Zaufanie w epoce gotowych odpowiedzi

Zadajesz trudne pytanie i dostajesz kompletną odpowiedź, zanim zobaczysz choćby jeden dowód. Tekst brzmi spokojnie. Rozróżnia kilka możliwości, uprzedza zastrzeżenie i kończy się praktyczną rekomendacją. Nic w jego formie nie przypomina wersji roboczej. Gdy pojawiają się źródła, o ile pojawiają się w ogóle, ważna zmiana po stronie czytelnika mogła już nastąpić: niejasność ustąpiła miejsca orientacji, a orientacja zaczęła przypominać wiedzę.

To jedno z rzeczywistych osiągnięć generatywnej AI. Potrafi obniżyć próg wejścia w obcą dziedzinę, przełożyć specjalistyczny język na prostszy i pokazać strukturę rozproszoną w wielu dokumentach. Ten sam interfejs może jednak ukryć to, co zwykle towarzyszy wnioskowi: autora, metodę, datę, materiał dowodowy, spór oraz osobę albo instytucję odpowiedzialną za użycie wiedzy.

Problem jest więc większy niż sporadyczne zmyślenie faktu przez model. Nawet odpowiedź poprawna faktograficznie może zmienić relację użytkownika z wiedzą, jeżeli usuwa z pola widzenia drogę, którą powstał wniosek. Odpowiedź zostaje, droga znika na dalszym planie.

Abstrakt

Ten esej koncepcyjny oparty na badaniach analizuje, jak generatywna AI zmienia relację między pytaniem, źródłami a poczuciem wiedzy. Jest narracyjną syntezą, nie przeglądem systematycznym. Łączy badania nad zaufaniem, weryfikowalnością, automatyzacją i pracą wspieraną przez AI z analizą sposobu, w jaki interfejs konwersacyjny przedstawia wiedzę. Nie wszystkie etapy dochodzenia do wniosku pozostają wtedy widoczne. Główna teza brzmi: generatywna AI działa jako pośrednik poznawczy. Ułatwia dostęp do złożonego materiału, a jednocześnie może zamknąć wieloetapową drogę w jednej płynnej odpowiedzi. Ten efekt opisuję jako kompresję drogi poznawczej, w której słabiej widać pochodzenie informacji, siłę dowodów, niepewność, spór i odpowiedzialność. Badania nad źródłami, deklarowanym wysiłkiem krytycznym i nadmiernym poleganiem pokazują, dlaczego płynne wyjaśnienie nie gwarantuje polegania dopasowanego do możliwości systemu. Nie chodzi więc o ogólne zaufanie lub nieufność wobec modelu. Praktyczną odpowiedzią jest zaufanie skalibrowane do zadania i stawki oraz odtworzenie drogi od twierdzenia do źródła, dowodów, niepewności, sporu i osoby odpowiedzialnej za decyzję.

Zakres i metoda

Metoda jest celowo selektywna, nie wyczerpująca. Tekst nie opiera się na prerejestrowanej strategii wyszukiwania ani nie przedstawia ilościowego oszacowania efektów. Pierwszeństwo miały recenzowane badania, oficjalne raporty oraz bezpośrednio związane z tematem źródła pierwotne, które pozwalają sprawdzić twierdzenia użyte w eseju.

Materiał pochodzi z kilku pól zadających podobne, lecz nieidentyczne pytania. Badania zaufania publicznego pokazują, jak ludzie oceniają naukowców i instytucje. Epistemologia społeczna analizuje zależność wiedzy od świadectwa innych, ekspertów i organizacji. Badania nad wyszukiwaniem informacji i generatywnymi wyszukiwarkami analizują, czy od odpowiedzi można wrócić do materiału, który ją wspiera. Prace nad halucynacjami modelu i zgodnością z faktami sprawdzają wierność wygenerowanego tekstu wobec źródeł. Literatura o automatyzacji i Human-AI Interaction koncentruje się na poleganiu na systemie, sygnałach interfejsu i kontroli człowieka. Badania odciążenia poznawczego i krytycznego myślenia pomagają opisać, jak zmienia się rozkład wysiłku, gdy narzędzie wykonuje część zadania.

