AI w strategicznej komunikacji? Tak! Ale...

To najbardziej znane ryzyko AI. A jednocześnie jedno z tych, które nadal łatwo zlekceważyć.

Wyobraźmy sobie prostą sytuację. Model dostaje 40 stron stenogramu debaty parlamentarnej. W raporcie przywołuje wypowiedź ministra: „musimy radykalnie zwiększyć obciążenia podatkowe średniej klasy”.

Brzmi wiarygodnie. Pasuje do tematu. Problem w tym, że taki cytat nigdy nie padł. Model nie odnalazł tej wypowiedzi w tekście. Wygenerował ją, bo brzmiała jak coś, co mogłoby pojawić się w takim sporze.

Bez kontroli człowieka klient mógłby powtórzyć tę wypowiedź publicznie. A potem tłumaczyć się ze słów, których nikt nigdy nie powiedział. Halucynacje to tylko najbardziej widoczna część problemu. Podobnie powstają zmyślone przypisy, fałszywe źródła, błędne wyliczenia czy odpowiedzi, w których aktualne dane mieszają się z dawną wiedzą modelu.

Najgroźniejsze jest to, że takie błędy często wyglądają poprawnie. Model rzadko mówi wprost: „tu zgaduję”. Zwykle odpowiada pewnym tonem, także wtedy, gdy się myli.

Dlatego praca eksperta zaczyna się już na etapie formułowania zadania dla modelu. Dobry prompt może ograniczyć ryzyko konfabulacji, ale sam prompt nie wystarcza. Potrzebna jest kontrola: cytaty trzeba sprawdzać w źródle, liczby w danych, a daty w wiarygodnych materiałach.

Do tego potrzebne jest doświadczenie, którego nie da się zastąpić samą znajomością narzędzia. Ekspert musi rozumieć sytuację, której dotyczy raport: kto mówi, z jakiej pozycji, do kogo, w jakim momencie i z jakimi konsekwencjami.

Nie wystarczy sprawdzić, czy model się nie pomylił. Trzeba jeszcze rozumieć, co ta odpowiedź oznacza dla konkretnej sytuacji, klienta i decyzji, która ma zostać podjęta.

Modele AI są trenowane tak, by spełniać oczekiwania użytkownika.

Ta cecha może przekładać się także na sposób, w jaki AI analizuje dane, jeśli nie zostaną zastosowane odpowiednie zabezpieczenia.

Strateg pyta: „czy temat X będzie się rozkręcał?”. Model podaje trzy argumenty, że tak. Zero wątpliwości.

Kiedy zapytamy: „czy temat X wygaśnie?”. Model znów znajdzie trzy argumenty. Tym razem za tym, że temat straci znaczenie. I znów brzmi przekonująco.

Problem nie polega na tym, że model zawsze się myli. Problem polega na tym, że często dopasowuje odpowiedź do sposobu, w jaki zadano pytanie.

Podobnie dzieje się przy rekomendacjach strategicznych. Model chętnie korzysta z prostych schematów: „taki kryzys zwykle kończy się tak”, „ta grupa zwykle reaguje w ten sposób”, „ta narracja zwykle działa najlepiej”. Tymczasem dane z konkretnej sytuacji mogą prowadzić do zupełnie innego wniosku.

Dochodzi do tego jeszcze jedna rzecz: pewność odpowiedzi. Model potrafi brzmieć tak samo przekonująco wtedy, gdy ma mocne podstawy, i wtedy, gdy opiera się na słabych przesłankach. Dla osoby czytającej raport ta różnica może być niewidoczna.

Dlatego dobra analiza z AI nie może kończyć się na pierwszej odpowiedzi, która brzmi sensownie. Trzeba sprawdzić także przeciwne wyjaśnienia. Trzeba zapytać, co mogłoby podważyć dany wniosek. Trzeba patrzeć nie tylko na argumenty, które pasują do hipotezy, ale też na te, które ją osłabiają. Brzmi znajomo? To nic innego niż metoda naukowa. Pracując z modelem trzeba być jak upierdliwy nauczyciel, który nie ma pełnego zaufania do swojego studenta.

Bez tego wynik modelu może wyglądać jak analiza. Ale w praktyce będzie tylko dobrze napisaną odpowiedzią na źle postawione pytanie.

Duże modele językowe są trenowane głównie na danych, w których angielski jest znacznie silniej reprezentowany niż polski.

To nie znaczy, że AI nie zna Polski. Zna, ale często rozumie ją płycej, bardziej schematycznie i z większym ryzykiem błędu.

W analizie komunikacyjnej ma to bardzo praktyczne konsekwencje.

