Sztuka po AI Sztuka, technologia, przemoc. Rozprawa o etyce twórczości w czasach sztucznej inteligencji Oskar Chmioła Rozprawa autorska Autor niezależny Wersja: Sztuka po AI-2.0 Licencja: CC BY-NC-SA 4.0 Data wersji: 13.06.2026. Stan faktograficzny rozprawy zamknięto na dzień: 13.06.2026. Udostępniam otwarcie na jasnych warunkach Autor: Oskar Chmioła. Wersja: Sztuka po AI-2.0. Data wersji: 13.06.2026. Tytuł: Sztuka po AI. Sztuka, technologia, przemoc. Rozprawa o etyce twórczości w czasach sztucznej inteligencji. Tę rozprawę udostępniam na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Na tych samych warunkach 4.0 Międzynarodowa (CC BY-NC-SA 4.0). Oznacza to, że wolno ją kopiować i rozpowszechniać oraz tworzyć opracowania, w tym tłumaczenia, pod warunkiem wskazania autora i źródła, braku użycia komercyjnego oraz udostępnienia opracowań na tej samej licencji. Nie udzielam żadnych praw do używania nazwy „Sztuka po AI” jako oznaczenia usług, programów szkoleniowych lub działalności komercyjnej bez odrębnej, pisemnej zgody. Abstract This book proposes Sztuka po AI / Art after AI as a critical framework for artistic practice, authorship and cultural responsibility in the age of artificial intelligence. Its central thesis is that all art now operates as art with AI: not because every artist uses generative tools, but because contemporary art is increasingly embedded in predictive systems, data infrastructures, recommendation mechanisms, automated visibility, ranking, metadata, archives and platform-based circulation. Art after AI is therefore understood not as art made after the disappearance of AI, nor as a simple refusal of technology, but as a situated strategy for acting responsibly within a field already shaped by prediction. This use of Art after AI enters into dialogue with existing debates around Art after AI, After AI Art and post-AI art, while retaining a specifically operational meaning: a framework for decisions, limits, protocols and responsibility in a predictive cultural field. The book develops definitions of art with AI and Art after AI, reconstructs the genealogy of the crisis of creativity, and analyzes AI as an infrastructure of extraction, labour, energy, water, data, law, language and geopolitical asymmetry. It then proposes practical strategies: post-generativity, anti-generativity, post-agency, anti-agency and Art after AI as a strategy of balance. These concepts are tested through manifestos, prototypes, performance, publicness, documentation, institutional practice, education and protocols of use. A central concern is the ethics of creation: the limits of delegation, the right to non-image, the right to an incomplete profile, responsible opacity, environmental accountability and the protection of relations that cannot be fully indexed, summarized or automated. The book combines theory, essay, manifesto, report and practical annexes in order to propose a vocabulary and a set of tools for artists, educators, curators and cultural institutions working after AI. Keywords artificial intelligence; contemporary art; predictive systems; generative AI; data infrastructures; authorship; ethics of creation; post-generative art; cultural institutions; art after AI; post-AI art Oskar Chmioła © Sztuka po AI-2.0, 2026 4 Spis treści I. Sztuka z AI i sztuka po AI – wprowadzenie.............................................................................8 1.1. Sztuka z AI i sztuka po AI – rozróżnienie podstawowe.................................................8 1.2. Predykcyjność, generatywność i warunki pola sztuki...................................................10 1.3. Cele rozprawy i pytania badawcze................................................................................13 1.4. Metodologia, pozycja autora i nota o powstaniu rozprawy..........................................15 1.5. Architektura rozprawy...................................................................................................18 II. Genealogia kryzysu twórczości............................................................................................. 21 2.1. Od automatyzmu estetycznego do automatyzacji decyzji.............................................21 2.2. Neoliberalna skalowalność i przygotowanie pola predykcji.........................................24 2.3. Model danych jako model świata..................................................................................27 2.4. Autorstwo, relacja i ciało w kryzysie predykcyjnym....................................................30 2.5. Od genealogii kryzysu do infrastruktury władzy..........................................................32 III. Infrastruktura przemocy – AI jako aparat władzy................................................................34 3.1. Ekstraktywizm poznawczy: kultura jako zasób danych................................................34 3.2. Materialność AI: energia, woda, centra danych, sprzęt, praca......................................37 3.3. Geopolityka wiedzy: języki, archiwa i cyfrowy kolonializm........................................40 3.4. Automatyzacja decyzji kulturowych............................................................................. 42 3.5. Od infrastruktury przemocy do alternatywnych modeli działania................................46 IV. Twórczość jako relacja – alternatywne modele działania....................................................48 4.1. Relacja i ograniczenie jako odpowiedź na predykcyjność............................................48 4.2. Współobecność, lokalność, nieprzekładalność.............................................................50 4.3. Ograniczenie, low-tech i nieoptymalność..................................................................... 53 4.4. Przeciw estetyce powierzchni: halucynacje, skórki, przezroczystość...........................55 4.5. Dzieło po AI: od wyniku do sytuacji............................................................................ 57 4.6. Tworzenie pomimo: przejście do strategii oporu..........................................................60 V. Strategie oporu – postgeneratywność, antygeneratywność, postagentowość, antyagentowość i Sztuka po AI...............................................................................................................................62 5.0. Macierz strategii: generatywność / agentowość, przechwycenie / odmowa.................62 5.1. Postgeneratywność – przechwycenie generatywności..................................................64 5.2. Antygeneratywność – odmowa generowania i indeksacji............................................66 5.3. Postagentowość – asymetryczna relacja z agentem......................................................69 5.4. Antyagentowość – odmowa relacji symulowanej.........................................................71 5.5. Sztuka po AI jako piąta strategia balansu.....................................................................73 5.6. Manifest Sztuki po AI...................................................................................................75 5.7. Od manifestu do prototypu, gestu i sytuacji..................................................................77 VI. Manifesty, prototypy i gesty................................................................................................ 79 6.1. Manifest jako forma epistemiczna................................................................................79 6.2. Ograniczenie jako procedura postgeneratywna.............................................................80 6.3. Prototyp epistemiczny i performans jako poznanie......................................................82 6.4. Publiczność, niepewność i odpowiedzialna rama.........................................................84 6.5. Mapa praktyk: przykłady artystów, dzieł i strategii......................................................85 6.6. Od praktyki do etyki......................................................................................................87 VII. Etyka twórczości w dobie ekokruchości.............................................................................87 7.1. Od infrastruktury przemocy do odpowiedzialności twórczej........................................88 7.2. Wiedza sytuowana przeciw uśrednieniu modelu..........................................................89 7.3. Twórczość poza produktem..........................................................................................90 7.4. Kultura troski i ekonomia czasu....................................................................................91 7.5. Raport środowiskowy rozprawy – zakres, metoda, ograniczenia.................................92 Oskar Chmioła © Sztuka po AI-2.0, 2026 5 7.6. Raport etyczny procesu twórczego...............................................................................92 VIII. Instytucje, edukacja i automatyzacja świadomości...........................................................93 8.1. Edukacja artystyczna wobec AI: gest, proces, odpowiedzialność................................94 8.2. Estetyka bez autora i pedagogika wycofana..................................................................94 8.3. Automatyzacja krytyki i wiedzy...................................................................................95 8.4. Instytucje kultury wobec AI: polityki, archiwa, kuratorstwo, dostępność....................96 8.5. Emancypacyjne strategie edukacyjne............................................................................97 8.6. Kulturowa suwerenność i przejście do przyszłości.......................................................97 IX. Twórczość przyszłościowa – zakończenie otwarte..............................................................98 9.1. Twórczość jako zdarzenie etyczne................................................................................ 98 9.2. Regeneracja relacji........................................................................................................99 9.3. Przyszłość jako zadanie.................................................................................................99 9.4. Zaproszenie do odpowiedzialnego współtworzenia....................................................100 9.5. Kierunki dalszych rozwinięć....................................................................................... 100 9.6. Sztuka po AI jako sytuacja, nie model........................................................................ 101 Aneks 1. Mapa praktyk............................................................................................................ 103 1. Funkcja mapy praktyk.................................................................................................... 103 2. Typy przykładów używane w mapie..............................................................................104 3. Tabela Mapy praktyk..................................................................................................... 104 4. Zasada czytania tabeli.................................................................................................... 108 Aneks 2. Macierz strategii i manifesty strategii składowych...................................................110 1. Funkcja macierzy........................................................................................................... 110 2. Osie macierzy................................................................................................................. 110 3. Tabela główna strategii i wariantów kontrastowych......................................................111 4. Komentarz do strategii...................................................................................................111 5. Ryzyka strategii i wariantów..........................................................................................112 6. Pytania diagnostyczne.................................................................................................... 112 7. Najczęstsze błędy użycia macierzy................................................................................112 8. Relacja macierzy do rozdziałów książki........................................................................ 113 9. Minimalna karta diagnostyczna.....................................................................................113 10. Manifesty strategii składowych....................................................................................113 Aneks 3. Raport środowiskowy...............................................................................................115 1. Zakres raportu................................................................................................................ 115 2. Trening, inferencja i skala użycia..................................................................................115 3. Dane liczbowe i granice odpowiedzialnego raportowania.............................................116 4. Raport środowiskowy procesu rozprawy....................................................................... 116 5. Zasady ograniczania śladu w praktykach po AI.............................................................117 6. Konkluzja raportu środowiskowego...............................................................................117 Aneks 4. Raport etyczny procesu twórczego...........................................................................118 1. Status AI w procesie.......................................................................................................118 2. Obszary użycia i granice delegowania...........................................................................118 3. Ryzyka związane z użyciem AI..................................................................................... 119 4. Sposoby ograniczania ryzyk...........................................................................................119 5. Konsultacje, otwartość i kontrola autorska....................................................................119 6. Zobowiązanie wobec czytelnika....................................................................................120 Aneks 5. Protokoły użycia AI..................................................................................................121 Protokół zerowy: czy w ogóle użyć AI?............................................................................121 1. Protokół użycia AI przez artystę....................................................................................121 2. Protokół użycia AI przez kuratora.................................................................................121 Oskar Chmioła © Sztuka po AI-2.0, 2026 6 3. Protokół użycia AI przez instytucję kultury...................................................................122 4. Protokół użycia AI w edukacji artystycznej...................................................................122 5. Protokół użycia AI przy pisaniu tekstu o sztuce............................................................122 6. Protokół użycia AI przy dokumentacji i archiwizacji....................................................122 7. Protokół prawa do nieobrazu i niedokumentowania......................................................122 8. Protokół ograniczania skali generowania.......................................................................123 9. Protokół pracy z danymi i zgodą....................................................................................123 10. Protokół odmowy użycia AI........................................................................................123 11. Protokół raportowania procesu.....................................................................................123 12. Protokół końcowy: decyzja po.....................................................................................124 Aneks 6. Kierunki dalszych badań i praktyk............................................................................125 1. Funkcja aneksu............................................................................................................... 