Czy generatywna AI osłabia krytyczne myślenie? Dowody są niejednoznaczne

15 sierpnia Google News wyświetlił prowokacyjny hashtag #DeeperStupidAI, zamieniając debatę o pogorszeniu zdolności poznawczych w kolejny konflikt opakowany do natychmiastowej konsumpcji.

Esej Saturday Hashtag trafił do agregatora z bezpośrednią sugestią. Generatywna AI nie tylko tworzy niewiarygodne odpowiedzi. Zachęca też ludzi do mniej pogłębionego myślenia.

Obawy te znajdują potwierdzenie w dowodach, lecz nagłówek wyprzedza badania. Badania wykazały niższy deklarowany wysiłek poznawczy podczas niektórych zadań wspieranych przez AI. Naukowcy zaobserwowali również słabsze zapamiętywanie i mniejsze zaangażowanie neuronalne w jednym kontrolowanym eksperymencie dotyczącym pisania.

Żadne z tych ustaleń nie dowodzi, że AI trwale obniża inteligencję ludzi. Najmocniejsze badania wspierają węższy wniosek. Ludzie często rezygnują z ważnej pracy umysłowej, gdy system podaje płynną odpowiedź, zanim zdążą wyrobić sobie własny osąd.

To rozróżnienie ma znaczenie, ponieważ Google zmienia środowisko, w którym miliony osób stykają się z informacją. Wyszukiwarka dawniej prezentowała uszeregowane źródła i prosiła użytkowników o wybór między nimi. AI Overviews i wyszukiwanie konwersacyjne coraz częściej syntetyzują te źródła, zanim użytkownik odwiedzi którekolwiek z nich.

Główny konflikt nie dotyczy więc ludzi przeciwko maszynom. Dotyczy wygodnej syntezy przeciwko aktywnemu dociekaniu.

Google twierdzi, że jego funkcje wyszukiwania oparte na AI pomagają ludziom zadawać bardziej złożone pytania i trafiać na użyteczne strony. Niezależne dane behawioralne pokazują, że podsumowania mogą również ograniczać kliknięcia w zewnętrzne źródła. Badania poznawcze sugerują, że nadmierne zaufanie do generowanych odpowiedzi zmniejsza wysiłek wkładany w ich weryfikację.

Etykieta #DeeperStupidAI przyciąga uwagę, ale grozi spłaszczeniem złożonego problemu. Użyteczniejsze pytanie brzmi, czy systemy AI zachowują działania budujące zrozumienie: porównywanie, przypominanie, interpretację, wątpienie i korektę.

Google News zamieniło debatę w wydarzenie

Bezpośrednim wydarzeniem jest sygnał medialny, a nie nowy wynik naukowy.

Materiał WhoWhatWhy trafił do Google News jako komentarz na temat AI i poznania. Nie ogłaszał produktu, nie ujawniał ustaleń klinicznych ani nie przedstawiał nowo ukończonego eksperymentu.

To odróżnia go od konwencjonalnej historii technologicznej. Nie ma daty premiery do śledzenia, benchmarku do odtworzenia ani deklaracji firmy do przetestowania. Jego znaczenie wynika z momentu i sposobu dystrybucji przedstawionego argumentu.

Pomysł, że narzędzia cyfrowe osłabiają myślenie, nie jest nowy. Wyszukiwarki, kalkulatory, nawigacja GPS, korektory pisowni i platformy społecznościowe wywoływały podobne obawy. Każde z tych narzędzi przenosiło część zadania umysłowego z człowieka do zewnętrznego systemu.

Psychologowie nazywają to odciążaniem poznawczym. Termin opisuje korzystanie z zewnętrznego zasobu, aby zmniejszyć wysiłek umysłowy potrzebny do zapamiętywania, obliczania, podejmowania decyzji lub nawigowania.

Odciążanie nie jest automatycznie szkodliwe. Notatnik przechowuje szczegóły, o których człowiek mógłby inaczej zapomnieć. Kalkulator uwalnia uwagę potrzebną do rozwiązania większego problemu matematycznego. Mapa pomaga dotrzeć do celu bez zapamiętywania każdego skrętu.

Kompromis zależy od tego, co zostaje delegowane. Zlecanie obliczeń arytmetycznych może wspierać rozumowanie na wyższym poziomie, jeśli użytkownik rozumie podstawową operację. Zlecanie formułowania argumentu może usunąć samo ćwiczenie rozumowania.

