Artykuł programu „Era Człowieka”

„Sprawdź to w AI”. Dlaczego prompt szukający manipulacji nie jest narzędziem diagnostycznym

Artykuł programu „Era Człowieka” — o tym, co się dzieje, gdy odpowiedź modelu zaczyna funkcjonować jak wyrok.

Autorzy

Zespół Fundacji EPIQ

Data publikacji

28 lipca 2026

Identyfikator

07/2026-0055-677-733

Wydawca

Fundacja EPIQ

Artykuł został przygotowany przez zespół merytoryczny Fundacji EPIQ i poddany wewnętrznej redakcji oraz weryfikacji.

Tekst ma charakter edukacyjny i metodologiczny. Przedstawiony scenariusz jest uogólnieniem sposobów używania AI spotykanych w publicznych sporach. Nie służy ocenie prawdziwości konkretnego konfliktu, zachowania określonych osób ani ich motywów. Nie stanowi diagnozy klinicznej, opinii biegłego ani oceny jakiegokolwiek konkretnego sporu.

Wprowadzenie

Duże modele językowe (LLM) wdzierają się w życie osobiste w rolę doradcy. Użytkownicy oczekują pomocy w ocenie wiadomości od bliskiej osoby, interpretacji konfliktu, „sprawdzeniu”, czy ktoś nami manipuluje. Ta ostatnia praktyka zasługuje na szczególną uwagę, bo łączy dwie dobrze udokumentowane właściwości ludzi i maszyn: naszą skłonność do traktowania wskazań systemów automatycznych jako obiektywnych oraz skłonność modeli do posłusznego wypełniania ramy, którą narzuca im pytający.

W internetowych sporach można dziś spotkać powtarzalny wzorzec. Wyobraźmy sobie — jako scenariusz ilustracyjny — że uczestnik konfliktu publikuje gotowy prompt w rodzaju: „Działaj jako ekspert od perswazji. Przeanalizuj poniższy tekst pod kątem technik manipulacji” i zachęca odbiorców, by wklejali do niego wypowiedzi drugiej strony. Wynik takiej „analizy” bywa następnie cytowany jako bezstronna, ekspercka diagnoza. Celem tego artykułu jest pokazanie, dlaczego taka procedura bez warunków kontrolnych nie stanowi rzetelnego pomiaru, choć może tworzyć jego przekonującą imitację — oraz co jej popularność mówi o trzech osiach autonomii, wokół których zbudowany jest program „Era Człowieka”: SELF, OTHERS i MEANING.

Dlaczego sam wynik nie jest rzetelnym pomiarem

Rama pytania ukierunkowuje odpowiedź

Model językowy nie ustala stanu faktycznego — generuje tekst prawdopodobny w świetle instrukcji. Prompt nakazujący zidentyfikowanie technik manipulacji kieruje uwagę modelu na ich wyszukiwanie i zwiększa ryzyko odpowiedzi potwierdzającej założenie pytania. Badania nad sykofancją wykazały, że modele mogą dostosowywać odpowiedzi do przekonań i oczekiwań użytkownika, niekiedy kosztem poprawności (Sharma i in., 2024). Nie oznacza to, że każda odpowiedź będzie zgodna z sugestią użytkownika, ale podważa traktowanie pojedynczego wyniku jako neutralnego testu. Bez warunków kontrolnych procedura taka nie może być traktowana jako niezależny pomiar diagnostyczny — niezależnie od tego, jak fachowo brzmi raport.

Elementy perswazji — takie jak odwołania do emocji, budowanie wiarygodności czy dowód społeczny (Cialdini, 2007) — występują także w zwykłej komunikacji publicznej. Samo ich wskazanie nie pozwala jeszcze odróżnić normalnej perswazji od manipulacji ani ocenić etyczności wypowiedzi. Prompt nastawiony wyłącznie na ich wyszukiwanie może zatem generować wynik pozornie alarmujący także wobec tekstu, który nie został napisany w celu wprowadzenia odbiorcy w błąd.

