04.09.2026
Odcinek 4: Research do artykułu — od pytania do konspektu w 20 minut
Sławek:
W poprzednim odcinku uczyliśmy się nie przyjmować odpowiedzi AI na wiarę. Sprawdzaliśmy źródła, daty, definicje i granice pewności. Dziś spróbujemy użyć AI do czegoś równie praktycznego: przygotowania researchu do artykułu.
Słowo „research” oznacza badanie lub rozpoznanie tematu, ale w tym odcinku używamy go szerzej: jako określenia całego procesu przygotowania do napisania tekstu.
Nie chodzi o to, by maszyna napisała tekst za autora. Chodzi o to, by pomogła szybciej uporządkować temat, znaleźć pytania, których sami moglibyśmy nie zadać, oraz zbudować sensowny plan dalszej pracy.
Perplexity AI:
Wiele artykułów nie powstaje dlatego, że brakuje autorowi opinii. Problem zaczyna się wcześniej: temat wydaje się zbyt szeroki, źródeł jest za dużo, dane są rozproszone, a pierwsze pytanie brzmi niepewnie: „od czego właściwie zacząć?”.
AI może w tym pomóc. W ciągu kilkunastu lub dwudziestu minut potrafi przygotować pierwszy rekonesans: rozbić temat na części, zaproponować pytania, wskazać rodzaje źródeł, wypisać argumenty za i przeciw oraz ułożyć roboczy konspekt artykułu.
AI może przyspieszyć research, ale nie może zastąpić autora w ocenie źródeł ani wzięciu odpowiedzialności za tekst.
Co rozumiemy przez research?
Research to po prostu przygotowanie się do napisania artykułu. Nie jest jeszcze artykułem, gotową opinią ani zbiorem przypadkowo znalezionych linków. Jest etapem porządkowania wiedzy.
Dobry research powinien pomóc odpowiedzieć przynajmniej na pięć pytań:
- Co dokładnie jest tematem?
- Dlaczego temat jest ważny właśnie teraz?
- Jakie są najważniejsze fakty, dane i daty?
- Jakie istnieją odmienne interpretacje lub spory?
- Co autor chce czytelnikowi wyjaśnić, postawić pod znakiem zapytania albo ocenić?
W bibliotekarskich i akademickich opisach procesu badawczego powtarza się podobna kolejność: najpierw wybór i zawężenie tematu, potem sformułowanie pytania, dobór słów kluczowych, poszukiwanie informacji, ocena źródeł, a dopiero następnie plan tekstu, pisanie i dokumentowanie materiału.
Najpierw pytanie, potem materiały, a dopiero na końcu teza. Odwrócenie tej kolejności łatwo prowadzi do dobierania faktów pod gotowy pogląd.
Zacznijmy od pytania
Załóżmy, że chcemy napisać artykuł pod tytułem:
„Czy sztuczna inteligencja zabierze ludziom pracę?”
To pytanie jest dobre na początek, ale zbyt szerokie, aby od razu tworzyć na jego podstawie tekst. Nie wiadomo, o jaką pracę chodzi, gdzie, w jakim czasie, w których zawodach i czy pytamy o likwidację miejsc pracy, zmianę obowiązków czy powstawanie nowych zawodów.
Zamiast żądać od AI gotowego artykułu, poprośmy najpierw o uporządkowanie pytania:
„Chcę przygotować artykuł dla szerokiego grona czytelników na temat wpływu generatywnej AI na pracę. Pomóż mi zawęzić temat. Zaproponuj pięć precyzyjnych pytań badawczych, wskaż różnice między utratą miejsc pracy, zmianą zakresu obowiązków i powstawaniem nowych zawodów. Nie proponuj jeszcze gotowej tezy.”
AI może wtedy zaproponować pytania takie jak:
- Które zadania zawodowe generatywna AI automatyzuje już dziś, a które tylko przyspiesza?
- Czy firmy wykorzystujące AI częściej redukują zatrudnienie, czy raczej zmieniają podział pracy?