Generatywna AI rozszerza ten kompromis, ponieważ robi więcej niż tylko wyszukuje fakt. Potrafi wybierać dowody, organizować twierdzenia, tworzyć przejścia, naśladować pewność siebie i dostarczać gotowy wniosek.

Ta zdolność zmienia rolę użytkownika. Tradycyjny wynik wyszukiwania zachęca do sekwencji wyborów. Użytkownik otwiera źródła, ocenia ich znaczenie, identyfikuje rozbieżności i konstruuje odpowiedź.

Podsumowanie AI może zredukować tę sekwencję do jednego akapitu. Użytkownik otrzymuje produkt pozornego rozumowania, nie widząc wszystkich wyborów, które go ukształtowały.

Google News dodaje kolejną warstwę. Wybiera nagłówki wydawców, które trafiają do spersonalizowanego strumienia, i umieszcza je obok innych materiałów. Prowokacyjny hashtag może więc dotrzeć do czytelników, zanim dowiedzą się oni, czy reprezentuje dowody, komentarz czy satyrę.

Nie oznacza to, że agregacja jest z natury myląca. Oznacza to, że interfejs ma znaczenie interpretacyjne. Umiejscowienie i prezentacja wpływają na to, które twierdzenia wydają się ważne, aktualne i wiarygodne.

Historia #DeeperStupidAI jest najbardziej użyteczna jako ostrzeżenie dotyczące tego interfejsu. Twierdzenie o biernej konsumpcji informacji dotarło za pośrednictwem systemu zaprojektowanego tak, by przyspieszać konsumpcję informacji.

Na tym polega prawdziwe odwrócenie w tym artykule. Mechanizm dystrybucji ilustruje zachowanie poddawane krytyce.

Czytelnicy nie powinni traktować hashtagu jako diagnozy naukowej. Powinni potraktować go jako zachętę do przyjrzenia się temu, jak współczesne systemy odkrywania treści reorganizują uwagę.

Podsumowania AI w Google News zmieniają rolę czytelnika

Wyszukiwanie AI przenosi wysiłek z odnajdywania informacji na ocenę, czy syntetyczna odpowiedź zasługuje na zaufanie.

Google stopniowo rozszerza funkcje generatywne w wyszukiwarce. W maju 2025 roku firma poinformowała, że AI Overviews dotarło do ponad 200 krajów i terytoriów w przeszło 40 językach.

Google podało również, że AI Overviews zwiększyło wykorzystanie o ponad 10 procent w przypadku kwalifikujących się typów zapytań w Stanach Zjednoczonych i Indiach. Liczba ta opisuje zaangażowanie w Google, a nie zrozumienie ani dokładność.

Deklarowanym celem firmy jest pomaganie użytkownikom w zadawaniu trudniejszych pytań, uzyskiwaniu użytecznego kontekstu i dalszym eksplorowaniu za pomocą widocznych linków. Późniejsze aktualizacje dodały cytowania w tekście, podglądy źródeł, preferowane publikacje i wyraźniejsze ścieżki do materiałów oryginalnych.

Zmiany te uznają podstawowy problem. Gdy generowana odpowiedź staje się głównym obiektem na stronie, źródła mogą stać się jedynie elementami pomocniczymi.

Niezależne dane dotyczące przeglądania ilustrują ten efekt. Analiza Pew zbadała aktywność w Google 900 wyrażających zgodę dorosłych Amerykanów w marcu 2025 roku.

Gdy pojawiało się podsumowanie AI, użytkownicy klikali tradycyjny wynik podczas 8 procent wizyt. Bez niego klikali wynik podczas 15 procent wizyt. Tylko 1 procent wizyt zawierających podsumowanie prowadził do kliknięcia w cytowane w nim źródło.

Liczby te nie dowodzą, że czytelnicy nauczyli się mniej. Podsumowanie może poprawnie odpowiedzieć na proste pytanie i oszczędzić czas.

Zachowanie przy klikaniu ma jednak znaczenie, gdy pytanie wymaga kontekstu. Opuszczenie strony wyników daje czytelnikom dostęp do metod, zastrzeżeń, konkurujących interpretacji i dowodów, których nie da się zmieścić w krótkiej syntezie.

