Wiralowa liczba żyje dłużej niż sprostowanie. Problem zaczyna się wtedy, gdy taka liczba trafia ze slajdu, filmu albo raportu do uzasadnienia realnej decyzji, bo razem z nią przejmuje się jej jednostkę, zakres i status, zwykle nie wiedząc o tym. Pięć pytań poniżej rozstrzyga nie to, czy liczba jest prawdziwa, tylko co dokładnie znaczy, a to jest inne pytanie i częściej rozstrzygające.
Wnioski dla decydenta:
- Liczba prawdziwa i liczba przydatna do decyzji to nie to samo. Rozstrzyga jednostka, zakres pomiaru i status wyniku.
- Forum Ekonomiczne podaje wzrost netto o 78 mln miejsc pracy do 2030 roku (170 mln utworzonych, 92 mln zlikwidowanych), ale jest to projekcja, powstała z połączenia oczekiwań ankietowanych pracodawców z danymi Międzynarodowej Organizacji Pracy (World Economic Forum, 2025).
- Dwie liczby o zużyciu wody przez AI, 0,26 ml na prompt oraz 500 ml na około 10 do 50 zapytań, nie są ze sobą sprzeczne, bo nie są tą samą wielkością: różnią się jednostką, modelem, okresem i zakresem pomiaru.
- Pytanie o to, kto sfinansował badanie, nie zastępuje pytania o to, co badanie mierzy. To dwie osobne kontrole.
- Głębokość weryfikacji warto skalować kosztem potencjalnego błędu i trudnością odwrócenia decyzji, a nie stosować jednego poziomu kontroli do wszystkich danych.
Liczba bez definicji nie jest jeszcze informacją do decyzji
Liczba staje się informacją dopiero wtedy, gdy wiadomo, co mierzy, w jakiej jednostce, w jakim zakresie i z jakim statusem. Bez tego jest napisem, który wygląda jak dowód.
W materiale zarządczym różnica jest praktyczna. Zdanie „AI stworzy 78 mln miejsc pracy" i zdanie „Forum Ekonomiczne szacuje wzrost netto o 78 mln miejsc do 2030 roku na podstawie oczekiwań pracodawców" zawierają tę samą liczbę i prowadzą do dwóch różnych decyzji. Pierwsze przedstawia projekcję jak stwierdzony rezultat. Drugie zachowuje informację, że chodzi o scenariusz do 2030 roku.
Sprostowanie tego nie nadgania, bo liczba jest krótka, a wyjaśnienie zakresu wymaga akapitu. To jest cała mechanika obiegu i nie ma sensu poświęcać jej więcej miejsca. Rzecz w tym, co zrobić na wejściu do własnego materiału.
Pięć pytań przed użyciem cudzej liczby
Kolejność ma znaczenie, bo każde kolejne pytanie zawęża to, czego dowiedziało się poprzednie.
1. Co dokładnie zmierzono? Nie „zużycie AI", tylko zużycie wody przy obsłudze jednego zapytania tekstowego. Nie „wpływ na zatrudnienie", tylko oczekiwana liczba utworzonych i zlikwidowanych stanowisk w określonej próbie firm.
2. Jaka jest jednostka i mianownik? Prompt, zapytanie, rozmowa, użytkownik, miesiąc, zadanie. Ta sama wartość przy innym mianowniku opisuje coś innego.
3. Jakiej populacji, okresu i warunków dotyczy wynik? Jeden model czy cała flota, jedna lokalizacja czy średnia globalna, który miesiąc. Słowo „warunki" jest tu konieczne, bo w przypadku opisanym niżej sama lokalizacja ośrodka zmienia wynik ponad czterokrotnie.
4. Co pomiar obejmuje, a czego nie? Tu dopiero pojawia się granica pomiaru i lista wyłączeń. To często właśnie tutaj ujawnia się, czy dwie liczby można ze sobą porównać.
5. Jaki jest status wyniku? Pomiar, szacunek, projekcja, deklaracja respondentów czy wynik modelu. Ten sam zapis liczbowy może oznaczać każdą z tych rzeczy.
Osobno, i to jest kontrola źródła, a nie zakresu: kto przeprowadził badanie, kto je sfinansował i czy ma interes w określonej interpretacji wyniku. To pytanie bywa zadawane zamiast pięciu powyższych, choć nie odpowiada na żadne z nich.
Przypadek pierwszy: błędna liczba mimo poprawnego źródła
Raport Światowego Forum Ekonomicznego z 2025 roku podaje 170 mln stanowisk utworzonych i 92 mln zlikwidowanych do 2030 roku. Materiał, od którego zaczęła się ta analiza, podawał wzrost netto o 87 mln. Tymczasem 170 minus 92 daje 78 mln i taką właśnie liczbę Forum podaje wprost.
Nie dopowiadam, skąd wzięło się 87 mln, bo tego nie wiem. Może to pomyłka rachunkowa, może przepisanie z błędnego źródła, może pomylone wersje raportu. Rekonstruowanie mechanizmu, którego źródło nie pokazuje, jest dokładnie tym nawykiem, przeciwko któremu jest ten tekst.
