostępem do cudzej motywacji. Im bardziej odpowiedź brzmi psychologicznie, tym większa pokusa, żeby ją przecenić.

W studium przypadku różnica była praktyczna. Gdyby potraktować mail jako pełny obraz relacji, odpowiedź mogłaby być twarda, szybka i defensywna. Gdy potraktować go jako fragment większego układu, pojawiły się inne pytania: kto rzeczywiście może podjąć decyzję? Czy obie strony tak samo rozumieją zakres zmiany? Czy termin jest problemem technicznym, organizacyjnym czy reputacyjnym? Czy w mailu pada konkretna odmowa, czy raczej sygnał, że druga strona nie chce sama brać odpowiedzialności za interpretację ustaleń?

To są pytania o sytuację, nie o psychikę nadawcy.

Złe pytanie: co on naprawdę myśli?

Pytanie o prawdziwe intencje drugiej osoby jest ryzykowne, bo łatwo zamienia niepewność w opowieść. Model może stworzyć narrację, która będzie spójna, przekonująca i emocjonalnie satysfakcjonująca. Może też szybko dopasować się do tonu użytkownika. Jeśli wklejamy wiadomość z poczuciem, że druga strona gra nie fair, model może podsunąć interpretację, która to wzmocni.

W pracy z trudną korespondencją to szczególnie niebezpieczne. Człowiek i tak ma już własne napięcie, własną historię kontaktu i własny interes. Model może dołożyć do tego język pozornej obiektywności. Zamiast myśleć “jestem zdenerwowany i tak to odczytuję”, łatwo pomyśleć “AI też widzi, że oni unikają odpowiedzialności”.

To nie znaczy, że analiza z AI jest bezużyteczna. Przeciwnie, może być bardzo pomocna, jeśli dobrze ustawimy pytanie. Zamiast pytać “co ta osoba naprawdę myśli?”, lepiej zapytać:

• Jakie są możliwe odczytania tej wiadomości?
• Jakie informacje są nieobecne?
• Które zdania mogą eskalować napięcie?
• Jakie założenia robię jako odbiorca?
• Co jest faktem, a co interpretacją?
• Jakie pytania zmniejszyłyby ryzyko błędnego odczytania?

Takie pytania nie udają, że mamy dostęp do wnętrza drugiej osoby. Pomagają zobaczyć własny mental model sytuacji. Ujawniają, co dopowiadamy, co traktujemy jako oczywiste i gdzie nasza interpretacja może być zbyt szybka.

Tu przydaje się epistemic vigilance, czyli czujność wobec informacji. W praktyce oznacza to proste zatrzymanie: skąd wiem to, co myślę, że wiem? Czy wynika to z tekstu, z wcześniejszej relacji, z moich emocji, z pozycji w projekcie, czy z narracji podanej przez model? To nie jest cynizm ani paraliż decyzyjny. To higiena interpretacji.

W opisanym studium przypadku taka czujność zmieniła ton odpowiedzi. Zamiast wiadomości z ukrytym oskarżeniem powstała odpowiedź, która oddzielała trzy rzeczy: co zostało ustalone, czego nadal brakuje i jaka decyzja jest potrzebna, żeby nie przeciągać napięcia dalej.

Jak AI może pomóc uporządkować korespondencję

Najbardziej praktyczna wartość AI w trudnej komunikacji nie polega na tym, że system “odczyta” ludzi. Polega na tym, że może pomóc rozdzielić warstwy, które w głowie odbiorcy sklejają się w jeden niepokój.

W pracy z korespondencją AI może pomóc stworzyć mapę faktów: co faktycznie zostało napisane, jakie terminy padają, jakie zobowiązania są wymienione, jakie decyzje zostały potwierdzone, a jakie tylko zasugerowane. To brzmi prosto, ale w napiętej sytuacji proste rzeczy często znikają pod emocją.

Może też pomóc wypisać brakujące informacje. Czy wiadomo, kto zatwierdza zmianę? Czy wiadomo, do kiedy trzeba odpowiedzieć? Czy druga strona prosi o decyzję, o opinię, o zgodę, czy tylko zabezpiecza ślad pisemny? Czy wątek dotyczy jakości, kosztu, terminu, odpowiedzialności, reputacji, czy kilku rzeczy naraz?

Kolejna warstwa to możliwe interpretacje. Nie jedna ostateczna interpretacja, tylko kilka odczytań z różnym poziomem pewności. W studium przypadku ten sam mail można było odczytać jako próbę uniknięcia odpowiedzialności, jako sygnał braku decyzji po stronie nadawcy, jako ostrożność wobec kosztu zmiany albo jako formalny styl wynikający z pracy między kilkoma organizacjami. Każda z tych interpretacji prowadziłaby do innej odpowiedzi.

