Kiedy wszystkie pomysły zaczynają wyglądać tak samo

Zebranie, szef pyta o pomysły na kampanię nowego produktu. Ktoś sięga po telefon i wpisuje do czatu: “pięć pomysłów na reklamę nowego produktu”. Po chwili ma listę — i coś w niej jest znajomo podobne do tego, co dostał kolega z sąsiedniego działu, gdy zapytał o to samo tydzień wcześniej. To nie przypadek. To coraz lepiej udokumentowany efekt uboczny sposobu, w jaki modele językowe generują odpowiedzi.

Co pokazują badania

Zespół Andersona, Shaha i Kreminskiego przebadał to bezpośrednio — “Homogenization Effects of Large Language Models on Human Creative Ideation”, konferencja Creativity and Cognition (ACM C&C ‘24), czerwiec 2024, Chicago. W badaniu z udziałem 36 uczestników porównano generowanie pomysłów z pomocą ChatGPT z generowaniem przy użyciu innego narzędzia kreatywnego — talii kart Oblique Strategies. Różni uczestnicy korzystający z ChatGPT tworzyli pomysły bardziej szczegółowe, ale mniej odrębne od siebie nawzajem — innymi słowy, różne osoby zaczynały wpadać na te same, podobnie sformułowane rozwiązania. Do tego użytkownicy ChatGPT czuli mniejszą odpowiedzialność za wygenerowane idee niż ci, którzy pracowali bez AI.

Drugi trop prowadzi w stronę kultury, nie tylko kreatywności. Zespół Agarwal i współautorów, “AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances”, CHI 2025 (kwiecień 2025, Cornell Tech), przebadał 118 uczestników — mniej więcej po połowie z USA i z Indii — losowo przydzielonych do pisania o tematach kulturowych z podpowiedziami GPT-4o albo bez nich. Wynik: pismo uczestników z Indii korzystających z AI upodabniało się do amerykańskiego wzorca. Podpowiedzi podsuwały “pizzę” czy “Boże Narodzenie” zamiast lokalnych odpowiedników, a przy skojarzeniach na literę S — “Shaquille’a O’Neala” zamiast “Shah Rukh Khana”, jednej z najbardziej rozpoznawalnych postaci indyjskiej popkultury. Lokalne niuanse kulturowe znikały kosztem domyślnie zachodniego stylu.

Trzeci mechanizm dotyczy samych modeli, nie tylko ludzi, którzy z nich korzystają. Shumailov i współautorzy opisali w czasopiśmie Nature (tom 631, s. 755-759, 2024) zjawisko “model collapse”: nieselektywne trenowanie kolejnych generacji modeli na treściach tworzonych przez inne modele, zamiast na rzeczywistych danych, prowadzi do nieodwracalnej degradacji — znikają rzadsze, brzegowe warianty oryginalnego rozkładu danych, spada różnorodność i jakość generowanych treści.

Czwarty wątek to ryzyko systemowe. Kleinberg i Raghavan pokazali w pracach z 2021 i 2022 roku (rozwiniętych później w kontekście AI), że wspólne poleganie firm i instytucji na tym samym algorytmie — na przykład do rekrutacji — może prowadzić do “homogenizacji wyników”: ta sama osoba jest odrzucana przez wszystkich decydentów z tego samego powodu, bo wszyscy używają podobnego systemu przesiewowego. Hannigan, McCarthy i Spicer nazwali w Business Horizons (2024) pokrewne zjawisko “botshitem” — bezkrytycznie przyjmowanymi, brzmiącymi spójnie, ale niepotwierdzonymi treściami z chatbotów, które niosą ryzyko reputacyjne, decyzyjne i prawne dla organizacji, które polegają na nich bez weryfikacji.