Ciekawsze jest piętro drugie. Nawet poprawne 78 mln bywa używane niepoprawnie, bo nie opisuje zaobserwowanego przyrostu zatrudnienia. Forum opisuje powstanie tej liczby dosłownie: „By combining respondents’ job growth and decline expectations with hard data on global employment collected by the ILO (…) on current predictions". Metoda to więc połączenie oczekiwań ankietowanych pracodawców z danymi Międzynarodowej Organizacji Pracy o zatrudnieniu, a następnie ekstrapolacja.
To nie jest zarzut wobec raportu, który swoją metodę opisuje otwarcie. To obserwacja o tym, co znika po drodze: pierwsza kontrola wykrywa 87 zamiast 78, druga wykrywa, że nawet 78 znaczy co innego, niż się z nim robi w obiegu.
Przypadek drugi: ta sama etykieta, cztery różne definicje pomiaru
W obiegu pojawia się zestawienie „500 ml na zapytanie" z wynikiem Google wynoszącym 0,26 ml na prompt. Problem zaczyna się jeszcze przed porównaniem: pierwszej z tych jednostek praca zespołu z Riverside w ogóle nie podaje. Autorzy szacują 500 ml na około 10 do 50 zapytań średniej wielkości, zależnie od lokalizacji ośrodka. Zestawienie sugeruje więc spór o wartość tam, gdzie w rzeczywistości mamy dwie różne wielkości.
| Element | Google (2025) | Zespół z Riverside (arXiv:2304.03271) |
|---|---|---|
| Co zmierzono | medianowy prompt tekstowy w Gemini Apps | zapytanie średniej wielkości do GPT-3 |
| Jednostka | jeden prompt | zapytanie średniej wielkości: około 800 słów wejścia lub mniej oraz 150 do 300 słów wyjścia |
| Wartość | 0,26 ml wody, 0,24 Wh energii, 0,03 gCO2e | 500 ml na 10,5 do 47,2 zapytań, zależnie od lokalizacji |
| Okres i warunki | maj 2025, telemetria środowiska produkcyjnego | szacunek, wynik zależny od lokalizacji ośrodka |
| Zakres | woda zużyta bezzwrotnie w ośrodku, wskaźnik WUE w kategorii 2 według ISO | zakres 1 na miejscu oraz zakres 2 związany z wytwarzaniem energii |
| Wyłączenia | sieć, urządzenia użytkownika, trenowanie modelu | zakres 3, w tym ślad związany z produkcją infrastruktury i sprzętu, niewliczony z powodu braku publicznych danych |
| Czy da się porównać | nie bez sprowadzenia do wspólnej jednostki i wspólnego zakresu |
Warto zobaczyć, jak działa tu pytanie trzecie. Liczba zapytań przypadająca na pół litra wody wynosi 10,5 w stanie Waszyngton i 47,2 w Georgii, przy średniej amerykańskiej 29,6. To rozrzut ponadczterokrotny wynikający wyłącznie z lokalizacji ośrodka, więc każde zdanie w rodzaju „jedno zapytanie to tyle a tyle wody" bez podania miejsca jest niepełne.
Nie rozstrzygam, która granica pomiaru jest właściwsza. Dla tej analizy wystarczy fakt, że są różne: wyników policzonych w różnych granicach nie można zestawić jako dwóch odpowiedzi na to samo pytanie.
Jak przenieść liczbę do materiału zarządczego
Minimalny wpis zawiera sześć elementów: liczbę, jej znaczenie, zakres, status, źródło i ograniczenie. Poniżej ta sama informacja w wersji nadającej się do decyzji i w wersji, która trafia na slajdy.
Wersja użyteczna: Forum Ekonomiczne szacuje wzrost netto globalnego zatrudnienia o 78 mln miejsc do 2030 roku, łącząc oczekiwania ankietowanych pracodawców z danymi Międzynarodowej Organizacji Pracy. To projekcja scenariuszowa, nie wynik zaobserwowany.
Wersja, która krąży: AI stworzy 78 mln miejsc pracy.
Druga wersja jest krótsza i brzmi mocniej, ale usuwa informacje potrzebne do oceny, czy liczba rzeczywiście wspiera daną decyzję: nie wiadomo, czy opisuje przeszłość, czy scenariusz. Różnica między nimi to jedno zdanie pracy.
Ta sama dyscyplina obowiązuje przy przenoszeniu cudzych kategorii do własnych dokumentów, co opisałem osobno w tekście Rejestr ryzyk AI: czego nie przepiszesz z eksperckiego rankingu. Warstwę weryfikacji odpowiedzi samego modelu, a nie cudzych raportów, rozłożyłem w tekście Halucynacje ChatGPT.
Kiedy weryfikacja kosztuje więcej niż potencjalny błąd
Nie każda liczba wymaga takiego przejścia. Zasada porządkująca brzmi: głębokość weryfikacji rośnie wraz z kosztem błędu i trudnością odwrócenia decyzji.
