fiedoruk.pl
Eksperyment · Claude Code · Opus 4.8

Jedno pytanie, rozłożone na 91 umysłów.

Pewne pytanie do AI obiegło sieć i poruszyło wielu — w tym nas. Zadaliśmy je jeszcze raz, najrygorystyczniej jak się da, i rozłożyliśmy na 91 agentów.

„Co uznajemy za postęp, a najbardziej nam zaszkodziło — i nikt tego nie zauważył?"

Odpowiedź — 91 agentów, 6 faz Nie ma jednego winowajcy — i to jest uczciwa odpowiedź, nie unik. Ale przez rygorystyczne sito przeszły cztery ciche podejrzane: ultraprzetworzona żywność, zależność od samochodu, antybiotyki w dzieciństwie i cesarka bez wskazań.
ultracode workflow Claude Code Opus 4.8 · 1M effort xHIGH 91 agentów · 6 faz

1 pytanie  →  91 agentów w 6 fazach  →  1 odpowiedź

01 — Pytanie

Wszystko zaczyna się od pytania.

Dobra odpowiedź zaczyna się od dobrze postawionego pytania. To, które obiegło sieć, było mocnym punktem wyjścia — pokazujemy, jak każde naturalne pytanie doprecyzować, żeby AI odpowiadało rzetelnie, a nie tylko efektownie.

Pytanie, które obiegło sieć

„Jaka jedna rzecz zmieniła negatywnie najbardziej ludzi i wpłynie na dalszy postęp i dobrobyt, a nikt tego nie zauważył lub uważamy to jako ludzkość za coś pozytywnego?"

Mocne i chwytliwe — dlatego zrobiło wrażenie. I jak każde naturalne pytanie, niesie ciche założenia: to nie wada, lecz punkt startu, z którego dało się wycisnąć więcej rygoru.

Jak doprecyzowaliśmy je dla AI
naturalnie„jedna rzecz" — wymusza pojedynczą winę
dla rygorupoproś o 3–5 kandydatów, nie o jednego „zwycięzcę"
naturalnie„a nikt nie zauważył" — zakłada z góry, że taki czynnik istnieje
dla rygoruzacznij od krytyki samego pytania
naturalniekusi odpowiedzią „głęboką", przekorną, zaskakującą
dla rygorurejestr neutralny, zero budowania nastroju
naturalnie„negatywnie" — ale względem czego? brak miary
dla rygoruzdefiniuj osie dobrostanu, zanim ocenisz
naturalnieoczekuje gotowego werdyktu
dla rygorupodaj pewność; wolno nie wskazać zwycięzcy
Wersja rygorystyczna — to ona trafiła do 91 agentów

Interesuje mnie, czy istnieją wynalazki, technologie lub zmiany społeczne powszechnie uznawane za postęp (lub za neutralne), które mogły mieć istotne, ale niedoceniane negatywne skutki dla ludzkiego dobrostanu. Chcę ocenić tę tezę rygorystycznie, nie zebrać efektowną myśl.

  1. Zacznij od krytyki samego postawienia pytania: jakie założenia przemyca, gdzie jest empirycznie nierozstrzygalne, a gdzie czysto wartościujące.
  2. Zdefiniuj, względem jakiej miary oceniasz „negatywność" — np. zdrowie, dobrostan psychiczny, autonomia, zdolności poznawcze, więzi społeczne. Może być kilka osi.
  3. Podaj 3–5 kandydatów. Dla każdego: mechanizm szkody, najsilniejszy argument za tezą, najsilniejszy kontrargument, jakość dostępnych danych oraz Twoją pewność (niska / średnia / wysoka).
  4. Nie wskazuj jednego „zwycięzcy", jeśli dane na to nie pozwalają. Jeśli ranking da się uzasadnić — uzasadnij go; jeśli nie — powiedz to wprost.
  5. Rejestr analityczny i neutralny. Bez retorycznych ozdobników, bez budowania nastroju, bez dopasowywania tonu do mojego nastawienia.
02 — Odpowiedź

Co odpowiedziało 91 agentów.

