26 artykułów
Oprogramowanie algorytmiczne do ustalania czynszów, takie jak RealPage, stało się przedmiotem pozwów i ugod o wartości setek milionów dolarów. Oregon osiągnął ugodę 7 milionów dolarów, a właściciele mieszkań zapłacili 218 milionów dolarów. Czy algorytmy doprowadziły do zmowy cenowej na rynku najmu?
Systemy AI klasyfikują ludzi według wskaźników godności i wartości społecznej — od scoringu kredytowego po ocenę opiekunów i kandydatów do pracy. Gdzie kończy się pomiar, a zaczyna redukcjonizm?
W ekonomii zleczeń to nie szef, lecz system decyduje o dostępzie do zleceń. Odwołanie od decyzji automatu często jest iluzją.
Algorytmy sztucznej inteligencji oceniają zdolność kredytową w sekundy. Szybko, tanio i bez emocji. Ale czy sprawiedliwie? Dane historyczne noszą ślady dyskryminacji — i AI się ich uczy.
Systemy sztucznej inteligencji coraz częściej decydują o tym, kto dostanie pracę, kredyt, a nawet diagnozę medyczną. Problem polega na tym, że te decyzje bywają obciążone ukrytą dyskryminacją — rasową, płciową, ekonomiczną. Skąd się bierze i jak jej przeciwdziałać?
Systemy rekrutacyjne oparte na AI obiecują obiektywność, a scalają historyczne uprzedzenia. Setki badań z lat 2025–2026 pokazują, gdzie i jak algorytmy dyskryminują kandydatów.
Systemy AI stosowane w rekrutacji często powielają historyczne uprzedzenia rasowe i płciowe. Przegląd mechanizmów, przypadków prawnych i zaleceń.
Ta sama frytkona inna cena o 18:00, bilet rośnie, gdy wracasz na stronę. Personalizowane wyceny wchodzą do codziennego handlu — i w obszar regulacji.
Algorytmy sztucznej inteligencji decydują, co możemy powiedzieć w internecie. Ktoś uważa, że to ochrona. Ktoś inny, że to cenzura. Coraz trudniej odróżnić jedno od drugiego.
Systemy AI stosowane w rekrutacji, ocenie kredytowej i nadzorze mogą utrwalać istniejące nierówności społeczne. Europejskie regulacje — w tym AI Act — próbują temu przeciwdziałać, ale skuteczność ograniczeń pozostaje niepewna.
Algorytmy rekrutacyjne i kredytowe powtarzają stare uprzedzenia w nowym opakowaniu. Przegląd 189 badań z ostatnich 10 lat pokazuje, że 79,9 procent analiz skupia się na płci, a 89,4 procent nie proponuje żadnych rozwiązań dla świata rzeczywistego.
Systemy rekrutacyjne wykorzystujące AI oceniają kandydatów według wzorców przeszłości, które często zawierają uprzedzenia rasowe, płciowe i wiekowe. Nowe regulacje w Kalifornii i Kolorado zmieniają reguły gry.
Gdy pandemia unieważniła egzaminy, algorytm wyrównał oceny według historii szkół. Protesty uczniów pokazały granice matematycznego sprawiedliwego losu.
Popularny algorytm przydzielający opiekę używał kosztów leczenia jako miary potrzeb — i systematycznie pomijał czarnych pacjentów. Analiza słynnego badania.
Algorytmy AI coraz częściej decydują, co widzimy, czytowe mamy prawo do informacji i kto realnie nadzoruje ich działanie. Przezroczystość modeli staje się filarem demokracji informacyjnej — a narzędziem władzy w rękach nielicznych.
Badacze dokumentują, jak automatyczne podpowiedzi wprowadzają widzów w coraz bardziej skrajne treści. Co mówi nauka, a co marketing platform.
Symulacja Brookings na trzech LLM i dziewięciu zawodach pokazała, że algorytmy screeningu CV faworyzowały kandydatów z męskimi imionami ponad pięciokrotnie częściej niż z kobiecymi. Bias rasowy był jeszcze bardziej wyraźny, szczególnie dla czarnoskórych mężczyzn.
Australijski system automatycznie doliczał zadłużenie na podstawie błędnych uśrednień. Komisja śledcza nazwała go niesprawiedliwym i bezprawnym.
Model ostrzegający przed sepsą, wdrożony w setkach szpitali, w niezależnej walidacji wykrywał zaledwie część przypadków. Lekcja o walidacji zewnętrznej.
System oceny ryzyka oszustw podatkowych oznaczył rodziny jako oszustów za pochodzenie rodziców. Skutki: odebrane dzieci, ruina finansowa i dymisja gabinetu.
Algorytmiczne systemy moderowania treści oddały decyzję o tym, kto może mówić, maszynom. W 2026 roku cenzura nie przychodzi od urzędnika — przychodzi od klasyfikatora, który działając w millisekundach, nie tłumaczy nikomu swoich decyzji.
Sztuczna inteligencja monitoruje pracowników z dokładnością, o jakiej nie śniło się starszym systemom. Dane o kliknięciach, lokalizacji, emocjach i przerwach tworzą cyfrowego zwierzchnika.
Sztuczna inteligencja nie jest neutralna. Błędy systematyczne w danych treningowych prowadzą do dyskryminacji rasowej, płciowej i etnicznej w obszarach od rekrutacji po sprawiedliwość karną.
Systemy rekomendacyjne decydują nie tylko co kupujemy, ale także co czytamy, oglądamy i o czym myślimy. Jak echo chamber i filter bubbles zmieniają społeczeństwo w sposób, którego nie zauważamy.
Systemy sztucznej inteligencji uczą się rozpoznawać i wywoływać emocje, by maksymalizować zaangażowanie. Jak algorytmy manipulują naszymi reakcjami i dlaczego to zagrożenie dla autonomii decyzji.
Predykcyjne policjowanie obiecuje zrewolucjonizowanie zapobiegania przestępczości, ale krytycy ostrzegają przed utrwalaniem dyskryminacji rasowej, pętlami sprzężenia zwrotnego i erozją domniemania niewinności.