Te nurty nie składają się na jedną ustaloną teorię generatywnej AI i wiedzy. Wyznaczają granice dla argumentu koncepcyjnego. Liczby w dalszej części odnoszę do konkretnych badań, a wnioski o działaniu interfejsu przedstawiam jako interpretacje. Artykuł Helen Pearson opublikowany w Nature w 2026 roku jest publicystycznym punktem wyjścia do debaty, a nie głównym dowodem empirycznym.

Zaufanie do nauki nie jest jednym przełącznikiem

Opowieść o globalnym kryzysie zaufania do nauki dobrze działa jako hasło, ale słabo oddaje złożoność danych. Prerejestrowane badanie prowadzone przez Viktorię Colognę i Nielsa Medego objęło 71 922 osoby z 68 krajów. Autorzy stwierdzili ogólnie umiarkowanie wysokie zaufanie do naukowców i brak powszechnego globalnego braku zaufania, przy zachowaniu istotnych różnic między krajami i grupami społecznymi. Pomiar obejmował postrzeganą kompetencję, dobrą wolę, uczciwość i otwartość. Wynik nie daje powodów do samozadowolenia, lecz nie pozwala też utrzymać prostej tezy, że ludzie na całym świecie przestali ufać naukowcom (Cologna et al., 2025).

Brytyjski raport Public Attitudes to Science 2025 pokazuje bardziej lokalny i ambiwalentny obraz. Ipsos przebadał 5 281 mieszkańców Wielkiej Brytanii w wieku co najmniej 16 lat między lutym a lipcem 2025 roku na zlecenie UK Research and Innovation i we współpracy z British Science Association. Duże większości nadal ceniły wkład nauki i naukowców. Jednocześnie częściej pojawiały się odpowiedzi neutralne lub niepewne, mniej osób niż w 2019 roku czuło się dobrze poinformowanych, a AI okazała się tematem silnie dzielącym. Metodę zmieniono na zbieranie danych przede wszystkim w modelu push-to-web, dlatego porównania z 2019 rokiem wymagają ostrożności (Ipsos, 2026).

Te dane kierują uwagę na różne obiekty zaufania. Można wierzyć w kompetencje naukowców, a jednocześnie wątpić w konkretną instytucję. Można uznawać wartość metody naukowej i sprzeciwiać się temu, jak rząd albo firma wykorzystuje wyniki. Można akceptować konsensus ekspertów, lecz krytycznie oceniać sposób komunikowania niepewności. Te obszary są ze sobą powiązane, ale nie są tym samym.

Reportaż Pearson w Nature trafnie komplikuje dramatyczną narrację o kryzysie i pokazuje miejsca realnych pęknięć (Pearson, 2026). Dla tego eseju ważniejsze pytanie zaczyna się krok dalej: co dzieje się z tymi rozróżnieniami, gdy człowiek spotyka je przez interfejs mówiący jednym głosem?

AI staje się pośrednikiem poznawczym

Ludzka wiedza nigdy nie była wyłącznie indywidualnym osiągnięciem. Zależy od świadectw innych ludzi, instrumentów, dokumentów, instytucji i specjalistów, których pracy nie potrafimy samodzielnie powtórzyć. John Hardwig zwracał uwagę na tę zależność poznawczą w nauce i codziennym życiu, a Alvin Goldman analizował, jak niespecjalista może oceniać rywalizujących ekspertów (Hardwig, 1985; Goldman, 2001). Dan Sperber i współautorzy opisali czujność epistemiczną jako procesy służące ocenie przekazywanych informacji oraz ich źródeł (Sperber et al., 2010).

Generatywna AI nie tworzy zależności od zera. Zmienia sposób, w jaki ją widzimy. Gdy przed czytelnikiem znajduje się nazwisko badacza, instytucja albo dokument, istnieją przynajmniej pewne wskazówki dotyczące kompetencji, kontekstu i odpowiedzialności. Model może zebrać język wielu źródeł i zwrócić jedną odpowiedź modelu, której głos nie należy do żadnego z nich. Zależności pozostają, ale ich tożsamość staje się mniej widoczna.

Model językowy nie jest instytucją naukową, autorem omawianych badań, metodą badawczą, źródłem pierwotnym ani odpowiedzialnym ekspertem. W systemie korzystającym z wyszukiwania może dobierać i porządkować dokumenty. W innych warunkach generuje na podstawie wzorców poznanych w treningu i materiału przekazanego w rozmowie. W obu przypadkach odpowiedź jest produktem interfejsu. Może prowadzić użytkownika ku wiedzy, lecz nie powinna być utożsamiana z procesami instytucjonalnymi i dowodowymi stojącymi za wiedzą.

