Dlaczego powinniśmy być nieprzewidywalni?
Nieobliczalność obliczeniowa i granice przewidywania
Wierzymy, że algorytmy nas znają. Że wiedzą, co nas interesuje, co lubimy, a nawet czego chcemy, zanim to wyszukamy. Ale to poczucie precyzji jest mylące. To nie jest wiedza, to jest dostosowanie. Istnieje granica operacyjna: nie każde zachowanie można zredukować do wcześniejszej przewidywalności. Ta granica – nieobliczalność – wyznacza zakres, w jakim systemy predykcyjne mogą się posunąć.
Algorytmy nas nie znają. Jedynie optymalizują to, co robimy teraz.
Nieobliczalność obliczeniowa opisuje precyzyjną granicę przewidywania: istnieją procesy, których wyniku nie można poznać bez wykonania samego procesu. Koncepcja, rozwinięta przez Stephena Wolframa, nie wskazuje na brak informacji ani na przypadek, lecz na niemożność skompresowania pewnych systemów w formułę krótszą niż ich własna ewolucja.
Przez długi czas myśleliśmy o świecie, opierając się na ukrytym założeniu: jeśli znamy prawa rządzące systemem i jego warunki początkowe, możemy przewidzieć jego przyszły stan. Ta idea nie tylko strukturyzuje fizykę klasyczną, ale także ogólny sposób rozumienia rzeczywistości: przyszłość jako coś, co w zasadzie jest dostępne z teraźniejszości.
Nieobliczalność wprowadza decydującą niuansę. Istnieją systemy, w których to oczekiwanie zawodzi, nie dlatego, że zasady są nieznane lub złożone, ale dlatego, że nie ma sposobu na „przyspieszenie” ich ewolucji. System nie toleruje skrótów. Aby dowiedzieć się, co dzieje się w danym punkcie, konieczne jest przejście przez wszystkie pośrednie stany prowadzące do niego.
Oznacza to, że znajomość reguły nie jest równoznaczna ze znajomością wyniku. Możesz całkowicie zrozumieć, jak działa system, a mimo to nie być w stanie przewidzieć jego przyszłego stanu bez wykonania go krok po kroku. Procesu nie można zastąpić skróconą prognozą.
Konsekwencja jest surowa: istnieją procesy, których przyszłość nie jest dostępna, zanim się nie wydarzy. Nie chodzi o to, że system jest nieprzewidywalny w sensie absolutnym, ale o to, że nie jest redukowalny do prostszej formy, która pozwalałaby go przewidzieć. Jedynym sposobem poznania jego ewolucji jest pozwolenie mu się rozwinąć.
Ta granica jest formalna w dziedzinie obliczeniowej, ale wprowadza szerszą ideę: nie każdy system może być podsumowany bez straty w wcześniejszej projekcji. Istnieją dynamiki, których struktura wymaga przejścia, aby mogły zostać poznane.
W jakim sensie człowiek jest nieobliczalny?
Przeniesienie idei nieobliczalności na człowieka wymaga ważnego sprecyzowania: nie mówimy o formalnej właściwości, jak w systemach obliczeniowych opisanych przez Stephena Wolframa, lecz o operacyjnej analogii. Nie twierdzi się, że człowiek jest nieobliczalny w tym samym technicznym sensie, ale że jego zachowanie wykazuje porównywalne granice, jeśli chodzi o przewidywanie lub kompresowanie w model.
Człowiek nie jest systemem z wyraźnymi, zamkniętymi i dostępnymi regułami. Nie posiadamy „funkcji przejścia”, która, biorąc pod uwagę początkowe warunki, pozwalałaby na wyczerpujące prognozowanie jego ewolucji. Zamiast tego, życie ludzkie rozwija się w otwartym środowisku: przeplatanym kontekstem, językiem, historią, interakcjami i przypadkowością. Każda decyzja nie tylko wynika z poprzedniej, ale modyfikuje warunki, w których nastąpią kolejne.
W tym kontekście analogia z nieobliczalnością jest jasna: nie dlatego, że nie istnieją reguły czy prawidłowości, ale dlatego, że nie jest możliwe skompresowanie pełnej trajektorii w wystarczającą wcześniejszą prognozę.