Weźmy prosty przykład. W kontekście ustawy podatkowej ktoś pisze: „Wspaniała ustawa, wreszcie zarobię mniej, brawo rząd”. Model może uznać taką wypowiedź za pozytywną, bo na poziomie słów widzi pochwałę. Człowiek znający polską debatę publiczną od razu rozpozna ironię.

Przy tysiącach wzmianek takie pomyłki mogą przesunąć cały obraz nastrojów. Raport pokazuje wtedy rosnącą akceptację, choć w rzeczywistości rośnie złość, szyderstwo albo mobilizacja przeciwników.

Podobny problem dotyczy źródeł. Model może podobnie potraktować tekst z opiniotwórczego tygodnika i wpis z serwisu, który tylko zbiera newsy, jeśli oba mają podobny zasięg. W komunikacji strategicznej sam zasięg jednak nie wystarcza. Liczy się także pozycja nadawcy, jego wpływ na inne media, rola w danym środowisku i historia wcześniejszych sporów.

Szczególnym przykładem są tematy społecznie wrażliwe. Modele bywają przy nich ostrożne. Czasem wygładzają odpowiedzi albo unikają mocniejszych klasyfikacji. W analizie debaty publicznej to bywa problem, bo właśnie te miejsca trzeba często obejrzeć najdokładniej.

Tego nie da się naprawić samą automatyzacją. Potrzebny jest ktoś, kto zna polski kontekst: media, aktorów, skróty myślowe, ironię, aluzje, konflikty i realną wagę poszczególnych nadawców.

Dlatego nie wystarczy przepuścić danych przez model i przyjąć wyniku jako gotowej diagnozy. Trzeba sprawdzać sentyment na kluczowych próbach, korygować wagi źródeł i pilnować, czy model nie przykłada do polskiej debaty zbyt ogólnego schematu.

Bez tej warstwy analiza może być szybka, ale będzie niepełna bądź myląca.

Raport strategiczny bardzo często wychodzi od podobnych pytań: kto powiedział co, do kogo, kiedy i w jakim kontekście.

Właśnie tutaj modele potrafią popełniać błędy, które wyglądają na drobne, ale zmieniają sens całej analizy.

Wyobraźmy sobie raport o napięciu w koalicji rządzącej. Model przypisuje ostrą wypowiedź liderowi A. W rzeczywistości wypowiedział ją lider B z tej samej koalicji. W jednym akapicie pojawiły się dwa nazwiska, podobny temat i podobny kontekst. Model skleił je w jedną całość.

Efekt? Cała diagnoza „rozłamu” może oprzeć się na wypowiedzi, której dana osoba nigdy nie wygłosiła.

Takie błędy zdarzają się przy podobnych nazwiskach, nazwach organizacji, afiliacjach, cytatach pośrednich i długich rozmowach z modelem. Kontekst z jednego wątku potrafi przeciekać do drugiego. W długich dokumentach model dobrze obsługuje początek i koniec, ale gubi fragmenty ze środka.

Dlatego ekspert nie sprawdza tylko „czy brzmi logicznie”. Sprawdza, czy wypowiedź istnieje. Czy została przypisana właściwej osobie. Czy cytat nie został wyrwany z kontekstu. Czy dana osoba rzeczywiście ma dziś taką pozycję, jaką przypisuje jej raport.

To wymaga nie tylko fact-checkingu, ale też znajomości relacji: kto z kim jest w sporze, kto kogo cytuje, kto kogo wspiera, a kto nigdy nie powiedziałby czegoś w taki sposób.

Bez tej warstwy raport może wyglądać spójnie, a faktycznie wprowadzać w błąd.

To najtrudniejszy typ błędu, bo wygląda najbardziej profesjonalnie.

Model tworzy tabelę. Kategorie. Procenty. Ranking. Rekomendacje. Wszystko wygląda jak analiza ilościowa. Problem w tym, że za tym porządkiem czasem nie stoi sensowna metoda.

Przykład: raport rekomenduje wycofanie się z tematu, bo „70% wzmianek jest negatywnych”. Strateg sprawdza dane i widzi, że te 70% pochodzi z 200 wzmianek w niszowej grupie sympatyków konkurencji. W tym samym czasie 1200 wzmianek z głównego nurtu pokazuje przewagę nastawienia pozytywnego lub neutralnego. Model policzył wzmianki, ale nie zważył ich znaczenia. Potraktował głos z małej, zamkniętej grupy tak samo jak wypowiedź z miejsca realnie wpływającego na debatę.

Na papierze wygląda to precyzyjnie: „70%”. W praktyce jest to liczba bez kontekstu.

