Dług poznawczy AI

AI potrafi skrócić godzinę pracy do kilku minut. To oczywista korzyść. Problem zaczyna się wtedy, gdy skracamy nie tylko pracę, ale również proces, dzięki któremu sami dochodziliśmy do odpowiedzi. Jeśli model znajduje argumenty, buduje strukturę, wyciąga wniosek i ubiera go w słowa, użytkownik otrzymuje rezultat bez konieczności przechodzenia przez wszystkie etapy jego tworzenia.

Właśnie w tym kontekście pojawiło się określenie "dług poznawczy". Brzmi jak diagnoza nowej choroby cywilizacyjnej, ale nią nie jest. To termin wykorzystany przez badaczy analizujących możliwe konsekwencje korzystania z dużych modeli językowych podczas wykonywania zadań wymagających myślenia.

Najpierw było odciążanie poznawcze

Sam mechanizm przenoszenia części pracy umysłowej poza własną głowę jest znacznie starszy niż ChatGPT. Psychologowie Evan Risko i Sam Gilbert określają go jako cognitive offloading - odciążanie poznawcze. Chodzi o wykorzystanie działania lub zewnętrznego narzędzia w taki sposób, aby zmniejszyć wymagania stawiane naszym wewnętrznym procesom poznawczym.

Notujemy numer telefonu, zamiast go zapamiętywać. Ustawiamy przypomnienie w kalendarzu. Korzystamy z kalkulatora zamiast liczyć w pamięci. GPS zwalnia nas z konieczności zapamiętywania całej trasy.

Nie jest to samo w sobie ani dobre, ani złe. Dzięki takim narzędziom możemy przeznaczyć ograniczone zasoby uwagi i pamięci roboczej na inne zadania.

Generatywna AI różni się jednak od wielu wcześniejszych narzędzi skalą tego, co może przejąć. Kalkulator wykonuje obliczenie. Notatnik przechowuje informację. Model językowy może natomiast zaproponować pytanie, znaleźć argumenty, zaplanować strukturę wypowiedzi, sformułować wniosek i stworzyć gotową odpowiedź.

Warto zapamiętać: odciążenie poznawcze nie jest problemem samo w sobie. Kluczowe jest to, które etapy myślenia przekazujemy narzędziu i czy nadal potrafimy wykonać je samodzielnie.

Co zobaczyli badacze z MIT?

W 2025 roku zespół związany z MIT Media Lab opublikował pracę "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task". Badacze porównali trzy sposoby pisania esejów: bez zewnętrznych narzędzi, z wykorzystaniem wyszukiwarki internetowej oraz z pomocą dużego modelu językowego.

W pierwszych trzech sesjach uczestniczyły 54 osoby. Aktywność mózgu monitorowano za pomocą EEG, a powstałe teksty analizowano także pod względem językowym i oceniano ich jakość. W dodatkowej czwartej sesji uczestników części grup zamieniono warunkami - niektórzy wcześniejsi użytkownicy LLM mieli pisać bez narzędzia, a osoby wcześniej pracujące samodzielnie otrzymały dostęp do LLM. W tej części uczestniczyło 18 osób.

Według autorów grupa pisząca samodzielnie wykazywała najsilniejsze i najbardziej rozproszone badane sieci funkcjonalnych połączeń EEG. Użytkownicy wyszukiwarki znaleźli się pośrodku, a grupa LLM wykazywała najsłabszą badaną łączność.

Różnice pojawiły się również poza EEG. Osoby korzystające z LLM deklarowały mniejsze poczucie autorstwa tekstów i miały większe trudności z dokładnym przywołaniem fragmentów tego, co wcześniej oddały jako własne eseje.

Autorzy opisali możliwy problem właśnie jako narastanie "długu poznawczego": użytkownik zyskuje natychmiastową wygodę, ale może wykonywać mniej pracy poznawczej potrzebnej do głębokiego przetworzenia materiału.

Nie, badanie nie dowodzi, że ChatGPT niszczy mózg

Tutaj potrzebne jest bardzo wyraźne zastrzeżenie. Wyniku EEG nie można sprowadzić do hasła "mózg pracował mniej, więc stawał się słabszy". Niższa aktywność lub słabsza mierzona łączność podczas konkretnego zadania nie jest automatycznie dowodem pogorszenia zdolności poznawczych. W niektórych kontekstach mniejszy wysiłek może nawet odzwierciedlać większą efektywność wykonywania zadania.

Samo badanie MIT pozostaje również preprintem. Pod koniec 2025 roku opublikowano krytyczny komentarz wskazujący między innymi na ograniczoną liczebność próby, kwestie związane z analizą EEG, reprodukowalnością części analiz i sposobem raportowania rezultatów.

