Przez lata fact-checking był jednym z ważnych mechanizmów porządkowania debaty publicznej. Dziennikarze i wyspecjalizowane organizacje sprawdzały wypowiedzi polityków, dane i krążące w sieci informacje, pokazując nie tylko werdykt, ale również źródła, na których się opierał. Ten model miał swoje ograniczenia, ale jego siłą była przejrzystość: odbiorca mógł prześledzić drogę od twierdzenia do dowodu.
Dziś ten system znalazł się pod presją z dwóch stron. Z jednej strony generatywna sztuczna inteligencja radykalnie zwiększyła skalę produkcji fałszywych lub wprowadzających w błąd treści. Z drugiej — platformy internetowe coraz częściej eksperymentują z automatyzacją i systemami społecznościowymi.
Dobrym symbolem tej zmiany była decyzja Meta z 2025 roku o zakończeniu w USA programu zewnętrznego fact-checkingu i przejściu na Community Notes, czyli system, w którym użytkownicy dodają kontekst do potencjalnie wprowadzających w błąd treści. Nie oznacza to jednak, że profesjonalny fact-checking przestał być potrzebny. Przeciwnie: rozwój AI sprawił, że problem skali i szybkości weryfikacji stał się jeszcze trudniejszy.
Kluczowe pytanie brzmi więc nie tylko: kto może dziś sprawdzać fakty? Ważniejsze jest pytanie, który model najlepiej radzi sobie z określonym rodzajem zadania i gdzie kończą się jego możliwości.
AI zwiększa skalę problemu
Najważniejsza zmiana nie polega tylko na pojawieniu się deepfake’ów. Generatywna AI obniżyła koszt tworzenia niemal każdego rodzaju treści — od fałszywych artykułów po obrazy, nagrania i filmy. Materiały mogą powstawać masowo i być dostosowywane do różnych odbiorców.
Tradycyjny fact-checking nie był projektowany dla takiego środowiska. Człowiek potrzebuje czasu, aby znaleźć dokumenty, skontaktować się z ekspertem i zweryfikować źródła. Fałszywa informacja może natomiast zostać wygenerowana i rozpowszechniona w kilka minut.
Powstaje więc zasadnicza asymetria: fałsz można produkować automatycznie, ale jego rzetelne sprawdzenie nadal często wymaga pracy człowieka.
AI może częściowo tę dysproporcję zmniejszyć. Może przeszukiwać ogromne ilości materiałów, wyszukiwać powtarzające się twierdzenia, porównywać źródła i wskazywać treści wymagające pilnej uwagi. Jej największą zaletą jest więc skala i szybkość.
Nie oznacza to jednak, że sama staje się wiarygodnym arbitrem prawdy.
Przykład Groka jest tutaj wymowny. Analiza DFRLab obejmująca ponad 100 tys. postów dotyczących wojny izraelsko-irańskiej wskazywała na przypadki błędnych i wzajemnie sprzecznych odpowiedzi chatbota podczas weryfikowania materiałów. W jednym z analizowanych przypadków system uznał sfabrykowane nagranie za autentyczne.
Problem polega więc nie tylko na tym, że AI może się pomylić. Może pomylić się w sposób brzmiący bardzo pewnie, a użytkownik nie zawsze będzie potrafił rozpoznać błąd.
Trzy modele weryfikacji
W debacie o przyszłości fact-checkingu często zestawia się ze sobą trzy rozwiązania: profesjonalnych weryfikatorów, automatyczne systemy AI oraz społecznościowe Community Notes. W rzeczywistości każde z nich rozwiązuje nieco inny problem.
1. Profesjonalny fact-checking: dokładność i odpowiedzialność
Największą przewagą profesjonalnego fact-checkingu jest możliwość przeprowadzenia pełnego procesu weryfikacji: identyfikacji twierdzenia, znalezienia źródeł pierwotnych, konsultacji z ekspertami, analizy kontekstu i przedstawienia uzasadnienia.
Jego słabością jest natomiast skala. Organizacje fact-checkingowe dysponują ograniczonymi zasobami, dlatego nie mogą sprawdzić wszystkich treści pojawiających się w internecie. W przeszłości ten problem był przede wszystkim problemem przepustowości. W epoce generatywnej AI stał się problemem skali całego środowiska informacyjnego.
Profesjonalny fact-checker nie jest więc rozwiązaniem wystarczającym do monitorowania całego internetu. Nadal pozostaje jednak szczególnie ważny tam, gdzie potrzebna jest pogłębiona ocena dowodów, kontekstu lub specjalistycznej wiedzy.
