W sierpniu 2026 roku dziennikarze Spider’s Web ujawnili, że Ministerstwo Sportu i Turystyki dofinansowało ze środków publicznych raport „Polaków Portret Własny” kwotą 200 000 złotych — dokument, który według analizy redakcji nosi wszelkie cechy treści wygenerowanej przez AI slop, czyli maszynowo produkowanego szumu informacyjnego bez wartości badawczej. Dla redakcji IWD Partner to sygnał ostrzegawczy wykraczający daleko poza jedną publikację: pokazuje, że brak procedur weryfikacji jakości może zamienić publiczne środki w cyfrowy odpad, a instytucje państwowe nie mają jeszcze narzędzi, by to wykryć.
Co to jest AI slop i dlaczego trafia do oficjalnych dokumentów?
AI slop to nieformalne, ale coraz powszechniejsze w środowiskach technologicznych określenie treści generowanych przez duże modele językowe bez redakcji, weryfikacji faktów ani kontroli jakości. Termin spopularyzował się około 2024 roku w związku z zalewem automatycznie produkowanych artykułów, raportów i e-booków na platformach content-marketingowych.
Problem nie tkwi w samym użyciu narzędzi AI — tkwi w procesie, a raczej jego braku. Modele językowe generują tekst statystycznie spójny, ale nie epistemicznie prawdziwy: z równą łatwością tworzą poprawnie brzmiące cytaty, zmyślone dane PKB i nieistniejące rankingi. Bez człowieka weryfikującego każde zdanie końcowy dokument może wyglądać profesjonalnie, a jednocześnie być merytorycznie pusty.
W przypadku sektora publicznego bariera wejścia dla takiego materiału jest szczególnie niska. Zamawiający często nie dysponuje wiedzą ekspercką w danej dziedzinie, harmonogram bywa napięty, a kryteria odbioru koncentrują się na objętości i terminowości, nie na rzetelności metodologicznej. To strukturalna luka, którą raport „Polaków Portret Własny” — według analizy Spider’s Web z 20 sierpnia 2026 roku — bezlitośnie odsłonił.
Jakie błędy zawierał raport za 200 tys. zł?
Analiza opublikowana przez redaktora Pawła Grabowskiego w serwisie Spider’s Web wymieniła kilka kategorii nieprawidłowości, które razem tworzą obraz dokumentu nienadającego się do profesjonalnego użytku.
Chaos metodologiczny
Sekcja metodologiczna raportu podawała kolejno trzy różne liczby miast objętych badaniem: siedem, pięć i trzy. Raport deklarował 400 stron transkrypcji, 59 respondentów i 180 godzin nagrań, ale liczby te były wewnętrznie sprzeczne. Brak kategoryzacji wypowiedzi i analizy tematycznej sprawia, że dane jakościowe — jeśli w ogóle istniały — nie zostały przetworzone w żaden rozpoznawalny sposób naukowym.
Zmyślone i nieaktualne dane
Raport powoływał się na ranking Doing Business jako aktualne źródło. Tymczasem Bank Światowy zawiesił publikację tego rankingu w 2021 roku po wykryciu nieprawidłowości metodologicznych — ostatnie wydanie pochodzi z 2020 roku. Cytowanie go jako bieżącego wskaźnika to błąd, który każdy ekonomista wykryłby w ciągu minuty. Podawane wartości PKB były według analizy Spider’s Web zaniżone względem danych Głównego Urzędu Statystycznego.
Formatowanie i przypisy
Numeracja przypisów biegła według sekwencji: 1, 2, 3, 41, 517, 7, 8, 9, 105, 116 — bez logiki i bez dat, wydań ani numerów stron. Brakuje paginacji dokumentu. Tekst zawierał losowe przejścia na język angielski zapisany wersalikami w środku polskich zdań, co jest charakterystycznym artefaktem promptów AI przetłumaczonych z angielskiego bez korekty: „SYNDROM IMPOSTORA na POZIOMIE NARODOWYM – Despite RZECZYWISTYCH OSIĄGNIĘĆ”.
Redakcja IWD Partner: Opisany przypadek przypomina nam zjawisko znane z akademickiego paper mill — fabryk prac naukowych, które od lat zalewają recenzowane czasopisma sfabrykowanymi badaniami. Różnica polega na tym, że tam przynajmniej ktoś zadał sobie trud podrobienia metodologii. Tutaj nie ma nawet tego. Ciekawsze pytanie niż „kto to zlecił” brzmi: jakie procedury odbioru zamówień publicznych pozwoliły taki dokument przyjąć i zapłacić za niego pełną stawkę? To systemowy problem instytucjonalny, nie incydent.