Nie oznacza to, że zachowanie ludzkie jest ogólnie nieprzewidywalne. Istnieją stabilne wzorce: nawyki, preferencje, dynamika społeczna. Na ich podstawie z sukcesem działają takie dyscypliny jak ekonomia, psychologia czy marketing. To właśnie ten wymiar pozwala na funkcjonowanie systemów przewidywania.
Ale to nie jest całość zachowania. Zawsze istnieje wymiar, którego nie można wyczerpująco przewidzieć: decyzje, które nie wynikają bezpośrednio z przeszłości, zmiany kierunku, przerwy, nieprzewidziane warianty. Nie dlatego, że systemowi brakuje struktury, ale dlatego, że nie jest on w niej całkowicie skompresowany.
Najprecyzyjniejsze sformułowanie brzmiałoby tak: ludzkie zachowanie zawiera składniki redukowalne i nieredukowalne. Nie jest to system absolutnie chaotyczny, ale też nie jest całkowicie modelowalny.
Ta granica ma bezpośrednią konsekwencję dla doświadczenia.
Nie możemy zorganizować przyszłego życia tak, jakby było to dostępny przedmiot. Możemy planować, projektować, szacować. Ale żadna z tych operacji nie obejmuje całości tego, co nastąpi. Każde przewidywanie jest z konieczności częściowe, ponieważ sam rozwój doświadczenia generuje informacje, które wcześniej nie istniały.
Tutaj analogia z nieobliczalnością staje się szczególnie jasna: nie chodzi o to, że przyszłość jest całkowicie nieznana, ale o to, że nie jest całkowicie dostępna, zanim zostanie przeżyta.
Ten warunek ma podwójne oblicze.
Z jednej strony, umożliwia on niespodziewane. Nowość, kreatywność, przełom nie są anomaliami, lecz konsekwencjami tego, że trajektoria nie jest całkowicie ustalona w wcześniejszej projekcji. Gdyby życie było całkowicie redukowalne, byłoby również całkowicie przewidywalne, a w tym sensie – zamknięte.
Z drugiej strony, wprowadza granicę kontroli. Nie możemy wyczerpująco przewidzieć przebiegu naszego własnego doświadczenia. Zrozumienie pojawia się po procesie, nie przed nim. Życie jest rozumiane retrospektywnie, ponieważ tylko wtedy dostępne są informacje, które sam proces wytworzył.
Poruszamy się zatem w przestrzeni pośredniej: istnieją regularności, ale nie zamknięcie; istnieje struktura, ale nie całkowite przewidywanie. To napięcie – między tym, co można przewidzieć, a tym, co może jedynie się rozwinąć – definiuje ramy, w których ma miejsce ludzkie doświadczenie.
Ale ta granica to nie tylko kwestia teoretyczna dotycząca ludzkiego doświadczenia. Ma ona bezpośrednią konsekwencję w miejscu, gdzie dziś systematycznie próbuje się przewidzieć zachowanie: algorytmy rekomendacji. Zrozumienie, jak działają te systemy, wymaga cofnięcia się o krok i umieszczenia ich w ramach, w których nabierają sensu. Nie chodzi tylko o technologię, ale o model ekonomiczny, który strukturalnie zależy od pozyskiwania, mierzenia i optymalizowania uwagi. Kwestia nie polega już wyłącznie na tym, czy mogą nas przewidzieć, ale dlaczego muszą to robić.
Uwaga: ekonomiczna podstawa systemu
Uwaga to już nie tylko zjawisko psychologiczne czy kulturowe. To centralna wielkość ekonomiczna. W 2014 roku globalny rynek reklamowy wynosił około 523 miliardy dolarów. W 2024 roku po raz pierwszy przekroczył bilion, a prognozy wskazują, że w 2026 roku osiągnie 1,24 biliona. W ciągu zaledwie dekady system praktycznie podwoił się, ze stałym rocznym wzrostem około 6–8% i krótkoterminowymi prognozami przekraczającymi 10%.
Ale decydujący jest nie tylko wzrost, ale także jego forma. Reklama cyfrowa koncentruje już ponad 70% globalnych inwestycji i nadal rośnie. Na rynkach takich jak Stany Zjednoczone, rośnie w tempie bliskim 15% rocznie. Współczesna ekonomia reklamowa nie obraca się już wokół tradycyjnych mediów, lecz wokół platform zdolnych do pozyskiwania, mierzenia i optymalizowania uwagi w czasie rzeczywistym.
