Nie pytaj, czy AI nas ogłupia. Zapytaj, które sposoby myślenia przestajemy ćwiczyć

Rozwiązujesz z pomocą AI zadanie, do którego jeszcze godzinę temu nie wiedziałeś, jak się zabrać. System rozpoznaje rodzaj problemu, wybiera metodę, wykonuje obliczenia i przygotowuje jasne wyjaśnienie. Wynik jest poprawny. Kiedy jednak kilka minut później dostajesz podobne zadanie bez dostępu do narzędzia, nie potrafisz odtworzyć pierwszego kroku.

Czy AI ci pomogła? Tak. Czy się nauczyłeś? Tego nie da się stwierdzić na podstawie dobrego wyniku uzyskanego z pomocą. Wykonanie zadania i zbudowanie umiejętności mogą przez chwilę wyglądać tak samo, choć prowadzą do nich inne procesy.

7 lipca 2026 roku Amanda Hoover opublikowała w Business Insiderze artykuł Is AI making us dumber?. Tekst zbiera niepokojące sygnały: słabsze zapamiętywanie własnej pracy, mniejszy wysiłek podczas części zadań, gorszy wynik po odebraniu AI, rezygnowanie z rozwiązania oraz większe podobieństwo prac twórczych. To nie są wymyślone problemy. Hoover uczciwie zaznacza też, że na ocenę długotrwałych skutków jest za wcześnie, a część szeroko komentowanych wyników pochodzi z preprintów.

Kłopot zaczyna się wtedy, gdy wszystkie te obserwacje trafiają pod jedno publicystyczne pytanie: czy AI robi z nas ludzi mniej inteligentnych? Pamięć własnego eseju, aktywność EEG podczas pisania, wytrwałość przy ułamkach, wynik na egzaminie bez AI i różnorodność opowiadań nie są różnymi termometrami tej samej cechy. To odrębne wyniki, uzyskane w innych warunkach i po różnym czasie.

Abstrakt

Ten artykuł jest opartą na źródłach syntezą narracyjną, nie przeglądem systematycznym ani metaanalizą. Zestawia badania nad generatywną AI z wcześniejszą literaturą o uczeniu się, pamięci, wysiłku, wytrwałości, twórczości i odciążeniu poznawczym. Nie próbuje rozstrzygnąć ogólnego wpływu AI na inteligencję, ponieważ obecne badania najczęściej nie mierzą inteligencji ani długotrwałej zmiany poznawczej. Odróżnia natomiast wynik uzyskany podczas pracy z narzędziem od późniejszego uczenia się, utrzymania wiedzy w czasie i transferu, czyli zastosowania wiedzy lub umiejętności w nowej sytuacji. Najbardziej spójny wzorzec dotyczy sposobu udzielania pomocy. System podający gotową odpowiedź może odbierać okazję do próby potrzebnej do zbudowania samodzielnej umiejętności. System, który wymaga własnej próby, przekazuje stopniowane podpowiedzi i udziela informacji zwrotnej, może w określonych warunkach wspierać uczenie się. Sposób zaprojektowania interakcji nie jest jedynym czynnikiem: znaczenie mają również zadanie, cel, wcześniejsza wiedza, moment udzielenia pomocy i sposób pomiaru efektu.

Zakres i metoda

Punktem wyjścia był pełny artykuł Business Insidera. Każde ważniejsze twierdzenie zostało następnie sprawdzone w źródle pierwotnym. Pierwszeństwo miały publikacje recenzowane, metaanalizy i oficjalne raporty. Pięć prac, których nie zastąpiła jeszcze recenzowana wersja, opisuję wyraźnie jako preprinty, czyli prace niepoddane jeszcze formalnej recenzji wydawniczej. Dziennikarstwo służy tu do analizy publicznej narracji, a nie jako dowód naukowy.

Zestaw źródeł obejmuje eksperymenty laboratoryjne, randomizowane badania terenowe, analizy dużych korpusów tekstu, badania przekrojowe, przeglądy oraz wcześniejszą psychologię uczenia się. Tych wyników nie można połączyć w jeden wspólny efekt. Badanie 20-minutowego eseju odpowiada na inne pytanie niż eksperyment obejmujący cztery lekcje matematyki czy analiza wyników poznawczych z lat 2006-2018.

W większości badań dotyczących generatywnej AI obserwowano skutki natychmiastowe albo krótkoterminowe. Niewiele wiemy o zmianach po wielu miesiącach regularnego korzystania. Brak takich danych nie oznacza, że długoterminowego efektu nie ma. Oznacza, że trzeba oddzielić to, co już zaobserwowano, od tego, co pozostaje hipotezą.