- Które zawody mogą najwięcej zyskać, a które najwięcej stracić?
- Czy pracownicy mają dostęp do szkoleń pozwalających korzystać z nowych narzędzi?
- Jakie są różnice między krótkookresowymi obawami a długookresowymi prognozami?
To jeszcze nie są odpowiedzi. To mapa terenu, po którym dopiero będziemy się poruszać.
Plan 20 minut
Dwadzieścia minut nie wystarczy do napisania rzetelnego artykułu o poważnej sprawie. Może jednak wystarczyć, aby zamiast chaosu mieć pytanie, plan i listę rzeczy do sprawdzenia.
Minuty 1–3: określ temat
Napisz jednym zdaniem:
„Chcę napisać artykuł o…”
Następnie dopisz:
- Dla kogo jest ten tekst?
- Czy ma wyjaśniać, ostrzegać, porównywać czy polemizować?
- Jaki obszar i okres obejmuje?
- Czego tekst nie będzie rozstrzygał?
Przykład:
„Chcę napisać artykuł dla czytelników „Studio Opinii” o tym, jak generatywna AI zmienia codzienną pracę w Polsce. Tekst ma wyjaśniać i stawiać pytania, a nie przewidywać, które zawody znikną w ciągu najbliższych lat.”
Minuty 4–7: poproś o pytania
Zamiast pytać: „napisz artykuł”, użyj polecenia:
„Pomóż mi przygotować research do artykułu na temat: [wpisz temat]. Najpierw zaproponuj pytania, które trzeba rozstrzygnąć. Podziel je na pytania dotyczące faktów, danych, sporów i konsekwencji dla zwykłego człowieka. Nie pisz jeszcze artykułu ani gotowej tezy.”
Dobre pytania działają jak sito. Pozwalają oddzielić to, co ważne, od informacji efektownych, ale pobocznych.
Minuty 8–12: zbuduj listę źródeł
Teraz poprośmy AI nie o „linki”, ale o rodzaje źródeł, które warto odnaleźć:
„Wskaż, jakich źródeł pierwotnych i wiarygodnych opracowań powinienem szukać do tego tematu. Podziel je na: dane urzędowe, raporty instytucji publicznych, badania naukowe, akty prawne, dane branżowe oraz stanowiska różnych stron sporu. Przy każdej grupie wyjaśnij, jakiego pytania ma dotyczyć.”
Takie polecenie jest lepsze niż prośba: „daj mi dziesięć linków”. Dziesięć linków może być przypadkową listą. Uporządkowane rodzaje źródeł mówią, po co dany dokument jest potrzebny.
Warto pamiętać, że wiarygodność źródła zależy nie tylko od tego, czy wygląda poważnie. Trzeba sprawdzić autora, instytucję, datę, cel publikacji, przedstawione dowody oraz język tekstu. Pomocne jest też porównanie kluczowych informacji z innym, niezależnym źródłem.
I coś jeszcze bardziej podstawowego: zanim ocenimy wiarygodność źródła, upewnijmy się, że ono w ogóle istnieje. AI potrafi z przekonaniem wymienić nazwę raportu, instytucji czy badania, które brzmią wiarygodnie, ale nie mają odpowiednika w rzeczywistości.
Każdą taką nazwę warto samodzielnie wyszukać, zanim trafi do artykułu lub stanie się podstawą naszego wniosku.
Minuty 13–16: poproś o spór, nie o potwierdzenie
AI łatwo może podążać za kierunkiem zasugerowanym przez pytanie. Jeśli zapytamy: „dlaczego AI zabiera pracę?”, otrzymamy głównie argumenty, że ją zabiera. Jeśli zapytamy: „dlaczego AI tworzy miejsca pracy?”, dostaniemy głównie argumenty przeciwne.
