Krytyka sztucznej inteligencji: główne spory o władzę, szkody i przyszłość AI

Mapa debaty publicznej: co wiemy, co zależy od kontekstu, a co nadal pozostaje hipotezą.

Stan kwerendy źródłowej: 10 października 2026 r. · Redakcja publikacyjna: 16 października 2026 r.

Najważniejsze wnioski

Publiczna krytyka rozwoju AI nie jest jednym stanowiskiem. To kilka częściowo nakładających się nurtów: krytyka szkód już obserwowanych; krytyka ekonomicznego i politycznego modelu rozwoju; krytyka jakości dowodów przedstawianych jako uzasadnienie wdrożeń; krytyka kosztów pracy i środowiska; oraz obawy dotyczące przyszłych, potencjalnie bardzo poważnych zagrożeń. Nurtom tym nie należy przypisywać jednakowego statusu dowodowego.

Najważniejszy wniosek: pytanie publicznej debaty przesuwa się od ogólnego „czy AI jest dobra, czy zła?” ku pytaniom bardziej konkretnym: kto kontroluje infrastrukturę i dane; kto uzyskuje korzyści; kto ponosi koszty i ryzyko; kto może zakwestionować decyzję systemu; oraz na podstawie jakich dowodów system jest wdrażany? To wniosek syntetyczny wynikający z zestawienia raportów badawczych, analiz organizacji praw człowieka, publikacji dotyczących rynku pracy, praw autorskich i infrastruktury. Nie jest twierdzeniem, że każdy uczestnik debaty używa właśnie takiej ramy.

Raport Stanford HAI AI Index 2026 odnotowuje, że liczba incydentów AI zarejestrowanych w AI Incident Database wzrosła z 233 w 2024 r. do 362 w 2025 r.; jednocześnie standardowe benchmarki odpowiedzialnej AI nie nadążają za tempem rozwoju i wdrożeń, a przejrzystość firm w zakresie danych treningowych, mocy obliczeniowej i skutków po wdrożeniu pozostaje ograniczona. Są to wskaźniki konkretnych problemów pomiaru i zarządzania, nie dowód, że każdy system AI jest niebezpieczny ani że wszystkie szkody powoduje sam model. Stanford HAI, AI Index 2026: Responsible AI

Z kolei International AI Safety Report 2026 rozdziela ryzyka na nadużycia, niezamierzone awarie i ryzyka systemowe. Dokument odnotowuje rosnącą liczbę opisanych przypadków nadużyć, ale podkreśla ograniczenia danych o ich rozpowszechnieniu. Wskazuje również na „lukę ewaluacyjną”: wynik testu przed wdrożeniem nie zawsze dobrze przewiduje zachowanie systemu w rzeczywistym środowisku. W odniesieniu do utraty kontroli nad zaawansowaną AI badacze nie mają jednolitej oceny prawdopodobieństwa; raport opisuje wczesne sygnały istotnych zdolności w warunkach laboratoryjnych, ale nie twierdzi, że obecne systemy osiągnęły poziom pozwalający na utratę kontroli w mocnym znaczeniu tego terminu. International AI Safety Report 2026

Krytykę należy zatem czytać warstwowo:

• Silnie udokumentowane problemy obecne: ograniczona niezawodność w części zadań, szkody wynikające z nadużyć, luki w przejrzystości, realne ryzyko dyskryminacji w określonych zastosowaniach, nierówna pozycja negocjacyjna pracowników i osób poddanych automatyzacji.
• Problemy zależne od kontekstu: wpływ na zatrudnienie, produktywność, jakość edukacji, bilans środowiskowy i stopień koncentracji rynku. Wyniki zależą od zadania, sposobu wdrożenia, warunków pracy, lokalizacji oraz zasad podziału korzyści.
• Ryzyka wiarygodne, ale nadal trudne do ilościowego oszacowania: skala wpływu AI na dezinformację i procesy demokratyczne, długofalowe skutki dla umiejętności poznawczych oraz skala korzyści i szkód w szybko zmieniających się zastosowaniach autonomicznych.
• Hipotezy o wysokiej stawce i dużej niepewności: scenariusze utraty kontroli nad bardzo zaawansowanymi systemami lub katastrofalnych skutków egzystencjalnych. Nie należy ich utożsamiać ani z fikcją pozbawioną podstaw, ani z przewidywaniem, że taki skutek na pewno nastąpi.

1. Cel, zakres i metoda

Celem jest mapa głównych nurtów krytyki publicznego dyskursu o rozwoju AI, ze szczególnym uwzględnieniem argumentów, dowodów, kontrargumentów i luk poznawczych. Nie jest to plebiscyt na „najlepsze” stanowisko ani deklaracja przeciwko samej technologii.

Źródła dobrano z kilku typów instytucji: międzynarodowych organizacji publicznych, instytucji UE, organizacji praw człowieka, instytutów badawczych, organizacji zajmujących się prawami pracowników i infrastruktury, a także mediów opisujących bieżące spory. Główne punkty orientacyjne to AI Index 2026 Stanford HAI, International AI Safety Report 2026, analizy ILO/NASK, AI Now Institute, U.S. Copyright Office, IEA i UNESCO.

To synteza źródeł dobranych celowo, a nie przegląd systematyczny ani reprezentatywne badanie całej światowej opinii publicznej. Źródła anglojęzyczne i zachodnie są nadreprezentowane; dostępność badań w innych językach i regionach jest nierówna. Organizacje rzecznicze dostarczają ważnych analiz, ale ich rekomendacje należy odróżniać od pomiarów empirycznych. Z kolei dane zebrane przez firmy technologiczne mogą być informacyjne, lecz wymagają oceny interesów, metodologii i możliwości niezależnej weryfikacji. W tekście używam skrótu AI jako odpowiednika „sztucznej inteligencji”; tam, gdzie ma to znaczenie, rozróżniam model, produkt, cały system techniczny i instytucję, która go wdraża.

