Tak, generatywne AI potrafi uśredniać pomysły. Tyle że robi to w sposób mniej oczywisty, niż sugeruje samo słowo „uśredniać”: pojedynczemu użytkownikowi może pomóc stworzyć lepszy tekst lub ciekawszy pomysł, a jednocześnie sprawić, że setki użytkowników zaczną produkować treści bardziej podobne do siebie.
To rozróżnienie jest dziś sednem badań nad kreatywnością wspieraną przez modele takie jak ChatGPT, Gemini czy Claude. Dla jednej osoby korzyść jest łatwa do zauważenia. AI błyskawicznie podsuwa alternatywy, przełamuje pustą kartkę, poprawia strukturę i pozwala w kilka minut wygenerować warianty, których samodzielne opracowanie zajęłoby znacznie dłużej. Problem zaczyna być widoczny dopiero wtedy, gdy zamiast jednego użytkownika obserwujemy stu, tysiąc albo milion osób korzystających z podobnych modeli i podobnych poleceń.
Badacze nazywają to homogenizacją lub spadkiem zbiorowej różnorodności. Nie oznacza ona, że wszystkie teksty stają się identyczne. Bardziej chodzi o stopniowe zawężanie przestrzeni pomysłów: podobne argumenty, podobne metafory, podobne konstrukcje historii, podobne rozwiązania problemów. Każda pojedyncza odpowiedź może wyglądać przyzwoicie. Dopiero po położeniu kilkudziesięciu takich odpowiedzi obok siebie zaczyna być widać wzór.
I właśnie dlatego pytanie nie brzmi już tylko: „Czy AI jest kreatywne?”. Znacznie ważniejsze jest: co dzieje się z różnorodnością ludzkich pomysłów, gdy wszyscy zaczynamy korzystać z podobnych maszyn do ich generowania?
AI może poprawić pomysł jednej osoby, a jednocześnie zubożyć pulę pomysłów całej grupy
Jeden z najczęściej cytowanych eksperymentów dotyczących tego paradoksu został opublikowany w 2024 roku w „Science Advances”. 293 osoby miały napisać krótką, dokładnie ośmiozdaniową historię. Część pracowała bez pomocy AI, część mogła poprosić GPT-4 o jeden pomysł, a część o maksymalnie pięć pomysłów. Następnie teksty oceniało 600 niezależnych czytelników, którzy łącznie wykonali 3519 ocen.
Efekt indywidualny był wyraźny.
Dostęp do jednego pomysłu wygenerowanego przez AI podniósł ocenę nowości historii o 5,4 proc., a dostęp do maksymalnie pięciu pomysłów — o 8,1 proc. W przypadku użyteczności, czyli m.in. tego, czy tekst był odpowiedni, wykonalny i potencjalnie publikowalny, wzrost wyniósł odpowiednio 3,7 proc. i 9 proc.
Najwięcej zyskali uczestnicy, którzy przed rozpoczęciem eksperymentu osiągali słabsze wyniki w teście myślenia dywergencyjnego. Przy dostępie do pięciu propozycji AI ich historie otrzymywały:
- o 10,7 proc. wyższe oceny nowości,
- o 11,5 proc. wyższe oceny użyteczności,
- nawet o 26,6 proc. wyższe oceny jakości pisania,
- o 22,6 proc. wyższe oceny przyjemności z lektury.
To ważna zaleta generatywnego AI. Technologia potrafi zmniejszać różnicę między osobą, której pomysły przychodzą łatwo, a kimś, kto ma problem z rozpoczęciem zadania. W firmie oznacza to, że pracownik bez dużego doświadczenia copywriterskiego może szybciej przygotować sensowną propozycję kampanii. Student może dostać punkt zaczepienia. Mały przedsiębiorca może stworzyć pierwszy wariant tekstu bez zatrudniania zespołu kreatywnego.
Ale eksperyment pokazał drugą stronę tego samego mechanizmu.