Co więcej, ta wartość nie jest rozproszona, jest skoncentrowana. Google i Meta zagarniają dominującą część globalnego rynku. W przypadku Google, reklama – poprzez Search, YouTube i jego sieć – stanowi około 75% jego całkowitych przychodów, z ponad 260 miliardami dolarów rocznie. Meta jest jeszcze bardziej zależna: ponad 95% jej przychodów – ponad 160 miliardów, pochodzących głównie z Facebooka, Instagrama i WhatsApp – pochodzi z reklamy. Jej ostatni wzrost opierał się również na jednoczesnym wzroście liczby wyświetleń i ceny za reklamę, co odzwierciedla intensyfikację modelu.
Do tego jądra dołącza Amazon, który przekształcił swój ekosystem handlowy w wiodącą platformę reklamową, oraz ByteDance – z TikTokiem – który zbudował jedną z najskuteczniejszych infrastruktur do przyciągania uwagi w krótkich filmach. Nie chodzi tu o izolowane usługi, lecz o zestaw systemów, które organizują znaczną część codziennego dostępu do informacji, rozrywki i konsumpcji.
Dlatego uwaga stała się cennym aktywem ekonomicznym. Każda zatrzymana sekunda, każda interakcja, każde wyświetlenie może zostać zamienione na dochód. Model jest prosty: przyciągnąć uwagę, utrzymać ją i przekształcić.
Ale tutaj pojawia się problem strukturalny. Ten system potrzebuje antycypować zachowanie, aby działać efektywnie. A jednak obiekt, na którym działa – ludzkie zachowanie – nie jest całkowicie redukowalny. Nie da się go skompresować w globalną, wiarygodną prognozę.
Konsekwencją nie jest awaria systemu, ale jego rekonfiguracja. Jeśli nie może przewidzieć podmiotu w całości, musi sprowadzić problem do jedynego punktu, w którym przewidywanie jest nadal możliwe: do natychmiastowej teraźniejszości. Tam właśnie ekonomia uwagi znajduje swoją operacyjną formę.
Ten system ekonomiczny nie jest neutralny: zależy od redukowania zachowań do teraźniejszości.
Dlaczego algorytmy nie przewidują, lecz się adaptują
Model ekonomiczny, który podtrzymuje gospodarkę uwagi, wymaga czegoś bardzo konkretnego: przewidywania zachowań. Każde wyświetlenie, każda zatrzymana sekunda, każda interakcja ma wartość, ponieważ może zostać przekształcona w dochód. Ale to wymaganie napotyka na granicę, którą już opisaliśmy: ludzkie zachowanie nie jest całkowicie redukowalne.
Nie oznacza to, że nic nie da się przewidzieć. W rzeczywistości systemy rekomendacji działają właśnie dlatego, że istnieją regularności. Ale nie jest też możliwe zbudowanie modelu, który wiarygodnie przewidziałby całą trajektorię jednostki. Nie można wiedzieć, co ktoś zrobi za tydzień z tym samym stopniem precyzji, z jakim można oszacować, co zrobi w ciągu najbliższych sekund.
To jest punkt tarcia. I również punkt zwrotny.
Algorytmy rekomendacji nie rozwiązują tego problemu. Omijają go. Zamiast próbować przewidzieć podmiot w całości, redukują zakres przewidywania do jedynego poziomu, na którym nadal jest ono możliwe: do natychmiastowej teraźniejszości.
Pytanie przestaje brzmieć „kim jest ten użytkownik” lub „co zrobi w przyszłości”, a staje się znacznie bardziej ograniczone: co najprawdopodobniej zrobi teraz.
To przesunięcie całkowicie zmienia naturę systemu. Jednostką analizy nie jest już osoba jako trajektoria, lecz konkretna decyzja: kliknięcie, pauza, przewinięcie, powtórzenie. Każda z tych akcji nie wymaga pełnej teorii podmiotu, aby ją przewidzieć. Wystarczy obserwować to, co właśnie się wydarzyło.
W tym sensie algorytm nie buduje stabilnego modelu użytkownika. Dostosowuje się do niego w sposób ciągły. Obserwuje akcję, modyfikuje środowisko, ponownie obserwuje. Nie musi wiedzieć, dokąd zmierza użytkownik; wystarczy mu zwiększyć prawdopodobieństwo, że będzie kontynuował.