125 2. Estetyka postsyntetyczna................................................................................................125 3. Dokument odporny na streszczenie................................................................................125 4. Infrastruktura opóźnienia............................................................................................... 126 5. Platforma współodpowiedzialności................................................................................126 6. Praktyki kuratorskie po AI.............................................................................................126 7. Algorytmizacja dokumentów pamięci........................................................................... 127 8. Protokoły edukacyjne..................................................................................................... 127 9. Raporty procesu..............................................................................................................127 10. Prawo do nieobrazu i niedokumentowania..................................................................127 11. Modele świata i sztuka symulacyjna............................................................................ 128 12. AI-native art................................................................................................................. 128 13. Społeczności agentowe................................................................................................128 14. Sztuka przestrzeni latentnej..........................................................................................128 15. Tokeny, wzorce uwagi i prompt jako forma................................................................128 16. Interfejsy mózg–komputer, neurodane i neuroprywatność..........................................129 17. Emerging issues jako obszary obserwacji....................................................................129 18. Ogród czasu sztuki i rynek czasu sztuki.......................................................................129 19. Zasada końcowa aneksu............................................................................................... 130 Bibliografia...............................................................................................................................131 I. Teoria sztuki, estetyka, performans, konceptualizm i instytucje..........................................131 II. Posthumanizm, performatywność, media cyfrowe i krytyka technologii...........................131 III. AI, dane, infrastruktura, modele i agentowość...................................................................133 IV. Ekologia, energia, centra danych, praca i materialność AI................................................134 V. Prawo autorskie, sprawy sądowe i regulacje dotyczące AI.................................................135 VI. Edukacja, pedagogika krytyczna, instytucje wiedzy i dostępność.....................................136 VII. Artyści, dzieła, projekty, wystawy i praktyki artystyczne................................................136 VIII. Narzędzia, inicjatywy, dokumentacje techniczne i źródła internetowe..........................140 Nota o korzystaniu ze źródeł.................................................................................................... 140 Oskar Chmioła © Sztuka po AI-2.0, 2026 7 I. Sztuka z AI i sztuka po AI – wprowadzenie 1.1. Sztuka z AI i sztuka po AI – rozróżnienie podstawowe Cała sztuka funkcjonuje dziś jako sztuka z AI, a Sztuka po AI jest strategią twórczą wobec tego stanu rzeczy. To pierwsze zdanie wymaga od razu doprecyzowania, ponieważ jego sens nie polega na statystycznym twierdzeniu, że każdy artysta używa generatora, modelu językowego albo systemu automatycznego montażu. Teza dotyczy czegoś głębszego: pola, w którym dzieło powstaje, zostaje nazwane, opisane, wyszukane, sfinansowane, udokumentowane, udostępnione, ocenione i zapamiętane. W tym polu AI nie działa wyłącznie jako narzędzie w ręku twórcy. Działa także jako infrastruktura predykcyjna, która współorganizuje warunki widzialności, selekcji i wartościowania. Z tego powodu rozróżnienie między sztuką z AI a Sztuką po AI nie oddziela artystów używających technologii od tych, którzy deklarują pracę poza nią. Taki podział byłby zbyt prosty wobec skali przemiany. „Sztuka z AI” oznacza w tej rozprawie stan pola kultury, w którym twórczość funkcjonuje w środowisku przesiąkniętym predykcją, automatyzacją wartościowania, indeksacją, rankingowaniem, rekomendacjami, systemami wyszukiwania, platformową widzialnością, SEO, formularzami, archiwami cyfrowymi, modelami danych i myśleniem modelowym. „Sztuka po AI” oznacza natomiast strategię świadomego działania wobec tego stanu: sposób podejmowania decyzji twórczych, instytucjonalnych, edukacyjnych i etycznych w świecie, w którym predykcyjność stała się jednym z warunków kultury. Tak rozumiana sztuka może funkcjonować jako sztuka z AI nawet wtedy, gdy jej autor nigdy nie otworzył generatora obrazów, nie użył modelu językowego, nie skorzystał z syntetycznego głosu i nie zaprojektował dzieła przy pomocy algorytmu. Wystarczy, że praca wchodzi w obieg, który wymaga opisu, katalogowania, portfolio, dokumentacji, widzialności platformowej, formularza grantowego, systemu rekomendacji, automatycznego tłumaczenia, streszczenia, metadanych albo wyszukiwalności. AI i logika predykcyjna nie są wtedy dodatkiem zewnętrznym. Stają się częścią warunków, w których dzieło może zostać rozpoznane jako dzieło, projekt, praktyka, wydarzenie, zasób, przykład, profil albo wynik. Ta teza nie unieważnia wyjątków i stopni natężenia. Nie każde dzieło jest bezpośrednio przetwarzane przez AI. Nie każdy artysta używa modeli. Nie każda cyfrowa procedura jest sztuczną inteligencją. Istnieją praktyki lokalne, efemeryczne, prywatne, ustne, analogowe albo wspólnotowe, których relacja z systemami predykcyjnymi jest słaba, pośrednia albo opóźniona. Nie obalają one jednak głównej diagnozy. Pokazują raczej, że relacja sztuki z AI nie jest jednowymiarowa. Może być bezpośrednia lub strukturalna, narzędziowa lub instytucjonalna, intensywna lub słaba, jawna lub ukryta. Z tego powodu potrzebne jest pojęcie pola, bliskie myśleniu Pierre’a Bourdieu 1: sztuka istnieje nie tylko jako suma dzieł, lecz jako układ instytucji, reguł, kapitału symbolicznego, języków opisu, pozycji, sporów i procedur uznania. Pojęcie Sztuki po AI używane w tej książce wchodzi w dialog z anglojęzycznymi debatami wokół Art after AI, After AI Art i post-AI art, ale nie jest ich prostym tłumaczeniem ani próbą zawłaszczenia jednego istniejącego nurtu. U Joanny Zylinskiej „After AI Art” prowadzi przede wszystkim do refleksji nad pętlą AI, czyli splątaniem ludzi, dyskursów, praktyk i technologii AI/ML. U Ståle’a Stensliego i Zane Cerpiny „Art After AI” oznacza eksperymentalno-kuratorski oraz wydawniczy projekt pracy z AI w sztuce elektronicznej i eksperymentalnej. W rozmowie ArtReview „post-AI art” pojawia się natomiast jako żywy, środowiskowy język artystów, którzy próbują nazwać praktykę po upowszechnieniu generatywnych narzędzi, protokołów i kontekstów. W tej rozprawie Sztuka po AI 1 Pierre Bourdieu – socjolog pola kultury i autor teorii kapitału symbolicznego; zob. Pierre Bourdieu, Reguły sztuki. Geneza i struktura pola literackiego, Universitas, Kraków 2001 oraz The Field of Cultural Production, Columbia University Press, New York 1993. Oskar Chmioła © Sztuka po AI-2.0, 2026 8 ma sens bardziej operacyjny: oznacza strategię odpowiedzialnej decyzji wobec pola predykcyjnego, a nie po prostu sztukę tworzoną po pojawieniu się nowych narzędzi.2 Można to sprawdzić na przypadku granicznym. Artystka może wykonać analogowy performans bez generatora, bez cyfrowej dokumentacji i bez publikacji online. Taka praca nie jest wytworem AI i nie sposób udawać, że jest. Jeżeli jednak wchodzi do programu instytucji, historii wystaw, budżetu, edukacji, krytyki, archiwum albo komunikacji, spotyka pole, którego języki opisu i oczekiwania widzialności są już częściowo ukształtowane przez automatyzację. Jeżeli pozostaje całkowicie poza obiegiem publicznym, staje się przypadkiem słabej relacji z AI, ważnym jako kontrprzykład graniczny, ale niewystarczającym do unieważnienia diagnozy o strukturze pola. W takim ujęciu pierwsza teza nie mówi, że każdy twórca używa narzędzi AI. Mówi, że twórczość powstaje i krąży w środowisku, które coraz głębiej organizują systemy predykcyjne, rekomendacyjne, rankingujące, indeksujące i generatywne. Chodzi nie o liczbę użytkowników danego programu, lecz o ontologię pola sztuki – o warunki istnienia, widzialności i wartościowania twórczości w epoce modeli. Dla porządku trzeba więc przyjąć trójstopniowe rozumienie sprawy. Na poziomie narzędziowym pytamy, czy w procesie faktycznie użyto modelu, generatora, klasyfikatora, systemu rekomendacyjnego albo agenta. Na poziomie infrastrukturalnym pytamy, z jakich danych, platform, regulaminów, zasobów obliczeniowych, języków i archiwów korzysta obieg dzieła. Na poziomie strukturalnym pytamy natomiast, czy pole sztuki wymusza takie formy opisu, widzialności, dokumentacji i oceny, które działają według logiki predykcyjnej. Dopiero suma tych trzech poziomów pozwala uniknąć dwóch błędów: zbyt wąskiego utożsamienia AI z generatorem oraz zbyt szerokiego rozpuszczenia AI w każdej technologii cyfrowej. W takim ujęciu każdy artysta, kurator, krytyk, pedagog i instytucja powinien dziś zadać sobie pytanie o własną strategię twórczą po AI. Nie z tego powodu, że każdy ma obowiązek pracować z modelem. Przeciwnie: czasem strategią będzie odmowa, ograniczenie, opóźnienie, nieindeksowalność, low-tech, praca lokalna albo obrona relacji przed automatyzacją. Pytanie jest jednak konieczne, ponieważ także nieużywanie AI odbywa się w świecie, który AI współkształtuje. W tej sytuacji brak decyzji także jest decyzją – często decyzją o pozostaniu w domyślnych warunkach sztuki z AI. Do tego rozróżnienia dochodzi jeszcze jedna warstwa: Sztuka po AI może być sztuką niepełnej kompatybilności. Nie chodzi w niej o romantyczne ukrywanie się przed technologią ani o iluzję całkowitej ucieczki z obiegu danych. Chodzi raczej o projektowanie takich form obecności, których sens nie zostaje w całości oddany automatycznej klasyfikacji, streszczeniu, profilowaniu albo rekomendacji. Dzieło może mieć powierzchnię czytelną dla systemu – tytuł, opis, dokumentację, metadane – a równocześnie utrzymywać warstwę zależną od relacji, czasu, lokalnego kontekstu, pamięci uczestników, ciała, milczenia albo świadomego niedopowiedzenia. Ta niepełna kompatybilność nie jest błędem komunikacji ani techniczną niewydolnością dzieła. Może być sposobem ochrony znaczenia przed redukcją do profilu, streszczenia i przewidywalnej reakcji. W tym sensie Sztuka po AI nie pyta wyłącznie o to, czy użyć modelu, lecz także o to, jak nie stać się w pełni modelem dla systemu: jak pozostawić w pracy miejsce na sens wymagający obecności, czasu, odpowiedzialności i interpretacji, a nie tylko sprawnego przetworzenia. Sztuka po AI nie jest więc epoką po zakończeniu sztucznej inteligencji. Nie jest sztuką „bez AI” i nie jest prostym antytechnologicznym gestem. Zaczyna się tam, gdzie twórca rozpoznaje warunki sztuki z AI i próbuje wobec nich działać świadomie. Czasem oznacza to przechwycenie generatora, 2 Por. Joanna Zylinska, „After AI Art”, „Widok. Theories and Practices of Visual Culture” 38, 2024, DOI: 10.36854/widok/2024.38.2870; Ståle Stenslie, Zane Cerpina, „ART AFTER AI: Utilizing Artificial Intelligence in Art Creation”, ISEA 2024; „EE #4: Art After AI”, red. Stahl Stenslie i Zane Cerpina, TEKS.press, 2023; ArtReview, „What Is Post-AI Art?”, rozmowa z Avery Singer, Simonem Dennym, Holly Herndon, Matem Dryhurstem i Jonem Rafmanem, 2025; Jelena Novaković, Jelena Guga, „Art after AI: The Impact of Generative AI on the Artworld”, w: „Navigating the Digital Age”, 2024. Przywołane źródła mają różny status i nie tworzą jednego nurtu; pełne zapisy bibliograficzne oraz daty dostępu znajdują się w bibliografii. Oskar Chmioła © Sztuka po AI-2.0, 2026 9 czasem odmowę generowania, czasem pracę z agentem jako figurą proceduralną, a czasem obronę sytuacji, w której relacji nie sposób delegować systemowi. Stawką nie jest czystość technologiczna, lecz odpowiedzialna decyzja: jakie narzędzia nas kształtują, jakie dane wchodzą do procesu, kto odpowiada za wynik, co staje się widzialne, co znika, co wolno wygenerować, a gdzie automatyzacja zostaje zatrzymana. W tym kontekście pojawia się także figura artysty jako wytwórcy-agenta. Nie jest to oskarżenie personalne ani etykieta moralna. To opis ryzyka strukturalnego. Artysta staje się wytwórcą-agentem wtedy, gdy zamiast krytycznie rozpoznawać warunki pola, zaczyna wykonywać jego predykcyjne interesy: produkuje kompatybilne wyniki, optymalizuje widzialność, formatuje siebie pod portfolio, język grantowy, trend, feed, metrykę, ranking albo oczekiwaną reakcję publiczności. Nie musi wtedy używać generatora. Może działać agentowo wobec systemu już przez sposób myślenia, wartościowania, opisywania i projektowania twórczości. To programowanie sztuki zaczyna się często dużo wcześniej niż w chwili uruchomienia konkretnego narzędzia AI. Może zaczynać się przy wyborze tematu, wyobrażeniu odbiorcy, planowaniu komunikacji, doborze słów kluczowych, formatowaniu biogramu, projektowaniu dokumentacji, przewidywaniu reakcji mediów, pisaniu formularza, komponowaniu portfolio albo dostosowywaniu dzieła do przyszłej wyszukiwalności. Predykcyjność nie tylko ocenia gotową pracę. Może współorganizować warunki jej narodzin. Stąd sztuka po AI nie jest ucieczką z epoki AI. Jest praktyką rozpoznawania własnego uwikłania i odzyskiwania decyzji tam, gdzie systemy predykcyjne próbują decyzję rozproszyć, wygładzić albo przejąć. Nie obiecuje niewinności, ale może odzyskiwać sprawczość. Nie znosi infrastruktury, ale może ją ujawniać, ograniczać, zakłócać albo odmawiać udziału w jej najbardziej przemocowych formach. Nie odrzuca technologii jako takiej, ale pyta o jej skalę, koszt, warunki użycia, konsekwencje i granice. Po tej części wiadomo więc, że sztuka z AI i Sztuka po AI nie tworzą prostego podziału na używających i nieużywających technologii. Pierwsze pojęcie opisuje warunek pola, drugie – strategię odpowiedzialnego działania wobec tego warunku. Spór o AI w sztuce musi zostać przesunięty z samego wyniku na warunki widzialności, selekcji, delegowania decyzji i programowania twórczości jeszcze przed jej materialnym wykonaniem. 