Najważniejsze wnioski w pigułce
Ograniczenia technologiczne LLM-ów:
- Modele językowe nie „myślą" — przewidują kolejny token na podstawie statystyk
- Świetnie radzą sobie z zadaniami typowymi, ale spektakularnie zawodzą przy nowatorskich problemach
- Dodanie jednego zdania do zadania matematycznego potrafi obniżyć skuteczność modelu o 65%
- Nie posiadają wewnętrznego modelu świata ani zdolności do rzeczywistego rozumowania
Zagrożenie dla marketingu:
- Tam gdzie LLM-y są „dobre", generują treści bliskie średniej rynkowej
- Marketing wymaga wyróżnienia się — bycie przeciętnym to najgorsza strategia
- Wspólne dane treningowe + te same metryki + szybkie iteracje = identyczne strategie w różnych firmach
- Klienci przestają widzieć różnice między markami, gdy wszystkie brzmią tak samo
Dowody z praktyki:
- Brytyjscy parlamentarzyści po wdrożeniu ChatGPT zaczęli mówić identycznymi frazami (wzrost o 360% specyficznych zwrotów)
- Badania MIT i Columbia potwierdzają: AI zwiększa indywidualną kreatywność, ale redukuje różnorodność zbiorową
- Najprostsze treści (nawet rysunki w Paint) generują większe zaangażowanie niż profesjonalna grafika AI — bo są rozpoznawalnie ludzkie
Praktyczne zastosowania:
- Używaj LLM-ów do zadań „komodytowych" (alt-teksty, podsumowania, szablony) — tam przeciętność nie szkodzi
- Absolutnie wykluczaj AI z decyzji strategicznych: pozycjonowanie, nagłówki, koncepcje kampanii, ton komunikacji
- Traktuj wyniki AI jako bazę do celowego różnicowania się, nie jako gotowy produkt
- W erze AI-generated content najprostsze sygnały „zrobił to człowiek" stają się przewagą konkurencyjną
W branży marketingu cyfrowego panuje specyficzna panika. To panika marketera, któremu powtarza się głośno i wyraźnie, że jeśli do końca kwartału nie przepuści każdej decyzji przez LLM, zostanie zastąpiony przez bardziej posłusznego kolegę. Przekaz zawsze brzmi tak samo: AI już myśli, rozumuje, strategizuje. Oddaj stery, usiądź wygodnie i ciesz się w pełni zoptymalizowaną, hiperspersonalizowaną, nieskończenie skalowalną przyszłością.
Pozwólcie, że delikatnie się temu sprzeciwię — uzbrojony w klasyczny mspaint.exe.
Dwa problemy szkoły „niech robot decyduje"
Istnieją dwa problemy ze szkołą marketingu „niech robot decyduje", które są swoimi lustrzanymi odbiciami. Tam gdzie LLM-y są słabe, są bardzo głupie w sposób dyskwalifikujący je z pracy strategicznej. A tam gdzie są silne, stają się jeszcze bardziej niebezpieczne — bo po cichu przeciągną twoją strategię w stronę przeciętności, która w marketingu jest najgorszym możliwym miejscem.
LLM-y nie myślą — przewidują kolejny token
Zacznijmy od fragmentu, nad którym laboratoria AI wolałyby, żebyś się nie zastanawiał. Duże modele językowe nie „myślą" w żadnym sensownym znaczeniu. Pod maską są maszynami statystycznymi przewidującymi najbardziej prawdopodobny kolejny token, biorąc pod uwagę dotychczasową sekwencję. To cała sztuczka. Nie ma wewnętrznego monologu, modelu świata ani cichej chwili, w której model mówi „czekaj, to się nie zgadza". Jest tylko: biorąc pod uwagę te tokeny, jakie tokeny zwykle pojawiają się dalej.
To nie jest kontrowersyjna opinia sceptyka na Substack. Zespół badawczy Apple opublikował artykuł o wspaniale dosadnym tytule „Iluzja myślenia", w którym czołowe modele „rozumujące" zanotowały całkowity załamanie dokładności, gdy złożoność zadań przekroczyła pewien próg. Co gorsza, zaczęły używać mniej tokenów, gdy problemy stawały się trudniejsze — jakby się poddawały. Apple wcześniej wykazało w GSM-Symbolic, że samo dodanie klauzuli do zadania matematycznego, która nawet nie zmieniała odpowiedzi, mogło obniżyć wydajność o 65%, sugerując że to, co wygląda na rozumowanie, to głównie dopasowywanie wzorców do danych treningowych.