Tutaj następuje decydujący zwrot: globalną predykcję zastępuje adaptacja w czasie rzeczywistym. Ale ta redukcja nie jest tylko temporalna. Jest to także redukcja poziomu, na którym modeluje się zachowanie.
W dłuższych skalach to, co istotne, jest zazwyczaj najbardziej złożone: osobista historia, tożsamość, kontekst kulturowy, głębokie motywacje. Ale to wszystko jest trudne do sparametryzowania, powolne w przetwarzaniu i, przede wszystkim, niestabilne.
Natomiast w krótkich skalach najjaśniej jawią się znacznie bardziej podstawowe prawidłowości: uwaga na nowości, powtarzanie niedawnych wzorców, wrażliwość na małe wariacje. Nie jest konieczne zrozumienie podmiotu, aby działać na tych dynamikach. Wystarczy wykryć, jak reaguje.
Dlatego, choć algorytmy nie modelują jawnie biologii ani głębokiej psychologii, ostatecznie działają na tym poziomie. Nie dlatego, że jest to bardziej prawdziwe, ale dlatego, że jest to bardziej przewidywalne.
W praktyce oznacza to, że system traktuje użytkownika jako sekwencję odpowiedzi na natychmiastowe bodźce. Nie w sensie ontologicznym – nie twierdzi, że człowiek jest czymś takim – ale w sensie operacyjnym: jest to jedyny poziom, na którym przewidywanie może być nieustannie podtrzymywane.
To wyjaśnia jego skuteczność.
Algorytmy działają, ponieważ ludzkie zachowanie zawiera składniki redukowalne. Istnieją wzorce, nawyki, powtarzające się reakcje, które można obserwować i wykorzystywać. A w krótkim terminie te wzorce są wystarczająco stabilne, aby budować użyteczne prognozy.
Ale to również wyjaśnia jego ograniczenie.
Poza tym modelem pozostaje wszystko to, czego nie da się skompresować w tych ramach: decyzje, które nie odpowiadają natychmiastowej optymalizacji, zmiany kierunku, przerwy, wariacje, które nie wynikają bezpośrednio z niedawnej przeszłości.
Kluczem zatem nie jest to, że człowiek jest ogólnie nieprzewidywalny. Chodzi o to, że nie jest całkowicie redukowalny. A systemy rekomendacji działają właśnie dlatego, że nie próbują objąć wszystkiego: koncentrują się na tej części, którą można modelować.
Wynikiem nie jest przewidywanie podmiotu, lecz zarządzanie jego uwagą w teraźniejszości. Algorytm nie musi wiedzieć, kim jesteś. Musi wiedzieć, co najprawdopodobniej zrobisz teraz. I działać odpowiednio.
Podążaj za algorytmem lub wyjdź z niego
Wszystko to nie dzieje się w abstrakcji. Manifestuje się w bardzo konkretnym i rozpoznawalnym doświadczeniu. Otwieramy platformę i czujemy, że algorytm nas zna. Że wie, co nas interesuje, co lubimy, a nawet co chcemy zobaczyć, zanim to wyszukamy. Sekwencja wydaje się dopracowana, niemal osobista. To nie jest przypadkowa kumulacja treści, lecz coś, co zniepokajająco precyzyjnie do nas pasuje.
Od tego momentu następuje niemal niezauważalne przemieszczenie. Przestajemy używać algorytmu jako środka i zaczynamy go zamieszkiwać tak, jakby był przestrzenią, w której znajdujemy to, czego szukamy. Wchodzimy, oczekując odkrycia czegoś interesującego, i stopniowo przestajemy szukać poza nim. To, co pojawia się w feedzie, zaczyna zastępować samo poszukiwanie. Nie chodzi o to, że algorytm odpowiada na nasze pytania, lecz o to, że zaczyna je definiować.
Ale to poczucie wiedzy jest mylące. Algorytm nie zna nas w sensie, w jakim zwykle myślimy. Nie wie, kim jesteśmy, ani czego pragniemy w sensie życiowym, ani dokąd chcemy zmierzać. Nie ma dostępu do tych wymiarów, ani też ich nie potrzebuje. Jedyne, co może zrobić – i robi to z ogromną skutecznością – to oszacować, co najprawdopodobniej zrobimy teraz.