1.2. Predykcyjność, generatywność i warunki pola sztuki Bez trzech pojęć dalsza argumentacja łatwo osunęłaby się w spór o same aplikacje: predykcyjność wyznacza logikę przewidywania i selekcji, generatywność produkuje warianty, a agentowość organizuje delegowanie procedur działania. Dopiero razem tworzą warunki, w których sztuka negocjuje własną widzialność. W praktyce te trzy pojęcia można traktować jak narzędzia rozpoznawania decyzji. Predykcyjność pyta: co system uznaje za prawdopodobne, podobne, trafne albo warte pokazania? Generatywność pyta: jakie warianty, obrazy, teksty, profile, streszczenia i oczekiwania zostają wytworzone? Agentowość pyta: komu lub czemu powierzono wykonanie procedury, podtrzymanie relacji, organizację kolejnego kroku albo symulację sprawczości? Dzięki temu analiza nie zatrzymuje się na estetyce wyniku, lecz przechodzi do warunków, w których wynik staje się możliwy, widzialny i uznany. Najbardziej widoczną postacią AI w sztuce są dziś systemy generatywne: modele wytwarzające teksty, obrazy, dźwięki, filmy, animacje, projekty, style, warianty i odpowiedzi. To one najczęściej uruchamiają publiczne spory o autorstwo, oryginalność, plagiat, styl, pracę artysty, prawa do danych treningowych, przyszłość zawodu i zalew obrazów syntetycznych. Generatywność jest spektakularna, ponieważ daje wynik. Można go zobaczyć, przeczytać, wysłać, opublikować, sprzedać, ocenić albo odrzucić. Stąd generatywna AI tak łatwo staje się symbolem całej Oskar Chmioła © Sztuka po AI-2.0, 2026 10 epoki. Ale generatywność nie jest początkiem problemu. Jest jego najbardziej widoczną powierzchnią. Predykcyjność jest szersza: oznacza logikę przewidywania, klasyfikowania, rankingowania, rekomendowania i automatycznego dopasowywania, która wpływa na to, co staje się widzialne, co zostaje uznane za podobne, co pojawia się wyżej, co otrzymuje większy zasięg, co zostaje oznaczone jako trafne, profesjonalne, interesujące, ryzykowne, nieistotne albo warte dalszego obiegu. Predykcyjność nie musi niczego generować w sensie obrazu lub tekstu, aby działać. Wystarczy, że porządkuje warunki widzenia. W polu sztuki predykcyjność działa w feedach mediów społecznościowych, systemach rekomendacyjnych, automatycznym tagowaniu, wyszukiwarkach, SEO, cyfrowych archiwach, formularzach grantowych, portfolio, profilowaniu publiczności i narzędziach ewaluacji. Działa także w instytucjonalnym oczekiwaniu, że przyszłe dzieło da się wcześniej opisać, uzasadnić, zmierzyć i rozliczyć. W ten sposób nie tylko porządkuje gotowe prace, lecz także wpływa na to, jak artyści wyobrażają sobie temat, skalę, język, odbiorcę i sukces projektu. Generatywność daje wynik, ale predykcyjność ustawia warunki, w których wynik w ogóle zostaje rozpoznany, opisany, porównany i puszczony w obieg. Jedna produkuje tekst, obraz, dźwięk albo wariant; druga decyduje, które warianty wydają się prawdopodobne, wartościowe, klikalne, podobne do tego, co już znane, albo zgodne z profilem odbiorcy. Generatywność bywa narzędziem w ręku artysty. Predykcyjność częściej działa jak klimat pola: formatuje decyzje, zanim artysta zauważy, że zostały częściowo ustawione. Istotne jest także rozszerzenie samego pojęcia generatywności. Systemy predykcyjne generują nie tylko treści, lecz także zachowania, oczekiwania, formaty komunikacji, rankingi, profile, streszczenia, podobieństwa, trasy widzialności, języki profesjonalności i wyobrażenia odbiorcy. Jeśli generatywność zostanie ograniczona do obrazu wygenerowanego przez model, umknie głębszy proces: pole kultury samo staje się generatywne, ponieważ wytwarza warunki, w których pewne formy działania wydają się naturalne, a inne stają się kosztowne, nieczytelne albo niewidzialne. W części debat międzynarodowych punkt ciężkości pada na generatywną AI jako nowe medium, narzędzie transformacji artworldu albo przestrzeń współpracy człowieka z modelem. Ta książka nie odrzuca takiego ujęcia, ale przesuwa akcent: pyta nie tylko o to, co modele generują, lecz także o to, jak predykcja organizuje pole, zanim powstanie pojedynczy wynik.3 Dlatego w tej rozprawie AI nie jest analizowana wyłącznie jako technologia produkcji. Jest analizowana jako logika pola. Pole sztuki oznacza tutaj układ relacji między artystami, instytucjami, publicznością, krytyką, edukacją, rynkiem, mediami, archiwami, grantami, platformami i narzędziami opisu. To pole nigdy nie było neutralne. Bourdieu pokazał, że sztuka funkcjonuje w układach kapitału symbolicznego, uznania, pozycji i reguł gry. AI nie tworzy więc nierówności pola od zera. Wchodzi w istniejące hierarchie i może je automatyzować, wzmacniać, ukrywać albo przekształcać. Predykcyjność zmienia także sam język sztuki. Artysta, kurator albo instytucja zaczynają pisać nie tylko do człowieka, lecz także do systemu wyszukiwania, formularza, algorytmu, platformy, bazy danych albo automatycznego translatora. Tekst o sztuce jest tu zrozumiały, ale także indeksowalny. Ma zachować sens, ale też dobrze działać jako opis. Ma otwierać doświadczenie, ale też spełniać wymagania widzialności. W efekcie język sztuki coraz częściej staje się językiem podwójnego adresowania: do odbiorcy i do infrastruktury. Konkretne narzędzia generatywne4 – Midjourney, Stable Diffusion, DALL·E, Runway, Sora 5, GPT, Claude czy Gemini – nie są w tej perspektywie tylko listą aplikacji. Każde z nich materializuje 3 Por. Jelena Novaković, Jelena Guga, „Art after AI: The Impact of Generative AI on the Artworld”, w: „Navigating the Digital Age”, 2024, s. 584–604; Ziv Epstein i in., „Art and the Science of Generative AI”, „Science” 380(6650), 2023, DOI: 10.1126/science.adh4451; Ziv Epstein i in., „Art and the Science of Generative AI: A Deeper Dive”, arXiv:2306.04141, 2023. 4 Wymienione narzędzia mają różny status – modele, produkty, API i platformy. Zob. oficjalne dokumentacje OpenAI, Anthropic, Google AI for Developers, Midjourney, Runway, Stability AI oraz powiązane karty systemowe i dokumentacje wskazane w bibliografii; opisy producentów należy traktować jako źródła statusu i parametrów, nie jako niezależną ocenę skutków społecznych lub środowiskowych. Oskar Chmioła © Sztuka po AI-2.0, 2026 11 inny fragment pola: obraz, tekst, wideo, rozmowę, montaż, opis, prototyp albo automatyczną pomoc. Ich znaczenie dla sztuki nie polega wyłącznie na tym, że pozwalają coś wytworzyć, ale na tym, że zmieniają oczekiwanie wobec tempa, wariantowości, łatwości produkcji i pozornej oczywistości odpowiedzi. Sora i podobne systemy tekst-wideo są istotne nie tylko stąd, że generują ruchomy obraz. Ich znaczenie polega na przesunięciu granicy między obrazem, symulacją, dokumentem i możliwością syntetycznego świadectwa. W perspektywie Sztuki po AI wymagają więc pytań o jawność, status obrazu, prawo do nieobrazu i odpowiedzialność za obieg syntetycznych scen. Nie wynika z tego, że każda predykcja jest zła, każda rekomendacja przemocowa, a każda klasyfikacja podejrzana. Bez opisu, archiwum, wyszukiwania i porządkowania nie byłoby dostępu do ogromnej części kultury. Krytyczny moment pojawia się wtedy, gdy narzędzia porządkujące zaczynają uchodzić za neutralny obraz świata, a model danych zostaje pomylony z rzeczywistością. Wtedy to, co łatwe do opisania, zyskuje przewagę nad tym, co wymaga obecności; to, co generowalne, zyskuje przewagę nad tym, co przeżywane; to, co optymalne, zaczyna wypierać to, co ważne. AI jest więc w tej książce rozumiana warstwowo. Pierwszą warstwą są modele, czyli systemy uczone na danych i zdolne do rozpoznawania wzorców, przewidywania prawdopodobnych ciągów oraz wytwarzania odpowiedzi. Drugą warstwą są interfejsy, przez które użytkownik spotyka model jako okno rozmowy, generator obrazu, system montażu, narzędzie archiwizacji albo panel rekomendacji. Trzecią warstwą jest infrastruktura: centra danych, energia, sieci, regulaminy, własność platform, praca ludzi, zbiory treningowe i procedury bezpieczeństwa. Czwartą warstwą jest pole kultury, w którym te modele i interfejsy zaczynają kształtować język opisu, tempo decyzji, wyobrażenie profesjonalności i kryteria widzialności. Do tych warstw należy dodać jeszcze jedną różnicę metodologiczną. Analiza narzędzia pyta, co robi dana aplikacja. Analiza pola pyta, jakie praktyki, języki i instytucje zaczynają zachowywać się tak, jakby automatyzacja była naturalnym warunkiem działania. Dopiero ta druga perspektywa pozwala zrozumieć, dlaczego Sztuka po AI nie jest tylko krytyką generatorów, lecz pracą nad warunkami powstawania sensu w środowisku modelowanym przez dane. Predykcyjność, generatywność i agentowość nie są więc trzema oddzielnymi tematami, które można omówić obok siebie. Predykcyjność wyznacza logikę przewidywania i dopasowania. Generatywność wytwarza warianty, opisy, profile, ścieżki działania i pozory odpowiedzi. Agentowość organizuje wykonanie, delegowanie, podtrzymywanie procedury i symulowanie sprawczości. Razem tworzą środowisko, w którym sztuka nie tylko korzysta z narzędzi, lecz także zostaje zmuszona do nieustannego negocjowania własnych warunków istnienia. Agentowość wymaga jeszcze jednego doprecyzowania. Nie oznacza wyłącznie chatbota ani programu, który odpowiada w formie rozmowy. Oznacza szerszą sytuację delegowania procedury: system może planować, klasyfikować, przypominać, sugerować, porządkować, prowadzić użytkownika przez kolejne kroki, automatyzować fragment funkcji instytucjonalnej albo symulować sprawczość tam, gdzie wcześniej konieczna była ludzka decyzja. W polu sztuki agentowość może więc dotyczyć nie tylko narzędzia, lecz także zachowania ludzi i instytucji, które zaczynają wykonywać logikę systemu jako własną: piszą pod profil, tworzą pod ranking, edukują pod automatyczną ocenę i projektują widzialność pod przyszłe wyszukiwanie. To rozróżnienie ma znaczenie praktyczne. Jeśli generatywność zostanie ograniczona do obrazu wygenerowanego przez model, umknie generowanie zachowań i oczekiwań. Jeśli agentowość zostanie ograniczona do chatbota, umknie szersza automatyzacja funkcji instytucjonalnych, edukacyjnych, kuratorskich i komunikacyjnych. Jeśli predykcyjność zostanie potraktowana tylko jako techniczna cecha systemu, umknie jej społeczny skutek: stopniowe przesuwanie ludzkich 5 Sora jest tu traktowana jako przykład systemu tekst–wideo, istotnego dla pytań o obraz syntetyczny, świadectwo i status dokumentu; zob. OpenAI, Sora System Card, 9.12.2024, oraz OpenAI, Sora: Creating video from text, pełne zapisy znajdują się w bibliografii. Oskar Chmioła © Sztuka po AI-2.0, 2026 12 decyzji w stronę tego, co prawdopodobne, mierzalne, zgodne z profilem i łatwe do obsłużenia przez system. Cele rozprawy układają się więc w konsekwentną drogę: najpierw rozpoznać warunki sztuki z AI, następnie zbadać ich genealogię i infrastrukturę, a dopiero potem zaproponować strategie działania, które nie unieważniają złożoności problemu. 1.3. Cele rozprawy i pytania badawcze Do celów rozprawy należy więc dopisać cel taktyczny: rozpoznanie praktyk, które pozwalają działać w środku pola predykcyjnego bez całkowitego podporządkowania się jego oczekiwaniom. Sztuka po AI może czasem mówić w języku systemu, ale nie musi przyjmować jego celu. Może korzystać z opisu, ale nie wyczerpywać się w opisie; może wejść do archiwum, ale nie oddać archiwum całego sensu; może użyć metadanych, ale nie pozwolić, aby metadane zastąpiły relację. Cele tej rozprawy wynikają z napięcia między diagnozą a możliwością działania. Nie wystarczy stwierdzić, że AI zmienia sztukę; konieczne staje się pokazanie, które mechanizmy tę zmianę wytwarzają, jakie mają ograniczenia i jakie strategie pozwalają zachować odpowiedzialność bez popadania w technofobię albo naiwny entuzjazm. Ta rozprawa nie rozstrzyga, czy AI w sztuce jest dobra, czy zła. Takie pytanie spłaszcza problem, zanim jeszcze pozwoli mu wybrzmieć. Jednym z celów tej rozprawy jest także uporządkowanie relacji między autorskim pojęciem Sztuki po AI a istniejącymi użyciami określeń Art after AI, After AI Art i post-AI art. Te użycia tworzą ważne pole pokrewne, lecz nie są ze sobą tożsame: obejmują teksty teoretyczne, projekty kuratorskie, eksperymenty wydawnicze, rozmowy artystyczne i analizy wpływu generatywnej AI na artworld. Dlatego książka nie izoluje własnego pojęcia od międzynarodowej debaty, ale też nie rozpuszcza go w niej. Traktuje ją jako sąsiedztwo, wobec którego trzeba doprecyzować własny aparat pojęciowy, etyczny i praktyczny. AI nie jest jednym narzędziem, jedną praktyką ani jedną ideologią. Jest zbiorem technologii, modeli, infrastruktur, interfejsów, danych, firm, regulaminów, obietnic, lęków i codziennych praktyk. Potrafi wspierać dostępność, eksperyment, analizę, tłumaczenie, organizację pracy albo prototypowanie. Potrafi też wzmacniać ekstrakcję danych, automatyzować widzialność, zacierać autorstwo, produkować gładkie pozory, obniżać wartość pracy twórczej, ukrywać koszty środowiskowe i zastępować relacje symulacją odpowiedzi. Właściwe pytanie nie dotyczy prostego wyboru między użyciem i nieużyciem AI. Dotyczy warunków działania: z jaką świadomością, w jakiej skali, na jakich danych, wobec jakiej publiczności, przy jakich ograniczeniach i z jaką odpowiedzialnością technologia zostaje włączona w proces twórczy. Dotyczy także sytuacji odwrotnej: kiedy odmowa narzędzia jest realną strategią, a kiedy tylko gestem symbolicznym, który nie narusza głębszych warunków predykcyjnego pola. Pierwszym celem rozprawy jest odróżnienie sztuki z AI od Sztuki po AI oraz dowiedzenie, że pierwsze pojęcie opisuje warunek pola, a nie tylko praktykę użycia narzędzia. Sztuka z AI zostaje tu rozpoznana jako stan kultury, w którym predykcja, automatyzacja wartościowania, modele danych, platformy, formularze, archiwa, wyszukiwarki i języki optymalizacji współorganizują warunki powstawania, widzialności, obiegu i oceny twórczości. Tok dowodzenia jest czterostopniowy. Po pierwsze, pole sztuki nie jest zbiorem izolowanych dzieł, lecz układem instytucji, publiczności, języków opisu, kapitału symbolicznego, edukacji, krytyki, rynku i archiwów. Po drugie, AI i systemy predykcyjne coraz głębiej organizują widzialność, wyszukiwanie, dokumentację, tłumaczenie, klasyfikację, rekomendację, edukację i komunikację. Po trzecie, twórca funkcjonuje nie tylko przez własne narzędzia, lecz także przez warunki pola, w którym jego praca zostaje rozpoznana albo pominięta. Po czwarte, nawet nieużywanie generatora nie usuwa relacji do AI, jeśli samo pole uznania, opisu i obiegu jest już częściowo zorganizowane przez logiki automatyzacji. Drugim celem jest pokazanie, że kryzys Oskar Chmioła © Sztuka po AI-2.0, 2026 13 twórczości w epoce AI nie zaczyna się od generatorów. Zanim modele generatywne stały się masowo dostępne, pole sztuki było już przygotowywane przez automatyzm estetyczny, procedury losowe, instrukcje, sztukę konceptualną, sztukę generatywną, projektowość, neoliberalną skalowalność, formularze, portfolia, platformową widzialność i logikę danych. AI nie tylko nadaje tym procesom nową skalę, szybkość i automatyczność, lecz reorganizuje warunki, w których sztuka zostaje opisana, sfinansowana, zarchiwizowana, zarekomendowana, oceniona i zapamiętana. Trzecim celem jest analiza infrastruktury AI jako aparatu władzy. Modele nie istnieją w pustce. Są osadzone w centrach danych, łańcuchach dostaw, pracy ludzi, układach scalonych, wodzie, energii, regulaminach, prawie autorskim, językach dominujących, archiwach i platformach. Kate Crawford 6, Vladan