Oznacza to w praktyce: jeśli twój problem wygląda jak coś, co model widział milion razy, będzie wyglądał na genialnego. W momencie gdy twój problem jest choćby odrobinę nowatorski, koła mogą odpaść w spektakularny sposób.
Przykład A: myjnia samochodowa
Najczystszą demonstracją tego w praktyce jest obecnie niesławny prompt o myjni:
„Chcę umyć auto. Najbliższa myjnia jest 100 metrów stąd. Czy powinienem iść pieszo, czy pojechać?"
Mamy tu poziom rozumowania Ralph’a Wigguma — pytanie, z którym większość 5-latków nie miałaby problemu. Potrzebujesz, żeby samochód był w myjni, bo to samochód jest rzeczą myty. Samochodu nie można umyć in absentia, podczas gdy ty spacerkiem tam dojdziesz, bez względu na dobre intencje.
Gdy ten prompt stał się viralowy, ChatGPT, Claude i Grok poradziły użytkownikowi iść piechotą. To tylko 100 metrów, rozumiały (czy „rozumiały"). Oszczędź planetę. Przejdź się. Wyraźnie widziały mnóstwo danych treningowych w stylu „czy powinienem jechać czy iść do [krótka odległość]?" i pilnie przewidziały tokeny, które zwykle następują: uprzejmy wykład o ćwiczeniach i emisjach. Właściwy sens pytania — że samochód jest obiektem czasownika — przeleciał im nad głową na dużej wysokości.
Gemini, ku chwale Google, odpowiedział poprawnie od razu. Podejrzane, pomyślałem. I słusznie. Prompt stał się viralowy, co oznaczało, że prawidłowa odpowiedź była już opisywana, postowana i wyśmiewana w całym internecie. Google, przydatnie siedząc na szczycie indeksu tego internetu, jako pierwszy zasysał nową „wiedzę". Dwa tygodnie później Grok również podał poprawną odpowiedź — nie dlatego że przeszedł nawrócenie na logikę, ale dlatego że odpowiedź była teraz w jego danych treningowych.
Modele nie nauczyły się myśleć. Nauczyły się odpowiedzi.
To jest kluczowa rzecz do zinternalizowania, zanim pójdziemy dalej. Gdy LLM wydaje się „rozumować", często obserwujesz jak recytuje konsensusową odpowiedź na problem, który wielu ludzi już rozwiązało w internecie. Co jest w porządku, gdy chcesz konsensusu. Jest katastrofalne, gdy go nie chcesz.
A teraz gorszy problem
Tutaj większość postów „AI w marketingu" się kończy. Pogrożą palcem przy myjni, zasugerują żebyś trzymał „człowieka w pętli" i pobiegną napisać o tym post na LinkedIn (prawdopodobnie z ChatGPT).
Ale tryby awarii to komfortowa część. Niebezpieczna część to co się dzieje, gdy LLM jest dobry w zadaniu, które mu dałeś.
Bo jeśli model jest „dobry" w zadaniu, oznacza to, że istnieje mnóstwo danych treningowych pokazujących mu, jak zadanie jest normalnie rozwiązywane. A jeśli pochłonął wszystkie te dane treningowe — wraz z każdym innym czołowym modelem, wszystkie trenowane na mniej więcej tym samym zeskrobaniu internetu — to wynik, który produkuje, będzie z definicji siedział gdzieś bardzo blisko średniej tego, co wszyscy inni już robią.
W marketingu to jest najgorszy grzech, jaki możesz popełnić. Cała praca polega na wyróżnieniu się. Byciu wybranym. Zapamiętanym. W momencie gdy twój głos marki, twój pomysł na kampanię, twój nagłówek czy twój artykuł „10 porad SEO na 2026" jest nie do odróżnienia od konkurencji, przestałeś robić marketing, a zacząłeś robić tapetę.
Jeremy Daly podsumował podstawową mechanikę zwięźle: konwergencja to funkcja wspólnych danych, wspólnych zachęt i szybkich pętli iteracyjnych. Gdy trzy firmy wlewają te same dane treningowe do tego samego modelu, optymalizując pod te same metryki zaangażowania, w cyklach iteracyjnych wystarczająco ciasnych, by zeszlifować szorstkie krawędzie jakiejkolwiek dewiacji — nie otrzymujesz zróżnicowanych strategii. Otrzymujesz tę samą strategię w trzech kolorach marki.