Kategorie epistemiczne stosowane w raporcie

• Ustalenie dobrze podparte: zbieżne dowody lub wiarygodne źródła potwierdzają zjawisko w określonym zakresie.
• Ustalenie kontekstowe: dowody istnieją, ale wynik zależy od populacji, zadania, instytucji albo metody pomiaru.
• Wnioskowanie: wniosek wyprowadzony z dostępnych obserwacji, ale niezmierzony bezpośrednio.
• Otwarta hipoteza: wyjaśnienie lub scenariusz wymagający dalszych testów.
• Spekulacja bez wystarczającego wsparcia: możliwość, której nie należy przedstawiać jako ustalenia.

Rozróżnienie to ma znaczenie: wykazanie szkody nie przesądza o intencji jej sprawcy; brak dowodu intencji nie unieważnia samej szkody; a wykazanie ekspozycji zawodów na AI nie jest równoznaczne z prognozą masowego bezrobocia.

2. Niezawodność, konfabulacje i luka ewaluacyjna

Sedno krytyki. Modele generatywne potrafią tworzyć płynne i przekonujące odpowiedzi, które bywają nieprawdziwe, niekompletne lub nieadekwatne do zadania. W systemach agentowych dochodzą błędy narzędzi, utrata kontekstu, niepoprawne wykonanie sekwencji czynności i kaskadowe przenoszenie błędów pomiędzy komponentami. Problem nie ogranicza się do tego, że model „czasem się myli”: dotyczy także tego, czy użytkownik potrafi rozpoznać błąd i czy testy przed wdrożeniem przewidują zachowanie w praktyce.

Co jest dobrze podparte. Raport Stanford HAI z 2026 r. przytacza wyniki jednego z nowych benchmarków, w którym poziomy błędów związanych z rozróżnianiem wiedzy i przekonań były bardzo zróżnicowane między modelami (22–94%). Nie należy traktować tego zakresu jako uniwersalnej częstości halucynacji we wszystkich zastosowaniach: zależy on od benchmarku i warunków testu. Ten sam raport wskazuje, że w modelach czołowych nadal brakuje regularnego, porównywalnego raportowania odpowiedzialnej AI, a odporność zabezpieczeń spada pod wpływem celowych ataków próbujących obejść zabezpieczenia (tzw. jailbreaków). Stanford HAI, AI Index 2026: Responsible AI

International AI Safety Report 2026 wskazuje, że wydłuża się zakres zadań wykonywanych przez agentów, lecz systemy pozostają zawodne przy długich, wieloetapowych lub nietypowych zadaniach. Wyniki benchmarków przed wdrożeniem mogą słabo przewidywać funkcjonowanie w rzeczywistych warunkach — to raport nazywa „luką ewaluacyjną”. International AI Safety Report 2026

Kontrargument i ograniczenie. Niezawodność poprawia się w wielu dziedzinach, a narzędzia, wyszukiwanie, walidacja i nadzór mogą redukować część błędów. Nie wynika z tego jednak, że ryzyko znika. Ocena powinna dotyczyć konkretnego zastosowania: tolerancji na błąd, sposobu weryfikacji, możliwości odwołania i skutków awarii.

Wniosek. W krytycznych zastosowaniach potrzebne są nie tylko testy zdolności, ale testy awarii, odporności na manipulację, zachowania pod presją i działania po wdrożeniu. Sam benchmark ani deklaracja producenta nie wystarczają.

Status: istnienie błędów i luki ewaluacyjnej — dobrze podparte; ogólna teza, że AI „nie rozumie niczego” — zbyt szeroka i nieoperacyjna bez wskazania testu oraz definicji rozumienia.

3. Oszustwa, deepfake’i, manipulacja informacją i jakość sfery publicznej

Sedno krytyki. AI obniża koszt i próg kompetencyjny produkowania tekstu, głosu, obrazów i wideo na dużą skalę. Można używać jej do podszywania się pod inne osoby, wyłudzeń, szantażu, produkcji niekonsensualnych materiałów intymnych, propagandy i nękania. Szersza obawa dotyczy nie tylko pojedynczych fałszywek, ale także degradacji wspólnego środowiska informacyjnego: trudniej ustalić, które świadectwa i materiały są autentyczne.

Co jest dobrze podparte. International AI Safety Report 2026 opisuje wzrost liczby zgłaszanych incydentów z użyciem treści generowanych przez AI, w tym oszustwa z klonowaniem głosu. Jednocześnie zaznacza, że dane o rozpowszechnieniu nadużyć pozostają niepełne. W obszarze cyberbezpieczeństwa udokumentowano użycie AI w realnych operacjach, ale wciąż nie jest jasne, w jakim stopniu zwiększyło to łączną liczbę ataków. International AI Safety Report 2026

Freedom House wskazuje, że manipulacja środowiskiem internetowym, cenzura oraz nadzór pogarszają warunki wolności cyfrowej; AI jest częścią szerszej zmiany obejmującej działania państw i firm, a nie jedyną przyczyną tych zjawisk. Freedom House, Freedom on the Net 2025

Ważne rozróżnienie. Rosnąca liczba opisanych nadużyć nie dowodzi, że AI już rozstrzyga wyniki wyborów albo że treści AI stanowią większość całego internetu. To osobne, znacznie silniejsze twierdzenia, wymagające osobnych pomiarów i wykazania związku przyczynowego.

