Jak szukać i weryfikować informacje z pomocą AI: tryb deep research

W skrócie: tryb deep research to sytuacja, w której AI nie odpowiada od razu, tylko samo wykonuje dziesiątki zapytań, otwiera strony i składa z nich raport ze źródłami w 5–30 minut. Oszczędza godziny, ale nie zwalnia z weryfikacji: model wciąż może źle streścić źródło albo powołać się na stronę, której nie ma. Jedna zasada: otwieraj linki sam. Dalej nie ma teorii, jest przejście przez nasze własne badanie — co wydobyliśmy, co sprawdziliśmy ponownie i czego, szczerze mówiąc, nie udało się zdobyć.

Czym różni się to od zwykłego czatu z wyszukiwaniem

Zwykły czat z wyszukiwaniem w sieci robi jedno–dwa zapytania i odpowiada w kilka sekund. Tryb badawczy działa inaczej: dzieli twoje pytanie na pytania cząstkowe, szuka do każdego, czyta to, co znajdzie, zauważa sprzeczności, dobiera to, czego brakuje — i dopiero wtedy pisze uporządkowany raport z przypisami. To pętla „szukaj → czytaj → dopytuj”, przewinięta wiele razy bez ciebie.

Stąd różnica w odczuciu: zwykła odpowiedź to opinia oczytanego rozmówcy, a raport deep research to szkic notatki analitycznej. Z bibliografią, którą można sprawdzić. Albo nie sprawdzić — i się przejechać.

Oto rzecz, którą warto pojąć od razu. Tryb zmienia ekonomię badania, nie jego naturę. Obejście czterdziestu stron kosztowało cię kiedyś cały dzień. Teraz kosztuje dziesięć minut czekania. Ale decyzja, które czterdzieści stron w ogóle warto było odwiedzić i co z nich wynika, wciąż należy do ciebie. Narzędzie potaniło zbieranie i nie zrobiło zupełnie nic z weryfikacją. Weryfikacja została dokładnie tam, gdzie była — i dlatego reszta tego artykułu jest głównie o weryfikacji.

Gdzie to znajdziesz

• ChatGPT — tryb Deep Research, zwykle w planach płatnych, z miesięcznym limitem uruchomień.
• Gemini — Deep Research, wbudowany w interfejs, pokazuje plan badania przed startem.
• Claude — tryb Research z wyszukiwaniem w sieci i pracą na wielu źródłach.
• Perplexity — z założenia nastawiony na wyszukiwanie, z osobnym trybem badawczym.

Nazwy i limity zmieniają się niemal co miesiąc, więc zapamiętuj nie markę, tylko zasadę: jeśli narzędzie pokazuje listę źródeł i poświęca na odpowiedź minuty, a nie sekundy — to właśnie ten tryb. Czym modele różnią się ogólnie, opisujemy w tekście ChatGPT vs Claude vs Gemini.

Jak postawić zadanie, żeby raport był użyteczny

Klasyczny błąd to wrzucić temat w jednej linijce („rynek aut elektrycznych w Europie”) i czekać na cud. Tryb się wykona, ale dostaniesz przeglądową watę słowną. Zadanie trzeba ograniczyć na czterech osiach: pytanie, granice (okres, region, typy źródeł), format i co robić z niepewnością.

Zamiast opisywać to abstrakcyjnie, zobacz na żywo. Naciśnij „Uruchom” poniżej, a model na twoich oczach zamieni mglisty temat w prawdziwy brief. Potem podstaw własny temat.

Jesteś redaktorem briefów badawczych. Oto zgłoszenie dokładnie tak,
jak przysłał je klient: „Potrzebuję przeglądu rynku aut elektrycznych
w Europie”.

To zły brief. Przepisz go na roboczy, według czterech osi:

1. PYTANIE. Rozbij temat na 4-6 konkretnych pytań, na które można
   odpowiedzieć faktami, a nie rozważaniem. Złe pytanie: „jakie są
   perspektywy rynku”. Dobre: „jak zmieniał się udział aut
   elektrycznych w nowych rejestracjach według krajów przez ostatnie
   trzy lata”.
2. GRANICE. Zaproponuj okres, region i kolejność priorytetów typów
   źródeł. Osobno wskaż, które źródła w tym temacie uznać za
   pierwotne, a które za przekazy.
3. FORMAT. Opisz strukturę raportu i regułę cytowania: co ma stać
   obok każdej liczby.
4. NIEPEWNOŚĆ. Sformułuj sekcję, którą wykonawca ma obowiązek
   wypełnić: gdzie źródła się rozchodzą, czego nie udało się znaleźć,
   które twierdzenia są słabo poparte.