Historie osób korzystających z AI były bardziej podobne do innych historii napisanych w tej samej grupie. Wzrost podobieństwa odpowiadał około 10,7 proc. zakresu zróżnicowania obserwowanego w grupie piszącej samodzielnie przy dostępie do jednego pomysłu AI oraz około 8,9 proc. przy dostępie do maksymalnie pięciu. Teksty uczestników wykorzystujących AI były też około 5 proc. bardziej podobne do samych podpowiedzi wygenerowanych przez model.
To klasyczne zakotwiczenie. Pierwsza propozycja nie musi zostać skopiowana, żeby wpłynąć na kierunek myślenia.
Jeszcze mocniejsze dane pojawiły się w badaniu opublikowanym w 2025 roku. Badacze przeanalizowali 2200 esejów rekrutacyjnych w trzech wcześniej zarejestrowanych eksperymentach. Porównywano prawdziwe eseje kandydatów na studia z tekstami tworzonymi przez GPT-4.
Zamiast pytać wyłącznie, czy jeden esej jest oryginalny, badacze mierzyli tempo wzrostu różnorodności: ile nowych treści i znaczeń wnosi każdy kolejny tekst do całej kolekcji.
W trzech eksperymentach teksty ludzi zwiększały zbiorową różnorodność semantyczną około 2–8 razy mocniej niż podstawowe odpowiedzi GPT-4.
W jednym z testów tempo wzrostu różnorodności dla bazowego GPT-4 wynosiło zaledwie około 31 proc. wyniku ludzkiego, a w innym — około 11 proc. Próbowano również bardziej zaawansowanego promptowania oraz modyfikowania sposobu generowania odpowiedzi. Pomagało, ale nie usuwało różnicy. W eksperymencie wykorzystującym bardziej rozbudowane rozumowanie tempo wzrostu różnorodności AI zwiększyło się ponad czterokrotnie względem zwykłej wersji, a mimo tego ludzkie teksty nadal zwiększały zbiorową różnorodność mniej więcej dwa razy szybciej.
Najszerszy obraz daje metaanaliza opublikowana online 31 sierpnia 2026 roku. Objęła 19 badań i 61 wielkości efektu. Autorzy znaleźli niewielki, ale statystycznie istotny efekt homogenizacji związany z używaniem generatywnego AI. W konferencyjnej wersji tej samej analizy podano wartość d = 0,334.
Nie oznacza to „33,4 proc. mniej kreatywności”. Cohenowskie *d* jest standaryzowaną miarą różnicy, a nie procentem. Wynik mówi raczej, że efekt jest stosunkowo mały na poziomie pojedynczego zadania, lecz wystarczająco powtarzalny, aby stał się istotny przy masowym użyciu AI.
I tu zaczyna się problem dla redakcji, agencji reklamowych, działów produktu czy szkół. Niewielkie przesunięcie jednej odpowiedzi nie robi dużego wrażenia. Niewielkie przesunięcie milionów odpowiedzi w tę samą stronę już tak.
Dlaczego modele ciągną pomysły w stronę środka
Model językowy nie „uśrednia” myśli w matematycznym sensie. Generuje kolejne elementy odpowiedzi na podstawie wzorców poznanych podczas treningu oraz instrukcji otrzymanej od użytkownika. Przy ogólnym poleceniu typu „podaj pomysły na kampanię”, „napisz ciekawy artykuł” albo „wymyśl innowacyjny produkt” bezpiecznym kierunkiem są rozwiązania prawdopodobne, rozpoznawalne i łatwe do uzasadnienia.
To właśnie rozwiązania, które często pojawiają się również u innych użytkowników.
W praktyce nakładają się na siebie cztery mechanizmy.
Po pierwsze: wspólny punkt startowy.
Jeśli 30 osób wpisuje do tego samego modelu niemal identyczny prompt, wszystkie zaczynają eksplorację z podobnego miejsca. Człowiek wchodzący na spotkanie kreatywne przynosi własne doświadczenia, zawód, gust, język, historię i skojarzenia. Model używany przez wszystkich jest jednym dodatkowym uczestnikiem spotkania — tyle że każdy konsultuje się właśnie z nim.