Pożyczony autorytet maszyny

Skoro sposób sformułowania promptu może silnie ukierunkować wynik, skąd bierze się jego siła retoryczna? Z dwóch dobrze opisanych mechanizmów. Po pierwsze, machine heuristic — skrót poznawczy, wskutek którego w niektórych kontekstach możemy przypisywać systemom komputerowym większą obiektywność lub bezstronność niż ludziom (Sundar & Kim, 2019). Po drugie, automation bias — skłonność do bezkrytycznego przyjmowania wskazań systemów automatycznych, obserwowana od dawna w badaniach nad decyzjami wspomaganymi komputerowo (Skitka, Mosier & Burdick, 1999). W badaniach nad szacunkami i prognozami liczbowymi ludzie częściej korygowali swoje oceny pod wpływem porady oznaczonej jako algorytmiczna niż identycznej porady przypisanej człowiekowi (Logg, Minson & Moore, 2019) — choć efekt słabnie, gdy porównujemy poradę algorytmu z własną oceną, a osoby o większej wiedzy eksperckiej polegają na algorytmie mniej.

W sporze międzyludzkim mechanizmy te mogą zmieniać sposób odbioru komunikatu: zarzut może przestać funkcjonować wyłącznie jako opinia uczestnika konfliktu i zacząć być odbierany jako „diagnoza” niezaangażowanej instancji. Osoba udostępniająca wynik może przy tym szczerze nie dostrzegać własnego udziału w jego wytworzeniu. W eksperymencie dotyczącym dylematów moralnych porady chatbota wpływały na oceny uczestników, którzy jednocześnie nie doszacowywali tego wpływu (Krügel, Ostermaier & Uhl, 2023). Badanie nie dotyczyło publicznych konfliktów, ale pokazuje, że jawna wiedza o algorytmicznym źródle porady nie musi chronić przed jej oddziaływaniem.

Siła perswazyjna nie jest neutralna

Szerszego kontekstu dostarczają badania nad perswazyjnością modeli. W eksperymencie z kontrolowanymi debatami spersonalizowany GPT-4 — mający dostęp do podstawowych danych demograficznych rozmówcy — był bardziej perswazyjny od ludzkiego oponenta w 64,4% porównań, w których wyniki nie były równe (Salvi i in., 2025); bez personalizacji różnica względem ludzkiego punktu odniesienia nie była istotna statystycznie.

Wniosek nie brzmi więc „AI zawsze wygrywa”, lecz: siła perswazyjna modelu zależy od tego, jak zostanie użyty — a użycie go z tezą i pod publiczność pełni przede wszystkim funkcję perswazyjną, a sam wygenerowany wynik nie może stanowić dowodu diagnostycznego.

Test lustrzany, czyli higiena sceptycyzmu

Pomocnym sprawdzianem symetrii jest zastosowanie tego samego schematu promptu do własnej wypowiedzi. Jeżeli model wskaże podobne techniki po obu stronach, nie rozstrzyga to, czy teksty są manipulacyjne. Pokazuje natomiast, że sam katalog etykiet wygenerowanych przez model nie pozwala odróżnić badanych komunikatów. Wyniki uzyskane wobec obu stron należy poddać temu samemu sceptycyzmowi metodologicznemu. Rzetelniejsza procedura wymagałaby neutralnego zadania, materiałów kontrolnych, powtórzeń i wcześniej ustalonych kryteriów oceny — elementów, których popularne prompty zwykle nie zawierają.

Osobnym zjawiskiem jest używanie modelu jako redaktora własnych tekstów w konflikcie — na przykład proszenie go o wskazanie i usunięcie fragmentów, które model klasyfikuje jako nadmiernie perswazyjne. Taka praktyka bywa racjonalna jako korekta stylu. Warto jednak widzieć jej granice: model może wskazywać sygnały językowe i formułować hipotezy dotyczące możliwego odbioru tekstu, lecz na podstawie samego tekstu nie ustali rzeczywistej intencji autora ani faktycznego skutku komunikatu. Korekta może zmienić ton i siłę oddziaływania wypowiedzi, ale samo uzyskanie od modelu oceny „neutralny” nie rozstrzyga jej funkcji w konflikcie. Decyzja, co i po co mówię drugiemu człowiekowi, pozostaje decyzją moralną autora — i nie da się jej zlecić.

Trzy osie autonomii: SELF · OTHERS · MEANING

Program „Era Człowieka” opisuje osobiste używanie AI na trzech osiach. Praktyka „sprawdź to w AI” ilustruje ryzyko na każdej z nich — przy czym mówimy o ryzyku warunkowym, nie o automatycznym skutku: wiele zależy od tego, czy użytkownik traktuje wynik jako hipotezę, czy jako werdykt.