Na koniec dodaj listę 5 „pułapek tego tematu” — typowych liczb
i twierdzeń, które w tej dziedzinie wędrują z artykułu do artykułu
bez pierwotnego źródła. Wyjaśnij, dlaczego każde warto sprawdzić.

Ostatnia oś — niepewność — jest najcenniejsza, a prawie nikt o nią nie prosi. Zamienia raport z „pewnego siebie tekstu” w mapę wiedzy, na której widać, gdzie jest twardy grunt, a gdzie bagno. Podstawy budowy zapytań są w tekście czym jest prompt, a rozbiory w przykładach promptów.

Główna pułapka: źródła, których nie ma

Modele językowe zmyślają źródła. Nie czasem i nie tylko „słabe modele” — to własność systemowa: model generuje prawdopodobną kontynuację tekstu, a prawdopodobny URL z prawdopodobnym tytułem artykułu zmyśla równie łatwo jak prawdziwy. Mechanikę rozkłada tekst halucynacje AI: dlaczego modele zmyślają.

Tryb badawczy zmniejsza ryzyko, bo naprawdę chodzi po stronach. Ale go nie usuwa. Trzy drogi, którymi zmyślenie przesącza się do gotowego raportu:

• Martwy link. Źródło się przeniosło albo nigdy nie istniało — w raporcie jedno i drugie wygląda równie solidnie.
• Link jest, a twierdzenia w nim nie ma. Najczęstszy i najbardziej podstępny przypadek: strona się otwiera, wygląda na trafną, ale liczby z raportu po prostu w niej nie ma — akcent dołożył model.
• Łańcuch przekazów. Raport powołuje się na bloga, blog na newsa, news na „badanie”, którego nikt nie widział. Formalnie przypis jest. Faktycznie pierwotnego źródła nie ma.

Wniosek niewygodny, ale uczciwy: przypis to nie weryfikacja, to obietnica weryfikacji. Sprawdzać musisz ty.

Sześć przypadków z naszego własnego badania

Dalej nie ma podręcznikowych przykładów. Sami przeprowadziliśmy badanie rynku kursów o AI (dane pobrane 17.07.2026): wyciągnęliśmy ceny i metryki kursów z wewnętrznego API Udemy, zebraliśmy statystyki zapisów na Coursera i przeczytaliśmy, co naprawdę pisali niezadowoleni kursanci. To wygodny materiał, żeby pokazać wszystkie grabie naraz, bo na wszystkie nadepnęliśmy.

Przypadek 1. Pierwotne źródło kontra „wszyscy wiedzą”

Obiegowa opinia: kursy na Udemy kosztują 200 dolarów, ale zawsze trwa wyprzedaż z rabatem 90%. Zapytaj dowolny model — powtórzy to z przekonaniem, bo tak napisano w tysiącach artykułów. Zajrzeliśmy do surowej odpowiedzi API (endpoint price_text) i zobaczyliśmy to:

Jesteś analitykiem, który czyta surowe odpowiedzi API i nie wierzy
marketingowi na słowo. Oto fragment odpowiedzi API strony kursu
(pobrany przez nas 17.07.2026):

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

Twoje zadania:
1. Co ten fragment udowadnia, a czego nie? Rozdziel to ściśle.
2. Obiegowe twierdzenie: „na tej platformie zawsze trwa wyprzedaż,
   kurs za 200 oddają za 20”. Czy fragment obala to twierdzenie?
   W całości czy tylko częściowo?
3. Podaj trzy alternatywne wyjaśnienia, przy których oba twierdzenia
   mogą się okazać zgodne.
4. Jakie jeszcze trzy pola albo zapytania byś zażądał, żeby zamknąć
   sprawę ostatecznie? Przy każdym wyjaśnij, jaką konkretnie
   wątpliwość rozwiewa.
5. Sformułuj wniosek tak, żeby dało się go wydrukować: jedno zdanie,
   bez przesady, z wyraźnym zastrzeżeniem o granicach danych.

