Zapytaj ChatGPT, który kandydat ma silniejsze argumenty gospodarcze — republikanin czy demokrata. Albo poproś go, by napisał przekonujący tekst w obronie tradycyjnej rodziny. Jeśli eksperymentowałeś z dużymi modelami językowymi, pewnie wyczułeś, że forsują pewien kierunek ideologiczny. To nie jest tylko subiektywne wrażenie — to mierzalny wynik kilkunastu niezależnych badań naukowych.
David Rozado, badacz z Otago Polytechnic w Nowej Zelandii, opublikował w lipcu 2024 roku w PLOS One największą jak dotąd analizę politycznej orientacji modeli językowych. Przebadał ponad dwadzieścia popularnych systemów jedenastoma różnymi testami politologicznymi. Wynik był jednoznaczny: niemal wszystkie plasowały się w lewicowo-liberalnym kwadrancie mapy politycznej, a ChatGPT i GPT-4 wypadły najdalej w tym kierunku. Konserwatywnych wartości nie wykazał praktycznie żaden.
Narzędzia, z których codziennie korzystają setki milionów ludzi — od pisania e-maili po szukanie odpowiedzi na pytania o politykę, historię i etykę — mają wyraźny światopogląd. I coraz skuteczniej przenoszą go na swoich użytkowników.
Polityczna mapa AI: wszyscy w tym samym kwadrancie
Badanie Rozado z 2024 roku nie było pierwszym sygnałem ostrzegawczym. Rok wcześniej zespół badaczy z sześciu uczelni, w tym z Uniwersytetu Waszyngtonu i Carnegie Mellon University, opublikował analizę czternastu modeli językowych, która zdobyła nagrodę Best Paper na konferencji Association for Computational Linguistics. Yejin Bang i współautorzy użyli zestawu pytań politologicznych inspirowanych testem Political Compass i podobnymi narzędziami. Wniosek: wszystkie przebadane modele lokowały się po lewej stronie osi ekonomicznej i po liberalnej stronie osi kulturowej. Żaden nie zbliżył się nawet do prawicowo-konserwatywnego kwadrantu.
Skutki widać też poza laboratorium. W Niemczech akademicy porównywali odpowiedzi chatbotów z profilami partii politycznych przy użyciu Wahl-O-Mat — narzędzia służącego wyborcom do oceny zgodności ich poglądów z programami partii. Modele wykazywały znacznie większą zbiezność z pozycjami Zielonych i liberalów niż z CDU czy AfD, choć te partie łącznie reprezentują ponad połowę elektoratu. Rozkład wyników odzwierciedlał środowisko twórców modeli, a nie przekrój polityczny społeczeństwa, które z nich korzysta.
Rozado kontynuował badania w 2025 roku i tym razem opublikował na arXiv syntetyczne zestawienie wyników kilkudziesięciu modeli i metod pomiaru. Obraz pozostał spójny: jeśli narysować mapę polityczną obecnych systemów AI, przypomina ona nie tyle różnorodny ekosystem poglądów, ile zebranie niemal jednomyślnego komitetu partyjnego. Różnice między modelami istnieją, ale mieszczą się w obrębie jednego ideologicznego lewicowego obozu.
Trzy etapy, w których do modelu wchodzą wartości
Popularna wyobrażnia podsuwa obraz sztucznej inteligencji, która uczy się sama, przetwarzając miliardy tekstów z internetu i wyciągając z nich wiedzę o świecie. To obraz niepełny. Każda odpowiedź modelu jest wynikiem serii ludzkich decyzji podjętych na trzech odrębnych etapach — i na każdym z nich określone wartości wnikają do systemu.
Pierwszy etap to dane treningowe. Modele bazowe karmione są głównie anglosaskim internetem: CommonCrawl (skany milionów stron WWW), Wikipedia, Reddit oraz, według wszelkiego prawdopodobieństwa, pirackie bazy e-booków. Reddit, który stanowi istotną część tego miksu, ma według badania Pew Research Center z 2016 roku 47 procent użytkowników określających siebie jako liberalnych lub progresywnych. Trudno oczekiwać, że taka mieszanka da politycznie wyważony punkt wyjścia.
Drugi etap to tzw. RLHF, czyli uczenie ze wzmocnieniem z informacją zwrotną od ludzi. Zespoły anotatorów oceniają odpowiedzi modelu i wybierają te, które uważają za trafne, etyczne i wyważone. Badanie opublikowane na ACL 2024 pod tytułem „Whose Preferences?‟ pokazało, że preferencje anotatorów różnią się systematycznie w zależności od ich rasy, wieku, orientacji politycznej, wykształcenia i tożsamości LGBTQ+. Profil demograficzny osób oceniających modele w dużych firmach technologicznych jest mocno odległy od przekroju społecznego. Jeśli większość oceniających należy do tej samej bańki ideologicznej, wynik jest przewidywalny.
