Dota Szymborska
Rys. Sławomir Makal
Jeszcze kilka lat temu sztuczna inteligencja w murach uczelni była tematem z pogranicza technicznego science-fiction lub niszowych seminariów z zakresu kognitywistyki. Dziś – z perspektywy katedry i ławy studenckiej, rok 2022, moment publicznego udostępnienia modeli LLM – wydaje się zmianą cywilizacyjną. W mgnieniu oka AI przeszło drogę od technologicznej ciekawostki potrafiącej wygenerować zabawny wierszyk do potężnego, wszechobecnego narzędzia, które redefiniuje pojęcie pracy intelektualnej. Ta zmiana nie jest ewolucyjną korektą, to gwałtowna dekonstrukcja fundamentów, na których od dekad opieraliśmy w Akademii proces kształcenia.
Przez lata żyliśmy w paradygmacie, który roboczo można nazwać „erą tekstu jako dowodu wiedzy”. Zakładaliśmy milcząco, że jeśli student lub studentka jest w stanie dostarczyć spójny, poprawny merytorycznie esej, referat czy pracę dyplomową, to za tym fizycznym artefaktem stoi realny proces myślowy, godziny lektur i wysiłek syntezy. Oczywiście odpowiedzią świata zewnętrznego były tak zwane „spółdzielnie” czy osoby piszące owe prace, jednak był to wciąż precedens a nie norma. Dziś ten fundament zniknął. Skoro maszyna potrafi wygenerować tekst o dowolnej objętości w kilka sekund, tekst przestał być wiarygodnym świadectwem kompetencji. Stoimy przed koniecznością przedefiniowania tego, jak weryfikujemy proces myślowy drugiego człowieka, bo wynik tego procesu, gotowa treść, stał się towarem skrajnie tanim i powszechnym.
W tym miejscu musimy odważnie przyznać: pruski model szkoły właśnie ostatecznie przestał działać. System oparty na standaryzacji, hierarchicznym nadzorze i sprawdzaniu „wsadu” informacyjnego za pomocą pisemnych testów był skrojony pod potrzeby epoki industrialnej. Dziś, w dobie algorytmów, próba utrzymania tego modelu czyni z uczelni instytucję pozorowaną. Jesteśmy w niezwykle trudnym, a zarazem fascynującym położeniu. Musimy odpowiedzieć na fundamentalne pytanie: dlaczego młody człowiek miałby w ogóle chcieć przyjść do Akademii?
W dobie darmowych kursów online i asystentów AI, którzy potrafią streścić dowolny podręcznik, uniwersytet nie może być już tylko „dostarczycielem treści”. Musi stać się przestrzenią, której nie da się zreplikować cyfrowo. Naszym zadaniem jest pokazanie studentom i studentkom, że bycie w murach uczelni to coś więcej niż tylko gromadzenie punktów ECTS i generowanie zaliczeń. To obcowanie z tym, co nazywam „autorytetem białkowym” – żywym mistrzem czy mistrzynią, który nie tylko posiada wiedzę, ale posiada też kontekst, etykę i umiejętność krytycznego osądu, których algorytm jest pozbawiony.
Wartością Akademii, którą musimy dziś na nowo budować, jest wspólnotowość i dynamika tworzenia zespołów. AI jest genialnym samotnikiem, ale nauka w swojej istocie jest procesem społecznym. Budowanie relacji, wspólne ścieranie się poglądów w czasie rzeczywistym, praca projektowa wymagająca empatii i negocjacji – to są bastiony ludzkiej inteligencji, których nie zastąpi żaden prompt. Musimy przekonać studentów i studentki, że prawdziwa wiedza nie rodzi się w interfejsie czatu, ale w dialogu, w gaju Akademosa, gdzie obecność drugiego człowieka jest katalizatorem rozwoju, a nie tylko zbędnym utrudnieniem w drodze po dyplom.
