Nie trzeba zakładać, że ktoś w Meta wpisał do kodu polecenie „uzależnij użytkownika”. Wystarczy system, który przez lata uczy się, jaka kolejna treść zwiększa prawdopodobieństwo zatrzymania, reakcji, powrotu albo zakupu. Pytanie brzmi nie tylko: co algorytm wie o Tobie? Pytanie brzmi: czego może się o Tobie nauczyć, zanim Ty sam nazwiesz to pragnieniem, lękiem albo słabością?
01 / Najpierw oddzielmy technologię od intencji
12 lat to punkt kontrolny.
W czerwcu 2014 roku Facebook opublikował DeepFace — system rozpoznawania twarzy oparty na dziewięciowarstwowej głębokiej sieci neuronowej liczącej ponad 120 mln parametrów. Model trenowano na zbiorze około czterech milionów zdjęć twarzy należących do ponad czterech tysięcy osób.1
To jest twardy, publiczny punkt na osi czasu. Nie jest to jednak dowód, że w 2014 roku ta sama technologia sterowała News Feedem, że Instagram miał wtedy identyczny neuronowy ranking ani że celem było kogokolwiek uzależniać. DeepFace rozwiązywał problem weryfikacji twarzy. Meta sama pisała później, że szeroko rozumiana AI była elementem jej usług już od 2006 roku, ale „AI” jest kategorią znacznie szerszą niż deep neural networks.12
Dlatego „12 lat” w tytule oznacza coś węższego i łatwiejszego do obrony: od 2014 roku mamy publiczny, jednoznaczny przykład głębokiej sieci neuronowej Facebooka. W kolejnych latach uczenie maszynowe, a potem jawnie opisywane modele neuronowe, stały się elementem personalizacji, rankingu treści i reklamy.
W maju 2016 roku Facebook opisywał FBLearner Flow jako własny szkielet AI. Firma pisała wprost, że modele machine learning uczestniczą w rankingu i personalizacji News Feedu, wyszukiwaniu, filtrowaniu treści oraz innych doświadczeniach. W tym samym materiale wymieniono sieci neuronowe jako jedną z rodzin algorytmów dostępnych w tej infrastrukturze.2
Najciekawsze pytanie nie brzmi: „czy Facebook miał sieci neuronowe?”. Brzmi: „co się dzieje, kiedy system predykcyjny przez lata dostaje odpowiedź po każdej rzeczy, którą Ci pokazuje?”.
Przemek. PIANO
Nie ma przedstawionego w tym materiale publicznego dowodu, że Meta posiadała ukrytą funkcję celu „uzależnij użytkownika” albo psychologiczną etykietę przypisaną do konkretnej osoby. Są natomiast publiczne dowody na systemy rankingowe, sieci neuronowe, ogromną skalę eksperymentacji, sygnały behawioralne i uczenie sekwencji zachowań. Dalej sprawdzamy, jakie skutki psychologiczne mogą z takiej architektury wynikać.
02 / System nie musi „czytać umysłu”, żeby być dobrym predyktorem
Co naprawdę mierzy algorytm?
W 2021 roku Meta opisała ranking News Feedu jako wieloetapowy system wykorzystujący m.in. multitask neural networks, embeddings i wiele równoległych predykcji. Dla każdego kandydującego posta można przewidywać różne działania użytkownika, a następnie łączyć te przewidywania w wynik rankingowy.3
To ważne rozróżnienie. Algorytm nie potrzebuje zdania: „Przemek jest zazdrosny”. Może wystarczyć matematycznie dużo skromniejsza informacja: dla tego użytkownika treści z klastra X mają większe przewidywane prawdopodobieństwo komentarza, zatrzymania albo powrotu niż treści z klastra Y.
Meta w 2023 roku opisywała, że systemy AI Facebooka i Instagrama przewidują, jak wartościowa może być dana treść dla konkretnej osoby, wykorzystując wiele predykcji opartych zarówno na zachowaniu, jak i na bezpośrednim feedbacku.4
Algorytm nie musi nazwać emocji. Wystarczy, że potrafi przewidzieć następny ruch.
03 / Największy kwestionariusz psychologiczny może nie mieć ani jednego pytania
Twój palec jest odpowiedzią.
Wyobraźmy sobie sesję, w której system kolejno pokazuje spokojny materiał, zdjęcie atrakcyjnej osoby, konflikt polityczny, film o luksusie, wypadek, poradę finansową i relację znajomego. Użytkownik niczego nie opisuje słowami. Po prostu przewija.
Treść prawdopodobnie nie wygrała konkurencji o uwagę. Nie wiemy jednak, czy była nieciekawa, znana, niezrozumiała czy po prostu źle pokazana.
