„Zrobiłem cały teledysk za czterdzieści złotych”. Cena ma przekonać, zanim ktokolwiek zdąży ocenić pomysł, montaż czy sens powstania filmu. Ten sam autor sprzedaje obok swoje usługi, ale o własnej pracy nauczył odbiorcę przede wszystkim jednego: można ją wykonać niemal za darmo.

Możliwość taniego tworzenia ma ogromną wartość. Pozwala uruchamiać nowe publikacje, opracowywać informacje, eksperymentować z obrazem i realizować przedsięwzięcia, na które wcześniej brakowało pieniędzy. Osobliwy jest moment, w którym niski koszt zaczyna zastępować wszystkie pozostałe kryteria oceny.

Jeśli czterdzieści złotych obejmuje wyłącznie kredyty w generatorze, z rachunku znika również praca autora: czas, selekcja, montaż, poprawki. Żeby osiągnięcie technologiczne wyglądało okazalej, twórca zeruje własny wkład. Następnie próbuje sprzedać go na rynku, któremu właśnie wyjaśnił, jak niewiele jest wart.

Podobnie z podmienianiem twarzy. Ktoś bierze stary klip albo obraz, wstawia siebie w miejsce innej osoby i ogłasza spotkanie nowoczesności z tradycją. Kompozycja, pomysł i rozpoznawalność dzieła są już gotowe. Technologia pozwala zająć miejsce, na które wcześniej pracował ktoś inny.

Możesz wymyślić niemal dowolną scenę, a robisz filmik, w którym lecisz w kosmos. Zabawa nie wymaga uzasadnienia. Gdy jednak przedstawiasz ją jako demonstrację twórczego przełomu, pojawia się pytanie: chcesz pokazać możliwości AI czy w końcu masz szansę pokazać siebie?

W pojedynczym przypadku to drobiazg. W szerszej perspektywie takie demonstracje tworzą określoną opowieść o technologii. Liczą się szybkość, cena i efekt, który da się natychmiast pokazać. Znacznie mniej uwagi poświęca się pochodzeniu materiałów, warunkom pracy i temu, kto ostatecznie zarobi na zmianie. Twórca dostarcza atrakcyjnej reklamy procesu, którego skutki mogą osłabić również jego pozycję.

Sceptycyzm wobec AI bywa w tej opowieści traktowany jako problem odbiorcy. Kto ma zastrzeżenia, ten rzekomo boi się nowości, nie rozumie narzędzi albo nie potrafi się dostosować. To wygodny sposób prowadzenia dyskusji: zamiast odpowiedzieć na krytykę, można zakwestionować kompetencje krytyka.

Dane utrudniają jednak utożsamienie nieufności z nieznajomością technologii. W badaniu Gallupa z 2026 roku 51% badanych Amerykanów w wieku 14–29 lat korzystało z generatywnej AI przynajmniej raz w tygodniu. Jednocześnie 80% uważało za bardzo lub raczej prawdopodobne, że używanie AI utrudni im uczenie się w przyszłości. Ten drugi wynik opisuje obawę, a nie zmierzony spadek umiejętności. Pokazuje jednak, że regularne korzystanie z narzędzia nie oznacza bezwarunkowej akceptacji jego konsekwencji. Gallup, 2026

Pew Research Center odnotowało również zmianę nastrojów w czasie. Wśród Amerykanów w wieku 18–29 lat odsetek osób bardziej zaniepokojonych niż podekscytowanych rosnącą obecnością AI wzrósł z 31% w 2021 roku do 55% w 2026 roku. Odsetek deklarujących przewagę ekscytacji spadł z 25% do 11%. To dane amerykańskie; nie opisują automatycznie młodych ludzi w Polsce ani na całym świecie. Stanowią jednak wyraźny sygnał utraty entuzjazmu w grupie, której trudno zarzucić brak kontaktu z cyfrowymi narzędziami. Pew Research Center, 2026

Określenie „antytech” obejmuje różne postawy, od świadomego ograniczania aplikacji po zasadniczą nieufność wobec wielkich firm technologicznych. Przytoczone badania nie dowodzą istnienia jednego, spójnego ruchu. Pozwalają natomiast postawić hipotezę, że wyczerpuje się zgoda na przyjmowanie każdej nowości na warunkach jej producenta.