Po drugie: zakotwiczenie.
Pomysł przeczytany jako pierwszy wpływa na kolejne rozwiązania nawet wtedy, gdy użytkownik chce być oryginalny. Prośba „podaj mi coś zupełnie innego” nie kasuje tego, co przed chwilą zobaczyliśmy.
Po trzecie: selekcja tego, co brzmi dobrze.
Modele są bardzo sprawne w tworzeniu odpowiedzi uporządkowanych, językowo gładkich i łatwych do zaakceptowania. W pracy to ogromna zaleta, dopóki zadaniem jest napisanie instrukcji albo uporządkowanie materiału. W ideacji może być wadą. Pomysł dziwny, niewygodny i początkowo słabo brzmiący bywa dokładnie tym, z czego po kilku iteracjach powstaje coś nowego. AI chętnie dostarcza wariant rozsądny od razu.
Po czwarte: skala.
Jeżeli wszyscy korzystają z tych samych popularnych modeli, powstaje coś w rodzaju technologicznej monokultury. Nie trzeba uzyskać identycznych odpowiedzi. Wystarczy, że rozkład odpowiedzi zacznie się ścieśniać.
Badania pokazują jednak coś bardzo ważnego: homogenizacja nie jest nieuniknioną właściwością każdej współpracy człowieka z AI.
W eksperymencie opublikowanym w 2026 roku badacze stworzyli 10 wyraźnie różniących się person AI, które wygenerowały łącznie 300 pomysłów na fabuły. Zróżnicowanie perspektyw, stylów myślenia i preferencji zostało wprowadzone celowo jeszcze przed wygenerowaniem materiału dla uczestników.
Efekt? Osoby korzystające z tak przygotowanej puli inspiracji potrafiły zachować zbiorową różnorodność porównywalną z grupą pracującą bez AI, a w jednym wariancie pojawiły się nawet oznaki jej zwiększenia.
To zmienia praktyczny wniosek. Problemem nie musi być samo użycie modelu. Problemem jest używanie jednej konfiguracji, jednego sposobu zadawania pytań i jednego modelu jako uniwersalnego generatora pierwszego pomysłu.
Są też pierwsze dane sugerujące możliwość dłuższego wpływu. W badaniu opublikowanym w 2026 roku przeprowadzono siedmiodniowy eksperyment z 61 studentami, a następnie badania kontrolne po 30 i 60 dniach. W całym eksperymencie zebrano 3593 oryginalne pomysły i 427 rozwiązań w 18 zadaniach kreatywnych.
Podczas korzystania z ChatGPT uczestnicy osiągali lepsze wyniki w części zadań. Po odebraniu dostępu przewaga jednak zniknęła, natomiast część wskaźników podobieństwa treści utrzymywała się także później.
Tego wyniku nie należy rozciągać na całe społeczeństwo. 61 uczestników to za mało, aby ogłosić, że ChatGPT trwale zmienia sposób myślenia ludzi. To jednak wystarczający sygnał, żeby badać nie tylko efekt „z AI”, lecz także zachowanie człowieka po zakończeniu korzystania z narzędzia.
Na dziś mocniejszy jest więc dowód na homogenizację wytwarzanych treści i pomysłów niż na trwałe „uśrednianie ludzkiego mózgu”. Tych dwóch tez nie należy mieszać.
Jak używać generatywnego AI, żeby nie produkować pięciu wersji tego samego pomysłu
Najgorszym workflow dla zadania wymagającego oryginalności jest rozpoczęcie spotkania od: „Najpierw zapytajmy ChatGPT, co proponuje”.
Wtedy model ustawia punkt odniesienia, zanim uczestnicy zdążą zbudować własne. Jeżeli trzeba znaleźć nową nazwę produktu, koncept kampanii, temat reportażu, kierunek wzorniczy albo rozwiązanie problemu produktowego, kolejność powinna być odwrotna.