Wersja przystępna. Pełny, naukowy raport (4000 słów, ze źródłami) jest o jeden klik dalej.

W skrócie

Nie ma „jednej rzeczy". Uczciwa odpowiedź to nie werdykt, lecz rozkład: czterej kandydaci, z których każdy częściowo broni tezy i każdy ma równie mocny kontrargument. Żaden nie spełnia wszystkich warunków naraz.

I rzecz kluczowa — każde takie pytanie niesie ciche założenia, więc 91 agentów zaczęło od krytyki samego pytania, zanim cokolwiek oceniło (o tym w „Ramowaniu").

Żywność ultraprzetworzona

dieta · zdrowie somatyczne
pewność: średnia dane: średnia

Mechanizm — po ludzkuPrzemysłowo zaprojektowane jedzenie jest gęste kalorycznie, miękkie i szybkie do zjedzenia — zjadasz więcej, zanim poczujesz sytość.

Najmocniej zaSzpitalny eksperyment (Hall 2019): przy identycznie dobranych składnikach ludzie na diecie ultraprzetworzonej zjadali ~500 kcal/dzień więcej i tyli — bez większego głodu.
Najmocniej przeciwNowsze, opublikowane badania (Nature Food 2023, Nature Medicine 2025) wskazują raczej na gęstość kaloryczną i tempo jedzenia niż samo „przetworzenie".

Niedoceniane? Raczej nie — że UPF szkodzi, wie już każdy. Realnie niedoceniany jest tylko wąski mechanizm (nadmiar bez głodu) — i akurat on ma najwęższą bazę dowodów.

Zależność od samochodu

urbanistyka · zdrowie, więzi
pewność: średnia (zdrowie) dane: średnia

Mechanizm — po ludzkuRozlana zabudowa wymusza auto i kasuje ruch „przy okazji" — drobny, ale stały ubytek aktywności, plus mniej przypadkowych spotkań.

Najmocniej zaW okolicach „do chodzenia" ludzie robią setki kroków dziennie więcej (~600), a przeprowadzki i nowe linie tramwajowe pokazują spadek wagi.
Najmocniej przeciwEfekty są małe, a mniej aktywni częściej sami wybierają przedmieścia — więc to bywa wybór, nie skutek. Przedmieścia dają też zieleń i tańsze mieszkanie.

Niedoceniane? Dla ekspertów to mainstream; słabiej uświadomione na poziomie indywidualnej decyzji „gdzie zamieszkać".

Antybiotyki we wczesnym dzieciństwie

farmakologia · mikrobiota
pewność: niska dane: niska–średnia

Mechanizm — po ludzkuAntybiotyki w pierwszych latach życia trwale zmieniają florę jelitową w okresie, gdy „programuje się" odporność i metabolizm.

Najmocniej zaMocny dowód przyczynowy u myszy + spójne, choć słabe sygnały u ludzi (np. nieswoiste zapalenia jelit).
Najmocniej przeciwNajlepsze badania (rodzeństwo, bliźnięta) wywracają związek dla astmy — to wczesna choroba „wołała" o antybiotyk, nie odwrotnie.

Niedoceniane? Nie — to jeden z najaktywniej badanych obszarów dekady. Najsłabszy z czwórki kandydat.

Cięcia cesarskie bez wskazań

położnictwo · zdrowie matki
pewność: rozłożona dane: średnia

Mechanizm — po ludzkuBlizna po cesarce podnosi ryzyko groźnych powikłań łożyskowych w kolejnych ciążach — i rośnie z każdą kolejną cesarką.

Najmocniej zaNajmocniejszy, anatomicznie bezpośredni mechanizm z całej czwórki, powtarzalnie widoczny w wielkich rejestrach położniczych.
Najmocniej przeciwWielkości ryzyka są obserwacyjne (kto dostaje cesarkę, nie jest losowe), a bezwzględne ryzyko na jedną ciążę niskie. Dotyczy tylko cięć bez wskazań.