Masowość, z jaką duże modele językowe (LLM) wdarły się do sal wykładowych, przypomina nagłe pęknięcie tamy. Jako wykładowcy i wykładowczynie zostaliśmy zalani falą esejów, referatów i prac dyplomowych, które na pierwszy rzut oka wyglądają nienagannie, ale po głębszej analizie sprawiają wrażenie „bezdusznych”. Problem nie polega już na tym, czy studenci używają AI, bo używają go niemal wszyscy, ale na tym, że proces ten stał się przezroczysty, a zarazem całkowicie nieuchwytny dla tradycyjnych metod weryfikacji.
Musimy to sobie powiedzieć wprost, bez akademickiego pudrowania rzeczywistości, jako wykładowcy i wykładowczynie nie mamy dziś narzędzi, które pozwoliłyby w sposób wiarygodny i niepodważalny udowodnić, że dany tekst został wygenerowany przez model. Dostępne na rynku detektory AI to w dużej mierze współczesne różdżkarstwo. Ich skuteczność jest iluzoryczna, generują liczne fałszywe oskarżenia wobec studentów piszących nieszablonowo (często dotykając osoby, dla których polski nie jest językiem ojczystym), a jednocześnie dają się łatwo oszukać prostymi trikami edytorskimi. Poleganie na nich daje złudne poczucie bezpieczeństwa, a w rzeczywistości wprowadza do relacji mistrz-uczeń toksyczną atmosferę podejrzliwości, której nie sposób rozstrzygnąć na gruncie dowodowym.
Prawdziwe zagrożenie czai się jednak gdzie indziej niż w samym fakcie „outsourcingu” pisania. Jest nim postępująca erozja krytycyzmu. Studenci i studentki, zachłyśnięci płynnością wypowiedzi modeli, przyjmują ich odpowiedzi bez żadnej weryfikacji. Zjawisko „halucynacji”, gdy AI z pełnym przekonaniem zmyśla fakty, daty czy całe bibliografie (numery DOI również), stało się plagą. Spotykam prace z idealnie sformatowanymi przypisami do nieistniejących książek i artykułów. To już nie jest tylko lenistwo, to brak podstawowej higieny intelektualnej. „Kopiuj-wklej” w dobie AI stało się aktem abdykacji z własnego rozumu na rzecz algorytmicznego prawdopodobieństwa.
Błędem byłoby jednak sądzić, że problem ten dotyczy wyłącznie studentów. Pokusa pójścia na skróty dotyka także nas, stronę „białkową” procesu dydaktycznego. Sama łapię się na tym, że w natłoku obowiązków zostawiam przygotowanie prezentacji na ostatnią chwilę, myśląc: „Przecież mam gotowy konspekt wykładu, model przygotuje mi slajdy w minutę”. I wtedy następuje moment zderzenia z rzeczywistością, model się zawiesza, model źle interpretuje niuanse, a ja zostaję z produktem, który nie jest „mój”, bywa, że zużywam tyle samo czasu na poprawki, że mogłabym taką prezentację przygotować od podstaw. Na szczęście w większości przypadku sprawdzam, weryfikuję i oszczędzam czas, ale planowanie wciąż pozostaje kluczowe! To i inne doświadczenia z AI zmusiły mnie do wypracowania zupełnie nowego sposobu pracy. Muszę dziś na nowo zdefiniować swoją obecność jako naukowczyni. Jak korzystać z dobrodziejstw modeli, by nie zatracić własnego głosu? To proces ciągłej negocjacji między wydajnością algorytmu a głębią „białkowego” namysłu.
Kiedy w 2019 roku pisałam artykuł naukowy o współpracy „naukowców białkowych” z „niebiałkowymi”, wielu moich kolegów i koleżanek z „branży” patrzyło na mnie z pobłażliwym uśmiechem, jak na autorkę fantastyki naukowej. Dziś te rozważania stały się naszą codziennością. Właśnie teraz, na naszych oczach, rozstrzyga się kwestia tego, ile „człowieka w człowieku” musi pozostać w pracy badawczej.
Przecież w nauce nie chodzi o samą czynność postawienia podpisu pod tekstem. Podpis jest deklaracją „Przejrzałem to, przemyślałem, biorę za to odpowiedzialność”. W świecie, gdzie generowanie treści jest darmowe i natychmiastowe, etyczny ciężar tego podpisu staje się większy niż kiedykolwiek. Jeśli jako Akademia pozwolimy na to, by autentyczność stała się tylko pustą etykietą, stracimy moralne prawo do nauczania innych.