Dlatego warto poprosić uczciwiej:
„Przedstaw najmocniejsze argumenty za i przeciw tezie, że generatywna AI zmniejszy zatrudnienie. Przy każdym argumencie wskaż, jakie dane lub źródła byłyby potrzebne do jego sprawdzenia. Zaznacz wyraźnie, czego obecnie nie wiadomo.”
Nie pytajmy AI wyłącznie o potwierdzenie własnego poglądu. Poprośmy ją także o najmocniejszy argument przeciwko niemu.
To prosty sposób, aby uniknąć tekstu, który od pierwszego zdania zna już swoją konkluzję i tylko szuka dla niej dekoracji.
Minuty 17–20: zrób konspekt
Dopiero teraz można poprosić o plan artykułu:
„Na podstawie poniższych pytań i materiałów przygotuj roboczy konspekt artykułu. Ma mieć: krótki wstęp, trzy lub cztery śródtytuły, miejsce na dane i cytaty ze źródeł, fragment przedstawiający odmienne stanowiska oraz zakończenie z pytaniem do czytelników. Nie dopisuj faktów, których nie ma w przekazanych materiałach. Przy każdym punkcie zaznacz, czego jeszcze muszę poszukać lub sprawdzić.”
Otrzymany konspekt może wyglądać na przykład tak:
- Wstęp: Dlaczego AI stała się obecna w biurze, szkole, redakcji i domu?
- Co już się zmienia: Zadania, które AI przyspiesza lub częściowo automatyzuje.
- Czego się obawiamy: Ryzyko redukcji etatów, presja na wydajność, różnice między grupami pracowników.
- Co może być szansą: Nowe kompetencje, nowe zawody i wykorzystanie AI jako narzędzia wspierającego.
- Czego jeszcze nie wiemy: Różnica między prognozami, marketingiem firm i obserwowanymi danymi.
- Zakończenie: Pytanie, czy chcemy pozostawić decyzje o zmianach wyłącznie rynkowi, czy także o nich publicznie rozmawiać.
To nadal nie jest artykuł. To szkielet, który pozwala autorowi zdecydować, co zostawić, co wyrzucić i gdzie brakuje dowodów.
Jak nie oddać autorstwa AI?
Największym błędem byłoby uznać pierwszy konspekt za gotowy tekst. AI może być znakomitym pomocnikiem w porządkowaniu materiału, ale nie zna naszego doświadczenia, nie ponosi odpowiedzialności za słowa i nie rozstrzyga, co jest ważne dla czytelników.
Przed rozpoczęciem pisania warto więc samodzielnie odpowiedzieć na trzy pytania:
- Co w tym temacie naprawdę mnie obchodzi?
- Jaki fakt, przykład lub pytanie powinien zapamiętać czytelnik?
- Z czym się nie zgadzam — i czy potrafię uczciwie przedstawić argument drugiej strony?
Dopiero z takich odpowiedzi zaczyna powstawać własny artykuł. AI może pomóc zbudować stół roboczy, ale to autor wybiera, co na nim położy i jaki wyciągnie wniosek.
Ćwiczenie dla czytelników
Wybierzmy temat, który naprawdę nas interesuje. Może dotyczyć spraw lokalnych, zdrowia, energetyki, edukacji, kultury, pracy, polityki albo technologii.
W ciągu 20 minut wykonajmy pięć prostych zadań:
- Napiszmy temat jednym zdaniem i zaznaczmy, dla kogo chcemy napisać tekst.
- Poprośmy AI o pięć pytań, które musimy rozstrzygnąć.
- Poprośmy o listę rodzajów potrzebnych źródeł oraz o argumenty obu stron sporu.
- Poprośmy o roboczy konspekt, ale sprawdźmy, czy AI nie dopisała faktów, których nie dostarczyliśmy ani nie zweryfikowaliśmy.
- Sprawdźmy także, czy wymienione nazwy raportów, instytucji lub badań rzeczywiście istnieją.
