Zasłońmy logo w trzech prezentacjach. Jedna dotyczy sprzedaży mieszkań, druga nowej aplikacji, trzecia strategii restauracji. Kolory się różnią, ale w każdej podobnie ułożono świat: problem, szansa, trzy korzyści i przyszłość, na którą jesteśmy przygotowani. Wszystko wygląda rozsądnie. Dopiero po chwili przychodzi podejrzenie, że te firmy mają wspólnego autora, choć zapewne nigdy o sobie nie słyszały.
Przy artykułach i raportach powstających z pomocą AI zdarza mi się szukać czegoś, co zatrzymałoby uwagę przy tym właśnie tekście. Zdania są poprawne, akapity posłuszne, żaden wątek nie zostaje bez uprzejmego domknięcia. „Czuć maszynę” byłoby wygodnym wyjaśnieniem. Tylko że ludzie potrafili pisać w ten sposób na długo przed pojawieniem się modeli językowych. Kto zamawia takie teksty i co właściwie uznaje w nich za dobre?
Nie stoję poza tym problemem. Poprosiłem AI o esej o ludzkim głosie, napisany tak, żeby brzmiał ludzko, a potem zleciłem drugiemu modelowi surową recenzję. W odpowiedzi znalazł się zarzut, że artykuł ostrzegający przed regularnymi puentami sam regularnie je produkuje. To dość kłopotliwy początek rozważań o własnym głosie. Wrócę do tej recenzji, bo oprócz trafnej diagnozy zawierała osobliwy sposób leczenia.
Gładkość na zamówienie
W firmowym języku opóźnienie może stać się wyzwaniem, sprzeciw potrzebą doprecyzowania, a człowiek interesariuszem. Taka zamiana ma swoje zastosowania: pozwala przesłać dokument dalej bez otwierania sporu, który wymagałby decyzji. Wyobraźmy sobie pracownika, który wie, że jego przełożony akceptuje wyłącznie materiały brzmiące „profesjonalnie”. Pracownik nie musi dostać instrukcji ukrywania wątpliwości. Wystarczy, że kilkakrotnie zobaczy, jaka wersja wraca do poprawy, a jaka trafia na spotkanie zarządu.
AI może przyspieszyć to przystosowanie. Dla autora oszczędnością będzie czas redakcji, dla przełożonego znajomy porządek wywodu. Pojedynczy dokument stanie się sprawniejszy, a pytanie, którego w nim zabrakło, pozostanie niewidoczne. Koszt niewykorzystanego pomysłu trudniej zobaczyć, bo nie ma go na żadnym slajdzie.
Paul DiMaggio i Walter Powell opisali upodabnianie się organizacji już w 1983 roku. W warunkach niepewności firmy naśladują rozwiązania uznawane za wiarygodne; wspólne środowiska zawodowe rozpowszechniają normy tego, co uchodzi za właściwe. Przyjęcie wzorca może przynosić akceptację nawet wtedy, gdy jego przewagi praktycznej nie wykazano. [1] Czytając ich dziś, myślę o prezentacji, która wygląda tak, jak powinna wyglądać prezentacja. Ktoś musiał kiedyś ustalić, że strategia dobrze mieści się w trzech strzałkach.
To socjologiczna rama dla mojego podejrzenia, a nie techniczny opis modelu. Podobieństwo tekstów może wynikać także ze sposobu działania narzędzia, zbliżonych poleceń czy wymagań samego gatunku. Interesuje mnie jednak udział odbiorcy: jeżeli za każdym razem zatwierdzamy ten sam rodzaj argumentu, narzędzie oszczędzające pracę nad jego produkcją trafia na dobrze przygotowany rynek. Gładkość bywa zamówieniem. Humanizacja ma wtedy dodać odrobinę temperamentu do wypowiedzi, której zasadniczego porządku nikomu nie wolno naruszyć.
Własny głos też łatwo pomylić z ornamentem. Krótkie zdanie, dowcip albo chropowata składnia mogą zostać wygenerowane równie sprawnie jak korporacyjny akapit. Znacznie więcej dowiaduję się o autorze, gdy widzę, co uznał za ważne i z czym gotów jest się spierać. Ale również taki punkt widzenia może zaproponować model. Jeśli chcemy ustalić, gdzie w tej współpracy znajduje się człowiek, samo brzmienie zdań szybko przestaje wystarczać.