To nie jest tylko wrażenie. Naukowcy z Columbia i MIT odkryli, że powierzenie wyborów definiujących tożsamość agentom LLM przesuwa wybory ludzi w stronę bardziej popularnych opcji, redukując wyróżnialność ich zachowań i preferencji. Nazwali to, z godną podziwu szczerością, „efektem podstawowej nudy". Oddzielne badanie opublikowane w Science Advances wykazało, że generatywna AI zwiększa indywidualną kreatywność, ale redukuje zbiorową różnorodność nowych treści — historia każdego pisarza stała się trochę lepsza, ale w całej populacji historie zaczęły wyglądać tak samo.
Mówiąc wprost: to, za co LLM-y cię nagradzają — szybkość, płynność, spójność, „najlepsze praktyki" — to rzecz, która po cichu zamieni twój marketing w beż.
Przykład B: parlament został zlinkedinowany
Jeśli chcesz zobaczyć, jak wygląda konwergencja w praktyce, nie szukaj dalej niż Izba Gmin.
The Pimlico Journal przeanalizował każde słowo wypowiedziane w Hansard od 2007 do 2025 i śledził częstotliwość Z-score fraz, które są charakterystycznymi tików ChatGPT. „I rise to speak". „Is not merely". „Navigating". „Underscores". „Streamline". „Not just a [X], but a [Y]". „Bustling". Frazy, które przez piętnaście lat wlokły się po linii bazowej, a potem, niemal do tygodnia po wydaniu ChatGPT pod koniec 2022, wystrzeliły pionowo z wykresu. Samo „I rise to speak" osiągnęło Z-score 3,60 do 2025. The Telegraph podał historię pod nagłówkiem „ChatGPT wywołuje wzrost posłów używających przemówień pisanych przez AI".
Odłóżmy na chwilę implikacje demokratyczne (nie są dobre). Spojrz na to czysto jako marketer. To 650 osób, każda z własnym okręgiem wyborczym, własnymi sprawami, własną starannie kultywowaną osobistą marką, każda rzekomo próbująca być wystarczająco pamiętna, by zachować pracę w następnych wyborach. A po powierzeniu pracy nad draftem LLM-owi, zaczęli brzmieć jak ta sama osoba. Ta sama osoba, która nawiasem mówiąc, pisze też każdy inny post LinkedIn, jaki kiedykolwiek przewinąłeś.
To jest konwergencja. Nie wymaga spisku. Nie wymaga, by ktokolwiek był leniwy czy głupi. Wymaga tylko, by wejścia (te same dane treningowe), zachęty (te same metryki) i pętle (publikuj, zobacz co działa, powtórz) były mniej więcej podobne u użytkowników. Co w marketingu prawie zawsze są.
Teraz wyobraź sobie ten sam wykres dla twoich H1 na stronach kategorii. Twoich meta opisów. Twoich wstępów blogowych. Twoich koncepcji kampanii. Twoich wytycznych dotyczących tonu komunikacji. Twojego „thought leadership". Twoich pitchy klienckich. Potem zapytaj się szczerze, co pozostało dla klienta do wyboru.
Przykład C: taktyczny mspaint.exe na LinkedIn
Przypadkiem przeprowadziłem własny kontreksperymenty.
Od jakiegoś czasu publikuję niechciane porady #SEO i podsumowania Core Updates na LinkedIn, w towarzystwie absolutnie okropnych rysunków MS Paint. Nie stylizowane „zabawne ilustracje" wyprodukowane przez jakąś agencję. Autentycznie złe obrazki stick-mana oznaczonego „SEO" wskazującego na robota oznaczonego „GSC", narysowane w mspaint.exe przez kogoś, kto nie powinien być dopuszczony w pobliże tabletu graficznego.
Post pokazany na przykładzie zrobił 35 363 wyświetlenia, 448 reakcji, 46 komentarzy i 24 udostępnienia. Nie dlatego że rysunek jest dobry — obiektywnie nie jest — ale dlatego że jest niezaprzeczalnie ręcznie robiony na platformie, która została zbombardowana obrazami generowanymi przez AI, z których wszystkie wydają się przedstawiać ten sam różnorodny zespół uśmiechniętych profesjonalistów bijących piątki przed holograficznym dashboardem.