Aktualizacja do publikacji (16 października 2026 r.). Spór o wiarygodność syntetycznych nagrań dotyczy już także materiału dowodowego w sądach. Reuters opisał rozmowy przedstawicieli OpenAI i Meta z amerykańskim komitetem zajmującym się regułami dowodowymi. W ankiecie przywołanej w tej relacji 15 z 931 sędziów wskazało, że zetknęło się z wyzwaniami dotyczącymi deepfake’ów. To niewielka liczba i nie dowodzi powszechności problemu; pokazuje jednak, że weryfikacja pochodzenia materiału staje się praktycznym wyzwaniem instytucjonalnym. Nie istnieje obecnie uniwersalna metoda wykrywania wszystkich syntetycznych nagrań. Reuters, 15 października 2026 r.

Kontrargument. Te same technologie mogą pomagać w wykrywaniu oszustw, moderacji, tłumaczeniu i fact-checkingu. Skuteczność tych zabezpieczeń nie powinna być jednak oceniana wyłącznie na podstawie deklaracji dostawców; potrzebne są niezależne testy i dane o rzeczywistych szkodach.

Możliwe kierunki odpowiedzi. Ochrona ofiar i możliwość szybkiego zgłaszania szkód; śledzenie pochodzenia treści; oznaczanie syntetycznych mediów tam, gdzie jest to sensowne; wsparcie dla niezależnych mediów; odporność platform na skoordynowane manipulacje. Samo oznaczanie nie rozwiązuje problemu, ponieważ metadane mogą zostać utracone lub zmienione, a prawdziwe materiały również bywają błędnie uznawane za syntetyczne.

Status: istnienie określonych nadużyć — dobrze podparte; wielkość ich wpływu na zaufanie publiczne i wyniki polityczne — zależna od kontekstu i trudniejsza do precyzyjnego oszacowania.

4. Władza rynkowa, koncentracja infrastruktury i zależność technologiczna

Sedno krytyki. Zaawansowane modele wymagają kapitału, układów obliczeniowych, centrów danych, energii, danych, talentów i kanałów dystrybucji. Dostęp do tych zasobów jest nierówny. Nawet nowi dostawcy i projekty otwarte mogą zależeć od infrastruktury chmurowej, platform dystrybucji lub sprzętu kontrolowanego przez niewielką liczbę firm.

AI Now Institute opisuje rozwój AI jako zjawisko związane z koncentracją zasobów i władzy, krytykując traktowanie obecnego kierunku rozwoju jako nieuniknionego. To perspektywa analityczno-rzecznicza, a nie neutralny pomiar rynku; jest jednak użyteczna przy identyfikowaniu zależności, interesów i kosztów społecznych. AI Now Institute, Artificial Power: 2025 Landscape Report

Dane Stanford HAI wskazują na ogromną skalę prywatnych inwestycji i nakładów infrastrukturalnych, a także nierówny geograficzny rozkład zasobów i inwestycji. Nie dowodzi to samo w sobie naruszenia prawa konkurencji, lecz pokazuje, dlaczego krytycy pytają o bariery wejścia, zależność od chmury, kontrolę nad kanałami dostępu i możliwość publicznego audytu. Stanford HAI, AI Index 2026: Economy oraz Policy and Governance

Kontrargument. Koncentracja może częściowo wynikać z wysokich kosztów stałych, a skala przedsiębiorstw umożliwia finansowanie badań i szerokie udostępnianie usług. Modele z otwartymi wagami, lokalne wdrożenia i narzędzia FLOSS mogą zwiększać możliwość inspekcji i zmniejszać zależność od jednego dostawcy.

Ograniczenie kontrargumentu. „Otwarte wagi” nie oznaczają automatycznie otwartych danych treningowych, pełnej odtwarzalności procesu, niskiego kosztu uruchomienia ani braku zależności od producentów sprzętu i chmury. Z kolei zamknięty model nie jest automatycznie szkodliwy w każdym zastosowaniu. Właściwe pytania dotyczą konkretnych warstw stosu technologicznego i realnej możliwości wyjścia z zależności.

Wniosek. Koncentracja jest zarazem problemem gospodarczym i politycznym: wpływa na to, kto ustala standardy, kto może prowadzić niezależne badania, kto otrzymuje rentę z automatyzacji oraz kto ma siłę negocjacyjną wobec państw i klientów.

Status: nierówny rozkład kapitału i infrastruktury — dobrze podparte; ocena, czy określony poziom koncentracji szkodzi innowacji lub dobrostanowi społecznemu, wymaga analiz rynku i porównań kontrfaktycznych.

5. Praca, automatyzacja, płace i kontrola nad miejscem pracy

Sedno krytyki. Krytycy obawiają się redukcji zatrudnienia, osłabienia pozycji negocjacyjnej pracowników, obniżania płac, intensyfikacji pracy, nadzoru algorytmicznego i przenoszenia odpowiedzialności za błędy na osoby wykonujące zadania. Ważne jest też pytanie, czy wzrost produktywności przełoży się na krótszy czas pracy i wyższe płace, czy głównie na zysk właścicieli kapitału.

Najważniejsza korekta względem publicystycznych skrajności: ekspozycja na AI nie jest tym samym co likwidacja etatu. Wspólne badanie Międzynarodowej Organizacji Pracy i polskiego NASK z 2025 r. szacuje, że około jedna czwarta zatrudnienia na świecie znajduje się w zawodach w pewnym stopniu narażonych na wpływ generatywnej AI; najwyższy poziom ekspozycji dotyczy około 3,3% światowego zatrudnienia. Autorzy oceniają, że częstsza może być transformacja zadań niż całkowite zastąpienie zawodów. Ekspozycja jest nierówna: większa w gospodarkach wysokodochodowych oraz wśród kobiet, częściowo z powodu struktury zatrudnienia. ILO/NASK, Generative AI and Jobs: A Refined Global Index of Occupational Exposure

Stanford HAI podaje, że zatrudnienie programistów w wieku 22–25 lat spadło w analizowanym okresie o blisko 20%, a część badanych organizacji spodziewa się redukcji zatrudnienia w związku z AI. Nie jest to samo w sobie dowód, że AI spowodowała cały obserwowany spadek. Raport zarazem wskazuje, że dotychczasowe skutki na poziomie całego rynku pracy są mieszane, a duże redukcje nie są jeszcze widoczne w zagregowanych danych zatrudnienia. Stanford HAI, AI Index 2026: Economy