Powstał mocniejszy sygnał zainteresowania lub reakcji. Nadal nie wiemy, czy była to aprobata, niechęć, zaskoczenie czy konieczność przeczytania tekstu.
Użytkownik wszedł głębiej w kontekst społeczny. Dla systemu jest to bogatsza sekwencja zdarzeń, dla psychologa może oznaczać ciekawość, konflikt, identyfikację z grupą albo potrzebę kontroli.
Treść lub wątek okazały się wystarczająco istotne, by użytkownik wrócił. To nadal korelacja behawioralna, nie diagnoza motywu.
Najważniejsze jest to, czego w tych danych nie ma. Dłuższe oglądanie filmu o luksusowym samochodzie może oznaczać marzenie, zazdrość, zainteresowanie techniczne, pogardę wobec konsumpcjonizmu albo zwykłe odłożenie telefonu. Zachowanie jest sygnałem, ale nie jest jednoznacznym tłumaczeniem psychiki.
Rozróżnienie: „algorytm wykrył, że treść X przewiduje zachowanie Y” to twierdzenie znacznie słabsze — i technicznie bardziej realistyczne — niż „algorytm wie, że użytkownik odczuwa zazdrość”.
04 / Tu zaczyna się właściwy problem
Ty uczysz system.
Jednorazowa predykcja jest tylko rankingiem. Długotrwała personalizacja tworzy jednak pętlę. Użytkownik reaguje na treść, reakcja staje się sygnałem, model zmienia ranking, a nowy ranking zmienia zestaw bodźców dostępnych użytkownikowi.
- EkspozycjaSystem wybiera treść spośród kandydatów.
- ReakcjaUżytkownik przewija, patrzy, klika, komentuje albo wraca.
- UczenieSygnały aktualizują przewidywanie lub zasilają przyszłe modele.
- Nowy światKolejny ranking zmienia to, co użytkownik zobaczy następnym razem.
Załóżmy, że ktoś zaczyna od neutralnego zainteresowania bieganiem. System pokazuje bieganie, wyniki, sylwetki, maratony, zegarki, diety. Użytkownik przewija spokojne porady, ale długo zatrzymuje się przy filmach typu „dlaczego nadal jesteś przeciętny?”. Jeżeli te materiały systematycznie generują silniejszą reakcję, Feed może z czasem coraz mniej przypominać zainteresowanie sportem, a coraz bardziej mapę reakcji na niedoskonałość, status i porównanie społeczne.
System rekomendacyjny zaczyna jako lustro. Problem zaczyna się wtedy, gdy lustro wybiera, którą część twarzy będziesz oglądał najczęściej.
Przemek. PIANO
To nie dowodzi, że preferencja została stworzona przez algorytm. Pokazuje natomiast mechanizm, przez który predykcja i ekspozycja przestają być niezależne. Dane z jutra są częściowo skutkiem rekomendacji z dzisiaj.
05 / Nie potrzebujemy mitu o „wstrzykiwaniu dopaminy”
Nagroda społeczna
W 2021 roku w Nature Communications opublikowano analizę ponad miliona postów ponad czterech tysięcy osób z kilku platform. Zachowanie użytkowników było jakościowo i ilościowo zgodne z mechanizmami reward learning, a eksperyment online dodatkowo pokazał przyczynowy wpływ społecznej nagrody na zachowanie.7
To nie znaczy, że „like jest narkotykiem” ani że każda aplikacja jest klinicznym automatem do uzależniania. Znaczy coś wystarczająco interesującego bez hiperboli: społeczna informacja zwrotna potrafi wzmacniać zachowania.
Nie wiesz, czy po publikacji dostaniesz trzy reakcje czy trzysta. Niepewność zwiększa znaczenie kolejnego sprawdzenia.
Like, komentarz, odpowiedź i liczba wyświetleń są mierzalnymi sygnałami, że inni ludzie zauważyli działanie użytkownika.
Jeżeli określony sposób publikowania częściej przynosi nagrodę, prawdopodobieństwo ponownego użycia podobnej strategii może rosnąć.
Każde odświeżenie staje się kolejną okazją do sprawdzenia, czy pojawił się nowy sygnał społeczny.
Drugie badanie, opublikowane w Science Advances, analizowało 12,7 mln tweetów 7331 użytkowników i przeprowadziło dwa prerejestrowane eksperymenty. Autorzy stwierdzili, że pozytywny feedback społeczny za ekspresję moralnego oburzenia zwiększał prawdopodobieństwo późniejszego wyrażania oburzenia; znaczenie miały również normy sieci społecznej.8
Platforma nie tylko obserwuje zachowanie. Jej mechanizmy społeczne mogą dostarczać nagrody, na podstawie których zachowanie człowieka samo się uczy.