Co zobaczyliśmy: rabatu nie ma. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. Kurs kosztuje 24,99 €, i to jest zarazem jego pełna cena. Z dwunastu topowych kursów, które pobraliśmy, jedenaście kosztuje 19,99 €, jeden (The Complete AI Guide) — 24,99 €. Żadnego „było 199,99 €”.

To cała lekcja o pierwotnych źródłach w jednym akapicie. Masowe przekonanie istniało, było wielokrotnie publikowane i brzmiało wiarygodnie. Żaden deep research by go nie obalił: model znalazłby te same tysiące artykułów i sumiennie by je streścił. Obala je tylko czytelna dla maszyny odpowiedź serwera, po którą trzeba było pójść i ją wziąć. Deep research świetnie znajduje konsensus i prawie nigdy nie znajduje tego, co konsensus przeoczył.

Więc zanim odpalisz przebieg, zadaj sobie nieprzyjemne pytanie: czy moja odpowiedź jest gdzieś prawdopodobnie zapisana, czy raczej żyje w bazie danych, w rejestrze, w API, w cenniku, w aktach sądowych? Jeśli to drugie, raport wręczy ci pięknie udokumentowane streszczenie tego, w co wszyscy wierzą, a ty nie dowiesz się niczego.

Przypadek 2. Liczba, której nie udało się zdobyć

W naszym badaniu jest linijka, którą lubię bardziej niż wszystkie liczby: dokładna cena ChatGPT Plus — niepotwierdzona, wszystkie domeny OpenAI zwróciły 403. Znamy tę cenę z grubsza, jak zna ją każdy. Ale pierwotne źródło nam jej nie oddało, więc w wewnętrznym pliku jest oznaczona jako z drugiej ręki i zakazana do użycia jako fakt.

Tak samo oznaczona jest cena Udemy Personal Plan: 20,00 €/mies., w promocji 10,00 €/mies. — wzięta z landing page, bo udemy.com zwrócił 403 naszemu crawlerowi. Liczba w raporcie jest, ale obok stoi jej pochodzenie.

To właśnie raporty deep research robią najgorzej. Model nie lubi wracać z pustymi rękami: jeśli pierwotne źródło jest niedostępne, po cichu podstawi liczbę z przekazu i nie powie ci o tym ani słowa. Różnica między „sprawdziliśmy” a „znaleźliśmy wzmiankę” znika w jego prozie bez śladu. Żądaj wyraźnie sekcji „czego nie udało się znaleźć” — sama nigdy się nie pojawi.

I zwróć uwagę na kształt tej wpadki. To nie halucynacja. Liczba jest prawdopodobnie poprawna. Brakuje etykiety. Poprawna liczba bez etykiety i błędna liczba bez etykiety wyglądają na stronie identycznie — i właśnie dlatego etykieta liczy się bardziej niż sama liczba.

Przypadek 3. Autorytatywne źródło z dziurawą metodą

Przygotowując się do lokalizacji, natknęliśmy się na EF English Proficiency Index — najczęściej cytowany ranking znajomości angielskiego na świecie. Stawia Rumunię na 11. miejscu na świecie. Każdy raport AI o językach przywlecze go pierwszy: jest wszędzie, wygląda jak statystyka, powołują się na niego media.

Wyrzuciliśmy go w całości — i oto dlaczego. Jego próba jest samodobrana (EF sam pisze to w metodologii): test wypełniają ci, którzy sami postanowili sprawdzić swój angielski na stronie szkoły językowej. Średni wiek zdających to 26 lat. A teraz porównajmy ze źródłami o próbie losowej: Eurobarometr 540 (n = 26 523) i Eurostat AES 2022 mówią, że Rumunia jest najgorsza w UE: 51,2% mieszkańców nie zna żadnego języka obcego, a angielskim włada 25%. Jedenaste miejsce na świecie i najgorsze w UE to nie rozrzut ocen. To niezgodne twierdzenia, a jedno z nich wytworzyła dziurawa metoda.