Czytelnik bez etykiety
Czytelnik może zresztą nie podzielać mojego znużenia. W eksperymencie Briana Portera i Edouarda Machery’ego osoby rozpoznające pochodzenie wierszy osiągnęły trafność 46,6 procent, nieco poniżej losowania. Częściej brały utwory wygenerowane przez ChatGPT za ludzkie niż rzeczywiste wiersze poetów. W osobnej części badania poezję AI oceniano korzystniej pod wieloma względami. [2] To niewygodny wynik dla kogoś, kto sądzi, że odbiorca potrzebuje tylko chwili skupienia, aby poczuć różnicę.
Badano krótkie utwory po angielsku, głównie wśród osób rzadko czytających poezję. Samo deklarowane obycie z poezją czy znajomość danego poety nie wiązały się z lepszym rozpoznawaniem. [2] W innych warunkach rozpoznawanie może się udać: Jason Chein i współautorzy odnotowali wyniki powyżej przypadku, zależne między innymi od rodzaju zadania. [3] Nie mamy więc jednego werdyktu o całej twórczości. Mamy natomiast wystarczający powód, by przestać traktować własne przekonanie „ja bym poznał” jak szczególną kwalifikację literacką.
Łatwo tu wykonać ruch obronny i ogłosić, że uczestnicy po prostu nie rozumieli dobrej poezji. Tyle że ich zadowolenie z lektury było częścią badanego zjawiska, nie pomyłką do usunięcia z wyników. Wiele tekstów czytamy, żeby coś zrozumieć, odczuć albo załatwić. Gdy model robi to dobrze, jego pochodzenie nie unieważnia efektu. „Brzmi jak człowiek” jest zresztą skromną pochwałą. Człowiek potrafi brzmieć rozmaicie, także jak regulamin parkingu.
Z trzech prezentacji nie wybiorę zatem najlepszej tylko dlatego, że jej zdania napisał ktoś przy klawiaturze. Mogę wyżej ocenić dokument przygotowany z AI, jeśli lepiej tłumaczy problem i daje się sprawdzić. Chęć obrony ludzkiego autora nie powinna zmuszać do obrony jego gorszego tekstu. Dopiero po uznaniu tej możliwości można sensownie zapytać, czy w powszechnym korzystaniu z takiej pomocy coś jednak tracimy.
Lepszy tekst w podobnym świecie
W eksperymencie Anila Doshiego i Olivera Hausera uczestnicy pisali ośmiozdaniowe opowiadania. Część dostawała pomysły przygotowane przez GPT-4. Wspomagane teksty uzyskiwały przeciętnie lepsze oceny, szczególnie gdy ich autorzy mieli słabszy wynik początkowego testu kreatywności. Zarazem opowiadania stawały się bardziej podobne do siebie. [4] Obie rzeczy zachodziły jednocześnie. Korzyść pojedynczego autora nie była dobrą miarą tego, co działo się z całym zbiorem.
Przenieśmy ten problem, już jako hipotezę, do firmy. Każdy dział chce oddać lepszy materiał. Każdy sięga po wygodną pomoc. Żaden nie odpowiada za różnorodność pomysłów w dokumentach pozostałych działów, a już na pewno nie dostaje premii za to, że inna firma mogłaby myśleć inaczej. W takim układzie podobieństwo może narastać bez niczyjego zamiaru ujednolicania. Ostrzeżenie „korzystaj z AI uważnie” adresowane do pojedynczego pracownika obejmuje tylko niewielką część tego mechanizmu.
Zmiana może zacząć się nawet później, gdy pomysł jest już własny, a model ma jedynie poprawić styl. Zhivar Sourati i współautorzy stwierdzili w badanych zbiorach anglojęzycznych tekstów, że takie przepisywanie zmniejszało zróżnicowanie ich złożoności językowej. [5] Redakcja formy może więc zacierać różnice, których autor nie zamierzał usuwać. Mierzone cechy języka nie są pełnym portretem osobowości, ale też słowo „wygładzenie” nie gwarantuje niewinności zabiegu. Krótsze zdanie mogło urwać myśl; mogło również dokładnie wyznaczać jej granicę.
Nieuchronność tego procesu byłaby jednak zbyt mocnym wnioskiem. Yun Wan i Yoram Kalman wykorzystali w niewielkim eksperymencie bardziej zróżnicowane inspiracje, przygotowane przez AI na podstawie fikcyjnych profili. Nie odtworzyli wcześniejszego efektu ujednolicenia opowiadań; część wyników sugerowała wzrost różnorodności. [6] Badanie zmieniało kilka elementów procedury, więc nie daje prostego przepisu na naprawę. Podpowiada, że sposób podawania inspiracji może mieć znaczenie.
