Czujesz się mądrzejszy z AI? To objaw

Sztuczna inteligencja nie dodaje ci kompetencji. Mnoży tę, którą wnosisz. Z mnożeniem jest jeden kłopot: zero razy najmocniejszy model świata to wciąż zero. Tyle że teraz to zero świetnie brzmi.

Dwie osoby wpisują identyczny prompt. Dostają identyczną odpowiedź. Pierwsza wie, czego w tej odpowiedzi brakuje, i buduje na niej przewagę. Druga nie ma czym tego ocenić, więc wykonuje w ciemno. Przez pierwsze tygodnie obu idzie świetnie i nie da się ich odróżnić. Potem przychodzi zadanie, w którym model się myli - i różnica wychodzi z procentem składanym.

Jedno zastrzeżenie na start: to nie jest tekst o tym, że AI zmyśla. O zmyślaniu pisałem osobno. Przez cały ten tekst zakładam, że AI mówi prawdę. Problem, który opisuję, zostaje mimo to.

Ten sam prompt, dwa przeciwne wyniki

Jesienią 2023 roku Harvard Business School i BCG zrobiły eksperyment, który do dziś jest najlepszym pomiarem tego zjawiska. Wzięli 758 konsultantów, około 7% kadry wykonawczej firmy, i dali części z nich GPT-4. W osiemnastu zadaniach mieszczących się w możliwościach modelu grupa z AI wykonała średnio 12,2% więcej zadań, o 25,1% szybciej, z jakością ponad 40% wyższą od grupy kontrolnej.

W jednym zadaniu wynik się odwrócił. Badacze celowo dobrali problem leżący poza możliwościami ówczesnego modelu - taki, w którym odpowiedź AI wyglądała rozsądnie, ale prowadziła w złą stronę. Konsultanci z AI byli w nim o 19 punktów procentowych rzadziej poprawni niż koledzy bez AI.

Ta sama firma, ci sami ludzie, to samo narzędzie. Przeciwny znak. Zmienną nie był model. Zmienną było to, czy zadanie leży w jego zasięgu - a tego z zewnątrz nie widać. Badacze nazwali to „poszarpaną granicą” (jagged frontier): możliwości AI nie są kołem, które obejmuje wszystko do pewnego poziomu trudności. Są postrzępione jak linia brzegowa. Model robi rzecz trudną bezbłędnie, a na pozornie łatwej się wykłada. Mapowanie tej granicy samo wymaga kompetencji - i tu pętla łapie pierwszy raz.

Żeby wiedzieć, kiedy nie ufać,
musisz wiedzieć.

Tak to wygląda poza laboratorium. Manager e-commerce prosi model o strategię kampanii dla nowej kategorii produktowej. Dostaje plan: podział budżetu na kanały, harmonogram, komunikaty. Wszystko brzmi profesjonalnie, liczby się sumują. Nie ma tylko czym ocenić, czy ten podział ma sens dla tego konkretnego produktu w tym konkretnym sklepie - to jest dokładnie zadanie zza poszarpanej granicy. Kampania nie dowozi. Na spotkaniu podsumowującym pada wniosek: rynek słaby, sezon trudny. Prawdziwa przyczyna nie pada nigdy, bo nikt jej nie widzi.

Dlaczego czujesz się mądrzejszy, niż jesteś

Poczucie mądrości nie bierze się z powietrza. Jest produktem ubocznym tego, jak trenuje się modele.

Modele językowe uczą się na ludzkich ocenach. Badacze Anthropic pokazali w pracy przyjętej na ICLR 2024, że zarówno ludzie, jak i modele preferencji „niepomijalnie często” wybierają odpowiedź przekonująco napisaną i schlebiającą zamiast poprawnej. Skoro tak wybieramy, tego uczą się maszyny. W kwietniu 2025 roku OpenAI musiało wycofać aktualizację GPT-4o i przyznało wprost: skupiliśmy się za mocno na krótkoterminowym feedbacku, przez co model „przechylił się ku odpowiedziom przesadnie wspierającym, ale nieszczerym”.

Przesadnie wspierającym. To znaczy: twoje pomysły są świetne, twoje pytania trafne, a każda odpowiedź przychodzi gładka i bez wahania. Czytasz taki tekst i czujesz, że rozumiesz temat. Tyle że gładkość odpowiedzi to cecha treningu, nie sygnał prawdy - a poczucie zrozumienia przypisujesz sobie, nie modelowi.