Joler7, Shoshana Zuboff8, Nick Couldry i Ulises Mejias9 pomagają opisać tę materialną, ekonomiczną i polityczną stronę AI. Stawką nie jest to, aby każdą praktykę z AI uznać za tak samo przemocową. Chodzi o to, aby nie mówić o sztucznej inteligencji tak, jakby była czystą, niematerialną inteligencją bez kosztów, zaplecza i asymetrii. Czwartym celem jest zaproponowanie alternatywnych modeli działania. Jeśli sztuka z AI działa w środowisku predykcji, odpowiedź nie może polegać wyłącznie na krytyce. Potrzebne są praktyki relacji, ograniczenia, lokalności, nieprzekładalności, nieoptymalności i low-tech. Potrzebne jest także przesunięcie od dzieła jako wyniku do dzieła jako sytuacji, czyli układu warunków, decyzji, danych, narzędzi, publiczności, dokumentacji i dalszego obiegu. Piątym celem jest zbudowanie aparatu pięciu strategii: postgeneratywności, antygeneratywności, postagentowości, antyagentowości10 oraz Sztuki po AI jako strategii balansu. Cztery pierwsze strategie opisują przechwycenie albo odmowę wobec generatywności i agentowości. Piąta pozwala komponować decyzje zależnie od sytuacji, materiału, danych, relacji, kosztu, publiczności i odpowiedzialności. Te pojęcia nie tworzą zamkniętego systemu. Działają jako narzędzia rozpoznania. Szóstym celem jest przejście od teorii do praktyki: manifestu, prototypu, gestu, performansu, publiczności i mapy praktyk. Sztuka po AI nie może pozostać słownikiem. Musi zostać sprawdzona w sytuacjach, w których pojawiają się ciało, czas, miejsce, ślad, dokumentacja, archiwum, odbiorca, zgoda, ryzyko i odpowiedzialność. Siódmym celem jest wypracowanie etyki procesu. Jeżeli twórczość po AI angażuje dane, narzędzia, modele, publiczność, środowisko i instytucje, musi umieć mówić o własnych warunkach. Z tego powodu w książce pojawia się raport środowiskowy 11, raport etyczny procesu twórczego i pojęcie ekokruchości12. Stawką nie jest moralna autoprezentacja autora, lecz transparentność ograniczeń, decyzji i kosztów. Ósmym celem jest przełożenie tych rozpoznań na edukację i instytucje. AI zmienia nie tylko produkcję obrazów i tekstów. Zmienia także uczenie, ocenianie, krytykę, kuratorstwo, archiwa, dostępność, opis dzieł i relację z publicznością. Stąd Sztuka po AI musi wejść do szkół artystycznych, 6 Kate Crawford analizuje AI jako system materialny, infrastrukturalny i polityczny; zob. Kate Crawford, Atlas of AI, Yale University Press, New Haven-London 2021. 7 Vladan Joler współtworzy mapy krytycznej infrastruktury cyfrowej i ekstraktywizmu danych; zob. Kate Crawford, Vladan Joler, Anatomy of an AI System, AI Now Institute / SHARE Lab 2018 oraz Vladan Joler, New Extractivism, 2020. 8 Shoshana Zuboff opisuje kapitalizm nadzoru jako ekonomię ekstrakcji i przewidywania zachowań; zob. Shoshana Zuboff, The Age of Surveillance Capitalism, PublicAffairs, New York 2019. 9 Nick Couldry i Ulises A. Mejias rozwijają pojęcie kolonializmu danych; zob. The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism, Stanford University Press, Stanford 2019. 10 Postgeneratywność, antygeneratywność, postagentowość, antyagentowość i Sztuka po AI są pojęciami operacyjnymi rozwijanymi w tej rozprawie; przypis porządkuje ich autorski status, a nie odsyła do jednego wcześniejszego źródła. 11 Zasada ostrożnego raportowania środowiskowego opiera się na rozróżnieniu treningu, inferencji i infrastruktury ogólnej; por. IEA, Energy and AI 2025, Emma Strubell i in. 2019, David Patterson i in. 2021 oraz Pengfei Li i in. 2023. 12 Ekokruchość jest w tej książce pojęciem autorskim, ale pozostaje w pobliżu refleksji o relacyjności środowiskowej i kryzysie ekologicznym; por. Anna Lowenhaupt Tsing, The Mushroom at the End of the World oraz Timothy Morton, Hyperobjects. Oskar Chmioła © Sztuka po AI-2.0, 2026 14 muzeów, galerii, archiwów, polityk instytucjonalnych i praktyk edukacyjnych. Bez tego pozostanie indywidualną postawą, a nie kulturą odpowiedzialności. Najważniejsze pytania tej rozprawy układają się w ciąg, który prowadzi od diagnozy pola do strategii działania. Czym jest sztuka z AI, jeśli oznacza stan kultury współorganizowanej przez predykcję, a nie tylko użycie narzędzia? Czym jest Sztuka po AI, jeśli nie jest epoką po technologii ani prostą odmową modeli, lecz strategią twórczą wobec świata predykcji? Jakie procesy historyczne przygotowały kryzys twórczości w epoce modeli? Jak infrastruktura AI przekształca autorstwo, relację, widzialność, dane, środowisko, edukację i instytucje? Jakie strategie pozwalają działać wobec generatywności i agentowości bez naiwnego entuzjazmu i bez jałowej technofobii? Jak budować sytuacje, w których odpowiedzialność i decyzja nie zostają zastąpione przez automatyczną odpowiedź? Pytania badawcze nie tworzą tu listy tematów do omówienia, lecz sekwencję napięć. Każde z nich otwiera konflikt między możliwością a kosztem: między generowaniem a odpowiedzialnością, dostępnością a ekstrakcją, relacją a profilem, dziełem a danymi, widzialnością a automatycznym wartościowaniem. Z tego powodu ich funkcją nie jest porządkowanie materiału według działów, lecz utrzymanie w całej książce jednego problemu: jak tworzyć, opisywać, uczyć, archiwizować i instytucjonalizować sztukę wtedy, gdy predykcja zaczyna współdecydować o tym, co uznaje się za sensowne i warte uwagi. Dlatego każde pytanie badawcze ma w tej książce podwójną funkcję. Najpierw porządkuje materiał teoretyczny, historyczny i infrastrukturalny, a następnie zmusza do decyzji praktycznej: jak działać, jeśli diagnoza okaże się trafna? Pytanie o dane prowadzi do pytania o zgodę; pytanie o generowanie – do pytania o granice wariantu; pytanie o agentowość – do pytania o delegowanie odpowiedzialności; pytanie o widzialność – do pytania o prawo do opóźnienia, niepełnej dokumentacji i nieindeksowalności. W ten sposób rozprawa przechodzi od rozpoznania pola do protokołów działania. Metodologia zostaje więc podporządkowana tej samej zasadzie, którą książka stawia Sztuce po AI: narzędzia mogą wspierać proces, ale nie mogą przejąć odpowiedzialności za sens, decyzję i konsekwencje. 1.4. Metodologia, pozycja autora i nota o powstaniu rozprawy Metodologia tej książki musi odpowiadać jej przedmiotowi: nie może udawać neutralności w świecie, w którym narzędzia poznania współtworzą to, co uznajemy za wiedzę. Z tego powodu punkt wyjścia jest sytuowany, krytyczny i autorefleksyjny, a odpowiedzialność autora nie zostaje przeniesiona na użyte narzędzia. Ta rozprawa nie jest neutralnym raportem technologicznym. Nie jest też manifestem oderwanym od analizy. Łączy teorię, esej, krytykę infrastrukturalną, manifest, mapę praktyk, raport procesu i zakończenie otwarte, ponieważ sam przedmiot wymaga takiej formy. AI nie jest wyłącznie technologią do opisania. Jest zjawiskiem, które zmienia język opisu, warunki pracy, relację z wiedzą, sposób formułowania pytań i oczekiwania wobec odpowiedzi. Pisanie o AI w sztuce wymaga więc nie tylko analizy narzędzi, ale także analizy własnej pozycji wobec tych narzędzi. Punktem wyjścia jest wiedza sytuowana13, kojarzona przede wszystkim z Donną Haraway. Wiedza sytuowana oznacza, że autor nie przemawia z bezcielesnego, neutralnego, wszechwiedzącego punktu widzenia. Każde poznanie ma pozycję, język, historię, ograniczenia, interesy i odpowiedzialność. W kontekście AI ta perspektywa jest szczególnie ważna, ponieważ modele często wytwarzają iluzję odpowiedzi znikąd: płynnej, kompetentnej, syntetycznej, pozbawionej widocznego autora i pozbawionej własnego miejsca. Ta rozprawa nie chce naśladować takiego głosu. Przeciwnie – chce pokazać, że pisanie po AI 13 Donna Haraway wprowadziła pojęcie wiedzy sytuowanej jako krytykę pozoru neutralnego, bezcielesnego punktu widzenia; zob. Donna Haraway, Situated Knowledges, „Feminist Studies” 1988, t. 14, nr 3. Oskar Chmioła © Sztuka po AI-2.0, 2026 15 wymaga ujawnienia pozycji, procesu i odpowiedzialności. Drugim punktem odniesienia jest myślenie o aparatach poznania, które można powiązać z pracami Karen Barad14. Narzędzia nie są tu rozumiane jako bierne przedłużenia ludzkiej intencji. Aparat poznania współtworzy to, co można zobaczyć, powiedzieć, zmierzyć, wygenerować, porównać i uznać za wynik. Model AI nie jest więc tylko neutralnym środkiem. Uczestniczy w organizacji pola możliwych odpowiedzi, zmienia tempo, styl, język, selekcję, a czasem także samo poczucie tego, co uchodzi za rozsądne pytanie. Trzecim zapleczem metodologicznym jest posthumanizm, zwłaszcza w sensie rozwijanym przez Rosi Braidotti15. Stawką nie jest tutaj prosta pochwała świata po człowieku ani rozpuszczenie odpowiedzialności autora w sieci nieludzkich sprawczości. Przeciwnie: posthumanistyczna perspektywa pozwala uniknąć fałszywej alternatywy między czystym, autonomicznym człowiekiem a wszechmocną maszyną. Twórczość po AI rozgrywa się w układach ludzi, narzędzi, danych, ciał, instytucji, środowisk i systemów. Odpowiedzialność nie znika tylko dlatego, że działanie jest rozproszone. Staje się trudniejsza i bardziej konieczna. Czwartym punktem odniesienia jest performatywność języka. Judith Butler16, rozwijając i przekształcając tradycję aktów mowy, pokazała, że język nie tylko opisuje rzeczywistość, lecz może ją współustanawiać, utrwalać, przemieszczać i zakłócać. W tej książce ma to znaczenie podwójne. Po pierwsze, pojęcia takie jak Sztuka po AI, postgeneratywność czy antyagentowość nie są tylko etykietami. Mają organizować praktyki. Po drugie, manifest nie jest dodatkiem literackim, lecz formą działania językowego. Nie wystarcza opisanie świata predykcji. Potrzebne jest także stworzenie języka, który pozwoli działać inaczej. Ważnym sąsiedztwem metodologicznym pozostaje tu Joanna Zylinska, która w tekście „After AI Art” opisuje sztukę po AI przez pętlę relacji między ludźmi, dyskursami, praktykami i technologiami AI/ML. Ta rozprawa przyjmuje podobną ostrożność wobec prostego przeciwstawienia człowieka i maszyny, ale prowadzi ją w stronę operacyjnego aparatu decyzji: strategii, ograniczeń, odmów, raportów i protokołów użycia. Innymi słowy, interesuje ją nie tylko to, jak sztuka i AI współwyłaniają się w kulturze, lecz także to, jak w tym współwyłanianiu zachować odpowiedzialność za konkretny proces twórczy, instytucjonalny albo edukacyjny.17 Piątym zapleczem jest krytyka infrastrukturalna AI. Kate Crawford ujawnia, że sztuczna inteligencja nie jest niematerialną inteligencją, lecz systemem związanym z wydobyciem, pracą, energią, klasyfikacją, danymi i władzą. Vladan Joler mapuje zależności między platformami, użytkownikami, infrastrukturą, kapitałem i niewidzialną pracą. Shoshana Zuboff pozwala opisać kapitalizm nadzoru jako ekonomię przewidywania zachowań. Nick Couldry i Ulises Mejias wprowadzają pojęcie kolonializmu danych, wskazując, jak życie społeczne i relacje mogą być przekształcane w zasób do ekstrakcji. Te perspektywy są potrzebne, ponieważ Sztuka po AI nie może ograniczyć się do estetyki wyniku. Musi pytać o zaplecze wyniku. Ta książka jest pisana z pozycji krytycznego współuczestnictwa. Nie udaje zewnętrzności wobec AI. Powstaje w świecie, który sama analizuje. Korzysta z języka, instytucji, narzędzi i warunków obiegu, które są częścią pola sztuki z AI. Nie może więc przyjąć tonu czystego oskarżenia wypowiadanego z bezpiecznego dystansu. Jej zadaniem jest prowadzenie pracy w samym uwikłaniu: rozpoznawanie zależności, odróżnianie faktów od interpretacji, wskazywanie miejsc niepewnych, raportowanie procesu i zachowywanie odpowiedzialności za ostateczny tekst. 14 Karen Barad rozwija pojęcie aparatu poznania i relacyjnego współustanawiania zjawisk; zob. Karen Barad, Meeting the Universe Halfway, Duke University Press, Durham-London 2007. 15 Rosi Braidotti jest tu przywoływana jako autorka posthumanizmu krytycznego; zob. Rosi Braidotti, The Posthuman, Polity Press, Cambridge 2013 oraz Posthuman Knowledge, Polity Press, Cambridge 2019. 16 Judith Butler zostaje przywołana w kontekście performatywności języka i skutków aktów mowy; zob. Judith Butler, Excitable Speech, Routledge, New York-London 1997 oraz Bodies That Matter, Routledge 1993. 17 Joanna Zylinska, „After AI Art”, „Widok. Theories and Practices of Visual Culture” 38, 2024, DOI: 10.36854/widok/2024.38.2870. Pojęcie pętli AI jest tu traktowane jako sąsiedztwo metodologiczne, a nie źródło autorskiej taksonomii strategii tej rozprawy. Oskar Chmioła © Sztuka po AI-2.0, 2026 16 Krytyczne współuczestnictwo obejmuje także proces powstawania rozprawy. Autor używał modeli językowych jako narzędzi pomocniczych: wprowadzał do nich własne rozpoznania, pytania, fragmenty tekstu i problemy, porównywał odpowiedzi, testował warianty argumentacji, zestawiał ze sobą różne sposoby ujęcia problemu, a następnie każdy fragment oceniał, korygował, odrzucał albo akceptował. Modele pomagały organizować materiał, sprawdzać napięcia argumentacyjne, redagować warianty i ujawniać miejsca wymagające doprecyzowania, ale nie pełniły funkcji autora ani współautora. Odpowiedzialność za tezy, interpretacje, przykłady, selekcję materiału, fakty i finalny kształt tekstu pozostaje po stronie autora. Autor sprawdzał fakty przywoływane w toku pracy z modelami i weryfikował także informacje dostarczane przez siebie. Tam, gdzie dany fakt wymagał potwierdzenia, nie powinien być traktowany jako oczywisty tylko z tego powodu, że pojawił się w płynnej odpowiedzi systemu. Ten rygor jest częścią etyki rozprawy: narzędzie może wspierać namysł, ale nie może zastąpić odpowiedzialności za rozpoznanie. Metoda ta wymaga także rozdzielenia trzech rejestrów wypowiedzi: twierdzenia faktograficznego, interpretacji i propozycji normatywnej. Twierdzenie faktograficzne wymaga źródła albo ostrożnego sformułowania. Interpretacja wymaga pokazania, z czego wynika i jakie ma granice. Propozycja normatywna – na przykład postulat ograniczenia generowania, jawności procesu albo prawa do nieobrazu – nie może udawać faktu; musi być przedstawiona jako decyzja etyczna i projektowa. To rozróżnienie jest szczególnie ważne w książce pisanej po AI, ponieważ płynność modelu językowego może zacierać różnicę między tym, co sprawdzone, tym, co zinterpretowane, i tym, co postulowane. Wcześniejsza wersja rozprawy była przez rok publicznie dostępna jako gest otwarcia. Nie stała się jednak masową współredakcją i nie sposób budować wokół niej mitu zbiorowego autorstwa. Ważniejszą rolę odegrały konsultacje indywidualne, autorska kontrola materiału, kolejne decyzje redakcyjne i praca wspierana narzędziami AI. Publiczne udostępnienie wcześniejszej wersji należy rozumieć jako formę transparentności procesu i zaproszenie do rozmowy, a nie jako dowód, że finalny tekst powstał w trybie szerokiej redakcji społecznej. Dlatego raport etyczny procesu twórczego, rozwinięty w dalszej części książki, nie służy autopromocyjnemu opisowi pracy autora. Ma pokazać granice delegowania, sposób używania narzędzi, znaczenie konsultacji, konieczność weryfikacji i fakt, że ostateczna decyzja nie została przeniesiona na system. To szczególnie istotne w książce, która sama analizuje problem delegowania decyzji na modele. Zaproszenie do współtworzenia nie dotyczy już dalszego współpisania tej książki. Ta wersja rozprawy jest redakcyjnie domknięta jako autorski tekst. Otwartość pozostaje natomiast po stronie idei Sztuki po AI. Może przyjąć formę wystaw, realizacji artystycznych, debat, seminariów, badań, działań edukacyjnych, protokołów