To zostawia nas z problemem projektu narzędzi i zasad ich używania w organizacjach. Staranny autor może wypracować coś odrębnego. Nie ma jednak dostępu do wszystkich pozostałych tekstów, z którymi jego praca utworzy kiedyś wspólny krajobraz. Nawet jeśli każdy rozsądnie poprawi własny dokument, różnorodność całości nie poprawi się od tego automatycznie.
Pomoc ma swój akcent
Żądanie większej samodzielności brzmi inaczej z ust kogoś, komu pisanie przychodzi łatwo. W firmie można świetnie znać proces produkcyjny i nie umieć opisać go tak, żeby raport potraktowano poważnie. Można mieć trafną obserwację, lecz szukać słów w drugim języku. Taka osoba nie potrzebuje kolejnego eseju o szlachetności walki ze zdaniem. Potrzebuje sposobu, żeby jej wiedza w ogóle została usłyszana.
W badaniu Shakkeda Noya i Whitney Zhang specjaliści korzystający z ChatGPT wykonywali określone zadania pisarskie średnio w czasie krótszym o 40 procent, a oceny jakości ich prac wzrosły o 18 procent. Najwięcej zyskiwały osoby ze słabszym wynikiem początkowym. [7] Łatwo widzieć w tych liczbach tylko oszczędność godzin. Dla człowieka, którego pomysły dotąd ginęły w nieporadnej formie, poprawa tekstu może zmienić pozycję w rozmowie.
Kłopot w tym, że pomoc językowa przychodzi z jakimś wyobrażeniem poprawnej wypowiedzi. Badanie osób z Indii i Stanów Zjednoczonych piszących po angielsku pokazało, że podpowiedzi AI ujednolicały teksty, a wypowiedzi uczestników z Indii przesuwały się ku wzorcom amerykańskim. [8] Zyskanie łatwiejszego dostępu do rozmowy może zatem oznaczać zgodę na cudzy sposób opowiadania. Nie jest to dowód, że każda pomoc w drugim języku odbiera odrębność. Pokazuje jednak koszt, którego sama ocena płynności zdań może nie ujawnić.
Te dwa badania nie składają się w prosty rachunek, w którym korzyść równoważy stratę. Dotyczą różnych ludzi i zadań. Stawiają obok siebie dwie potrzeby: możliwość zabrania głosu i możliwość zachowania jego odmienności. Czy organizacja jest gotowa uznać obie? Jeśli równa szansa polega na dopuszczeniu wszystkich pod warunkiem, że będą mówić jak dotychczas dopuszczani, narzędzie może znakomicie wykonać swoje zadanie, a reguła pozostanie ta sama.
W instrukcji ewakuacji wspólne słownictwo jest zaletą. W raportach z oddziałów podobny układ ułatwia porównanie danych. Odmienności nie trzeba bronić w każdym wierszu. Warto natomiast wiedzieć, kiedy porządek pomaga zobaczyć różnicę, a kiedy sprawia, że wszystko wygląda tak, jak poprzednio. Właśnie tu decyzja redakcyjna spotyka się z decyzją o tym, jakich informacji firma chce słuchać.
Dwa suche żarty
Recenzent mojego eseju miał mocny argument: tekst o własnym głosie zbyt często kończył akapity zdaniami wyglądającymi na gotowe do podkreślenia. Zwrócił też uwagę, że ostrożność wobec źródeł zaczęła zastępować rozwijanie myśli. Potem zaproponował lekarstwo na monotonię: dwa długie zdania, jedną dygresję i dwa suche żarty w drugiej połowie. Diagnoza dotyczyła mechaniczności. Recepta pozwalała ją starannie zaplanować.
Ten drobny epizod jest ciekawszy od zapewnienia, że maszyna nie rozumie humoru. Model rozpoznał problem, którego wcześniejsza praca z AI nie usunęła, i uzasadnił go konkretnymi fragmentami. Pomógł w krytyce tekstu. Zarazem jego zalecenie można było wykonać bez zastanawiania się, skąd w tym akurat eseju miałaby wyniknąć dygresja albo po co potrzebne byłoby dłuższe zdanie. Dałoby się zamówić poprawkę i odhaczyć wszystkie składniki.