Można rozumieć technologię i nie chcieć jej w każdej czynności. Można korzystać z generatora obrazów, a nie życzyć sobie syntetycznego rozmówcy w miejscu kontaktu z człowiekiem. Można doceniać automatyczne streszczenia i oczekiwać łatwego dostępu do oryginału. Takie rozróżnienia świadczą o ocenie zastosowań, nie o intelektualnym zacofaniu.

Wciskanie AI na siłę zaczyna się wtedy, gdy samo wdrożenie staje się celem, a przydatność trzeba dopiero dopisać do prezentacji. Koszt dostosowania ponosi użytkownik lub pracownik: sprawdza odpowiedzi, naprawia błędy, uczy się nowego procesu. Jeśli zgłasza zastrzeżenia, słyszy, że opiera się zmianie. W takim układzie krytyka przestaje być informacją potrzebną do oceny narzędzia. Staje się przeszkodą w realizacji wcześniej podjętej decyzji.

AI nadaje się do takiego narzucania szczególnie dobrze, ponieważ jego interfejs jest łatwo dostępny. Można napisać polecenie zwykłym językiem, zrobić literówkę, opisać coś nieprecyzyjnie i dopowiedzieć resztę w kolejnej wiadomości. Nie trzeba rozumieć budowy sieci neuronowej, żeby otrzymać użyteczny rezultat. Na tym polega jedna z największych zalet tej technologii.

Łatwość uzyskania odpowiedzi nie oznacza jednak łatwości jej oceny. Użytkownik może nie mieć wiedzy pozwalającej zauważyć błąd, rozpoznać pominięcie albo zakwestionować pewny ton. Wówczas dostępność narzędzia zwiększa również dostępność pozorów kompetencji.

Badania nad sycophancy, czyli skłonnością modeli do przytakiwania i dopasowywania odpowiedzi do przekonań użytkownika, pokazują dodatkowy problem. Ludzkie oceny wykorzystywane w trenowaniu systemów mogą premiować odpowiedzi zgodne z poglądami rozmówcy kosztem prawdziwości. Model, który utwierdza człowieka w jego stanowisku, może zostać oceniony lepiej niż model, który trafnie mu zaprzecza. Sharma i współautorzy, ICLR 2024

Ma to znaczenie również dla dyskusji o zjawiskach określanych mianem „AI psychosis”. Etykieta nie rozstrzyga, że AI wywołuje odrębny rodzaj psychozy. Istnieją jednak opisy kliniczne, w których chatbot wzmacniał urojenia osoby przechodzącej kryzys psychiczny.

W opisie przypadku opublikowanym w „BMC Psychiatry” w 2026 roku pacjent z epizodem maniakalnym z objawami psychotycznymi po użyciu wielu substancji otrzymywał od chatbota potwierdzenia przekonania o duchowym przebudzeniu oraz odpowiedzi sprzeczne z zaleceniami medycznymi. Autorzy zaznaczyli, że nie można ustalić, w jakim stopniu odpowiedzi te wpłynęły na jego istniejący już stan. Pojedynczy przypadek nie pozwala też określić częstości takiego zjawiska. Shah i Morrin, 2026

Nie należy używać psychozy jako metafory zachwytu technologią. Problem kliniczny wymaga osobnego traktowania. Pokazuje jednak, dlaczego przyjazna rozmowa i satysfakcja użytkownika nie wystarczają do oceny bezpieczeństwa systemu. Człowiek może czuć się wysłuchany właśnie wtedy, gdy otrzymuje szkodliwe potwierdzenie.

Największe konsekwencje nie muszą być jednak widowiskowe. Mogą wynikać z codziennego przekształcania ludzkiego doświadczenia w zasób należący do organizacji.

Pracownik przez lata uczy się rozpoznawać problem klienta, prowadzić rozmowę, poprawiać kod albo oceniać obraz. Część tej wiedzy trudno zapisać w instrukcji. Widać ją w decyzjach, przykładach i poprawkach. System uczący się na takich materiałach może przejmować wzorce skutecznego działania i udostępniać je innym.