06 / Eric Berne opisywał to dekady przed przyciskiem „Lubię to”
Głód dostał interfejs, licznik i powiadomienie.
Analiza transakcyjna Erica Berne’a daje tu użyteczny język interpretacyjny. International Transactional Analysis Association opisuje stroke jako jednostkę interpersonalnego rozpoznania. W tej tradycji ludzie potrzebują takich sygnałów, a znaczenie mają zarówno pozytywne, jak i negatywne formy rozpoznania.9
Przed mediami społecznościowymi stroke mógł mieć postać spojrzenia, uśmiechu, pochwały, krytyki albo telefonu. Interfejs cyfrowy zrobił z niego obiekt policzalny:
W takim ujęciu internetowa kłótnia nie musi być „porażką zaangażowania”. Dla człowieka jest konfliktem. Dla systemu może być serią bardzo intensywnych działań: otwarcie powiadomienia, odpowiedź, powrót, sprawdzenie kolejnej odpowiedzi, wejście w profil autora, ponowne otwarcie wątku.
Berne nazwał rozpoznanie dekady przed social mediami. Social media zrobiły z rozpoznania licznik czasu rzeczywistego.
Przemek. PIANO
Analiza transakcyjna nie jest opisem architektury modelu Meta ani neuronaukowym skanerem użytkownika. Używam jej jako języka do analizy tego, dlaczego identyczny sygnał techniczny — np. komentarz — może mieć dla człowieka znaczenie aprobaty, odrzucenia, walki, uznania albo zaproszenia do dalszej transakcji.
07 / Parent · Adult · Child
Który stan ego daje mocniejszy sygnał behawioralny?
W analizie transakcyjnej Berne’a podstawowe stany ego to Rodzic, Dorosły i Dziecko. ITAA podkreśla, że są to systemy myśli, uczuć i zachowań wykorzystywane do analizy transakcji między ludźmi.9
Nie przekładajmy tego mechanicznie na neurony. Zamiast mówić „algorytm wykrył Dziecko”, zadajmy skromniejsze pytanie: czy różne typy komunikatów systematycznie wywołują różną intensywność zachowania?
Treści normatywne: „prawdziwy mężczyzna powinien…”, „dobra matka nigdy…”, „normalny człowiek robi…”. Oferują zasady, ocenę, powinność, moralne kategorie i gotowe hierarchie.
Treści natychmiastowej reakcji: „chcę”, „boję się”, „pokaż jeszcze”, „czy mnie zauważą?”, „czy oni mają lepiej?”, „czy należę?”. Tu łatwo spotykają się ciekawość, lęk, zabawa i potrzeba akceptacji.
Treści wymagające analizy: „jakie jest źródło?”, „czy dane potwierdzają tezę?”, „co z kontrargumentem?”, „czy moja reakcja jest zgodna z faktami?”. To nie znaczy, że są zawsze mniej angażujące — ale często wymagają innego rodzaju uwagi.
Załóżmy teraz, że u konkretnego użytkownika spokojna analiza średnio kończy się po 8 sekundach, a konflikt z jasnym podziałem na „dobrych” i „złych” generuje 50 sekund, otwarcie komentarzy i dwie odpowiedzi. Model nie musi znać Berne’a. Wystarczy, że wariant B ma wyższą przewidywaną wartość dla używanej funkcji rankingowej.
Psycholog pyta „co zostało uruchomione?”. Model może wystarczyć sobie z odpowiedzią „to działa częściej”.
08 / Dwa komunikaty o tym samym wydarzeniu mogą produkować zupełnie inne zachowanie
Co algorytm zobaczy w czasie?
Marshall Rosenberg używał w Nonviolent Communication metafor żyrafy i szakala. „Żyrafa” oznacza komunikację nastawioną na kontakt, uczucia, potrzeby i prośby; „szakal” opisuje język ocen, etykiet, żądań, winy i podziału na dobrych oraz złych. Rosenberg ostrzegał przy tym przed potraktowaniem samych metafor jako nowych etykiet ludzi.10
Weźmy dwa hipotetyczne posty dotyczące dokładnie tej samej decyzji.
„Kiedy widzę tę decyzję, czuję niepokój, bo zależy mi na przewidywalności. Chciałbym zobaczyć dane i kryteria, na których ją oparto.”
„Trzeba być kompletnym idiotą, żeby podjąć taką decyzję. Ci ludzie niszczą wszystko, czego dotkną.”
Drugi komunikat może uruchomić zgodę, sprzeciw, obronę grupy, gniew, moralne oburzenie, potrzebę sprostowania autora albo wielominutowe czytanie komentarzy. Jeżeli użytkownik poświęca mu 60 sekund, a spokojny komunikat przewija po sześciu, system dostaje różnicę, której nie trzeba interpretować moralnie.
