Claude ma problem z kreatywnością: każdy programista to Marcus Chen

Poproś Claude'a o stworzenie fikcyjnego programisty do przykładu kodu. Potem zrób to jeszcze raz. I jeszcze.

Za każdym razem dostaniesz tego samego gościa – Marcus Chen.

To przypomina błąd? To systematyczny wzorzec. I wcale nie przypadkowy.

Dziennikarze z T3N przeprowadzili test, który ujawnił coś fascynującego o tym, jak AI "myśli" o różnorodności. Okazuje się, że Claude – jeden z najbardziej zaawansowanych chatbotów na rynku – ma poważny problem z kreatywnością, gdy przychodzi do generowania imion postaci.

Ten sam zawód, ta sama twarz

Zasady testu? Proste. Badacze prosili Claude'a o stworzenie przykładowych postaci dla różnych zawodów – programistów, lekarzy, nauczycieli. Bez podawania żadnych wskazówek dotyczących pochodzenia czy płci.

Wyniki? Monotonne jak fabryczna taśma produkcyjna.

Programiści niemal zawsze nazywali się Marcus Chen lub Alex Chen. Lekarze? Dr Sarah Johnson pojawiała się z regularną jak szwajcarski zegarek częstotliwością. Nauczyciele to najczęściej Emily Rodriguez.

Albo podobne warianty.

To nie przypadek — to wzorzec, który ujawnia coś głębszego o tym, jak modele językowe (LLM – czyli "mózgi" takich AI jak Claude) przetwarzają informacje o ludziach.

Dlaczego AI tak kocha Marcusa Chena?

Sprawa ma swoje korzenie w danych treningowych. Claude – jak każde AI – uczy się na ogromnych zbiorach tekstów z internetu.

A internet ma swoje przyzwyczajenia.

W przykładach kodu na Stack Overflow, w tutorialach programowania, w dokumentacji technicznej – fikcyjni programiści często mają azjatycko brzmiące nazwiska. To odzwierciedlenie rzeczywistości branży tech, gdzie duży odsetek specjalistów pochodzi z Azji lub ma azjatyckie korzenie.

Problem? AI nie rozumie kontekstu społecznego. Widzi wzorzec: "programista = Chen" i go powielą. Bez refleksji, bez świadomości, że tworzy stereotyp.

To jak gdyby ktoś uczył się o Polsce tylko z memów internetowych i potem twierdził, że wszyscy Polacy to Janusz z bloków.

Co to znaczy dla Ciebie?

Jeśli używasz Claude'a (lub ChatGPT, czy innego AI) do pisania przykładów, scenariuszy, postaci – dostaniesz przewidywalne rezultaty.

I to może być problem.

Piszesz materiały szkoleniowe dla firmy. Prosisz AI o stworzenie przykładowych pracowników do case study. Dostajesz serię Marcusów Chenów i Sarah Johnson. Twój materiał wygląda jak skopiowany z tego samego szablonu co u konkurencji.

Albo tworzysz aplikację i potrzebujesz przykładowych profili użytkowników do testów. AI generuje Ci monotonną galerię tych samych kombinacji imion. Zero różnorodności, zero autentyczności.

Efekt? Twój produkt wygląda na generyczny.

Bo jest generyczny.

Czy inne AI mają ten sam problem?

Krótka odpowiedź: tak, ale w różnym stopniu.

ChatGPT ma podobne tendencje, choć wzorce są nieco inne. GPT-4o lubi imię "John Smith" dla przykładowych Amerykanów i "Maria Garcia" dla postaci latynoskich. Gemini od Google – też nie jest wolny od schematów.

To nie jest wada konkretnego modelu. To cecha całej kategorii technologii opartych na uczeniu maszynowym (machine learning – proces, w którym AI uczy się rozpoznawać wzorce w danych, bez programowania każdej reguły z osobna).

AI działa jak lustro. Odbija to, co widzi w danych.

A dane są pełne ludzkich przyzwyczajeń, skrótów myślowych, stereotypów.

Jak obejść monotonię imion?

Rozwiązanie jest proste: bądź konkretny w promptach (prompt to instrukcja, którą dajesz AI – im bardziej precyzyjna, tym lepsze rezultaty).

Zamiast: "Stwórz przykładowego programistę"

Napisz: "Stwórz fikcyjnego programistę o polskim imieniu i nazwisku, pracującego w startupie w Krakowie"

Albo jeszcze lepiej – podaj konkretne imię: "Użyj imienia Kasia Nowak dla przykładowej programistki"

AI potrafi być kreatywne, ale potrzebuje wskazówek. To jak współpraca z asystentem, który ma świetną pamięć, ale zero inicjatywy.

Co to mówi o przyszłości AI w twórczości?

Ten eksperyment to małe okienko do większego problemu.

AI jest świetne w przetwarzaniu wzorców, ale kiepskie w prawdziwej kreatywności.

Marcus Chen to symbol ograniczeń. Pokazuje, że AI nie "wymyśla" – kombinuje to, co już widziało. To różnica między remiksem a oryginalnym utworem.

Dla pisarzy, twórców treści, scenarzystów – to lekcja pokory. AI może przyspieszyć pracę, ale nie zastąpi ludzkiej zdolności do tworzenia czegoś naprawdę nowego.

Czegoś, co nie jest tylko kolejną wersją Marcusa Chena.

Ironia? Największa siła AI – uczenie się na wzorcach – to jednocześnie jego największa słabość Jeśli chodzi o kreatywności.

Czy Anthropic to naprawi?

Trudno powiedzieć. Problem jest głęboki i nie ma prostego rozwiązania.

Można by dodać losowość do generowania imion – ale to tylko kosmetyka. Prawdziwe wyzwanie to nauczenie AI rozumienia kontekstu społecznego, różnorodności, niuansów.

A to wymaga nie tylko lepszych algorytmów, ale też lepszych danych treningowych. Danych, które świadomie równoważą reprezentację różnych grup, kultur, perspektyw.

Pytanie brzmi: czy firmy AI są gotowe zainwestować w to czas i pieniądze?

Bo Marcus Chen nie psuje im biznesu. Psuje tylko różnorodność w treściach generowanych przez miliony użytkowników.

Eksperyment z T3N to przypomnienie – AI to narzędzie. Potężne, ale z ograniczeniami. Jeśli chcesz różnorodności, musisz o nią poprosić. Explicite.

Bo samo z siebie AI da Ci najbezpieczniejszą, najbardziej przewidywalną odpowiedź.

Czyli Marcusa Chena.

Źródła

• T3N - KI als unkreative Schreibhilfe