Zmiana wpływa także na wydawców. Oryginalne dziennikarstwo wymaga wywiadów, przeglądu dokumentów, specjalistycznej wiedzy i odpowiedzialności redakcyjnej. Gdy podsumowania zaspokajają bezpośrednie zapytanie, organizacja wykonująca tę pracę może nie otrzymać ani odwiedzin, ani relacji z czytelnikiem.

Google kwestionuje najszersze twierdzenia o załamaniu ruchu polecającego. Firma twierdzi, że zagregowane dane o kliknięciach są często mierzone niedokładnie, a wizyty wygenerowane przez wyniki AI mogą być bardziej zaangażowane.

Firma wprowadziła również więcej funkcji mających wyeksponować oryginalne źródła. W 2026 roku Google dodało etykiety preferowanych źródeł i wskaźnik „Highly Cited”, aby pomóc użytkownikom identyfikować wpływowe materiały.

Ulepszenia te dotyczą odkrywania treści, ale nie rozwiązują całego problemu poznawczego. Widoczne cytowanie nie pomaga, jeśli użytkownik nigdy go nie otwiera. Poprawne podsumowanie nadal może zniechęcać do procesu porównywania, który prowadzi do trwałego zrozumienia.

Presja spada na trzy grupy.

Czytelnicy muszą zdecydować, kiedy podsumowanie wystarcza. Wydawcy muszą tworzyć materiały, które zachowują wartość po skompresowaniu ich faktów. Google musi równoważyć natychmiastowe odpowiedzi z rynkiem informacji zależnym od odwiedzin źródeł.

Ta sama presja dotyczy edukatorów i pracodawców. Obie grupy coraz częściej otrzymują dopracowane rezultaty, nie mając jasnego wglądu w rozumowanie, które za nimi stoi.

Dawną umiejętnością wyszukiwania było znalezienie użytecznej strony. Kształtującą się umiejętnością wyszukiwania AI jest rozpoznanie, kiedy pozornie użyteczna odpowiedź usunęła konieczną niepewność.

Co faktycznie wykazały badania nad krytycznym myśleniem

Obecne dowody uzasadniają obawy dotyczące mniejszego wysiłku, ale nie wspierają twierdzenia, że AI nieuchronnie ogłupia użytkowników.

Jedno z najsilniejszych recenzowanych badań pochodzi z Microsoft Research i Carnegie Mellon University. Badacze zapytali 319 pracowników umysłowych o 936 przykładów wykorzystania generatywnej AI.

Badanie dotyczące krytycznego myślenia zaprezentowano na konferencji CHI 2025 poświęconej czynnikom ludzkim w systemach komputerowych.

Wykazało ono, że większa pewność wobec generatywnej AI wiązała się z mniejszym krytycznym myśleniem. Większa wiara we własne zdolności wiązała się z częstszym krytycznym myśleniem.

Ta zależność jest bardziej pouczająca niż slogan, że AI osłabia wszystkich. Problemem nie był sam dostęp do modelu. Był nim poziom zaufania, jaki użytkownicy pokładali w modelu w porównaniu z zaufaniem do samych siebie.

Uczestnicy nie zgłaszali całkowitego porzucenia krytycznego myślenia. Zamiast tego ich wysiłek przesunął się na inne działania. Sprawdzali wyniki AI, integrowali odpowiedzi z istniejącą pracą i nadzorowali realizację zadań.

To przesunięcie może być produktywne. Doświadczony analityk może wykorzystać AI do stworzenia pierwszego szkicu, a następnie poświęcić więcej czasu na testowanie założeń i porównywanie dowodów.

Może ono także tworzyć powierzchowną pętlę przeglądu. Użytkownik prosi o odpowiedź, przegląda ją pod kątem oczywistych problemów, zmienia sformułowania i myli redakcyjne dopracowanie z weryfikacją.

Płynność języka utrudnia zauważenie tej porażki. Duże modele językowe generują prawdopodobne sekwencje słów, co może prowadzić do spójnych wyjaśnień bez ustalenia, że każde twierdzenie jest prawdziwe.

Użytkownik musi więc wykonać pracę, którą interfejs czyni opcjonalną. Musi zidentyfikować źródło, ocenić jego znaczenie, potwierdzić istnienie cytatu i szukać pominiętych kontrdowodów.

Doświadczenie staje się tu szczególnie ważne. Ekspert często rozpoznaje nieprawdopodobny wynik, ponieważ jest on sprzeczny z utrwaloną wiedzą. Nowicjusz może nie mieć punktów odniesienia potrzebnych do wykrycia tego samego błędu.