Drugi wątek: praca ukryta w łańcuchu dostaw AI. Przygotowywanie danych, anotacja, moderacja, ocena odpowiedzi i testy bezpieczeństwa nadal wymagają pracy ludzi. Open Data Institute opisuje tę pracę jako często niewidoczną dla odbiorców i decydentów oraz wskazuje na braki przejrzystości i standardów. ODI, Mapping the role of data work in AI supply chains

Kontrargument. AI może automatyzować część monotonnych zadań, zwiększać produktywność, wspierać osoby mniej doświadczone i tworzyć zapotrzebowanie na nowe kompetencje. Efekt netto zależy jednak od tego, kto wdraża technologię, jak reorganizuje się pracę i czy pracownicy mają głos w tych decyzjach.

Wniosek. Właściwe pytanie brzmi nie tylko „ile etatów zniknie?”, lecz także: które zadania przechodzą na system; kto ponosi koszt kontroli wyniku; czy rośnie intensywność nadzoru; czy wynagrodzenia odzwierciedlają wzrost produktywności; i czy pracownik może odmówić użycia narzędzia bez sankcji.

Status: zróżnicowana ekspozycja zadań i stanowisk — dobrze podparta; prognozy całkowitego bezrobocia przypisywanego AI — nadal niepewne i zależne od scenariusza.

6. Prawa autorskie, zgoda, twórczość i rynek treści

Sedno krytyki. Twórcy, wydawcy i inni właściciele praw kwestionują wykorzystywanie ich utworów do treningu modeli, możliwość odtwarzania rozpoznawalnego stylu, asymetrię negocjacyjną oraz konkurencję ze strony produktów wytrenowanych na dużych zbiorach cudzej twórczości. Inny, odrębny problem stanowią cyfrowe repliki głosu i wizerunku, zwłaszcza tworzone bez zgody.

Amerykański Urząd Praw Autorskich opublikował części raportu poświęconego AI, obejmujące cyfrowe repliki, autorstwo wyników generowanych przez AI i prawne kwestie treningu na utworach chronionych. Część dotycząca treningu została udostępniona w wersji przedpublikacyjnej w maju 2025 r.; sam fakt jej publikacji nie oznacza, że wszelkie spory prawne zostały rozstrzygnięte. U.S. Copyright Office, Copyright and Artificial Intelligence

Bieżącym przykładem sporu jest pozew wniesiony 8 października 2026 r. przez USA Today Co. i powiązane podmioty przeciwko OpenAI, dotyczący domniemanego wykorzystania materiałów prasowych do treningu. Na datę raportu są to zarzuty stron w nowo wniesionej sprawie, nie ustalone prawomocnie naruszenie. Reuters, 8 października 2026 r.

Kontrargument. Zwolennicy szerszego wykorzystania danych treningowych podnoszą znaczenie dozwolonego użytku, uczenia statystycznych zależności, innowacji oraz możliwości licencjonowania i kompensacji. Nie należy z góry uznawać ani każdego treningu za legalny, ani każdego wykorzystania chronionych utworów za bezprawne: rozstrzygnięcia zależą od jurysdykcji, rodzaju materiału, sposobu użycia i właściwych testów prawnych.

Wniosek. Spór dotyczy równocześnie prawa, ekonomii i władzy: kto może decydować o wykorzystaniu zasobów kultury, kto otrzymuje wynagrodzenie, kto przejmuje korzyści z automatyzacji pracy twórczej oraz jakie prawa przysługują osobie, której głos lub wizerunek można syntetycznie odtworzyć.

Status: istnienie sporu prawnego i ekonomicznego — dobrze udokumentowane; rozstrzygnięcie konkretnych roszczeń — zależne od postępowania i jurysdykcji.

7. Dyskryminacja, prywatność, nadzór i prawa podstawowe

Sedno krytyki. Systemy AI mogą reprodukować lub wzmacniać nierówności zapisane w danych, tworzyć pętle sprzężenia zwrotnego i utrudniać osobom dotkniętym decyzją zrozumienie, dlaczego zostały potraktowane w określony sposób. Krytyka dotyczy m.in. rekrutacji, świadczeń publicznych, scoringu, predykcyjnego nadzoru policyjnego, rozpoznawania twarzy, reklamy profilowanej i wykorzystania danych wrażliwych.

Agencja Praw Podstawowych UE (FRA) opisuje, jak uprzedzenia w algorytmach mogą pojawiać się i wzmacniać w czasie, oraz zaleca ocenę jakości danych i regularne sprawdzanie systemów przed wdrożeniem i po nim. FRA, Bias in algorithms — Artificial intelligence and discrimination

Raport Stanford HAI z 2026 r. zwraca również uwagę na znaczące różnice jakości między językami standardowymi a dialektami i językami słabiej reprezentowanymi. To przykład ryzyka równościowego, które nie sprowadza się do klasycznych kategorii rasowych czy płciowych: użytkownicy mogą otrzymywać gorszą usługę ze względu na język, region albo sposób mówienia. Stanford HAI, AI Index 2026: Responsible AI

Kontrargument. Automatyzacja może ograniczać pewne formy arbitralności ludzkiej, wspierać dostępność i pomagać wykrywać nierówne traktowanie. Nie ma jednak powodu zakładać, że samo zastąpienie człowieka modelem zapewnia neutralność. Należy badać wyniki dla konkretnych grup, odwołania, wyników fałszywie dodatnich i fałszywie ujemnych oraz wpływ na ludzi w całym procesie decyzyjnym.

