54 osoby, czujniki EEG na głowie i jeden esej do napisania. 🙂 Grupa z ChatGPT miała najsłabszą łączność sieci mózgu, grupa z wyszukiwarką była pośrodku, a ta bez narzędzi miała sieci najszersze. Tak wygląda preprint Natalii Kosmyny i zespołu z MIT Media Lab, „Your Brain on ChatGPT” (arXiv 2506.08872, czerwiec 2025). To nie wyrok, że model uszkadza mózg. To pomiar tego, co dzieje się w trakcie jednego typu zadania, gdy robotę oddasz wcześniej.
Co właściwie zmierzono w MIT
Trzy sesje w tych samych warunkach, 54 uczestników, po 18 w grupie: ChatGPT, wyszukiwarka, sam mózg. Czwartą sesję skończyło 18 osób i zamieniono im role: piszący dotąd z modelem pisali sami, a piszący sami dostali model. U osób odstawionych od modelu zespół opisał słabsze zaangażowanie sieci alfa i beta, a u tych, którzy najpierw pisali sami i dopiero potem dostali narzędzie, lepsze przypominanie. Większość osób piszących z modelem nie potrafiła zacytować własnego eseju, a poczucie autorstwa było u nich najniższe. Autorzy nazywają ten wzorzec długiem poznawczym.
Ograniczenia wypisują sami autorzy: mała próba z kilku pobliskich uczelni, jedno zadanie (esej), jeden model i preprint bez recenzji. Uczciwy odczyt: sygnał do replikacji, nie diagnoza kliniczna. Nie przenosi się automatycznie na debugowanie kodu ani na odpowiedź klientowi, którą i tak sprawdzasz w systemie. Strona projektu jest na MIT Media Lab.
Zaufanie do narzędzia ścina wysiłek, zaufanie do siebie go podnosi
Inny rząd wielkości i inna metoda. Hao-Ping Lee, Advait Sarkar i współpracownicy z Microsoft Research oraz Carnegie Mellon zapytali 319 pracowników wiedzy, którzy korzystają z generatywnej AI w pracy. Zebrali 936 przykładów prawdziwych zadań (CHI 2025, DOI). Wyższe zaufanie do narzędzia wiązało się z mniejszym myśleniem krytycznym, a wyższa pewność siebie w zadaniu z większym.
Jakościowo wysiłek się przesuwa: zbieranie informacji schodzi na model, rośnie waga weryfikacji, wklejenia odpowiedzi we własny produkt i pilnowania całego zadania. To dobre przesunięcie, jeśli ktoś naprawdę weryfikuje. Złe, jeśli „weryfikacja” oznacza rzut oka na płynny akapit.
Offloading nie jest nowy. Nowy jest poziom, który oddajesz
Oddawanie pamięci na zewnątrz ma nazwę od lat: cognitive offloading, opisany m.in. przez Risko i Gilberta. Kalkulator i notatka zdejmują prosty ciężar. Model językowy potrafi zdjąć plan, syntezę i ocenę. To inna półka.
Michael Gerlich w „Societies” (3 stycznia 2025, 666 uczestników, ankiety i wywiady) opisał ujemny związek między częstym użyciem narzędzi AI a samoopisanym myśleniem krytycznym, z offloadingiem jako pośrednikiem. Młodsi uczestnicy (17-25 lat) byli bardziej zależni od narzędzi i niżej oceniali własne myślenie krytyczne, a wyższe wykształcenie wiązało się z lepszym wynikiem niezależnie od użycia AI. To korelacja z ankiety, nie dowód przyczyny. We wrześniu 2025 r. czasopismo opublikowało korektę błędu w tabeli, więc nie przepisujemy współczynników z omówień blogowych. Precyzyjne bierz z wersji na MDPI.
Yizhou Fan i współpracownicy (British Journal of Educational Technology, 2025) nazwali pokrewny mechanizm leniwością metapoznawczą. W eksperymencie na 117 studentach porównano cztery rodzaje wsparcia: ChatGPT, eksperta, narzędzie z listą kontrolną i brak wsparcia. Grupa z ChatGPT poprawiła esej najbardziej, także wobec grupy z człowiekiem, ale przyrost wiedzy i jej transfer nie różniły się istotnie, a metapoznawczych procesów, takich jak ocena, było mniej (preprint). Wynik w górę, nauka niekoniecznie.
Przegląd zakresowy z 2026 r. (Wang i in., Behavioral Sciences) objął 123 prace o generatywnej AI, offloadingu i sprawczości uczących się w szkolnictwie wyższym. Nie składa ich w jeden werdykt „szkodzi”: wartość AI zależy od warunków, a model bywa rusztowaniem albo erozją sprawczości. To synteza, nie metaanaliza z jedną wielkością efektu.
Do tego dochodzi pewność siebie. Cheatle i Banks (CHI 2026, rozszerzone streszczenie) pokazali w zadaniach diagnostycznych, że oddawanie pracy AI psuje kalibrację pewności siebie: najlepiej dopasowaną do trafności miały osoby bez wsparcia, oddanie oceny kończyło się nadmierną pewnością, a oddanie pamięci i oceny niedostateczną.
Czego z tego nie wolno zrobić
Nie wolno napisać, że LLM obniża inteligencję. Żadne z tych badań tego nie mierzy w sposób, który utrzymałby takie zdanie. Nie wolno też zrównać preprintu EEG z ankietą samoopisu. Inna metoda, inny błąd, inna siła.
Wolno powiedzieć coś węższego. Gdy model wchodzi przed Twoją wersją, spada zaangażowanie mierzone w trakcie zadania, spada poczucie autorstwa i rośnie pokusa, żeby uznać płynność za sprawdzenie. Gdy wchodzi po Twojej wersji, te same badania sugerują inny obraz: narzędzie dokłada, nie zastępuje.
Praktycznie: najpierw trzy zdania własnymi słowami, czego chcesz i czego nie wiesz. Potem model. Potem jedno sprawdzenie w źródle, nie w drugim modelu. Do nauki zostaw krok, który boli, czyli ocenę, czy odpowiedź w ogóle odpowiada na pytanie. Do pracy zostaw decyzję, której nie chcesz tłumaczyć zdaniem „tak wyszło z czatu”. Dług poznawczy, jeśli się potwierdzi w większych próbach, nie narasta od jednego szkicu. Narasta od nawyku oddawania oceny. To nie Twoja wina, że narzędzie jest wygodne. Ale to Ty decydujesz, kiedy wchodzi do gry.
Myślenie nie boli. Nie bądź młotkiem.
Czytaj dalej: Wygodny agent myli się pewnie. Potem klika (gdy oddana ocena trafia do agenta z uprawnieniami), Sąd nie oddał wyroku modelowi (kto ma przeczytać brudnopis), 9 na 10 kroków agenta.
Źródła: Kosmyna i in., Your Brain on ChatGPT (preprint), Lee i in., CHI 2025, Gerlich, Societies 2025, Fan i in., BJET 2025, Wang i in., Behavioral Sciences 2026.