Jenže dnes už člověk a AI nejsou dvě oddělené entity.
Lidé vytvořili texty, kód, fotografie, diskuse a další data, z nichž se modely učily. Modely nyní vytvářejí stále větší množství obsahu, který čtou lidé, používají jej při práci a vracejí zpět na internet. Zároveň začínáme část vlastního přemýšlení delegovat právě na systémy, které jsou produktem našeho dosavadního myšlení.
Vzniká zpětnovazební smyčka.
A několik různých oblastí výzkumu ukazuje, že pokud ji nastavíme špatně, může nastat podivný scénář: člověk bude méně procvičovat vlastní schopnosti, AI bude čerpat z méně původního a homogennějšího informačního prostředí a každý další průchod smyčkou může něco ztratit.
Nikdo zatím neprokázal, že taková civilizační spirála skutečně probíhá. Jednotlivé mechanismy, z nichž by mohla vzniknout, už ale pozorovat umíme.
Lidská inteligence neroste automaticky
Představa, že každá další generace lidí musí být nutně chytřejší než ta předchozí, už dlouho neplatí.
Po velkou část 20. století výsledky kognitivních testů v mnoha zemích skutečně rostly. Tento jev dostal podle psychologa Jamese Flynna označení Flynnův efekt. Na jeho vysvětlení se podílely změny ve vzdělávání, výživě, zdravotní péči, velikosti rodin, pracovním prostředí i rostoucí nároky moderní společnosti na abstraktní uvažování.
V některých bohatých zemích se však trend později zastavil nebo obrátil.
Významná norská studie z roku 2018 dokázala vzestup i následný pokles výsledků zachytit dokonce mezi sourozenci narozenými v různých letech. To silně svědčí proti jednoduchému genetickému vysvětlení a ukazuje na změny prostředí.
Další rozsáhlá norská analýza zveřejněná v roce 2026 pracovala s výsledky 579 379 mužů z 25 ročníků narození. Ukázala, že vývoj byl složitější, než naznačuje prostý populační průměr, a že rostoucí úroveň vzdělání mohla část poklesu nějakou dobu zakrývat.
Neznamená to, že lidstvo biologicky degeneruje nebo že lze výsledky jedné země přenést na celý svět.
Ukazuje to ale něco pro naši budoucnost podstatnějšího: kognitivní výkon lidí není neměnná konstanta. Prostředí jej dokáže podporovat – a také oslabovat.
A právě toto prostředí se nyní velmi rychle mění.
Část myšlení už nemusíme dělat sami
Lidé vždy přesouvali určitou část kognitivní práce mimo vlastní hlavu.
Písmo odstranilo nutnost všechno si pamatovat. Knihy umožnily uchovat znalosti přes generace. Kalkulačky převzaly část počítání, navigace část prostorové orientace a vyhledávače část pamatování faktů.
Generativní AI ale sahá výrazně dál.
Dokáže formulovat argument, vytvořit osnovu, napsat text, shrnout studii, vysvětlit problém, vytvořit počítačový kód nebo navrhnout řešení. Přesouváme na ni tedy činnosti, které nebyly jen mechanickou prací, ale často zároveň tréninkem našich vlastních schopností.
Autoři přehledu publikovaného v roce 2026 v Trends in Cognitive Sciences proto položili otázku přímo: Is AI making us stupid?
Jejich odpověď není jednoduché ano. Základní kognitivní schopnosti pravděpodobně nezmizí jen proto, že používáme chatbot. Riziko se týká především dovedností, které se rozvíjejí praxí a které začneme pravidelně outsourcovat.
Když člověk přestane vytvářet vlastní argumenty, protože mu je AI připraví, nemusí ztratit obecnou inteligenci. Může ale postupně méně procvičovat schopnost argument sestavit.
Stejně to může platit pro psaní, programování, rešerši nebo kritické hodnocení zdrojů.
Čím více AI věříme, tím méně ji kontrolujeme
Výzkum mezi 319 znalostními pracovníky prezentovaný na konferenci CHI 2025 přinesl další zajímavou stopu.
Lidé popisovali, že s generativní AI se jejich kritické myšlení často přesouvá. Méně úsilí věnují samotnému vytvoření odpovědi a více kontrole, zda ji lze použít. Vyšší důvěra v AI přitom souvisela s menším množstvím deklarovaného kritického přemýšlení, zatímco vyšší důvěra ve vlastní schopnosti s větším.
Výzkum neukázal, že by účastníkům klesala inteligence. Ukázal však, jak snadno se může změnit rozdělení mentální práce mezi člověka a nástroj.
To samo o sobě nemusí být špatně.
Pokud stroj převezme rutinní část úkolu a člověk ušetřenou kapacitu využije pro složitější rozhodování, může být výsledkem kognitivní zisk.
Pokud ale člověk pouze přijme hotový výsledek a posune se k dalšímu úkolu, žádný takový zisk vzniknout nemusí.
Právě zde se začínají rozcházet dvě možné budoucnosti AI.