Pewnie myślisz teraz o efekcie Dunninga-Krugera: głupi nie wie, że jest głupi. Zapomnij o tym wykresie. W 2020 roku Gignac i Zajenkowski pokazali w „Intelligence” na próbie 929 osób, że klasyczny obrazek jest w dużej mierze artefaktem statystycznym - miksem regresji do średniej i naszej ogólnej skłonności do uważania się za lepszych niż przeciętna. Związek między inteligencją mierzoną a samooceną wyszedł im, cytuję, „zasadniczo całkowicie liniowy”.

Piszę o tym z dwóch powodów. Pierwszy: ten blog obala mity, a nie dosypuje do nich. Drugi jest ważniejszy: AI robi coś gorszego niż stary, poczciwy Dunning-Kruger. Tam brak kompetencji szedł w parze przynajmniej z cichym dyskomfortem, z pytaniami bez odpowiedzi. Tu dostajesz do swojej dziury w wiedzy zewnętrzne wypełnienie, które brzmi jak wiedza. AI nie tylko nie pokazuje ci, czego nie wiesz. Aktywnie zakleja to miejsce czymś przekonującym.

Skalę zmierzył Microsoft z Carnegie Mellon w badaniu na CHI 2025: 319 pracowników wiedzy, 936 realnych przypadków użycia AI. Wynik: im wyższa ufność w AI, tym mniej krytycznego myślenia. Im wyższa pewność własnych kompetencji, tym więcej. To dane deklaratywne, więc traktuję je jako poszlakę, nie wyrok - ale kierunek zależności jest dokładnie tym, którego pętla potrzebuje do domknięcia.

Pętla, która się zaciska

Złóżmy te elementy w mechanizm. Sześć kroków:

Najbardziej podstępny jest krok piąty.

Sukcesy mają twoje imię.
Porażki mają alibi.

Kampania nie dowiozła? Rynek. Wycena była za niska? Klient trudny. Grafik się posypał? Ludzie się pochorowali. Skoro porażka nigdy nie zostaje przypisana ślepemu wykonaniu podpowiedzi, pętla nie dostaje sygnału zwrotnego - i kręci się dalej.

Czasem tylko ktoś z zewnątrz trzyma dane, które robią atrybucję za nas. W sierpniu 2025 roku Commonwealth Bank of Australia zlikwidował 45 stanowisk na infolinii, powołując się na voice bota, który miał ściąć ruch o dwa tysiące połączeń tygodniowo. Związek zawodowy policzył po swojemu: wolumeny rosły, bank płacił nadgodziny, a team leaderzy odbierali telefony. Trzy tygodnie później bank cofnął decyzję, przyznał, że ocena „nie uwzględniła odpowiednio wszystkich istotnych czynników biznesowych”, i przeprosił. To nie jest historia o złym bocie. To historia o decyzji kadrowej podjętej na deklarowanych efektach AI, której nikt wewnątrz nie miał jak - albo nie chciał - zweryfikować.

Jest jeszcze wewnętrzny koszt pętli, trudniejszy do zmierzenia. Zespół MIT Media Lab badał ludzi piszących eseje z ChatGPT, z wyszukiwarką i bez niczego, z EEG na głowie. Grupa pisząca z modelem miała najsłabszą łączność mózgową z trzech, gorzej cytowała tekst, który sama przed chwilą oddała, i deklarowała najniższe poczucie autorstwa. Autorzy nazwali to „długiem poznawczym”. Uczciwie: to preprint bez recenzji, 54 osoby, próba studencka - sami badacze proszą, żeby nie robić z tego nagłówków o uszkodzonych mózgach. Trzymam się więc tego, co w tym badaniu najskromniejsze i zarazem najbliższe codzienności: ludzie nie pamiętali własnego raportu. Znasz to. Wysyłasz dokument, który „napisałeś”, a na pierwszym pytaniu o założenie za liczbą okazuje się, że nie umiesz go obronić. Nigdy go nie zbudowałeś.

Poczucie autorstwa było.
Autorstwa nie było.

