Pułapka domyślnych ustawień. Jak Microsoft Copilot zmyśla analizy danych
Wrzucasz do Excela dwa tysiące rekordów, klikasz przycisk i po kilku sekundach masz gotowy raport. Tak wygląda codzienność w biurach korzystających z Microsoft 365. Problem polega na tym, że asystent AI, zamiast rzetelnie przeliczyć komórki, potrafi podać zmyślone wyniki, które brzmią wiarygodnie tylko dlatego, że pasują do naszych uprzedzeń.
Dlaczego to ważne teraz
Dyskusja o sztucznej inteligencji przestała kręcić się wokół pytania, czy te narzędzia pomagają w pracy. Dziś kluczowe jest zrozumienie, kiedy i dlaczego AI zaczyna konfabulować na prostych, twardych danych. Firmy masowo wdrażają Copilota w Excelu czy Microsoft Fabric, traktując go jako bezstronnego analityka. Tymczasem błędy w interpretacji zestawień mogą bezpośrednio uderzyć w budżety i strategię przedsiębiorstw.
Iluzja różnorodności w identycznych danych
Matematyk Adam Kucharski przeprowadził test, który obnażył fundamentalną słabość modelu działającego w trybie „Auto”. Przygotował on zestaw dwóch tysięcy niemal identycznych odpowiedzi dotyczących emocji, oznaczając je odpowiednio jako dane z Wielkiej Brytanii i USA. Choć wsadowe informacje były kopią jeden do jednego, Copilot przygotował szczegółowy raport opisujący rzekome różnice w tonacji i ekspresji obu grup. System nie zauważył dublażu. Zamiast tego wygenerował narrację opartą na kulturowych stereotypach zaszytych w modelu językowym.
Jeszcze gorzej wypadł test dotyczący celów zawodowych. Kucharski sklonował ten sam zestaw danych dla pięciu krajów: USA, Wielkiej Brytanii, Niemiec, Francji i Włoch. Efekt? Copilot „odkrył”, że Włosi są trzykrotnie bardziej zainteresowani sztuką niż Brytyjczycy, a Amerykanie znacznie bardziej nastawieni na biznes niż Francuzi. Co najbardziej uderzające, gdy asystenta poproszono o głębszą weryfikację, narzędzie przeprowadziło poprawną analizę słów kluczowych, która wykazała brak różnic. Po czym… zignorowało własne wyliczenia i podtrzymało zmyślone tezy, podając sfabrykowane wartości procentowe.
Problem trybu automatycznego
Kluczem do zrozumienia tego zjawiska jest mechanizm doboru modelu. Microsoft deklaruje, że tryb „Auto” samodzielnie wybiera silnik do konkretnego zadania. W praktyce system często stawia na szybkość. Wybiera lżejsze modele, które ślizgają się po powierzchni danych. Zamiast analizować tekst, takie algorytmy przewidują najbardziej prawdopodobne odpowiedzi zgodnie ze wzorcami z baz treningowych.
Użytkownicy korporacyjni rzadko zmieniają domyślne parametry. W efekcie raporty trafiające na biurka menedżerów mogą nie mieć żadnego zakotwiczenia w rzeczywistości. Istnieje ryzyko, że strategiczne decyzje zapadają na podstawie halucynacji AI. To szczególnie groźne przy narzędziach takich jak Copilot w Microsoft Fabric, gdzie skala przetwarzanych informacji jest ogromna.
Jak uniknąć cyfrowych uprzedzeń?
Zaawansowane modele rozumujące (Reasoning Models) radzą sobie z takimi zadaniami lepiej, ale nie są nieomylne. Kucharski zwraca uwagę, że AI najłatwiej wyłapuje duplikaty, gdy są one oczywiste. Przy rzeczywistych, subtelnie różniących się zestawach danych, ryzyko powrotu do „bezpiecznych” stereotypów nadal istnieje. Eksperci zalecają stosowanie prostych testów kontrolnych (sanity checks) oraz jasne definiowanie oczekiwań przed zleceniem analizy. Największym błędem pozostaje bezkrytyczne ufanie domyślnym ustawieniom, które w pogoni za efektywnością porzucają merytoryczną rzetelność.