Choć moja diagnoza dotycząca kryzysu autentyczności tekstu może brzmieć surowo, byłabym nieuczciwa, gdybym zatrzymała się wyłącznie na ostrzeżeniach. Sztuczna inteligencja, mimo wszystkich ryzyk, które generuje, jest bowiem jednocześnie najbardziej fascynującym narzędziem wspierającym edukację, jakie kiedykolwiek trafiło w ręce akademików i akademiczek. Kluczem do sukcesu nie jest walka z modelem, lecz umiejętne włączenie go w proces dydaktyczny tak, by wzmacniał on, a nie zastępował, ludzką inteligencję.
Największą rewolucją, jaką dostrzegam, jest rola AI jako „cudownego tutora”. W tradycyjnym modelu student często zostaje sam z trudnym tekstem źródłowym lub skomplikowaną teorią o drugiej nad ranem. Wtedy nie ma dostępu do wykładowcy, a wstyd przed przyznaniem się do niewiedzy na forum grupy bywa paraliżujący. AI wypełnia tę lukę. Modele językowe są genialne w „tłumaczeniu z polskiego na nasze”, potrafią rozbić hermetyczny żargon naukowy na przystępne analogie, stworzyć spersonalizowane quizy sprawdzające wiedzę czy pomóc w nauce metodą aktywnego przypominania sobie (active recall). Dla studenta, który chce się uczyć, AI staje się cierpliwym, nieoceniającym przewodnikiem, który nigdy nie męczy się powtarzaniem definicji.
Z perspektywy mojej codziennej pracy implementacja AI stała się prawdziwym przełomem w przygotowywaniu zajęć. Modele nie zastąpią mojej wiedzy merytorycznej, ale są niezastąpionymi asystentami w fazie procesowej. Wykorzystuję je do między innymi tworzenia dynamicznych scenariuszy. AI pomaga mi generować rozbudowane case studies, które są aktualne i dopasowane do specyfiki danej grupy. Projektowania gier dydaktycznych – dzięki modelom mogę w kilka minut stworzyć scenariusz symulacji lub debaty oksfordzkiej, co wcześniej zajmowało długie godziny namysłu nad strukturą argumentów. Analizy „luk” w sylabusie, tutaj proszę modele o krytyczne spojrzenie na mój program zajęć – czy nie pominęłam jakiegoś istotnego nurtu? Jakie kontrargumenty do prezentowanych treści mogą pojawić się w najnowszej literaturze światowej?
Dzięki temu, że AI przejmuje na siebie ciężar technicznego „opracowania” materiałów, ja zyskuję czas na to, co najcenniejsze – na budowanie relacji ze studentami i studentkami i dopracowywanie tych elementów nauczania, które wymagają empatii i głębokiego kontekstu.
Warto wspomnieć o jeszcze jednej, niezwykle ważnej karcie, jaką gra AI w szkolnictwie wyższym. Jest nią demokratyzacja wsparcia dla osób z trudnościami. Studenci neuroróżnorodni, osoby w spektrum autyzmu czy z dysleksją znajdują w AI narzędzie, które pozwala im „ustrukturyzować” świat akademickich wymagań. Modele pomagają im w porządkowaniu notatek, planowaniu nauki czy przełamywaniu lęku przed białą kartką. To aspekt etyczny, o którym rzadko mówimy w kontekście lęku przed plagiatem, a który jest ogromnym krokiem naprzód w budowaniu dostępnej dla każdego Akademii.
Również w mojej pracy badawczej AI staje się partnerem w dialogu. Nie pozwalam mu pisać za mnie, ale używam go do wstępnej selekcji literatury, wyłapywania korelacji w dużych zbiorach danych czy nawet do „testowania” moich hipotez poprzez symulowaną dyskusję z wirtualnym oponentem. To sprawia, że moja praca nad habilitacją zyskuje nową dynamikę. Paradoksalnie technologia, która miała nas od siebie oddalić, zmusza mnie do bycia jeszcze bardziej precyzyjną, jeszcze bardziej wnikliwą i jeszcze bardziej „ludzką” w moich naukowych poszukiwaniach.