AI może też wskazać miejsca eskalacji. Czasem jedno zdanie jest technicznie poprawne, ale w danym kontekście brzmi jak zarzut. Czasem słowo “ponownie” sugeruje zniecierpliwienie. Czasem “oczekujemy” brzmi silniej niż “potrzebujemy”. Czasem zbyt długa lista przypomnień wygląda jak akt oskarżenia, nawet jeśli autor chciał tylko uporządkować fakty.

Dobry sposób pracy nie wymaga nadawania temu nazwy frameworku. Wystarczy zmienić rodzaj pytania.

Co ta osoba naprawdę chce osiągnąć?

Wypisz możliwe interpretacje tej wiadomości.
Oddziel fakty od hipotez.
Wskaż, czego nie wiemy.
Zaproponuj pytania, które zmniejszą ryzyko błędnej interpretacji.

To nie jest lista magicznych promptów. To jest zmiana sposobu myślenia. AI nie ma rozstrzygać, kto ma rację. Ma pomóc zobaczyć, co jest widoczne w tekście, czego brakuje i gdzie człowiek powinien zachować ostrożność.

AI jako drugi czytelnik, nie psycholog relacji

Najbezpieczniej myśleć o AI jako o drugim czytelniku wiadomości. Drugi czytelnik może zauważyć coś, co nam umknęło. Może powiedzieć, że odpowiedź jest zbyt ostra, że argument jest niejasny, że pytanie brzmi jak oskarżenie albo że w tekście brakuje informacji potrzebnej do decyzji.

To ważne szczególnie wtedy, gdy komunikacja jest wspierana, redagowana albo częściowo tworzona przez systemy AI. Wtedy wchodzimy w obszar AI-mediated communication: komunikacji między ludźmi, w której system pomaga dobrać słowa, ton, strukturę albo kolejność argumentów.

Taka pomoc może być wartościowa. Może zmniejszyć chaos, obniżyć napięcie i poprawić czytelność. Ale może też zacierać autorstwo i odpowiedzialność. Jeśli model podpowiada bardziej stanowczą odpowiedź, człowiek nadal musi zdecydować, czy taki ton jest właściwy. Jeśli model sugeruje, że druga strona unika odpowiedzialności, człowiek musi zapytać, czy to wynika z tekstu, czy tylko z prawdopodobnie brzmiącej interpretacji.

W studium przypadku kluczowe było właśnie to ograniczenie. AI mogła pomóc zauważyć, że jedna wersja odpowiedzi mieszała fakty z interpretacją. Mogła wskazać, że w mailu brakuje spokojnego pytania o decyzję. Mogła zaproponować bardziej przejrzystą kolejność: najpierw wspólne ustalenia, potem brakująca informacja, potem konkretna prośba, potem termin. Nie mogła jednak powiedzieć, czy partner lokalny działał w dobrej czy złej wierze.

Dlatego potrzebne jest calibrated trust. Nie chodzi o to, żeby ufać AI bardziej albo mniej w każdej sytuacji. Chodzi o zaufanie dopasowane do zadania. Inny poziom zaufania wystarczy przy poprawie stylu, inny przy streszczeniu znanej korespondencji, a jeszcze inny przy interpretowaniu napięcia w projekcie, gdzie odpowiedź może wpłynąć na relacje, reputację albo decyzję finansową.

AI jako drugi czytelnik jest użyteczna wtedy, gdy pomaga zobaczyć tekst z dystansu. Staje się ryzykowna wtedy, gdy zaczyna zastępować rozmowę, odpowiedzialność i weryfikację.

Trudny mail przed wysłaniem

AI może pomóc nie tylko wtedy, gdy czytamy cudzą wiadomość. Może też pomóc przed wysłaniem własnej. Nie po to, żeby wygrać rozmowę albo tak dobrać słowa, by druga osoba zareagowała zgodnie z naszym planem. To byłoby używanie technologii do manipulacji, a nie do odpowiedzialnej komunikacji.

Lepsze użycie jest prostsze: sprawdzić, czy wiadomość jest zrozumiała. Czy oddziela fakty od interpretacji. Czy nie eskaluje napięcia bez potrzeby. Czy jasno mówi, czego potrzebujemy. Czy nie przerzuca odpowiedzialności w sposób, którego sami nie zauważamy. Czy odbiorca będzie wiedział, jaka decyzja jest potrzebna i do kiedy.

To jest moment na metacognition: zauważenie własnego sposobu myślenia. Kiedy piszemy w stresie, łatwo pomylić jasność ze stanowczością, a stanowczość z naciskiem. Łatwo też pisać tak, jakby druga strona znała cały nasz tok rozumowania, choć widzi tylko kilka akapitów.

Dochodzi do tego cognitive load, czyli obciążenie poznawcze. Trudna komunikacja męczy, bo trzeba jednocześnie pamiętać fakty, relację, cel, ryzyko, ton i możliwe konsekwencje. AI może pomóc rozdzielić te warstwy. Nie podejmie jednak za nas decyzji, co wysłać.