Dług, który spłacasz z opóźnieniem

Dotąd mówiliśmy o ocenie cudzej pracy. Pętla ma drugie ramię: erozję umiejętności, które jeszcze masz.

Najmocniejszy pomiar przyszedł w sierpniu 2025 roku z Polski. Cztery ośrodki endoskopii, doświadczeni lekarze - wg komunikatu prasowego dziewiętnastu, każdy z co najmniej dwoma tysiącami kolonoskopii za sobą. Ośrodki wdrożyły system AI podpowiadający zmiany podczas badania. Zespół Budzyń i Romańczyka porównał skuteczność tych samych lekarzy w badaniach BEZ asysty: trzy miesiące przed wdrożeniem i trzy miesiące po. Wykrywalność gruczolaków spadła z 28,4% do 22,4% - o sześć punktów procentowych (p=0,0089). Słowo „deskilling” pada w tytule pracy w „Lancet Gastroenterology & Hepatology”.

Uczciwość każe dodać dwie rzeczy. To badanie obserwacyjne, nie randomizowane - a po wdrożeniu AI liczba badań w ośrodkach niemal się podwoiła, więc część spadku może tłumaczyć zwykłe przeciążenie; ten zarzut podniósł prof. Venet Osmani z Queen Mary University of London. Zarazem główny autor podkreśla, że to pierwsze badanie sugerujące negatywny wpływ regularnej pracy z AI na kliniczną umiejętność człowieka - w jakiejkolwiek dziedzinie medycyny. Trzy miesiące. Nie pokolenie, nie kariera. Kwartał.

Zjawisko ma zresztą metrykę starszą niż jakikolwiek model językowy. W 1983 roku Lisanne Bainbridge opisała w „Automatice” ironie automatyzacji, obserwując operatorów przemysłowych. Dwie z nich brzmią, jakby wyszły spod dzisiejszej klawiatury.

To pierwsza ironia: umiejętności zanikają, gdy nie są używane. Druga jest jeszcze bliżej nas: projektant automatyzacji „wciąż zostawia człowiekowi te zadania, których sam nie umiał zautomatyzować”. Automat zabiera rutynę, która była twoim treningiem, a zostawia ci wyjątki - dokładnie te sytuacje, do których trening był potrzebny. Odbierając łatwe części zadania, automatyzacja robi trudne części trudniejszymi.

Przełóż to na firmę. Właściciel pensjonatu oddaje modelowi układanie grafiku zmian i prognozę zamówień. Pierwsze tygodnie: spokój, typowe wzorce, AI to lubi. Po kilku miesiącach przychodzi długi weekend nałożony na imprezę w mieście i załamanie pogody - anomalia, jakiej model nie widział w danych. Kiedyś właściciel czuł takie weekendy w kościach, bo układał grafiki co tydzień od dziesięciu lat. Ćwiczył. Teraz stoi przed wyjątkiem w najgorszej możliwej formie, jak pilot Bainbridge, któremu autopilot oddaje stery w środku turbulencji, po trzech godzinach bezczynności. O tym, które procesy w hotelu oddać technologii, a przy których człowiek musi zostać, pisałem przy siedmiu technologiach hotelowych - filtr operatora z tamtego tekstu zaraz tu wróci.

W „Śmierci juniora” opisywałem, jak AI wycina młodym wejściową robotę, na której budowało się seniorów. Ten tekst dopowiada rzecz mniej wygodną: ten sam mechanizm dopada seniora. Nie musisz być juniorem, żeby stracić formę. Wystarczy, że przestaniesz ćwiczyć.

Minimalna kompetencja to nie doktorat. To weryfikacja

Tu tekst mógłby skręcić w elitaryzm: prawdziwi eksperci sobie poradzą, reszta niech odłoży czat. Teza jest dokładnie odwrotna.

Nie jestem prawnikiem, a przy researchu do jednego z tekstów wyłapałem zmyślony wyrok. Nie jestem statystykiem, a z ostatniego dużego researchu odrzuciłem 2 ze 105 zebranych faktów - w tym liczbę, która brzmiała świetnie, pasowała do narracji i nie istniała w żadnym źródle. Nie wyłapała tego moja erudycja, bo jej tam nie było. Wyłapał to proces: każda liczba musi mieć źródło, datę i dosłowny cytat, a to, co nie przejdzie, wypada - niezależnie od tego, jak dobrze pasuje.