Wniosek. W zastosowaniach wpływających na prawa, zdrowie, dochód lub wolność człowieka potrzebne są: ocena skutków, możliwość zakwestionowania wyniku, odpowiedzialny podmiot, kontrola jakości danych, monitoring po wdrożeniu i realny nadzór człowieka. Sama „wyjaśnialność” techniczna nie zastępuje prawa do odwołania ani odpowiedzialności instytucji.

Status: ryzyko dyskryminacji i naruszeń prywatności w konkretnych zastosowaniach — dobrze podparte; skala szkód w całym sektorze — wymaga danych system po systemie.

8. Degradacja edukacji, kompetencji i autonomii poznawczej

Sedno krytyki. Łatwość generowania odpowiedzi może skłaniać do delegowania na model czynności, które są częścią samego procesu uczenia się: stawiania pytań, formułowania argumentów, pisania, sprawdzania źródeł i samodzielnego rozwiązywania problemów. Dodatkowe obawy dotyczą plagiatu, nierównego dostępu, prywatności uczniów i dopasowania oceniania do nowych warunków.

UNESCO w publikacji z 2025 r. postuluje podejście skoncentrowane na prawach uczniów i podkreśla konieczność zachowania ludzkiej sprawczości w środowisku edukacyjnym. UNESCO, AI and education: Protecting the rights of learners

Co pozostaje niepewne. Nie da się uczciwie sformułować jednej uniwersalnej tezy, że AI zawsze osłabia albo zawsze poprawia uczenie. Efekt może zależeć od wieku, przedmiotu, konstrukcji zadania, sposobu użycia i tego, czy uczeń otrzymuje wskazówki czy gotowy rezultat. Trzeba odróżniać krótkoterminową poprawę wykonania zadania od długoterminowego przyrostu kompetencji.

Wniosek. Warto badać nie tylko jakość odpowiedzi i czas wykonania, ale retencję wiedzy, transfer do nowych zadań, umiejętność wykrywania błędów, samodzielność bez narzędzia i różnice między grupami uczniów. To temat, w którym dobre eksperymenty porównawcze są ważniejsze niż ogólne deklaracje o „końcu edukacji”.

Status: ryzyko nadmiernego delegowania poznania i problemy z ocenianiem — wiarygodne i wymagające uwagi; skala długoterminowego osłabienia kompetencji — nadal zależna od kontekstu i potrzebująca dalszych badań.

9. Koszty środowiskowe i materialność infrastruktury

Sedno krytyki. AI bywa przedstawiana jako usługa niematerialna, lecz zależy od centrów danych, sieci, układów scalonych, energii, chłodzenia, wody, nieruchomości i łańcuchów dostaw. Koszty te obejmują nie tylko trenowanie modeli, lecz również ich codzienne uruchamianie, a także wytworzenie i wymianę sprzętu.

Międzynarodowa Agencja Energetyczna (IEA) szacowała, że globalne zużycie energii elektrycznej związane z centrami danych wzrośnie z około 460 TWh w 2024 r. do ponad 1000 TWh w 2030 r. w scenariuszu bazowym. To prognoza dla centrów danych ogółem, nie wyłącznie dla AI; źródła zapotrzebowania różnią się między regionami. IEA, Energy and AI

Badacze zwracają też uwagę, że brak rozdzielnych danych o obciążeniach AI i pozostałych obciążeniach centrów danych utrudnia wiarygodne obliczanie śladu węglowego i wodnego samej AI. Szacunki istnieją, ale mają szerokie przedziały niepewności. Przejrzystość raportowania energii, wody, emisji oraz lokalnych skutków infrastruktury jest więc warunkiem sensownej oceny. de Vries-Gao, 2025, The carbon and water footprints of data centers and what this could mean for artificial intelligence

Kontrargument. Modele mogą poprawiać efektywność energetyczną w innych sektorach, wspierać badania nad klimatem i optymalizować sieci energetyczne. Te potencjalne korzyści należy zestawiać z rzeczywistym zużyciem zasobów i wykazać w konkretnych zastosowaniach; nie są automatycznym odliczeniem od kosztów infrastruktury.

Wniosek. Ocena środowiskowa wymaga jednostek porównawczych, np. energii i wody na użyteczne zadanie, wraz z uwzględnieniem lokalnego miksu energetycznego, chłodzenia, wykorzystania serwerów, cyklu życia sprzętu i skutków odbicia (rebound effect). Wzrost efektywności jednostkowej nie gwarantuje spadku zużycia całkowitego, jeśli wolumen użycia rośnie szybciej.

Status: szybki wzrost zapotrzebowania centrów danych — dobrze podparty; dokładne przypisanie całkowitego śladu środowiskowego AI — obecnie obciążone znaczną niepewnością danych.

10. Bezpieczeństwo zaawansowanych systemów, bio/cyber i możliwa utrata kontroli

Ten obszar dyskursu bywa niesłusznie łączony w jedną kategorię z oszustwami, błędami modeli i problemami dyskryminacji. W rzeczywistości obejmuje kilka różnych klas ryzyka.

10.1. Nadużycie i dual-use

Modele mogą wspierać phishing, oszustwa, cyberoperacje lub udzielać informacji przydatnych w pracach nad niebezpiecznymi patogenami i substancjami. Raport bezpieczeństwa z 2026 r. podaje, że część producentów wprowadziła dodatkowe zabezpieczenia po testach, które nie pozwalały wykluczyć istotnej pomocy mniej doświadczonym osobom w niebezpiecznych zadaniach biologicznych. Jednocześnie raport wyraźnie zaznacza niepewność co do skali wzrostu rzeczywistego ryzyka: praktyczne bariery nadal mają znaczenie. International AI Safety Report 2026

10.2. Awarie oraz systemy agentowe

Agent, który wykonuje wiele kroków bez stałego nadzoru, może wzmocnić skutki pomyłki. Błąd może zostać przekazany do kolejnych systemów, a dostęp do narzędzi, plików, pieniędzy czy infrastruktury zwiększa konsekwencje nieprawidłowego działania. Z tego powodu poziom ryzyka powinien być oceniany na poziomie całego systemu i jego uprawnień, nie wyłącznie samego modelu językowego.