Mapa materiału źródłowego

Rodzaj źródła	Liczba	Rola w artykule
Publikacje recenzowane	15	Badania randomizowane, eksperymenty, przeglądy, metaanaliza i wcześniejsza psychologia uczenia się.
Preprinty	5	Najnowsze wyniki dotyczące pisania, wytrwałości, wsparcia tutorów, różnorodności twórczej i krytyki metodologicznej.
Raport oficjalny	1	Kontekst trendów wyników matematycznych, nie dowód wpływu AI.
Dziennikarstwo	1	Analizowany punkt wyjścia debaty publicznej, nie pierwotny dowód naukowy.
Łącznie	22	Zestaw do syntezy narracyjnej, którego nie można sprowadzić do jednego wspólnego efektu.

Co Business Insider trafnie zauważa

Najlepszą odpowiedzią na uproszczony nagłówek nie jest równie proste uspokojenie. Niektóre sygnały ryzyka są wyraźne.

W randomizowanym badaniu terenowym Hamsy Bastani i współautorów prawie tysiąc uczniów szkół średnich korzystało podczas czterech lekcji matematyki z GPT bez ograniczeń, specjalnie zaprojektowanego GPT Tutor albo pracowało bez tych narzędzi. GPT bez ograniczeń wyraźnie poprawił wynik podczas ćwiczeń. Później, na sprawdzianie bez AI, grupa ta uzyskała wynik o 17 procent niższy od wyniku grupy kontrolnej (Bastani et al., 2025). Narzędzie pomogło wykonać bieżącą pracę, lecz pomoc nie przełożyła się na samodzielne rozwiązanie podobnych zadań.

Preprint Grace Liu i współautorów opisuje trzy krótkie randomizowane eksperymenty z zadaniami na ułamkach. Uczestnicy mogli używać AI podczas części ćwiczeń, a następnie bez uprzedzenia tracili dostęp do narzędzia. We wszystkich trzech eksperymentach grupa korzystająca wcześniej z AI rozwiązywała mniej zadań na etapie samodzielnym. W dwóch częściej je pomijała. W jednym eksperymencie odsetek poprawnych rozwiązań po odebraniu pomocy wyniósł 57 procent w grupie AI i 73 procent w grupie kontrolnej. W trzecim było to 76 i 89 procent (Liu et al., 2026). To bezpośredni sygnał krótkoterminowego pogorszenia samodzielnego wykonania, ale nie dowód trwałej erozji kompetencji.

Inne prace pokazują słabsze zapamiętywanie własnego tekstu, związki między deklarowanym użyciem AI, odciążeniem poznawczym i wynikami miar krytycznego myślenia (Gerlich, 2025), a także większe podobieństwo materiałów twórczych. Te wyniki nie pozwalają powiedzieć, że każdy użytkownik traci zdolności. Wystarczają jednak, by odrzucić wygodne założenie, że dobra odpowiedź zawsze oznacza skuteczne uczenie się.

Słowo „głupsi” nie opisuje jednej zmiennej

Inteligencja opisuje szeroki zespół zdolności i sama może być mierzona na różne sposoby. Wiedza dotyczy tego, co człowiek już wie. Pamięć może oznaczać przypominanie faktu, rozpoznawanie, pamięć źródła albo zdolność zacytowania własnego eseju. Wysiłek mówi o koszcie wykonania zadania, nie o trwałości uczenia się. Wytrwałość opisuje, czy ktoś kontynuuje pracę. Transfer sprawdza, czy człowiek potrafi zastosować umiejętność w nowej sytuacji. Kreatywność pojedynczego tekstu nie jest tym samym co różnorodność całego zbioru tekstów.

Podobnie aktywność lub łączność EEG podczas zadania nie jest bezpośrednim wskaźnikiem inteligencji. Mniej aktywności nie zawsze znaczy gorzej. Doświadczony człowiek może wykonywać zadanie sprawniej, a system pomiarowy może rejestrować zmianę strategii, obciążenia albo koordynacji, nie spadek zdolności. Znaczenie wzorca zależy od zadania, porównania i związku z zachowaniem.

To rozróżnienie jest szczególnie ważne, gdy do debaty włącza się trendy społeczne. Analiza 394 378 amerykańskich dorosłych wykazała spadki części wyników poznawczych między 2006 a 2018 rokiem, ale wzrost w zadaniach rotacji przestrzennej (Dworak et al., 2023). Wyniki matematyczne amerykańskich dwunastoklasistów również spadły przed i po 2019 roku (National Center for Education Statistics, 2025). Oba zjawiska mogą wymagać poważnego wyjaśnienia. Żadne nie może być dowodem skutku generatywnej AI, której masowe użycie zaczęło się później.