Dlatego określenie AI jako pośrednika poznawczego jest trafniejsze niż nazywanie jej nowym ekspertem. Pośrednik wpływa na to, co widać, jak uporządkowane są twierdzenia i ile niepewności przetrwa przejście do formy odpowiedzi. Ułatwia dostęp, a przy okazji może zmieniać sygnały, na podstawie których użytkownik decyduje, czemu zaufać.

Gdy droga poznawcza ulega kompresji

Frazy kompresja drogi poznawczej używam opisowo. Nazywa ona zdarzenie na poziomie interfejsu: złożona droga przez dokumenty, dowody i spory zostaje pokazana jako jedna odpowiedź w rozmowie. Nie jest to zwalidowany konstrukt psychologiczny, termin ustalony w polskiej literaturze ani teoria przypisana temu artykułowi.

Kompresja nie musi oznaczać zniekształcenia. Mapy, abstrakty, wykłady i odpowiedzialne dziennikarstwo także skracają drogę przez wiedzę. Trzeba jednak zapytać, które rozróżnienia przetrwały skrót i czy użytkownik może odzyskać to, co zostało pominięte. Szczególnie ważne są cztery rodzaje kompresji.

Kompresja pochodzenia informacji

Wygenerowany akapit może łączyć recenzowaną publikację, raport instytucjonalny, dziennikarstwo, dokumentację firmy, komentarz i stary materiał kontekstowy bez zachowania różnic między nimi. Wszystkie zdania otrzymują tę samą typografię, ton i pozorny status. Czytelnik widzi odwołania do źródeł, lecz niekoniecznie zauważa, czy kluczowa teza pochodzi z badania pierwotnego, wtórnego omówienia czy źródła mającego interes komercyjny.

Oparcie odpowiedzi na źródłach może poprawić sytuację, łącząc tekst z wyszukanym materiałem. Nie rozstrzyga jednak jakości, niezależności ani trafności źródła. Prawdziwy dokument może być przestarzały, zbyt ogólny albo słabo dopasowany do twierdzenia. Pochodzenie informacji to coś więcej niż link. Trzeba wiedzieć, jakiego rodzaju jest źródło, kto je stworzył, kiedy i w jakim celu.

Kompresja niepewności

Badania rzadko mówią językiem kompletnej odpowiedzi konwersacyjnej. Wyniki mają za sobą sposób doboru próby, przedziały ufności, założenia modeli, ograniczenia pomiaru oraz warunki, w których nie powinny być uogólniane. Przeglądy rozdzielają powtarzalne wzorce od pytań otwartych. Eksperci mogą różnić się w ocenie, jak daleko wolno wyjść poza dostępne dowody.

W syntezie te elementy łatwo zamieniają się w gładki akapit, którego gramatyka sugeruje większą pewność, niż daje materiał. Zwrot „badania pokazują” może opisywać zarówno dobrze powtarzalny efekt, jak i jedno badanie obserwacyjne. Zdanie bywa technicznie poprawne, a mimo to ukrywa warunkowy charakter wniosku.

Kompresja sporu

Specjaliści mogą zgadzać się co do danych, a jednocześnie spierać o definicje, metodę, interpretację, możliwość uogólnienia lub konsekwencje dla polityki publicznej. Synteza nastawiona na pomoc często rozwiązuje napięcie przez wybór jednego głównego stanowiska. Dla wstępnej orientacji może to wystarczyć, ale może też usunąć z obrazu poważną alternatywę.

Brak widocznego sporu ma największe znaczenie wtedy, gdy decyzja użytkownika zależy od wyboru interpretacji. Model poproszony o wyjaśnienie ustalonego pojęcia i model poproszony o interpretację spornego wyniku nauk społecznych może użyć identycznie spokojnego tonu. Dopiero drugie zadanie wymaga mapy stanowisk, a interfejs nie zawsze ją pokaże bez wyraźnej prośby.