10.3. Utrata kontroli i ryzyko egzystencjalne

Hipotezy utraty kontroli dotyczą przyszłych systemów, które mogłyby planować w dłuższym horyzoncie, obchodzić nadzór i utrudniać wyłączenie. W raporcie z 2026 r. odnotowano, że badacze różnią się w ocenie prawdopodobieństwa i wagi takich scenariuszy. Pewne zachowania istotne dla bezpieczeństwa zaobserwowano w warunkach laboratoryjnych, lecz autorzy podkreślają, że obecne systemy nie mają jeszcze wysokich zdolności potrzebnych do utraty kontroli w mocnym rozumieniu tego scenariusza. International AI Safety Report 2026

Kontrargument i problem metodologiczny. Krytycy nadmiernego alarmizmu słusznie pytają o prawdopodobieństwa bazowe, odległe scenariusze i ryzyko odwracania uwagi od szkód już istniejących. Krytycy bagatelizowania ryzyka odpowiadają, że niepewność nie znosi potencjalnej skali szkód, a zabezpieczenia opracowane dopiero po powstaniu zdolności mogą być spóźnione. Te pozycje różnią się przede wszystkim założeniami o tempie postępu, możliwościach przyszłych systemów i tym, jakie ryzyko uznają za dopuszczalne.

Wniosek. W tym obszarze trzeba odróżniać: obserwowane nadużycia; mierzalne możliwości w testach; projekcje na podstawie trendów; oraz hipotetyczne scenariusze skrajne. Suma tych klas nie tworzy jednego „dowodu, że AI jest egzystencjalnym zagrożeniem”. Wymaga natomiast jawnych założeń, niezależnych testów, raportowania incydentów i okresowego aktualizowania ocen ryzyka.

Status: wzrost udokumentowanych nadużyć i ograniczenia metod zarządzania ryzykiem — dobrze podparte; skala przyszłego wzrostu zagrożeń biologicznych/cyber — niepewna; scenariusze utraty kontroli o skrajnych skutkach — otwarta hipoteza o wysokiej stawce, sporna w zakresie prawdopodobieństwa.

11. Użycie militarne i automatyzacja przemocy

Sedno krytyki. AI w wojsku może wspierać rozpoznanie, wybór celów, planowanie operacji, autonomię platform bojowych i działania informacyjne. Krytyka dotyczy błędów w warunkach bojowych, trudności z przewidywaniem działania systemu, przyspieszania cyklu eskalacji oraz rozmycia odpowiedzialności, gdy decyzja o użyciu siły jest wspierana lub wykonywana przez system.

Międzynarodowy Komitet Czerwonego Krzyża w stanowisku z 2025 r. ponowił apel o wiążące regulacje autonomicznych systemów broni, tak by zachować znaczącą kontrolę człowieka nad użyciem siły. ICRC, Preserving human control over the use of force

Kontrargument. Zastosowania AI mogą wspierać logistykę, rozpoznanie, wykrywanie zagrożeń i obronę. Argument o poprawie precyzji nie rozwiązuje jednak pytań o kontrolę, odpowiedzialność, odporność na zakłócenia i zgodność z międzynarodowym prawem humanitarnym. Automatyzacja wsparcia decyzji i autonomia krytycznej funkcji wyboru oraz ataku na cel nie powinny być traktowane jako to samo.

Wniosek. Kluczowe pytania to zakres autonomii, możliwość przerwania działania, walidacja w realistycznych warunkach, ślad audytowy decyzji, odpowiedzialność dowódcza i prawna oraz reguły użycia. Sama obecność operatora w pętli nie gwarantuje sensownej kontroli, jeśli tempo działania i interfejs uniemożliwiają mu faktyczną interwencję.

Status: ryzyka humanitarne i prawne związane z autonomią w użyciu siły — dobrze rozpoznane przez instytucje humanitarne; skutki konkretnych systemów zależą od ich architektury i wdrożenia.

12. Regulacje, odpowiedzialność i wiarygodność samoregulacji

Sedno krytyki. Dobrowolne deklaracje bezpieczeństwa mogą nie wystarczyć, zwłaszcza gdy firmy same projektują system, wybierają testy, publikują wyniki i czerpią korzyści z wdrożenia. Pytania dotyczą też odpowiedzialności za szkody, audytu, dostępu badaczy do modeli i danych, raportowania incydentów oraz możliwości skutecznego egzekwowania przepisów.

Stanford HAI wskazuje, że przejrzystość firm w zakresie danych treningowych, zasobów obliczeniowych i wpływu modeli pogorszyła się w analizowanym indeksie: średni wynik Foundation Model Transparency Index spadł z 58 w 2024 r. do 40 w 2025 r. To wynik konkretnego indeksu i określonych kryteriów ujawniania informacji, a nie uniwersalna miara „uczciwości” firm. Stanford HAI, AI Index 2026: Responsible AI

W UE Akt w sprawie AI wszedł w życie w 2024 r. i jest wdrażany etapami. Według aktualnej strony serwisowej Komisji Europejskiej, na 16 października 2026 r. od 2 sierpnia 2026 r. stosują się m.in. określone obowiązki dotyczące modeli ogólnego przeznaczenia i przejrzystości; część wymogów dla systemów wysokiego ryzyka oraz niektóre szczególne zakazy mają późniejsze terminy. Harmonogram uwzględnia zmiany związane z pakietem Digital Omnibus, dlatego nie należy powtarzać starszej osi czasu bez sprawdzenia aktualnych przepisów. Komisja Europejska, AI Act — When does enforcement start?