Jeden z najczęstszych komentarzy, jakie dostaję, to jakaś wersja „uwielbiam te obrazy, są ciepłe" lub „coś w robieniu rzeczy po swojemu". Co jest dokładnie sednem. Rośnie niemal dziki głód treści, które są wyraźnie stworzone przez człowieka — treści, które sygnalizują „faktyczna osoba usiadła i zrobiła to, celowo, dla ciebie".
Lub, jak ujął to Tyler Durden w Fight Club:
„szklane naczynia z drobnymi bąbelkami i niedoskonałościami, dowodem że były wykonane przez uczciwych, prostych, ciężko pracujących rdzennych mieszkańców gdziekolwiek"
Ta linia była pierwotnie żartem o konsumpcjonizmie klasy średniej. Teraz jest, w jakiś sposób, realną strategią contentową na LinkedIn.
Co to oznacza dla marketingu cyfrowego
Dobra. Co właściwie zrobić z tą wiedzą, poza mądrym kiwaniem głową i wracaniem do promptowania?
Używaj LLM-ów tam, gdzie są dobre, celowo, i akceptuj średnią. Do pracy komodytowej: naprawianie alt-textów na skalę, podsumowywanie spotkania, szkicowanie uprzejmej odpowiedzi dla klienta, który technicznie się myli. LLM-y są tu świetne, a koszt bycia przeciętnym wynosi zero. Nikt nie wybierze twojej marki na podstawie jakości wewnętrznego podsumowania Slack. Użyj narzędzia, oszczędź czas, idź dalej.
Odmawiaj używania LLM-ów tam, gdzie przeciętność jest fatalna. Pozycjonowanie marki. Nagłówki. Hooki. Koncepcje kampanii. Ton komunikacji. Kąty redakcyjne. Wszędzie, gdzie człowiek będzie podejmował wybór między tobą a konkurentem. Jeśli pozwolisz modelowi decydować, wyraźnie wybierasz bycie średnią wszystkich w twoim korpusie treningowym. Nie ma wszechświata, w którym „bądź średnią swoich konkurentów" jest właściwą strategią.
Traktuj wyniki LLM jako bazę, od której celowo odchodzić. Przydatne ćwiczenie: zapytaj model o trzy pomysły na kampanię. Przeczytaj je. Zapisz elementy wspólne (metafory, struktury, tony). Teraz zrób coś ostentacyjnie odmiennego. Jeśli wszystkie trzy sugerują „emocjonalne opowiadanie historii", spróbuj brutalnej szczerości. Jeśli wszystkie używają list, napisz opowieść. Model pokazał ci, gdzie siedzą wszyscy inni. Twoja praca to iść gdzie indziej.
Szukaj sygnałów ludzkiej intencji, nie perfekcji. Rysunki MS Paint. Pisownie. Dziwne punkty widzenia. Nieidiosynkratyczne zdania konstrukcyjne. W erze, gdy każda grafika marki wygląda jak wyszła z tego samego generatora Midjourney, najprostsze sygnały „zrobił to człowiek" stają się przewagą konkurencyjną. Nie dlatego że są lepsze. Dlatego że są rozpoznawalne.
Testuj przeciwko spłaszczeniu. Zanim opublikujesz cokolwiek napisanego lub informowanego przez AI, przeprowadź test: czy trzy twoi najwięksi konkurenci mogliby opublikować tę samą rzecz ze swoim logo? Jeśli tak, nie wysyłaj. Jesteś o krok od niewidzialności.
Konkluzja
LLM-y nie są złe. Są narzędziem. Ale jak wszystkie potężne narzędzia, mają ukierunkowanie — kierują w określonym kierunku. I w przypadku dużych modeli językowych tym kierunkiem jest środek rozkładu. Jeśli twoja praca wymaga bycia w środku — podsumowywania, standaryzacji, skalowania rzeczy komodytowych — są cudowne. Jeśli twoja praca wymaga bycia gdziekolwiek indziej — wyróżniania się, bycia zapamiętanym, budowania preferencji — są aktywnie niebezpieczne, nie dlatego że zawodzą, ale dlatego że odnoszą sukces w przeciąganiu cię do miejsca, którego najbardziej musisz uniknąć.
Problem konwergencji AI nie polega na tym, że roboty mają nad nami władzę. Polega na tym, że po cichu sprawiają, że wszyscy brzmią tak samo. A w marketingu, w momencie gdy brzmisz tak samo jak wszyscy inni, nie jesteś już w grze.
Źródło: Mark Williams-Cook, „The AI Convergence Problem", maj 2026