Co naprawdę mierzą badania

Zmienna	Typowe pytanie	Czego sama nie dowodzi
Wykonanie zadania	Czy odpowiedź była poprawna podczas dostępu do AI?	Trwałości uczenia się ani samodzielnego opanowania umiejętności.
Pamięć	Czy człowiek pamięta treść, jej źródło albo własny tekst?	Ogólnej inteligencji.
Wysiłek / wzorzec EEG	Jak wymagające było zadanie i jaki wzorzec aktywności mu towarzyszył?	Jakości myślenia ani trwałej zmiany mózgu.
Wytrwałość	Czy osoba kontynuuje po trudności albo po odebraniu pomocy?	Długotrwałej erozji kompetencji.
Zastosowanie umiejętności w nowej sytuacji	Czy potrafi rozwiązać podobny problem bez wcześniejszego wsparcia?	Wyniku we wszystkich innych dziedzinach.
Kreatywność	Jak oceniono pojedynczy wynik i jak różnorodny jest cały zbiór?	Jednej ogólnej poprawy lub pogorszenia kreatywności.

Co naprawdę pokazuje „Your Brain on ChatGPT”

Najgłośniejsza praca w tej debacie ma tytuł Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. To obszerny preprint Nataliyi Kosmyny i współautorów, a nie recenzowana publikacja ustalająca wpływ ChatGPT na mózg (Kosmyna et al., 2025).

W pierwszych trzech sesjach uczestniczyły 54 osoby w wieku od 18 do 39 lat, po 18 w grupie LLM, wyszukiwarki i pracy bez narzędzia. Pisały 20-minutowe eseje w stylu zadań SAT. Badacze analizowali łączność EEG, cechy językowe tekstów, oceny esejów, deklarowane poczucie autorstwa i zdolność przytoczenia fragmentu własnej pracy. W czwartej sesji 18 osób zmieniło warunek eksperymentalny.

Najbardziej czytelny wynik behawioralny dotyczył pamięci tekstu. Po pierwszej sesji 15 z 18 osób w grupie LLM nie potrafiło poprawnie przytoczyć własnego eseju. W obu grupach porównawczych problem wystąpił u 2 z 18 osób. Różnica malała w kolejnych sesjach, lecz nie zniknęła całkowicie. To ważne, bo pokazuje możliwy koszt przekazania dużej części formułowania tekstu systemowi.

Autorzy opisują również różnice we wzorcach łączności EEG między warunkami. Nie mierzyli jednak ilorazu inteligencji, ogólnej pamięci, trwałej zmiany mózgu ani późniejszego zastosowania umiejętności w innych zadaniach. EEG rejestruje zmiany elektryczne na powierzchni głowy i pozwala analizować czasowe wzorce aktywności. Nie jest skanem mózgu ani skalą jakości myślenia.

W metodologicznym komentarzu Milos Stankovic i współautorzy zwracają uwagę na małą próbę w stosunku do liczby przeprowadzonych analiz, niejasności dotyczące wielokrotnych testów, ograniczoną odtwarzalność części procedur EEG, niespójności w opisie wyników i ryzyko selektywnej interpretacji (Stankovic et al., 2026). Krytyka nie unieważnia zbioru danych, ale ogranicza zakres wniosku. Najuczciwiej powiedzieć, że podczas jednego rodzaju pisania trzy sposoby pracy wiązały się z innymi wzorcami EEG, pamięcią własnego tekstu i poczuciem autorstwa. Nie wiadomo jeszcze, czy i jak te różnice przekładają się na trwałą zmianę poznawczą.

Dobry wynik nie oznacza, że nastąpiło uczenie się

Psychologia uczenia się od dawna odróżnia bieżące wykonanie zadania od trwałej zmiany, która utrzymuje się po zakończeniu ćwiczeń. Nicholas Soderstrom i Robert Bjork pokazują w przeglądzie, że warunki ułatwiające bieżące wykonanie mogą nie sprzyjać utrzymaniu wiedzy w czasie, a warunki chwilowo utrudniające pracę mogą poprawiać późniejsze przypominanie (Soderstrom & Bjork, 2015).

Dlatego ponowne czytanie może dawać poczucie płynności, podczas gdy próba przypomnienia bez podpowiedzi jest niewygodna, ale ujawnia luki i sprzyja późniejszemu zapamiętaniu (Roediger & Karpicke, 2006). Na podobnym rozróżnieniu opiera się koncepcja productive failure: samodzielna próba rozwiązania problemu przed otrzymaniem instrukcji. Metaanaliza Manu Kapura i Tanmayi Sinhy nie mówi, że ucznia należy zostawić bez pomocy. Pokazuje, że w określonych warunkach próba rozwiązania przed wyjaśnieniem może wspierać wiedzę pojęciową i zastosowanie umiejętności w nowej sytuacji (Sinha & Kapur, 2021).

