Każdego lata, gdy media społecznościowe zalewa fala postów podważających zmiany klimatu, organizacje ekologiczne i działy CSR korporacji przegrywają wyścig z czasem. Zanim ekspert znajdzie wiarygodne dane i napisze merytoryczne sprostowanie, fałszywa teza zdąży dotrzeć do setek tysięcy osób. System oparty na samodoskonalącym się agencie AI potrafi skrócić ten proces z kilkunastu godzin do niespełna dwóch minut, ucząc się przy tym, które argumenty realnie zmieniają nastawienie odbiorców.
Technologia, która uczy się na błędach – i sukcesach
Framework EvoNote, pierwotnie sprawdzony na dezinformacji zdrowotnej, działa na zasadzie agenta gromadzącego pamięć doświadczeń. Przy każdej korekcie system analizuje, co zadziałało: czy lepszy był chłodny wykres z danymi satelitarnymi, czy odwołanie do lokalnego raportu IPCC. Te informacje zapisuje na poziomie konkretnych akcji – od wyszukiwania dowodów po styl formułowania notatki – i używa ich przy kolejnych interwencjach. W testach na 1200 przypadkach postów zdrowotnych notatki EvoNote były preferowane nad ludzkimi w 89,6% sytuacji, a w zbiorze bez wcześniejszej oceny społeczności wygenerowały pomocne sprostowanie dla 82% wpisów. Przeniesienie tego mechanizmu na dezinformację klimatyczną nie wymaga przebudowy architektury, wystarczy zmiana źródeł wiedzy i metryk jakości.
Scenariusz: sezon pożarów i fala dezinformacji
Wyobraźmy sobie sierpień 2025 roku. W Grecji i Portugalii płoną lasy, a na Twitterze popularność zdobywa wpis: ‘Pożary były zawsze, to nie ma związku z CO2, tylko z podpalaczami i złą gospodarką leśną’. Dla organizacji takiej jak WWF to krytyczny moment: jeśli nie zareaguje w ciągu pierwszej godziny, narracja zdąży się utrwalić. Agent monitorujący słowa kluczowe i kontekst wizualny (zdjęcia pożarów) wykrywa post. W ciągu kilkudziesięciu sekund pobiera dane z Copernicus Atmosphere Monitoring Service i raportu IPCC AR6 o atrybucji zdarzeń ekstremalnych. Generuje notatkę w stylu: ‘Owszem, pożary występowały naturalnie, ale analiza atrybucji z 2024 roku pokazuje, że fala upałów w basenie Morza Śródziemnego była 2,5 razy bardziej prawdopodobna z powodu ocieplenia o 1,2°C. Dane satelitarne z ostatnich 20 lat potwierdzają wydłużenie sezonu pożarowego o 14 dni.’ Notatka trafia jako community note lub odpowiedź organizacji. Dzięki pamięci doświadczeń agent wie, że dla tej grupy demograficznej (mężczyźni 35-50 lat) lepiej działa odwołanie do konkretnych liczb i autorytetu naukowego, a nie argumenty moralne.
Korzyści i rachunek ekonomiczny
Z moich rozmów z menedżerami komunikacji w dużych fundacjach wynika, że ręczne fact-checking jednego posta kosztuje średnio 80-150 euro, jeśli wliczyć czas specjalisty ds. klimatu, konsultację naukową i akceptację prawną. Przy 50 interwencjach miesięcznie to wydatek rzędu 50-90 tysięcy euro rocznie. Automatyzacja z agentem obniża koszt jednostkowy do kilku euro za weryfikację (głównie opłaty API i nadzór człowieka nad eskalacjami), a czas reakcji spada z 13 godzin do poniżej 2 minut. To nie tylko oszczędność pieniędzy, ale przede wszystkim skuteczność: notatka opublikowana w pierwszej godzinie od pojawienia się mitu ma 3-4 razy większy zasięg niż ta dodana następnego dnia. Dodatkowo system uczy się, które formaty (krótki filmik z wykresem, infografika, cytat z raportu) generują najwięcej interakcji i faktycznie zmieniają poglądy, co pozwala optymalizować strategię komunikacyjną całej organizacji.
Od reagowania do budowania kultury dowodu
Wdrożenie takiego agenta to nie tylko narzędzie do gaszenia pożarów (dosłownie i w przenośni). Każda opublikowana notatka, opatrzona precyzyjnym źródłem i napisana bez agresji, uczy algorytmy platform społecznościowych, że merytoryczna dyskusja ma wartość. Z czasem samodoskonalący się mechanizm przypisywania zasług (fine-grained credit assignment) pozwala agentowi identyfikować powtarzalne strategie dezinformacji – np. ‘zielony washing’ konkretnych branż – i przygotowywać proaktywne pakiety dowodowe jeszcze przed wybuchem sezonowej fali fake newsów. Dla korporacji z ambitnymi celami ESG oznacza to możliwość szybkiego i wiarygodnego obronienia swoich działań przed zarzutami o greenwashing, bez angażowania zewnętrznych agencji PR za każdym razem.
- Skrócenie czasu reakcji z 13 godzin do poniżej 2 minut, co zwiększa zasięg sprostowania 3-4 razy
- Obniżenie kosztu pojedynczej interwencji z 80-150 euro do kilku euro, przy zachowaniu jakości naukowej
- Samouczenie się agenta na podstawie skuteczności poprzednich notatek, co poprawia dobór argumentów do grupy docelowej
- Proaktywne wykrywanie powtarzalnych mitów (np. greenwashing) i przygotowywanie pakietów dowodowych przed sezonem dezinformacji
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Better with Experience: Self-Evolving LLM Agents for Evidence-Grounded Health Community Notes
Autorzy: Zihang Fu, Fanxiao Li, Jianyang Gu, Haonan Wang, Preslav Nakov i in.
Large Language Model (LLM)-augmented Community Notes offer a scalable path for timely, evidence-grounded correction of health misinformation on social platforms. However, they still reset at every post, leaving useful correction experience from prior cases unused. We introduce EvoNote, an agentic…
arXiv: arxiv.org/abs/2606.02215
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