Tworzy to paradoks w uczeniu się wspomaganym przez AI. Osoby czerpiące największą natychmiastową korzyść mogą jednocześnie być najsłabiej przygotowane do jej oceny.

Badania nie mówią, że nowicjusze powinni unikać AI. Sugerują, że narzędzia powinny zachowywać możliwości formułowania i testowania własnego rozumowania przez użytkowników.

System mógłby poprosić użytkownika o przewidywanie przed ujawnieniem odpowiedzi. Mógłby przedstawiać sprzeczne źródła zamiast przedwcześnie je scalać. Mógłby oddzielać bezpośrednie dowody od interpretacji modelu.

Użytkownicy mogą sami narzucać podobną strukturę. Mogą przygotować własne stanowisko przed sformułowaniem promptu, prosić o kontrargumenty, otwierać źródła pierwotne i odtwarzać końcowe rozumowanie własnymi słowami.

System osobistej wiedzy może również przechowywać źródła i ewoluujące interpretacje. Takie podejście utrzymuje syntezę w związku z materiałem, do którego użytkownik może wrócić.

Badanie prowadzone przez Microsoft ma istotne ograniczenia. Opierało się na samoocenie pracowników dotyczącej ich wysiłku. Nie mierzyło długoterminowych zmian inteligencji, pamięci ani efektywności zawodowej.

Próba obejmowała także konkretne przykłady pracy opartej na wiedzy. Wyników z zadań związanych z pisaniem, badaniami, analizą i komunikacją nie można automatycznie przenosić na każde zastosowanie AI.

Mimo to badanie wskazuje wiarygodny mechanizm. Zaufanie do systemu może ograniczać gotowość użytkownika do krytycznego sprawdzania jego odpowiedzi.

Mechanizm ten ma większe znaczenie niż obraźliwy wydźwięk zawarty w #DeeperStupidAI. Pokazuje, gdzie mogą interweniować projektowanie produktu i zachowania użytkowników.

Badanie mózgu stało się większym twierdzeniem, niż uzasadniały dane

Najczęściej cytowany eksperyment wykazał istotne różnice podczas pisania esejów, ale jego konstrukcja nie pozwala stwierdzić trwałego pogorszenia funkcji poznawczych.

Debata przyspieszyła po tym, jak badacze związani z MIT Media Lab opublikowali w czerwcu 2025 roku „Your Brain on ChatGPT”.

Strona badawcza MIT opisuje eksperyment z udziałem 54 uczestników w pierwszych trzech sesjach. Osiemnastu uczestników ukończyło czwartą sesję.

Badacze podzielili uczestników na trzy warunki. Jedna grupa korzystała z dużego modelu językowego, druga z wyszukiwarki, a trzecia pisała bez żadnego z tych narzędzi.

Zespół wykorzystał elektroencefalografię, czyli EEG, aby mierzyć wzorce aktywności elektrycznej rejestrowanej na skórze głowy. Eseje oceniano także za pomocą przetwarzania języka naturalnego, przez nauczycieli oraz sędziego AI.

Grupa korzystająca z LLM wykazała podczas zadania niższą łączność neuronalną niż grupy używająca wyszukiwarki i pracująca bez narzędzi. Uczestnicy korzystający z modelu mieli również większe trudności z przypominaniem sobie fragmentów swoich esejów i deklarowali mniejsze poczucie autorstwa pracy.

Wyniki te zasługują na uwagę. Pisanie nie jest jedynie sposobem prezentowania gotowej myśli. Dobór słów, wydobywanie wiedzy z pamięci, organizowanie dowodów i rozwiązywanie sprzeczności są elementami myślenia.

Jeśli model wykonuje te operacje, użytkownik ma mniej powodów, by angażować te same procesy. Niższe zaangażowanie w zadanie jest więc wiarygodną możliwością.

Problem zaczyna się wtedy, gdy „niższe zaangażowanie podczas tego eksperymentu” zmienia się w „ChatGPT uszkadza mózg”. To różne twierdzenia.

Artykuł opublikowano jako preprint, co oznacza, że w chwili publikacji nie przeszedł standardowej recenzji naukowej. Próba była niewielka i ograniczona geograficznie. Krytyczna sesja krzyżowa obejmowała zaledwie 18 uczestników.

