AI i ryzyko tzw.: brain rot

Pojęcie brain rot weszło do języka popularnego jako określenie domniemanego pogorszenia kondycji intelektualnej lub mentalnej pod wpływem nadmiernej konsumpcji treści niskiej jakości. Oxford University Press wybrał brain rot jako słowo roku 2024, wskazując na jego związek z przeciążeniem treściami trywialnymi, powtarzalnymi i mało wymagającymi poznawczo. [2]

W kontekście AI warto jednak rozszerzyć to pojęcie. Gnicie umysłu nie musi wynikać wyłącznie ze scrollowania krótkich, płytkich treści. Może wynikać także z permanentnego zastępowania własnego wysiłku poznawczego gotową, wygładzoną, syntetyczną odpowiedzią. To subtelniejsza forma degradacji, ponieważ z zewnątrz może wyglądać jak wzrost produktywności. Człowiek pisze szybciej, odpowiada szybciej, publikuje więcej, tworzy więcej materiałów, szybciej kończy zadania. Tyle że równocześnie może coraz mniej samodzielnie strukturyzować problem.

Wzrost potencjału poznawczego?

W czerwcu 2026 roku MIT opisał także badanie, w którym uczestnicy korzystający z chatbota byli skuteczniejsi w bieżącym rozpoznawaniu fałszywych informacji ale po okresie korzystania z narzędzia ich samodzielna skuteczność w ocenie treści spadła. To dobrze pokazuje paradoks zależności od AI: narzędzie może poprawiać wynik w trakcie użycia, a jednocześnie osłabiać samodzielną zdolność wykonania zadania bez niego. [3]

Wniosek nie powinien być antytechnologiczny. Nie chodzi o to, że AI niszczy myślenie zawsze i u każdego. Bardziej precyzyjna teza brzmi: AI wzmacnia albo osłabia użytkownika w zależności od sposobu użycia. Jeżeli człowiek używa AI jako protezy myślenia, ryzyko degradacji rośnie. Jeżeli używa AI jako narzędzia konfrontacji, testowania i pogłębiania, może podnosić poziom własnej pracy poznawczej. Dzięki AI można budować przewagę poznawczą, tylko trzeba wiedzieć jak to robić.

Jak podnosić poziom myślenia w pracy z AI

1. Najpierw własna rama, potem AI. Zanim użytkownik zada pytanie modelowi, powinien samodzielnie określić, jaki problem rozwiązuje, jakie są kryteria jakości odpowiedzi, jakie są ograniczenia, jakie decyzje mają zostać podjęte i czego nie wolno uprościć. AI powinno wejść do procesu dopiero wtedy, gdy człowiek ma przynajmniej wstępną strukturę problemu. W przeciwnym razie model zacznie narzucać własne zasady i będziemy prowadzeni przez narzędzie, zamiast prowadzić narzędzie.

2. AI ma być używane do kontrargumentu. Jednym z najlepszych sposobów pracy z modelem jest proszenie go o wskazanie słabych punktów, błędów, ukrytych założeń, ryzyk, alternatywnych interpretacji i możliwych skutków ubocznych. Wtedy AI staje się narzędziem polemicznym i otwiera nas na nowe punkty widzenia.

3. Należy wykonywać własny wysiłek poznawczy. Jeżeli każde trudniejsze zadanie natychmiast trafia do AI, człowiek traci kontakt z momentem intelektualnego napięcia. A to właśnie napięcie buduje kompetencję. Samodzielne sformułowanie problemu, napisanie pierwszej wersji argumentu, znalezienie sprzeczności, ułożenie struktury i dopiero późniejsze użycie AI daje inny efekt niż natychmiastowe zlecenie modelowi całej pracy.

4. Oddzielać generowanie od weryfikacji. AI może stworzyć szkic, listę hipotez, mapę ryzyk albo propozycję struktury. Jednak ocena jakości musi pozostać po stronie człowieka. Weryfikacja powinna obejmować źródła, logikę, kontekst, ryzyka prawne, konsekwencje reputacyjne, jakość argumentu i zgodność z celem.

5. Koniecznie ćwiczyć metapoznanie, czyli świadomość własnego procesu myślenia. Użytkownik powinien regularnie pytać dlaczego uznaję tę odpowiedź za dobrą, czy model nie narzucił mi ramy, czy sprawdziłam źródła, czy tylko przyjęłam gotową formułę?

6. Należy budować AI literacy jako kompetencję krytycznego korzystania z systemów AI. Chodzi nie tylko o umiejętność używania systemów AI, ale o rozumienie ich możliwości, ograniczeń, ryzyk i potencjalnych szkód.