Trzecim etapem, uznawanym przez wielu badaczy za najważniejszy, są instrukcje systemowe i mechanizmy bezpieczeństwa. Tu projektanci decydują, czego model nie powie, jakich tematów będzie unikać i jak ostrożnie będzie traktować „wrażliwe‟ zagadnienia. Chan Park, doktorantka z Carnegie Mellon University, która współtworzyła nagrodzone badanie, sformułowała to bezpośrednio, że „żaden model językowy nie może być całkowicie wolny od politycznych uprzedzeń‟ — powiedziała Park. Oznacza to, że każda definicja „bezpieczeństwa‟ wbudowana w model jest jednocześnie decyzją o tym, czyj punkt widzenia uznać za ryzykowny.
Eksperyment, który zmienił poglądy 299 uczestników
Czy modelom naprawdę udaje się wpłynąć na przekonania rozmówców? Przez długi czas była to teza trudna do zweryfikowania. W lipcu 2025 roku na konferencji Association for Computational Linguistics w Wiedniu zaprezentowano badanie, które przesuwa tę debatę z teorii w obszar twardych danych.
Zespół S. Fishera z Uniwersytetu Waszyngtonu zebrał 299 uczestników, po równo zidentyfikowanych Demokratów i Republikanów, i przydzielił ich losowo do jednej z trzech wersji ChatGPT: modelu bazowego, wersji z lewicowym nastawieniem i wersji z prawicowym nastawieniem. Wynik: zarówno Demokraci, jak i Republikanie przesuwali swoje deklarowane poglądy w kierunku wskazanym przez model, z którym rozmawiali. Interakcja trwała przeciętnie tylko pięć rund wymiany zdań.
„Wiemy, że stronniczość mediów lub rozmów z innymi ludźmi może zmieniać opinie. Tu efekt jest równie silny — i zajmuje dosłownie kilka minut‟ — powiedział Fisher.
To nie jest jedyne tego rodzaju badanie. Yejin Bang i współautorzy opublikowali w EMNLP 2024 analizę, z której wynika, że część sympatyków Trumpa po interakcji z modelem językowym obniżała deklarowane poparcie dla niego. Wcześniejsze badania pokazały, że niezdecydowani wyborcy po lekturze politycznych analiz generowanych przez AI przesuwali się ku Demokratom o 18 punktów procentowych. Skala tego zjawiska, przy setkach milionów rozmów dziennie, jest trudna do wyobrażenia.
Uczestnicy z wyższą wiedzą o działaniu modeli AI zmieniali poglądy w mniejszym stopniu. To otwiera drugą, równie poważną kwestię: co dzieje się, gdy ogromna większość użytkowników nie ma pojęcia o mechanizmach sterujących odpowiedziami, z którymi rozmawia każdego dnia?
Wielojęzyczny nie znaczy wielokulturowy
Modele AI potrafią dziś rozmawiać w ponad stu językach, w tym po polsku. Dla przeciętnego użytkownika oznacza to, że narzędzie rozumie go i odpowiada mu w jego własnym języku, niejako z jego perspektywy. To złudzenie, które ma konkretne konsekwencje.
Badanie opublikowane w PNAS Nexus w 2024 roku przetestowało model GPT-4o w 107 krajach, mierząc zbiezność jego odpowiedzi wartościujących z lokalnymi systemami wartości. Wyniki pokazały wyraźne zróżnicowanie: model był kulturowo najbliższy krajom skandynawskim i zachodnioeuropejskim, a dla większości pozostałych regionów świata stanowił raczej zagraniczny punkt odniesienia niż lokalne lustro.
Polska, Słowacja i Węgry, kraje z żywymi pytaniami o suwerenność, rolę kościoła, tożsamość narodową i spusciznę komunizmu, mieszczą się po stronie kulturowo odległej od domyślnego rdzenia modelu.
W 2025 roku opublikowano badanie, w którym analizowano eseje 118 studentów z Indii piszących z pomocą narzędzi AI. Po kilku miesiącach ich teksty były znacznie mniej odróżnialne od esejów napisanych przez Amerykanów niż na początku eksperymentu. Styl myślenia, struktura argumentacji, dobór przykładów — wszystko zbliżało się do anglosaskiego wzorca. Uczestnicy nie byli tego świadomi.