Eksperyment badał też pisanie esejów w ściśle określonych warunkach. Nie mierzył każdej formy wykorzystania AI, współpracy zawodowej, pamięci długoterminowej ani zmian ogólnej inteligencji.

Późniejsza krytyka metodologiczna wskazała obawy dotyczące wielkości próby, odtwarzalności wyników, analizy EEG, spójności raportowania oraz przejrzystości procedur.

Krytyka nie przekreśla pierwotnych ustaleń. Wyznacza granice tego, co mogą one potwierdzać.

Dane EEG wymagają ostrożnej interpretacji. Różnica w łączności nie przekłada się bezpośrednio na ranking inteligencji. Niższa aktywacja może wskazywać na mniejsze zaangażowanie, lecz na pomiary neuronalne mogą wpływać również efektywność, znajomość zadania, strategia i jego konstrukcja.

Słowo „dług” stwarza kolejne wyzwanie. Sugeruje, że mniejszy wysiłek się kumuluje i później pociąga za sobą koszt. Eksperyment dostarcza wstępnych przesłanek słabszego przypominania i poczucia autorstwa po pisaniu wspieranym przez AI, ale nie może ustalić bilansu poznawczego na całe życie.

Najbardziej uzasadniona interpretacja jest węższa. Gdy ludzie pozwalają LLM tworzyć esej, mogą mniej angażować się w materiał i gorzej pamiętać powstały tekst.

To poważny problem edukacyjny. Nie uzasadnia jednak traktowania każdego zadania wspieranego przez AI jako równoważnego skopiowaniu wygenerowanego eseju.

Rozważmy dwóch użytkowników.

Pierwszy prosi model o napisanie raportu, wprowadza kosmetyczne poprawki i go składa. Taki proces deleguje wybór tematu, strukturę, dowody i język.

Drugi formułuje tezę, zbiera źródła, przygotowuje szkic i prosi model o wskazanie nieuzasadnionych przeskoków w rozumowaniu. Taki proces wykorzystuje AI jako krytycznego recenzenta.

Obaj użytkownicy technicznie korzystali z generatywnej AI. Ich aktywności poznawcze nie są porównywalne.

Dlatego proste porównania między „użytkownikami AI” a „nieużytkownikami” będą coraz mniej użyteczne. Przyszłe badania muszą opisywać wzorzec interakcji, wiedzę użytkownika, zadanie i moment udzielenia pomocy.

Powinny również badać odroczone przypominanie, transfer na nowe problemy oraz wyniki po zniknięciu narzędzia. Takie pomiary pokażą, czy wsparcie AI rozwija osąd, czy jedynie go wynajmuje.

Ujęcie #DeeperStupidAI pomija te rozróżnienia. Przekształca problem projektowania i zachowania w twierdzenie o tożsamości użytkowników.

Może to działać jako komentarz. Jest jednak słabym substytutem interpretacji naukowej.

Rzeczywisty konflikt dotyczy pomocy kontra zastępowanie

AI staje się ryzykowna poznawczo, gdy zastępuje kształtowanie osądu zamiast je wspierać.

Branża często opisuje generatywną AI jako warstwę zwiększającą produktywność. Użytkownik określa cel, system usuwa tarcia, a praca kończy się szybciej.

Szybkość łatwo mierzyć. Osąd — nie.

Zespół może śledzić liczbę przygotowanych raportów, udzielonych odpowiedzi, zamkniętych zgłoszeń czy wygenerowanych podsumowań. Znacznie trudniej zmierzyć, czy pracownicy rozumieją decyzje zawarte w tych wynikach.

Ta różnica sprzyja zastępowaniu. Organizacje wdrażają AI tam, gdzie widocznie skraca czas, nawet jeśli ukryty koszt ujawnia się później w postaci słabej weryfikacji, utraty kontekstu lub zależności.

Ryzyko jest najczytelniejsze w pracy o poważnych konsekwencjach. Podsumowanie medyczne może pominąć istotne zastrzeżenie. Synteza prawna może przywołać nieistotne orzeczenie. Wyjaśnienie finansowe może połączyć dane z nieporównywalnych okresów.

Płynna odpowiedź może przejść pobieżną kontrolę, ponieważ jej język przypomina kompetentną pracę. Recenzent musi wiedzieć wystarczająco dużo, aby sprawdzić jej treść.