AI má svůj vlastní problém s informačním prostředím
Druhá polovina příběhu se netýká lidského mozku, ale dat.
Moderní generativní modely vznikly díky obrovskému množství lidského obsahu. Jenže internet, ze kterého budoucí systémy mohou čerpat, už není stejným prostředím jako internet před příchodem generativní AI.
Stále větší část jeho obsahu vytvářejí stroje.
Studie zveřejněná roku 2024 v Nature zkoumala, co se stane, když se další generace generativních modelů učí na datech vytvořených předchozími modely.
Výsledkem mohl být model collapse.
Pokud syntetická produkce postupně nahrazovala původní skutečná data, model se po jednotlivých generacích vzdaloval původnímu rozložení informací.
A nejdříve nezačal vytvářet očividné nesmysly.
Nejprve mizelo něco mnohem nenápadnějšího.
Jako první se mohou ztratit výjimky
Statistické modely velmi dobře zachycují to, co je časté. Pro jejich kvalitu jsou ale důležité také vzácné případy – okraje distribuce.
A právě ty mohou při rekurzivním trénování mizet jako první.
Neobvyklá formulace, vzácný biologický jev, netypický kulturní příklad nebo nepravděpodobná kombinace vlastností má v původních datech malé zastoupení. Když model vytvoří jejich syntetickou reprezentaci, některé se neobjeví. Další generace tak dostane mírně zjednodušený svět.
Při opakování procesu se může zjednodušení zesilovat.
Model přitom nemusí na první pohled působit méně schopně. Běžné odpovědi může produkovat dál velmi dobře.
Jen jeho svět bude postupně méně rozmanitý.
Totéž se může stát i lidem
A právě tady se lidská a strojová část příběhu začínají zajímavě podobat.
Experiment publikovaný v Science Advances nechal účastníky vytvářet krátké příběhy s pomocí generativní AI nebo bez ní.
AI jednotlivým lidem pomohla. Jejich příběhy byly v průměru hodnoceny jako kvalitnější a kreativnější, přičemž nejvíce získali lidé s nižší počáteční kreativitou.
Když však výzkumníci porovnali produkci celé skupiny, objevilo se něco jiného. Texty vytvořené s pomocí AI byly navzájem podobnější. Na individuální úrovni tedy mohl každý udělat malý krok vzhůru, zatímco kolektivní rozmanitost šla opačným směrem. To je důležitý rozdíl.
Budoucí problém nemusí vypadat tak, že všichni začneme produkovat špatné nápady. Může vypadat tak, že budeme produkovat velmi slušné, ale stále podobnější nápady.
AI může zároveň změnit množství znalostí, které lidé vůbec vytvářejí
Zajímavý přirozený experiment nabízí programátorská platforma Stack Overflow.
Po nástupu ChatGPT výzkumníci zaznamenali výrazný pokles používání platformy a především počtu nových otázek. Největší změny se objevovaly právě v oblastech, kde jazykový model dokázal poskytovat relativně dobré odpovědi.
To dává uživatelsky dokonalý smysl.
Proč položit otázku veřejné komunitě a čekat, když chatbot odpoví během několika sekund?
Jenže Stack Overflow nebyl pouze místem, kde člověk dostal řešení. Byl také továrnou na nové veřejné znalosti. Někdo položil dosud nezodpovězenou otázku, další lidé navrhli řešení, opravili chyby a výsledek zůstal dostupný všem.
Právě podobný lidský obsah se stal jedním ze zdrojů, které umožnily vznik schopných jazykových modelů.
Pokud AI sníží motivaci vytvářet další původní znalosti, může vzniknout zvláštní paradox: nástroj je úspěšný díky zásobě lidského poznání – a právě svou úspěšností může snižovat rychlost, jakou tuto zásobu doplňujeme.
Teprve tady se může zpětná vazba uzavřít
Zatím jsme popsali několik samostatných jevů. Lidské dovednosti reagují na prostředí a potřebují procvičování. Generativní AI může některé mentální úkoly převzít.
AI může snižovat rozmanitost lidské produkce a v některých oblastech také motivaci vytvářet nový veřejný obsah.
Budoucí modely zároveň potřebují kvalitní data a při nekritickém rekurzivním trénování na syntetické produkci mohou část informační rozmanitosti ztrácet.
Teprve spojením těchto procesů vzniká hypotetická sestupná spirála.
Mohla by vypadat následovně:
člověk deleguje stále více tvorby na AI → méně procvičuje některé dovednosti a produkuje méně původního obsahu → informační prostor obsahuje více syntetických a navzájem podobných výstupů → lidé i budoucí modely z tohoto prostoru znovu čerpají → nová produkce je ještě více ovlivněna předchozí generací AI.
Tento celý řetězec zatím není experimentálně prokázaný jako jeden dlouhodobý společenský proces.
Je to systémová hypotéza složená z mechanismů, pro které už jednotlivé důkazy máme. A právě proto stojí za pozornost dříve, než bychom čekali na její případné potvrzení.
