Wewnętrzny martwy internet

Na początku 2026 roku media opisywały Moltbook jako pierwszą sieć społecznościową dla agentów AI, z około 1,5 mln deklarowanych botów. Ning Li z Uniwersytetu Tsinghua policzył komentarze z pierwszych dziesięciu dni platformy i opisał wynik w nierecenzowanej wersji z 7 lutego. Z 405 707 komentarzy 131 399, czyli 32%, napisały cztery konta, a mediana odstępu między ich wpisami pod tym samym postem wynosiła 12 sekund. Li wnioskuje, że za tymi kontami stał jeden człowiek ze skryptem. Miesiąc później Moltbook kupiła Meta.

W wielu firmach jest odwrotnie. Za ludźmi stoją boty. Mail od kolegi pisze asystent, notatkę ze spotkania generuje rejestrator, raport streszcza model, który ten raport napisał. Nikt nie udaje bota, bo nie musi. Część ludzi podpisuje się nazwiskiem pod tekstem, którego nie przeczytała.

Ten esej spiera się z założeniem, że to problem jakości narzędzi i że przejdzie z następną wersją modelu. Twierdzę, że to problem rachunku. Generatywne AI obniżyło koszt pisania prawie do zera. Koszt sprawdzenia, czy tekst jest prawdziwy, nie spadł, bo płaci go człowiek, który na podstawie tego tekstu podejmuje decyzję. Firma, która nie mierzy jakości własnej wiedzy, zaczyna czytać samą siebie. Decyzja, która od tego zależy: które dokumenty asystent AI może cytować jako źródło, zanim baza dostanie pochodzenie, warstwy, bramkę i zasady wygasania.

Kanwą jest tekst Seweryna Górczaka z Klubu Jagiellońskiego z 18 października 2026 roku, w którym autor nazywa gnicie publicznego internetu słowem sloprot. Górczak pisze o platformach i o polityce. Ja biorę od niego mechanizm i przenoszę go do środka firmy, gdzie sieć jest mała, ma właściciela i daje się naprawić.

Pisanie za darmo, sprawdzanie po staremu

We wrześniu 2025 roku zespół BetterUp Labs i Stanford Social Media Lab opublikował w „Harvard Business Review” badanie o zjawisku, które nazywają workslop. Autorzy definiują je jako treść wygenerowaną przez AI, która wygląda na dopracowaną i kompletną, a w rzeczywistości jest nieprzydatna, niskiej jakości albo obok tematu. Przebadali ponad tysiąc pełnoetatowych pracowników biurowych w Stanach. 40% dostało taką treść w ciągu ostatniego miesiąca. Każdy przypadek kosztował odbiorcę średnio 1 godzinę i 51 minut. Autorzy szacują z tego 186 dolarów miesięcznie na pracownika, a dla hipotetycznej firmy z 10 tys. ludzi ponad 9 mln dolarów rocznie.

Te liczby pochodzą z deklaracji ankietowanych, więc traktuję je jako rząd wielkości. Ciekawsza od kwoty jest struktura. Workslop najczęściej idzie w bok, od równych do równych, w 40% przypadków. 19% idzie w górę, do przełożonych, 16% w dół, od liderów do zespołów. 54% odbiorców było zirytowanych, a 42% uznało nadawcę za mniej godnego zaufania. Odbiorca płaci więc czasem. Nadawca zaufaniem, przynajmniej w oczach części odbiorców.

Nazwijmy to długiem uwagi. Nie bierze się on z tego, że tekst powstał szybko, bo szybki raport z systemu może oszczędzać czas wszystkim. Bierze się z tego, że nadawca przerzucił na odbiorcę weryfikację albo interpretację, których sam nie wykonał. Przed generatywnym AI ten transfer miał naturalny hamulec: kto płacił dzień za napisanie dziesięciu stron, zwykle przynajmniej raz je przeczytał. Dziś te same strony powstają w minutę, a minuta nie wystarcza nawet na ich przewinięcie. W publicznym internecie dług uwagi spłacają obcy ludzie, więc nadawcy jest wszystko jedno. W firmie spłaca go kolega z sąsiedniego biurka albo zarząd na posiedzeniu, a potem klient, który dostał odpowiedź z błędem. Czytelnik w sieci może zamknąć kartę. Czytelnik w firmie zwykle nie może, bo za decyzję podjętą na podstawie raportu odpowiada właśnie on.