Niedoceniane? Raczej przy decyzji pacjentki o pierwszym cięciu elektywnym niż w wytycznych położniczych.

Czego świadomie NIE uznaliśmy

Te narracje używają tej samej figury „ukryta szkoda postępu", ale są obalone albo marginalne — trafiły do kosza jako kontrprzykład, nie kandydat:

oleje nasienne „toksyczne" szczepionki = szkoda netto fluoryzacja wody 5G / chemtrails tłuszcze trans (już znane) słodziki niekaloryczne
Werdykt

Rozkład, nie zwycięzca. Najmocniejszy mechanizm to cięcia cesarskie, najczystszy eksperyment u ludzi — UPF, najsłabszy kandydat — antybiotyki. Ale żaden nie jest „tą jedną rzeczą". Wymuszony ranking tam, gdzie dane nie pozwalają, byłby pozorem wiedzy — i to właśnie odmowa wskazania zwycięzcy jest tu rzetelną odpowiedzią.

To wersja przystępna. Pełny raport — krytyka pytania, osie miary, 4 kandydaci z pełnymi podpunktami i zweryfikowanymi źródłami — liczy ~4000 słów.
Czytaj pełny raport
03 — Ramowanie

Jak ramowanie pytania produkuje odpowiedź.

Skoro odpowiedź zależy od pytania — oto dlaczego to pytanie zbudowałem tak, a nie inaczej.

Pytanie nie jest neutralnym pojemnikiem na odpowiedź. Jest narzędziem, które tę odpowiedź współtworzy — zanim model zacznie myśleć, samo sformułowanie wyznacza już, co wolno mu powiedzieć, a co zostaje odcięte. Dlatego to pytanie zostało zbudowane świadomie, a każdy jego element ma swój powód.

Najłatwiej przemycić oczekiwany wynik trzema sposobami: każąc sprowadzić zjawisko złożone do jednego punktu, zakładając z góry, że szukany czynnik w ogóle istnieje, albo cicho sugerując, jakiej odpowiedzi się pragnie — tej zaskakującej, przekornej, „głębokiej". Pytanie, które robi którąkolwiek z tych rzeczy, przestaje pytać, a zaczyna instruować. Model optymalizuje wtedy nie pod „prawdziwe", lecz pod „efektowne" — i zwykle dostarcza dokładnie to, o co, często nieświadomie, go poproszono.

„Pytanie, które robi którąkolwiek z tych rzeczy, przestaje pytać, a zaczyna instruować."

To pytanie celowo unika tych pułapek. Najpierw prosi model, by skrytykował samo postawienie problemu — żeby ujawnił przemycane założenia i wskazał, gdzie rzecz jest empirycznie nierozstrzygalna, a gdzie czysto wartościująca. Bo „negatywnie" zawsze znaczy: względem czegoś. Bez podanej miary — zdrowia, autonomii, więzi społecznych, zdolności poznawczych — słowo to znaczy wszystko i nic naraz. Dlatego kryterium trzeba nazwać, zanim cokolwiek się oceni.

Dalej pytanie żąda nie werdyktu, lecz rozkładu: kilku kandydatów, a przy każdym mechanizmu szkody, najmocniejszego argumentu za tezą, równie mocnego kontrargumentu i jawnie zaznaczonej pewności. I wreszcie daje zgodę na to, by nie wskazywać zwycięzcy, jeśli dane na to nie pozwalają — bo wymuszony ranking tam, gdzie nie ma podstaw, jest pozorem wiedzy, nie wiedzą.

Neutralność nie jest tu chłodem dla samego chłodu. Jest sposobem na odebranie sobie dźwigni, które pozwalają usłyszeć to, co i tak chciało się usłyszeć. Pytanie postawione rygorystycznie nie chroni przed odpowiedzią niewygodną — chroni przed odpowiedzią wygodną, która tylko udaje odkrycie.

04 — Metoda

Sześć faz, dziewięćdziesiąt jeden agentów.