Podobnie bywa z ramami narracji. Jednego dnia model wskazuje pięć narracji. Następnego cztery. Tydzień później sześć. Nie dlatego, że debata naprawdę tak się zmieniła, tylko dlatego, że model za każdym razem inaczej uporządkował materiał.

Dochodzi do tego skłonność do odtwarzania szablonu. Jeśli w poprzednim raporcie było pięć narracji, model może znów szukać pięciu, nawet jeśli realnie są trzy albo siedem. Jeśli w instrukcji prosimy o konkretne zasady kodowania, model może stosować je nierówno: raz konsekwentnie, raz częściowo.

Dlatego ekspert musi kontrolować nie tylko treść raportu, ale też metodę. Czy kategorie są powtarzalne tydzień do tygodnia? Czy procenty sumują się poprawnie? Czy wzmianki mają właściwą wagę? Czy uwzględniono czas, źródło, zasięg, opiniotwórczość i kontekst?

Bez tej kontroli decydent dostaje raport, który wygląda jak analiza ilościowa, ale w rzeczywistości jest serią efektownych atrap.

Po tych pięciu punktach łatwo pomyśleć, że AI w analityce komunikacyjnej to głównie ryzyko. To byłby błędny wniosek.

Dobrze wdrożone i konsekwentnie kontrolowane AI otwiera fundamentalnie nowe możliwości. Pozwala robić rzeczy, których wcześniej nie dało się osiągnąć ani budżetem, ani większą liczbą godzin zespołu.

Po pierwsze: skala. Możemy analizować znacznie szersze pole niż wcześniej. Nie tylko kilka wybranych źródeł. Nie tylko próbkę. Nie tylko to, co ktoś zdąży przeczytać. Obraz nadal zależy od jakości danych, ale jest dużo bliżej realnej skali debaty.

Po drugie: tempo. Cykl od obserwacji do diagnozy skraca się z dni lub tygodni do godzin. Analiza przestaje być wyłącznie podsumowaniem po fakcie. Staje się narzędziem pracy w trakcie wydarzeń.

Po trzecie: wielowymiarowość. Sentyment, dynamika, dystrybucja, segmentacja, źródła, aktorzy i ewolucja narracji mogą trafić do jednego spójnego ujęcia. Decydent nie dostaje pięciu osobnych kawałków. Dostaje mapę pola.

Po czwarte: wykrywanie słabych sygnałów. AI pomaga zobaczyć wzorce, których człowiek nie wyłapie w skali setek tysięcy wzmianek: rosnące tematy, powtarzające się ramy narracyjne, podobieństwa między pozornie odległymi dyskusjami.

Po piąte: nowa ekonomia analizy. To, co wcześniej było dużym raportem robionym raz na kwartał, dziś może być wpisane w tygodniowe procedury pracy. Zakres analityki dostępny kiedyś dla nielicznych staje się osiągalny znacznie szerzej.

Ale wszystkie te korzyści są realne tylko wtedy, gdy AI pracuje razem z ekspertem, a nie zamiast eksperta.

W pełni zautomatyzowane analizy i raporty prowadzą do sytuacji odwrotnej. Skala staje się chaosem. Wielowymiarowość zlepkiem mylących wskaźników.

AI nie zastępuje stratega. Daje mu większe pole widzenia, szybszy rytm pracy i narzędzia, których wcześniej nie miał.

Ten tekst powstał, oczywiście, z wykorzystaniem AI. Ale nie “napisało go AI”.

Model pomógł nam połączyć długą listę konkretnych błędów, które zaobserwowaliśmy w naszej pracy, w szersze kategorie.

Pomógł nam pisać prostym językiem, żeby tekst był zrozumiały nie tylko dla osób technicznych. Ale każdy akapit i zdanie tego tekstu nie tylko było wielokrotnie zmieniane promptami, ale też często ostatecznie brzmienie zostało napisane “z palca”.

Przy pracy nad tym tekstem model wiele razy robił dokładnie to, przed czym ostrzegamy. Wymyślał problemy, z którymi nigdy się nie spotkaliśmy. Rozciągał realne obserwacje na obszary, których nie potwierdzała nasza praktyka. Dopowiadał rzeczy, które brzmiały dobrze, ale nie były prawdziwe. Tak już mają te modele. Ale i tak je kochamy, bo pozwalają nam robić rzeczy, o robieniu których jeszcze rok temu nie mogliśmy nawet marzyć.

Jeśli chcesz zobaczyć, jak takie podejście wygląda na Twoim konkretnym polu — odezwij się.

Pierwsze 30 minut bez sprzedawania. Pokażemy konkretnie, co dziś da się zrobić, gdzie AI pomaga, gdzie trzeba je kontrolować i jak my pracujemy z tym na co dzień.

→ Sprawdź, czy to podejście dla Ciebie.