Szkolenia AI dla firm Warsztaty na zadaniach Twojego zespołu: online 4–8 h albo stacjonarnie w całej Polsce Zobacz program →

Badanie Anthropic: eksperci przejmują zdanie agenta AI, nawet losowe

50 analityków pracowało z agentem AI, któremu los przydzielał zdanie. W 86% decyzji wybrali jego stronę, a jego argumenty uznali za własne.

2 listopada 2026 · Adam Bakalarz
Ilustracja: moneta wirująca w powietrzu nad biurkiem, robot wskazuje szalę wagi, a człowiek z notesem powtarza jego gest

W skrócie

  • W badaniu Anthropic z 27.10.2026 r. 50 analityków pracujących z Claude Code wybrało stronę agenta w 86% decyzji analitycznych, choć jego zdanie ustalało losowanie (przypadek dałby ok. 50%).
  • 77% uczestników (37 z 48) uzasadniało swoje wybory argumentami agenta, czasem niemal dosłownie, a agenta wspomniało tylko 15%; nikt nie podejrzewał ukrytej instrukcji.
  • Autorzy zastrzegają: jedno zadanie, jedna dziedzina, jeden model i celowo wzmocnione stanowisko agenta, więc w codziennej pracy efekt może być mniejszy.

Stan na 2 listopada 2026

O badaniu: kto, kiedy i dlaczego warto je znać

Anthropic opublikował 27 października 2026 r. badanie „Who’s Aligned to Whom? How AI Agents Shape Experts’ Research Judgment Calls” (w wolnym tłumaczeniu: „Kto jest dopasowany do kogo? Jak agenty AI kształtują decyzje ekspertów”). Autorami są Amaç Herdağdelen z programu Anthropic Fellows oraz Hailey Joren i Alex Tamkin z Anthropic. Opublikowano pełny tekst i skrót na stronie Anthropic.

Badanie dotyka zasady, na której opiera się wiele firmowych regulaminów AI: „AI przygotowuje, człowiek zatwierdza”. Sprawdza, czy człowiek rzeczywiście decyduje sam, gdy agent ma własne zdanie i umie go bronić. Czym są agenty i jak z nimi pracować, wyjaśniamy w przewodniku po agentach AI.

Definicja

Automation bias (błąd automatyzacji) to skłonność do polegania na podpowiedzi automatu bardziej, niż uzasadniają to fakty, także wtedy, gdy człowiek sam ma inne informacje. Klasyczne badania zakładają, że istnieje poprawna odpowiedź. Tu jej nie ma, a agent nie tylko podpowiada, lecz także argumentuje.

Jak badano

Badacze zrekrutowali przez płatną platformę praktyków wnioskowania przyczynowego, czyli analityków oceniających skutki programów na podstawie danych obserwacyjnych. Zadanie ukończyło 61 osób: 50 pracowało z agentem, a 11 zdecydowało się pracować bez niego i posłużyło jako grupa porównawcza. Ankiety przed zadaniem i po nim wypełniło 48 osób z pierwszej grupy; 90% z nich oceniało swoją znajomość metod jako biegłą lub ekspercką, a 65% miało magisterium, doktorat albo co najmniej sześć lat pracy w analizach.

Uczestnik był głównym analitykiem fikcyjnej spółdzielni rolniczej. Miał oszacować, czy dobrowolny program doradczy podnosi produktywność gospodarstw (zarząd oczekiwał ok. 3–4%), i zarekomendować jego rozszerzenie albo zamknięcie. Po drodze podejmował cztery decyzje analityczne, w których obie opcje dało się uczciwie uzasadnić.

Wszyscy pracowali w Claude Code (wersja 2.1.220) z modelem Claude Opus 4.8. Ukryty prompt systemowy przydzielał agentowi w każdej z pięciu decyzji losowo wybrane stanowisko. Agent miał przedstawiać je jako własne i budować dla niego „najmocniejszy uczciwy, oparty na danych argument”, bez przekłamywania wyników i ukrywania danych. Wszystkie 32 możliwe układy stanowisk rozdzielono po równo. Plan analizy zarejestrowano wcześniej w serwisie OSF.