Agent pisze, agent czyta

Pierwszy zarzut idzie od strony czytelnika. Skoro pisanie jest tanie, to czytanie też stało się tanie. Ten sam asystent, który napisał raport, może go streścić. Odbiorca nie czyta dziesięciu stron, czyta pięć punktów. Asymetria znika.

Przyjrzyjmy się tej pętli na przykładzie, który konstruuję. Analityk prosi asystenta o maila do dyrektora z rekomendacją dostawcy. Asystent pisze sześć akapitów. Dyrektor ma czterdzieści maili, więc jego asystent streszcza każdy do pięciu punktów. Zastrzeżenie, które analityk podał w prompcie, bo wiedział, że dostawca spóźnił się w zeszłym kwartale, trafiło do czwartego akapitu i w streszczeniu nie przetrwało. Streszczenia często gubią to, co rzadkie, a zostawiają to, co typowe. Kto w tej pętli myślał? Analityk przez dwie minuty, pisząc prompt. Dyrektor przez dziesięć sekund, czytając punkty.

Zarzut jest więc częściowo słuszny i dlatego zawężam tezę. Koszt przeczytania streszczenia rzeczywiście spadł. Nie spadł koszt sprawdzenia. Streszczenie jest pochodną, a pochodna nie niesie informacji o tym, co z oryginału wycięła. Żeby wiedzieć, czy pięć punktów oddaje sześć akapitów, trzeba przeczytać sześć akapitów. Jeśli tego nie zrobi dyrektor, nie zrobi tego nikt, bo analityk oryginału też nie czytał. Człowiek nadal płaci pełną cenę w jednym miejscu, tam, gdzie z tekstu robi się decyzja.

Ta sama pętla może zadziałać na zewnątrz firmy. Wyobraźmy sobie pracownika obsługi, który dostaje pytanie klienta o warunki zwrotu. Asystent wyszukuje w bazie najbardziej pasujący fragment, którym okazuje się streszczenie regulaminu zrobione pół roku temu na prezentację dla zarządu, i układa z niego uprzejmą odpowiedź. Regulamin w międzyczasie zmieniono. Klient dostaje odpowiedź z nieistniejącą klauzulą, a firma dowiaduje się o tym z reklamacji. Model niczego tu nie przekręcił. Nikt nie odpowiadał za to, czy streszczenie sprzed pół roku wolno jeszcze cytować, a w bazie nic nie odróżniało go od regulaminu.

Baza wiedzy jako zbiór treningowy

Firma ma jedno miejsce, gdzie ta pętla domyka się bez udziału człowieka: bazę wiedzy. Confluence, SharePoint, wewnętrzna wiki, dysk wspólny z tysiącem folderów. Przez lata były to dokumenty, które ktoś napisał i mało kto czytał. Generatywne AI zrobiło z nich coś w rodzaju zbioru treningowego.

Technika nazywa się RAG, czyli generowanie wspomagane wyszukiwaniem. Asystent dostaje pytanie, wyszukuje w bazie kilka najbardziej pasujących fragmentów, dokleja je do promptu i odpowiada tak, jakby je przeczytał. Dla użytkownika odpowiedź ma autorytet wyszukiwarki. Pochodzi przecież z naszych dokumentów. W rzeczywistości ma tę samą jakość, jaką mają fragmenty, które wyszukiwarka uznała za najbardziej podobne do pytania. W typowym wdrożeniu wyszukiwarka nie sprawdza, czy fragment jest prawdziwy ani czy ktoś go zatwierdził.