International AI Safety Report 2026 podkreśla, że ramy zarządzania ryzykiem stały się bardziej ustrukturyzowane, ale dowody na skuteczność większości środków pozostają ograniczone. Braki w monitorowaniu i zgłaszaniu incydentów utrudniają ocenę tego, co faktycznie działa. International AI Safety Report 2026

Najnowsze doniesienia pokazują, że przedmiotem sporu jest nie tylko samo prowadzenie zewnętrznych ocen, ale również dostęp ewaluatorów do systemów i ich swoboda publikowania wyników. Reuters opisał 13 października negocjacje firm AI z niezależnymi recenzentami dotyczące zasad publikacji, a 15 października poinformował, że Anthropic przyznał organizacji METR rozszerzony dostęp do swoich systemów oceny ryzyka. Takie współprace mogą poprawiać niezależną kontrolę, lecz same w sobie nie gwarantują pełnej niezależności — znaczenie mają warunki dostępu, prawo do publikacji i jawność ewentualnych ograniczeń. Reuters, 13 października 2026 r. · Reuters, 15 października 2026 r.

Kontrargument. Regulacje mogą zwiększać koszty zgodności i paradoksalnie wzmacniać największe podmioty, które łatwiej finansują obsługę prawną i infrastrukturę zgodności. Zbyt sztywne przepisy mogą też utrudniać badania i użyteczne wdrożenia. Dlatego regulację warto oceniać pod kątem celu, proporcjonalności, możliwości egzekucji i ryzyka przechwycenia przez interesy branżowe — nie wyłącznie po tym, czy jest „surowa” albo „lekka”.

Wniosek. Sama liczba przepisów nie jest miernikiem skuteczności. Znaczenie mają niezależność audytu, egzekwowanie, przejrzystość incydentów, ochrona zgłaszających problemy, prawa osób dotkniętych systemem oraz mierzalne skutki dla bezpieczeństwa i konkurencji.

13. Publiczna opinia i konflikt narracji

Dyskurs publiczny nie dzieli się prosto na zwolenników i przeciwników AI. Z badania przytoczonego w AI Index 2026 wynika, że na świecie odsetek osób uznających, iż produkty i usługi AI przynoszą więcej korzyści niż wad, wzrósł z 55% w 2024 r. do 59% w 2025 r.; jednocześnie 52% badanych mówiło, że AI budzi w nich zdenerwowanie lub niepokój. W amerykańskim badaniu rozbieżność między ekspertami AI a opinią publiczną była duża w kwestii oczekiwanego wpływu AI na pracę i gospodarkę. Stanford HAI, AI Index 2026: Public Opinion

Wśród dominujących ram narracyjnych można wyróżnić:

1. Narrację postępu i produktywności: AI zwiększy możliwości człowieka, obniży koszty i przyspieszy badania.
2. Narrację odpowiedzialnego wdrażania: korzyści są realne, ale wymagają standardów, nadzoru, testów i mechanizmów naprawy szkód.
3. Narrację praw i sprawiedliwości: główne pytanie dotyczy tego, kto kontroluje technologię, kto jest eksploatowany lub nadzorowany i czy można zakwestionować decyzję.
4. Narrację ryzyka zaawansowanej AI: tempo rozwoju i potencjalna zdolność do działania poza kontrolą mogą uzasadniać ostrzejsze zabezpieczenia jeszcze przed pełnym wykazaniem szkód.
5. Narrację sceptyczną wobec „AI jako rozwiązania”: wiele obietnic może być przesadzonych; automatyzacja nie powinna zastępować reform instytucjonalnych ani uzasadniać cięć usług publicznych.
6. Narrację antyregulacyjną lub otwartościową: ograniczenia mogą chronić zasiedziałych graczy; otwarte modele i konkurencja mogą zwiększać innowacyjność i sprawczość użytkowników.

Ramy te nie są rozłączne. Jedna osoba może popierać otwarte modele, krytykować monopolizację, uważać obecne szkody za poważne i jednocześnie nie zgadzać się z prognozami ryzyka egzystencjalnego.

14. Co łączy nurty krytyki, a co pozostaje sporne?

Wspólne pytania

• Czy niezależni badacze mają dość dostępu, by sprawdzać twierdzenia producentów?
• Czy testy przed wdrożeniem przewidują zachowanie systemów w rzeczywistych warunkach?
• Kto ponosi odpowiedzialność za szkody i jak osoba dotknięta błędem może uzyskać zadośćuczynienie?
• Kto przejmuje korzyści z produktywności, a kto płaci koszty transformacji?
• Jakie materiały, dane i praca ludzi były potrzebne do wytworzenia systemu?
• Czy rozwój zwiększa lub ogranicza koncentrację władzy i zdolność społeczeństw do samostanowienia?
• Jak rozdzielać środki między kontrolę szkód istniejących a ryzyka przyszłe?

Spory, których nie należy sztucznie scalać

1. Szkody bieżące a ryzyko egzystencjalne. To różne horyzonty czasowe, różne rodzaje danych i odmienne środki zaradcze. Nie trzeba rozstrzygać sporu o utratę kontroli, by uzasadnić audyt systemów używanych do przydziału świadczeń. I odwrotnie: wykazanie obecnych szkód nie obala automatycznie scenariuszy przyszłych.

2. Technologia a model gospodarczy. Ta sama zdolność może zostać użyta do wspierania pracownika albo do redukcji zatrudnienia i intensyfikacji nadzoru. Wynik zależy nie tylko od jakości modelu, lecz także od własności, bodźców, zasad pracy i podziału korzyści.

3. Otwartość a bezpieczeństwo. Otwartość może zwiększać audytowalność, pluralizm i niezależność; może także ułatwiać uruchomienie systemu bez zabezpieczeń. Zamknięcie może utrudniać niezależny audyt i wzmacniać kontrolę dostawcy, ale bywa uzasadniane zarządzaniem ryzykiem. Rozstrzygnięcie powinno być specyficzne dla modelu, jego możliwości i scenariusza użycia.