SELF — własny namysł

Gotowy prompt może ograniczać samodzielną ocenę, jeżeli zastępuje pytanie „co ja właściwie czytam i co czuję, gdy to czytam” procedurą wykonywaną na cudzych warunkach. Sondaż wśród 319 pracowników wiedzy wykazał, że wyższe zaufanie do generatywnej AI współwystępuje z deklarowanym mniejszym wysiłkiem krytycznego myślenia przy jej wynikach (Lee i in., 2025); badania korelacyjne wiążą też intensywne przenoszenie operacji poznawczych na AI z niższymi wynikami zastosowanych miar myślenia krytycznego — przy czym ze względu na przekrojowy i częściowo samoopisowy charakter badania zależność ta nie dowodzi związku przyczynowego (Gerlich, 2025). Wstępne badanie nad pisaniem esejów z pomocą LLM (preprint, mała próba) wskazało słabszą łączność funkcjonalną mierzoną EEG oraz niższe deklarowane poczucie autorstwa w grupie korzystającej z LLM (Kosmyna i in., 2025). Żadne z tych badań nie przesądza skutków pojedynczego użycia — łącznie uzasadniają jednak ostrożność wobec nawyku delegowania oceny.

OTHERS — realne relacje

Konflikt zapośredniczony przez maszynę w roli arbitra zmienia strukturę relacji: druga osoba może przestać być rozmówcą, a stać się „materiałem wejściowym” do analizy, zaś obserwatorzy sporu — publicznością odczytującą werdykt zamiast wspólnotą zadającą pytania. Jeżeli wynik promptu funkcjonuje jako rozstrzygnięcie, znika przestrzeń na to, co konflikty naprawia: pytanie, wysłuchanie obu stron, korektę własnego stanowiska. Ryzyko nie leży w samym narzędziu, lecz w zastąpieniu nim rozmowy.

MEANING — sens i rozeznanie

To oś, na której — jak głosi program — delegowanie kosztuje najwięcej. Rozeznanie, komu ufać, co jest prawdą i czy dzieje się krzywda, należy do rdzenia ludzkiej podmiotowości. Na podstawie samego analizowanego tekstu model językowy nie może zweryfikować zewnętrznych zdarzeń ani rzeczywistych intencji ludzi. Może porządkować dostarczone informacje i formułować hipotezy, ale ich trafność zależy od jakości materiału, instrukcji i niezależnej weryfikacji. Traktowanie jego odpowiedzi jako wyroku w sprawach zaufania i wiarygodności drugiego człowieka jest błędem kategorialnym — pomyleniem generatora tekstu z instancją poznającą. Można korzystać z modelu jako z jednego głosu doradczego; nie można bez straty uczynić go ostateczną instancją rozeznania.

Wnioski praktyczne

1. Wynik promptu z tezą może silnie odzwierciedlać jego ramę. Instrukcja „znajdź manipulację” zwiększa prawdopodobieństwo wygenerowania takiej interpretacji. Przed uznaniem wyniku za diagnozę sprawdź, czy procedura dopuszczała wynik negatywny i według jakich kryteriów miałby on powstać.

2. Stosuj porównanie lustrzane. Użycie tego samego schematu wobec własnych wypowiedzi pomaga sprawdzić, czy do obu stron stosujesz jednakowy standard. Sam wynik nie dowodzi jednak, że model mierzy wyłącznie ramę, ani że analizowane teksty są równoważne.

3. Traktuj odpowiedź jako hipotezę, nie werdykt — zwłaszcza gdy dotyczy intencji i charakteru konkretnych ludzi, których model nie może ustalić na podstawie samego tekstu.

4. Najpierw własny namysł, potem narzędzie. W sprawach relacji i wartości weryfikuj rozeznanie na podstawie faktów, rozmowy z odpowiednimi osobami i — gdy jest to bezpieczne oraz uzasadnione — wysłuchania obu stron, a nie wyłącznie w oknie czatu. To zalecenie zgodne z założeniami programu „Era Człowieka”.

Artykuł powstał w ramach programu badawczo-edukacyjnego Fundacji EPIQ: Era Człowieka.