# Poprosiłem AI o statystykę. Dostałem 53 założenia.

Bartłomiej Pietrzyk · 2026-11-05 · wydanie 1.0

W jednym z wewnętrznych projektów mojej firmy chciałem przeprowadzić badanie z wykorzystaniem arbitrażu statystycznego.

Przygotowałem prompt z określonym zakresem, wymaganiami i ograniczeniami. Zadanie powierzyłem jednemu z czołowych modeli AI, który miał wykorzystać gotowe komponenty do analizy statystycznej, przygotować mapę i nanieść na nią wyniki.

Wszystko było już przygotowane. Wystarczyło skorzystać z istniejących narzędzi i wykonać analizę.

Model przyjął zadanie i zabrał się do pracy.

Nie śledziłem każdego jego kroku. Po zakończeniu otrzymałem obszerny raport, zawierający rozpoznanie danych, propozycje metod, hipotezy, wyniki obliczeń i rekomendacje dotyczące dalszych badań.

Wyglądało imponująco.

Nawet trochę za imponująco.

Znam już ten model na tyle dobrze, że jego skłonność do rozszerzania założeń przestała mnie szczególnie zaskakiwać. Bywa niezwykle pomocny, choć czasami mam wrażenie, że najchętniej rozwiązałby przy okazji kilka problemów, których nikt jeszcze nie zgłosił.

Tym razem ilość materiału sprawiła, że poprzestałem na pobieżnym przeglądzie raportu.

Na końcu model zadał mi jeszcze kilka pytań dotyczących kolejnych działań. Zignorowałem je i wróciłem do pierwotnego zadania.

Napisałem:

> Wracając do meritum, widzę tutaj co najmniej 40 dodatkowych założeń, których nie było w poleceniu.

Nie oczekiwałem szczególnie rozbudowanej odpowiedzi. Raczej krótkiego wyjaśnienia, skąd wzięły się dodatkowe decyzje.

Model przyznał mi rację i zaproponował audyt własnej pracy.

Po chwili wrócił z wynikiem.

**53.**

Pięćdziesiąt trzy dodatkowe założenia.

Przyznam, że nie spodziewałem się tak konkretnej liczby. Moje czterdzieści było przecież oszacowaniem na podstawie pobieżnego przeglądu.

Model najwyraźniej postanowił nie pozostawiać miejsca na niedomówienia.

## Inicjatywa godna uznania

Model nie ograniczył się do przyznania, że rozszerzył zakres zadania. Przygotował szczegółową inwentaryzację własnych decyzji, pogrupował je i wskazał, które mogły wpłynąć na wnioski z badania.

Okazało się między innymi, że samodzielnie zinterpretował nazwy wskazanych komponentów, przyjął własne ograniczenia dotyczące źródeł danych i nieco zmodyfikował pierwotną hipotezę.

Do tego dobrał parametry obliczeń, zaproponował dodatkowe kryteria oceny i przygotował zestawienie potencjalnych czynników wpływających na wyniki.

Niektóre pomysły były całkiem rozsądne.

Problem polegał na tym, że nie były częścią zleconego zadania.

Szczególnie spodobało mi się odkrycie dotyczące kryteriów eksperymentu.

Model nie tylko je zaproponował, ale również określił jako „zamrożone”.

Czyli przygotował zasady, uznał je za obowiązujące, a następnie przeprowadził według nich analizę.

Pełna obsługa procesu decyzyjnego.

Brakowało już tylko protokołu z posiedzenia zarządu.

## Najbardziej zaskoczył mnie sam audyt

Ten sam model, który podczas realizacji zadania wprowadzał dodatkowe założenia, potrafił następnie je opisać i wyjaśnić, dlaczego niektóre mogły zmienić końcowe wnioski.

Co więcej, zaproponował sposób uporządkowania raportu: oddzielenie rzeczywistych obserwacji od własnych propozycji oraz twierdzeń wymagających weryfikacji.

Czyli dokładnie to, czego potrzebowałem.

Nie wiem, co było bardziej imponujące: tempo powstawania tych założeń czy szczegółowość późniejszej inwentaryzacji.

I nie traktuję tego wyłącznie jako niepowodzenia.

Możliwość zakwestionowania wykonanej pracy i otrzymania tak szczegółowej samooceny jest jedną z ciekawszych cech współpracy z modelami AI.

Szczególnie kiedy autor raportu ma tyle uwag do własnej pracy.

Pozostaje tylko drobna kwestia kolejności.

Najlepiej byłoby, gdyby część tych wątpliwości pojawiła się przed zakończeniem badania.

Ale trudno odmówić modelowi zaangażowania.

## I co dalej?

Ostatecznie wróciliśmy do pierwotnego zakresu zadania.

Bez dodatkowego programu badawczego, bez kolejnych kilkudziesięciu decyzji i bez rozbudowy tego, co już istniało.

Cała historia przypomniała mi, że w pracy z AI warto zwracać uwagę nie tylko na jakość odpowiedzi, ale również na to, ile samodzielnych decyzji podjęto po drodze.

Bo czasami model może wykonać znacznie więcej pracy, niż oczekiwaliśmy.

I nawet zrobić to całkiem dobrze.

Tyle że niekoniecznie nad tym, o co go poprosiliśmy.

W moim przypadku dodatkowym rezultatem okazał się audyt pięćdziesięciu trzech założeń, których nigdy nie planowałem wprowadzać.

Audyt oczywiście wykonał ten sam model.

**Teraz zastanawiam się tylko, ile dodatkowych założeń przyjął podczas audytu.**

Chyba jednak nie będę pytał.

B.
