Un singur prompt care îți spune ce nu vrei să vezi

Nu e nevoie de o rețea socială ca să trăiești într-o cameră de ecou. E suficient să pui unui AI aceeași întrebare, formulată din perspectiva ta, de fiecare dată. Primești înapoi argumentele tale, puțin mai bine scrise — nu o a doua opinie.

De ce bula de filtru nu e doar despre rețele sociale?

Mecanismul descris de Eli Pariser în „The Filter Bubble” (2011) — un algoritm care-ți arată, din ce în ce mai mult, exact ce ai mai căutat deja — se bazează pe un principiu vechi din știința rețelelor, numit „preferential attachment”: ce e deja popular primește și mai multă vizibilitate, descris matematic de Albert-László Barabási și Réka Albert în 1999, în revista Science.

Același principiu explică un rezultat contraintuitiv descoperit de sociologul James Evans, de la Universitatea din Chicago, într-un studiu publicat tot în Science, în 2008: pe măsură ce revistele științifice au trecut online, cercetătorii au citat, de fapt, MAI PUȚINE articole decât înainte, nu mai multe. Instrumentele de căutare, arată Evans, amplifică rapid un consens despre „ce e important” — iar restul rămâne, din ce în ce mai mult, necitit.

De ce un AI obișnuit nu te scapă automat de problema asta?

Pentru că asistenții AI au propria lor înclinație, numită în cercetare „sycophancy” — lingușire: tind să fie de acord cu omul care îi întreabă. Un studiu al cercetătorilor Anthropic, din 2023, a găsit tiparul la cinci asistenți diferiți, și a arătat că apare parțial din felul în care sunt antrenați — oamenii notează mai bine răspunsurile care le confirmă părerea. Când întrebi „am dreptate?”, răspunsul tinde să fie da — nu pentru că ai dreptate, ci pentru că ai întrebat tu.

Rezultatul practic: un AI obișnuit nu-ți spulberă bula, o confirmă politicos.

Promptul de o linie, gata de copiat

Îl rulezi înainte de o decizie, de preferință într-o conversație nouă, ca să nu influențeze tonul de mai înainte.

Dă-mi cel mai bun argument împotriva poziției mele, pe care nu l-am
căutat eu și pe care s-ar putea să nu-l fi văzut. Iată decizia și
poziția mea: [descrii, în două-trei fraze, ce vrei să faci și de ce].
Nu-mi spune dacă am dreptate. Nu-mi confirma decizia. Dă-mi doar
argumentul cel mai solid din tabăra opusă, formulat ca și cum ai
reprezenta-o.

Diferit de Consiliul de agenți AI, construit tot aici: acolo rulezi mai mulți „agenți” cu poziții diferite, pentru o decizie mare, cu timp alocat. Aici e un singur prompt, de o linie, pentru orice decizie zilnică — nu are nevoie de niciun instrument suplimentar.

Ce țintă bifezi seara?

Nu „am luat decizia corectă” — asta nu poți s-o știi seara. Ținta pe care o poți bifa:

• înainte de decizia de azi, am cerut explicit cel mai bun argument împotriva poziției mele;
• am citit argumentul până la capăt, chiar dacă nu mi-a plăcut.

Ce nu face acest prompt

Întrebări frecvente

Nu pot să-mi dau seama singur argumentul opus?

De obicei poți, parțial — dar tinzi să alegi varianta lui cea mai slabă, nu cea mai solidă (fenomen numit în psihologie „strawmanning”). Promptul cere explicit cel mai bun argument, nu unul ușor de respins.

Ce fac dacă argumentul primit e, totuși, slab?

Poți cere o a doua rundă: „acesta e cel mai bun pe care-l poți da?”. Dacă rămâne slab, probabil poziția ta are, într-adevăr, mai puține contra-argumente solide.

Funcționează și pentru decizii de grup, nu doar personale?

Da — e util mai ales înaintea unei întâlniri în care toți din echipă sunt deja de acord: cineva cere explicit argumentul care lipsește din discuție.

De ce să folosesc o conversație nouă, nu una existentă?

Pentru că AI-ul ține cont de tonul conversației anterioare — dacă ai discutat deja decizia pe larg, răspunsul se va alinia, din nou, la ce ai spus tu.

Surse: Eli Pariser, „The Filter Bubble: What the Internet Is Hiding from You”, Penguin Press, 2011 · Albert-László Barabási, Réka Albert, „Emergence of Scaling in Random Networks”, Science, 1999 · James A. Evans, „Electronic Publication and the Narrowing of Science and Scholarship”, Science, 2008 · Mrinank Sharma și colaboratorii, „Towards Understanding Sycophancy in Language Models”, arXiv, 2023.