Generatywna AI nie stworzyła napięcia między płynnością pracy a uczeniem się. Zwiększa jednak skalę i szybkość, z jaką pomoc może pojawić się przed próbą. Jeżeli poprawna odpowiedź jest dostępna w chwili pierwszej trudności, system może usunąć nie tylko frustrację, ale także przypominanie, porównanie hipotez i korektę błędu.

Kiedy AI zastępuje proces

Gdy AI zastępuje proces, użytkownik przekazuje systemowi rozpoznanie problemu, przygotowanie rozwiązania, ocenę alternatyw, stworzenie odpowiedzi i sprawdzenie wyniku. Wybiera temat lub wpisuje polecenie, a potem ocenia gotowy wynik. Czasem jest to rozsądne.

Jeżeli celem jest przekształcenie tabeli, przygotowanie pierwszej wersji rutynowej wiadomości albo znalezienie błędu składniowego w kodzie, oszczędzenie wysiłku może być rozsądnym wyborem. Nie każda czynność musi być ćwiczeniem. Problem pojawia się, gdy interfejs nastawiony na wykonanie zadania zostaje użyty w sytuacji, w której celem jest zbudowanie umiejętności, albo gdy człowiek nadal odpowiada za wynik, ale nie zachowuje wiedzy potrzebnej do jego oceny.

W poprzednim artykule o zaufaniu opisywałem, jak płynna synteza skraca widoczną drogę od źródeł do wniosku. Tutaj podobny skrót prowadzi od problemu do rozwiązania. Im więcej etapów znika w gotowej odpowiedzi, tym trudniej ocenić, które z nich człowiek potrafiłby odtworzyć.

Kiedy AI wspiera proces krok po kroku

W psychologii uczenia się takie stopniowane wsparcie bywa nazywane rusztowaniem. Nie usuwa całej trudności, lecz pomaga przez nią przejść tak, aby osoba ucząca się stopniowo odzyskiwała samodzielność. W badaniach edukacyjnych ważne są trzy cechy: dopasowanie pomocy do tego, co uczeń już zrobił i z czym ma trudność, stopniowe wycofywanie wsparcia oraz przekazywanie kontroli uczniowi (van de Pol et al., 2010). Prace nad przykładami rozwiązanymi pokazują też, że płynne przejście od pełnego przykładu do samodzielnego rozwiązania problemu może wspierać zastosowanie umiejętności w nowej sytuacji, choć nie każdy rodzaj transferu poprawia się tak samo (Renkl et al., 2002).

Interfejs AI oferujący stopniowane wsparcie mógłby najpierw poprosić o własną próbę. Następnie mógłby rozpoznać konkretny błąd, zadać pytanie naprowadzające, podać najmniejszą użyteczną wskazówkę i poprosić o wyjaśnienie poprawki własnymi słowami. Na końcu powinien zaproponować nowe zadanie bez podpowiedzi. Najważniejszy test odbywa się nie wtedy, gdy pomoc działa, lecz wtedy, gdy można ją wycofać.

Takie wsparcie nadal może być źle dopasowane. Model może podpowiadać za dużo, błędnie rozpoznać przyczynę trudności albo użyć wyjaśnienia nieodpowiedniego do poziomu ucznia. Dlatego interakcja człowieka z AI (Human-AI Interaction) obejmuje nie tylko treść odpowiedzi, lecz także moment, zakres, formę i możliwość zakwestionowania pomocy.

Co pokazują bezpośrednie porównania sposobów udzielania pomocy

Najmocniejszy argument wynika z porównania dwóch warunków w badaniu Bastani i współautorów. Korzystanie z GPT bez ograniczeń oraz z GPT Tutor zwiększyło odsetek poprawnych odpowiedzi podczas ćwiczeń odpowiednio o 48 i 127 procent względem grupy kontrolnej. Na późniejszym sprawdzianie bez AI grupa korzystająca z GPT bez ograniczeń wypadła gorzej od grupy kontrolnej, natomiast wynik grupy GPT Tutor nie różnił się istotnie od wyniku grupy kontrolnej. Tutor korzystał z materiałów nauczyciela i typowych błędów, dawał stopniowane podpowiedzi oraz ograniczał pełne rozwiązania (Bastani et al., 2025).