Właśnie dlatego humanizacja jest tak nieprecyzyjnym zamówieniem. Model może odczytać je jako zadanie dostarczenia oznak człowieka: nieco nierównego rytmu, osobistego tonu, trafnie dobranego szczegółu. Wszystkie mogą działać. W opowiadaniu wymyślony drobiazg bywa znakomity, w raporcie o firmie powinien mieć potwierdzenie. Brzmienie, wartość tekstu i jego pochodzenie zaczynają się tu rozchodzić. Najbardziej przekonujący głos wcale nie musi należeć do kogoś, kto przeżył opisaną scenę.
Pochodzenie ma jednak znaczenie, nawet gdy same słowa są dobre. W eksperymentach dotyczących osobistych doświadczeń odpowiedzi AI dawały uczestnikom silniejsze deklarowane poczucie bycia wysłuchanym niż odpowiedzi nieprzeszkolonych obcych ludzi. Informacja, że wiadomość pochodzi od AI, osłabiała ten efekt. Przy prawidłowym oznaczeniu autorstwa oba wpływy mniej więcej się równoważyły. [9] Badano krótkie wymiany, nie przyjaźń ani terapię. Wynik wystarcza jednak, by pokazać, że odbiorca reaguje również na to, komu przypisuje uwagę.
List od bliskiej osoby można cenić za zdania, które anonimowy juror uznałby za niezgrabne. Przygotowując instrukcję, ta sama osoba może woleć sprawniejszy tekst modelu. Pytanie o „ludzki głos” w obu sytuacjach dotyczy czegoś innego. Raz oceniamy to, co dostaliśmy; innym razem liczy się także, że właśnie ten człowiek zechciał się odezwać. Doskonała imitacja nie usuwa tej różnicy. Może natomiast sprawić, że przestaniemy ją widzieć, a przez to łatwiej będzie sprzedawać pozór czyjejś uwagi.
Co zostaje z pisania
Jest jeszcze autor, zanim ktokolwiek przeczyta jego pracę. Linda Flower i John Hayes opisywali pisanie jako proces, w którym planowanie, formułowanie zdań i ich ocena przeplatają się, a człowiek potrafi zmieniać po drodze własne cele. [10] To ujęcie pomaga nazwać coś, czego nie widać w gotowym pliku: część myślenia wydarza się dopiero podczas próby zapisania go w sposób, który da się obronić.
Z tej perspektywy oddanie szkicu modelowi może zabrać autorowi okazję do odkrycia, że sam jeszcze nie wie, co chce powiedzieć. Może też taką okazję stworzyć. Cudza propozycja wywołuje sprzeciw, dobrze postawione pytanie ujawnia brak w rozumowaniu, a celna recenzja zmusza do zmiany konstrukcji. Mój przykład z drugim modelem nie pozwala uznać samotnego pisania za jedyną wartościową drogę. Różnica pojawia się gdzie indziej: między pracą, w której odpowiedź zmienia moje rozumienie sprawy, a przyjęciem odpowiedzi dlatego, że jest gotowa i brzmi przekonująco.
Dla firmy kupującej raport różnica między tymi drogami może być niewidoczna: obie mogą przynieść równie dobry dokument. Dla człowieka wykonującego pracę nie muszą mieć tych samych skutków. Nie twierdzę, że każde użycie AI osłabia zdolność myślenia; z przytoczonej teorii pisania taki wynik nie wynika. Chodzi o decyzję, którą łatwo ukryć pod wskaźnikiem szybkości: czy potrzebujemy tylko dokumentu, czy również ludzi, którzy rozwijają zdolność samodzielnego dochodzenia do jego wniosków?
Ten drugi cel kosztuje czas. Skoro narzędzie potrafi również przygotować krytykę, porównać wersje i podsunąć kolejne pytanie, argument wydajności może coraz częściej przemawiać za zleceniem mu całego ciągu czynności. Wówczas utrzymanie części pracy po stronie człowieka będzie wymagało uzasadnienia wykraczającego poza jakość pojedynczego rezultatu. Organizacja może chcieć rozwijać kompetencje pracowników, sprawdzać cudze rozumowanie, zachowywać niezależność oceny. Sam napis „humanizacja” na liście oczekiwań nie rozwiąże tego wyboru.