Nie jest to wyjątkowa wada generatywnej AI. Ludzie od dawna zbyt łatwo ufają dopracowanym dokumentom, znanym instytucjom i pewnym siebie współpracownikom.

AI zwiększa skalę tego zjawiska. Może tworzyć tysiące wiarygodnie brzmiących odpowiedzi, nie doświadczając niepewności, odpowiedzialności ani zażenowania.

Projektowanie wyszukiwania wzmacnia tę skalę. Google podało, że AI Overviews zwiększyły użycie o ponad 10 procent dla typów zapytań, przy których pojawiały się na głównych rynkach. Firma interpretuje ten wzrost jako dowód użyteczności.

Więcej zapytań może oznaczać produktywne poszukiwania. Może też wskazywać, że użytkownicy prowadzą dłuższe rozmowy na jednej platformie, zamiast odwiedzać różnorodne źródła.

Rozszerzenie AI Overview przez Google obiecywało wyróżnione linki i łatwiejsze eksplorowanie tematów. Późniejsze aktualizacje dodały bardziej bezpośrednie cytowania, sugestie artykułów i kontrolę nad źródłami.

Te funkcje dają użytkownikom drogę powrotu do internetu. Nie zmuszają jednak nikogo, by z niej skorzystał.

Wyzwanie produktowe ma więc charakter behawioralny. Jak interfejs może sprawić, by weryfikacja była odczuwana jako część odpowiedzi, a nie dodatkowa praca po jej otrzymaniu?

Jednym z podejść jest ujawnianie niepewności. System może odróżniać ustalone fakty od spornych interpretacji i niepopartych wniosków.

Innym jest wskazywanie pochodzenia informacji, czyli pokazywanie, skąd pochodzą konkretne twierdzenia i jak ściśle źródło je wspiera. Lista luźno powiązanych linków nie wystarczy.

Trzecie podejście to produktywne tarcie. W przypadku złożonych pytań lub pytań o wysokiej stawce interfejs może zachęcać do porównywania, zamiast przedstawiać jeden skondensowany wniosek.

Określenie „produktywne tarcie” brzmi nieefektywnie, lecz wiele cennych aktywności poznawczych jest nieefektywnych. Poprawianie akapitu, sprawdzanie obliczenia i wyjaśnianie idei innej osobie zajmują czas.

Ujawniają też luki w zrozumieniu.

Użytkownicy potrzebują własnych zasad działania, zanim projektowanie produktów nadrobi zaległości.

W przypadku pytań faktograficznych otwieraj cytowaną stronę. Przy analizie zapisz wstępne stanowisko przed poproszeniem o syntezę. Przy decyzjach poproś o najsilniejszy argument przeciwny i zweryfikuj go niezależnie.

Podczas nauki odtwórz ideę bez pomocy po skorzystaniu z narzędzia. Jeśli wyjaśnienie znika wraz z zamknięciem okna czatu, użytkownik pożyczył odpowiedź, zamiast budować wiedzę.

Organizacje powinny oceniać procesy AI nie tylko przez czas ukończenia zadania. Mogą testować wykrywanie błędów, odroczone przypominanie, dokładność źródeł i wyniki, gdy automatyzacja jest niedostępna.

Powinny też zachować rozliczalne poczucie odpowiedzialności. Ktoś musi rozumieć i potrafić obronić wynik, a nie jedynie zatwierdzić jego formatowanie.

Ta sama zasada dotyczy konsumpcji wiadomości. Przeczytanie podsumowania może zorientować czytelnika. Nie powinno kończyć dociekania, gdy podstawowy temat pozostaje sporny.

Google News może przedstawić twierdzenie. Nie może zdecydować, ile dowodów ono wymaga.

Co potwierdzi lub osłabi tezę #DeeperStupidAI

Trzy sygnały pokażą, czy poznawcze odciążanie staje się trwałym problemem, czy możliwą do opanowania cechą pracy wspieranej przez AI.

Pierwszym sygnałem będą powtórzone badania z większymi i bardziej zróżnicowanymi próbami.

Przyszłe badania potrzebują uczestników w różnym wieku, z różnych zawodów, poziomów wykształcenia i stopni specjalistycznej wiedzy. Powinny porównywać kilka stylów interakcji, zamiast umieszczać całe wykorzystanie LLM w jednej kategorii.

Badacze powinni mierzyć, co dzieje się po tygodniach lub miesiącach. Natychmiastowa aktywność podczas zadania ma znaczenie, ale odroczone przypominanie i transfer umiejętności pokazują, czy użytkownicy zachowali zrozumienie.