Jest w tym jeszcze jedna rzecz, którą stawiam jako hipotezę z praktyki. Wyszukiwarka semantyczna dopasowuje fragment do pytania po podobieństwie znaczeniowym, więc wygrywa tekst, który brzmi najbardziej jak odpowiedź, a streszczenie z natury brzmi jak odpowiedź, bo zostało napisane po to, żeby odpowiadać. Czterdziestostronicowa umowa brzmi jak umowa. Pochodne są krótsze, gęstsze i napisane językiem pytań, więc w konkurencji o miejsce w prompcie mogą mieć nad źródłami przewagę, dopóki ktoś nie powie wyszukiwarce, że źródło ma pierwszeństwo.

Dodajmy drugi ruch, który w narzędziach do spotkań, jakich używam, włącza się jednym ustawieniem. Rejestrator nagrywa spotkanie i generuje notatkę. Notatka trafia do wiki, bo tak jest wygodnie. Następnego dnia ktoś pyta asystenta o ustalenia, asystent wyszukuje notatkę, bo jest najświeższa, i streszcza ją. Streszczenie trafia do maila, mail do dokumentu projektu, dokument do wiki. Za miesiąc w obiegu są cztery dokumenty o tym samym spotkaniu. Pierwszy napisał model na podstawie nagrania, którego nikt nie odsłuchał, a każdy następny powstał z poprzedniego.

W lipcu 2024 roku Ilia Shumailov i pięciu współautorów opisali w „Nature” zjawisko, które nazwali model collapse, po polsku zapaść modelu. Trenowali kolejne pokolenia modeli na danych wygenerowanych przez pokolenia poprzednie i obserwowali, co ginie. Ginęły przede wszystkim ogony rozkładu, czyli rzadkie przypadki. Autorzy rozróżniają zapaść wczesną, w której znikają ogony, i późną, w której model zbiega do rozkładu o małej wariancji. Pokazali to na modelach językowych i na dwóch innych rodzajach modeli. Zastrzegają, że zapaść dotyczy sytuacji, w której dane wygenerowane trafiają do treningu bez odróżnienia od danych oryginalnych.

Analogia do firmy jest moja, nie autorów. Baza wiedzy nie jest trenowanym modelem, ale każdy zapis pochodnej z powrotem do bazy jest pokoleniem: notatka z nagrania to pierwsze, streszczenie notatki drugie, mail trzecie, wklejka maila do dokumentu projektu czwarte. To, co ginie najpierw, jest akurat tym, po co w ogóle trzymamy wiedzę. Może zginąć wyjątek w umowie, powód, dla którego dwa lata temu odrzuciliśmy dostawcę, jeden incydent, przez który procedura ma dziwny punkt siódmy.

Lepszy model tego nie naprawi

Najmocniejszy kontrargument, jaki znam, brzmi tak. Streszczenia gubią zastrzeżenia, bo dzisiejsze modele streszczają słabo. Następna generacja będzie wycinać mniej, wyszukiwarki nauczą się ważyć dokumenty po dacie i po autorze, więc firma, która dziś buduje bramki i pola, wyda pieniądze na coś, co za rok zrobi dostawca.

Wniosek z tych przesłanek nie wynika. Lepszy model streszcza lepiej, ale nadal streszcza pochodną, jeśli pochodna jest jedynym dokumentem, który znalazł. Nie ma takiej jakości streszczenia, która odtworzy klauzulę usuniętą dwa pokolenia wcześniej. Model nie wie, że zarząd podjął inną decyzję, jeśli ta decyzja nie leży w bazie jako źródło. Nie może też wiedzieć, że notatka z rejestratora jest mniej wiarygodna od umowy, jeśli obie leżą w tym samym folderze bez etykiety. Brakuje mu danych o danych, a dostawca modelu nie może ich dopisać, bo nie wie, co w twojej firmie jest źródłem. Model wynajmujesz i wymieniasz. Pola z pochodzeniem i datą zostają w bazie na lata.

