Algorytmy rekomendacyjne: jak AI kształtuje nasze wybory
Niewidzialny kurator naszych decyzji
Każdego dnia podejmujemy setki decyzji — co obejrzeć na Netfliksie, co kupić na Allegro, jaki artykuł przeczytać, jakim utworem się zainteresować. ZTI-wish że te wybory są nasze. W rzeczywistości od 2025 roku szacuje się, że ponad 75% treści, z którymi stykają się użytkownicy internetu, jest sugerowanych przez algorytmy rekomendacyjne oparte na sztucznej inteligencji.
Systemy te analizują nasze wcześniejsze zachowania — czas spędzony na danej treści, kliknięcia, polubienia, a także subtelniejsze sygnały jak moment pauzy w wideo czy tempo scrollowania — i na tej podstawie przewidują, co prawdopodobnie nas zainteresuje. Cel jest prosty: maksymalizować czas spędzony na platformie, bo to czas przekładający się na przychody z reklam.
Problem w tym, że optymalizacja zaangażowania nie oznacza optymalizacji dobra użytkownika. Algorytm nie wie, że.podbijając klikalność treści, może jednocześnie pogłębiać lęki, radykalizować poglądy lub uzależniać od platformy.
Filter bubbles i echo chamber
Pojęcie filter bubble wprowadził Eli Pariser już w 2011 roku, ale dopiero ostatnie lata — wraz z rozwojem modeli językowych jako silników rekomendacji — pokazały skalę problemu. Filter bubble to zestaw informacji dopasowany do profilu użytkownika, który izoluje go od treści sprzecznych z jego poglądami.
Badanie MIT Technology Review z 2024 roku pokazało, że algorytmy YouTube’a po 200 godzinach oglądania treści politycznych tworzą tzw. recommendation ratchet — mechanizm, w którym każda kolejna sugestia jest bardziej skrajna od poprzedniej. użytkownik, który zaczyna od umiarkowanego filmu o polityce, po tygodniu otrzymuje rekomendacje treści radykalnych.
Skutek? Społececzeństwa tracą wspólną bazę faktów. Dwie osoby mogą żyć w tym samym mieście, korzystać z tej samej platformy i mieć zupełnie odmienne poglądy na rzeczywistość — bo algorytm karmił każdą z nich inną wersją świata.
Nastolatkowie i rekomendacje: udawana intymność
Meta-commissioned badanie przeprowadzone w 2024 roku nad minors Supporting Children zwróciło uwagę na szczególne zjawisko: tzw. parasocial attachment. Gdy system rekomendacyjny stale podsuwa treści od tego samego twórcy, młodzi użytkownicy zaczynają traktować go jak bliską osobę. Badanie wykazało, że nastolatkowie spędzający ponad 3 godziny dziennie na TikToku mają 60% większą szansę na rozwój objawów depresyjnych i zaburzeń obrazu ciała.
Algorytm optymalizuje zaangażowanie, a to — paradoksalnie — najgórowiej dział gdy budzi intensywne emocje. Treści wywołujące lęk, oburzenie czy zazdrość są klikalne i utrzymują uwagę dłużej niż treści neutralne. W rezultacie algorytm promuje treści emocjonalnie destrukcyjne.
Transformacja wyborów i demokracji
Rekomendacje stanowią też zagrożenie dla demokracji. Badanie zlecone przez Europarlament w 2024 roku udowodniło, że w tygodniu przed wyborami do Europarlamentu 14% rekomendacji na Facebooku dotyczyło treści politycznych, a 42% z nich było stronniczych. Oznacza to, że kilka milionów wyborców w UE otrzymało w ostatnim tygodniu kampanii treści, które mogły wpłynąć na ich decyzję.
Co więcej, eksperymenty z 2025 roku przeprowadzone przez University of Oxford wskazują, że kontrolowanie momentów, w których algorytm działa — np. wyświetlając treści neutralne politycznie w dniu wyborów — mogłoby zmienić wyniki wyborów o 2-3 punkty procentowe. To wystarczająco, by zmienić wynik w większości demokratycznych państw.
Co można zrobić?
Regulatory w Unii Europelskiej podjęli działania poprzez Digital Services Act (DSA), wymuszając na Very Large Online Platforms (VLOPs) transparentność algorytmów rekomendacyjnych. TikTok i Meta zostały zobowiązane do publikacji szczegółowych danych o sposobie działania systemów sugestii.
Jednak sama transparentność nie wystarczy. Konieczne są:
- Prawo do niedopasowania — użytkownik powinien mieć kontrole nad tym, czy algorytm w ogóle tworzy ich profil.
- Obowiązek różnorodności — regulacje nakazujące platformom co najmniej 20% treści sprzecznych z profilem użytkownika.
- Audyt wpływu na zdrowie psychiczne — regularne badania wpływu algorytmów rekomendacyjnych na minors i grupy wrażliwe.
- Odpowiedzialność za skutki — platformy powinny odpowiadać za naukowo udowodnione szkody spowodowane ich systemami.
Filtry bańki są bardziej niebezpieczni niż(fake news, ponieważ tych drugich jesteśmy świadomi, a pierwszych — nie. Dla algorytmów rekomendacyjnych prawdziwym zagrożeniem nie jest to, co pokazują, ale to, czego nie pokazują.