Badanie Erika Brynjolfssona, Danielle Li i Lindsey Raymond dotyczące obsługi klienta pokazuje rzeczywiste korzyści tego procesu. W wersji opublikowanej przez NBER w 2023 roku dostęp do asystenta AI zwiększał średnią produktywność o 14%, a największe korzyści odnosili pracownicy mniej doświadczeni. Autorzy przedstawili przesłanki wskazujące, że system upowszechniał praktyki skuteczniejszych pracowników. Odnotowali również poprawę reakcji klientów i utrzymania pracowników. Brynjolfsson, Li i Raymond, Generative AI at Work

Przekazywanie wiedzy może więc pomagać. O jego społecznych skutkach decydują jednak również warunki, na jakich się odbywa. Jeśli doświadczenie pracownika zwiększa wartość systemu, powinno pojawić się pytanie o udział tego pracownika w korzyściach. Tymczasem możliwy jest również scenariusz, w którym firma przejmuje wzorce jego pracy, zmniejsza zależność od jego umiejętności i wykorzystuje tę zmianę do obniżenia kosztów zatrudnienia.

To ryzyko ekonomiczne, a nie konieczny rezultat każdego wdrożenia. Właśnie dlatego wymaga negocjacji, zanim zostanie przedstawione jako nieunikniony skutek postępu.

Nick Couldry i Ulises Mejias opisują przekształcanie ludzkiej aktywności w zasób komercyjny za pomocą pojęcia „kolonializmu danych”. Ich teoria zwraca uwagę na warunki przejmowania informacji powstających w życiu społecznym. Dane mają swoich wytwórców, a ich gromadzenie i wykorzystanie odbywa się w relacjach nierównej siły. Couldry i Mejias, 2019

W przypadku AI nierówność obejmuje dostęp do kapitału, mocy obliczeniowej i kanałów dystrybucji. Raport Federalnej Komisji Handlu z 2025 roku wskazywał, że powiązania największych dostawców chmury z producentami modeli mogą zwiększać koszty zmiany dostawcy, ograniczać konkurentom dostęp do zasobów i zapewniać uprzywilejowany dostęp do informacji. FTC, 2025

Wiedza powstaje w rozproszeniu, dzięki pracy ogromnej liczby osób. Kontrola nad jej komercyjnym wykorzystaniem może skupiać się w niewielu firmach. Użytkownik dostaje wygodny interfejs, ale niekoniecznie wpływ na warunki dostępu do systemu, który pomagał zasilać. Upowszechnienie obsługi może więc współistnieć z koncentracją własności.

Spory dotyczące chińskich modeli ujawniają, jak istotna staje się kontrola nad transferem zdolności.

Reverse engineering polega na odtwarzaniu sposobu działania systemu przez jego analizę. Destylacja pozwala natomiast uczyć model na odpowiedziach innego modelu, bez odzyskiwania jego kodu czy dokładnej architektury. Sama destylacja jest uznaną metodą: zespół DeepSeek opisał wykorzystanie odpowiedzi własnego modelu R1 do rozwijania mniejszych modeli opartych na Qwen i Llama. DeepSeek-AI, 2025

Osobną sprawą są zarzuty dotyczące pozyskiwania odpowiedzi cudzych systemów. W lutym 2026 roku Anthropic oskarżyło DeepSeek, Moonshot i MiniMax o kampanie wydobywania zdolności Claude’a z naruszeniem warunków dostępu. Według firmy obejmowały one ponad 16 milionów wymian za pośrednictwem około 24 tysięcy nieautentycznych kont. To ustalenia przedstawione przez zainteresowaną stronę, nie podstawa do uznania całego chińskiego rozwoju AI za kopiowanie. Anthropic, 2026

Widać jednak znamienną zbieżność interesów. Producent modelu chce chronić wysiłek włożony w jego rozwój przed przejęciem przez konkurenta. Autor, artysta czy specjalista może mieć podobne oczekiwanie wobec własnego dorobku. Sytuacje różnią się prawnie i technicznie, ale pytania o zgodę, wynagrodzenie i kontrolę pojawiają się po obu stronach.

