Kluczowe fakty:
- Konstrukcja językowa „to nie X, to Y", określana w lingwistyce jako „negatywny paralelizm" lub „frazowanie kontrastowe", stała się najbardziej rozpoznawalnym tikiem językowym modeli sztucznej inteligencji, widocznym powszechnie m.in. na platformie LinkedIn.
- Laurentia Romaniuk, menedżerka produktu w OpenAI odpowiedzialna za zachowanie modeli, przyznała, że ChatGPT sięga po tę konstrukcję zbyt często i firma pracuje nad poszerzeniem repertuaru stylistycznego chatbota.
- Wśród teorii wyjaśniających to zjawisko wymienia się dane treningowe, w których negatywny paralelizm rzeczywiście występował – m.in. w hasłach reklamowych z lat sześćdziesiątych i dziewięćdziesiątych – oraz proces dostrajania modeli.
Zdanie zdradza bota szybciej niż jakikolwiek inny sygnał. Amerykański tygodnik The Atlantic opisuje konstrukcję „to nie X, to Y”, która stała się najbardziej rozpoznawalnym tikiem językowym sztucznej inteligencji na świecie.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Jedno zdanie, które zdradza każdy model
Wystarczy zacząć zwracać na to uwagę, żeby przestać móc przestać. Otwierasz LinkedIna i w trzecim poście czytasz, że coś „nie jest tylko narzędziem, to fundament nowej strategii”. Scrollujesz dalej i trafiasz na wariant z przeczeniem potrójnym: „żadnego bagażu, żadnych rzeczy, tylko ja”. Publicysta Will Oremus z The Atlantic prześledził historię tej konstrukcji i doszedł do wniosku, że nikt tak naprawdę nie wie, skąd się wzięła jej dzisiejsza wszechobecność ani skąd biorą się jej warianty, w których druga część zdania dodaje coś do pierwszej, intensyfikuje ją lub rozszerza jej znaczenie.
Zjawisko doczekało się już własnej nazwy. W środowisku lingwistycznym najczęściej pada określenie „negatywny paralelizm” choć Laurentia Romaniuk, menedżerka produktu odpowiedzialna za zachowanie modeli w OpenAI, w rozmowie z The Atlantic nazwała to zjawisko „frazowaniem kontrastowym”. Retoryka klasyczna zna ten mechanizm od stuleci pod nazwą antytezy. Problem nie w samej figurze, tylko w jej częstotliwości.
Dlaczego modele tak bardzo to lubią
Romaniuk przyznała wprost, że stosowana z umiarem konstrukcja bywa efektowna, ale ChatGPT sięga po nią zbyt często, przez co brzmi szablonowo. Według niej firma pracuje nad poszerzeniem repertuaru stylistycznego chatbota, a do tego czasu użytkownicy mogą próbować ograniczać to zjawisko przez własne instrukcje niestandardowe.
Teorii wyjaśniających to zachowanie jest kilka. Jedna wskazuje na dane treningowe, w których negatywny paralelizm faktycznie występował, choćby w słynnym haśle trenera futbolu amerykańskiego Vince’a Lombardiego z lat sześćdziesiątych czy reklamie pizzy sieci DiGiorno z lat dziewięćdziesiątych. Druga teoria idzie głębiej i wiąże problem z procesem dostrajania modeli po treningu wstępnym.
Obserwuję to zjawisko od dawna i traktuję je jako coś więcej niż ciekawostkę stylistyczną. Modele językowe uczą się na tekstach, w których kontrastowa figura retoryczna bywała środkiem wyjątkowym, zarezerwowanym na moment kulminacyjny przemówienia czy sloganu reklamowego. Sztuczna inteligencja nie ma pojęcia umiaru, więc powtarza ten sam chwyt w każdej odpowiedzi, niezależnie od tego, czy opisuje przepis kulinarny, czy raport finansowy. Widzę w tym dobrą lekcję na temat granic naśladownictwa: model potrafi rozpoznać wzorzec, ale nie potrafi ocenić, kiedy przestaje on działać. To samo dotyczy zresztą wielu innych sygnałów, po których rozpoznajemy tekst wygenerowany maszynowo, od nadużywania emdaszy po sztuczne wyliczenia trójkowe. Ciekawi mnie, czy za rok będziemy jeszcze rozmawiać o tym samym tiku, czy pojawi się kolejny, równie łatwy do namierzenia.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Kiedy figura retoryczna staje się wadą
Badania kognitywne nad przeczeniami sięgają lat osiemdziesiątych. Eksperyment Daniela Wegnera z 1987 roku pokazuje mechanizm, który dziś służy do krytyki właśnie tej konstrukcji AI, opisanej przez Joshuę Gonzalesa, badacza lingwistyki z University of Guelph, na łamach The Conversation. Z badań wynika prosty wniosek:
- czytelnik przetwarza najpierw zaprzeczony rzeczownik, a dopiero potem alternatywę,
- jeśli alternatywa ma oczywisty przeciwstawny odpowiednik, mózg podstawia go automatycznie,
- jeśli takiego odpowiednika nie ma, ponad jedna trzecia czytelników zapamiętuje wersję zaprzeczoną, a nie tę zamierzoną.