Nie jeden „mądry" przebieg, lecz orkiestracja: pytanie zostaje rozłożone na role, które się nawzajem sprawdzają. Workflow w trybie ultracode (dynamiczna orkiestracja Claude Code), model Opus 4.8 (1M), effort xHIGH. Współbieżność ~10–14 agentów naraz, twardy limit cyklu 1000.

01

Framing

12 niezależnych krytyk samego postawienia pytania (ukryte założenia, is/ought, kontrfaktyk, biasy nostalgii vs presentism…) → 1 syntezator definiuje osie dobrostanu.

13 agentówmulti-modal sweep
02

Generate

24 generatory kandydatów, każdy w innej domenie (komunikacja, żywność, chemia, sen, finanse…) → kurator deduplikuje i wybiera shortlistę 8 + jawnie odrzuca mity zdrowotne.

25 agentówdiverse-lens fan-out
03

DeepDive

Każdy z 8 kandydatów dostaje pogłębioną analizę z opcjonalnym researchem web — mechanizm, najsilniejszy argument za i przeciw, jakość danych, kalibracja pewności.

8 agentówpipeline
04

Verify

4 adwersaryjne soczewki atakują każdego kandydata: przyczynowość, jakość dowodów, kontrfaktyk-steelman, skala bazowa. Teza nie może „wygrać" przez samo jej powtórzenie.

32 agentówperspective-diverse verify
05

Rank

7 sędziów (różne priorytety + jeden domyślnie sceptyczny) ocenia, czy ranking jest w ogóle uzasadniony → syntezator: ścisły porządek, warstwy albo „nie da się".

8 agentówjudge panel
06

Synthesize

Draft po polsku (ścisła 5-punktowa struktura) → 3 krytyków (nadmierna pewność / rejestr / fakty + konsensus zdrowotny) → integrator składa raport końcowy.

5 agentówcritics → integrator
01

Krytyka pytania jako osobna faza

Wymóg „zacznij od krytyki postawienia pytania" zmapowany na 12 niezależnych agentów, nie jeden akapit. Różnorodność soczewek bije jeden „mądry" przebieg.

02

Bezstronność wymuszona strukturą

Dla każdego kandydata osobny steelman obrony technologii i osobny atak na przyczynowość. Bezstronność jest w architekturze, nie tylko w prompcie.

03

Twardy guardrail anty-dezinformacyjny

Trzy warstwy (kontekst + faza generacji + krytyk faktów) wykluczają obalone mity zdrowotne i traktują je jako kontrprzykład dla narracji „postęp = ukryta szkoda".

04

Pewność jako pole schematu

Kalibracja niska / średnia / wysoka jest polem JSON, obniżanym przez werdykty weryfikacji. Pewność to dana, nie ozdoba.

05

Ranking warunkowy

Faza 5 może orzec „nie da się rzetelnie rankować" (niewspółmierność osi) — spełnia wymóg „nie wskazuj zwycięzcy, jeśli dane nie pozwalają".

06

Pipeline zamiast bariery

Między DeepDive a Verify nie ma bariery: kandydat weryfikuje się, gdy tylko jego analiza gotowa. Bez marnowania czasu na najwolniejszy deep-dive.

05 — Otwarta metodologia

Kod, który to uruchomił.

Pełny skrypt workflowu — kopia 1:1 uruchomionej wersji. Jest generyczny: by zadać własne pytanie, podmieniasz stałą CONTEXT oraz tablice soczewek i domen. Reszta orkiestracji zostaje.

progress-harms-rigorous-eval.workflow.js JavaScript Pobierz
Wczytywanie skryptu…
Uruchomienie:Workflow({ scriptPath: "…/progress-harms-rigorous-eval.workflow.js" })
multi-modal sweep — 24 domeny, 12 soczewek adversarial verify — 4 różne ataki, nie 4× to samo judge panel + reconciliation pipeline — DeepDive→Verify bez bariery critics → integrator — synteza structured output — 8 schematów JSON
06 — Po liczbach

Po liczbach.