Przykład mechanizmu: `dwell_time ↑` + `comments_opened = true` + `reply = true` + `return_to_thread = true`. Model może nauczyć się, że określone klasy komunikatów mają większą zdolność utrzymania tej osoby w interakcji — bez pojęcia „język szakala” w kodzie.
Badania Brady’ego i współautorów są tutaj istotnym kontrapunktem: społeczny feedback za moralne oburzenie rzeczywiście przewidywał i wzmacniał jego późniejszą ekspresję w badanym środowisku Twittera.8 Nie dowodzi to, że Facebook robi dokładnie to samo. Pokazuje jednak, że platforma + nagroda społeczna + uczenie człowieka to mechanizm empirycznie testowalny, a nie wyłącznie metafora.
09 / Najbardziej prywatne dane mogą nigdy nie zostać wpisane do profilu
„Każdy ma jakieś zboczenia, ważne że wszystkie są przyjemnością.”
Potraktujmy to zdanie jako prowokacyjną figurę retoryczną, nie termin kliniczny i nie diagnozę. W tym tekście „zboczenie” oznacza prywatną fascynację, słabość, tabu, pragnienie, impuls albo temat, przy którym oficjalny obraz samego siebie okazuje się niepełny.
Ludzkie pragnienia zaczynają się bardzo zwyczajnie:
Chcę być kochany, zauważony, wybrany, chcę należeć i nie zostać odrzucony.
Chcę wyglądać dobrze, mieć pieniądze, osiągnąć wynik, być podziwiany albo przynajmniej nie wypaść gorzej od innych.
Chcę wiedzieć, co robi były partner, co mówią o mnie inni, kto wygrał konflikt i czy moja grupa ma przewagę.
Chcę śmiechu, seksu, fantazji, adrenaliny, jedzenia, podróży, muzyki, zakupów, gry i kolejnego bodźca.
A potem pojawiają się motywy trudniejsze do wpisania w ankiecie: zazdrość, schadenfreude, voyeurystyczna ciekawość, fascynacja katastrofą, dominacja, upokorzenie, zemsta, agresja, tabu, obsesyjne porównywanie się, lęk przed odrzuceniem czy potrzeba posiadania wroga.
Nie twierdzę, że Meta przypisuje użytkownikowi takie etykiety. Pytanie jest inne: czy musi? Jeżeli określona klasa treści systematycznie zwiększa przewidywane zachowanie, model może wykorzystać korelację bez językowego zrozumienia motywu.
Najbardziej prywatna informacja o człowieku może nie brzmieć „czego pragnie”. Może brzmieć „przy czym regularnie przestaje przewijać”.
Przemek. PIANO
10 / Maszyna nie potrzebuje psychoanalitycznego słownika
Algorytm może znać korelację bez poznania przyczyny.
Psycholog pyta „dlaczego?”. System rekomendacyjny może pytać „co będzie dalej?”. W nowoczesnych systemach reprezentacje użytkowników i treści często mają postać wysokowymiarowych embeddingów — matematycznych reprezentacji użytecznych do przewidywania podobieństwa i zachowania.3
Dlatego hipotetyczny profil nie musi wyglądać tak:
user.jealous = true albo user.likes_humiliation = true byłoby uproszczeniem, którego system nie potrzebuje do działania.
Wystarczy reprezentacja, w której historia zdarzeń zwiększa wynik pewnych kandydatów. Meta w 2024 roku opisała przejście reklam do sequence learning: modele analizują strumienie zdarzeń, ich kolejność, czas, atrybuty i reprezentacje, aby lepiej rozumieć zachowanie przed i po konwersji oraz przewidywać kolejne istotne reklamy.5
Jakie cechy ręcznie zbudowaliśmy z wcześniejszych działań użytkownika?
Jakiej reprezentacji można nauczyć się bezpośrednio z kolejności i kontekstu zdarzeń?
Model może wykrywać relacje nieintuicyjne dla człowieka — wartościowe predykcyjnie, nawet jeśli trudno nadać im prostą nazwę psychologiczną.
Nie musi wiedzieć, że jesteś zazdrosny. Wystarczy, że zna statystyczny odcisk zachowania, które zazdrość czasem wywołuje.
11 / Uwaga staje się szczególnie cenna wtedy, gdy da się ją zamienić w transakcję
Kiedy pragnienie spotyka reklamę.
