Użytkownicy adaptują się do ograniczeń sztucznej inteligencji zamiast czekać, aż modele nauczą się od nich. To kluczowy wniosek z badania, które przeanalizowało rzeczywiste długoterminowe konwersacje ludzi z dużymi modelami językowymi. Okazuje się, że zamiast frustrować się brakami AI, osoby regularnie korzystające z chatbotów zmieniają sposób, w jaki zadają pytania i formułują polecenia - uczą się języka maszyn, a nie odwrotnie. Wyniki pokazują, że LLM-y pozostają względnie statyczne w swoim działaniu, podczas gdy my stopniowo przystosowujemy nasze strategie komunikacyjne.
Badania longitudinalne ujawniają fascynujący proces dostosowania się. Użytkownicy uczą się na własnych błędach i doświadczeniach z modelem, zapamiętując co działa, a co nie. Zaczynają pisać bardziej precyzyjnie, dzielą złożone problemy na mniejsze części, dodają więcej kontekstu - jakby nieświadomie opracowywali własną instrukcję obsługi dla AI. Zmienia się też ich oczekiwania wobec technologii: stopniowo obniżają ambicje, rezygnując z zadań, które model wykonuje źle, i koncentrują się na tym, co rzeczywiście potrafi dobrze zrobić.
Odkrycie ma poważne implikacje dla przyszłości współpracy człowiek-AI. Jeśli ludzie sami się przystosowują, a systemy nie uczą się z interakcji, oznacza to że efektywność współpracy zależy głównie od naszych umiejętności komunikacyjnych, a nie od ewolucji modelu. To wyjaśnia także, dlaczego doświadczeni użytkownicy ChatGPT czy Claude'a osiągają lepsze wyniki niż novice - to po prostu kwestia praktyki i zrozumienia, jak myśli maszyna. Dla firm rozwijających LLM-y wiadomość jest jasna: zamiast czekać na to, że użytkownicy sami się nauczą, warto inwestować w lepsze dokumentacje, tutoriale i interfejsy, które ułatwiłyby to naturalne dostosowanie.