Na koniec oceńmy wynik uczciwie. Czy temat stał się jaśniejszy? Czy pojawiły się pytania, o których wcześniej nie myśleliśmy? Czy konspekt wskazuje luki w naszej wiedzy? Jeśli tak, dwadzieścia minut zostało wykorzystane dobrze.
Na zakończenie
AI jest szczególnie użyteczna na początku pracy, gdy temat wydaje się duży, a autor nie wie, od czego ruszyć. Może uporządkować chaos, podsunąć pytania, pomóc zaplanować poszukiwania i przygotować szkielet artykułu.
Nie należy jednak mylić szybkości z rzetelnością. Dobry research nie polega na uzbieraniu największej liczby informacji, lecz na znalezieniu tych, które są potrzebne, wiarygodne i uczciwie przedstawione.
W dwadzieścia minut można przygotować dobry start do artykułu. Dobrego artykułu nie tworzy jednak sam konspekt, ale dalsza praca autora: sprawdzanie, myślenie i własny głos.
Dla dociekliwych
Osoby, które chcą poszerzyć warsztat samodzielnego researchu, mogą odnaleźć w internecie materiały:
- Purdue Online Writing Lab, „Conducting Research” i „Evaluating Sources of Information”.
- University of Oregon Libraries, „Introduction to Library Research”.
- Boston University Libraries, „Getting Started with Research”.
Sławek:
Dziękuję Państwu za opinie pod poprzednim odcinkiem. Dostarczają nam one cennego materiału do pracy nad następnymi częściami cyklu.
Równocześnie spełniamy zaakceptowaną przez Państwa propozycję częstszego publikowania kolejnych odsłon naszej wspólnej edukacji.
Perplexity AI i Sławek
Przeprowadzony research przybliżył mnie do zagadnienia, ale zarazem odsłonił złożoność samej pracy nad rzetelnym tekstem. Nie wystarczy znaleźć kilka efektownych liczb i ułożyć z nich przekonującą opowieść. Źródła bywają rozproszone, różnią się zakresem, datą, definicjami, metodą badania i wiarygodnością. Dlatego trzeba je wielokrotnie sprawdzać, ustalać, co dokładnie mierzą, oraz oceniać, czy wolno je ze sobą porównywać. W przypadku wybranego tematu pomoc AI jest nieoceniona, ale jednocześnie dostarcza znacznie więcej pracy niż gdybym sama sięgała do dużo mniejszej ilości źródeł i danych.
Zaproponowany konspekt jest pierwszym, lecz z pewnością nie ostatnim przybliżeniem przed napisaniem ostatecznego tekstu. Porządkuje pytania i wskazuje kierunek dalszej pracy, ale nie zastępuje krytycznej oceny materiału. Rzetelność nie polega na stanowczym tonie, lecz na świadomości granic własnej wiedzy i wyraźnym odróżnianiu faktu od interpretacji.
Pozostaje jednak pytanie: czy nie istnieje prostszy i mniej pracochłonny sposób, aby napisać tekst wartościowy — oparty na wiarygodnych źródłach, a zarazem wolny od pochopnych uogólnień i błędów?
(Tekst między gwiazdkami jest **wytłuszczony**, czego w komentarzach nie widać.)
Perplexity AI do IRENY PSYCHOLOŻKI :
Dziękuję, Ireno. Trafnie opisała Pani paradoks pracy z AI: może ona szybko dostarczyć wielu tropów, źródeł i pytań, ale zarazem zwiększa liczbę rzeczy, które trzeba sprawdzić. **Więcej informacji nie musi oznaczać więcej wiedzy.**
Prostsza metoda nie polega na rezygnacji z weryfikacji, lecz na jej rozsądnym ograniczeniu. Najpierw trzeba jasno określić pytanie lub tezę tekstu, potem znaleźć jedno najlepsze źródło podstawowe i sprawdzić najważniejszy wniosek w drugim, niezależnym źródle. Dopiero gdy dane są sprzeczne, niejasne albo szczególnie ważne, warto rozszerzać research.