Ten tekst zresztą obronił się własną metodą, zanim powstał. Przy zbieraniu badań do tego artykułu narzędzie pośredniczące podsunęło mi elegancki cytat z pracy naukowej. Sprawdzenie w PDF-ie źródłowym pokazało, że taki cytat nie istnieje - była to sklejka tytułu z parafrazą. Poleciał. Gdybym oceniał po tonie, wszedłby do tekstu o ocenianiu po tonie.

Minimalna kompetencja do pracy z AI to nie wiedza domenowa z każdej dziedziny, w której zadajesz pytania. To umiejętność zweryfikowania odpowiedzi zanim ją wykonasz - i ona jest do nauczenia jak procedura. Dobre modele uczą się mówić „nie wiem”. Dobrzy operatorzy uczą się pytać „skąd to wiesz”.

Pięć dźwigni, żeby przeciąć pętlę

Nie „myśl krytycznie”. Badanie Microsoftu pokazuje, że samo zaklęcie nie działa - pewność w AI wyłącza myślenie niezależnie od dobrych chęci. Potrzebujesz mechanizmów, które działają nawet wtedy, gdy czujesz się mądry. Zwłaszcza wtedy.

Filtr operatora: co oddać, czego nie oddawać

Na koniec decyzja, którą podejmujesz nie przy pojedynczej odpowiedzi, tylko przy projektowaniu swojej pracy. Co w ogóle oddawać modelowi?

Czwarty wiersz jest najmniej intuicyjny i najważniejszy. Niektóre zadania opłaca się robić samemu nawet wtedy, gdy AI zrobiłoby je szybciej - bo to one utrzymują umiejętność, której użyjesz przy zadaniach, których AI nie zrobi.

W manifeście o pozorze kompetencji pisałem, że AI wyzerowało wartość brzmienia mądrze - dla świata. Ten tekst jest o tym samym zjawisku widzianym od środka: jak pozór pracuje w twojej własnej głowie i czemu jest tak wygodny. Odpowiedź na oba problemy jest jedna. Osąd. Tam był ostatnią przewagą rynkową, tu jest jedynym wyjściem z pętli.

AI naprawdę jest mnożnikiem - to nie metafora na wyrost, tylko wynik z 758 konsultantów. Wnosisz kompetencję, wynosisz przewagę. Wnosisz samo zaufanie, wynosisz pewne siebie zero. Po której stronie równania staniesz, rozstrzyga się nie w czacie, tylko przed nim: w tym, czy masz proces sprawdzania i rutynę, która trzyma formę.

FAQ: najczęstsze pytania

Czy to znaczy, że mam mniej używać AI? Nie. Masz używać AI jako mnożnika, nie protezy. Różnica siedzi w kolejności (najpierw twoja hipoteza, potem model jako oponent) i w weryfikacji przed wykonaniem. Sam używam AI intensywniej niż większość ludzi, których znam - i właśnie dlatego obudowałem to procesem.

Nie jestem ekspertem. Czy jestem skazany na tę pętlę? Nie. Minimalna kompetencja to weryfikacja, nie doktorat: źródło przy każdej liczbie, test na małej próbie, drugi model jako adwersarz. To procedura do wyuczenia, nie talent.

Czym to się różni od halucynacji AI? Halucynacja to usterka modelu - zmyśla fakt, który sprawdzasz. Pętla działa nawet przy prawdziwych odpowiedziach, bo problem leży w twojej zdolności oceny i w nawyku niesprawdzania, którego uczą sukcesy. Inne ryzyko, inne zabezpieczenia.

Skąd mam wiedzieć, gdzie AI jest słabe, skoro granicy nie widać? Idealnie nie zmapujesz - jest poszarpana i rusza się z każdą wersją modelu. Reguła zastępcza: im gładsza odpowiedź, tym mocniej sprawdź, a wszystko z twojej kolumny „zgaduję” weryfikuj obowiązkowo.

Jak szybko eroduje nieużywana umiejętność? U doświadczonych endoskopistów mierzalny spadek przyszedł po trzech miesiącach pracy z asystą AI (Lancet Gastro; badanie obserwacyjne, więc bez wyroków - ale to skala kwartału, nie dekady). Rutynę treningową planuj w tej skali.