W studium przypadku robocza wersja odpowiedzi była długa, defensywna i pełna chronologii. Zawierała ważne informacje, ale układała je tak, że odbiorca mógł łatwo poczuć się oskarżony. Po analizie z AI nie chodziło o wygładzenie wszystkiego do uprzejmej mgły. Chodziło o to, żeby oddzielić porządek od nacisku.

Ostateczna wersja odpowiedzi była prostsza. Najpierw nazywała wspólny cel. Potem wymieniała dwie decyzje, które wymagały potwierdzenia. Następnie wskazywała, co stanie się z harmonogramem, jeśli decyzja nie zapadnie. Na końcu prosiła o krótkie potwierdzenie osoby odpowiedzialnej za wybór wariantu. To nadal była stanowcza wiadomość. Ale nie udawała, że zna intencje drugiej strony.

Co zmieniło się w studium przypadku

Najważniejsza zmiana nie polegała na tym, że AI rozwiązała konflikt. Nie rozwiązała. Nie zadzwoniła do partnera lokalnego, nie podjęła decyzji za koordynatora projektu, nie usunęła presji terminu i nie sprawiła, że wszystkie strony nagle zaczęły myśleć tak samo.

Zmieniła się perspektywa osoby przygotowującej odpowiedź.

Początkowe pytanie brzmiało: kto jest problemem? Po uporządkowaniu korespondencji lepsze pytanie brzmiało: co w tej sytuacji nie zostało nazwane? Zamiast oceniać intencje, można było zobaczyć brak decyzji. Zamiast odpowiadać na formalny ton formalnym naciskiem, można było zapytać o właściciela decyzji. Zamiast traktować opóźnienie jako osobisty unik, można było oddzielić presję terminu od odpowiedzialności za zmianę zakresu.

To nie było miękkie ustąpienie. To była bardziej precyzyjna komunikacja.

AI pomogła też zobaczyć, że pierwsza wersja odpowiedzi zawierała kilka ukrytych założeń. Zakładała, że druga strona wie, które informacje są krytyczne. Zakładała, że brak odpowiedzi oznacza unikanie odpowiedzialności. Zakładała, że przypomnienie pełnej historii projektu zwiększy jasność, choć mogło zwiększyć defensywność. Po rozdzieleniu faktów, interpretacji i hipotez łatwiej było napisać wiadomość, która nie rezygnowała z celu, ale ograniczała niepotrzebną eskalację.

To jest realna wartość AI w takim użyciu. Nie objawienie prawdy o ludziach, tylko pomoc w zobaczeniu struktury sytuacji. Nie psychologiczny portret nadawcy, tylko mapa brakujących informacji, ryzyk i decyzji.

AI nie rozwiązała konfliktu. AI pomogła uporządkować, o co właściwie warto zapytać.

Odpowiedzialność zostaje po stronie człowieka

W organizacjach komunikacja nie jest dodatkiem do pracy. Jest częścią pracy. Wiadomości ustalają zakres odpowiedzialności, porządkują decyzje, budują zaufanie albo je osłabiają. Mogą pomóc zespołowi działać spokojniej, ale mogą też uruchomić konflikt, jeśli są niejasne, pasywno-agresywne albo zbyt pewne tam, gdzie sytuacja wymaga ostrożności.

AI może pomóc uporządkować komunikację, ale nie ponosi odpowiedzialności za jej skutki. To człowiek wybiera, co wkleić, co pominąć, co uznać za trafne i co wysłać. To człowiek zna relację, ryzyko, normy organizacji i możliwe konsekwencje. W tym sensie nadzór ze strony człowieka nie jest formalnością. Jest realną częścią pracy z AI.

To także ważny element AI literacy. Kompetencja pracy z AI nie polega tylko na szybkim generowaniu odpowiedzi. Polega też na rozumieniu, kiedy odpowiedź modelu jest pomocą, kiedy hipotezą, kiedy szkicem, a kiedy zbyt pewną narracją, której nie wolno pomylić z prawdą.

AI nie czyta ludzi. Czyta tekst i pracuje na kontekście, który mu podamy. Dlatego jego największa wartość w trudnej komunikacji nie polega na tym, że powie nam, co ktoś “naprawdę” myśli. Polega na tym, że może pomóc uporządkować sytuację i zobaczyć, czego sami jeszcze nie nazwaliśmy.

Źródła i dalsza lektura

• 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.
• Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50-80.
• National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce.
• Norman, D. A. (1983). Some observations on mental models. In D. Gentner & A. L. Stevens (Eds.), Mental models (pp. 7-14). Lawrence Erlbaum Associates.
• Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230-253.
• Sperber, D., Clement, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., & Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359-393.
• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285.

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