Implementacja AI w mury uniwersytetu to nie tylko kwestia techniczna czy dydaktyczna, to przede wszystkim wyzwanie aksjologiczne. Wchodzimy na teren, gdzie stare kodeksy etyczne stają się niewystarczające, a nowe dopiero piszemy „na żywo”, często metodą prób i błędów.
W dobie algorytmów musimy z całą mocą przypomnieć fundamentalną zasadę: to my – naukowcy, badaczki, wykładowcy – odpowiadamy za każde słowo, wniosek i dane, pod którymi stawiamy swój podpis. AI może być asystentem, ale nie jest podmiotem odpowiedzialności etycznej czy prawnej (stan na styczeń 2026 roku). Jeśli model „halucynuje” i wprowadza nas w błąd, a my ten błąd powielimy w publikacji czy na wykładzie, to nie jest to „błąd systemu”, lecz nasza porażka zawodowa. Ta świadomość musi nam towarzyszyć na każdym kroku – podpis na pracy naukowej jest dziś ważniejszy niż kiedykolwiek, bo jest rękojmią ludzkiego nadzoru nad bezdusznym procesem przetwarzania danych.
Musimy być również świadomi, że korzystając z komercyjnych modeli, bezustannie karmimy je naszymi danymi, wynikami badań i unikalnymi przemyśleniami. To sytuacja bez precedensu: oddajemy owoce naszej pracy intelektualnej wielkim korporacjom w zamian za chwilową sprawność obliczeniową. Co więcej, stajemy przed fascynującym, choć niepokojącym zjawiskiem: modele zaczynają być trenowane na danych wygenerowanych przez… inne modele. Wchodzimy w zapętloną autoreferencyjność. Jako naukowcy i naukowczynie wiemy, że to wcale nie musi gwarantować wzrostu poziomu. Wręcz przeciwnie, istnieje ryzyko tzw. zapaści modelu (model collapse), gdzie AI, mieląc w kółko własne błędy i uproszczenia, zaczyna tracić na jakości i oryginalności. Czy Akademia nie powinna być zatem strażnikiem „czystych”, ludzkich danych?
Kolejnym palącym problemem jest wykluczenie cyfrowe. Często dyskutujemy o etyce AI w teorii, zapominając o prozaicznym aspekcie finansowym. Różnica w możliwościach między darmowymi wersjami modeli a ich płatnymi odpowiednikami jest prawdziwą przepaścią. Moja znajoma mikrobiolożka płaci 1500 USD za dostęp do zaawansowanych modeli i agentów, ponieważ chce błyskawicznie opracować specyficzne dane badawcze. To rodzi pytanie o nową formę nierówności w nauce. Czy za chwilę o tempie awansów naukowych i jakości dydaktyki nie będzie decydował wyłącznie talent, ale portfel wykładowcy lub budżet katedry? Jeśli dostęp do „najmądrzejszego” asystenta jest reglamentowany wysoką ceną, to uniwersytecka idea egalitaryzmu staje pod znakiem zapytania.
Na koniec dylemat najbardziej osobisty. Sama łapię się na tym, że zamiast iść do pokoju obok, by przedyskutować pomysł z kolegą lub koleżanką z Wydziału, wolę „zderzyć” ze sobą dwa różne modele językowe lub zaprogramować agenta, który wejdzie ze mną w polemikę. Jest szybciej, sprawniej i bez emocjonalnych kosztów, jakie niesie czasem ludzka dyskusja. Ale czy to jest lepsze? Czy ta szybkość nie zabija przypadkowości i kreatywnego chaosu, który rodzi się tylko w relacji białkowej? Zastanawiam się, czy ucieczka w dialog z maszyną nie jest powolnym wycofywaniem się z tej wspólnoty, która przez wieki definiowała Akademię. Sokratejska maieutyka wymagała drugiego człowieka, asystent AI, choćby nie wiem jak sprawny, jest tylko lustrem, w którym odbijają się nasze własne przekonania.