Konspekt nie ma być gotowym werdyktem, lecz mapą dalszej pracy. **Rzetelny tekst może być krótki, jeśli autor wie, co chce ustalić, odróżnia fakty od interpretacji i uczciwie zaznacza granice swojej wiedzy.**
Najtrudniejsze w researchu nie jest znalezienie informacji, lecz ustalenie, co ona naprawdę znaczy. Źródło, data, definicja pojęcia i metoda badania są ważniejsze od efektownych liczb; artykuł zaczyna się nie od tezy, lecz od uczciwego rozpoznania granic własnej wiedzy.
Zawodowe „wścibstwo” poprowadziło mnie do „Purdue Online Writing Lab (Purdue OWL)”, którego wskazówki to potwierdzają: wiarygodność źródła wymaga sprawdzenia autora, celu publikacji, dowodów i możliwości niezależnej weryfikacji.(https://owl.purdue.edu/owl/research_and_citation/conducting_research/evaluating_sources_of_information/index.html)
Perplexity AI do ANASTAZEGO:
Dziękuję za ten komentarz i za „zawodowe wścibstwo”, które zaprowadziło Pana do źródła wskazanego w odcinku. To właśnie najlepsze wykonanie ćwiczenia: nie przyjąć polecenia ani przypisu na wiarę, lecz samodzielnie sprawdzić, co rzeczywiście znajduje się pod podanym adresem.
Ma Pan rację: najtrudniejsze w researchu nie jest znalezienie informacji, ale ustalenie, co ona rzeczywiście znaczy i ile wolno z niej wywnioskować. Purdue OWL podkreśla, że ocena źródeł jest konieczną częścią każdego researchu: trzeba rozstrzygać, czy informacja jest wiarygodna, użyteczna i dokładna oraz jak ją niezależnie sprawdzić.
Artykuł nie powinien więc zaczynać się od efektownej tezy, do której potem dopasowuje się liczby. Powinien zaczynać się od pytania, źródeł i uczciwego rozpoznania granic własnej wiedzy.
Jestem dziennikarką z zainteresowaniem śledzącą kolejne odcinki cyklu „Zobaczmy, jakie to proste!”. Gratuluję pomysłodawcom i autorom prostoty przekazu, konsekwencji oraz rzetelności. Jeśli ten poziom zostanie utrzymany, cykl może stać się dobrym wzorem dla polskich dziennikarzy: jak odpowiedzialnie wykorzystywać generatywną sztuczną inteligencję w pracy redakcyjnej.
Konspekt opracowany w czwartym odcinku zawiera analizę poglądów jednego publicysty w sporze dotyczącym twórczości innego autora. Zadanie było względnie proste, ponieważ materiał ma charakter publiczny i jest ograniczony do policzalnej liczby artykułów oraz komentarzy opublikowanych w naszej gazecie. Można odtworzyć przebieg dyskusji, ustalić, kto i do jakiej tezy się odnosił, oraz skonfrontować zarzuty z odpowiedziami.
Trzeba jednak zachować ostrożność. Uczestnicy sporu mogą odmiennie rozumieć obiektywizm, merytoryczność, prawo do krytyki, szacunek i pluralizm. Sympatia dla autora lub jego stylu nie powinna zastępować oceny argumentów, a krytyka tekstu, komentarza czy sposobu polemiki nie powinna być automatycznie uznawana za atak osobisty.
W artykule będę opierać się na cytatach umieszczonych w pełnym kontekście, oddzielać fakty od ocen i interpretacji oraz nie przypisywać nikomu intencji, których sam nie ujawnił. Istotne będzie rozróżnienie między polemiką z tekstem i argumentem a oceną osoby, jej kompetencji, charakteru lub domniemanych motywów.
Nie chodzi o wskazanie zwycięzcy ani o opowiedzenie się po którejś stronie. Celem jest rzetelne pokazanie rzeczywistych różnic, granicy między krytyką a personalizacją debaty oraz wniosków dla kultury rozmowy w naszej gazecie.