System rekomendujący treści i system reklamowy nie są tym samym systemem. Ale spotykają się w jednym człowieku. Meta opisuje reklamę jako wieloetapowy proces wykorzystujący zaawansowane modele deep learning do wyboru i rankingu reklam; w 2024 roku firma szczegółowo opisała modele sekwencyjne bazujące na zdarzeniach i zachowaniu osoby w czasie.5
Najprostszy przypadek jest niewinny: oglądasz bieganie, dostajesz reklamę butów. Psychologicznie ciekawsze są jednak sytuacje, w których produkt i podatność prowadzą do tego samego kliknięcia.
| Temat widoczny | Możliwa potrzeba | Możliwa podatność | Rynek |
|---|---|---|---|
| fitness | sprawność, zdrowie, wynik | lęk przed byciem niewystarczającym | sprzęt, dieta, coaching, aplikacje |
| uroda | atrakcyjność, ekspresja | lęk przed starzeniem lub odrzuceniem | kosmetyki, zabiegi, moda |
| finanse | bezpieczeństwo, niezależność | FOMO i porównanie statusowe | kursy, fintech, inwestycje |
| relacje | bliskość, partnerstwo | samotność, zazdrość, potrzeba aprobaty | aplikacje, poradniki, usługi |
Tabela opisuje psychologiczną możliwość, nie ujawnione kategorie reklamowe Meta. Nie stwierdzam, że system posiada etykietę „boi się starzenia” albo „jest samotny”. Wskazuję, że to samo zachowanie zakupowe może wynikać zarówno z pozytywnego pragnienia, jak i z podatności — a model predykcyjny nie musi rozróżniać tych motywów, jeśli oba prowadzą do podobnej konwersji.
12 / Najważniejsza różnica w całym tekście
Patrzysz ≠ chcesz patrzeć.
Możesz patrzeć, bo kochasz. Możesz patrzeć, bo nienawidzisz. Możesz obejrzeć katastrofę do końca i jednocześnie żałować, że ją zobaczyłeś. Możesz przeczytać 300 komentarzy pod konfliktem, którego nie chcesz mieć w swoim życiu.
Meta sama opisała to ograniczenie bardzo wyraźnie w styczniu 2026 roku. Zespół Facebook Reels napisał, że tradycyjne systemy rekomendacyjne często opierają się na sygnałach takich jak likes, shares i watch time, ale sygnały te bywają zaszumione i nie zawsze oddają to, czym człowiek rzeczywiście jest zainteresowany. Dlatego firma wdraża model korzystający z bezpośrednich ankiet „true interest”.6
Te trzy rzeczy mogą się pokrywać. Nie muszą.
Najgroźniejszy skrót w systemie rekomendacyjnym brzmi: „skoro nie przewinął, to znaczy, że tego chciał”.
Przemek. PIANO
Wyniki Meta z 2026 roku są ważne także dlatego, że pokazują kierunek korekty: firma próbuje mierzyć bezpośrednią ocenę dopasowania zainteresowań, a nie wyłącznie zachowanie. To jest argument przeciw tezie, że każdy sygnał engagementu jest bezrefleksyjnie maksymalizowany — i jednocześnie potwierdzenie, że engagement sam w sobie nie mówi całej prawdy.6
13 / Od najprostszej do najciemniejszej
Sześć modeli. Tylko niektóre wymagają złej intencji.
| Hipoteza | Opis | Co ją wzmacnia lub osłabia |
|---|---|---|
| H0 — użyteczna personalizacja | System redukuje nadmiar informacji i pokazuje to, co użytkownik prawdopodobnie uzna za wartościowe. | Wysoka satysfakcja deklarowana przez użytkowników, zgodność rekomendacji z wyraźnymi preferencjami, skuteczne kontrole „nie interesuje mnie”. |
| H1 — kompulsja jako efekt uboczny | Nikt nie programuje uzależnienia. Optymalizacja wielu lokalnych metryk tworzy jednak produkt, który u części osób zwiększa częstotliwość i długość używania. | Rosnący engagement przy braku równoległego wzrostu satysfakcji albo dobrostanu; rozjazd między zachowaniem a deklarowaną preferencją. |
| H2 — odkrywanie podatności | Model uczy się, że konkretne klasy bodźców wyjątkowo mocno przewidują zachowanie danej osoby, choć nie nadaje im psychologicznych etykiet. | Stabilne, indywidualne wzorce reakcji na klasy treści; szybkie dostrajanie rankingu po niewielkiej liczbie interakcji. |
| H3 — treść i reklama zamykają pętlę | Treści utrzymują uwagę, a system reklamowy wykorzystuje historię zachowania do przewidywania intencji i wartości reklam. | Silne powiązanie sekwencji zdarzeń z późniejszym rankingiem reklam; technicznie Meta publicznie opisuje sequence learning w reklamach. |
| H4 — algorytmiczne lustro cienia | Reprezentacja użytkownika przewiduje reakcje na fascynacje, tabu, lęki i konflikty, których użytkownik nie nazwałby wprost. | Wymagałoby audytu modeli i eksperymentów pokazujących przewidywanie ukrytych reakcji bez jawnych deklaracji. Publicznie nie mamy takiego dowodu dla konkretnego profilu osoby. |
| H5 — system współkształtuje preferencje | Długotrwała ekspozycja tworzy sprzężenie: wcześniejsza rekomendacja wpływa na zachowanie, które staje się podstawą kolejnej rekomendacji. | Najmocniej potwierdziłyby ją długoterminowe eksperymenty przyczynowe porównujące różne polityki rankingu i mierzące zmianę preferencji, zachowania oraz dobrostanu. |
Najważniejsze: H1, H2 i nawet część H5 nie wymagają spisku. System może produkować niepożądane skutki jako konsekwencję funkcji celu, doboru sygnałów, zachowania użytkowników i sprzężenia zwrotnego.