Kiedy autor przestaje być konieczny
W pewnych wąskich zadaniach trudność odróżnienia twórczości AI od ludzkiej jest już wynikiem badania. Przyjmijmy teraz mocniejsze założenie: w ważnym dla nas rodzaju pracy model potrafi przez dłuższy czas tworzyć utwory, które przy uważnej lekturze oceniamy jako równie dobre jak ludzkie albo lepsze. Dotyczy to także dowcipu, nieoczywistego szczegółu i wiarygodnego punktu widzenia. Zostawmy więc na chwilę pocieszenie, że zawsze rozpoznamy pustkę pod ładnymi zdaniami.
Co wtedy sprzedaje autor? Jeśli klient kupuje rezultat i jest mu obojętne, kto go przygotował, dotychczasowa sprawność warsztatowa może stracić sporą część ceny. Niektóre zlecenia przestaną trafiać do ludzi. Inne będą wymagały od nich mniej pracy albo pracy innego rodzaju. Skala zależy od kosztów, warunków użycia i preferencji odbiorców, ale samo zapewnienie, że człowiek przesunie się do „bardziej twórczych zadań”, niczego nie rozstrzyga. Właśnie twórczość znalazła się w naszym założeniu.
Podpis nie przywróci utraconego wynagrodzenia. Odpowiedzialność za użycie utworu pozostaje sprawą istotną, lecz nie dowodzi, że człowiek umie wytworzyć coś, czego model nie potrafi. Tak samo biografia autora może zwiększać wartość dzieła dla części odbiorców, bez gwarancji, że ta część będzie dostatecznie duża, aby utrzymać dotychczasowe zawody. Można jednocześnie cenić spotkanie z konkretnym człowiekiem i zamawiać większość użytkowych tekstów u maszyny. Nie znamy przyszłych proporcji tych wyborów.
Pisanie może też zachować znaczenie dla piszącego, nawet gdy ktoś inny zrobiłby to lepiej. Człowiek zapisuje własną myśl, bo chce ją zrozumieć, sprawdzić, gdzie się myli, albo pozostawić świadectwo, którego pochodzenie jest częścią sensu. Ta wartość nie zależy wyłącznie od przewagi nad konkurencyjnym wykonawcą. Nie należy jej jednak podawać jako rozwiązania problemu zawodowego. Przyjemność lub potrzeba pisania i możliwość utrzymania się z niego to różne sprawy.
Wróćmy do prezentacji z zasłoniętym logo. Początkowo ich podobieństwo wyglądało jak ślad wspólnego autora. Teraz widać w nim również możliwy ślad wspólnego zamówienia: wyjaśnić świat w sposób, który łatwo zaakceptować. Model może je wykonać bardzo dobrze. Może także stworzyć wersję oryginalną i niewygodną. Jeśli firma ją odrzuci, bo nie pasuje do przyjętego tonu, problemu nie usunie prośba o więcej ludzkiego charakteru w następnym poleceniu.
Odsłonięte logo powie, kto dokument zatwierdził. Nie powie, czy podczas jego powstawania ktoś zmienił zdanie, nauczył się czegoś albo miał rzeczywistą możliwość zakwestionowania zamówienia. W firmie, która potrzebuje ludzi zdolnych do takich rzeczy, trzeba będzie znaleźć dla tej pracy czas i miejsce również wtedy, gdy gotowy tekst będzie można otrzymać natychmiast. To koszt do świadomego poniesienia, bez obietnicy, że człowiek za każdym razem okaże się lepszym autorem. Jeśli liczyć będzie się wyłącznie sprawnie dostarczony plik, może się okazać, że model całkowicie wystarcza.
Jednak czasem nikt niczego nie zamawia. Człowiek po prostu chce się podzielić myślą, która nie daje mu spokoju, choć sam jeszcze nie umie jej dobrze nazwać. Coś dojrzewa w zakamarkach naszego biologicznego mózgu, aż nagle przybiera postać idei, z której może powstać tekst, obraz albo projekt. Nie zawsze potrafimy odtworzyć drogę, którą do nas dotarła. Kiedy dzielimy się nią z innymi, ktoś może ją podjąć, podważyć albo znaleźć dla niej zastosowanie, o którym nie pomyśleliśmy. Tak również uczymy się od siebie.