4. Efektywność a wartość społeczna. Skrócenie czasu zadania nie przesądza, że poprawia się jakość pracy, edukacji lub usługi publicznej. Potrzebne są pomiary skutków końcowych, a nie tylko produktywności bezpośredniej.

15. Najważniejsze luki w wiedzy i testy rozstrzygające

Najbardziej użyteczne kolejne badania powinny być zaprojektowane tak, by rozróżniały konkurencyjne wyjaśnienia, a nie tylko zbierały argumenty na rzecz wcześniej wybranego stanowiska.

16. Konkluzje

1. Krytyka AI jest krytyką wielu różnych przedmiotów. Obejmuje model, produkt, proces wdrożenia, strukturę rynku, łańcuch dostaw, instytucję korzystającą z systemu i politykę państwa. Przypisanie całego skutku „AI” zaciera miejsce, w którym można interweniować.
2. Nie wszystkie zarzuty mają jednakowy status dowodowy. Błędy, część nadużyć, braki przejrzystości, konkretne problemy dyskryminacji i ryzyka praw pracowniczych mają solidne podstawy. Skala długoterminowej transformacji pracy, wpływ na procesy demokratyczne i ryzyka skrajne wymagają ostrożniejszego osądu.
3. Obietnice korzyści również wymagają testów. Potencjalna produktywność, lepszy dostęp do usług czy przyspieszenie nauki nie są automatycznym dowodem wartości konkretnego wdrożenia. Należy mierzyć rezultaty, koszty alternatywne i rozkład korzyści.
4. Wspólnym mianownikiem wielu nurtów jest odpowiedzialność i asymetria władzy. Ważne są dostęp do informacji, prawo do odwołania, negocjacyjna pozycja pracowników, możliwość niezależnego audytu oraz kontrola nad infrastrukturą.
5. Najlepsza polityka nie musi oznaczać ani powszechnego zakazu, ani bezwarunkowego przyspieszania rozwoju. Może łączyć zakazy dla konkretnych zastosowań, proporcjonalne wymogi dla zastosowań wysokiego ryzyka, testowanie, odpowiedzialność, ochronę praw, wspieranie konkurencji i publicznie użyteczne alternatywy.
6. Kolejnym krokiem powinno być pogłębianie badań w konkretnych obszarach, nie produkowanie jednej totalnej teorii AI. W szczególności warto oddzielnie badać ekonomię i infrastrukturę AI, rynek pracy, rzetelność i ewaluację modeli, edukację, prawa autorskie, zastosowania militarne oraz ryzyka zaawansowanych systemów.

Wybrane źródła podstawowe i orientacyjne

1. Stanford HAI, AI Index 2026 — Responsible AI — incydenty, benchmarki odpowiedzialnej AI, przejrzystość, testy bezpieczeństwa.
2. Stanford HAI, AI Index 2026 — Economy — inwestycje, adopcja, rynek pracy, produktywność.
3. Stanford HAI, AI Index 2026 — Public Opinion — opinia publiczna, zaufanie i oceny wpływu AI.
4. Stanford HAI, AI Index 2026 — Policy and Governance — polityka publiczna, suwerenność AI i rozkład infrastruktury.
5. International AI Safety Report, 2026 Report: Extended Summary for Policymakers — możliwości, nadużycia, awarie, ryzyko systemowe, zarządzanie ryzykiem.
6. ILO/NASK, Generative AI and Jobs: A Refined Global Index of Occupational Exposure — ekspozycja zawodów na generatywną AI.
7. AI Now Institute, Artificial Power: 2025 Landscape Report — koncentracja, władza rynkowa, praca i polityka przemysłowa; raport z określoną perspektywą rzeczniczą.
8. Open Data Institute, Mapping the role of data work in AI supply chains — praca związana z danymi i łańcuchami dostaw AI.
9. U.S. Copyright Office, Copyright and Artificial Intelligence — cyfrowe repliki, autorstwo wyników i kwestie treningu modeli na utworach chronionych.
10. Reuters, USA Today sues OpenAI for copyright infringement over AI training (8.10.2026) — przykład trwającego sporu; opisuje zarzuty, nie rozstrzygnięcie sądowe.
11. EU AI Act Service Desk, Kiedy rozpoczyna się egzekucja? — aktualizowany harmonogram stosowania przepisów.
12. IEA, Energy and AI — zużycie energii przez centra danych i scenariusze popytu.
13. de Vries-Gao (2025), The carbon and water footprints of data centers and what this could mean for artificial intelligence — szacunki śladu środowiskowego i ograniczenia danych.
14. European Union Agency for Fundamental Rights, Bias in algorithms — Artificial intelligence and discrimination — algorytmiczne uprzedzenia i ocena skutków.
15. UNESCO, AI and education: Protecting the rights of learners — prawa uczniów, równość, prywatność i sprawczość.
16. Freedom House, Freedom on the Net 2025 — wolność cyfrowa, nadzór i manipulacja środowiskiem informacyjnym.
17. International Committee of the Red Cross, Preserving human control over the use of force (12.05.2025) — regulacja autonomicznych systemów broni.
18. Reuters, OpenAI, Meta caution US judiciary about risk of “deepfake” evidence (15.10.2026) — trudności z oceną autentyczności materiałów cyfrowych w postępowaniach sądowych.
19. Reuters, Behind AI industry’s call for independent reviews, a fight over what gets made public (13.10.2026) — spór o niezależność zewnętrznych ocen bezpieczeństwa i publikację ich wyników.
20. Reuters, Anthropic grants outside evaluator METR employee-level access in AI safety push (15.10.2026) — przykład rozszerzonego dostępu zewnętrznego ewaluatora do oceny modeli.