To oznacza, że interesujące wyniki należy traktować jako sygnał wymagający dalszych badań, a nie jako ostateczny werdykt o wpływie ChatGPT na ludzki mózg.

Jeszcze w 2026 roku autorzy przeglądu dotyczącego AI i rozwoju poznawczego młodzieży podkreślali tę samą granicę: "dług poznawczy" pozostaje propozycją opisania potencjalnego mechanizmu, a istniejących danych nie należy utożsamiać z dowodem trwałego pogorszenia funkcji mózgu.

Problem może być bardziej subtelny

Znacznie mocniejsze podstawy ma samo pytanie o to, jak automatyzacja zmienia wykonywany przez człowieka wysiłek poznawczy.

W badaniu opublikowanym na konferencji CHI 2025 naukowcy Microsoft Research przeanalizowali 936 przykładów korzystania z generatywnej AI opisanych przez 319 pracowników wiedzy. Im większe było zaufanie użytkownika do zdolności AI w danym zadaniu, tym rzadziej deklarował on własne zaangażowanie w krytyczne myślenie.

Nie oznaczało to jednak prostego zniknięcia myślenia. Jego charakter się zmieniał. Zamiast samodzielnego zbierania informacji użytkownik częściej je weryfikował. Zamiast samodzielnie rozwiązywać problem integrował odpowiedź AI z własnym zadaniem. Zamiast samodzielnego tworzenia wszystkiego od początku nadzorował pracę systemu.

To bardzo ważne rozróżnienie. AI może zmniejszyć wysiłek potrzebny do jednego rodzaju czynności, a jednocześnie zwiększyć znaczenie innych: oceny wiarygodności odpowiedzi, wykrywania błędów, porównywania źródeł i decydowania, kiedy modelowi nie należy ufać.

Ciekawostka: korzystanie z zewnętrznych narzędzi do odciążania pamięci i uwagi badano na długo przed pojawieniem się generatywnej AI. Nowością jest przede wszystkim zakres procesów, które model językowy może wykonać w imieniu użytkownika.

Zastępstwo czy rusztowanie?

Najbardziej użyteczne pytanie nie musi więc brzmieć: "czy korzystać z AI?". Znacznie ciekawsze jest: "do czego pozwolić AI w tym zadaniu?".

Wyobraźmy sobie dwie osoby rozwiązujące ten sam problem.

Pierwsza wpisuje polecenie: "Napisz mi odpowiedź". Otrzymuje gotowy rezultat, poprawia kilka zdań i kończy pracę.

Druga najpierw tworzy własną hipotezę. Następnie prosi model o znalezienie słabych punktów, kontrargumentów i alternatywnych interpretacji. Musi zdecydować, które uwagi AI są zasadne, a które błędne.

W obu przypadkach wykorzystano tę samą technologię. Poznawczo są to jednak zupełnie inne zadania.

W pierwszym AI może działać jako substytut części procesów poznawczych. W drugim staje się czymś bliższym rusztowaniu - narzędziem zwiększającym zakres pracy, ale pozostawiającym użytkownikowi konieczność formułowania i oceniania argumentów.

Rachunek za wygodę?

"Dług poznawczy" jest atrakcyjną metaforą, bo przypomina zwykły kredyt: korzyść otrzymujemy natychmiast, a potencjalny koszt pojawia się dopiero później. Na razie nauka nie potrafi jednak powiedzieć, jak duży jest ten koszt, jak długo się utrzymuje ani czy występuje w podobny sposób u różnych osób i przy różnych sposobach korzystania z AI.

Nie wiadomo też, czy przyszłe pokolenia użytkowników po prostu rozwiną inne zestawy umiejętności - mniej skoncentrowane na samodzielnym wytwarzaniu każdej części informacji, a bardziej na kierowaniu systemami, weryfikacji i ocenie ich rezultatów.

Jedno jest już jednak warte uwagi: szybka odpowiedź nie zawsze jest równoznaczna z dobrym procesem uczenia się.

Jeżeli celem jest wyłącznie wykonanie zadania, automatyzacja może być ogromną zaletą. Jeżeli celem jest nauczenie się rozwiązywania takich zadań samemu, oddanie całej pracy modelowi może oznaczać pominięcie właśnie tej części procesu, która miała nas czegoś nauczyć.

Warto zapamiętać: nie ma dziś podstaw, aby twierdzić, że AI po prostu "ogłupia". Są natomiast dobre powody, żeby badać, kiedy narzędzie odciąża człowieka, a kiedy zastępuje wysiłek potrzebny do rozwijania umiejętności.