Najbardziej praktyczny schemat wygląda tak:
- Najpierw człowiek. Każda osoba przez 10–15 minut samodzielnie zapisuje minimum 5 pomysłów. Bez AI i bez podglądania odpowiedzi innych.
- Potem różnicowanie. Zespół grupuje pomysły według mechanizmu, odbiorcy, tonu lub założenia, zamiast od razu wybierać „najlepszy”.
- Dopiero wtedy AI. Model dostaje istniejące kierunki i ma znaleźć luki, kontrargumenty, przeciwne perspektywy oraz warianty spoza dotychczasowej puli.
- AI nie powinno tylko dopisywać kolejnych propozycji. Lepiej zlecić mu role: krytyka, konkurenta, klienta sceptycznego, odbiorcy spoza głównej grupy, specjalisty z innej branży.
- Na końcu wraca człowiek. Ostateczny wybór powinien uwzględniać nie tylko jakość pojedynczego pomysłu, lecz także to, czy nie powiela on kierunku obecnego już w pozostałych propozycjach.
W agencji reklamowej czy dziale marketingu szczególnie ryzykowny jest jeden firmowy „idealny prompt”, którego wszyscy używają do generowania konceptów. Taki standard świetnie sprawdzi się przy streszczeniach, opisach technicznych czy ujednolicaniu komunikacji. Przy pracy kreatywnej standaryzacja promptu może standaryzować również wyniki.
Zamiast jednego polecenia lepiej rozdzielić role. Jedna osoba prosi AI o rozwiązanie maksymalnie konserwatywne, druga o koncept skierowany do niszowej grupy, trzecia o rozwiązanie zakładające minimalny budżet, czwarta o wariant celowo kontrowersyjny, a piąta pracuje bez AI.
Nie chodzi o to, żeby każdą odpowiedź wykorzystać. Chodzi o poszerzenie przestrzeni poszukiwania.
Podobna zasada ma sens w edukacji. Jeśli cała klasa rozpoczyna zadanie od pytania modelu o trzy pomysły na rozprawkę, nauczyciel może dostać kilkadziesiąt poprawnych prac zbudowanych wokół kilku podobnych osi argumentacji. Znacznie rozsądniejsza procedura to obowiązkowy własny szkic przed uruchomieniem narzędzia, a następnie wykorzystanie AI do:
- znalezienia kontrargumentu,
- sprawdzenia luk logicznych,
- zaproponowania odmiennej interpretacji,
- krytyki istniejącego pomysłu,
- wskazania przykładu podważającego tezę.
W redakcji zasada jest jeszcze prostsza: AI może pomagać w obróbce materiału, ale nie powinno automatycznie ustalać kąta każdego tekstu. Jeśli dziesięciu autorów rozpoczyna research od pytania „jakie są najważniejsze aspekty tego tematu?”, istnieje duża szansa, że każdy otrzyma podobną hierarchię problemów. Oryginalność znika zanim powstanie pierwszy akapit.
Pomaga także prosty audyt przed zatwierdzeniem pomysłów. Nie potrzeba do tego analizy embeddingów ani specjalistycznego oprogramowania. Wystarczy przy pięciu finalnych propozycjach sprawdzić cztery elementy:
- czy rozwiązują problem tym samym mechanizmem,
- czy celują w ten sam typ odbiorcy,
- czy wykorzystują podobną metaforę lub narrację,
- czy prowadzą do tego samego efektu końcowego, tylko innymi słowami.
Jeżeli trzy lub cztery odpowiedzi różnią się głównie stylistycznie, zespół nie ma czterech pomysłów. Ma jeden pomysł w czterech opakowaniach.