Kompresja odpowiedzialności

Wygenerowana informacja często przechodzi przez cały łańcuch: model tworzy tekst, system wyszukujący wybiera źródła, użytkownik akceptuje albo redaguje wynik, organizacja go publikuje, a inna osoba podejmuje działanie. Gdy pojawia się błąd, każda część łańcucha może wskazać kolejną.

Model nie ponosi zawodowej, moralnej ani instytucjonalnej odpowiedzialności za wykorzystanie odpowiedzi. Nie podpisze opinii klinicznej, nie obroni interpretacji prawnej, nie ujawni konfliktu interesów organizacji i nie odpowie przed osobą poszkodowaną przez rekomendację. Odpowiedzialność pozostaje po stronie ludzi i instytucji projektujących proces, zatwierdzających wynik oraz podejmujących działanie. Interfejs może ukryć ten łańcuch, ale nie może go unieważnić.

Płynność może udawać siłę dowodów

Badania psychologiczne dają powody, by traktować płynność jako możliwy sygnał wiarygodności, lecz nie jako uniwersalną przyczynę perswazji. Eksperymenty dotyczące płynności percepcyjnej pokazały, że łatwiejsze do przetworzenia zdania mogą otrzymywać wyższe oceny prawdziwości. Metaanaliza 51 badań potwierdziła efekt prawdy związany z powtórzeniem (Reber & Schwarz, 1999; Dechêne et al., 2010). Te badania nie dotyczyły interfejsów modeli językowych. Uzasadniają węższy wniosek: cechy niezwiązane z jakością dowodu mogą wpływać na subiektywną ocenę prawdziwości.

Generatywna AI dodaje do tego specyficzny rodzaj łatwości. Tworzy uporządkowaną prozę, dopasowuje wyjaśnienie do czytelnika i odpowiada na kolejne pytania bez konieczności otwierania publikacji. Płynność może zmniejszać odczuwaną potrzebę sprawdzenia, zwłaszcza gdy brakuje czasu, wiedzy dziedzinowej albo dostępu do materiału. Nie przekonuje automatycznie każdego, a tekst trudny w odbiorze nie staje się przez to prawdziwszy. Ryzyko polega na tym, że profesjonalny język i widoczna struktura zaczynają zastępować dowody, których użytkownik nie umie łatwo ocenić.

Badania generowania języka pokazują, dlaczego forma nie może unieść tego ciężaru. Szeroki przegląd Ji i współpracowników opisuje, jak systemy w różnych zadaniach tworzą treści płynne, lecz niewierne albo pozbawione oparcia. Wcześniejsze badanie streszczania abstrakcyjnego wykazało znaczny udział treści halucynowanych w streszczeniach tworzonych przez analizowane systemy, mimo poprawy typowych miar jakości przez modele wstępnie trenowane (Ji et al., 2023; Maynez et al., 2020). Wyniki dotyczą konkretnych systemów i zadań, a nie niezmiennej właściwości wszystkich dzisiejszych modeli. Pokazują jednak, że jakość językową i wierność dowodową trzeba oceniać osobno.

To samo dotyczy odpowiedzi wyglądającej naukowo. Nagłówki, zastrzeżenia i bibliografia mogą zwiększać zaufanie do sposobu prezentacji. Nie dowodzą, że konkretne zdanie ma wystarczające wsparcie.

Odwołanie prowadzi do źródła, ale nie jest certyfikatem prawdziwości

W 2023 roku Nelson Liu, Tianyi Zhang i Percy Liang przeprowadzili audyt czterech generatywnych wyszukiwarek. W ocenionych odpowiedziach około 51,5% wygenerowanych zdań było w pełni popartych wskazanymi źródłami, a około 74,5% odwołań rzeczywiście potwierdzało zdanie, z którym je połączono (Liu et al., 2023). Audyt dotyczył określonych systemów w określonym momencie. Nie powinien być powtarzany jako trwały wynik wszystkich współczesnych produktów.