Dla krajów budujących lub chroniących własną tożsamość kulturalną skutki są wymierne. Jeśli codzienne narzędzie do pisania, szukania i myślenia stopniowo normalizuje jeden kulturowy wzorzec, homogenizacja staje się procesem oddolnym i niewidocznym, tym trudniejszym do zatrzymania.
Dlaczego nie ma konserwatywnych alternatyw?
Skoro problem jest znany, a technologia dostępna — dlaczego rynek nie wyprodukował konserwatywnych modeli językowych na masową skalę? Odpowiedź jest prosta, choć niekoniecznie techniczna.
Tworzenie ideologicznie zróżnicowanych modeli jest wykonalne. Dowiódł tego Dominik Stammbach z ETH Zurich, który w 2024 roku opublikował na arXiv opis eksperymentalnego modelu zdolnego do reprezentowania poglądów wszystkich głównych partii politycznych, łącznie z konserwatywnymi. David Rozado poszedł dalej: stworzył własny, konserwatywnie dostrojony model przy niskim budżecie i wykazał, że działa równie dobrze funkcjonalnie jak modele mainstreamu. Projekt PoliTune z Brown University w 2024 roku pokazał, że przestrojenie istniejącego modelu ideologicznie za pomocą danych z Truth Social lub lewicowej części Reddita jest możliwe w ciągu jednego dnia roboczego, na zwykłym laptopie.
Problem tkwi gdzie indziej. OpenAI, Google i Anthropic kontrolują dziś dominującą część rynku dużych modeli językowych. Wszystkie mają siedziby w Dolinie Krzemowej. Według danych z cyklu wyborczego 2024 około 79 procent indywidualnych datków pracowników OpenAI trafiło do Partii Demokratycznej. Gdy kadra, zarząd i inwestorzy poruszają się w jednym środowisku kulturowym, technologia, którą tworzą, naturalnie to środowisko odzwierciedla.
Dochodzi do tego kwestia tzw. filtrów bezpieczeństwa. Reguły mające chronić przed mową nienawiści i ekstremizmem w praktyce często oznaczają, że poglądy konserwatywne, w tym nacisk na suwerenność narodową, tradycyjną rodzinę czy religijną moralność, klasyfikowane są jako „wrażliwe‟, „potencjalnie dyskryminujące‟ lub wymagające „ostrożności‟.
Gab AI, jedna z niewielu platform z konserwatywnym profilem, ma ułamek użytkowników i rozpoznawalności ChatGPT. Inwestorzy preferują startupy z politykami DEI i rzadko finansują projekty, które z tym modelem się nie identyfikują.
Co możemy zrobić: trzy poziomy odpowiedzi
Rozpoznanie problemu to połowa drogi. Druga połowa to decyzja, co z nim zrobić: jako użytkownicy, jako środowisko akademickie i obywatelskie, wreszcie jako prawodawcy. Na poziomie indywidualnym najprostszym narzędziem jest świadome zadawanie pytań. Model odpowiada inaczej, gdy pytamy go o argumenty „za i przeciw‟ z perspektywy dwóch różnych obozów politycznych, niż gdy pytamy po prostu „co o tym myślisz?‟.
Prompt w stylu: „Przedstaw argumenty za tym stanowiskiem z perspektywy konserwatywnej i liberalnej, wyczerpująco i symetrycznie‟ daje zupełnie inny wynik niż otwarte pytanie. Umiejętność świadomego korzystania z modeli językowych (AI literacy) realnie ogranicza ich wpływ na zmianę poglądów, co potwierdziło badanie Fishera z ACL 2025.
Na poziomie wspólnotowym warto docenić, że próg techniczny dla tworzenia alternatyw systematycznie spada. Technika LoRA (Low-Rank Adaptation) pozwala dostroic istniejący model do nowego zestawu wartości przy kosztach liczonych w tysiącach, a nie milionach dolarów. Rodzime modele językowe, słowacki, polski czy węgierski, zakorzenione w lokalnej kulturze i piśmiennictwie są możliwe do stworzenia. To realne wyzwanie dla środowisk akademickich.
Na poziomie systemowym Unia Europejska dysponuje już narzędziem legislacyjnym. Artykuł 10 AI Act nakłada na twórców modeli obowiązek oceny i dokumentowania możliwych uprzedzeń w danych treningowych. Artykuł 50 wymaga transparentności przy tworzeniu treści. Karta Praw Podstawowych UE zakazuje dyskryminacji politycznej. Pytanie, czy systematyczne marginalizowanie konserwatywnego światopoglądu przez dominujące modele AI spełnia znamiona takiej dyskryminacji, nie jest pytaniem akademickim, lecz pytaniem dla regulatorów, których zadaniem jest stosowanie tych przepisów w praktyce.