Nie jest to historia o dobrym i złym modelu, lecz porównanie dwóch sposobów udzielania pomocy w tym samym kontekście. W grupie GPT Tutor nie wystąpiło pogorszenie widoczne przy GPT bez ograniczeń, ale tutor nie zapewnił przewagi na późniejszym sprawdzianie. Wniosek musi więc być ostrożniejszy, ale jest przez to bardziej użyteczny: nie każda poprawa wyniku podczas ćwiczeń świadczy o uczeniu się, a ograniczenie gotowych odpowiedzi może chronić część samodzielnej pracy.

Randomizowane badanie Grega Kestina i współautorów pokazuje inny punkt odniesienia. Do badania naprzemiennego na wprowadzającym kursie fizyki na Harvardzie zakwalifikowało się 194 studentów. Tutor miał treści przygotowane dla konkretnych tematów, prowadził krok po kroku, sprawdzał rozumienie i pozwalał pracować we własnym tempie. W dwóch badanych tematach osoby korzystające z tutora uzyskały większy natychmiastowy przyrost wiedzy i potrzebowały mniej czasu. Nie sprawdzono jednak, jak długo utrzymała się wiedza ani czy uczestnicy potrafili zastosować ją szerzej. Specyfika Harvardu, dobór jego studentów i ograniczenie badania do dwóch tematów zmniejszają możliwość uogólnienia wyniku (Kestin et al., 2025).

Jeszcze inny model przedstawia preprint Tutor CoPilot. System nie prowadził ucznia samodzielnie. Podpowiadał ludzkim korepetytorom pytania i strategie w trakcie pracy z około 1800 uczniami. Dostęp do systemu wiązał się ze wzrostem opanowania tematu na krótkim zadaniu końcowym z około 62 do 66 procent, a większą korzyść odnotowano u niżej ocenianych i mniej doświadczonych korepetytorów. Korepetytorzy częściej zadawali pytania naprowadzające i rzadziej zdradzali odpowiedź. Nie stwierdzono istotnej poprawy rocznego wyniku z matematyki (Wang et al., 2024).

Preprint Liu i współautorów dodaje obserwację dotyczącą strategii użytkownika. W drugim eksperymencie 61 procent korzystających z AI deklarowało proszenie głównie o gotowe odpowiedzi, 27 procent o wskazówki lub wyjaśnienia, a 12 procent nie użyło narzędzia. Osoby proszące o odpowiedzi później rozwiązywały mniej zadań i częściej rezygnowały niż osoby szukające wskazówek. Ten podział nie był randomizowany, więc nie dowodzi, że sam styl prośby spowodował różnicę. Jest jednak zgodny z mechanizmem widocznym w badaniu Bastani: pomoc, która zachowuje próbę, różni się od pomocy, która ją zastępuje.

Najważniejsze bezpośrednie porównania

Badanie	Sposób udzielania pomocy	Zaobserwowany wynik	Zakres wniosku
Bastani et al. (2025)	GPT bez ograniczeń w porównaniu z tutorem oferującym stopniowane wskazówki i ograniczającym pełne rozwiązania.	W obu warunkach poprawił się wynik podczas ćwiczeń; po zwykłym GPT wynik bez AI był gorszy, a po GPT Tutor nie.	Cztery lekcje matematyki w szkole średniej.
Kestin et al. (2025)	Tutor z materiałem tematycznym, informacją zwrotną i sprawdzaniem rozumienia.	Większy natychmiastowy przyrost wiedzy niż podczas porównywanych zajęć z aktywnym uczeniem się.	Nie sprawdzono, jak długo utrzymała się wiedza ani czy można ją było zastosować w innych sytuacjach.
Liu et al. (2026, preprint)	Krótki dostęp do bezpośredniej pomocy AI, a potem samodzielna praca.	Gorsze wykonanie bez AI i częstsza rezygnacja po odebraniu wsparcia.	Krótkie eksperymenty nie dowodzą trwałej erozji kompetencji.
Tutor CoPilot (2024, preprint)	AI podpowiadała strategie pedagogiczne ludzkim korepetytorom.	Lepsze wyniki w krótkim zadaniu końcowym i więcej pytań naprowadzających.	Brak istotnej poprawy rocznego wyniku z matematyki.
Doshi i Hauser (2024)	Pomysły AI wspierające pisanie krótkich opowiadań.	Wyższe oceny pojedynczych tekstów, ale większe podobieństwo całego zbioru.	Jakość pojedynczej pracy i różnorodność całego zbioru są odrębnymi wynikami.

Kreatywność może wzrosnąć, a różnorodność spaść

Kreatywność szczególnie dobrze pokazuje, dlaczego pojedyncza etykieta nie wystarcza. Anil Doshi i Oliver Hauser poprosili 293 osoby o napisanie krótkich opowiadań. Dostęp do pomysłów wygenerowanych przez AI podniósł średnie oceny nowości i użyteczności, zwłaszcza u osób z niższym początkowym wynikiem w zadaniu mierzącym skojarzenia. Jednocześnie opowiadania wspierane przez AI stały się do siebie bardziej podobne (Doshi & Hauser, 2024).