Trwalszy wniosek ma charakter pojęciowy: obecność odwołania do źródła nie jest tym samym co oparcie w dowodach. Po zobaczeniu przypisu pozostaje co najmniej siedem pytań:

1. Istnienie: Czy wskazane źródło jest prawdziwe i dostępne?
2. Trafność: Czy dotyczy przedmiotu twierdzenia?
3. Jakość: Czy metoda i kontekst publikacji są odpowiednie do danego użycia?
4. Rzetelność przedstawienia: Czy odpowiedź uczciwie oddaje treść źródła?
5. Wsparcie konkretnej tezy: Czy źródło potwierdza dokładnie to zdanie, a nie tylko ogólny temat?
6. Aktualność: Czy materiał jest wystarczająco świeży dla zmieniającej się dziedziny?
7. Niezależność: Czy kilka odwołań oznacza niezależne dowody, czy prowadzi do tego samego źródła pierwotnego?

Prawidłowy DOI potwierdza istnienie zarejestrowanego obiektu. Nie dowodzi, że obiekt wspiera zdanie, przy którym go umieszczono. Prawdziwe badanie może zostać źle przedstawione, być przestarzałe, słabe metodologicznie, nieadekwatne do precyzyjnej tezy albo wtórne tam, gdzie potrzebne jest źródło pierwotne. Sprawdzenie wskazanego źródła wymaga więc przejścia od wizualnego sygnału powagi do rzeczywistego argumentu, danych i zakresu publikacji.

Krytyczne myślenie może się przesunąć, zamiast zniknąć

Teza, że AI „niszczy krytyczne myślenie”, wyprzedza dostępne dowody. W badaniu przedstawionym na CHI 2025 Hao-Ping Lee i współautorzy przeprowadzili ankietę wśród 319 pracowników wiedzy i zebrali 936 przykładów użycia GenAI w zadaniach zawodowych. Większe zaufanie do GenAI wiązało się z mniejszym deklarowanym wysiłkiem krytycznym. Większa pewność siebie dotycząca konkretnego zadania wiązała się z większym deklarowanym wysiłkiem. Opisy uczestników sugerowały również przesunięcie pracy krytycznej w stronę weryfikowania informacji, integrowania odpowiedzi i nadzoru nad całym zadaniem (Lee et al., 2025).

Znaczenie badania widać najlepiej razem z jego ograniczeniami. Autorzy analizowali samoopis i zależności, a nie przyczynowy spadek zdolności poznawczych. Wyniki nie pokazują, że korzystanie z AI obniża inteligencję. Sugerują, że rozkład wysiłku zmienia się zależnie od zaufania do systemu, własnej kompetencji i rodzaju zadania.

Łączy się to z odciążeniem poznawczym, czyli wykorzystywaniem zewnętrznych działań lub narzędzi do zmniejszania wewnętrznych wymagań zadania. Notatki, kalkulatory, mapy i wyszukiwarki od dawna pełnią taką funkcję. Odciążenie może uwolnić uwagę dla pracy wyższego poziomu, ale może też stworzyć lukę, gdy znika kontrola. Ważniejsze od pytania, czy coś delegujemy, jest pytanie, co dokładnie delegujemy (Risko & Gilbert, 2016):

• pamięć lub wyszukiwanie;
• szkicowanie lub syntezę;
• wybór źródeł;
• interpretację;
• osąd;
• odpowiedzialność.

AI może ograniczyć wysiłek potrzebny do wytworzenia pierwszej odpowiedzi, jednocześnie zwiększając znaczenie sprawdzania, porównywania i integrowania wyniku. Nadzór nad całym zadaniem oznacza czuwanie nad procesem: określenie celu, zauważenie, kiedy system wykracza poza dowody, decyzję o potrzebie przeglądu eksperta i przyjęcie konsekwencji użycia. To krytyczne myślenie umieszczone w innym miejscu, a nie dowód jego zaniku.

Dlaczego wyjaśnienia i odwołania do źródeł nie wystarczają

Wyjaśnienie może pomóc użytkownikowi ocenić rekomendację, ale może też stać się kolejnym sygnałem kompetencji systemu. W eksperymencie z udziałem 199 osób Zana Buçinca, Maja Barbara Malaya i Krzysztof Gajos porównali trzy rozwiązania wymagające aktywnego namysłu z prostszymi interfejsami wyjaśniającymi działanie AI oraz wariantem bez AI. Interwencje wymagające większego zaangażowania skuteczniej ograniczały nadmierne poleganie niż proste wyjaśnienia. Skuteczność miała jednak koszt: rozwiązania, które najlepiej ograniczały nadmierne poleganie, otrzymały najmniej korzystne oceny uczestników (Buçinca et al., 2021).