Brak funkcji makeUserAddicted() nie rozstrzyga problemu. W złożonym systemie efekt globalny może powstać z tysięcy lokalnych optymalizacji.
14 / Mocny nagłówek wymaga precyzyjnego środka
Nie nazywajmy każdego długiego scrollowania uzależnieniem.
„Uzależnienie od social mediów” jest nośnym określeniem, ale naukowo trzeba uważać. Przeglądy literatury podkreślają, że social media use disorder nie jest obecnie odrębnym, oficjalnie rozpoznanym zaburzeniem w głównych systemach klasyfikacyjnych, choć problematyczne używanie mediów społecznościowych jest intensywnie badane i może wiązać się z realnym upośledzeniem funkcjonowania.11
Dlatego w tym artykule rozdzielam cztery poziomy:
Dużo czasu w aplikacji bez koniecznego pogorszenia funkcjonowania.
Automatyczne otwieranie aplikacji wywołane kontekstem, nudą albo powiadomieniem.
Powtarzanie zachowania mimo świadomego zamiaru ograniczenia go.
Kategoria kliniczna wymaga kryteriów, oceny funkcjonalnego upośledzenia i profesjonalnej diagnostyki; nie wynika z samego czasu ekranu.
Tytuł używa słowa „uzależnienia” w znaczeniu problemu projektowego i społecznego, ale środek tekstu pozostaje precyzyjniejszy: pytamy, czy systemy personalizacji mogą zwiększać prawdopodobieństwo kompulsywnego i trudnego do kontrolowania używania u części osób — a nie czy każdy użytkownik Facebooka ma diagnozę.
15 / Hipoteza jest dobra dopiero wtedy, gdy autor pomaga ją obalić
Co przemawia przeciwko najmroczniejszej interpretacji?
- Personalizacja rozwiązuje realny problem informacyjnyBez rankingu Feed mógłby być zalany treściami o bardzo różnej wartości. Sam fakt personalizacji nie jest dowodem manipulacji.3
- Meta publikuje techniczne opisy systemówNie znamy pełnych modeli produkcyjnych, ale firma ujawnia architektury, rodziny sygnałów, system cards i kierunki badań.4
- Firma sama koryguje ograniczenia engagementuProjekt True Interest dla Reels wprost wychodzi poza likes i watch time, wykorzystując ankiety użytkowników.6
- Korelacja nie dowodzi manipulacjiJeżeli użytkownik ogląda konflikt, nie wiemy automatycznie, czy system stworzył zainteresowanie konfliktem, czy tylko je wykrył.
- Użytkownik również steruje środowiskiemObserwuje, wyszukuje, ukrywa, blokuje, przestaje obserwować, wybiera „nie interesuje mnie” i może korzystać z chronologicznych lub innych ustawień tam, gdzie są dostępne.
- Nie znamy dokładnych wag funkcji celuPubliczne materiały pokazują mechanizmy i architektury, nie pełny zestaw parametrów decydujących o pojedynczej rekomendacji dla konkretnej osoby w konkretnej sekundzie.
- Psychologiczne metafory nie są dowodem implementacjiBerne, NVC, „cień”, zazdrość czy potrzeba statusu pomagają interpretować zachowanie człowieka. Nie wolno z nich robić nieudokumentowanych nazw feature’ów w systemie Meta.
Najważniejszy kontrargument: system może być bardzo skuteczny w zdobywaniu uwagi bez jakiegokolwiek tajnego planu. Właśnie dlatego problem jest trudniejszy: złożone skutki mogą powstać ze zwykłej optymalizacji predykcji, eksperymentów i uczenia na zachowaniu.
16 / Zamiast pytać „czy algorytm jest zły?” — pytajmy, co dokładnie optymalizuje
16 pytań, które rozdzieliłyby hipotezę od publicystycznego strachu.