Stojąc w obliczu tak fundamentalnej zmiany, nie możemy poprzestać na diagnozowaniu problemów. Musimy zdefiniować nową architekturę dydaktyki. Skoro maszyna potrafi wygenerować „wynik”, nasza uwaga musi przesunąć się na proces.
Postuluję odejście od oceniania wyłącznie gotowych prac pisemnych na rzecz ewaluacji etapów ich powstawania. W nowym modelu ocenie powinny podlegać notatki, ewolucja myśli, szkice, a nawet historia interakcji z modelem AI. Chodzi o to, by student udowodnił, jak dochodził do wniosków, a nie tylko co dostarczył w pliku PDF. To wymaga od nas, wykładowców i wykładowczyń, większej uważności, ale jest jedyną drogą do zachowania rzetelności akademickiej. Naszym zadaniem jest kształtowanie kompetencji przyszłości, czyli sprawnego promptingu, ale przede wszystkim rygorystycznego fact-checkingu i etycznego nadzoru nad algorytmami.
W rozmowach o AI często zapominamy o jej fizyczności. Kiedy opowiadam moim studentom i studentkom, że zadanie modelowi zaledwie 20 pytań kosztuje planetę około 500 ml wody zużytej do chłodzenia serwerów, widzę na ich twarzach szczere zdumienie. Ile takich interakcji mieli w ciągu dnia? Musimy zacząć rozmawiać o różnicy między „Red AI” (nastawioną wyłącznie na precyzję kosztem ogromnych zasobów) a „Green AI” (efektywną energetycznie). To prowadzi nas do jeszcze trudniejszych pytań o postkolonializm danych. AI to nie tylko bezcielesne LLM-y, to potężna infrastruktura, która często czerpie z zasobów Globalnego Południa (tania siła robocza przy etykietowaniu danych, eksploatacja rzadkich minerałów używanych do produkcji chipów), by służyć wygodzie Globalnej Północy. Jako naukowcy mamy obowiązek uświadamiać, że każde zapytanie do modelu ma swój ślad węglowy i etyczny. Musimy budować jasne wytyczne systemowe, które nie będą tylko listą zakazów, te studenci i studentki zawsze ominą, ale fundamentem odpowiedzialnego korzystania z technologii, która jest czymś znacznie więcej niż tylko „sprytnym chatbotem”.
Choć technologia AI zdaje się dominować w debacie o przyszłości uniwersytetu, jestem głęboko przekonana, że nie jest ona w stanie zastąpić relacji mistrz-uczeń. Wręcz przeciwnie, ona zmusza nas do jej radykalnego odświeżenia naszego spojrzenia. Sztuczna inteligencja zdejmuje z naszych barków ciężar rutynowych, mechanicznych zadań. Pozwala nam przestać być „automatami do sprawdzania testów” i znów stać się mentorami i mentorkami. W świecie nasyconym algorytmami, to właśnie „białkowa” obecność, zdolność do empatii i wspólne poszukiwanie prawdy w dialogu stają się najwyższą wartością.
Akademia nie może być tylko fabryką dyplomów, chciałabym żeby pozostała wspomnianym wcześniej gajem Akademosa – przestrzenią, w której krytyczne myślenie rodzi się w spotkaniu twarzą w twarz. Jakkolwiek patetycznie to brzmi, AI to potężny wiatr w żagle nauki, ale to my musimy trzymać ster, pamiętając, że ostatecznym celem edukacji nie jest wygenerowanie poprawnej odpowiedzi, lecz ukształtowanie człowieka zdolnego do samodzielnego zadawania pytań.
(Nad interpunkcją w tekście pracowałam z modelem Gemini PRO.)
Dr Dota Szymborska – doktora nauk humanistycznych w zakresie etyki, filozofka oraz socjolożka. Akademiczka, wykładowczyni i dwukrotna prelegentka TEDx. Liderka grupy roboczej ds. AI i demokracji przy Ministerstwie Cyfryzacji.