Jeden eksperyment nie tworzy uniwersalnej reguły projektowej. Podważa jednak założenie, że dodanie uzasadnienia automatycznie prowadzi do polegania dopasowanego do możliwości systemu. Użytkownik może potraktować wyjaśnienie jako dowód jakości systemu, zamiast jako materiał do sprawdzenia. Rozwiązania wymagające własnej oceny przed pokazaniem rekomendacji, opóźniające podpowiedź albo zmuszające do porównania mogą wprowadzić pożyteczne tarcie, ale często wydają się mniej wygodne.

Nie każde zadanie o niskiej stawce potrzebuje protokołu weryfikacji. Wymyślanie tytułów różni się od rekomendowania leczenia. Dobry projekt powinien zwiększać wysiłek proporcjonalnie do konsekwencji, niepewności i możliwości naprawienia błędu.

Skalibrowane zaufanie zależy od zadania

Trzeba rozdzielić zaufanie, poleganie i poleganie dopasowane do możliwości systemu. Zaufanie jest postawą albo oczekiwaniem wobec systemu. Poleganie jest zachowaniem: użyciem jego wyniku w decyzji lub działaniu. Poleganie dopasowane oznacza, że zachowanie odpowiada rzeczywistym możliwościom systemu w danym kontekście. Klasyczna literatura automatyzacji ostrzega zarówno przed nadużyciem wynikającym z nadmiernego polegania, jak i przed zbyt silnym odrzuceniem narzędzia. Ogólne zalecenia „ufaj bardziej” i „ufaj mniej” są równie słabe (Parasuraman & Riley, 1997; Lee & See, 2004).

Skalibrowane zaufanie zależy od pięciu cech:

1. Stawka i odwracalność. Co się stanie, jeśli odpowiedź będzie błędna, i czy błąd da się naprawić przed wystąpieniem trwałej szkody?
2. Widoczność i jakość źródeł. Czy można sprawdzić drogę do materiału i czy źródła są pierwotne, aktualne, niezależne oraz odpowiednie?
3. Kompetencja użytkownika. Czy potrafi rozpoznać słabą odpowiedź w tej dziedzinie?
4. Niezależna weryfikacja. Czy istnieje inny sposób sprawdzenia tezy?
5. Odpowiedzialność. Kto musi uzasadnić wynik i odpowiedzieć za konsekwencje?

Zobaczmy, jak zmieniają się te cechy w różnych zadaniach. Pomysły na tytuły mają niską stawkę i łatwo je odrzucić, więc płynność może wystarczyć. Streszczenie dokumentu, który użytkownik ma przed sobą, jest bardziej sprawdzalne, choć nadal może pomijać ważne treści. Wyjaśnienie nieznanego tematu naukowego wymaga kontroli źródeł, ponieważ użytkownik słabiej wykrywa pewnie brzmiący błąd. Interpretacja spornego wyniku wymaga porównania definicji, metod i alternatywnych odczytań. Porada dotycząca zdrowia, prawa, finansów lub polityki publicznej potrzebuje źródeł o odpowiednim autorytecie i osądu kompetentnego człowieka. Rekomendacja wpływająca na inną osobę dodaje obowiązek etyczny i organizacyjny, którego nie da się przekazać modelowi.

Ton wygenerowanej odpowiedzi może być niemal identyczny we wszystkich sześciu sytuacjach. Poziom potrzebnej weryfikacji nie jest. AI literacy obejmuje zatem coś więcej niż umiejętność uzyskania przydatnej odpowiedzi. Wymaga rozpoznania zadania, zrozumienia roli systemu, oceny wyniku i zachowania sprawczości człowieka tam, gdzie decyzja ma konsekwencje (Long & Magerko, 2020).

Odtwórz drogę

Gdy odpowiedź ma znaczenie, warto odbudować rozróżnienia skompresowane przez syntezę. Poniższy sześcioczęściowy protokół jest pomocą w czytaniu, a nie naukowo zwalidowaną skalą.

Rozdziel tę odpowiedź na twierdzenia, źródła, dowody, założenia, niepewności i punkty sporne. Przy każdym twierdzeniu faktograficznym wskaż, jakiego źródła potrzeba do jego sprawdzenia. Nie traktuj wyjaśnienia modelu jako weryfikacji.