Powtórzenie ustaleń MIT na większych grupach, z wcześniej zarejestrowanymi metodami i niezależną oceną, wzmocniłoby argument o długu poznawczym. Wyniki różniące się głównie w zależności od stylu promptowania osłabiłyby szerokie twierdzenie i skierowały uwagę na projektowanie procesów pracy.

Drugim sygnałem będą zachowania produktowe wewnątrz wyszukiwania AI.

Google ma obecnie wystarczającą skalę, by badać, czy cytowania rzeczywiście skłaniają do eksplorowania źródeł. Firma może ujawniać zachowania związane z kliknięciami, poprawki, przeformułowywanie zapytań i reakcje użytkowników na sprzeczne dowody.

Google dodało już podglądy źródeł, etykiety subskrypcji i preferowane publikacje. W maju 2026 roku firma podała, że po wybraniu preferowanego źródła ludzie byli dwukrotnie bardziej skłonni je odwiedzić.

To zachęcający sygnał projektowy, ale dotyczy wybranych wydawców, a nie ogólnej weryfikacji. Czytelnicy nadal potrzebują wyraźnych dowodów, że wygenerowane twierdzenia odpowiadają cytowanym materiałom.

Jeśli Google News i Search ułatwią wskazywanie źródeł na poziomie konkretnych twierdzeń, model pomocy stanie się bardziej uzasadniony. Jeśli podsumowania będą coraz bardziej samowystarczalne, podczas gdy kliknięcia poza platformę nadal będą spadać, obawa przed zastępowaniem stanie się silniejsza.

Trzecim sygnałem będą wyniki po zniknięciu pomocy.

Szkoły i pracodawcy mogą sprawdzać, czy użytkownicy potrafią wyjaśnić, odtworzyć lub dostosować pracę wspieraną przez AI bez ponownego otwierania modelu. Nie wymaga to zakazywania technologii.

Programista, który używa AI do przygotowania szkicu kodu, powinien nadal umieć wyjaśnić jego tryby awarii. Analityk powinien odtworzyć tok rozumowania stojący za rekomendacją. Student powinien zastosować tę samą koncepcję do innego problemu.

Dobre wyniki bez pomocy pokazałyby, że AI może wspierać uczenie się. Słabe wyniki ujawniłyby zależność ukrytą przez dopracowany rezultat.

Te sygnały są cenniejsze niż kolejna wiralowa etykieta. Zamieniają emocjonalny argument w pytania możliwe do sprawdzenia.

Teza #DeeperStupidAI zyska na sile, jeśli większe badania wykażą trwałe straty w różnych zadaniach i populacjach. Zyska również poparcie, jeśli weryfikacja będzie słabnąć w miarę zwiększania widoczności odpowiedzi AI.

Teza osłabnie, jeśli ustrukturyzowane korzystanie z AI poprawi transfer wiedzy, wykrywanie błędów i samodzielne działanie. Osłabnie jeszcze bardziej, jeśli interfejsy skutecznie skierują użytkowników do różnorodnych źródeł pierwotnych.

Na razie dowody uzasadniają ostrożność, ale nie panikę.

Generatywna AI może ograniczać wysiłek podczas zadań, które zwykle budują zrozumienie. Zbyt łatwe zaufanie jej wiąże się z mniejszą krytyczną analizą. Generowane przez AI podsumowania wyszukiwania mogą zmniejszać liczbę odwiedzin źródeł zewnętrznych.

Dowody nie potwierdzają trwałego spadku sprawności intelektualnej. Nie pokazują, że każdy przepływ pracy z AI wywołuje ten sam efekt. Nie uzasadniają mylenia mniejszego zaangażowania w zadanie z osłabioną inteligencją.

Google News zapewniło #DeeperStupidAI zasięg. Czytelnicy muszą dostarczyć brakującą ocenę.

Gdy następnym razem system AI poda kompletną odpowiedź, zatrzymaj się, zanim zaakceptujesz narzuconą przez niego perspektywę. Otwórz źródło, określ, co podsumowanie pominęło, i sformułuj wniosek własnymi słowami.

Następnie zamknij narzędzie i zadaj sobie jedno ostatnie pytanie: Czy nadal potrafisz wyjaśnić, dlaczego ta odpowiedź jest prawdziwa?