Możliwe są więc trzy prawdziwe zdania naraz: pojedynczy tekst został oceniony lepiej, osoba, której początkowo trudniej było generować pomysły, zyskała więcej, a zbiór wyników stracił część różnorodności. To, czy nazwiemy taki efekt poprawą, zależy od poziomu analizy i celu. Bezpośrednie porównanie tekstów ludzkich i wspieranych przez ChatGPT wskazuje na ten sam problem podobieństwa w całym zbiorze (Moon et al., 2025).

Preprint Kibuma Moona i współautorów analizuje 372 793 eseje rekrutacyjne oraz eksperymenty kontrolowane. Po udostępnieniu ChatGPT wzrosła różnorodność słów, ale spadła różnorodność pojęciowa zdań i całych dokumentów; teksty były też oceniane jako bardziej kreatywne (Moon et al., 2026). Historyczne porównanie nie potwierdza, że każdy późniejszy esej powstał z AI. Wraz z eksperymentami wzmacnia jednak pytanie o kompromis między jakością pojedynczego produktu a różnorodnością wspólnej puli pomysłów.

Odciążenie poznawcze nie oznacza automatycznie pogorszenia zdolności

Ludzie od dawna przenoszą część pamięci i obliczeń na otoczenie. Pismo, notatki, książki, kalkulatory, wyszukiwarki, nawigacja i inni ludzie pozwalają osiągać cele przekraczające możliwości jednostki. W psychologii odciążenie poznawcze (ang. cognitive offloading) oznacza korzystanie z zewnętrznych działań i narzędzi w celu zmniejszenia wymagań poznawczych (Risko & Gilbert, 2016). Samo odciążenie nie świadczy o utracie zdolności.

Eksperymenty Betsy Sparrow i współautorów pokazały, że oczekiwanie późniejszego dostępu do informacji osłabiało pamięć samej treści, a wzmacniało pamięć miejsca, w którym można ją znaleźć (Sparrow et al., 2011). To zmiana strategii pamięciowej, nie pomiar ogólnej inteligencji. Badanie Louisy Dahmani i Véronique Bohbot wiązało częstsze używanie GPS ze słabszą pamięcią przestrzenną, lecz główna analiza była przekrojowa, a trzyletnia obserwacja objęła tylko 13 osób (Dahmani & Bohbot, 2020).

Lepsze pytania brzmią: co zostało przekazane narzędziu, czy ta umiejętność nadal jest potrzebna, czy człowiek potrafi ocenić wynik i co stanie się po wycofaniu pomocy. Pilot może korzystać z automatyzacji, ale nadal potrzebować procedur awaryjnych. Lekarz może używać systemu wspierającego decyzję, ale musi rozpoznać niewiarygodną rekomendację. Uczeń może korzystać z kalkulatora, lecz na innym etapie powinien rozumieć, co oblicza.

Ryzyko erozji kompetencji rośnie wtedy, gdy ćwiczenie znika, a odpowiedzialność pozostaje. Wcześniejsze badanie trwałości umiejętności pilotażu pokazało, że po czterech miesiącach bez praktyki część odrębnych procedur osłabła, podczas gdy ciągła kontrola była bardziej odporna (Mengelkoch et al., 1971). Badanie nie mówi bezpośrednio nic o wpływie AI. Przypomina jednak, że różne umiejętności inaczej reagują na brak użycia.

Wykonanie zadania i uczenie się wymagają innych interfejsów

Interfejs nastawiony na produktywność ma dobry powód, by minimalizować liczbę kroków. Użytkownik chce wyniku, a nie lekcji. System powinien wówczas jasno pokazać założenia, umożliwić sprawdzenie źródeł, sygnalizować niepewność i pozostawić człowiekowi decyzję. Nie musi zmuszać go do rozwiązywania każdego problemu od początku.

Interfejs nastawiony na uczenie się ma inny cel. Nie powinien automatycznie usuwać całego wysiłku, bo część tego wysiłku jest właśnie ćwiczeniem, dzięki któremu powstaje umiejętność. Powinien odróżniać pomoc od zastępstwa: czekać na próbę, rozpoznawać błąd na jej podstawie, dawać małe wskazówki, prosić o uzasadnienie, wracać do problemu w nowym wariancie i wycofywać wsparcie.

