Przejdź do treści

Głos LLM: Martin Fowler o tym, czemu teksty pisane przez AI tak brzmią

Adam Marzec
Karta pomiarowa z wielką pieczątką BEZ DETEKTORA i trzema kartami tez eseju Martina Fowlera: rozpoznawanie po melodii, brak zaufania do detektorów i zakaz pierwszych szkiców od modelu; nagłówek LLM VOICE ESEJ FOWLERA; odczyty 30.10.2026

Martin Fowler, praktyk oprogramowania i autor książek, po których uczyło się pokolenie programistów, opublikował 29 października esej „LLM Voice” i w jeden dzień podbił nim dyskusje techniczne: wątek na Hacker News ma ponad 400 punktów. Temat jest inny niż zwykle u niego. Fowler pisze o głosie, w którym produkują dziś modele językowe, o tym, że czytelnik wyczuwa ten styl bez żadnego narzędzia, i o konsekwencjach dla ludzi, którzy mają pisać sami.

Jego najtwardsze twierdzenie dotyczy nie maszyn, a naszych nawyków: nie zlecaj modelowi pierwszego szkicu, bo nawet po własnej, ludzkiej redakcji ten głos zostaje w tekście. Z tego tekstu dowiesz się, jakie dokładnie argumenty podaje, gdzie robi uczciwe wyjątki i jak jego zdanie ma się do detektorów tekstu AI, o których pisaliśmy osobno.

Najważniejsze informacje

CoSzczegóły
Autor i gdzieMartin Fowler, bliki „LLM Voice”, martinfowler.com, 29.10.2026
Główna tezaCzytelnik rozpoznaje tekst LLM bez narzędzi; „uncanny valley of prose”
DetektoryFowler nie ufa narzędziom: niepewna dokładność i zły punkt odniesienia
PraktykaNie zlecaj szkicu LLM; konspekt i dokumenty dla maszyn to OK
WyjątkiJim Highsmith pisze z LLM mimo Parkinsona; tłumaczenia dla obcokrajowców
OdbiórHN 415 punktów (odczyt 30.10), komentatorzy przyznają własne „zarażenie” stylem

Co to jest głos LLM

Fowler opisuje zjawisko, które każdy, kto czyta dziś dużo treści z internetu, zna z praktyki. Teksty od modeli mają wspólną melodię: równe akapity, te same konstrukcje, puenta na koniec podrozdziału, wygładzona krzywizna bez ostrych krawędzi. Fowler nazywa to wprost „we are in an uncanny valley of prose”, doliną niesamowitości prozy: na tyle ludzkie, żeby nie odrzucić na pierwszy rzut oka, na tyle maszynowe, żeby coś gryzło.

Ciekawe jest to, że nie przypisuje wszystkich cech, które irytują, maszynom. Część według niego to różnice pokoleniowe w języku biznesu: ludzie mówią „adopting a new sales motion” bez udziału żadnego modelu. Ostrzeżenie idzie w obie strony, bo granica między człowiekiem piszącym jak maszyna a maszyną robi się coraz mniej ostra.

Dlaczego nie ufa detektorom

Ten wątek zna dobrze każdy, kto czytał nasze wcześniejsze teksty o detektorach: badanie Stanford HAI pokazało, że te narzędzia oflagowały ponad 61 procent esejów nieanglojęzycznych jako maszynowe, a nasz tekst o tym, czy detektory się mylą, opierał się dokładnie na tych liczbach. Fowler dochodzi do podobnego wniosku z innej strony. Jego argumenty są dwa: dokładność jest wątpliwa, a co gorsza, „it rather misses the point”, czyli sięganie po detektor odpowiada na złe pytanie. Jeśli w twoim środowisku trzeba uruchamiać narzędzie, żeby ocenić tekst, to znaczy, że tekst już nie komunikuje tego, co powinien.

Ten drugi argument ma praktyczne konsekwencje dla polskiego czytelnika. Uczelnie sprawdzają prace w JSA automatycznie, a decyzje o autorstwie zapadają na podstawie narzędzi, które Fowler ocenia jako niewiarygodne; opisywaliśmy jak działa JSA na polskich uczelniach i jaką metodą liczą prawdopodobieństwo fraz. Detekcja jest tam realnością administracyjną, niezależnie od opinii Fowlera, więc jego rada idzie w inną stronę: pisać samemu od początku do końca, zamiast polegać na narzędziach.