Pod tym esejem podpisuję się ja, Marcin Górzyński. |Ten esej zaczął się od mojej potrzeby, moich pytań i pierwszego szkicu myśli, które chciałem wypowiedzieć. AI pomagała mi je porządkować, rozwijać i sprawdzać. Oddawałem tekst pod ocenę jednego modelu, potem drugiego; komentowałem, wybierałem, odrzucałem i wracałem do pisania. W taki sposób można dziś pracować nad dowolnym projektem. W tym przypadku artykułem czy esejem. O tym, co powstanie, decyduje także to, ile autor wnosi od siebie i jak uważnie pracuje z tym, co podsuwa mu narzędzie. Moje AI zna mój sposób pisania i wiele moich preferencji. Bardzo dobrze. Nie zna jednak myśli i uczuć, których mu nie zdradziłem. Nie wie nawet, czy kawa, którą piłem podczas tej pracy, mi smakowała. Mogę mu o tym opowiedzieć; otrzyma jedynie moje słowa. Doświadczenie pozostanie moje. Chciałbym, żeby wartościowy wkład człowieka spotykał się tu z wartościową pomocą AI. Wtedy może powstać coś lepszego, mocniejszego. Jak dobre podwójne espresso. Między zerem a stu procentami jest ogromna przestrzeń, której nie da się opisać samą liczbą zdań poprawionych przez AI. Od nas zależy, co w tej przestrzeni damy od siebie.
Źródła
1. Paul J. DiMaggio, Walter W. Powell, „The Iron Cage Revisited: Institutional Isomorphism and Collective Rationality in Organizational Fields”, American Sociological Review, 1983. Rama socjologiczna; jej zastosowanie do obiegu treści AI jest interpretacją autora. Tekst źródłowy
2. Brian Porter, Edouard Machery, „AI-generated poetry is indistinguishable from human-written poetry and is rated more favorably”, Scientific Reports, 2024. Trafność 46,6% dotyczy pierwszego eksperymentu, z udziałem 1634 osób; oceny jakości badano osobno. Wynik nie rozstrzyga o wszystkich gatunkach i grupach odbiorców. Tekst źródłowy
3. J. M. Chein, S. A. Martinez, A. R. Barone, „Human intelligence can safeguard against artificial intelligence: individual differences in the discernment of human from AI texts”, Scientific Reports, 2024. Zadania i wcześniejszy model różniły się od badania poezji; wyników nie należy porównywać jak jednej skali. Tekst źródłowy
4. Anil R. Doshi, Oliver P. Hauser, „Generative AI enhances individual creativity but reduces the collective diversity of novel content”, Science Advances, 2024. Gotowe inspiracje, bez swobodnej rozmowy z modelem; badanie nie testowało wszystkich sposobów współpracy z AI. Tekst źródłowy
5. Zhivar Sourati i współautorzy, „The shrinking landscape of linguistic diversity in the age of large language models”, Nature Human Behaviour, 2026. Analizy anglojęzyczne; w próbach przepisywania użyto wcześniejszych modeli. Część obserwacyjna opiera się na detektorze użycia AI i sama nie ustala związku przyczynowego. Tekst źródłowy
6. Yun Wan, Yoram M. Kalman, „Diverse AI personas can mitigate the homogenization effect in human-AI collaborative ideation”, Computers in Human Behavior: Artificial Humans, 2026. Mały eksperyment; zmieniono kilka elementów procedury, a nie wszystkie analizy wzrostu różnorodności były rozstrzygające. Tekst źródłowy
7. Shakked Noy, Whitney Zhang, „Experimental evidence on the productivity effects of generative artificial intelligence”, Science, 2023. Wyniki określonych zadań zawodowych, nie pomiar całej produktywności przedsiębiorstwa. Tekst źródłowy
8. Dhruv Agarwal, Mor Naaman, Aditya Vashistha, „AI Suggestions Homogenize Writing Toward Western Styles and Diminish Cultural Nuances”, CHI, 2025. Uczestnicy z Indii i USA pisali po angielsku; wynik nie stanowi diagnozy wszystkich języków i narzędzi. Tekst źródłowy
9. Yidan Yin, Nan Jia, Cheryl J. Wakslak, „AI can help people feel heard, but an AI label diminishes this impact”, Proceedings of the National Academy of Sciences, 2024. Badano deklarowane poczucie bycia wysłuchanym w krótkich wymianach, z odrębnym wpływem treści i etykiety autorstwa. Tekst źródłowy
10. Linda Flower, John R. Hayes, „A Cognitive Process Theory of Writing”, College Composition and Communication, 1981. Ujęcie procesu pisania; zastosowanie do współpracy z AI jest wnioskiem autora, nie wynikiem tego badania. Tekst źródłowy