Przy wpisie wewnętrznym albo materiale poglądowym próg jest niski i wystarczy podać źródło z datą. Przy prezentacji dla klienta albo dla zarządu warto dodać status liczby i jej zakres, bo to tam liczba zaczyna żyć własnym życiem. Przy decyzji budżetowej, inwestycyjnej albo kadrowej próg jest wysoki i wtedy pięć pytań wykonuje się w całości, łącznie z sięgnięciem do dokumentu źródłowego.
Ten podział ma też uzasadnienie praktyczne. Procedura wymagająca takiej samej głębokości kontroli dla każdej liczby będzie zbyt kosztowna operacyjnie, żeby stosować ją konsekwentnie.
Trzy branże, trzy różne progi
Próg weryfikacji zależy bardziej od sposobu użycia liczby niż od branży. W finansach ryzyko wynika z wpływu danych na decyzję i na komunikację z klientem, w przemyśle z warunków pomiaru, a w usługach profesjonalnych z przeniesienia projekcji do oferty jako wyniku pozornie pewnego.
Usługi finansowe. Koszt błędnej interpretacji liczby może być tu wysoki, gdy trafia ona do materiału dla klienta albo do uzasadnienia decyzji. W takim zastosowaniu pięć pytań warto wykonać w całości.
Przemysł. Dane o wydajności, zużyciu i awaryjności mogą być nieporównywalne z powodu różnic w jednostce i warunkach pomiaru, czyli na pytaniach drugim i trzecim. Zapisanie warunków bywa wtedy ważniejsze niż sama wartość.
Usługi profesjonalne. Liczba w ofercie może zostać odczytana jako obietnica wyniku, szczególnie gdy status projekcji albo wartości porównawczej znika z prezentacji.
Kiedy ta analiza się nie sprawdzi
Metoda nie rozwiązuje problemu w trzech sytuacjach: gdy brakuje metodologii źródłowej, gdy liczba nie ma realnego wpływu na decyzję oraz gdy porównywane wyniki od początku opisują różne wielkości.
Gdy źródło nie podaje metody. Pięć pytań zakłada, że jest gdzie zajrzeć. Przy liczbie bez opublikowanej metodologii jedyną uczciwą odpowiedzią jest odnotowanie, że statusu ustalić się nie da, i nieużywanie jej jako argumentu.
Gdy decyzja i tak zapadnie z innych powodów. Weryfikacja liczby, która pełni funkcję ozdobną w gotowym uzasadnieniu, nie zmieni niczego poza samopoczuciem sprawdzającego.
Gdy rozbieżność jest pozorna. Dwie liczby o tej samej etykiecie bywają po prostu dwoma różnymi pomiarami, jak w przypadku wodnym. Ogłoszenie sprzeczności tam, gdzie jej nie ma, jest osobnym błędem.
Podsumowanie
Weryfikacja cudzej liczby nie musi kończyć się odkryciem błędu ani fałszerstwa. Często ważniejsze jest ustalenie, co liczba właściwie mierzy, bo bywa poprawna i jednocześnie węższa, niż sugerował nagłówek. Tak było w obu opisanych przypadkach: Forum Ekonomiczne rzetelnie opisuje metodę, a rozbieżność między obiema liczbami o wodzie bierze się z jednostki i zakresu, nie z czyjejś nieuczciwości.
Praktyczna zmiana jest jedna i tania. Zanim cudza liczba trafi do materiału, na podstawie którego ktoś podejmie decyzję, warto zadać jej pięć pytań: co zmierzono, w jakiej jednostce, w jakich warunkach, co pomiar wyłącza i jaki ma status. Pytanie o to, kto zamawiał badanie, jest szóste i osobne, bo dotyczy źródła, nie liczby.
Źródło określa sposób, w jaki liczba została wytworzona. Autor materiału musi ocenić, czy ta liczba nadaje się do decyzji, której ma służyć. Cytowanie źródła nie usuwa ryzyka błędnej interpretacji.
O autorze
Remigiusz Pruszczak: ekspert GenAI i trener AI, makler papierów wartościowych z uprawnieniami do wykonywania czynności doradztwa inwestycyjnego (licencja nr 2343). Ponad 30 lat w finansach. Od 17 lat prowadzi szkolenia, a od 2025 roku również z generatywnej AI, między innymi dla banków, instytucji finansowych, kancelarii oraz firm z sektorów regulowanych i produkcji. Szkolenia realizuje we współpracy z EY Academy of Business Polska, Warszawskim Instytutem Bankowości, Bankowym Ośrodkiem Doradztwa i Edukacji oraz CFA Society Poland. Więcej na stronie „O mnie".
Źródła
- World Economic Forum, The Future of Jobs Report 2025, rozdział „Jobs outlook", styczeń 2025: https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/2-jobs-outlook/
- Google, Measuring the environmental impact of delivering AI at Google Scale, sierpień 2025: https://services.google.com/fh/files/misc/measuring_the_environmental_impact_of_delivering_ai_at_google_scale.pdf
- Pengfei Li, Jianyi Yang, Mohammad A. Islam, Shaolei Ren, Making AI Less "Thirsty", arXiv:2304.03271: https://arxiv.org/abs/2304.03271