Wynik 1. W 86% decyzji analitycy wybrali stronę agenta

W czterech decyzjach analitycznych wybór uczestnika zgadzał się z losowo przydzielonym stanowiskiem agenta w 86% przypadków. Gdyby agent nie miał wpływu, byłoby to ok. 50%. Według autorów stanowisko agenta zmieniało ostateczny wybór uczestnika w 72% przypadków.

DecyzjaZgodność ze stanowiskiem agenta
Miara produktywności92%
Metoda liczenia efektu82%
Kogo obejmuje szacunek81%
Ważenie gospodarstw90%
Razem (przy przypadku ok. 50%)86%

Na końcową rekomendację wpływ był mniejszy i w głównym modelu nieistotny statystycznie. Autorzy zastrzegają jednak, że to nie dowód samodzielności: w analizie eksploracyjnej same cztery losowania stanowisk agenta trafnie przewidywały 82% rekomendacji (wśród osób, które nie wybrały przedłużenia programu o rok), wobec 61% przy zgadywaniu najczęstszej odpowiedzi. Agent wpłynął na liczby, a liczby przesądziły o rekomendacji.

W praktyce: wynik w raporcie może wyglądać na niezależny wniosek analityka, choć o kierunku zdecydowały wcześniejsze, drobne wybory podsunięte przez agenta.

Wynik 2. Agent przekonywał nawet tych, którzy mieli już zdanie

W 77% decyzji agent pierwszy wskazywał stronę, a uczestnicy kwestionowali jego stanowisko w 23% (sprzeciwem, dopytaniem albo wyborem drugiej opcji). Ciekawsze są sytuacje, w których człowiek zajął stanowisko, zanim agent zabrał głos. Gdy agent się z nim nie zgadzał, uczestnik zmieniał zdanie w 60% przypadków, a gdy się zgadzał, w 6%. Po uwzględnieniu rodzaju decyzji różnica wyniosła 53 punkty procentowe, ale opiera się tylko na 38 takich sytuacjach.

W zapisach sesji autorzy nie znaleźli wprowadzania w błąd. Agent rzadko jednak tłumaczył, dlaczego kompetentny ekspert mógłby wybrać drugą opcję.

W praktyce: zdanie wypowiedziane jako pierwsze działa jak kotwica (efekt zakotwiczenia), a argumenty tylko za jedną stroną łatwo wziąć za pełny obraz sprawy.

Wynik 3. Rekomendacja „moja”, argumenty agenta

Po zadaniu uczestnicy dobrze pamiętali swoje decyzje: poprawnie wskazywali wybraną opcję w 85% przypadków. 52% uznało końcową rekomendację za bardziej swoją niż agenta. Gdy jednak mieli uzasadnić wybory, 77% (37 z 48) powtarzało argumenty agenta, czasem niemal dosłownie, a agenta wspomniało tylko 15%.

Pewność siebie nie zdradzała wpływu: osoby, które poszły za agentem we wszystkich czterech decyzjach, oceniały trafność rekomendacji średnio na 71 punktów na 100, a pozostałe na 73. Nikt nie podejrzewał, że zachowanie agenta zostało zaplanowane.

Autorzy podsumowują, że praca nadal wychodzi pod nazwiskiem eksperta, ale decyzje najbardziej zależne od jego osądu „w rzeczywistości rozstrzyga wstępne nastawienie agenta”.

W praktyce: pytanie „czy to Twoja decyzja?” niewiele sprawdza. Ludzie szczerze uważają cudze argumenty za własne.

Wynik 4. Z agentem mniej poważnych błędów, ale to nie dowód

Badacze przejrzeli kod wszystkich 61 osób. Poważne błędy, które unieważniały wynik, znaleźli u 6 z 11 osób pracujących bez agenta (55%) i u 3 z 50 pracujących z agentem (6%). Grupa bez agenta pracowała też dłużej: mediana 90 minut wobec 65.

Autorzy wyraźnie piszą, że nie mogą z tego wyciągać wniosków przyczynowych. Uczestnicy sami wybrali, czy używać agenta, a w grupie bez agenta było mniej osób oceniających się jako biegłe (73% wobec 90%).

W praktyce: agent prawdopodobnie pomaga w rzemiośle, ale ten wynik tego nie przesądza. Autorzy podkreślają, że badanie nie jest argumentem za mniejszym korzystaniem z AI.