Syntetická data nejsou jed a AI nemusí člověka oslabovat
Sestupná spirála navíc není technologický osud.
Výzkum model collapse zároveň ukazuje možnosti, jak se mu vyhnout. Pokud se původní reálná data nezahodí a syntetická data se k nim vhodně přidávají, degradace se v některých experimentech neobjevila.
Rozhodující je kvalita dat, jejich původ, výběr a verifikace. Podobně funguje lidská strana systému. AI nemusí myšlení nahrazovat. Může jej zesilovat.
Randomizovaný experiment se 194 studenty fyziky na Harvardu ukázal, že dobře navržený AI tutor může vést k většímu učebnímu pokroku za kratší dobu než srovnávaná aktivní výuka ve třídě.
Podstatné ale bylo, jak tutor pracoval. Nerozdával pouze hotové odpovědi. Vedl studenta problémem, poskytoval zpětnou vazbu, přizpůsoboval tempo a byl navržen podle pedagogických principů.
Stejná technologie tak může přinést dva téměř opačné výsledky. „Udělám to za tebe.“ nebo „Pomůžu ti, abys to dokázal lépe.“
Existují tedy dvě spirály
V první člověk používá AI hlavně k odstranění kognitivní námahy. Originální lidská tvorba se zmenšuje, znalostní prostředí se homogenizuje a AI musí stále více pracovat s obsahem, který sama nebo její předchůdci pomáhali vytvářet.
To je sestupná spirála.
Ve druhé člověk používá AI k tomu, aby zvládl otázky, které byly dříve příliš složité nebo časově náročné. Nástroj mu pomůže pochopit nové obory, odhalit chyby a prověřit více možností. Člověk díky tomu vytvoří nové experimenty, nové myšlenky a nové informace, které obohatí svět, z nějž se budou učit další lidé i stroje.
To je spirála růstová.
A mezi nimi nemusí rozhodnout pouze to, jak inteligentní AI vytvoříme. Rozhodující bude také to, jaké chování kolem ní odměníme. Pokud bude hlavním měřítkem rychlost, objem a pohodlí, bude lákavé převést na stroj co nejvíc.
Pokud budeme oceňovat originalitu, ověřování, hluboké porozumění a vytváření nových poznatků, může se AI stát nástrojem, který lidskou inteligenci neobchází, ale násobí.
Nejvzácnější surovinou budoucnosti možná nebude výpočetní výkon
Současná AI vznikla z obrovského dědictví lidské kultury.
Shakespeare nenapsal hry proto, aby jednou trénoval jazykový model. Vědci nepublikovali miliony studií kvůli chatbotům. Programátoři na Stack Overflow neodpovídali cizím lidem proto, aby vytvořili datovou sadu pro budoucí AI.
Byly to vedlejší produkty civilizace, v níž lidé sami něco zkoušeli, objevovali, formulovali a opravovali.
Právě tato původní lidská produkce může být v éře generativní AI stále cennější. Ne proto, že člověk píše automaticky lépe než stroj. Ale protože někdo musí přinést do systému něco, co v něm ještě nebylo.
Nové měření. Novou zkušenost. Neobvyklou otázku. Chybný nápad, který nakonec otevře správnou cestu. Pozorování světa, které nevzniklo jako statistická rekombinace předchozích textů.
Pokud tuto roli zachováme, propojení člověka a AI může být mimořádně produktivní. Pokud ji postupně přenecháme nástroji, který sám čerpá především z toho, co už jednou vytvořeno bylo, může se kruh začít uzavírat.
Budoucnost společného ekosystému člověka a AI proto možná nebude stát na otázce, zda budou stroje stále chytřejší.
Mnohem důležitější může být otázka, zda vedle nich budeme dál vytvářet dostatek důvodů, aby mohly být chytřejší také příště.
Věděli jste, že…
…při model collapse nemusí první problém vypadat jako pokles kvality běžných odpovědí? Model může dál velmi dobře reprodukovat nejčastější části dat, zatímco postupně ztrácí vzácné případy a okraje původní distribuce. Právě proto může být informační homogenizace nebezpečně nenápadná: systém stále působí kompetentně, jen svět, který reprezentuje, je o něco chudší.
MOHLO BY SE VÁM TAKÉ LÍBIT
Další příběhy vědy, technologií a budoucnosti člověka najdete na Kód Enigma.
Zdroje: PNAS – Educational expansion and the hidden reversal of the Flynn effect [1], PNAS – Flynn effect and its reversal are both environmentally caused [2], Trends in Cognitive Sciences – Is AI making us stupid? [3], CHI 2025 – The Impact of Generative AI on Critical Thinking [4], Nature – AI models collapse when trained on recursively generated data [5], Scientific Reports – The consequences of generative AI for online knowledge communities [6], Science Advances – Generative AI enhances individual creativity but reduces the collective diversity of novel content [7], Scientific Reports – AI tutoring outperforms in-class active learning [8], arXiv – Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data [9], img ai generated
