Naukowcy: częste rozmowy z AI mogą uczyć ludzi zachowań maszyn

Trzej naukowcy z uniwersytetów w Birmingham, Aarhus i Linnaeus opublikowali pracę teoretyczną, która opisuje mechanizm nazwany "robotoid humanness" - zjawisko, w którym to nie tylko roboty i chatboty stają się coraz bardziej podobne do ludzi, ale i ludzie zaczynają upodabniać swoje zachowania do wzorców, które maszynom łatwiej przetworzyć i którym łatwiej odpowiedzieć.

Co dokładnie opisuje teoria

Zespół badawczy przeanalizował, jak cechy dzisiejszych systemów AI - pamięć poprzednich rozmów, uczenie się adaptacyjne, spersonalizowana komunikacja i symulowane zaangażowanie emocjonalne - wpływają na sposób, w jaki ludzie postrzegają samych siebie. W centrum modelu stoi sprzężenie zwrotne: użytkownik dostosowuje swój język i zachowanie do robota lub chatbota, system uczy się na tych sygnałach i staje się jeszcze bardziej ludzki w odpowiedzi, co z kolei pogłębia dostosowanie po stronie człowieka.

Naukowcy piszą, że interakcja z robotami wykazującymi ludzkie zachowania - takie jak adaptacyjne uczenie się, spersonalizowana komunikacja i empatyczne zaangażowanie - może wzmacniać, przekształcać lub destabilizować samoocenę konsumenta. To sformułowanie wskazuje, że efekt nie musi być jednoznacznie negatywny, ale zależy od kontekstu i częstotliwości kontaktu z technologią.

Mechanizm lustrzanego odbicia

Machine learning i AI mogą wzmacniać ten proces, dostosowując zachowanie robota na podstawie danych wejściowych użytkownika i umożliwiając bardziej spersonalizowane, bardziej ludzkie naśladownictwo ze strony robota - dr Selcen Ozturkcan, Uniwersytet Linnaeus

Autorzy podkreślają, że pętla mimicry-mirroring działa w obie strony. Im więcej danych o preferencjach i stylu komunikacji użytkownika zbiera system, tym trafniej naśladuje ludzkie zachowanie, a to z kolei skłania człowieka do dalszego dopasowywania się do wzorców, które maszyna rozumie najlepiej - prostszych, bardziej powtarzalnych, łatwiejszych do przewidzenia.

W ramach analitycznych, które zaproponowali badacze, uwzględniono cztery elementy: otoczenie usługowe, w którym dochodzi do interakcji, oczekiwania konsumenta wobec systemu, wygląd i sposób komunikacji robota lub chatbota oraz zobowiązania podejmowane przez obie strony w trakcie rozmowy. Zdaniem autorów każdy z tych elementów moduluje siłę efektu "robotoid humanness".

Ryzyka i zastrzeżenia

Badacze wymieniają kilka obszarów ryzyka, które ich zdaniem wymagają dalszych badań. Wśród nich są: uzależnienie od walidacji własnej wartości przez reakcje systemu AI, wzmacnianie potwierdzenia (confirmation bias) na skutek powtarzalnej ekspozycji na algorytmiczne informacje zwrotne, a także wpływ różnic kulturowych, osobowościowych i gotowości technologicznej użytkownika na siłę opisywanego zjawiska.

Kluczowe zastrzeżenie dotyczy metodologii. Praca ma charakter czysto teoretyczny i opiera się na syntezie wcześniejszych badań nad interakcją człowiek-robot, a nie na nowym eksperymencie z udziałem ludzi śledzonym w czasie. Autorzy sami wzywają do "starannego rozważenia poznawczych i etycznych konsekwencji kształtowania tożsamości konsumenta", co sugeruje, że traktują swój model jako punkt wyjścia do dalszych, empirycznych badań, a nie ostateczny dowód.

Dlaczego to ważne poza laboratorium

Teoria trafia w moment, w którym coraz więcej codziennych interakcji - od obsługi klienta, przez asystentów głosowych, po narzędzia takie jak ChatGPT czy Claude - odbywa się w formie rozmowy z systemem, który pamięta kontekst i dostosowuje ton do rozmówcy. Jeśli mechanizm opisany przez zespół z Birmingham, Aarhus i Linnaeus faktycznie działa w praktyce, oznaczałoby to, że sam sposób projektowania interfejsów konwersacyjnych - a nie tylko treść odpowiedzi AI - ma wpływ na to, jak ludzie komunikują się między sobą.

Dla firm wdrażających chatboty obsługowe czy asystentów AI wnioski z pracy sugerują dodatkowy wymiar odpowiedzialności projektowej, wykraczający poza samą skuteczność czy dokładność odpowiedzi. Autorzy nie proponują konkretnych regulacji ani wytycznych, ale wskazują kierunek, w którym powinny pójść kolejne badania empiryczne - w tym pomiary długoterminowe u realnych użytkowników intensywnie korzystających z systemów konwersacyjnych.