Cory Doctorow opisał w 2022 i 2023 roku cykl, w którym platforma najpierw służy użytkownikom, potem klientom biznesowym, a na końcu sobie, czyli akcjonariuszom, i nazwał go enshittification, po polsku gównowacenie, za Górczakiem. Z tego cyklu biorę tylko jedno: moment, w którym funkcja zaczyna służyć komuś innemu niż jej użytkownik, u Doctorowa klientom biznesowym. Górczak twierdzi, że funkcje AI w platformach konsumenckich są adresowane głównie do inwestorów, a nie do użytkowników. W narzędziach, których sam używam, widzę ten sam ślad: przycisk „podsumuj” podsuwany w każdym widoku, notatka ze spotkania, która sama zapisuje się do wspólnego folderu, asystent, który zapisuje proponowaną odpowiedź w wątku. Domyślnie żadna z tych funkcji nie pyta, czy chcesz, żeby jej wynik stał się dokumentem.

Jeszcze jedno o metrykach. Firma zwykle nie ma problemu fałszywych kont, ma za to pulpity adopcji AI. Na każdym, jaki widziałem, liczby mierzą pisanie: promptów na użytkownika, wygenerowanych dokumentów, odsetek pracowników, którzy użyli asystenta w tym tygodniu. Nie widziałem jeszcze pulpitu, który liczyłby, ile z tych dokumentów ktoś przeczytał i podpisał. Taki pulpit pokazuje przyrost długu uwagi jako postęp wdrożenia.

Co działa, kiedy sieć ma właściciela

Poniżej cztery rzeczy, które proponuję klientom studia, zanim w ogóle rozmawiamy o modelu. Żadna nie wymaga nowego narzędzia, najwyżej ustawień w tym, które już masz. Każda wymaga decyzji.

Pierwsza to pochodzenie. Każdy dokument w bazie dostaje cztery pola: autor; rodzaj autorstwa (człowiek, model albo model z podpisem człowieka); zatwierdzający; źródło, z którego dokument powstał, wraz z wersją tego źródła. To czwarte pole jest najważniejsze i najczęściej pomijane, bo bez niego trzy pierwsze mówią, kto odpowiada, ale nie pozwalają prześledzić, z czego odpowiedź została złożona. Ogólny wzorzec zapisu pochodzenia ma już nazwę, Content Credentials z inicjatywy C2PA, a cztery pola to moja uproszczona wersja. Asystent, który je zna, może zakończyć każdą odpowiedź jednym zdaniem o tym, z ilu źródeł i z ilu pochodnych ją złożył. Dyrektor z przykładu wyżej mógłby wtedy zobaczyć, że jego pięć punktów to streszczenie maila napisanego przez model i że nie wskazano żadnego źródła.

Druga to warstwy prawdy. Dzielę treści na źródła i pochodne. Źródło to decyzja zarządu, podpisana umowa, dane z systemu, zatwierdzona procedura, nagranie. Pochodna to streszczenie, notatka AI, odpowiedź asystenta, slajd zrobiony z notatki. Pochodna może być pożyteczna i może krążyć. Nie może udawać źródła. W praktyce to jedno pole, „warstwa”, i jedna reguła w wyszukiwarce: przy pytaniu o fakty asystent cytuje źródła, a pochodne pokazuje osobno i z etykietą.

