„AI właśnie zmieniła wszystko” - po raz siedemnasty: hype jako gatunek dziennikarski

Kurtyna idzie w górę. Na scenę przed ekranem wielkości małego państwa wchodzi osoba w sportowych butach. Nowy system odpowiada na pytanie, tłumaczy dokument i generuje film. Wszystko działa za pierwszym razem. Publiczność bije brawo. Reporterzy notują. W ich skrzynkach czeka już komunikat prasowy: „nowa era”, „przełom”, „narzędzie, które zmieni pracę”. Zanim dzień się skończy, nagłówki pytają, czy właśnie zakończyło się istnienie całego zawodu.

Następnego ranka pracownik księgowości próbuje tej samej sztuczki na prawdziwym arkuszu. System gubi tabelę. Nauczycielka odkrywa, że licencja nie obejmuje danych uczniów. Redakcja dowiaduje się, że „automatyzacja” wymaga wielu godzin poprawek. Takie sceny rozgrywają się po wyłączeniu muzyki i bez starannie dobranych danych wejściowych.

Hype nie jest wyłącznie kwestią rozemocjonowanych przymiotników. Organizuje czas. Teraźniejszość staje się progiem, przyszłość - nieuchronnością, a namysł zaczyna wyglądać jak spóźnienie. Hype nabył stałe elementy gatunku dziennikarskiego: bohatera, konflikt, punkt zwrotny i brakujący rozdział o utrzymaniu.

Hype ma format, nie tylko temperaturę

Znana opowieść o AI zaczyna się od zamiany produktu w podmiot: rozumie, tworzy, odkrywa, uczy się. Następnie przychodzi demonstracja wybrana przez producenta, a po niej cytat z osoby, która skorzysta, jeśli technologia odniesie sukces. Porównanie z elektrycznością, drukiem lub rewolucją przemysłową zapewnia historyczny ciężar. W konkluzji organizacje i pracownicy dowiadują się, że muszą natychmiast się dostosować.

Najprostszej alternatywy często brakuje. Jak z tym samym zadaniem radzi sobie człowiek, arkusz kalkulacyjny, wyszukiwarka lub starszy system? Bez takiej linii bazowej „90% dokładności” jest liczbą w eleganckim garniturze, lecz bez adresu. Nie znamy danych testowych, odsetka odmów, kosztu korekty ani tego, czy błędy rozkładają się równomiernie między grupami.

Podręcznik UNESCO dla nauczycieli dziennikarstwa wskazuje powtarzalne pułapki: hiperbolę, nieuzasadnione twierdzenia o przyszłym postępie, fałszywe porównania wąskich systemów z szerokimi ludzkimi zdolnościami, kopiowanie języka PR, ukryte ograniczenia, niewidzialną pracę oraz dane o wynikach pozbawione odpowiednich warunków lub niepewności (Jaakkola, 2023, pp. 110 - 113). Nie są to wady kosmetyczne. Każda zmienia model rzeczywistości, z którym pozostaje czytelnik.

Framing: reflektor wybiera rewolucję

Robert Entman opisuje framing jako wybieranie aspektów postrzeganej rzeczywistości i uwydatnianie ich w sposób, który promuje definicję problemu, interpretację przyczynową, ocenę moralną lub proponowane rozwiązanie (Entman, 1993, pp. 51 - 58). Framing nie musi oznaczać kłamstwa. Reflektor może oświetlać prawdziwy obiekt. Wciąż jednak pozostawia resztę sceny w cieniu.

Gdy relacja z premiery skupia się na szybkości generowania, problem definiuje efektywność. Centralne pytanie brzmi: „Ile czasu to zaoszczędzi?”. Poza snopem światła zostają inne definicje: kto weryfikuje, kto odpowiada za błąd, czyja praca dostarczyła danych, komu system służy źle i co dzieje się z człowiekiem dotkniętym jego decyzją. Rama „wyścigu” sprawia, że kontrola wygląda jak przeszkoda. Skoro konkurenci już biegną, testy i regulacja przypominają wiązanie sznurowadeł po strzale startera.

Również czasowniki rozdzielają odpowiedzialność. „AI zdecydowała” usuwa organizację, która wybrała model, próg i dane. „Model się nauczył” może

ukrywać ludzi oznaczających przykłady, moderujących drastyczne treści i poprawiających wyniki. „System zastąpił redaktorów” wymazuje menedżerów, którzy postanowili zmniejszyć zatrudnienie. Gramatyka rozstrzyga rozliczalność, zanim komisja etyczna wejdzie do sali.