System nie buduje zrozumienia podmiotu, lecz ciągłą reakcję na bezpośrednie zachowanie. Wykrywa, co przyciąga naszą uwagę, co ją przedłuża, co utrzymuje nas w środku, i reorganizuje otoczenie w oparciu o to. Nie ma zamiaru nas zrozumieć, a jedynie dostosować przepływ, abyśmy pozostali w nim. Doświadczenie staje się w ten sposób sekwencją bodźców coraz bardziej dopasowanych do naszych natychmiastowych reakcji.
Dlatego jest tak wciągający. Ponieważ działa nie na to, kim jesteśmy w czasie, lecz na to, co robimy w każdej chwili. I na tym poziomie, precyzja jest wystarczająca, aby utrzymać uwagę przez długie okresy.
Problem pojawia się, gdy to funkcjonowanie zaczyna kolonizować resztę doświadczenia. Uwaga wyczerpuje się w tym obwodzie natychmiastowej reakcji. To, co pozostaje na zewnątrz – to, co nie jest mediowane przez to ciągłe dostosowanie – wydaje się wolniejsze, bardziej mętne, mniej intensywne. Następuje wówczas odwrócenie: zaczynamy mierzyć doświadczenie według standardu algorytmu.
Szukamy na zewnątrz tej samej intensywności, którą system wytwarza wewnątrz. Oczekujemy, że rzeczywistość będzie reagować z tą samą natychmiastowością, z tą samą zdolnością do przyciągnięcia naszej uwagi w kilka sekund, z tą samą ciągłą sukcesją odpowiednich bodźców. A kiedy tego nie robi — kiedy wymaga czasu, wysiłku, czekania — jest postrzegana jako niewystarczająca.
Ale ta intensywność nie jest neutralna. Jest zbudowana na bardzo konkretnej logice: wzmacniania tego, co już można przewidzieć w krótkim terminie. Algorytm nie poszerza naszego doświadczenia, optymalizuje je wokół naszej natychmiastowej reakcji. Zwraca nam wersję nas samych, która dobrze funkcjonuje w ramach tego systemu.
Poddanie się algorytmowi nie oznacza poddania się maszynie, która nas zna, lecz systemowi, który działa na tej części nas, która jest najłatwiej przewidywalna: to, co już reaguje, co pasuje, co może się powtarzać. W tym sensie pozostajemy uwięzieni w natychmiastowej teraźniejszości, w logice bodźca i reakcji.
Wyjście z tego nie oznacza odrzucenia systemu ani stania się całkowicie nieprzewidywalnym. Oznacza nie mylenie jego zasięgu. Oznacza nie delegowanie na niego definicji tego, co nas interesuje, czego szukamy, co chcemy robić z naszym czasem.
Ponieważ istnieją pytania, na które algorytm nie może odpowiedzieć – i które go nie interesują –: kim chcemy być, dokąd chcemy zmierzać, jaki sens nadajemy temu, co robimy, gdy nie reagujemy na bodziec.
Te pytania nie pojawiają się w kanale. Nie wynikają z wzorca. Nie można ich wywnioskować z pauzy ani kliknięcia. Wymagają innej relacji z doświadczeniem, takiej, która nie jest skompresowana w natychmiastowej teraźniejszości.
Bycie nieprzewidywalnym, w tym kontekście, nie jest abstrakcyjnym gestem. To sposób na to, by nie być całkowicie ograniczonym do tej części nas, która może być modelowana, wzmacniana i wykorzystywana. To utrzymanie otwartej możliwości odchylenia się, przerwania, poszukiwania bez gotowej odpowiedzi.
Nie dlatego, że algorytm jest niewystarczający, ale dlatego, że nie został do tego zaprojektowany.
Im bardziej precyzyjny się wydaje, tym bardziej zamyka nas w teraźniejszości. Im lepiej działa, tym węższe są ramy, w których nas rozpoznaje. Jeśli mylimy tę precyzję z wiedzą, w końcu akceptujemy, że to, co pojawia się w feedzie, definiuje to, kim jesteśmy i kim możemy być.
Ale algorytm nas nie zna. Utrzymuje nas w reagowaniu.
Nie przewiduje, kim jesteśmy; optymalizuje to, co robimy teraz.