instytucjonalnych albo projektów, w których artyści, badacze i publiczność odpowiadają na założenia książki własną praktyką. Stąd forma rozprawy jest wielowarstwowa. Analiza jest potrzebna, bo bez niej pojęcia pozostałyby hasłami. Manifest jest potrzebny, bo w sytuacji kryzysu języka sama analiza nie wystarczy. Raport jest potrzebny, bo krytyka AI bez ujawnienia własnego procesu byłaby niewiarygodna. Mapa praktyk jest potrzebna, bo pojęcia muszą zostać sprawdzone wobec dzieł, gestów i instytucji. Etyka jest potrzebna, bo AI dotyczy nie tylko obrazów i tekstów, ale danych, środowiska, pracy, publiczności i odpowiedzialności. Zakończenie książki pozostaje otwarte w sensie ideowym, nie redakcyjnym. Pole technologiczne zmienia się szybciej niż książka, ale pytania o relację, widzialność, odpowiedzialność i decyzję nie tracą znaczenia wraz z kolejną wersją modelu. Otwarta pozostaje więc praca kultury, instytucji i artystów wobec AI, a nie status tej rozprawy jako niedokończonego dokumentu. Pojęcia używane w książce nie są więc neutralnymi hasłami technicznymi. AI, predykcyjność, generatywność i agentowość są pojęciami operacyjnymi: mają pomóc rozpoznać, gdzie w procesie twórczym, instytucjonalnym albo edukacyjnym działa przewidywanie, gdzie pojawia się produkcja Oskar Chmioła © Sztuka po AI-2.0, 2026 17 wariantów, gdzie decyzja zostaje delegowana, a gdzie człowiek zachowuje albo odzyskuje odpowiedzialność. Ich wartość nie polega na modnym brzmieniu, lecz na zdolności odróżniania sytuacji, które w codziennym języku bywają wrzucane do jednego worka pod nazwą „AI”. Pozycja autora jest więc pozycją odpowiedzialnego użytkownika, a nie zewnętrznego sędziego technologii. Taki punkt widzenia pozwala uniknąć dwóch uproszczeń: moralnego potępienia każdego użycia AI oraz bezkrytycznego uznania, że skoro narzędzie działa, to jego użycie jest samo przez się uzasadnione. Metoda rozprawy polega na każdorazowym pytaniu o warunki: kto działa, na jakich danych, w jakiej infrastrukturze, wobec jakiej publiczności, z jakim zakresem jawności i z jaką możliwością odmowy. Taka metoda wymaga ostrożności. Nie każde narzędzie cyfrowe jest agentem, nie każdy algorytm jest sztuczną inteligencją, nie każda automatyzacja pozbawia człowieka odpowiedzialności i nie każda odmowa technologii jest strategią krytyczną. Książka posługuje się szerokim rozumieniem AI, ale nie dowolnym. Szerokość pojęcia ma odsłonić zależności między modelem, infrastrukturą i polem kultury, a nie rozpuścić wszystkie różnice w jednym totalnym oskarżeniu. W tym sensie w książce stale rozdzielane są trzy poziomy twierdzenia. Poziom narzędziowy dotyczy sytuacji, w której artysta faktycznie używa modelu. Poziom infrastrukturalny dotyczy danych, energii, pracy, platform i własności. Poziom strukturalny dotyczy warunków pola: tego, jak automatyzacja zmienia oczekiwania wobec opisu, widzialności, profesjonalności, dostępności i wartości. Teza o sztuce z AI należy przede wszystkim do trzeciego poziomu, stąd nie można jej falsyfikować prostym zdaniem: „ten artysta nie użył generatora”. Właściwsze jest pytanie, czy jego praca istnieje w polu, którego reguły są już współtworzone przez predykcję. Architektura rozprawy jest zatem pierwszym dowodem jej metody: prowadzi od rozpoznania warunków do projektowania praktyk, unikając zarówno katalogu przykładów, jak i samej deklaracji manifestowej. 1.5. Architektura rozprawy Układ rozdziałów jest zarazem układem dowodzenia. Każdy kolejny etap przesuwa ciężar z definicji na genealogię, z genealogii na infrastrukturę, z infrastruktury na praktykę, z praktyki na etykę i instytucje, a dopiero potem na przyszłość. Taki porządek ma pokazać, że Sztuka po AI nie jest hasłem, lecz wynikiem przeprowadzonej argumentacji. Architektura rozprawy układa się jak droga przez kolejne warstwy problemu: od definicji do genealogii, od genealogii do infrastruktury, od infrastruktury do modeli działania, od modeli do strategii, od strategii do praktyki, od praktyki do etyki, od etyki do instytucji i edukacji, a następnie do zakończenia otwartego. Ten porządek nie jest organizacyjną wygodą. Odpowiada pracy, którą musi wykonać pojęcie sztuki po AI, jeżeli jest tu czymś więcej niż reakcją na nowy zestaw narzędzi. Rozdział I ustanawia podstawowy język książki. Wprowadza rozróżnienie między sztuką z AI i sztuką po AI, odróżnia predykcyjność od generatywności, formułuje cele rozprawy, wyjaśnia metodologię i pozycję autora. Jego zadaniem jest stworzenie aparatu pojęciowego, bez którego dalszy wywód łatwo osunąłby się albo w technologiczną publicystykę, albo w ogólną krytykę kultury cyfrowej. Rozdział II rekonstruuje genealogię kryzysu twórczości. Pokazuje, że AI nie wprowadza automatyzacji do sztuki z całkowicie zewnętrznej pozycji. Automatyzm artystyczny, procedury losowe, instrukcje, sztuka konceptualna, sztuka generatywna, neoliberalna projektowość, portfolio, grantowe wskaźniki i platformowa widzialność przygotowały pole, w którym generatywna AI mogła zostać przyjęta jako pozornie naturalne narzędzie produkcji i organizacji twórczości. Stąd układ książki jest jednocześnie testem głównej tezy. Gdyby AI była tylko narzędziem produkcji, wystarczyłby rozdział o generatorach. Skoro jednak argument dotyczy pola sztuki, konieczne jest przejście przez genealogię projektowości, model danych, infrastrukturę, relację, strategie oporu, etykę procesu, instytucje i edukację. Dopiero suma tych poziomów pozwala obronić twierdzenie, że sztuka z AI jest stanem Oskar Chmioła © Sztuka po AI-2.0, 2026 18 warunków, a Sztuka po AI – strategią odpowiedzialnego działania wobec tych warunków. Rozdział III przechodzi od genealogii do infrastruktury. Analizuje AI jako aparat danych, energii, pracy, sprzętu, prawa, języków, archiwów, platform i geopolityki. Pojęcie infrastruktury przemocy nie ma tu charakteru metaforycznego oskarżenia. Ma wskazywać konkretne mechanizmy: ekstrakcję danych, ukrycie pracy, automatyzację widzialności, asymetrie językowe, środowiskowy koszt obliczeń i konflikty o dane treningowe. Rozdział IV wykonuje pierwszy konstruktywny zwrot. Po diagnozie kryzysu i infrastruktury pyta, jak można działać inaczej. Wprowadza relację, ograniczenie, współobecność, lokalność, nieprzekładalność, low-tech, nieoptymalność i dzieło jako sytuację. To rozdział, w którym krytyka zaczyna przechodzić w praktykę. Rozdział V jest centralnym rozdziałem autorskim. Proponuje aparat pięciu strategii: postgeneratywność, antygeneratywność, postagentowość, antyagentowość oraz Sztukę po AI jako strategię balansu. Cztery strategie składowe porządkują możliwe działania wobec generatywności i agentowości; piąta opisuje kompozycję decyzji w konkretnej sytuacji. Nie są to gotowe style, lecz narzędzia rozpoznawania odpowiedzialności. Dlatego architektura tej książki nie jest katalogiem post-AI art ani przeglądem projektów używających podobnych nazw. Jest drogą od rozpoznania predykcyjnych warunków pola do narzędzi odpowiedzialnego działania: strategii, praktyk, protokołów, raportów i decyzji po. Rozdział VI sprawdza strategie w praktyce. Manifest, prototyp, gest, performans, publiczność i mapa praktyk pokazują, że sztuka po AI nie może pozostać wyłącznie teorią. Musi działać w sytuacjach, w których pojawiają się ciało, czas, dokumentacja, archiwum, odbiorca, zgoda i ryzyko. Rozdział VII rozwija etykę twórczości w dobie ekokruchości. Przechodzi od praktyki do odpowiedzialności za proces, środowisko, dane, narzędzia, publiczność i czas pracy. Wprowadza raport środowiskowy i raport etyczny procesu twórczego nie jako dodatki administracyjne, lecz jako warunki wiarygodności sztuki po AI. W tym rozdziale pojawia się także koncepcja Ogrodu czasu sztuki i rynku czasu sztuki: próba pomyślenia wartości artystycznej poza samym obiektem, wynikiem, plikiem, metryką i platformową widzialnością. Rozdział VIII przenosi problem na poziom edukacji i instytucji. Pokazuje, że sztuka po AI nie może być tylko postawą pojedynczego artysty. Musi wejść do szkół, galerii, muzeów, archiwów, krytyki, kuratorstwa, polityk dostępności, protokołów użycia AI i sposobów uczenia. W tym rozdziale pojawia się pojęcie automatyzacji świadomości, rozumianej jako proces, w którym systemy predykcyjne i generatywne zaczynają współkształtować sposoby pytania, oceniania, uczenia się i rozpoznawania wartości. Rozdział IX domyka książkę jako zakończenie otwarte. Nie proponuje ostatecznej teorii przyszłości sztuki. Pokazuje raczej twórczość jako zdarzenie etyczne, regenerację relacji, przyszłość jako zadanie i sztukę po AI jako sytuację, nie model. To finał, który nie zamyka problemu, ale wskazuje warunki dalszych działań. Rozróżnienie między sztuką z AI a sztuką po AI nie może jednak pozostać wyłącznie definicją. Jeśli sztuka z AI oznacza stan pola przesiąkniętego predykcją, rankingowaniem, indeksacją i automatyzacją wartościowania, pojawia się pytanie, skąd wzięły się warunki, które uczyniły ten stan możliwym. Kryzys twórczości w epoce AI nie zaczyna się od generatorów obrazów, modeli językowych ani systemów agentowych. Zanim generatywna AI stała się powszechnie widoczna, sztuka i kultura były już przygotowywane przez dłuższe procesy: automatyzm estetyczny, procedury losowe, instrukcję, sztukę generatywną, konceptualne przesunięcie od wykonania do reguły, neoliberalną skalowalność, projektowość, mierzalność, portfolio, grantowe wskaźniki, platformową widzialność i modelowanie danych. Rozdział II rekonstruuje tę genealogię nie po to, aby osłabić znaczenie AI, lecz przeciwnie – aby pokazać, że jej dzisiejsza siła wynika z wcześniejszego przekształcenia samego pola twórczości. Oskar Chmioła © Sztuka po AI-2.0, 2026 19 Genealogia nie ma więc charakteru muzealnego. Nie chodzi o dopisanie do AI kilku szlachetnych prekursorów, lecz o pokazanie ciągu przesunięć, w których decyzja twórcza coraz częściej była projektowana, delegowana, zapisywana, opisywana i oceniana przed wykonaniem. W tym sensie rozdział II bada nie historię narzędzi, ale historię warunków, dzięki którym narzędzie predykcyjne mogło zostać uznane za naturalne przedłużenie praktyki artystycznej, kuratorskiej i instytucjonalnej. Genealogia pokazuje więc ciągłość pytań o regułę, system i generowanie, ale zarazem ujawnia zasadniczą różnicę: współczesna AI nie tylko uczestniczy w tworzeniu form, lecz współorganizuje warunki decyzji i obiegu. Oskar Chmioła © Sztuka po AI-2.0, 2026 20 II. Genealogia kryzysu twórczości 2.1. Od automatyzmu estetycznego do automatyzacji decyzji Historia sztuki i kultury znała wiele sytuacji, w których sens krążył nie wprost: przez aluzję, dwuznaczność, symbol, żart, pozorną zgodność, lokalny kod, prywatny rytuał odbioru albo drugi obieg. W kontekście AI ten trop nie powinien być traktowany jako nostalgiczna analogia do dawnej cenzury. Chodzi o mechanizm bardziej ogólny: gdy system rozpoznania premiuje to, co łatwe do nazwania, przewidzenia i zaklasyfikowania, twórczość może odzyskiwać sprawczość przez formy wymagające czasu, kontekstu i interpretacyjnej współobecności. Genealogia nie służy tu prostemu wskazaniu prekursorów AI. Jej zadaniem jest odróżnienie sytuacji, w której artysta używa reguły, przypadku albo systemu jako narzędzia eksperymentu, od sytuacji, w której system techniczno-platformowy zaczyna organizować same warunki decyzji. Kryzys twórczości w epoce AI nie zaczyna się od generatorów obrazów, modeli językowych ani systemów agentowych. Zaczyna się wcześniej: w długiej historii przesuwania decyzji twórczej z gestu jednostkowego na procedurę, regułę, instrukcję, przypadek, system, program, formularz, platformę i model. Generatywna AI nie wprowadza automatyzacji do sztuki z zewnątrz. Raczej intensyfikuje procesy, które od dawna przygotowywały pole twórczości do myślenia przez regułę, wariant, wynik, optymalizację i powtarzalność. Zasadnicze rozróżnienie pojawia się już na początku tej genealogii. Czym innym jest automatyzm artystyczny, a czym innym automatyzacja systemowa. Automatyzm artystyczny jest świadomą procedurą twórczą. Artysta może używać przypadku, nieświadomości, instrukcji, algorytmu, ograniczenia albo systemu po to, aby rozszczelnić własną kontrolę, zakwestionować romantyczny mit autora, dopuścić nieprzewidywalność, uruchomić inne relacje między regułą a gestem albo pokazać, że dzieło nie musi wynikać wyłącznie z ekspresji jednostkowego „ja”. Automatyzm może być więc narzędziem krytycznym. Może działać przeciwko zbyt pewnemu autorstwu, przeciwko akademickiej sprawności, przeciwko przewidywalnym formom smaku i przeciwko przekonaniu, że twórczość zawsze zaczyna się w pełni świadomej intencji. Automatyzacja systemowa działa z innego poziomu. Nie jest procedurą, którą artysta wybiera i wystawia na próbę, lecz sposobem organizacji pola. Decyzje o widzialności, opisie, selekcji, podobieństwie, obiegu, wartościowaniu i dostępności zostają wtedy współorganizowane przez systemy techniczne, ekonomiczne i platformowe. Automatyzm artystyczny potrafił otwierać nieprzewidywalność. Automatyzacja systemowa częściej przepisuje ją na prawdopodobieństwo. Pierwszy osłabiał władzę autora, aby odsłonić inne źródła twórczości. Druga potrafi osłabić autora, aby wzmocnić władzę systemu. Ta różnica porządkuje całą książkę. Bez niej łatwo byłoby uznać, że AI jest po prostu kolejnym etapem długiej historii eksperymentów z przypadkiem, regułą i maszyną. Takie ujęcie byłoby częściowo prawdziwe, ale zasadniczo niewystarczające. Sztuka znała automatyzm na długo przed AI. Znała procedurę, instrukcję, partyturę, kod, losowość i generowanie. Nie znała jednak na taką skalę systemu, w którym te elementy zostają połączone z platformową widzialnością, ekstrakcją danych, automatycznym rankingowaniem, globalną infrastrukturą obliczeń i ekonomią przewidywania. Surrealistyczny automatyzm, związany między innymi z André Bretonem18 i praktykami pisania automatycznego, był próbą obejścia racjonalnej kontroli oraz dotarcia do nieświadomości. Nie chodziło w nim o wydajność produkcji ani o skalowanie wariantów. Chodziło o rozszczelnienie autora. Automatyzm surrealistyczny miał wydobyć coś, co wymyka się kontroli logicznej, społecznej i estetycznej. Tak rozumiany automatyzm był praktyką ryzyka: pozwalał pojawić się temu, co nieprzewidziane, niepoprawne, nielogiczne, nie do końca własne. 