Stąd reguła droższa niż każda lista kontrolna: patrz na to, jak powstała liczba, a nie na to, kto ją opublikował. Deep research szereguje źródła według autorytetu i widoczności — a dziurawa metoda właśnie czyni źródło widocznym, bo daje ładne liczby. Rzetelne badanie podaje zakresy i przedziały ufności; samodobrany quiz publikuje tabelę rankingową. Zgadnij, które wygrywa wyścig cytowań.

Przypadek 4. Badanie, które mówi nie to, co się wydaje

Jedyny recenzowany eksperyment, jaki znaleźliśmy w naszym temacie: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. Badanie z randomizacją i grupą kontrolną, n = 2 263 szwedzkich studentów, internetowy kurs programowania, losowy przydział do wersji szwedzkiej albo angielskiej.

Wynik: rezygnacja 57% w szwedzkim wobec 71% w angielskim (φ = 0,2; p < 0,00001). Średni wynik wśród tych, którzy zostali: 16,9 wobec 14,3, wielkość efektu δ = 0,085 — znikoma.

Teraz patrz, co się tu stało. Po wynikach różnicy praktycznie nie ma. Pokusa: napisać „język nie wpływa na rezultat” — liczba jest, istotności brak. Ale po rezygnacji różnica jest ogromna. Angielski nie pogorszył zrozumienia — zmusił do odejścia. To różne twierdzenia, a drugie widać tylko wtedy, gdy spojrzysz, co konkretnie badanie mierzyło i na kim. Samoocena biegłości, swoją drogą, przed rezygnacją nie chroniła.

Raporty deep research psują się dokładnie tutaj: streszczają wniosek z abstraktu, a nie konstrukcję badania. Abstrakt to też przekaz, tylko napisany przez autorów. Jeśli twierdzenie jest dla ciebie ważne, dwie rzeczy warte przeczytania to sekcja o metodzie i tabela. Cała reszta w artykule to proza.

Przypadek 5. Liczba, która wygląda na odpowiedź, ale nią nie jest

Licząc rynek według języków, wpadliśmy na liczniki kursów Udemy: tyle a tyle kursów po hiszpańsku, zero po szwedzku. Ładna liczba, gotowy slajd. Tyle że mierzy podaż, a nie popyt. Zero szwedzkich kursów to albo pusta nisza, do której trzeba pędzić, albo dowód, że rynku tam nie ma. Jedna liczba, dwa przeciwne wnioski, a danych, żeby między nimi wybrać, nie mamy. Tak też zapisaliśmy: niejednoznacznie.

Pożyteczny nawyk: zanim wstawisz liczbę do wniosku, zapytaj się, jaką przeciwną decyzję ta sama liczba też potwierdza. Jeśli potwierdza — to nie argument, to ozdoba. Deep research produkuje taką ozdobę hurtowo, bo liczba z doczepionym źródłem przechodzi każdy powierzchowny test.

Przypadek 6. Wielkość efektu kontra wielkość nagłówka

Branża lokalizacji obiecuje wzrost „+40–70%”. Szukaliśmy niezależnego potwierdzenia i znaleźliśmy dokładnie dwa pomiary. eBay przy wdrożeniu tłumaczenia maszynowego: +10,9% eksportu (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019), przy czym efekt malał wraz ze wzrostem ceny towaru. Test A/B Wikimedii: +3,64%. Obietnicy „+40–70%” nic niezależnego nie potwierdza.

Przepaść między 3,64% a 70% to nie spór o liczbę. To różnica między pomiarem a reklamą. I zauważ szczegół o spadku efektu wraz ze wzrostem ceny: jest tylko w artykule i znika w każdym przekazie, bo psuje nagłówek. Zastrzeżenia giną pierwsze — w łańcuchu przekazów odcina się je najwcześniej.