Czego to NIE jest

Warto rozdzielić dwa różne zjawiska. Klasyczna teza o “bańce filtrującej” (Eli Pariser, 2011), dotycząca wyszukiwarek i mediów społecznościowych, ma dziś słabe poparcie empiryczne — badania takie jak Flaxman, Goel i Rao (2016) pokazują wpływ “względnie umiarkowany”, a nowsze badania ankietowe wskazują raczej na większą, nie mniejszą różnorodność źródeł wiadomości u osób korzystających z wyszukiwarek i social mediów. To nie jest to samo zjawisko co homogenizacja treści generowanych przez same modele językowe, opisana wyżej — ta ma świeższe i mocniejsze dowody.

Czego badania jeszcze nie mówią

Wszystkie cztery badania mają niewielkie próby (36 i 118 uczestników) — to wczesna faza badań, nie wyniki reprezentatywne populacyjnie, i nie ma jeszcze dużego systematycznego przeglądu ani metaanalizy łączącej te wątki. Nie ma też dowodów na temat tego, czy AI ujednolica całe dziedziny nauki — dostępne badania dotyczą pisania, generowania pomysłów i systemów decyzyjnych typu rekrutacja, nie nauki jako całości.

Test na 5 minut

Poproś ten sam model AI o “5 pomysłów na X” trzy razy z rzędu, bez zmiany promptu, i porównaj wyniki. Jeśli są bardzo do siebie podobne, to sygnał, że model ma wąską, “przeciętną” strefę odpowiedzi, do której stale wraca — świadomie dopisz do listy własny, nieoczywisty pomysł.

Co zrobić

1. Traktuj pierwszą podpowiedź AI jako punkt startowy, nie końcowy — świadomie szukaj drugiej, kontrastującej perspektywy, zanim zaakceptujesz sformułowanie.
2. Przy pisaniu ważnych tekstów (CV, eseje, treści kulturowe) sprawdź, czy AI nie spłaszcza lokalnego kontekstu do domyślnie zachodniego wzorca — podmień przykłady na własne, lokalne.
3. W zespole: jeśli kilka osób korzysta z tego samego modelu do burzy mózgów, zaplanuj etap pracy całkowicie bez AI, żeby uniknąć konwergencji pomysłów całej grupy.
4. W rekrutacji i ocenie: jeśli firma i kandydat obaj używają podobnych narzędzi AI (przesiewanie CV kontra pisanie CV), miej świadomość ryzyka “algorithmic monoculture” — ten sam kandydat może być odrzucany wszędzie z tego samego powodu.
5. Nie utożsamiaj słabo potwierdzonej “bańki filtrującej” mediów społecznościowych z mocniej potwierdzoną homogenizacją treści generowanych przez modele językowe — to różne zjawiska, różne dowody.
6. Regularnie korzystaj ze źródeł spoza głównego ekosystemu AI — książek, ekspertów, lokalnej prasy — jako kotwicy niezależnej od tego, co sugeruje model.
7. Jeśli trenujesz lub dostrajasz własny model na danych generowanych przez inne AI, pamiętaj o ryzyku “model collapse” — mieszaj z rzeczywistymi, zróżnicowanymi danymi źródłowymi.

Źródła

• Anderson, Shah, Kreminski, “Homogenization Effects of Large Language Models on Human Creative Ideation”, Creativity and Cognition (ACM C&C ‘24), czerwiec 2024: https://arxiv.org/abs/2402.01536
• Agarwal i współautorzy, “AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances”, CHI 2025, kwiecień 2025: https://dl.acm.org/doi/10.1145/3706598.3713564
• Shumailov, Shumaylov, Zhao, Papernot, Anderson, Gal, “AI models collapse when trained on recursively generated data”, Nature, tom 631, s. 755-759 (2024): https://www.nature.com/articles/s41586-024-07566-y
• Kleinberg, Raghavan, “Algorithmic monoculture and social welfare” (2021): https://arxiv.org/pdf/2101.05853
• Hannigan, McCarthy, Spicer, “Beware of botshit: How to manage the epistemic risks of generative chatbots”, Business Horizons, tom 67, nr 5, s. 471-486 (2024): https://www.sciencedirect.com/science/article/abs/pii/S0007681324000272

Ten artykuł jest częścią serii “Bezpieczne używanie AI” na barnabaai.com.