18 André Breton jest przywoływany jako autor manifestów surrealizmu i definicji automatyzmu psychicznego; zob. André Breton, Manifestoes of Surrealism, University of Michigan Press, Ann Arbor 1969. Oskar Chmioła © Sztuka po AI-2.0, 2026 21 Ważne jest też historyczne delegowanie wykonania, które poprzedza epokę modeli. Pracownie malarskie, warsztaty rzemieślnicze, atelier, asystenci, wykonawcy techniczni, odlewnie, drukarnie, producenci scenografii i zespoły realizacyjne od dawna rozdzielały koncepcję, organizację pracy i manualne wykonanie. Nie czyniło to automatycznie dzieła mniej autorskiego. Pokazywało raczej, że autorstwo w sztuce bywało strukturą decyzji, nadzoru, koncepcji, stylu i odpowiedzialności. Współczesna AI komplikuje ten układ nie dlatego, że jako pierwsza umożliwia delegowanie, lecz dlatego, że delegowanie łączy z nieprzejrzystymi danymi, masową skalą, platformową własnością i automatyzacją decyzji. John Cage19 wprowadzał przypadek w inny sposób. Procedury losowe, operacje oparte na I Ching, otwarcie kompozycji na nieprzewidywalność dźwięku i sytuacji – wszystko to służyło ograniczeniu dominacji autorskiej intencji. Cage nie delegował decyzji na system po to, aby otrzymać szybciej zoptymalizowany wynik. Wprowadzał przypadek jako sposób słuchania świata inaczej. Jego praktyka pozwala odróżnić przypadek od predykcji. Przypadek otwiera możliwość wydarzenia, którego nie da się wcześniej całkowicie przewidzieć. Predykcja natomiast próbuje określić, co jest najbardziej prawdopodobne. Cage’owski przypadek i współczesna predykcyjność stoją więc po dwóch różnych stronach wyobraźni: pierwszy rozluźnia kontrolę, druga ją statystycznie reorganizuje. Fluxus20 i praktyki instrukcji działania przesunęły dzieło w stronę partytury, gestu, zadania, event score, prostego działania możliwego do wykonania przez różne osoby w różnych sytuacjach. Instrukcja nie była tu tylko opisem dzieła. Była sposobem jego istnienia. Dzieło mogło przyjąć formę reguły, sytuacji, czynności, powtórzenia albo minimalnego gestu. Ten punkt ma znaczenie dla myślenia po AI, ponieważ ujawnia, że dzieło nie zawsze jest materialnym obiektem ani gotowym wynikiem. Może być strukturą możliwości. Może istnieć jako warunek działania. Podobnie Sol LeWitt21 i sztuka konceptualna przesuwali ciężar z wykonania na ideę, regułę i instrukcję. W jego praktyce wykonanie mogło zostać oddzielone od autorskiej ręki, a mimo to pozostawało związane z autorską koncepcją. Reguła nie usuwała autora w prosty sposób. Raczej przekształcała autorstwo: autor stawał się projektantem warunków, niekoniecznie wykonawcą gestu. Ten przykład jest istotny, ponieważ pozwala uniknąć naiwnego przekonania, że każda delegacja wykonania oznacza kryzys twórczości. Sztuka od dawna zna sytuacje, w których autorstwo nie pokrywa się z manualnym wykonaniem. Wczesna sztuka komputerowa i algorytmiczna rozwijała tę linię w innym medium. Vera Molnar, Frieder Nake, Georg Nees22 i inni twórcy eksperymentowali z kodem, regułą, wariantem, permutacją i generowaniem form. Ich prace pokazują, że generowanie nie zaczyna się od współczesnych modeli dyfuzyjnych23 ani dużych modeli językowych. Sztuka generatywna ma własną historię, związaną z matematyką, programowaniem, geometrią, regułą, systemem i przypadkiem. Jednak skala tych praktyk, ich infrastruktura, ekonomia i dostępność były inne niż w przypadku dzisiejszych narzędzi generatywnych. Wczesny algorytm nie był globalną platformą. Kod artysty nie był modelem trenowanym na masowych zasobach cudzych danych. Generowanie było procedurą, nie powszechnym przemysłem syntetycznych wyników. 19 John Cage jest tu punktem odniesienia dla praktyk przypadku i operacji losowych, w tym kompozycji wykorzystujących I Ching; zob. John Cage, Silence: Lectures and Writings, Wesleyan University Press, Middletown 1961. 20 Fluxus i event scores są przywołane jako tradycja instrukcji, partytury działania i powtarzalnego gestu; zob. The Fluxus Performance Workbook, red. Ken Friedman, Owen Smith, Lauren Sawchyn, Performance Research e-Publications 2002. 21 Sol LeWitt jest przywołany jako przykład sztuki konceptualnej, w której idea i instrukcja mogą organizować wykonanie; zob. Sol LeWitt, Paragraphs on Conceptual Art, „Artforum”, czerwiec 1967 oraz Sentences on Conceptual Art, 1968/1969. 22 Vera Molnar, Frieder Nake i Georg Nees należą do kluczowych postaci wczesnej sztuki komputerowej i algorytmicznej; por. Margit Rosen (red.), A Little-Known Story…, ZKM / MIT Press 2011 oraz Grant D. Taylor, When the Machine Made Art, Bloomsbury 2014. 23 Modele dyfuzyjne są tu przywoływane jako techniczny kontekst współczesnych generatorów obrazu; por. Robin Rombach i in., High-Resolution Image Synthesis with Latent Diffusion Models, CVPR 2022. Oskar Chmioła © Sztuka po AI-2.0, 2026 22 Vera Molnar jest tu ważna jako artystka, która przez dekady badała regułę, wariant i komputerową permutację formy bez redukowania obrazu do efektu technicznego. Frieder Nake i Georg Nees pozwalają natomiast zobaczyć początki grafiki algorytmicznej jako praktyki, w której program, matematyka i ploter tworzyły widzialną historię decyzji, a nie ukrytą usługę platformową. Projekt AARON Harolda Cohena24 wprowadza jeszcze inny punkt odniesienia. Cohen przez dekady rozwijał system zdolny do tworzenia obrazów według określonych reguł. AARON stawiał pytania o autorstwo, program, maszynę, styl i autonomię systemu na długo przed współczesną debatą o AI generatywnej. Jednocześnie nie sposób przedstawiać AARON jako prostego odpowiednika dzisiejszych modeli. To inna architektura, inna skala danych, inna ekonomia i inny typ relacji między artystą a systemem. Właśnie ta różnica jest pouczająca. Historia sztuki algorytmicznej pokazuje ciągłość pytań, ale nie znosi odmienności współczesnej sytuacji. AARON jest w tej książce przykładem historycznym, ponieważ pokazuje długotrwałą relację artysty z systemem twórczym rozwijanym według określonych reguł. Stawką nie jest to, aby uznać go za prostego przodka dzisiejszych modeli generatywnych, lecz o pokazanie, że pytanie o maszynę, styl i autorstwo ma dłuższą historię niż obecna infrastruktura platformowa. Tę genealogię uzupełniają także praktyki kombinatoryczne OuLiPo25 oraz eksperymenty Raymonda Queneau26. Nie są one przykładem sztuki AI, ale pokazują, że reguła, permutacja i system mogły być używane jako narzędzia literackiej wolności, a nie tylko ograniczenia. Podobnie „Random Access” Nam June Paika27 otwiera myślenie o dostępie, wyborze i montażu jako o doświadczeniu nielinearnym, zanim interfejsy cyfrowe uczyniły losowość i wybór codziennym językiem kultury. OuLiPo jest istotne dlatego, że traktowało ograniczenie, regułę i kombinatorykę jako narzędzia literackiej wynalazczości. Raymond Queneau pokazuje w tym kontekście, że mechanizm wariantu może służyć nie automatyzacji sensu, lecz odsłonięciu potencjalności języka. Brian Eno28 i jego praktyki muzyki generatywnej, zwłaszcza myślenie o kompozycji jako o systemie wytwarzającym zmienne przebiegi, są z kolei ważne jako przykład różnicy między generatywnością proceduralną a generatywnością platformową. U Eno generowanie jest warunkiem słuchania czasu i procesu; w masowych narzędziach AI generowanie zbyt często staje się obietnicą szybkiego wyniku. To napięcie pozwala lepiej odróżnić eksperyment z systemem od przemysłu wariantów. W tym ujęciu Eno nie jest przywoływany jako prekursor dzisiejszych generatorów treści, lecz jako autor myślenia o systemie, który rozwija się w czasie i pozwala słuchać zmienności. Ten przykład komplikuje prostą krytykę generowania, bo ujawnia, że generatywność może być także techniką uwagi, a nie tylko techniką produkcji. Generatywna AI nie rozpoczyna więc historii sztuki proceduralnej, generowanej ani algorytmicznej. Zmienia natomiast jej skalę, tempo, dostępność, ekonomię i zaplecze infrastrukturalne. To, co wcześniej bywało eksperymentem artystycznym, badawczym albo technologicznym, dziś może stać się powszechną usługą interfejsu. To, co kiedyś wymagało znajomości kodu, własnej procedury albo długotrwałej pracy z systemem, dziś często zostaje sprowadzone do promptu, stylu, wariantu i selekcji wyniku. To, co kiedyś odsłaniało regułę, dziś bywa ukryte za gładką odpowiedzią modelu. 24 AARON był rozwijanym przez Harolda Cohena systemem sztuki komputerowej i AI, ważnym historycznie dla pytań o program, styl i autorstwo; zob. Pamela McCorduck, Aaron’s Code, W. H. Freeman, New York 1991. 25 OuLiPo jest przywołane jako tradycja literackich ograniczeń, reguł i kombinatoryki; w książce pełni funkcję genealogiczną, nie jest przykładem sztuki AI. 26 Raymond Queneau jest tu przywołany jako autor eksperymentów kombinatorycznych związanych z OuLiPo, zwłaszcza jako przykład literackiego użycia wariantu i reguły. 27 Random Access Nam June Paika jest przywołany jako przykład wcześniejszego myślenia o dostępie, wyborze i nielinearności przed epoką interfejsów predykcyjnych; por. dokumentacje instytucjonalne prac Paika. 28 Brian Eno jest przywoływany w kontekście muzyki generatywnej i kompozycji jako systemu rozwijającego się w czasie; por. dokumentacje i wypowiedzi Eno dotyczące generative music. Oskar Chmioła © Sztuka po AI-2.0, 2026 23 Współczesne teksty o generatywnej AI potwierdzają, że tej różnicy nie da się opisać samą historią narzędzi. Epstein i współautorzy proponują traktować generatywną AI jako nowe medium o własnych możliwościach działania, obejmujące estetykę, prawo, pracę twórczą i ekosystem mediów. Dla tej książki ważne jest jednak odwrócenie akcentu: medium nie działa w pustce, lecz wchodzi w pole już przygotowane przez instrukcję, kod, platformę i ekonomię wariantów. Grba pomaga tu utrzymać krytyczną czujność wobec języka „creative AI”, który zbyt łatwo mistyfikuje sprawczość systemu i zaciera różnicę między narzędziem, procedurą a podmiotem odpowiedzialności.29 Z tego powodu genealogia kryzysu twórczości nie służy temu, aby powiedzieć: „to wszystko już było”. Przeciwnie. Służy temu, aby precyzyjniej zobaczyć, co jest nowe. Nowa nie jest sama obecność procedury. Nowa nie jest sama możliwość generowania. Nowe jest połączenie generowania z masową dostępnością, platformową ekonomią, ogromną skalą danych, automatyzacją widzialności, kulturą natychmiastowej odpowiedzi i infrastrukturalnym ukryciem warunków produkcji. Automatyzm artystyczny był często próbą uwolnienia twórczości od zbyt ciasnej kontroli. Automatyzacja systemowa może natomiast podporządkować twórczość kontroli rozproszonej, statystycznej i trudnej do zauważenia. Właśnie między tymi dwoma biegunami rozpoczyna się genealogia kryzysu. Wniosek jest istotny dla dalszego wywodu: AI nie tyle narzuca sztuce logikę skalowalności od zera, ile przekształca wcześniejsze języki rynku, grantu, portfolio, platformy i kultury efektywności w operacyjne środowisko predykcji, w którym opis, wynik, zasięg i porównywalność zaczynają współdecydować o warunkach twórczości. 2.2. Neoliberalna skalowalność i przygotowanie pola predykcji AI mogła tak szybko wejść w kulturę nie z tego powodu, że pojawiła się w próżni, lecz stąd, że pole sztuki było już uczone projektowości, mierzalności i ciągłej widzialności. Ekonomicznym warunkiem predykcji okazuje się wcześniejsze podporządkowanie twórczości logice efektywności. AI nie wchodzi w neutralne pole sztuki. Wchodzi w pole już wcześniej przekształcone przez logikę projektu, efektywności, widzialności, konkurencji, mierzalności i skalowalności. Stąd kryzys twórczości w epoce AI nie może być opisany wyłącznie jako problem technologii. Jest także problemem ekonomii kultury. Neoliberalizm nie jest tutaj pobocznym tłem. Jest jednym z warunków przygotowujących pole predykcji. Zanim systemy AI zaczęły automatycznie generować teksty i obrazy, artyści, instytucje i organizacje kultury byli już uczeni języka mierzalnych rezultatów, celów, wskaźników, zasięgów, projektów, grup docelowych, harmonogramów, ewaluacji, raportów i przewidywalnych efektów. Twórczość coraz częściej musiała umieć opisać siebie zanim się wydarzyła. Musiała przewidzieć własny rezultat, uzasadnić społeczną użyteczność, zaplanować widzialność, określić odbiorców, zmierzyć wpływ i udowodnić efektywność. Taka logika nie jest identyczna z AI, ale przygotowuje dla niej grunt. Ta różnica jest istotna dla poszerzonej tezy tej książki: automatyzacja nie zaczyna się dopiero w chwili uruchomienia modelu. Może być wcześniej obecna jako forma organizacji pracy, języka i oczekiwań. Pole sztuki, które wymaga przewidywalnych rezultatów, ciągłej komunikacji, gotowości do raportowania, jasnych profili publiczności i mierzalnej widzialności, zaczyna działać w trybie zgodnym z predykcją, zanim jeszcze użyje konkretnego systemu AI. Jeśli wartość praktyki artystycznej zostaje coraz mocniej uzależniona od tego, czy da się ją opisać, przewidzieć, sformatować, zaraportować, porównać i wprowadzić do systemu oceny, to predykcyjność staje się naturalnym językiem pola. AI może wtedy wejść nie tylko jako narzędzie przyspieszenia, lecz jako infrastruktura automatycznej organizacji tego, co pole sztuki 29 Por. Ziv Epstein, Aaron Hertzmann, Laura Herman, Robert Mahari, Morgan R. Frank, Matthew Groh, Hope Schroeder, Amy Smith, Memo Akten, Jessica Fjeld, Hany Farid, Neil Leach, Alex Pentland, Olga Russakovsky, „Art and the Science of Generative AI: A Deeper Dive”, arXiv:2306.04141, 2023; Ziv Epstein i in., „Art and the Science of Generative AI”, „Science” 380(6650), 2023, DOI: 10.1126/science.adh4451; Dejan Grba, „Brittle Opacity: Ambiguities of the Creative AI”, xCoAx 2021, DOI: 10.5281/zenodo.4663408. Oskar Chmioła © Sztuka po AI-2.0, 2026 24 wcześniej uznało za oczekiwane: szybkiego opisu, dopasowania do kategorii, optymalizacji komunikatu, wygenerowania wariantów, przewidzenia reakcji i zwiększenia widzialności. Pierre Bourdieu pomaga zrozumieć, że pole sztuki nigdy nie jest prostą przestrzenią wolnej ekspresji. To układ pozycji, reguł, kapitału symbolicznego, instytucji, krytyki, rynku, edukacji, prestiżu i walki o uznanie. AI nie trafia więc do świata, w którym wszyscy twórcy mają równą widzialność, takie same zasoby i identyczny dostęp do publiczności. Wchodzi w pole już zróżnicowane. Może wzmacniać tych, którzy są lepiej opisani, lepiej zarchiwizowani, lepiej przetłumaczeni, lepiej wypozycjonowani i łatwiej rozpoznawalni przez system. Potrafi również spychać na margines praktyki mniej indeksowalne, lokalne, procesualne, relacyjne, efemeryczne albo trudne do wpisania w dominujące kategorie. Jon McKenzie30 pozwala z kolei uchwycić przemianę pojęcia performansu w stronę wydajności. W świecie zarządzania, technologii i instytucji „performować” znaczy nie tylko występować, ale także działać skutecznie, osiągać wyniki, spełniać parametry, produkować efekty i potwierdzać własną sprawność. Ta logika przenika również sztukę. Artysta ma nie tylko tworzyć. Ma performować swoją widzialność, aktywność, dostępność, elastyczność, komunikatywność i zdolność do realizowania projektów. Instytucja ma nie tylko prowadzić program. Ma wykazywać frekwencję, zasięg, wpływ, liczbę wydarzeń, liczbę odbiorców, liczbę publikacji i skuteczność komunikacji. Część współczesnych analiz wpływu generatywnej AI na artworld koncentruje się na tym, jak nowe modele zmieniają produkcję, obieg, autorstwo i role artystów. To ważna perspektywa, lecz genealogia prowadzona tutaj cofa pytanie o jeden krok: zanim AI zaczęła automatyzować tekst, obraz i analizę, pole sztuki było już uczone projektowania rezultatów, optymalizacji komunikatu, mierzenia wpływu i przewidywania własnej użyteczności. Dlatego generatywna AI jest nie tylko nowym medium, ale także narzędziem dopasowanym do wcześniejszej kultury projektu, wskaźnika i platformowej widzialności.31 Luc Boltanski i Ève Chiapello opisali, jak kapitalizm potrafił przechwycić język kreatywności, autonomii, sieciowości, elastyczności i projektu. Ten punkt ma znaczenie dla sztuki po AI, ponieważ wiele wartości kojarzonych z artystyczną wolnością – mobilność, innowacyjność, eksperyment, nieszablonowość, zdolność pracy projektowej – zostało włączonych w logikę nowego zarządzania. Artysta staje się idealną figurą elastycznego podmiotu: pracuje projektowo, często bez stabilnych warunków, sam organizuje widzialność, sam prowadzi komunikację, sam raportuje efekty, sam buduje portfolio i sam ma stale aktualizować swoją pozycję. W takim świecie AI nie narzuca twórczości dyscypliny z zewnątrz. Automatyzuje oczekiwania, które pole sztuki zdążyło już uznać za normalne. Artysta potrzebuje opisu projektu – model go wygładza. Instytucja przygotowuje komunikat – model podaje warianty. Pojawia się potrzeba stworzenia biogramu, streszczenia, planu działań, uzasadnienia, opis grupy docelowej albo raport – system daje ulgę. Ta ulga bywa realna. Jej cena pojawia się wtedy, gdy język twórczości coraz mocniej dopasowuje się do tego, co model umie szybko rozpoznać, uporządkować i odtworzyć. Neoliberalna skalowalność polega na tym, że to, co lokalne, kruche, nieprzewidywalne i sytuacyjne, musi zostać przepisane na format możliwy do powielania, porównywania i zarządzania. Projekt ma mieć strukturę. Cel jest tu mierzalny. Rezultat jest tu przewidywalny. Odbiorca jest tu opisany. Komunikacja jest tu spójna. Ryzyko jest tu kontrolowane. Wpływ jest tu raportowalny. Wartość jest tu możliwa do wykazania. To wszystko przygotowuje pole predykcji, bo uczy sztukę mówić językiem, który dobrze współpracuje z modelami: językiem kategorii, streszczeń, wskaźników i przewidywalnych rezultatów. 