Są też zadania, w których uśrednienie wcale nie jest wadą. Przy tworzeniu procedury bezpieczeństwa, instrukcji obsługi, standardowej odpowiedzi dla klienta, streszczenia regulaminu czy formatowaniu dokumentacji przewidywalność i spójność są zaletą. Nie ma sensu wymuszać kreatywności tam, gdzie potrzebna jest zgodność.
Granica decyzyjna jest więc prosta:
jeżeli celem jest poprawność, szybkość i standaryzacja — AI można dopuścić bardzo wcześnie; jeżeli przewagę daje odmienność, innowacja albo własny punkt widzenia — pierwszy etap powinien pozostać ludzki.
W Polsce dochodzi jeszcze kwestia regulacyjna. Od 2 sierpnia 2026 roku stosuje się unijne obowiązki przejrzystości z art. 50 AI Act dotyczące określonych zastosowań systemów AI i treści syntetycznych. Obejmują one m.in. przypadki publikowania tekstów wygenerowanych lub zmodyfikowanych przez AI w sprawach interesu publicznego bez ludzkiej kontroli redakcyjnej. To jednak regulacja przejrzystości, nie różnorodności intelektualnej. Oznaczenie tekstu jako stworzonego przy użyciu AI nie sprawi, że będzie on mniej schematyczny.
Tę część trzeba rozwiązać we własnym procesie pracy.
FAQ: generatywne AI a różnorodność myślenia
Czy ChatGPT rzeczywiście obniża kreatywność?
Nie w prostym znaczeniu. Badania pokazują, że AI może zwiększać ocenianą kreatywność pojedynczego tekstu, szczególnie u osób osiągających słabsze wyniki bez wsparcia. Jednocześnie treści wielu użytkowników mogą stawać się bardziej podobne. Kreatywność jednostki i różnorodność grupy to dwa różne wskaźniki.
Czy wystarczy poprosić AI o „bardziej oryginalne pomysły”?
Nie. Eksperymenty z modyfikacją promptów i sposobu generowania zwiększały różnorodność, ale nie zawsze likwidowały różnicę względem treści tworzonych przez ludzi. Skuteczniejsza jest zmiana całego procesu: różne punkty startowe, różne role i własna ideacja przed uruchomieniem AI.
Czy korzystanie z kilku modeli zamiast jednego rozwiązuje problem?
Może zmniejszyć ryzyko monokultury, ale niczego nie gwarantuje. Modele mogą korzystać z częściowo podobnych danych, preferować podobne konwencje i reagować podobnie na ogólne polecenia. Większą różnicę robi zróżnicowanie perspektyw i kolejności pracy, a nie samo przełączanie nazw aplikacji.
Czy istnieją dowody, że AI trwale zmienia sposób myślenia użytkowników?
Dowody są na razie znacznie silniejsze dla podobieństwa gotowych treści niż dla trwałej zmiany procesów poznawczych. Pojawiły się badania z efektami utrzymującymi się po zakończeniu korzystania z AI, ale ich skala nie pozwala jeszcze twierdzić, że generatywne AI trwale „uśrednia mózg”.
Czy firma powinna ograniczać AI w pracy kreatywnej?
Nie przez prosty zakaz. Lepiej ograniczyć moment wejścia AI do procesu. W zadaniach wymagających wyróżnienia produktu, marki lub pomysłu najpierw powinny powstać niezależne koncepcje ludzkie. AI warto uruchamiać później — jako krytyka, generator kontrprzykładów i narzędzie do eksplorowania pominiętych kierunków.
Od czego zacząć, jeśli zespół już używa AI niemal do wszystkiego?
Od jednego testu: przy następnym zadaniu kreatywnym przygotujcie pierwszą rundę pomysłów całkowicie bez AI, zachowajcie ją, a dopiero potem uruchomcie model. Porównajcie nie tylko jakość, lecz również liczbę rzeczywiście różnych kierunków. Jeśli po użyciu AI propozycje stają się gładsze, ale zbiegają się do dwóch lub trzech podobnych schematów, problemem nie jest brak lepszego promptu. Trzeba zmienić kolejność pracy.