Innymi słowy zdanie w rodzaju „to nie marketing, to ruch społeczny” może w pamięci odbiorcy zostawić właśnie słowo „marketing”, z doklejoną etykietą, która i tak po chwili odpada.
Efekt uboczny całej sprawy jest paradoksalny. Firma Pangram, zajmująca się wykrywaniem tekstów generowanych maszynowo, przyznaje w rozmowie z The Atlantic, że mimo zmieniających się sygnałów stylistycznych wykrycie tekstu AI wcale nie staje się trudniejsze, częściowo właśnie dzięki takim uporczywym nawykom modeli. Ludzcy autorzy, którzy naturalnie posługują się kontrastową składnią, coraz częściej muszą się z tego tłumaczyć, że to po prostu ich styl, a nie ślad po chatbocie.
Co to oznacza dla polskich firm i redakcji
Ten sam mechanizm dotyczy języka polskiego, choć na razie mniej systematycznie opisany. Polskie uczelnie od lutego 2024 roku korzystają z modułu wykrywania AI wbudowanego w Jednolity System Antyplagiatowy, obowiązkowy dla wszystkich prac dyplomowych w kraju. Jak tłumaczyła Małgorzata Wartacz, kierowniczka projektu JSA w Ośrodku Przetwarzania Informacji, system opiera się na miarze zwanej perplexity: tekst szablonowy i przewidywalny cechuje się niską wartością tego wskaźnika, co budzi podejrzenie użycia sztucznej inteligencji.
Rodzime narzędzia komercyjne idą podobną drogą. System Antyplagiat.pl deklaruje około 95 procent skuteczności wykrywania treści AI, przy czym odsetek fałszywych alarmów sięga niespełna pięciu procent dla języka polskiego, czyli wyraźnie więcej niż dla angielskiego. To pokazuje, że polska specyfika językowa, z bogatszą fleksją i inną budową zdania, nie jest jeszcze tak dobrze rozpoznawana przez detektory jak angielszczyzna.
Dla redakcji, agencji marketingowych i działów komunikacji korporacyjnej w Polsce płynie z tego konkretny wniosek. Teksty publikowane pod firmowym szyldem, raporty roczne, komunikaty prasowe czy posty na LinkedIn coraz częściej przechodzą przez nieformalną kontrolę czytelników uzbrojonych w wyczucie stylu albo w gotowe detektory. Konstrukcja „to nie X, to Y” powtórzona kilka razy w jednym tekście działa jak czerwona flaga, niezależnie od tego, czy dokument rzeczywiście powstał z pomocą modelu językowego, czy po prostu naśladuje jego ton.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Kiedy figura jeszcze działa
Nie każde użycie kontrastu jest błędem. Klasyczne przykłady retoryki politycznej, jak słynne zdanie Johna F. Kennedy’ego o tym, co obywatel może zrobić dla swojego kraju, pokazują, że dobrze umieszczona antyteza potrafi zapaść w pamięć na dekady. Różnica leży w częstotliwości i kontekście.
Kilka sygnałów pomaga odróżnić świadome użycie od maszynowego nawyku:
- Jedno użycie na tekst działa, kilkanaście w jednym akapicie budzi zmęczenie.
- Figura sprawdza się w momencie kulminacyjnym, nie w każdym zdaniu opisowym.
- Jeśli druga część zdania nie wnosi nic nowego wobec pierwszej, to sygnał, że konstrukcja jest pusta.
Redakcje piszące teksty korporacyjne, prasowe czy contentowe dla klientów mogą po prostu przejrzeć własny materiał pod kątem tej jednej frazy. Prosty przegląd, bez żadnego oprogramowania, często wystarcza, żeby wychwycić nawyk, zanim zrobi to czytelnik albo automatyczny detektor.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału The Atlantic autorstwa Willa Oremusa, a także dodatkowych źródeł branżowych, w tym Boing Boing oraz WDC News 6, cytujących wypowiedzi Laurentii Romaniuk z OpenAI i badania Joshuy Gonzalesa z University of Guelph. W części dotyczącej polskiego rynku wykorzystano informacje Stowarzyszenia Polskich Mediów oraz dane systemu Antyplagiat.pl. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji na temat rozwoju detekcji tekstów generowanych przez sztuczną inteligencję.