Zakaz pierwszych szkiców i wyjątki

Serce eseju to rada redakcyjna, nie technologiczna. Jeśli model napisze pierwszy szkic, a człowiek go tylko poprawi, głos LLM według Fowlera zostaje: redakcja wygładza powierzchnię, ale struktura zdania, rytm i dobór metafor pozostają maszynowe. Pisanie jest u niego narzędziem myślenia, więc delegowanie pisania to delegowanie rozumienia: „Surrendering to an LLM will undermine any progress” w nauce pisania. Konspekt albo lista punktów do rozwinięcia to według niego inna sprawa, tam model nie zastępuje głosu autora, tylko porządkuje materiał.

Robi przy tym uczciwe wyjątki, które ratują esej przed tonem kaznodziei. Jim Highsmith, legendarny autor z kręgu Agile, pisze z pomocą LLM mimo choroby Parkinsona i Fowler akceptuje ten przypadek bez zastrzeżeń. Podobnie tłumaczenia dla ludzi, którzy piszą w języku obcym, choć sam przyznaje, że bliżej mu do szczerej, ludzkiej niezgrabności niż do gładkiej maszyny. W komentarzach pod wątkiem na Hacker News ludzie przyznawali coś subtelnego: czytając dziś głównie teksty od modeli, sami zaczynają pisać w tym stylu, „writing as an llm without using one”. Ten efekt zwrotny jest chyba najgroźniejszą konsekwencją całej sytuacji, bo działa bez żadnego modelu w okolicy.

Jest jeden przypadek, w którym Fowler daje LLM zielone światło wprost: dokumenty, które czyta proces, a nie człowiek. Formularze, raporty maszynowe, dane strukturalne. Tam nie ma głosu do obrony.

Jak to się ma do polskiego internetu

Polska wersja tego problemu ma własny koloryt. Frazy z autouzupełniania pokazują, że ludzie szukają „jak rozpoznać tekst napisany przez ai”, a następnie „styl pisania ai”. Pierwsze pytanie ma u nas odpowiedź z listą ścieżek sprawdzenia, od detektorów online po sygnały czytane gołym okiem. Argument Fowlera dopowiada tam drugą połowę: sygnały ręczne polegają na rozpoznaniu właśnie tego głosu, więc warto go znać jak obcą melodię, po pierwszych dwóch taktach.

Trzeba też uczciwie dodać, że badania nad językiem generowanym idą w tym samym kierunku co intuicja Fowlera. Artykuł z arXiv, który rozkładaliśmy we wpisie o trudności rozumienia tekstów AI, pokazał pomiarami, że teksty od modeli są trudniejsze w odbiorze dla ludzi niż ludzkie, i to niezależnie od tego, czy czytelnik zna źródło. Głos LLM nie jest więc tylko estetyczną grypą; ma mierzalny koszt odbioru.

Fowler kończy esej przypisem, który sam w sobie jest argumentem: „I did not use AI or LLMs in any way while writing this post.” Można się uśmiechnąć, że trzeba to w ogóle zaznaczać, a potem sprawdzić własną skrzynkę roboczą i policzyć, ile tekstów z ostatniego tygodnia przeczytano w całości, a ile tylko przejechano wzrokiem po gładkiej powierzchni. To jest właśnie ten koszt, o którym pisze.

Najczęstsze pytania

Jak rozpoznać tekst napisany przez AI bez detektora?

Według Fowlera po głosie: równe akapity, podobne konstrukcje zdań, puenta domykająca każdy podrozdział, wygładzona krzywizna bez ostrych krawędzi. To rozpoznawanie melodii, nie sprawdzanie narzędziem. Ścieżki z konkretnymi narzędziami i sygnałami opisujemy w osobnym poradniku, ale argument eseju brzmi: jeśli musisz uruchamiać detektor, jest już za późno na zaufanie tekstowi.

Czy detektory AI się mylą?

Tak, i to potwierdza badanie Stanford HAI, na którym opieramy nasz tekst o myleniu się detektorów: ponad 61 procent esejów pisanych przez ludzi z grupy nieanglojęzycznej zostało oflagowanych jako maszynowe, a 89 z 91 esejów dostało flagę od przynajmniej jednego z siedmiu detektorów. Fowler dodaje od siebie argument praktyczny: nawet działający detektor odpowiada na złe pytanie.

Czy można pisać z pomocą chatbota?

Według Fowlera tak, w dwóch miejscach: przy konspekcie i porządkowaniu materiału oraz przy dokumentach czytanych przez maszyny, nie przez ludzi. Przeciwnie przy pierwszych szkicach tekstów dla ludzi, bo głos modeli zostaje w strukturze zdań nawet po redakcji. Są też wyjątki od wyjątków, jak piszący z LLM mimo choroby Parkinsona Jim Highsmith, których Fowler akceptuje bez zastrzeżeń.

Źródła

Powiązane artykuły