Technologia nie zstępuje z chmury

Społeczna konstrukcja technologii oferuje alternatywę dla opowieści, w których wynalazek ma jedną oczywistą naturę i sam popycha historię. Trevor Pinch i Wiebe Bijker pokazali, jak technologie zyskują znaczenie i formę poprzez negocjacje między istotnymi grupami społecznymi, które odmiennie definiują problemy i skuteczne rozwiązania (Pinch & Bijker, 1984, pp. 399 - 441).

„To samo” narzędzie AI jest więc czymś innym dla dostawcy, inwestora, redaktora, reportera, związku zawodowego, źródła i odbiorcy. Dostawca widzi skalowalną usługę. Reporter - pomoc w transkrypcji. Menedżer - redukcję kosztów. Informator - nowego uczestnika poufnego procesu. Czytelnik - niewidocznego współautora. Nie istnieje społecznie neutralna innowacja czekająca przed użyciem; istnieją wybory projektowe, umowy, wskaźniki i instytucje.

Dziennikarze powinni pytać nie tylko „co system potrafi?”, ale również „dla kogo jest to problem i kto może ogłosić, że został rozwiązany?”. Narzędzie może dobrze streszczać rutynowe dokumenty, a zawodzić ludzi, których język lub sytuacja są słabo reprezentowane. Może oszczędzić autorowi pięć minut i dodać dwadzieścia minut pracy osobie weryfikującej. „Efektywność” bez wskazanego beneficjenta jest rachunkiem bez waluty.

Oczekiwania pracują, zanim produkt zacznie działać

Socjologia oczekiwań pokazuje, że wizje przyszłości nie tylko opisują to, co może się wydarzyć. Koordynują działania w teraźniejszości, przyciągają inwestycje, rekrutują ludzi i zapewniają legitymizację. Oczekiwania mogą zestroić sieci i uzasadnić wybory, zanim technologia osiągnie obiecywaną dojrzałość (Borup et al., 2006, pp. 285 - 298).

Na tym polega performatywna siła hype’u. „AI zrewolucjonizuje edukację” może skłonić uniwersytet do zakupu licencji, utworzenia stanowiska i zmiany programu. Gdy inwestycje już istnieją, technologia staje się bardziej obecna nie tylko dlatego, że prognoza była trafna, lecz także dlatego, że pomogła zbudować

warunki własnego spełnienia. Relacje medialne uczestniczą w tym procesie, dostarczając widoczności i języka, którym zarząd uzasadni decyzję.

Oczekiwania nie są z natury oszustwem. Badania i innowacje potrzebują wyobrażonych przyszłości. Problem zaczyna się wtedy, gdy wizja nie ma warunku porażki, a koszt rozczarowania ponosi ktoś inny niż składający obietnicę. Jeżeli system nie działa dzisiaj, słyszymy, że „to dopiero początek”. Jeżeli działa w jednym zadaniu, skala zostaje opisana jako nieunikniona. Jeżeli szkodzi, mówi się, że organizacja „nie była gotowa”. Hype zachowuje się jak prognoza z immunitetem dyplomatycznym.

Steve Woolgar proponuje sceptycyzm analityczny: refleksyjny dystans wobec uwodzicielskich twierdzeń o nowości i wpływie. Jego wskazówka jest zachwycająco krótka: „Potrzebujemy tego znaku zapytania” (as cited in Jaakkola, 2023, p. 78). Znak zapytania nie jest hamulcem innowacji. Jest pasem bezpieczeństwa dla zdania jadącego zbyt szybko.

Kto zabiera głos w wiadomościach o AI

Hype łatwo rośnie, gdy dostęp do sceny jest nierówny. Podręcznik UNESCO przywołuje badanie brytyjskich relacji, w których niemal 60% artykułów dotyczyło produktów lub inicjatyw branży. Około jedna trzecia unikalnych źródeł była związana z przemysłem - prawie dwa razy więcej niż z akademią i sześć razy więcej niż z administracją publiczną. Prawie 12% wszystkich artykułów wspominało Elona Muska (Jaakkola, 2023, p. 84).

Nie jest to argument za wykluczaniem liderów biznesu. Wiedzą wiele o swoich produktach. Są też zainteresowanymi źródłami, podobnie jak minister promujący reformę czy klub piłkarski przedstawiający nowego zawodnika. Wiedza ekspercka nie usuwa interesu. Rzetelny artykuł potrzebuje warunków testowych i głosów spoza premiery: użytkowników, pracowników, niezależnych ekspertów dziedzinowych, regulatorów, dotkniętych społeczności i ludzi, którzy stykają się z porażkami po wyjściu fotografów.