2. AI: szybkość i skala, ale ograniczona wiarygodność
AI ma przewagę dokładnie tam, gdzie człowiek ma największe ograniczenia: może analizować ogromne ilości informacji bardzo szybko.
Może wyszukiwać podobne twierdzenia, porównywać dokumenty, identyfikować potencjalne manipulacje i przygotowywać wstępne materiały do dalszej weryfikacji. Może również pomagać w tworzeniu odpowiedzi i notatek wyjaśniających.
Nie rozwiązuje jednak automatycznie problemu źródeł. Model może wykorzystać nieaktualne, błędne albo zmanipulowane informacje i przedstawić wynik w przekonującej formie. Detektor AI również nie odpowiada na najważniejsze pytanie: czy przedstawione wydarzenie rzeczywiście miało miejsce?
Dlatego AI najlepiej sprawdza się jako narzędzie wspierające proces weryfikacji, a nie jako jego ostateczny arbiter.
3. Community Notes: kontekst i skala społeczności
Community Notes działają według innej logiki. Zamiast powierzać ocenę niewielkiej grupie ekspertów, system pozwala użytkownikom proponować i oceniać notatki. W przypadku systemu Meta publikacja notatki zależy od osiągnięcia odpowiedniego poziomu zgodności między uczestnikami, którzy w przeszłości różnili się w swoich ocenach.
Największą zaletą tego modelu jest możliwość wykorzystania wiedzy rozproszonej wśród dużej liczby użytkowników. Społeczność może dostarczać lokalnego kontekstu, reagować na nowe narracje i wskazywać problemy, których profesjonalny zespół może jeszcze nie zauważyć.
Problemem jest natomiast zarówno jakość, jak i czas reakcji.
Najnowsze badanie opublikowane w Nature Communications analizowało 237 180 kaskad postów na X, które łącznie zostały udostępnione ponad 431 mln razy. Autorzy oszacowali, że po pojawieniu się Community Note dalsze rozpowszechnianie oznaczonego materiału spadało średnio o 61,2 proc. Jednocześnie badanie wykazało, że notatki pojawiały się przeciętnie po 62,9 godziny od publikacji posta, podczas gdy połowa jego 36-godzinnego cyklu rozpowszechniania przypadała na około 6 godzin. W rezultacie wpływ Community Notes na całkowitą liczbę udostępnień był znacznie mniejszy i wynosił około 14,9 proc.
To ważne rozróżnienie. Wynik 61,2 proc. nie oznacza, że Community Notes „ograniczają dezinformację o 61 proc.”. Oznacza, że w analizowanych przypadkach, na X i po pojawieniu się notatki, dalsze rozpowszechnianie było średnio o 61,2 proc. niższe niż w odpowiedniej grupie porównawczej. Efekt systemowy był znacznie mniejszy, ponieważ wiele notatek pojawiało się dopiero po najbardziej intensywnej fazie dyfuzji.
Badanie ma również wyraźne ograniczenie: dotyczy jednej platformy — X — i jej konkretnego sposobu działania. Autorzy sami wskazują, że potrzebne są badania innych platform i innych implementacji tego rozwiązania.
Community Notes należy więc traktować jako narzędzie, które może skutecznie ograniczać dalsze rozpowszechnianie części wprowadzających w błąd treści, ale którego skuteczność zależy przede wszystkim od tego, czy odpowiednia notatka pojawi się wystarczająco szybko.
Community Notes nie działają w próżni
Istotnym ograniczeniem modelu społecznościowego jest również to, że nie wszystkie treści są weryfikowane w takim samym stopniu.
Badanie Pilarskiego i Pröllochsa, oparte na około 1,1 mln próśb o weryfikację i fact-checków z X z okresu od czerwca 2024 do maja 2025, wskazuje na różnicę między tym, co użytkownicy chcą sprawdzać, a tym, co rzeczywiście otrzymuje notatkę. Prośby częściej dotyczą bardzo widocznych postów, podczas gdy rozkład faktycznie powstających fact-checków jest szerszy pod względem języków, tematów i innych cech. Autorzy pokazują również, że same prośby mogą wpływać na aktywność części najbardziej zaangażowanych autorów notatek.
To badanie nie dowodzi, że Community Notes są nieskuteczne. Pokazuje jednak, że popyt na weryfikację i podaż weryfikacji nie są tym samym. Społeczność niekoniecznie sprawdza dokładnie te treści, które z punktu widzenia całego ekosystemu informacyjnego są najważniejsze.