Dla szkół i uczelni oznacza to, że sama decyzja, by dopuścić albo zakazać używania AI, mówi zbyt mało. Trzeba ustalić, które etapy zadania służą uzyskaniu wyniku, a które mają ujawnić rozumienie i ćwiczyć zastosowanie umiejętności w nowych sytuacjach. Dla pracodawców różnica dotyczy między innymi szkolenia nowych osób. Jeżeli początkujący od pierwszego dnia otrzymuje gotowe decyzje, może szybko osiągnąć wynik bez zbudowania rozumienia dziedziny potrzebnego do wykrywania wyjątków.

Dla twórców produktów AI najważniejszy wybór nie sprowadza się do dokładności modelu. Dotyczy tego, kiedy interfejs odpowiada, kiedy pyta, ile pokazuje naraz, czy rejestruje zakres udzielonej pomocy i czy potrafi sprawdzić samodzielne wykonanie podobnego zadania. To konkretne decyzje dotyczące interakcji człowieka z AI, nie dekoracyjna warstwa na gotowym modelu.

Dla użytkownika potrzebne jest metapoznanie: świadomość, czy rozumie wynik, czy tylko rozpoznaje płynne wyjaśnienie. Potrzebne jest też skalibrowane zaufanie, bo bezpośrednia odpowiedź może być właściwa przy rutynowym zadaniu, a niebezpieczna w nauce, interpretowaniu informacji medycznej albo podejmowaniu decyzji o poważnych konsekwencjach.

Interfejs wykonania zadania a interfejs uczenia się

Decyzja projektowa	Cel: wykonanie zadania	Cel: uczenie się
Pierwsza odpowiedź systemu	Szybko przygotować użyteczny wynik.	Poczekać na pierwszą próbę albo rozpoznanie problemu przez ucznia.
Poziom pomocy	Podać gotowy wynik lub pełne rozwiązanie.	Dać najmniejszą użyteczną wskazówkę i zwiększać wsparcie tylko w razie potrzeby.
Reakcja na błąd	Poprawić wynik.	Rozpoznać nieporozumienie i poprosić ucznia o samodzielną korektę.
Wyjaśnienie	Uczynić wynik wystarczająco jasnym do użycia.	Wymagać wyjaśnienia własnymi słowami.
Miara sukcesu	Jakość, szybkość i niezawodność gotowego wyniku.	Utrzymanie wiedzy w czasie, samodzielne wykonanie podobnego zadania i działanie po wycofaniu wsparcia.
Odpowiedzialność człowieka	Sprawdzić założenia i zdecydować, czy wynik nadaje się do użycia.	Zachować rozumowanie potrzebne do wykrycia błędu i rozwiązania nowego wariantu.

Ograniczenia

Ten tekst nie jest przeglądem systematycznym. Źródła zostały dobrane pod kątem twierdzeń Business Insidera oraz różnicy między wykonaniem zadania a uczeniem się. Badania dotyczą odmiennych populacji, przedmiotów, modeli i miar. Pięć ważnych prac to preprinty, które mogą zmienić się w procesie recenzji.

Największą luką jest czas. Krótkie eksperymenty dobrze pokazują, co dzieje się po kilku lub kilkunastu minutach pracy, lecz nie mówią, czy użytkownicy po miesiącach uczą się lepiej zarządzać pomocą, czy przeciwnie, coraz rzadziej ćwiczą samodzielnie. Nie wiadomo też, jak wyniki zmieniają się wraz z wcześniejszą wiedzą, wiekiem, językiem i dostępnością alternatywnego wsparcia.

„Sposób udzielania pomocy” jest tu określeniem opisowym, nie nazwą zwalidowanego konstruktu. Projekt interakcji nie wyjaśnia wszystkiego. Nawet dobry tutor działa w systemie ocen, celów, ograniczeń czasowych i zachęt, które mogą premiować szybkość zamiast rozumienia.

Zakończenie

Artykuł Business Insidera trafnie rozpoznaje niewygodną możliwość: narzędzie może zwiększać naszą skuteczność właśnie wtedy, gdy odbiera nam okazję do ćwiczenia czynności prowadzących do wyniku. Nie wynika z tego jednak jeden wyrok o spadku inteligencji. Potrzebujemy więc dokładniejszego pytania.

Model może podać rozwiązanie, zanim zobaczymy drogę. Czasem właśnie tego potrzebujemy. Kiedy jednak celem jest nauka, droga nie jest zbędnym kosztem. To podczas jej pokonywania człowiek przypomina sobie, próbuje, myli się, koryguje i sprawdza, czy potrafi zastosować tę umiejętność w nowej sytuacji.