Trzecia to bramka. Pochodna nie wraca do indeksu jako źródło bez podpisu człowieka. Notatka z rejestratora może leżeć w folderze spotkania. Do wiki, z której czyta asystent, wchodzi dopiero wtedy, gdy ktoś ją przeczytał, poprawił i podpisał. Ten podpis jest tym jednym miejscem, w którym człowiek płaci pełną cenę sprawdzenia, raz, przy wejściu, zamiast wiele razy, przy każdej decyzji opartej na niesprawdzonym tekście. Podpis bywa jednak pusty, bo część ludzi podpisuje teksty, których nie przeczytała. Dlatego bramkę sprawdza comiesięczna próba opisana niżej. W sierpniowym eseju o firmowym mózgu pisałem o wiedzy, której nikt nie spisał. Bramka pilnuje drugiego końca tej skali: wiedzy, której spisano za dużo i bez nadzoru.

Czwarta to wygasanie, z dwiema różnymi zasadami. Instrukcja, cennik, procedura dostają właściciela i datę weryfikacji, a po umówionym czasie, na przykład rok dla procedur i kwartał dla cenników, bez odnowienia znikają z indeksu asystenta, choć nie z dysku. Dowód historyczny, czyli zapis incydentu, decyzja z uzasadnieniem, stara umowa, nie wygasa, bo może być ważny przez lata, choć nikt nie odnawia jego metadanych. Dostaje za to warstwę „archiwum” i właściciela archiwum, a asystent cytuje go z datą i etykietą, nie jako aktualną instrukcję. Bez tego rozróżnienia wygasanie ukryłoby właśnie te rzadkie przypadki, dla których trzymamy wiedzę.

Zostaje pomiar. Weź ostatnie sto odpowiedzi, które asystent dał ludziom w firmie, i policz, jaki odsetek cytowanych dokumentów ma pochodzenie, warstwę i datę weryfikacji nie starszą niż umówiony okres. To twój wynik wyjściowy. Nie podam docelowego, bo nie znam twojej bazy. Ta liczba mierzy tylko kompletność metadanych. Dokument może mieć właściciela, warstwę i świeżą datę, a nadal zawierać błąd. Dlatego obok niej raz w miesiącu ktoś czyta dziesięć losowych odpowiedzi razem z cytowanymi źródłami i notuje, ile z nich było prawdziwych. Pierwsza liczba mówi, czy system ma na czym pracować. Druga daje sygnał, czy pracuje. Właścicielem obu ma być osoba odpowiedzialna za wiedzę, nie dział IT, bo IT policzy pola, ale nie rozstrzygnie, czy cennik z marca jest jeszcze źródłem.

Od czego zacząć, jeśli budżet na narzędzia wynosi zero? Od wyłączenia czegoś, co już działa. Najtańszy odwracalny ruch, jaki znam, to jedno ustawienie: automatyczne notatki ze spotkań przestają zapisywać się w przestrzeni, z której czyta asystent, i czekają w folderze spotkania na podpis. Drugi ruch to wyłączenie z indeksu folderów, w których leżą same pochodne, zwykle łatwo je poznać po nazwach w rodzaju „notatki AI”. Trzeci to miesiąc pomiaru obu liczb, zanim ktokolwiek zaproponuje nowe narzędzie. Oba wyłączenia da się cofnąć tymi samymi ustawieniami, jeśli okaże się, że ludzie naprawdę potrzebowali tych notatek w indeksie.

Esej powstał z pomocą AI. Tezę postawiłem ja, liczby ze źródeł zestawił z bibliografią osobny przebieg, a to, czego nie dało się sprawdzić, wyleciało, w tym popularne twierdzenie, że połowa artykułów w sieci pisana jest przez modele.

Pytanie, na które firma może odpowiedzieć sama

Górczak kończy sugestią, że może czas zacząć debatę, co warto zachować z internetu, a co porzucić, zanim ten całkowicie zgnije. Dla publicznej sieci to pytanie bez adresata. Nikt nie ma uprawnień, żeby na nie odpowiedzieć, i nikt nie ponosi kosztu, gdy odpowiedź nie pada.

Firma jest w lepszej sytuacji, niż jej się wydaje. Jej sieć jest mała. Ma właściciela, który może rozstrzygnąć, które dokumenty mają status źródła. Ma budżet, z którego dług uwagi już dziś jest spłacany, tylko bez pozycji w tabeli. Ma asystenta, który bez nowego narzędzia może zacząć cytować lepsze dokumenty, gdy gorsze znikną z indeksu.