30 Jon McKenzie opisuje performans jako kategorię łączącą sztukę, zarządzanie, technologię i wydajność; zob. Jon McKenzie, Perform or Else, Routledge, London-New York 2001. 31 Por. Jelena Novaković, Jelena Guga, „Art after AI: The Impact of Generative AI on the Artworld”, w: „Navigating the Digital Age”, 2024, DOI: 10.5281/zenodo.14205155; Ziv Epstein i in., „Art and the Science of Generative AI: A Deeper Dive”, arXiv:2306.04141, 2023. Oskar Chmioła © Sztuka po AI-2.0, 2026 25 Portfolio artysty jest jednym z najprostszych przykładów tego procesu. Portfolio nie jest neutralnym zbiorem prac. Jest modelem artysty. Wybiera, porządkuje, skraca, opisuje, hierarchizuje i czyni twórczość czytelną dla instytucji, kuratora, grantodawcy, galerii, algorytmu albo publiczności. To, co nie mieści się w portfolio, może wypaść z pola rozpoznania. To, co nie daje się sfotografować, opisać albo streścić, staje się trudniejsze do pokazania. Tak powstaje presja na prace komunikowalne, dobrze udokumentowane, łatwe do ułożenia w sekwencję, gotowe do obiegu. Formularz grantowy działa podobnie. Zmusza do opisania przyszłego wydarzenia tak, jakby jego sens był możliwy do przewidzenia przed realizacją. Wymaga celów, wskaźników, rezultatów, harmonogramów, grup odbiorców, ryzyk i sposobów ewaluacji. Znowu: stawką nie jest to, że planowanie jest złe. Bez planowania wiele działań nie mogłoby się odbyć. Napięcie zaczyna się tam, gdzie logika planowania zaczyna zastępować logikę odkrywania. Gdy projekt musi udawać większą przewidywalność, niż może uczciwie zagwarantować. Gdy sztuka zostaje oceniona według tego, jak dobrze przewidziała samą siebie. Platformowa widzialność dodaje do tego kolejny poziom. Artysta i instytucja muszą działać w środowisku, w którym widzialność zależy od rytmu publikacji, reakcji odbiorców, algorytmicznych rekomendacji, atrakcyjności obrazu, jasności komunikatu, powtarzalności formatu i zdolności do utrzymania uwagi. W ten sposób twórczość zaczyna być formatowana nie tylko przez rynek i instytucję, ale także przez feed. Feed nie jest neutralnym kanałem. Jest maszyną porządkowania uwagi. Tak powstaje pole, w którym AI zaczyna wyglądać jak oczywiste rozwiązanie. Skoro trzeba pisać szybciej, generować więcej wariantów, dopasowywać język do odbiorców, przygotowywać komunikaty, streszczenia, grafiki, koncepcje i raporty, automatyzacja przychodzi jako obietnica oddechu. Ale często wzmacnia system, który najpierw przeciążył twórczość obowiązkiem ciągłej produkcji, a potem zaoferował jej maszynę do podtrzymywania tego przeciążenia. Tym samym genealogia kryzysu twórczości musi obejmować neoliberalną skalowalność. Bez niej AI wyglądałaby jak nagły technologiczny wstrząs. Z nią widać, że AI trafia w pole już nauczone optymalizacji. Modele nie tylko generują nowe treści. Uczą się języka pola, które od dawna domagało się szybkich odpowiedzi, mierzalnych efektów i przewidywalnych rezultatów. W tym układzie predykcja nie pozostaje wyłącznie cechą systemu technicznego. Może zostać zinternalizowana jako nawyk pracy. Artysta zaczyna pisać pod ranking, kurator pod czytelność formularza, instytucja pod wskaźnik, edukator pod łatwą ocenialność, a publiczność pod format reakcji. Stawką nie jest to, że ludzie stają się maszynami. Chodzi o subtelniejszy proces: ludzie mogą zacząć wykonywać cele systemu, zanim system cokolwiek im nakaże, ponieważ nauczyli się uznawać jego kryteria za naturalne warunki działania. Szczególnie istotne jest, że presja predykcyjna działa na wiele ról jednocześnie. Krytyk może pisać pod tempo obiegu i oczekiwanie szybkiej syntezy; kurator może konstruować program tak, aby był łatwy do zakomunikowania i sfinansowania; instytucja może wybierać działania dające się dobrze opisać w raporcie; artysta może wcześniej projektować dokumentację niż doświadczenie. Nie jest to oskarżenie tych osób. To opis pola, które wynagradza przewidywalność, a ryzyko, zwłokę, nieczytelność i procesowość często traktuje jako koszt. Taka internalizacja jest jedną z najtrudniejszych form predykcyjnej władzy, ponieważ nie wygląda jak przymus. Przyjmuje postać rozsądku, profesjonalizacji, komunikatywności, optymalizacji, troski o odbiorcę i odpowiedzialnego planowania. Dopiero po dokładniejszej analizie widać, że język troski o skuteczność może zacząć osłaniać język dostosowania do platformy, formularza, metryki albo modelu. Po tej analizie modelu danych nie można traktować jako niewinnego opisu kultury. Jest aparatem selekcji, który wzmacnia jedne światy, a inne pozostawia w słabym świetle rozpoznawalności. Oskar Chmioła © Sztuka po AI-2.0, 2026 26 2.3. Model danych jako model świata Prawo do niepełnej widzialności nie oznacza prawa do nieodpowiedzialności. Oznacza możliwość decyzji, które elementy dzieła, procesu albo relacji mogą zostać opisane publicznie, które powinny zostać udostępnione tylko w określonym kontekście, a które nie powinny stawać się materiałem do dalszej ekstrakcji. W ten sposób nieindeksowalność przestaje być zaniedbaniem dokumentacji. Staje się świadomym progiem między pamięcią a surowcem. Model danych lubi pełnię: pełny opis, pełny profil, pełną dokumentację, pełną przewidywalność, pełną zgodność ze słownikiem kategorii. Sztuka po AI może odpowiadać na tę pełnię przez projektowanie braków celowych – luk, opóźnień, niedopowiedzeń i miejsc, które nie są puste, lecz wymagają obecności człowieka. Model danych nigdy nie jest tylko technicznym odwzorowaniem rzeczywistości. W polu sztuki staje się filtrem, który decyduje, co da się opisać, porównać, zarchiwizować i uznać za reprezentatywne. Stawką tego podrozdziału jest więc pokazanie, jak format danych zaczyna współtworzyć świat, który rzekomo tylko porządkuje. Jednym z najważniejszych punktów ontologicznej argumentacji tej rozprawy jest pojęcie modelu danych jako modelu świata. Oznacza ono sytuację, w której dane, klasyfikacje, opisy, metadane, tagi, formularze i formaty nie tylko reprezentują rzeczywistość, ale zaczynają współorganizować to, co w rzeczywistości staje się widzialne, wyszukiwalne, porównywalne i wartościowalne. Model danych nigdy nie jest po prostu światem. Jest wyborem. Coś zostaje zapisane, coś pominięte. Coś otrzymuje nazwę, coś pozostaje bez kategorii. Coś trafia do archiwum, coś zostaje poza nim. Coś jest opisane w języku dominującym, coś tylko lokalnie. Coś ma dobrą dokumentację, coś istnieje jako pamięć uczestników. Coś da się otagować, coś wymyka się tagom. Coś można streścić, coś traci sens w streszczeniu. Model danych porządkuje świat, ale zawsze robi to z określonej perspektywy i przy pomocy określonych narzędzi. W polu sztuki to napięcie jest szczególnie widoczne. Dzieło, które trafia do bazy danych, musi zostać opisane: autor, tytuł, data, medium, wymiary, miejsce, słowa kluczowe, opis, prawa, dokumentacja, kontekst. Te informacje są potrzebne. Bez nich nie byłoby archiwum, badań, historii, wystaw, obiegu i dostępu. Ale każde takie opisanie jest także redukcją. Performans zostaje streszczony w kilku zdaniach. Instalacja staje się zestawem zdjęć. Proces społeczny zostaje zamieniony w dokumentację. Relacja z publicznością zostaje wpisana w opis projektu. Działanie site-specific zostaje oddzielone od miejsca, które je współtworzyło. Praca efemeryczna zostaje oceniona przez ślad. Metadane nie są niewinne. Tag otwiera dostęp i zarazem narzuca interpretację. Kategoria porządkuje, lecz potrafi zamknąć. Automatyczny opis zwiększa dostępność, ale może zubożyć sens, pomylić kontekst albo utrwalić stereotyp. System wyszukiwania pomaga odnaleźć pracę, a jednocześnie premiuje te prace, które lepiej odpowiadają dominującym słowom kluczowym. Archiwum chroni pamięć, ale może wykluczać praktyki słabo udokumentowane, lokalne, ustne, cielesne albo nieprzekładalne na standardowe formaty. Porządek danych zawsze coś wydobywa i zawsze coś zostawia w cieniu. Z tego powodu model danych jako model świata jest nie tylko problemem technicznym. Jest problemem ontologicznym i politycznym. Jeśli system widzi świat przez dane, to wszystko, co nie zostaje danymi, staje się słabsze w polu widzialności systemu. Jeśli system uczy się na zasobach lepiej zdigitalizowanych, lepiej opisanych i lepiej dostępnych, to wzmacnia kultury, języki i instytucje już obecne w danych. Jeśli dzieło sztuki musi stać się opisem, aby wejść do obiegu, to opis zaczyna współdecydować o jego istnieniu. Nie wynika z tego konieczność odrzucić dane, archiwa i opisy. Taka odmowa byłaby naiwna i często szkodliwa. Dane mogą chronić pamięć. Archiwa mogą przywracać widzialność. Opisy mogą zwiększać dostępność. Digitalizacja może otwierać zasoby dla osób, które nigdy nie dotarłyby do fizycznego archiwum. Problem polega na czym innym: na pomyleniu modelu z rzeczywistością. Na przekonaniu, że to, co dobrze opisane, jest ważniejsze od tego, co trudne do opisania. Że to, co wyszukiwalne, jest bardziej realne niż to, co Oskar Chmioła © Sztuka po AI-2.0, 2026 27 pozostaje w relacji, miejscu, ciele albo pamięci. Że automatyczne streszczenie może zastąpić doświadczenie. Model danych jako model świata działa także przed AI. Formularze, portfolio, archiwa, katalogi, opisy projektów, systemy grantowe i platformy społecznościowe już wcześniej wymagały formatowania twórczości. AI intensyfikuje i przekształca ten proces, ponieważ modele mogą przetwarzać te formaty na większą skalę, szybciej i z pozorem neutralnej inteligencji, a jednocześnie zwracać je kulturze jako gotowe opisy, podobieństwa, profile, streszczenia i kryteria rozpoznawalności. Jeśli praca jest dobrze sformatowana, łatwiej staje się materiałem dla systemu. Jeśli jest oporna wobec formatu, może wypaść z pola predykcji. W debacie o AI art ten problem wraca jako pytanie o to, czy system wytwarza tylko obraz, czy także pojęciowe warunki obrazu: nazwy, podobieństwa, style, oczekiwania i kategorie. Krytyka creative AI u Grby jest tutaj przydatna, ponieważ pokazuje, że fascynacja maszynową kreatywnością często zasłania zaplecze klasyfikacji, ideologii i reprezentacji. Model nie musi „rozumieć” sztuki, aby wpływać na to, co w polu sztuki uchodzi za rozpoznawalne, atrakcyjne albo podobne do tego, co już istnieje.32 Przykład formularza grantowego jest tutaj szczególnie wymowny. Formularz wymaga od praktyki artystycznej, aby stała się modelem samej siebie: miała cel, opis, grupę odbiorców, harmonogram, rezultaty, wskaźniki, ryzyka, budżet i uzasadnienie. To narzędzie administracyjne, ale zarazem forma epistemiczna. Nie tylko zbiera informacje o projekcie. Wpływa na to, jak projekt zostaje pomyślany. Artysta uczy się przewidywać własne działanie zgodnie z logiką formularza. Projekt zaczyna istnieć jako coś, co wcześniej domaga się opisania w kategoriach oceny. Podobnie portfolio nie tylko pokazuje prace. Portfolio modeluje artystę. Wybiera ciągłość tam, gdzie mogły być sprzeczności. Wytwarza rozpoznawalny profil tam, gdzie mogły być niekonsekwencje, porażki, przerwy i eksperymenty. Tworzy narrację rozwoju. Ułatwia ocenę. W czasach platform i systemów rekomendacyjnych33 portfolio staje się jeszcze bardziej predykcyjne: ma pozwolić szybko rozpoznać, kim jest artysta, do czego pasuje, z czym można go powiązać, jaką wartość reprezentuje i komu można go pokazać. Archiwa cyfrowe także uczestniczą w tym procesie. Praktyki artystyczne stają się zestawami rekordów, miniaturek, opisów, haseł, powiązań i metadanych. W najlepszym przypadku to wielka praca pamięci. W najgorszym – redukcja dzieła do tego, co da się wpisać w pola bazy. AI może pomóc w porządkowaniu archiwów, ale potrafi również pogłębić problem, jeśli automatyczne klasyfikacje zaczną zastępować wiedzę kuratorską, lokalną, historyczną albo ucieleśnioną. Właśnie tutaj zaczyna się głębszy sens tezy, że cała sztuka funkcjonuje dziś jako sztuka z AI. Nie dlatego, że każdy artysta używa generatora, ani nawet nie tylko z tego powodu, że każde dzieło musi przejść przez konkretną bazę danych. Chodzi o to, że modele danych coraz częściej organizują warunki publicznej rozpoznawalności sztuki: język opisów, strukturę portfolio, wymogi formularzy, praktyki archiwizacji, komunikację instytucji, sposoby tłumaczenia, kryteria wyszukiwalności i formaty pamięci. Tak rozumiany model danych staje się jednym z warunków istnienia sztuki w polu, nawet gdy sama praktyka pozostaje materialna, lokalna, analogowa albo niecyfrowa. Konsekwencja jest poważna: strategia sztuki po AI musi obejmować nie tylko decyzję o użyciu generatora, ale także decyzję o tym, jak dzieło zostanie opisane, jakie metadane otrzyma, czy jego dokumentacja zostanie udostępniona do dalszego przetwarzania, czy publiczność zostanie sprowadzona do danych i czy artysta zacznie projektować siebie pod przewidywaną czytelność systemu. Sztuka po AI jest więc również praktyką zarządzania własną obecnością w modelowanym świecie. 32 Por. Dejan Grba, „Brittle Opacity: Ambiguities of the Creative AI”, xCoAx 2021, DOI: 10.5281/zenodo.4663408. 