Weryfikacja raportu w 5 minut

1. Wypisz twierdzenia, od których coś zależy. Zwykle jest ich 3–7 na cały raport, a nie czterdzieści. Reszta to kontekst, gdzie błąd nic nie kosztuje.
2. Otwórz link do każdego. Otwiera się? Dalej — szukaj po stronie (Ctrl+F) po liczbie albo słowie kluczowym. Nie znalazłeś — twierdzenie niepotwierdzone, kropka.
3. Dojdź do pierwotnego źródła. Jeśli przypis prowadzi do newsa o raporcie — znajdź sam raport. Liczba często mutuje po drodze, a zastrzeżenia odpadają.
4. Sprawdź datę. Świeży raport łatwo składa się z artykułów sprzed pięciu lat, jeśli nie ograniczyłeś okresu.
5. Sprawdź metodę, a nie markę. Jak powstała liczba? Kogo pytano i jak dobierano? Nasz przypadek z EF jest dokładnie o tym.
6. Zapytaj o przeciwne. Odpal drugie zapytanie: „znajdź argumenty przeciw wnioskowi X i dane, które mu przeczą”. Jeśli kontrargumentów w ogóle nie ma — pewnie źle szukano.

Pierwsze pięć minut zwraca się tym, że nie zacytujesz zmyślenia. Szósty krok zwraca się tym, że nie zacytujesz prawdy, która nic nie znaczy.

Oto gotowy audytor do kroków 1–3. Prompt jest samowystarczalny: raport jest zaszyty w środku, odpalaj tak, jak jest.

Jesteś fact-checkerem. Dostałeś fragment raportu AI. Twoim zadaniem
nie jest sprawdzenie faktów (nie masz internetu), tylko zbudowanie
planu weryfikacji i posortowanie twierdzeń według ryzyka.

FRAGMENT RAPORTU:
„Rynek kursów o AI online przeżywa boom. Według szacunków branżowych
wartość rynku sięgnie 47 miliardów dolarów do 2030 roku (źródło: blog
agencji marketingowej, 2025). Kursy sprzedają się ze średnim rabatem
87% — platformy praktycznie rozdają je za darmo. Największy kurs
zebrał ponad 400 000 kursantów. Eksperci są zgodni, że format wideo
pozostaje preferowany przez większość uczących się. Badanie wykazało,
że lokalizacja treści podnosi konwersję o 40-70%.”

Zrób cztery rzeczy:

1. ROZBIÓR. Wypisz każde twierdzenie w osobnej linii. Przy każdym
   podaj klasę: mierzalny fakt / prognoza / szacunek / powtórzona
   opinia / marketingowy frazes.
2. RYZYKO. Przypisz każdemu ryzyko bycia zmyśleniem lub
   przekłamaniem: wysokie / średnie / niskie. Uzasadnij jednym
   zdaniem. Zwróć szczególną uwagę na liczby bez daty i metody oraz
   na zwroty „eksperci są zgodni”, „badanie wykazało”.
3. PLAN. Dla trzech najbardziej ryzykownych twierdzeń napisz, jakie
   konkretnie pierwotne źródło zamknęłoby sprawę i jakie jedno
   zapytanie trzeba do niego skierować.
4. PRZEPISANIE. Przepisz fragment tak, żeby zostało w nim tylko to,
   za co można odpowiadać, a cała reszta była wyraźnie oznaczona jako
   niepotwierdzona. Nic nie zmyślaj: jeśli danych nie ma — tak napisz.

Kiedy źródłem są ludzie

Połowa naszego badania to nie liczby, tylko opinie. Zebraliśmy 26 cytatów niezadowolonych kursantów dosłownie, z autorami i datami (plus dwa z forów — te liczymy osobno, bo wpis na forum to nie opinia o kursie). Na przykład o kursach wideo:

„why read straight from the slide? I can do that. This was not a helpful course at all” — Janie I., 02.07.2026, 1★

„50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website” — Shashank T., 13.04.2026, 1★

Ważne, co zrobiliśmy dalej. Nie napisaliśmy „kursanci masowo narzekają”. Policzyliśmy udział negatywnych opinii (≤3,5★): Generative AI for Beginners — 9,61%, Complete AI Guide — 10,36%. Czyli niezadowolony mniej więcej jeden na dziesięciu. Cytaty są mocne, ale ilustrują mniejszość, i w tekście musi to stać obok.