Jan Kreft przedstawia AI w dziennikarstwie jako przechodzącą przez fazy zainteresowania niszowego, euforii, negocjacji i normalizacji. Przywołuje też obserwację Roya Amary, według której ludzie mają skłonność przeceniać krótkoterminowe skutki technologii i nie doceniać jej konsekwencji długoterminowych (Kreft, 2025, pp. 7 - 10). Relacja z dnia premiery słabo nadaje się do takiej skali czasu. Największa zmiana może nadejść po latach cichej integracji z zatrudnieniem, edukacją, językiem i procedurą.

Hype ma ofiary, nie tylko rozczarowanych klientów

Wyobraźmy sobie uniwersytet kupujący system reklamowany jako „zautomatyzowane spersonalizowane wsparcie”. Finansowanie ludzkich tutorów zostaje zmniejszone, bo demonstracja obiecuje skalę. Po jednym semestrze narzędzie obsługuje standardowe pytania, ale pomija nietypowe przypadki i nie rozpoznaje, kiedy student potrzebuje człowieka. Osoby biegle piszące prompty dają sobie radę. Student pracujący w drugim języku otrzymuje serię błędnych wskazówek i przekracza termin.

Przykład jest hipotetyczny. Pokazuje, że błędy ramowania mają swój rozkład. Kierownictwo może wpisać wdrożenie do strategii, dostawca umieścić je w prezentacji, a media zostawić relację z premiery w archiwum. Student płaci semestrem. Ten sam wzorzec pojawia się, gdy redakcja ogranicza korektę, instytucja publiczna zamyka prostszą ścieżkę kontaktu z człowiekiem albo szpital dokonuje zakupu na podstawie wyniku osiągniętego w innych warunkach.

Ludzka godność wymaga, aby ludzi nie przedstawiano jako oporu na krzywej adopcji. Wolność wymaga realnej alternatywy, zwłaszcza gdy system wpływa na prawa, pracę lub podstawowe usługi. Rozliczalność wymaga wskazanego decydenta i drogi odwołania. Hype po cichu usuwa te elementy, przedstawiając wybór polityczny lub organizacyjny jako „nieunikniony postęp”.

Audyt antyhype’owy: zamień obietnicę w test

Audyt nie ma dowodzić, że technologia jest zła. Zamienia obietnicę w tezę, którą można uczciwie sprawdzić. Utwórz dossier dla każdego ważnego twierdzenia w artykule.

1. Mierzalne twierdzenie. Zastąp „rewolucjonizuje”, „rozumie” i „działa jak ekspert” zadaniem, populacją, warunkami i wynikiem. „System zmniejsza średni czas transkrypcji plików typu X z A do B przy wskaźniku błędów C” jest mniej efektowne, ale bardziej użyteczne.

2. Linia bazowa. Co stanowi porównanie: człowiek o określonym doświadczeniu, starszy system, prosta procedura czy brak interwencji? Punkt odniesienia musi przypominać rzeczywiste użycie. Nieskazitelny plik premierowy to nie redakcja o 17.55.

3. Dowody i warunki. Kto przeprowadził ocenę, na jakiej próbie, z jakimi wykluczeniami i miarami? Czy wynik pochodzi z laboratorium, pilotażu czy zwykłego działania? Jak często narzędzie odmawia? Jaki jest najgorszy prawdopodobny błąd? Czy ktoś niezależny powtórzył wynik?

4. Ograniczenia blisko początku. Nie ukrywaj decydującego zastrzeżenia w przedostatnim akapicie po paradzie entuzjastycznych cytatów. Jeżeli system działa tylko w wąskim środowisku, jest to część definicji produktu, nie „zdanie sceptyka”.

5. Interes źródła. Odnotuj związki finansowe, zawodowe i reputacyjne. Zapytaj, kogo zabrakło na demonstracji. Źródło branżowe może dostarczyć faktów; twierdzenia promocyjne nadal wymagają niezależnego testu.

6. Horyzont i warunek porażki. Kiedy prognoza powinna się spełnić? Jaka obserwacja pokazałaby, że się nie spełniła? Twierdzenie potwierdzane przez każdą możliwą przyszłość jest strategiczną narracją, nie ustaleniem dziennikarskim. Jeśli termin się przesuwa, odnotuj zmianę.