Jeszcze ciekawszy jest fakt, że Community Notes często korzystają ze źródeł przygotowanych przez profesjonalnych fact-checkerów. Oversight Board, analizując dostępne badania i konsultacje, zwróciła uwagę, że źródła fact-checkingowe są wykorzystywane w Community Notes częściej, niż sugerowały wcześniejsze szacunki. Oznacza to, że oba modele nie muszą być konkurencyjne: profesjonalny fact-checking może dostarczać materiału, na którym społeczność buduje własne notatki.
Co właściwie mówi Oversight Board?
Stanowisko Oversight Board wymaga tutaj ostrożnej interpretacji.
W opinii z marca 2026 roku Board nie stwierdziła, że Community Notes są z definicji nieodpowiednim zamiennikiem profesjonalnego fact-checkingu. Co więcej, zaznaczyła, że nie przeprowadzała ogólnej oceny skuteczności Community Notes w amerykańskim wdrożeniu Meta ani niezależnego porównania tego rozwiązania z wcześniejszym systemem zewnętrznego fact-checkingu.
Rada wskazała natomiast na szereg potencjalnych problemów. Community Notes mogą być wartościowym narzędziem, jeżeli działają z odpowiednią skalą, szybkością i zabezpieczeniami przed manipulacją. Jednocześnie opóźnienia w publikowaniu notatek, niewielka liczba publikowanych notatek oraz zależność systemu od jakości szerszego środowiska informacyjnego mogą ograniczać jego skuteczność. Ryzyko jest szczególnie istotne w wyborach, konfliktach i sytuacjach kryzysowych, a także w środowiskach, w których istnieje ryzyko skoordynowanej manipulacji lub dominacji jednej grupy politycznej, językowej czy etnicznej.
Board podkreśla również, że dane dotyczące X nie mogą być bezpośrednio utożsamiane z wynikami Meta. W dużej części analizy dotyczącej potencjalnego wdrożenia Meta Rada musiała opierać się na badaniach systemów funkcjonujących na X, a obie platformy różnią się m.in. wielkością, strukturą użytkowników i dynamiką rozpowszechniania treści.
To prowadzi do bardziej precyzyjnego wniosku: Community Notes mają potencjał jako dodatkowy mechanizm kontekstualizowania informacji, ale nie ma obecnie podstaw, by uznać je za uniwersalny zamiennik profesjonalnej weryfikacji.
AI może pomagać także w tworzeniu Community Notes
Jeszcze ciekawszy staje się model łączący AI ze społecznością.
Badanie How Human Feedback Shapes AI-generated Community Notes analizuje 19 146 wersji notatek dotyczących 10 600 postów oraz 211 850 przypadków ludzkiego feedbacku. Autorzy pokazują, że informacje zwrotne od ludzi poprawiały kolejne wersje notatek generowanych przez AI, szczególnie wtedy, gdy użytkownicy kwestionowali główne twierdzenie wcześniejszej wersji. Jednocześnie notatki współtworzone przez AI i ludzi rzadziej osiągały status „helpful” i były wyświetlane użytkownikom niż niektóre notatki tworzone wyłącznie przez ludzi lub AI. Autorzy wskazują ograniczone zaangażowanie ludzi jako jedno z istotnych wąskich gardeł.
Trzeba jednak zaznaczyć, że jest to wczesne badanie konkretnego systemu Collaborative Notes na X, a nie dowód na ogólną przewagę AI nad ludzkimi fact-checkerami. Badanie opiera się na danych z jednego środowiska platformowego i opisuje funkcjonowanie konkretnej implementacji współpracy człowiek–AI. Co więcej, jest to preprint, a więc wynik należy traktować jako wczesny materiał badawczy, a nie ostateczne rozstrzygnięcie.
To jednak ważny kierunek: AI może nie tyle zastępować człowieka, ile przyspieszać pracę społeczności i ekspertów.
Czy AI i Community Notes mogą zastąpić fact-checkerów?
Na obecnym etapie odpowiedź brzmi: nie w pełni.
AI ma przewagę w zadaniach wymagających szybkości i skali. Może przesiewać ogromne ilości treści, znajdować potencjalne problemy i przygotowywać materiały do dalszej analizy. Nie gwarantuje jednak prawdziwości swoich odpowiedzi i może generować przekonujące błędy.