I druga uczciwa uwaga: na Coursera filtrowanie opinii według gwiazdek dzieje się po stronie przeglądarki — serwerowy HTML zawsze oddaje pierwszą stronę. Znaczy to, że nasze cytaty stamtąd pochodzą z domyślnego wyniku, który widzi każdy, a nie z systematycznego doboru. To osłabia twierdzenie, i tak to zapisaliśmy.

Reguła: cytat to dowód, że opinia istnieje, a nie że jest rozpowszechniona. Raport deep research sklejony z opinii zawsze brzmi jak wyrok — bo krzyk jest głośniejszy niż milczenie, a negatywną opinię pisze się chętniej niż neutralną. Żądaj mianownika. Jeśli raport daje ci pięć wściekłych cytatów i żadnego procentu, nie powiedział ci nic o świecie; powiedział, że gniewny tekst łatwo znaleźć.

Jak odróżnić dobry raport od ładnego

Raporty deep research prawie zawsze wyglądają przekonująco: nagłówki, punkty, przypisy, równy analityczny ton. Uroda formy nic nie mówi o jakości treści.

• Ile różnych źródeł stoi za kluczowymi twierdzeniami. Jeśli cały raport trzyma się na dwóch stronach — to przekaz dwóch stron.
• Czy typy źródeł są zróżnicowane. Raport tylko z blogów i mediów jest słaby. Raport z materiałem pierwotnym (surowe odpowiedzi API, statystyki, dokumentacja, sprawozdania, artykuły naukowe) jest mocny.
• Czy podano daty. Twierdzenie bez daty w szybko zmieniającym się temacie jest prawie bezużyteczne.
• Czy podano metodę. Kogo pytano, ilu ich było, jak dobierano. Bez tego „ankieta pokazała” to zwrot retoryczny, nie dowód.
• Czy przyznano się do niepewności. Dobry raport gdzieś mówi „dane się rozchodzą” albo „potwierdzenia nie znaleziono”. Raport, w którym wszystko jest jednoznaczne, jest podejrzany: rzeczywistość tak nie wygląda.
• Czy fakty oddzielono od wniosków. „Sprzedaż wzrosła o X%” i „rynek czeka boom” to twierdzenia różnej klasy.

Sprawdź swój wniosek na wytrzymałość tym oto — prompt działa bez internetu, atakuje logikę tekstu, a nie fakty.

Jesteś adwokatem diabła. Twoja praca to spróbować zburzyć wniosek
poniżej. Nie bądź uprzejmy i nie szukaj równowagi.

WNIOSEK: „Wideo przegrywa z tekstem w nauczaniu dorosłych umiejętności
cyfrowych, bo wideo nie da się przewijać we własnym tempie, a tekst
z definicji ma transkrypcję.”

DOWODY, NA KTÓRYCH OPIERA SIĘ WNIOSEK (prawdziwe opinie o topowych
kursach wideo, zebrane 17.07.2026):
- „It is too fast for a beginner... until you try to see and
  understand it the next screen pops up” — Amit A., 29.04.2026,
  2★, kurs The Complete AI Guide
- „I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly”
  — Vince D., 16.03.2026, 1★, kurs nie podany
- udział opinii ≤3,5★ dla The Complete AI Guide: 10,36%

Zrób pięć rzeczy:
1. Wskaż najsłabsze miejsce tej argumentacji.
2. Wyjaśnij, co te opinie udowadniają, a czego nie. Osobno: co liczba
   10,36% robi z siłą wniosku — wzmacnia ją czy osłabia?
3. Zbuduj najmocniejszy kontrargument: przy jakich warunkach wideo
   wygrywa z tekstem i dla kogo konkretnie.
4. Wymyśl dane, które obaliłyby wniosek do czysta. Opisz badanie,
   które by je dało.
5. Przepisz wniosek tak, żeby był uczciwy wobec dostępnych danych.
   Zapewne stanie się węższy i nudniejszy. To normalne.

Osobno o łańcuchu przekazów

Najcichszy z błędów. Link żywy, strona się otwiera, liczba na niej jest — a pierwotnego źródła nie ma nigdzie, bo wszyscy powołują się na siebie w kółko. Deep research jest tu bezradny: formalnie każdy przypis jest poprawny. Nic w strukturze raportu nie powie ci, że cała budowla stoi na komunikacie prasowym, który nie cytował niczego.