7. Niewidzialna praca. Policz ludzi przygotowujących dane, poprawiających wyniki, obsługujących wyjątki, moderujących treści, szkolących użytkowników i odpowiadających na skargi. „Zautomatyzowane” często oznacza, że praca przeniosła się do innego pokoju, dostawcy lub kraju.

8. Koszt zewnętrzny i jego rozkład. Kto płaci energią, danymi, prawami autorskimi, stresem, utratą pracy, wykluczeniem lub błędnymi decyzjami? Kto zyskuje, a kto ponosi ryzyko? Średnia poprawa może ukrywać skoncentrowaną szkodę.

9. Wyjście, odwołanie i korekta. Czy użytkownik może wybrać człowieka, zakwestionować wynik, odzyskać dane i wrócić do poprzedniej drogi? Kto naprawia błąd po wdrożeniu? Technologia bez planu wyjścia jest mniej innowacją niż meblem ustawionym pod drzwiami.

Jak zamienić dossier w czytelne dziennikarstwo

Audyt nie musi sprawić, że artykuł zabrzmi jak dokumentacja zamówienia publicznego. Zacznij od człowieka wykonującego konkretne zadanie, a następnie pokaż obietnicę, test i konsekwencję. Zestaw demonstrację dostawcy z prostą próbą w realnym świecie. Zamiast pytać „czy AI zastąpi dziennikarzy?”, zapytaj, które zadania się zmieniają, kto przejmuje kontrolę i co dzieje się z czasem rzekomo zaoszczędzonym na pierwszym etapie.

Dobry artykuł używa trzech zegarów. Pierwszy mierzy obecną zdolność. Drugi - obiecywany rozwój. Trzeci - czas potrzebny instytucjom i ludziom na adaptację. Hype powstaje przez pomieszanie zegarów: wynik prototypu z teraźniejszości zostaje zapisany językiem pełnoskalowego wdrożenia, a prognoza przyszłości przejmuje gramatykę faktu.

Nagłówki mogą zachować dramaturgię bez rozstrzygania dowodów z wyprzedzeniem. Znak zapytania nie jest clickbaitem, gdy artykuł uczciwie mapuje to, czego nie wiadomo. Czasem najmocniejszy wniosek będzie taki, że narzędzie dobrze wykonuje jedno wąskie zadanie, lecz na razie brakuje dowodów, iż usprawnia cały proces. To mniej widowiskowe niż „koniec zawodu” i bardziej prawdopodobne, że zapobiegnie złej decyzji.

Granice sceptycyzmu

Antyhype może stać się własnym gatunkiem. „AI to tylko statystyka” bywa równie redukcjonistyczne jak „AI rozumie świat”. Nadmierny sceptycyzm może przeoczyć powolną zmianę strukturalną albo odrzucić użyteczne narzędzie, bo nie przypomina science fiction. Krytyka źródeł branżowych nie usprawiedliwia technicznej niewiedzy, a wskazanie ryzyka nie dowodzi szkody w każdym zastosowaniu.

Dowody często będą niepełne, podczas gdy systemy zmieniają się szybciej niż cykle badań. Dziennikarze muszą wtedy opisywać niepewność, oddzielając obserwację od prognozy i nazywając osobę prognozującą. Audyt nie wytwarza pewności; tworzy uczciwszą mapę niewiedzy.

Testy wydajności nie rozstrzygną też wartości. System może być tańszy i dokładniejszy, a mimo to nie nadawać się do decyzji pozbawionej znaczącej kontroli człowieka. Wybór tego, co optymalizować - i czego nigdy nie wolno wymienić - jest aktem etycznym i politycznym, nie tylko technicznym.

Rewolucja może poczekać do drugiego akapitu

Technologia zasługuje na ciekawość. Właśnie dlatego nie wolno oddawać jej słownika komunikatom prasowym. Najlepsze opowieści o AI nie pytają, czy przyszłość nadchodzi. Pokazują, kto ją buduje, w jakich warunkach, za czyje pieniądze i z czyim prawem sprzeciwu.

Kiedy ekran wielkości małego państwa ogłasza kolejny przełom, reporter może zaklaskać - a potem otworzyć dossier. Wpisać linię bazową, interes źródła, horyzont, koszt i warunek porażki. Zostawić znak zapytania w nagłówku, dopóki dowody nie zapracują na kropkę. To nie zabija opowieści. Nie pozwala jej sprzedać przyszłości na kredyt zaciągnięty na cudze nazwisko.