Zamiast pytać tylko, czy AI robi nas głupszymi, warto sprawdzić, co nadal robimy samodzielnie, co przekazujemy narzędziu i co potrafimy zrobić po wycofaniu pomocy. To od tych odpowiedzi zależy nasza sprawczość poznawcza. Inny zakres samodzielności jest potrzebny przy rutynowym zadaniu, inny podczas nauki matematyki, pisania eseju czy podejmowania decyzji o poważnych konsekwencjach. Dlatego jedno głośne pytanie nie wystarcza.

Źródła i dalsza lektura

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Dahmani, L., & Bohbot, V. D. (2020). Habitual use of GPS negatively impacts spatial memory during self-guided navigation. Scientific Reports, 10, 6310. https://doi.org/10.1038/s41598-020-62877-0

Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290

Dworak, E. M., Revelle, W., & Condon, D. M. (2023). Looking for Flynn effects in a recent online U.S. adult sample: Examining shifts within the SAPA Project. Intelligence, 98, 101734. https://doi.org/10.1016/j.intell.2023.101734

Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006

Hoover, A. (2026, July 7). Is AI making us dumber? Business Insider. https://www.businessinsider.com/ai-making-us-dumber-research-2026-7?IR=T

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

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X. H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your Brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task (Version 2) [Preprint]. arXiv. https://arxiv.org/abs/2506.08872

Liu, G., Christian, B., Dumbalska, T., Bakker, M. A., & Dubey, R. (2026). AI assistance reduces persistence and hurts independent performance (Version 2) [Preprint]. arXiv. https://arxiv.org/abs/2604.04721

Mengelkoch, R. F., Adams, J. A., & Gainer, C. A. (1971). The forgetting of instrument flying skills. Human Factors, 13(5), 397-405. https://doi.org/10.1177/001872087101300502

Moon, K., Green, A. E., & Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans, 6, 100207. https://doi.org/10.1016/j.chbah.2025.100207

Moon, K., Kushlev, K., Bank, A., Lira Luttges, B., Viskontas, I., Kaufman, J. C., Johnson, D. R., Lee, A., Duckworth, A. L., & Green, A. E. (2026). The creative link between words and ideas is weakening in the AI era (Version 6) [Preprint]. PsyArXiv. https://doi.org/10.31234/osf.io/jsz58_v6

National Center for Education Statistics. (2025). 2024 mathematics report card at grade 12 (NCES 2024-221). https://www.nationsreportcard.gov/reports/mathematics/2024/g12/

Renkl, A., Atkinson, R. K., Maier, U. H., & Staley, R. (2002). From example study to problem solving: Smooth transitions help learning. The Journal of Experimental Education, 70(4), 293-315. https://doi.org/10.1080/00220970209599510

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

Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249-255. https://doi.org/10.1111/j.1467-9280.2006.01693.x

Sinha, T., & Kapur, M. (2021). When problem solving followed by instruction works: Evidence for productive failure. Review of Educational Research, 91(5), 761-798. https://doi.org/10.3102/00346543211019105

Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176-199. https://doi.org/10.1177/1745691615569000

Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google effects on memory: Cognitive consequences of having information at our fingertips. Science, 333(6043), 776-778. https://doi.org/10.1126/science.1207745

Stankovic, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N. (2026). Comment on: Your Brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks [Preprint]. arXiv. https://arxiv.org/abs/2601.00856

van de Pol, J., Volman, M., & Beishuizen, J. (2010). Scaffolding in teacher-student interaction: A decade of research. Educational Psychology Review, 22, 271-296. https://doi.org/10.1007/s10648-010-9127-6

Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S., & Demszky, D. (2024). Tutor CoPilot: A human-AI approach for scaling real-time expertise [Preprint]. arXiv. https://arxiv.org/abs/2410.03017

Powiązane materiały

Czytaj dalej

• ObszarAI i myślenie

  Przewodnik po wykonaniu zadań, uczeniu się, przenoszeniu umiejętności, odciążeniu i praktyce poznawczej.

• ArtykułZaufanie w epoce gotowych odpowiedzi

  Esej oparty na źródłach o tym, co znika, gdy płynna odpowiedź kompresuje źródła, niepewność, spór i odpowiedzialność.

• PojęcieCognitive offloading

  Przenoszenie części pracy poznawczej na zewnętrzne działanie albo narzędzie.

• PraktykaJak poprosić AI o kontrargument

  Zamień model w źródło uporządkowanego oporu zamiast w maszynę do przytakiwania.

Jak cytować

Mamczur, F. (2026, 14 lipca). Nie pytaj, czy AI nas ogłupia. Zapytaj, które sposoby myślenia przestajemy ćwiczyć. Prompted Psyche. https://promptedpsyche.com/pl/articles/nie-pytaj-czy-ai-nas-oglupia/

© 2026 Feliks Mamczur / Prompted Psyche. This article is licensed under CC BY 4.0.