Community Notes mają przewagę w dostarczaniu dodatkowego kontekstu i wykorzystaniu rozproszonej wiedzy użytkowników. Badania pokazują, że mogą realnie ograniczać dalsze rozpowszechnianie oznaczonych treści. Jednocześnie ich skuteczność zależy od tego, czy społeczność przygotuje odpowiednią notatkę, czy osiągnie ona wymagany poziom zgodności i czy pojawi się dostatecznie szybko. System może też działać gorzej w środowiskach silnie spolaryzowanych lub podatnych na skoordynowaną manipulację.
Profesjonalny fact-checking jest wolniejszy i bardziej kosztowny, ale ma przewagę tam, gdzie trzeba zbudować i udokumentować argument oparty na źródłach. Jest szczególnie potrzebny przy złożonych twierdzeniach, informacjach wymagających wiedzy eksperckiej oraz sytuacjach, w których konsekwencje błędnej oceny są wysokie.
Różnica między tymi modelami nie sprowadza się więc do pytania, kto jest „lepszym” fact-checkerem. Każdy z nich ma inną funkcję:
| Model | Największa zaleta | Największa słabość | Najlepsze zastosowanie |
| Profesjonalny fact-checking | źródła, metodologia, odpowiedzialność | ograniczona skala i szybkość | złożone i istotne twierdzenia |
| AI | skala i szybkość | możliwość pewnie brzmiących błędów | monitoring, selekcja, analiza i wsparcie |
| Community Notes | rozproszona wiedza i lokalny kontekst | opóźnienia, nierówna dostępność i zależność od uczestników | szybkie dodawanie kontekstu do treści na platformach |
Najbardziej prawdopodobny jest model hybrydowy
Z tych różnic wynika bardziej praktyczny model niż proste zastąpienie jednego rozwiązania drugim.
AI może wykonywać pracę, której człowiek nie jest w stanie wykonać na dużą skalę: monitorować treści, wykrywać powtarzające się narracje, wyszukiwać potencjalne źródła i wskazywać materiały wymagające pilnej uwagi.
Community Notes mogą dodawać kontekst i wykorzystywać wiedzę rozproszoną wśród użytkowników. Mogą również pełnić funkcję dodatkowej warstwy kontroli, która pozwala wychwytywać nowe lub lokalne narracje.
Profesjonalni fact-checkerzy pozostają natomiast potrzebni tam, gdzie nie wystarczy samo wskazanie alternatywnego kontekstu. Ich rolą jest ustalenie, jakie dowody są wiarygodne, jak interpretować sprzeczne źródła i jak uzasadnić końcowy werdykt.
Co istotne, również badania nad AI-generowanymi Community Notes wskazują raczej na wartość współpracy niż pełnej automatyzacji: ludzki feedback poprawiał jakość kolejnych wersji notatek, choć sam udział ludzi pozostawał ograniczeniem systemu.
Dlatego przyszłość fact-checkingu nie musi oznaczać wyboru między ekspertem, algorytmem i społecznością. Bardziej prawdopodobny jest podział pracy między nimi.
Najważniejszym kryterium nie będzie przy tym samo to, kto wystawił werdykt, lecz czy można prześledzić drogę od twierdzenia do dowodu.
Podsumowanie
AI i Community Notes mogą znacząco zwiększyć skalę i szybkość reagowania na dezinformację, ale obecne dane nie uzasadniają tezy, że mogą samodzielnie zastąpić profesjonalny fact-checking. Najbardziej obiecujący kierunek to podział zadań: AI wykrywa i analizuje, społeczność dostarcza kontekstu, a eksperci rozstrzygają przypadki wymagające pogłębionej oceny dowodów. O wartości takiego systemu będzie decydować nie automatyzacja sama w sobie, lecz przejrzystość, jakość źródeł i możliwość sprawdzenia, dlaczego dany wniosek został uznany za wiarygodny.
Źródła
- International Fact-Checking Network / Poynter, State of the Fact-Checkers 2025 — dane dotyczące kondycji organizacji fact-checkingowych, finansowania i wykorzystania AI.
- Meta, More Speech and Fewer Mistakes, 2025 — oficjalne uzasadnienie decyzji o zakończeniu w USA programu zewnętrznego fact-checkingu i przejściu na Community Notes.
- Digital Forensic Research Lab, Grok struggles with fact-checking amid Israel-Iran war, 2025 — analiza błędów Groka podczas weryfikowania materiałów dotyczących konfliktu izraelsko-irańskiego.
- Li, H., Bakker, M. A., AI Fact-Checking in the Wild: A Field Evaluation of LLM-Written Community Notes on X, 2026 — badanie wykorzystania LLM do tworzenia Community Notes w rzeczywistym środowisku X.