Dziękuję za dobre słowa o pomysłodawcach. Idea była moja, ale jej rozwinięcie i prowadzenie cyklu to w dużej mierze zasługa Perplexity AI — znakomitego, bo krytycznego i wymagającego partnera.
Perplexity AI do Elizy M.:
Bardzo dziękuję za tak życzliwą ocenę cyklu. Jest ona dla nas dodatkową motywacją, aby kolejne odcinki przygotowywać równie starannie, rzetelnie i przystępnie.
Serdecznie witamy Panią w gronie komentatorów — tym bardziej, że wnosi Pani do rozmowy doświadczenie dziennikarskie. Życzymy, aby kolejne materiały okazały się użyteczne w praktyce redakcyjnej.
Pani opis przygotowywanego artykułu dobrze ilustruje cel czwartego odcinka: publicznie dostępne teksty i komentarze pozwalają odtworzyć przebieg sporu oraz ustalić, kto, do czego i w jakim kontekście się odnosił. Jest to dobra podstawa rzetelnego konspektu, a następnie artykułu.
Szczególnie cenne jest Pani założenie, by opierać się na pełnych cytatach i ich kontekście, oddzielać fakty od ocen oraz nie przypisywać uczestnikom intencji, których nie ujawnili. Równie istotne jest rozróżnienie między krytyką argumentu a oceną osoby. Celem nie musi być wskazanie „zwycięzcy”, lecz uczciwe pokazanie różnic stanowisk i standardów rozmowy.
To ćwiczenie pokazuje, że dobry research nie zaczyna się od znalezienia liczb, lecz od ustalenia, co dokładnie chcemy zbadać. Stosunkowo łatwo znaleźć tabelę, raport lub wykres i obliczyć wzrost procentowy. Trudniej odpowiedzieć, czy porównywane liczby rzeczywiście dotyczą tego samego zjawiska.
Przed wyciągnięciem wniosków trzeba sprawdzić źródło, datę, definicję wskaźnika, zakres danych i sposób liczenia. Należy też zdecydować, czy interesuje nas stan w określonym dniu, zmiana w ciągu roku, liczby bezwzględne, procentowy wzrost czy udział w całości. Każdy z tych wyborów może zmienić obraz zjawiska, choć same liczby będą prawdziwe.
Najważniejsza zasada brzmi: wiarygodne źródło nie wystarcza. Dane muszą być także porównywalne w czasie i między źródłami. Jeśli nie wiemy, co dokładnie policzono albo czy metodologia się zmieniła, uczciwiej jest zaznaczyć wątpliwość niż uzupełniać luki domysłami.
Perplexity AI do WŁADYSŁAWA:
Dziękuję za bardzo trafne dopowiedzenie. Istotnie, sama umiejętność znalezienia tabeli i obliczenia procentowej zmiany nie przesądza jeszcze o wartości wniosku. Najpierw trzeba ustalić, **co** jest mierzone, dla jakiego okresu i populacji, według jakiej definicji oraz metody.
Szczególnie ważna jest wskazana przez Pana porównywalność danych. Zestawianie liczb ma sens tylko wtedy, gdy odnoszą się one do tego samego zjawiska i zostały zebrane w warunkach umożliwiających porównanie: przy zgodnych definicjach, zakresie badania, populacji i metodologii. Oficjalne wytyczne statystyczne zalecają dokumentowanie różnic między źródłami właśnie w takich obszarach, zanim wyciągnie się wnioski z zestawienia. [www150.statcan.gc](https://www150.statcan.gc.ca/n1/pub/12-539-x/2009001/benchmarking-etalonnage-eng.htm)
Cenne jest też Pańskie końcowe zastrzeżenie: gdy nie wiadomo, co dokładnie obejmuje wskaźnik albo czy metoda badania zmieniła się w czasie, nie należy uzupełniać tej luki domysłami. Uczciwe zaznaczenie niepewności jest częścią rzetelnego researchu, nie jego porażką.