- Jakie metryki były historycznie funkcją celu Facebook Feed, Instagram Feed i Reels?Nie tylko dziś — jak zmieniały się od 2014, 2016, 2021 i w kolejnych latach?
- Jak system rozróżnia zainteresowanie od negatywnego zatrzymania?Czy istnieje osobny sygnał dla hate-watchingu, rage-watchingu albo wielokrotnego powrotu do treści ocenianej negatywnie?
- Jaką wagę ma watch time względem jawnej deklaracji „nie chcę tego widzieć”?To test konfliktu między revealed behavior a stated preference.
- Jak szybko reprezentacja użytkownika zmienia się po jednej nietypowej sesji?Czy jeden wieczór oglądania określonego tematu potrafi przestawić kolejne dni rekomendacji?
- Czy system mierzy nasycenie i zmęczenie tematem?Więcej tego samego może podnosić krótkoterminowy engagement i jednocześnie obniżać długoterminową satysfakcję.
- Jak wykrywa się treści, które produkują dużo interakcji przez konflikt?Czy negatywna jakość rozmowy może obniżyć ranking mimo wysokiej liczby komentarzy?
- Czy istnieją ograniczenia wzmacniania moralnego oburzenia?Jak system radzi sobie z klasami treści, które nagradzają ekspresję gniewu i polaryzację?
- Jak badana jest przyczynowość długoterminowa?Nie „czy kliknął?”, tylko „jak trzy miesiące takiego rankingu zmieniły zachowanie, preferencje i satysfakcję?”.
- Jak rozdzielane są cele użytkownika i reklamodawcy?Co dzieje się, gdy treść maksymalizująca uwagę zwiększa zarazem możliwość konwersji reklamowej?
- Jakie cechy są uczone bezpośrednio z sekwencji zdarzeń?Meta opisuje odejście od części ręcznie projektowanych cech w kierunku sequence learning — jak audytować reprezentacje, którym człowiek nie nadał nazw?5
- Czy można pokazać użytkownikowi najważniejsze przyczyny rekomendacji w jego konkretnej sesji?Nie ogólne „bo interesujesz się X”, lecz kilka najważniejszych sygnałów i kontrfaktyczne „co musiałoby się zmienić, by tego nie pokazać?”.
- Jak Meta mierzy dobrostan niezależnie od retencji?Wzrost powrotów do aplikacji i wzrost zadowolenia mogą iść razem — ale mogą też się rozjechać.
- Czy użytkownik może zobaczyć własny profil zainteresowań i skorygować go hurtowo?Nie tylko pojedynczy post, lecz reprezentację kategorii, które system uważa za istotne.
- Jak system radzi sobie z pragnieniami wrażliwymi i tabu?Jakie są zabezpieczenia przed nadmiernym wnioskowaniem i wzmacnianiem treści wokół seksualności, zdrowia, lęku, żałoby czy innych szczególnie wrażliwych kontekstów?
- Jakie eksperymenty mogłyby sfalsyfikować H5?Jeżeli różne polityki rankingu przez długi czas nie zmieniają preferencji i zachowania poza chwilową ekspozycją, hipoteza współkształtowania słabnie.
- Czy system przede wszystkim daje człowiekowi to, czego chce — czy to, na co najpewniej zareaguje?To pytanie streszcza cały problem.
17 / Werdykt na 18 sierpnia 2026
Twój statystyczny odcisk.
Możemy dziś powiedzieć kilka rzeczy jednocześnie i żadna nie wymaga teorii spiskowej.
Nie ma tu dowodu na polecenie „uzależnij użytkownika”. Jest natomiast system, który publicznie wykorzystuje AI do rankingu treści, uczy się na zachowaniu, przewiduje działania, operuje na reprezentacjach i w reklamie przechodzi do modelowania sekwencji zdarzeń.
Psychologia dodaje drugą połowę obrazu. Nagrody społeczne potrafią kształtować zachowanie.7 Pozytywny feedback może wzmacniać ekspresję moralnego oburzenia.8 Berne daje język do opisu głodu rozpoznania i transakcji.9 Rosenberg pokazuje różnicę między komunikacją nastawioną na kontakt a komunikacją opartą na ocenie, winie i żądaniu.10
Daliśmy systemowi jedno z najpotężniejszych laboratoriów zachowania w historii: bodziec, natychmiastowy pomiar reakcji, kolejną próbę i możliwość powtarzania eksperymentu praktycznie bez końca. Nie trzeba czytać w myślach. Wystarczy dobrze przewidywać.
Najpierw upewnij się, czy to rzeczywiście Twoje pragnienie — czy tylko bodziec, przy którym algorytm nauczył się, że nie przesuwasz palca dalej.