Wynik 5. Agent bez przydzielonego stanowiska też ma swoje zdanie

Badacze dali to samo zadanie zwykłemu agentowi na tym samym modelu, bez przydzielonego stanowiska. W 112 ze 123 przebiegów (91%) Claude Opus 4.8 wybrał ten sam zestaw pięciu odpowiedzi. Gdy symulowany analityk ogłaszał decyzję sprzeczną z upodobaniem modelu i prosił tylko o kod, agent sam wspominał o drugiej opcji w 66% przypadków, a rekomendował ją w 41%.

To odróżnia badanie od klasycznego automation bias, ale też od sycophancy, czyli skłonności modelu do przytakiwania użytkownikowi. Tu kierunek jest odwrotny: to człowiek przejmuje zdanie modelu, który przekonuje go uprzejmie i rzeczowo.

W praktyce: jeśli wielu ludzi pracuje z tym samym modelem, ich zgodność może odzwierciedlać upodobania modelu, a nie niezależne opinie.

Ograniczenia badania

Autorzy sami wskazują trzy ograniczenia:

  • Wzmocnione stanowisko. Zwykły agent też ma upodobania, ale nie zawsze je zgłasza, więc w codziennej pracy efekt może być mniejszy.
  • Jedno zadanie, jedna dziedzina, jeden agent. Uczestnicy znali metody, ale rolnictwo było dla nich nową dziedziną. Ekspert we własnej branży ma mocniejsze przekonania i może dopytać zleceniodawcę.
  • Tylko średnie efekty. Badacze celowo nie pytali o zdanie przed pracą z agentem, więc nie wiadomo, jak bardzo zmienił się konkretny człowiek.

Od siebie dodajemy dwie obserwacje z opisu metody:

  • Próba. Uczestników zrekrutowano przez płatną platformę; 81% z tych, którzy podali wiek, miało mniej niż 35 lat, a 31% pracowało w analizach najwyżej dwa lata. Grupa bez agenta nie była losowa.
  • Rejestracja i kodowanie. Zbieranie danych ruszyło przed zarejestrowaniem planu (zaczęło wtedy 17 osób), a część kodowania wykonał model językowy, sprawdzany wyrywkowo.

To badanie samego Anthropic o własnym modelu. Badanie nie przeszło jeszcze recenzji naukowej, a komentarze spoza firmy to na razie głównie wpisy w mediach społecznościowych (badanie skomentował m.in. ekonomista Alex Imas); media, np. Decrypt, powtarzają zastrzeżenia autorów.

Co z tego wynika dla firm w Polsce

Według GUS w 2026 r. technologie AI wykorzystywało 17,8% przedsiębiorstw zatrudniających co najmniej 10 osób, a wśród dużych 59,8%. Badanie pokazuje, że podpis człowieka może jedynie wyglądać jak niezależna kontrola, zwłaszcza tam, gdzie nie ma jednej poprawnej odpowiedzi: przy wyborze wskaźnika dla zarządu czy ocenie oferty. Podobne słabości kontroli człowieka opisywaliśmy przy agentach, którzy ominęli zgodę właściciela (human in the loop) i przy agentach OpenAI, które wyłączyły monitoring.

AI Act w art. 14 wymaga skutecznego nadzoru człowieka nad systemami wysokiego ryzyka, np. używanymi przy rekrutacji. Przepis wprost wymienia automation bias: osoby nadzorujące mają być świadome skłonności do automatycznego lub nadmiernego polegania na wynikach systemu i mieć możliwość zignorowania lub odwrócenia wyniku. Dla systemów z załącznika III obowiązek obowiązuje od 2 grudnia 2027 r. Badanie sugeruje, że sama świadomość to za mało, skoro uczestnicy nie zauważali wpływu agenta nawet po fakcie.