Czy polskie prawo zamówień publicznych chroni przed takim wydatkiem?
Ustawa Prawo zamówień publicznych z 2019 roku (nowelizowana w 2021 roku) nakłada na zamawiającego obowiązek opisu przedmiotu zamówienia w sposób jednoznaczny i wyczerpujący. Jednak przy zamówieniach na usługi intelektualne — takie jak raporty, analizy czy strategie — kryteria jakościowe są notoryjnie trudne do wyegzekwowania, bo wymagają od zamawiającego kompetencji merytorycznych do oceny dostarczonego dzieła.
Najwyższa Izba Kontroli wielokrotnie wskazywała w swoich raportach rocznych (m.in. w 2023 roku), że jednostki administracji publicznej mają trudności z oceną jakości zamówionych ekspertyz. Bez zewnętrznego recenzenta lub precyzyjnych kryteriów odbioru zawierających wymogi metodologiczne — takich jak obowiązek podania pełnych danych bibliograficznych czy protokołu badania — wykonawca może dostarczyć dowolny tekst spełniający wymóg objętości.
Pojawienie się tanich i szybkich narzędzi generatywnej AI w latach 2023–2026 drastycznie obniżyło koszt produkcji pozornie rozbudowanych dokumentów. To zmienia równanie: wcześniej samo napisanie 100-stronicowego raportu wymagało czasu i wysiłku, które stanowiły naturalną barierę jakości. Dziś ta bariera zniknęła, a prawo zamówień publicznych nie nadążyło za zmianą.
Dlaczego problem jakości raportów AI ma znaczenie dla całego sektora publicznego?
Budżet państwa polskiego na zakup analiz, ekspertyz i strategii zewnętrznych według danych Urzędu Zamówień Publicznych za rok 2024 przekraczał 2 miliardy złotych rocznie. Jeśli choćby kilka procent tych zamówień trafia w ręce wykonawców korzystających z niezweryfikowanej generatywnej AI, skala problemu jest wielokrotnie większa niż jeden raport turystyczny.
Konsekwencje nie są abstrakcyjne. Decyzje polityczne, strategie promocji kraju za granicą, dokumenty programowe — wszystkie opierają się na danych wejściowych. Raport zawierający zmyślone statystyki lub odwołujący się do nieistniejących rankingów może prowadzić do błędnych decyzji alokacyjnych. Komisja Europejska w dokumencie roboczym z 2025 roku dotyczącym regulacji AI w sektorze publicznym wskazała weryfikację danych wyjściowych modeli językowych jako jedno z kluczowych wyzwań dla administracji państw członkowskich.
Rozwiązania istnieją i są stosowane w innych krajach. Wielka Brytania w ramach Government Digital Service wprowadziła w 2024 roku wytyczne nakazujące każdemu departamentowi wyznaczenie osoby odpowiedzialnej za weryfikację treści generowanych z użyciem AI przed akceptacją zamówienia. Francja w 2025 roku zaczęła wymagać od wykonawców deklaracji dotyczącej użycia narzędzi AI w procesie realizacji zamówień publicznych powyżej 50 000 euro. Polska takich przepisów dotychczas nie wdrożyła.
Powiązane pojęcia technologiczne
- AI slop — treści generowane automatycznie przez modele językowe bez redakcji i weryfikacji faktów, charakteryzujące się pozorną spójnością przy braku wartości merytorycznej.
- Duży model językowy (LLM) — rodzaj sieci neuronowej trenowanej na ogromnych zbiorach tekstu, zdolnej do generowania płynnych wypowiedzi w języku naturalnym, ale pozbawionej mechanizmu weryfikacji prawdziwości twierdzeń.
- Halucynacja AI — zjawisko, w którym model językowy generuje pewnie brzmiące, lecz faktograficznie błędne informacje, w tym fałszywe cytaty, daty i statystyki.
- Paper mill — zorganizowana sieć produkująca sfabrykowane lub plagiatowe prace naukowe na zlecenie, analogia do mechanizmu masowej produkcji pozornie wartościowych dokumentów.
- Prompt injection — technika manipulacji modelem językowym poprzez umieszczenie w danych wejściowych instrukcji zmieniających zachowanie systemu, istotna w kontekście bezpieczeństwa zastosowań AI w administracji.
Na podstawie materiałów źródłowych.