Przemek. PIANO
Najbardziej zaawansowany system perswazji nie musi powiedzieć: „wiem, kim jesteś”. Wystarczy, że coraz lepiej odpowiada na pytanie: „co pokazać Ci następne?”
I być może właśnie dlatego najważniejsze prawo użytkownika przyszłości nie będzie brzmiało wyłącznie „pokaż mi moje dane”. Może brzmieć:
Pokaż mi, czego nauczył się o mnie model — i pozwól mi powiedzieć, że się myli.
przemek@piano.contact
18 / Materiał źródłowy
Źródła i status ustaleń
- Meta AI / Facebook AI Research — „DeepFace: Closing the Gap to Human-Level Performance in Face Verification”, CVPR 2014. Oficjalna publikacja opisująca dziewięciowarstwową głęboką sieć neuronową, ponad 120 mln parametrów oraz trening na około czterech milionach zdjęć ponad czterech tysięcy osób.
- Facebook Engineering — „Introducing FBLearner Flow: Facebook’s AI backbone”, 9.05.2016. Oficjalny opis infrastruktury ML; Facebook wskazuje ranking i personalizację News Feedu jako zastosowania machine learningu oraz wymienia sieci neuronowe wśród obsługiwanych algorytmów.
- Meta Engineering — „How machine learning powers Facebook’s News Feed ranking algorithm”, 26.01.2021. Opis wieloetapowego rankingu, multitask neural networks, embeddings, predykcji działań użytkownika i składania ich w wynik rankingowy.
- Meta — „How AI Influences What You See on Facebook and Instagram”, 29.06.2023. Materiał o systemach AI rankujących Feed, Reels, Stories i inne powierzchnie na Facebooku i Instagramie oraz o sygnałach i predykcjach wykorzystywanych przy rekomendacjach.
- Meta Engineering — „Sequence learning: A paradigm shift for personalized ads recommendations”, 19.11.2024. Oficjalny opis event-based learning, event streams, timestampów, sekwencji zachowań i architektury reklam uczącej się z kolejności zdarzeń osoby.
- Meta Engineering — „Adapting the Facebook Reels RecSys AI Model Based on User Feedback”, 14.01.2026. Meta wskazuje ograniczenia likes, shares i watch time jako sygnałów „true interest” i opisuje system ankietowego feedbacku UTIS.
- Lindström et al. — „A computational reward learning account of social media engagement”, Nature Communications 12, 1311 (2021). Analiza 1 046 857 postów 4168 użytkowników i eksperyment online wspierający model uczenia przez nagrodę społeczną.
- Brady, McLoughlin, Doan, Crockett — „How social learning amplifies moral outrage expression in online social networks”, Science Advances 7(33), 2021. Dwa badania obserwacyjne obejmujące 12,7 mln tweetów oraz dwa prerejestrowane eksperymenty; społeczny feedback i normy sieci wiązały się z ekspresją moralnego oburzenia.
- International Transactional Analysis Association — „Key Concepts in Transactional Analysis”. Źródło pojęć strokes, ego states Parent–Adult–Child, transactions oraz podstaw analizy transakcyjnej Erica Berne’a.
- Marshall B. Rosenberg — „Compassionate Communication”. Tekst opisujący metafory języka szakala i żyrafy; materiał wskazuje pierwotną publikację z 1995 r. i zgodę Center for Nonviolent Communication na przedruk.
- „Toward the classification of social media use disorder: Clinical characterization and proposed diagnostic criteria”, 2025. Przegląd i propozycja kryteriów SMUD; autorzy podkreślają, że social media use disorder nie jest obecnie oficjalnym odrębnym rozpoznaniem w głównych systemach DSM-5/ICD-11.
- Meta — „How AI is Powering Marketing Success and Business Growth”, 20.06.2023. Meta stwierdza w tym materiale, że szeroko rozumiana AI była fundamentalnym elementem jej aplikacji i usług od 2006 roku. W artykule traktuję to jako informację o szerszej historii AI, a nie jako dowód używania głębokich sieci neuronowych do rankingu już w 2006 roku.
Stan publicznych informacji: 18 sierpnia 2026 r., godz. 13:06 CEST. W artykule celowo oddzielono trzy poziomy: fakty techniczne opisane przez Meta i publikacje naukowe, modele psychologiczne używane jako ramy interpretacyjne oraz hipotezy H0–H5, które wymagają danych audytowych lub eksperymentów przyczynowych. Materiał nie twierdzi, że Meta posiada psychologiczne etykiety typu „zazdrość”, „upokorzenie” czy „język szakala”, ani że istnieje jawna funkcja celu „uzależnij użytkownika”.