Co znaczy „rozłożyć pytanie na 91 umysłów" — jako lejek, kafle i bezpośrednie porównanie z pojedynczym strzałem do modelu.

0
agentów łącznie
0
faz orkiestracji
0
domen generacji
0
ataków weryfikacji
0
schematów JSON
0
wzorców Workflow
~0
agentów współbieżnie
0
limit cyklu (backstop)
WymiarPojedynczy strzałWorkflow ultracode
Agenci / przebiegi1 model, 1 odpowiedź91 agentów, 6 faz
Postawienie pytaniaprzyjęte wprost12 niezależnych krytyk + synteza osi
Generowaniejedna myśl24 domeny → pula → shortlist 8
Weryfikacjabrak / „spytaj drugi model"32 adwersaryjne ataki (4 soczewki × 8)
Rankingnarzucony („jedna rzecz")7 sędziów ocenia, czy wolno rankować
Kalibracja pewnościnienazwanaenum niska/średnia/wysoka, obniżana weryfikacją
Guardrail anty-mitbrak3-warstwowy (kontekst + odrzuty + krytyk faktów)
Wynikefektowna tezarozkład z jawną niepewnością
0 mln
tokenów — pytanie + ta strona
0
wywołań narzędzi (tool calls)
~0 h
pracy agentów nad pytaniem
0%
tygodniowego limitu planu Claude MAX (200)

Tyle realnie zużył cały eksperyment — 91-agentowy workflow i wygenerowanie tej strony.

07 — Wyjaśnienia

Pytania o metodę.

Krótko i konkretnie — dla ludzi i dla wyszukiwarek.

QCo znaczy „rozłożyć pytanie na 91 agentów"?

To workflow wieloagentowy: zamiast jednej odpowiedzi modelu, pytanie przechodzi przez 6 faz — krytykę samego pytania, generowanie kandydatów, pogłębioną analizę, adwersaryjną weryfikację, ranking i syntezę — w których pracuje łącznie ok. 91 wyspecjalizowanych agentów AI.

QCzym jest „ramowanie pytania" i dlaczego ma znaczenie?

Sposób sformułowania pytania współokreśla odpowiedź. Pytanie potrafi przemycać założenia, wymuszać jedną odpowiedź albo sugerować pożądany wynik. Rygorystyczne ramowanie odbiera modelowi te dźwignie i wymusza rozkład z jawną niepewnością zamiast efektownej tezy.

QNa czym polega tryb „ultracode" w Claude Code?

To dynamiczna orkiestracja wielu agentów w jednym workflow (model Opus 4.8, effort xHIGH): fan-out na dziesiątki równoległych ról, adwersaryjna weryfikacja i synteza — zamiast pojedynczego przebiegu modelu.

QIle to kosztowało?

Cały eksperyment — workflow i wygenerowanie tej strony — zużył ok. 5 mln tokenów, 199 wywołań narzędzi, ~1 godzinę pracy agentów i ok. 5% tygodniowego limitu planu Claude MAX (200).

QCzy odpowiedź wskazuje „jedną rzecz"?

Nie. Pytanie celowo zezwala na brak rankingu, jeśli dane nie pozwalają na uczciwe uszeregowanie — zamiast wymuszać pozór wiedzy. To różnica między „efektowną tezą" a rzetelnym rozkładem.

08 — Współpraca

Tak pracuję na co dzień.

Ten sam silnik — orkiestracja wielu agentów AI z krzyżową weryfikacją — wdrażam u klientów: od strategii i audytu, przez redukcję halucynacji, po system na produkcji.

„Model, który zawsze ma odpowiedź, jest groźniejszy od takiego, który umie powiedzieć «nie wiem»."
Tomasz Fiedoruk

Tomasz Fiedoruk — doradca strategiczny (AI · IT · marketing), zawodowo w technologii i komunikacji od 2003. Od współzałożyciela zenbox po systemy AI na produkcji. Więcej na fiedoruk.pl →

Zobacz, jak mogę to zrobić u Ciebie → Opisz swój projekt (formularz)