Przykład hipotetyczny

Załóżmy, że odpowiedź AI stwierdza: „Badania pokazują, że AI zwiększa produktywność pracowników o 40%.” Zanim ta liczba trafi do prezentacji, rekomendacji albo firmowej polityki, trzeba odtworzyć jej drogę:

• Twierdzenie: Czy 40% oznacza krótszy czas wykonania zadania, większą liczbę rezultatów, wyższą jakość czy wskaźnik łączący kilka miar?
• Pochodzenie: Z jakiego badania pochodzi wynik, kto je przeprowadził, kto finansował i kiedy je opublikowano?
• Dowody: Kogo badano, jaki rodzaj pracy mierzono, z czym porównywano wyniki i jak obliczono produktywność?
• Niepewność: Czy podano przedział wyników i czy wniosek wykracza poza badane zadania, osoby oraz narzędzia?
• Spór: Czy poprawę może wyjaśniać efekt nowości, dobór łatwiejszych zadań albo większa szybkość kosztem jakości?
• Odpowiedzialność: Kto sprawdzi badanie i zdecyduje, czy tę liczbę wolno odnieść do konkretnej organizacji?

To przykład hipotetyczny. Protokół nie potwierdza twierdzenia o 40%; zamienia efektowną liczbę w pytania, które można sprawdzić.

Protokół nie wymaga czytania każdej cytowanej publikacji przy każdym codziennym pytaniu. Ma pomóc w rozpoznaniu problemu. Jeśli twierdzenie wysokiej stawki nie ma możliwego do odtworzenia pochodzenia, dowody mieszają się z interpretacją albo nikt nie przyjmuje odpowiedzialności za sprawdzenie wyniku, odpowiedź nie jest jeszcze gotowa do użycia.

Wnioski dla projektowania interfejsów i organizacji

Całego ciężaru nie można przerzucić na czujność pojedynczego użytkownika. Systemy pośredniczące w dostępie do wiedzy powinny zachowywać odwołania do źródeł na poziomie twierdzeń, rodzaj źródła, datę publikacji, informacje o niepewności i historię wersji. Powinny umożliwiać zakwestionowanie odpowiedzi, sprawdzenie zmian oraz przekazanie istotnego wyniku do przeglądu kompetentnego człowieka. Organizacja potrzebuje zapisu, kto dokonał kontroli, według jakiej zasady i z jaką wiedzą dziedzinową.

Profil NIST dla generatywnej AI jest dobrowolną pomocą w zarządzaniu ryzykiem, a nie wymogiem prawnym. Wśród sugerowanych działań NIST wymienia sprawdzanie wygenerowanych informacji, przegląd i weryfikację źródeł oraz odwołań, śledzenie pochodzenia treści, dokumentowanie udziału ludzkiej wiedzy dziedzinowej, a także ocenę, czy operatorzy i użytkownicy rozumieją pochodzenie oraz historię treści (National Institute of Standards and Technology, 2024). Takie środki przenoszą część pracy z osamotnionego czytelnika na system i organizację, które nadają odpowiedzi praktyczne znaczenie.

Dobre informacje o pochodzeniu nie gwarantują prawdy. Sprawiają jednak, że błąd łatwiej zobaczyć i poprawić. To istotna różnica wobec odpowiedzi, której autorytet wynika głównie ze sposobu prezentacji.

Ograniczenia argumentu

Baza badań nad użyciem generatywnej AI rozwija się szybko. Mechanizmy wyszukiwania, interfejsy odwołań do źródeł i zachowanie modeli zmieniają się w czasie. Przywołane badania korzystają z różnych metod i dotyczą różnych kontekstów, dlatego nie można z nich wyprowadzić jednego oszacowania, jak silnie AI zmienia osąd lub wyniki pracy.

Deklarowany wysiłek krytyczny nie jest tym samym co bezpośrednio zmierzona jakość rozumowania. Klasyczne badania płynności przetwarzania i automatyzacji pomagają wskazać możliwe mechanizmy, ale nie testowały dzisiejszych systemów konwersacyjnych. Ten esej nie mierzy zachowań użytkowników, częstości nadmiernego polegania ani skuteczności protokołu odtwarzania drogi.