Oto ta sama historia z „+40–70%”, rozłożona na kroki. Raport AI twierdzi „lokalizacja podnosi konwersję o 40–70%” i powołuje się na blog platformy tłumaczeniowej. Blog, 2025: „badania pokazują wzrost o 40–70%” — link do komunikatu prasowego branżowego stowarzyszenia. Komunikat, 2024: „w ankiecie wśród uczestników rynku firmy zgłaszają wzrost do 70%” — linku brak w ogóle.

Patrz, gdzie się złamało. Między komunikatem a blogiem „firmy zgłaszają wzrost do 70%” zmieniło się w „badania pokazują wzrost o 40–70%”. Samoocena zainteresowanych uczestników stała się „badaniem”, „do 70%” stało się przedziałem „40–70%”, a dolna granica wzięła się z powietrza. Do trzeciego przekazu brzmi to już jak pomiar. Przy czym w żadnym ogniwie łańcucha nie ma ani jednego formalnie fałszywego linku — i właśnie dlatego maszynowe sprawdzanie przypisów tu nie ratuje.

A prawdziwy pomiar przez cały ten czas leżał obok i do łańcucha nie trafił: te same +10,9% eBaya, z efektem malejącym przy wzroście ceny. Pierwotne źródło przegrało z przekazem, bo dawało gorszą liczbę.

Kiedy tryb badawczy to nie to narzędzie

• Potrzebujesz jednego faktu. Stawka, data, definicja — zwykłe wyszukiwanie jest szybsze.
• Temat świeższy niż doba. Indeksacja i dostęp do świeżych stron działają nierówno; gorące newsy lepiej czytać oczami.
• Dane są zamknięte. Płatne bazy, wewnętrzne dokumenty, artykuły za paywallem — model tam nie wejdzie, a co gorsza, zbuduje przegląd z przekazów abstraktów. Nasze 403 od Udemy i OpenAI to dokładnie ta klasa.
• Potrzebujesz nie konsensusu, tylko tego, co konsensus przeoczył. Historia z rabatem na Udemy pokazuje granicę gatunku: tego, czego nie ma w tekstach, tryb z definicji nie znajdzie.
• Cena błędu jest medyczna albo prawna. Raport nadaje się jako mapa terenu i lista źródeł, ale nie jako podstawa decyzji.

Jak wpleść to w pracę

Schemat, który działa: deep research zbiera pole (kto co mówi i gdzie) → ty w 5 minut sprawdzasz kluczowe twierdzenia → prosisz model, żeby przepisał raport, zostawiając tylko potwierdzone, i osobno wyliczył to, co usunął. Na wyjściu — krótki tekst, za każdą linijkę którego możesz odpowiadać.

Dokładnie tak zbudowany jest plik, z którego wzięty jest ten artykuł. Ma sekcję „czego nie mamy”: cena ChatGPT Plus (403), filtr opinii Coursera (po stronie klienta), Reddit (niedostępny dla crawlera) i uwagę, że nasze trzy źródła w jednej konkretnej sprawie to użytkownicy zaawansowani, a nie początkujący, na których nam zależy — mała próba, i tak napisaliśmy. Ta sekcja jest niewygodna — publicznie wylicza nasze dziury. I ona też jest jedynym powodem, dla którego pozostałym liczbom można wierzyć: autorowi, który przyznaje trzy dziury, czwartą szuka się łatwiej niż autorowi, u którego wszystko się zgadzało.

Poproś swój raport o to samo. Nie „jesteś pewien?” — model powie, że tak. Zapytaj: które twierdzenia tutaj byś odrzucił, gdybyś musiał postawić na każde pieniądze? Odpowiedzi są zwykle konkretne i zwykle są to te same trzy twierdzenia, na których miałeś zamiar oprzeć decyzję.

Miej też na uwadze podstawową higienę: nie ładuj do trybu badawczego danych wrażliwych ani cudzych — prywatność w pracy z AI działa tu tak samo jak w zwykłym czacie. Jeśli dopiero się oswajasz — zacznij od przewodnika po ChatGPT. A jeśli raport przyszedł z błędem we wniosku, a nie w faktach — to już opowieść o tym, jak modele kumulują błąd krok po kroku.