Trudno uzasadnić porządek, w którym rozproszona ludzka wiedza ma być oczywistym surowcem, natomiast jej przetworzenie przez firmę ustanawia wyłączne prawo tej firmy do decydowania o dalszym wykorzystaniu.

Sylwetki ludzi i kamer w ciemnej, zamglonej przestrzeni

W tym miejscu wraca twórca chwalący się teledyskiem za czterdzieści złotych.

Nie odpowiada za całą strukturę rynku. Może jednak wykonywać dla niej użyteczną pracę reklamową: przyzwyczajać odbiorców do pomijania ludzkiego wkładu, przedstawiać obniżanie kosztów jako wystarczający dowód postępu i ośmieszać zastrzeżenia osób, których utrzymanie zależy od twórczości. Jeśli jednocześnie liczy na sprzedaż własnych kompetencji, pomaga utrwalać kryteria, które osłabiają jego pozycję.

W takim sensie określenie „pożyteczni idioci” dotyczy funkcji pełnionej w tym procesie. Entuzjasta dostaje uwagę i chwilowe poczucie przewagi. Dostawca technologii otrzymuje reklamę, klient argument do negocjowania niższej ceny, a rynek kolejne zapewnienie, że podobny rezultat powinien być dostępny niemal bez kosztów. Intencje uczestników mogą być zupełnie różne. Ich działania mogą mimo to wzajemnie się wzmacniać.

Marks opisywał już mechanizm, w którym maszyna skracająca czas wykonania pracy nie skraca dnia pracy człowieka. Uzyskana wydajność może zostać przeznaczona na zwiększenie produkcji i intensywności pracy. O podziale korzyści rozstrzygają stosunki własności i siła negocjacyjna, nie sama sprawność urządzenia. Karol Marks, Kapitał, tom I, rozdział „Maszyny i wielki przemysł”

Wolnorynkowy kontrargument jest mocny: niższe koszty zwiększają dostępność usług i pozwalają powstawać przedsięwzięciom, które wcześniej były nieopłacalne. Technologia zastępuje część zadań, ale może też zwiększać popyt na pracę i tworzyć nowe zawody. David Autor opisuje, jak automatyzacja równocześnie wypiera ludzką pracę i uzupełnia ludzkie umiejętności. Zniknięcie określonych zleceń nie przesądza więc o długookresowym bilansie zatrudnienia. David Autor, Why Are There Still So Many Jobs?, 2015

Generatywna AI komplikuje jednak dawny podział na czynności rutynowe, które przejmują maszyny, i zadania kreatywne, do których mogą przenosić się ludzie. Wytwarzanie tekstu, obrazu czy muzyki również podlega dziś częściowej automatyzacji. Nie wynika z tego, że nowe miejsca pracy nie powstaną. Słabnie natomiast zapewnienie, że bezpiecznym rozwiązaniem będzie po prostu przejście do pracy bardziej twórczej. Nowe możliwości mogą powstawać, a konkretni ludzie mogą równocześnie tracić dochód i pozycję negocjacyjną. Korzystny bilans w przyszłości nie jest gwarancją, że skorzystają na nim te same osoby, które ponoszą koszty zmiany dzisiaj.

Dlatego rosnącego sceptycyzmu nie warto traktować jako przeszkody, którą trzeba usunąć lepszym marketingiem. Może być reakcją na ofertę, w której obiecuje się większe możliwości, a warunki korzystania z tych możliwości ustala bez udziału zainteresowanych.

AI może ułatwiać dostęp do wiedzy, pomagać w pracy i umożliwiać nowe przedsięwzięcia. Żadna z tych korzyści nie wymaga zgody na każde wdrożenie, każdy sposób pozyskiwania danych i każdą obniżkę wynagrodzeń. Ocena technologii obejmuje również prawo do zakwestionowania tego, kto z niej korzysta naszym kosztem.

Przy wdrożeniu w miejscu pracy oznacza to konkretne pytania: czyje doświadczenie zasila system, kto kontroluje rezultat, kto sprawdza błędy i komu przypada oszczędzony czas. Dopóki odpowiedzi pozostają niejasne, przechwałka o cenie generowania mówi bardzo niewiele o rzeczywistym koszcie całego przedsięwzięcia.