Protokół może być niepotrzebny przy zadaniach o niskiej stawce i łatwych do odwrócenia, a niewystarczający przy decyzjach zawodowych wymagających uprawnień, formalnego przeglądu albo odpowiedzialności instytucjonalnej.

Kompresja może też pomagać. Generatywna AI ułatwia dostęp do specjalistycznego języka, podpowiada użyteczne pytania i potrafi prowadzić czytelnika ku źródłom pierwotnym. Zagrożeniem nie jest każda krótsza droga. Problem pojawia się wtedy, gdy nie da się odzyskać rozróżnień usuniętych przez skrót.

Zakończenie

Generatywna AI może skrócić drogę od pytania do użytecznej wiedzy. Krótsza droga nie jest automatycznie drogą fałszywą, a wymaganie od każdego użytkownika odtworzenia całej pracy ekspertów podważałoby sens komunikacji i narzędzi. Korzyść jest realna, gdy odpowiedź pomaga wejść w nową dziedzinę, zrozumieć dokument albo dotrzeć do właściwych dowodów.

Wygoda staje się ryzykowna, gdy równocześnie znikają pochodzenie informacji, niepewność, spór i odpowiedzialność. Użytkownik może wtedy posiadać dopracowany wniosek, nie wiedząc, jakiego rodzaju wsparcie za nim stoi i kto odpowiada za jego zastosowanie.

Model może podać nam wniosek, zanim zobaczymy drogę, która do niego prowadzi. Dojrzałe korzystanie z AI zaczyna się od rozpoznania, które wnioski można bezpiecznie wykorzystać od razu, a przy których trzeba odbudować drogę przez źródła, dowody, niepewność i odpowiedzialność.

Źródła i dalsza lektura

• Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188, 1-21. https://doi.org/10.1145/3449287
• Cologna, V., Mede, N. G., Berger, S., Besley, J., Brick, C., Joubert, M., Maibach, E. W., Mihelj, S., Oreskes, N., Schäfer, M. S., van der Linden, S., Abdul Aziz, N. I., Abdulsalam, S., Abu Shamsi, N., Aczel, B., Adinugroho, I., Alabrese, E., Aldoh, A., Alfano, M., … Zwaan, R. A. (2025). Trust in scientists and their role in society across 68 countries. Nature Human Behaviour, 9(4), 713-730. https://doi.org/10.1038/s41562-024-02090-5
• Dechêne, A., Stahl, C., Hansen, J., & Wänke, M. (2010). The truth about the truth: A meta-analytic review of the truth effect. Personality and Social Psychology Review, 14(2), 238-257. https://doi.org/10.1177/1088868309352251
• Goldman, A. I. (2001). Experts: Which ones should you trust? Philosophy and Phenomenological Research, 63(1), 85-110. https://doi.org/10.1111/j.1933-1592.2001.tb00093.x
• Hardwig, J. (1985). Epistemic dependence. The Journal of Philosophy, 82(7), 335-349. https://doi.org/10.2307/2026523
• Ipsos. (2026). Public Attitudes to Science 2025. UK Research and Innovation. https://pas.ipsos.com/
• Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y., Chen, D., Dai, W., Chan, H. S., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248, 1-38. https://doi.org/10.1145/3571730
• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1-22). Association for Computing Machinery. https://doi.org/10.1145/3706598.3713778
• 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
• Liu, N. F., Zhang, T., & Liang, P. (2023). Evaluating verifiability in generative search engines. In Findings of the Association for Computational Linguistics: EMNLP 2023 (pp. 7001-7025). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.findings-emnlp.467
• Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1-16). Association for Computing Machinery. https://doi.org/10.1145/3313831.3376727
• Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On faithfulness and factuality in abstractive summarization. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 1906-1919). Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.173
• National Institute of Standards and Technology. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). https://doi.org/10.6028/NIST.AI.600-1
• Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230-253. https://doi.org/10.1518/001872097778543886
• Pearson, H. (2026, July 1). Have people stopped trusting science? The data tell a surprising story. Nature, 655, 22-25. https://doi.org/10.1038/d41586-026-01977-9
• Reber, R., & Schwarz, N. (1999). Effects of perceptual fluency on judgments of truth. Consciousness and Cognition, 8(3), 338-342. https://doi.org/10.1006/ccog.1999.0386
• 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., Clément, 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

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