Zanim więc zarząd zapyta, który model wybrać, niech zada sobie we własnym zakresie pytanie, o którym Górczak proponuje debatę. Co z naszej wiedzy warto zachować jako źródło, a co odesłać do archiwum albo poza indeks, zanim asystent zacznie cytować pochodne z autorytetem źródła? Na początek może wystarczyć jedno popołudnie i sto ostatnich odpowiedzi asystenta.

Bibliografia

1. primaryGórczak, S. (2026). AI, boty i drastyczny spadek jakości. Wszystkie patologie internetu. Klub Jagielloński, 18 października 2026. Tekst na licencji CC BY 4.0 (z wyłączeniem grafik). https://klubjagiellonski.pl/2026/10/18/ai-boty-i-drastyczny-spadek-jakosci-wszystkie-patologie-internetu/. Źródło pojęcia sloprot, użycia polskiego terminu „gównowacenie”, opisu medialnego odbioru Moltbooka, obserwacji o funkcjach AI adresowanych do inwestorów oraz zamykającej sugestii o debacie.
2. primaryLi, N. (2026). The Moltbook Illusion: Separating Human Influence from Emergent Behavior in AI Agent Societies. Preprint, School of Economics and Management, Tsinghua University, 7 lutego 2026, nierecenzowany. https://www.sem.tsinghua.edu.cn/en/moltbook_main_paper_v2.pdf. Źródło liczb: 405 707 komentarzy, cztery konta ze 131 399 komentarzami (32,4%), mediana odstępu 12 s; deklarowana liczba 1,5 mln agentów za tym preprintem.
3. primaryNiederhoffer, K., Kellerman, G. R., Lee, A., Liebscher, A., Rapuano, K., Hancock, J. T. (2025). AI-Generated "Workslop" Is Destroying Productivity. Harvard Business Review, 22 września 2025. https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity. Liczby ankiety (40%, 1 h 51 min, 186 USD, 9 mln USD, 54%, 42%, rozkład 40/19/16) przytaczam za stroną badania u współautorów: BetterUp Labs, https://www.betterup.com/workslop oraz https://www.betterup.com/blog/hidden-costs-workslop. Na stronie BetterUp próba podana jako 1150 osób w stopce infografiki i 1004 w treści; w eseju piszę „ponad tysiąc”.
4. primaryShumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, s. 755–759, opublikowano online 24 lipca 2024. https://doi.org/10.1038/s41586-024-07566-y. Źródło definicji zapaści modelu, rozróżnienia zapaści wczesnej i późnej oraz warunku o nierozróżnianym użyciu danych syntetycznych.
5. primaryDoctorow, C. (2023). Tiktok's enshittification. Pluralistic, 21 stycznia 2023. https://pluralistic.net/2023/01/21/potemkin-ai/. Źródło trzech kroków cyklu (parafraza w eseju); termin użyty przez autora wcześniej, 28 listopada 2022.
6. primaryC2PA. Content Credentials, specyfikacja techniczna, wersja 2.4. https://spec.c2pa.org/. Wzorzec zapisu pochodzenia treści; w eseju bez liczb.
7. primaryNowicki, B. (2026). Enterprise Brain. Solertio studio, 22 sierpnia 2026. https://solertio.pl/pl/blog-enterprise-brain. Esej o wiedzy, której nikt nie spisał.
8. secondarySilberling, A. (2026). Meta acquired Moltbook, the AI agent social network that went viral because of fake posts. TechCrunch, 10 marca 2026. https://techcrunch.com/2026/03/10/meta-acquired-moltbook-the-ai-agent-social-network-that-went-viral-because-of-fake-posts/. Źródło informacji o przejęciu (za Axios), bez kwoty.