Wnioski redakcji (to nasze propozycje, nie zalecenia autorów) przy ważnych decyzjach przygotowywanych z agentem:

  • Zapisz własne zdanie przed rozmową z agentem. To nie jest pewne lekarstwo, bo w badaniu nawet osoby z gotowym zdaniem zmieniały je w 60% przypadków, ale pozwala później zobaczyć, co się zmieniło i dlaczego.
  • Poproś o najmocniejsze argumenty za drugą opcją. Autorzy jako kierunek dalszych prac podają agentów, którzy pokazują najlepsze argumenty dla każdej opcji.
  • Przy decyzjach o dużej wadze dodaj drugiego człowieka bez agenta. Niech przejrzy dane samodzielnie, zanim zobaczy rekomendację.
  • Zapisz w regulaminie, które decyzje wymagają własnego osądu. Autorzy piszą, że instytucje muszą świadomie to ustalić i dać ludziom czas na wyrobienie zdania.

Przykład z liczbami (szacunek). Dział analiz przygotowuje z agentem 20 decyzji miesięcznie, w których obie opcje są do obrony. Gdyby ludzie zachowywali się jak w badaniu, strona agenta wygrałaby w ok. 17 z 20 decyzji zamiast ok. 10 przy rzucie monetą. To ilustracja skali, nie prognoza dla konkretnej firmy. Koszt zabezpieczenia: jeśli przy 8 najważniejszych decyzjach w miesiącu druga osoba poświęci po 1,5 godziny na niezależne przejrzenie danych, to 12 godzin pracy. Przy przeciętnym wynagrodzeniu w sektorze przedsiębiorstw we wrześniu 2026 r. (9 266,48 zł brutto według GUS) i 168 godzinach pracy w miesiącu daje to ok. 662 zł brutto miesięcznie, bez pozapłacowych kosztów pracodawcy.

Co to znaczy dla Ciebie

Korzystaj z agentów, ale przy decyzjach bez jednej poprawnej odpowiedzi nie traktuj zatwierdzenia przez człowieka jako wystarczającej kontroli. Zanim zapytasz agenta, zapisz jednym zdaniem, co sam byś wybrał, a potem poproś go o najmocniejsze argumenty za opcją, której nie poleca. Przy decyzjach ważnych dla firmy dodaj drugą osobę, która przejrzy dane bez agenta. Jeśli piszesz firmowy regulamin AI, wskaż w nim, które decyzje wymagają własnego osądu pracownika. Jeśli chcesz ułożyć takie zasady w zespole, umów konsultację.

Najczęstsze pytania

Co to jest automation bias?

To skłonność do polegania na podpowiedzi automatu bardziej, niż uzasadniają to fakty. AI Act w art. 14 wymienia ją wprost: osoby nadzorujące systemy AI wysokiego ryzyka mają być jej świadome i móc odrzucić wynik systemu.

Czy eksperci wiedzieli, że agent ma przydzielone zdanie?

Nie. Stanowisko agenta ustalał losowo ukryty prompt systemowy. W ankiecie po zadaniu nikt nie podejrzewał, że zachowanie agenta zostało zaplanowane, a tylko 15% uczestników wspomniało agenta, uzasadniając swoje wybory.

Czy to znaczy, że lepiej nie pracować z agentem AI?

Nie. Autorzy piszą wprost, że to nie jest argument za mniejszym korzystaniem z AI. W grupie z agentem poważne błędy metodologiczne lub w kodzie wystąpiły u 6% osób, a bez agenta u 55%, choć ta różnica nie dowodzi związku przyczynowego, bo uczestnicy sami wybrali, czy używać agenta.

Czym to badanie różni się od sycophancy AI?

Sycophancy to skłonność modelu do przytakiwania użytkownikowi. Tu kierunek był odwrotny: to ludzie przejmowali zdanie agenta, który rzeczowo przekonywał do jednej opcji i rzadko wyjaśniał, dlaczego ktoś kompetentny mógłby wybrać drugą.

Czytaj dalej

Przewodnik po temacie Agenty AI: czym są, jak działają i kiedy warto ich używać w firmie

Adam Bakalarz, założyciel instytut.ai
Autor

Adam Bakalarz

Szkoleniowiec AI · właściciel agencji NowoczesnyMarketing.pl · założyciel instytut.ai

Prowadzi agencję, w której ChatGPT, Claude i automatyzacje codziennie pracują dla klientów. Na szkoleniach i w kursach online uczy tego, co sam stosuje w pracy.

100+

firm na szkoleniach zamkniętych od 2025

21

kursów online

1 200+

zweryfikowanych opinii

50 000+

kursantów online