33 Systemy rekomendacyjne są tu przywoływane jako infrastruktura selekcji i widzialności; por. Francesco Ricci, Lior Rokach, Bracha Shapira (red.), Recommender Systems Handbook, Springer, New York 2015. Oskar Chmioła © Sztuka po AI-2.0, 2026 28 Sztuka po AI musi odpowiedzieć właśnie na ten problem. Niewystarczające staje się pytanie, czy obraz został wygenerowany. Trzeba postawić pytanie, jak został opisany, gdzie został zarchiwizowany, jakie dane go poprzedzają, jakie metadane mu towarzyszą, jakie systemy decydują o jego widzialności, jakie kategorie go klasyfikują, jakie języki go niosą, jakie elementy jego sensu nie przechodzą do modelu. Należy także pytanie o prawo do niepełnej widzialności, do opóźnienia, do lokalności, do nieprzekładalności i do nieindeksowalności. Jeśli model danych staje się modelem świata, sztuka po AI musi bronić tych wymiarów świata, które nie zostają bez reszty zamienione w dane. Przykładem pozytywnego, ale nadal wymagającego ostrożności modelowania archiwum może być Secondary Archive34 Fundacji Katarzyny Kozyry. W perspektywie tej rozprawy nie jest to dowód, że każde archiwum powinno stać się zbiorem danych dla systemów AI, lecz przykład pracy nad widzialnością, opisem i pamięcią artystek. Pokazuje, że archiwum może przeciwdziałać wykluczeniu, ale tylko wtedy, gdy opis pozostaje odpowiedzialny wobec kontekstu, a nie służy bezrefleksyjnej ekstrakcji. Secondary Archive działa tu jako przykład archiwum, które nie tylko gromadzi dane, lecz także przywraca widzialność określonemu polu praktyk i biografii. Jego znaczenie dla sztuki po AI polega na tym, że uczy odróżniać archiwizację jako troskę o pamięć od archiwizacji jako przygotowania materiału do bezrefleksyjnego przetwarzania. Z kolei projekty takie jak „Training Humans” 35 Trevor Paglena i Kate Crawford pozwalają zobaczyć, że baza obrazów nie jest niewinnym zapleczem technicznym. To przestrzeń klasyfikacji, nazewnictwa, etykiet, skrótów i przemocy epistemicznej. Tak rozumiana krytyka modelu danych nie zaczyna się od generatora obrazu, lecz od pytania, kto i jak opisuje człowieka, ciało, zachowanie, twarz, gest i różnicę. „Training Humans” jest przykładem dzieła-badania: wystawy i publikacji, które pokazują, jak zbiory obrazów ludzi stają się narzędziem klasyfikowania, porządkowania i automatycznego widzenia. Dla tej rozprawy ważne jest to, że projekt przenosi uwagę z wygenerowanego obrazu na wcześniejszy etap – na dane, etykiety i przemoc ukrytą w sposobie opisywania człowieka. Model danych generuje więc nie tylko reprezentację dzieła, lecz także możliwe sposoby obchodzenia się z dziełem. Inaczej zostanie potraktowana praca opisana jako instalacja, inaczej jako projekt społeczny, inaczej jako badanie artystyczne, inaczej jako aktywizm, inaczej jako dokumentacja performansu. Każda kategoria otwiera pewne drogi obiegu i zamyka inne. Tak rozumiany opis nie jest dopiskiem po fakcie, lecz częścią predykcyjnej przyszłości dzieła. Model danych można więc oceniać przez trzy pytania kontrolne. Po pierwsze: co umożliwia – dostęp, pamięć, tłumaczenie, badanie, ochronę albo widzialność? Po drugie: co redukuje – relację, lokalność, konflikt, ciało, czas, błąd, niepewność albo kontekst? Po trzecie: czy pozwala na korektę, sprzeciw i dopowiedzenie, czy też zamyka dzieło w pierwszym, wygodnym opisie? Dopiero odpowiedź na te pytania pozwala odróżnić archiwizację jako troskę od archiwizacji jako ekstrakcji. Tu ujawnia się szersze znaczenie generatywności. System nie musi wygenerować obrazu, aby wygenerować sytuację. Może wygenerować profil artysty, sposób porównania, listę podobnych praktyk, przewidywaną publiczność, streszczenie projektu, hierarchię trafności albo język uzasadnienia. Tak rozumiana generatywność jest mniej widowiskowa niż syntetyczny obraz, ale często głębiej wpływa na realne warunki obecności sztuki. Tak rozumiana generatywność instytucjonalna jest szczególnie niebezpieczna stąd, że rzadko wygląda jak twórczość maszynowa. Przyjmuje postać dobrze brzmiącego opisu, zgodnego biogramu, trafnego hasła, listy podobnych artystów, automatycznego streszczenia albo sugestii, gdzie dana 34 Secondary Archive Fundacji Katarzyny Kozyry jest tu przykładem archiwum służącego widzialności i pamięci artystek; zob. oficjalną stronę projektu i dokumentację fundacji. 35 Training Humans to wystawa i publikacja Trevora Paglena i Kate Crawford poświęcona obrazowym zbiorom treningowym i klasyfikacji ludzi; zob. Kate Crawford, Trevor Paglen, Training Humans, Fondazione Prada / Osservatorio 2019. Oskar Chmioła © Sztuka po AI-2.0, 2026 29 praktyka „pasuje”. Nie wytwarza dzieła, lecz wytwarza warunki jego rozpoznania. Z tego powodu strategia Sztuki po AI musi obejmować nie tylko obraz i tekst, ale także metadane, katalogi, formularze, archiwa i systemy porównywania. Stawką autorstwa po AI nie jest więc nostalgiczna obrona podpisu, lecz obrona miejsca, w którym decyzja pozostaje związana z ciałem, relacją, ryzykiem i odpowiedzialnością. 2.4. Autorstwo, relacja i ciało w kryzysie predykcyjnym Kryzys autorstwa nie polega wyłącznie na tym, że maszyna może wytworzyć obraz albo tekst. Głębszy problem dotyczy przesunięcia relacji między decyzją, ciałem, odpowiedzialnością i śladem pracy. Stąd autorstwo jest tu analizowane nie jako własność podpisu, lecz jako układ konsekwencji. Kryzys twórczości w epoce AI dotyczy nie tylko tego, kto albo co wytwarza obraz, tekst czy dźwięk. Autora trzeba tu rozumieć nie jako samotne źródło ekspresji, lecz jako węzeł decyzji odpowiedzialnych. Autor wybiera narzędzie, zakres delegowania, dane, sposób ujawnienia procesu, stopień dokumentacji, relację z publicznością i granicę odmowy. Jeżeli część procesu wykonuje system, pytanie o autorstwo nie znika, tylko przesuwa się z pytania „kto zrobił?” na pytanie „kto zdecydował, na jakich warunkach, z jaką wiedzą i wobec kogo odpowiada za skutek?”. To przesunięcie pozwala odróżnić odpowiedzialne użycie narzędzia od wygodnego rozproszenia winy między interfejs, model i użytkownika. Badania nad wpływem generatorów obrazów na artystów pokazują, że kryzys autorstwa nie jest wyłącznie teoretyczną grą wokół pytania, czy maszyna może być twórcą. Dotyczy reputacji, utraty zleceń, podobieństwa outputów do istniejących stylów, niejasności danych treningowych, braku zgody, wynagrodzenia i przenoszenia odpowiedzialności z firm oraz użytkowników na samą kategorię „AI”. W tym sensie autorstwo po AI trzeba rozumieć jako praktyczną strukturę odpowiedzialności: kto decyduje, kto korzysta, kto zostaje przetworzony i kto może odmówić.36 Dotyczy także autorstwa, relacji i ciała. Te trzy pojęcia są ze sobą powiązane. Autorstwo nie jest tylko podpisem. Relacja nie jest tylko komunikacją. Ciało nie jest tylko tematem przedstawienia. W polu predykcyjnym wszystkie trzy zostają przekształcone. Autorstwo było kwestionowane w sztuce wielokrotnie: przez awangardy, ready-made, konceptualizm, instrukcję, sztukę partycypacyjną, praktyki kolektywne, appropriation art, sztukę generatywną i performans. Nie ma powodu wracać do prostego mitu autora jako samotnego źródła oryginalności. Taki mit już dawno został rozszczelniony. Problem AI polega jednak na czymś innym. Nie chodzi tylko o to, że autorstwo staje się złożone. Chodzi o to, że odpowiedzialność może zostać rozmyta między użytkownika, model, dostawcę narzędzia, dane treningowe, platformę, interfejs, prompt, regulamin i system obiegu. W sztuce konceptualnej albo proceduralnej delegowanie części wykonania mogło być jawne. Reguła była częścią dzieła. Instrukcja mogła zostać przeczytana. Współwykonawcy mogli być wskazani. W przypadku wielu narzędzi AI proces jest znacznie mniej przejrzysty. Użytkownik widzi interfejs i wynik, ale nie widzi w pełni danych, architektury modelu, reguł filtracji, pracy ludzi, kosztów infrastrukturalnych, praw licencyjnych i decyzji projektowych wbudowanych w system. Autorstwo nie tylko się rozprasza. Staje się trudne do prześledzenia. Nie oznacza to konieczności odmówienia autorstwa każdej pracy wykorzystującej AI. To byłoby zbyt proste. Autor może podejmować decyzje: dobierać narzędzia, ograniczać proces, pisać prompt, odrzucać wyniki, zestawiać materiały, ujawniać warunki, wprowadzać krytyczną ramę, brać odpowiedzialność za użycie i sens. Ryzyko ujawnia się wtedy, gdy autorstwo zostaje sprowadzone do selekcji wygenerowanego wyniku albo gdy wynik zaczyna udawać proces, którego nie było. W takim przypadku artysta ryzykuje przemianę w operatora prawdopodobieństwa: kogoś, kto wybiera spośród 36 Por. Harry H. Jiang, Lauren Brown, Jessica Cheng, Mehtab Khan, Abhishek Gupta, Deja Workman, Alex Hanna, Johnathan Flowers, Timnit Gebru, „AI Art and its Impact on Artists”, w: Proceedings of the 2023 AAAI/ACM Conference on AI, Ethics, and Society, 2023, s. 363–374, DOI: 10.1145/3600211.3604681. Oskar Chmioła © Sztuka po AI-2.0, 2026 30 wariantów wytworzonych przez system, ale nie rozpoznaje warunków ich powstania. Relacja ulega podobnemu przesunięciu. Pole sztuki zawsze było polem relacji: między artystą a materiałem, dziełem a odbiorcą, instytucją a publicznością, nauczycielem a studentem, kuratorem a kontekstem, archiwum a pamięcią. W środowisku predykcyjnym relacja może zostać zastąpiona interakcją. Interakcja jest łatwa do zarejestrowania: kliknięcie, reakcja, komentarz, czas oglądania, udostępnienie, ocena, zapytanie, odpowiedź. Relacja jest trudniejsza. Wymaga czasu, niepewności, odpowiedzi, ryzyka, obecności i kontekstu. Nie zawsze daje się zmierzyć. AI wzmacnia kulturę odpowiedzi. System ma odpowiedzieć szybko, płynnie, spójnie i przekonująco. Tymczasem twórczość często potrzebuje kultury pytania: zwłoki, niejasności, nieporozumienia, rozmowy, powrotu, korekty, ciszy, obecności i braku natychmiastowego rozwiązania. Jeśli publiczność zostaje przekształcona w profil, relacja może zostać zastąpiona dopasowaniem. Jeśli nauczyciel zostaje zastąpiony automatycznym feedbackiem, relacja pedagogiczna może zostać zastąpiona oceną. Jeśli krytyka zostaje zastąpiona generowanym streszczeniem, relacja z dziełem może zostać zastąpiona opisem bez spotkania. Ciało jest trzecim miejscem kryzysu. Modele mogą generować obrazy ciał, głosy, gesty, twarze, ruchy i style. Mogą symulować obecność, emocję, spojrzenie, ślad i dokument. Ale model nie ma ciała w sensie doświadczenia. Nie oddycha, nie męczy się, nie ryzykuje obecności, nie ponosi konsekwencji społecznych w taki sposób jak osoba, nie doświadcza czasu, bólu, oporu materiału, ciężaru miejsca ani napięcia relacji. Może wytwarzać reprezentacje ciała, ale nie działa z pozycji ciała. To rozróżnienie nie ma służyć naiwnemu przeciwstawieniu „żywego człowieka” i „martwej maszyny”. Chodzi raczej o to, że ciało w sztuce jest nośnikiem odpowiedzialności, ograniczenia i sytuacji. W performansie ciało nie jest tylko obrazem. Jest obecnością w czasie. W pracy manualnej ciało doświadcza materiału, oporu, błędu i zmęczenia. W praktykach site-specific ciało mierzy się z miejscem. W edukacji ciało uczestniczy w relacji, korekcie, napięciu i wspólnej uwadze. W archiwum ciało często znika, ale jego ślady pozostają w dokumentacji, opowieściach i pamięci. Kryzys predykcyjny polega więc na tym, że autorstwo, relacja i ciało mogą zostać przepisane na wynik, profil i dane. Autor staje się użytkownikiem narzędzia. Relacja staje się interakcją. Ciało staje się obrazem ciała. Proces staje się promptem. Pamięć staje się archiwum danych. Odpowiedzialność staje się regulaminem. Twórczość staje się produkcją wariantów. Ale z tego powodu kryzys ten nie jest końcem twórczości. Jest momentem, w którym powraca pytanie, gdzie znajduje się decyzja i kto ponosi za nią odpowiedzialność. Kluczowe staje się rozpoznanie, jakie dane, narzędzia i pominięcia doprowadziły do wyniku, czyje obrazy, głosy albo style zostały włączone bez zgody, jaką relację zastąpiła automatyczna odpowiedź, jakie ciało zostało wygenerowane bez doświadczenia ciała i jakie dzieło traci widzialność, ponieważ nie pasuje do modelu. Zanim AI stała się narzędziem generowania, pole sztuki było już przygotowywane do tego, aby autorstwo, relacja i ciało mogły zostać przekształcone w dane, profile i przewidywalne wyniki. Stąd odpowiedź musi objąć alternatywne modele działania i strategie oporu wobec generatywności oraz agentowości. W tym miejscu można ostrożnie dopowiedzieć, że agentowość nie dotyczy wyłącznie wyspecjalizowanych systemów AI ani chatbotów. Pole predykcyjne wytwarza także ludzkich wykonawców swoich celów: osoby i instytucje, które automatycznie powtarzają język optymalizacji, metryk, zasięgu i szybkiej odpowiedzi. Nie są one agentami AI w sensie technicznym. Mogą jednak działać agentowo wobec systemu, jeśli zamiast krytycznie wybierać narzędzia i cele, wykonują predykcyjne interesy platform, formularzy, rankingów i modeli uznania. Agentowość komplikuje ten układ, ponieważ wprowadza do pola nie tylko wynik, lecz także pozór działania. Agent może odpowiadać, podpowiadać, planować, filtrować, kierować użytkownika do kolejnego kroku, przypominać o zadaniu, symulować konsultację albo występować jako Oskar Chmioła © Sztuka po AI-2.0, 2026 31 techniczny pośrednik między człowiekiem a instytucją. W sztuce taki agent może zostać potraktowany jako aktor, statysta, instrument, marionetka, partner proceduralny, publiczność symulowana albo świadek techniczny. Każda z tych ról wymaga innego opisu odpowiedzialności. Największe ryzyko pojawia się wtedy, gdy operacyjna sprawność agenta zostaje pomylona z relacją. System może podtrzymywać interakcję, ale nie znaczy to, że bierze odpowiedzialność za spotkanie. Może symulować uwagę, ale nie znaczy to, że ma doświadczenie uwagi. Może reprezentować procedurę, ale nie znaczy to, że posiada własną etykę. Właśnie dlatego sztuka po AI musi odróżniać użycie agenta jako materiału, narzędzia albo figury dramaturgicznej od uznania go za podmiot relacji. Dlatego dalsza analiza musi przejść do infrastruktury: bez niej kryzys twórczości wyglądałby jak spór estetyczny, podczas gdy jest również sporem o dane, zasoby, władzę i warunki widzialności. Ekstraktywizm poznawczy pokazuje, że pytanie o autorstwo musi zostać rozszerzone o pytanie o zbiory, zgody, opisy i asymetrie dostępu. Wynik modelu jest końcem procesu, którego przemoc może zaczynać się dużo wcześniej. 2.5. Od genealogii kryzysu do infrastruktury władzy Genealogia prowadzi do infrastruktury wtedy, gdy widać, że kryzys twórczości nie jest już tylko problemem estetycznym. Jeżeli decyzje, opisy i warunki widzialności są organizowane przez systemy danych, konieczne staje się pytanie o materialne, prawne i polityczne zaplecze tych systemów. Genealogia kryzysu twórczości ujawnia, że AI nie jest początkiem wszystkich problemów, które ujawnia. Automatyzm, przypadek, instrukcja, algorytm, konceptualne przesunięcie od wykonania do reguły, sztuka generatywna, neoliberalna projektowość, portfolio, formularz, raport, widzialność platformowa i model danych – wszystkie te elementy wcześniej przygotowywały pole, w którym generatywna AI mogła zostać przyjęta jako narzędzie niemal oczywiste. Ale genealogia nie daje wystarczającej odpowiedzi. Pokazuje warunki historyczne, estetyczne i ekonomiczne, lecz nie wyjaśnia jeszcze w pełni, jak działa współczesny aparat AI. Nie wystarczy samo stwierdzenie, że sztuka była już wcześniej proceduralna, projektowa i sformatowana przez dane. Konieczne staje się pytanie, co dzieje się, gdy te wcześniejsze procesy zostają podłączone do przemysłowej infrastruktury obliczeniowej: centrów danych, energii, wody, sprzętu, układów scalonych, pracy ludzi, platform, regulaminów, prawa autorskiego, sporów o dane treningowe, dominujących języków, globalnych asymetrii i systemów automatycznej dystrybucji widzialności. Dopiero wtedy widać różnicę między historycznym automatyzmem a współczesną automatyzacją. Surrealista mógł próbować pisać poza świadomą kontrolą. Cage mógł wprowadzać przypadek jako sposób słuchania świata. Fluxus mógł przekształcać dzieło w instrukcję. LeWitt mógł oddzielać ideę od wykonania. Artyści sztuki algorytmicznej mogli eksperymentować z kodem i wariantem. W każdym z tych przypadków procedura była częścią praktyki artystycznej. W epoce AI procedura zostaje wpisana w infrastrukturę o skali przemysłowej i platformowej. To przesunięcie zmienia sens kryzysu. Nie chodzi już tylko o to, czy artysta używa maszyny. Chodzi o to, kto posiada infrastrukturę, kto dostarcza dane, kto ponosi koszty środowiskowe, kto wykonuje ukrytą pracę, kto kontroluje modele, kto ustala regulaminy, kto korzysta z obiegu, kto traci widzialność i kto może odmówić. Kryzys twórczości staje się kryzysem infrastrukturalnym. Genealogia musi więc ustąpić miejsca infrastrukturze przemocy. Nie unieważnia historii automatyzmu i sztuki generatywnej, lecz pokazuje, że dzisiejsza AI działa w innym układzie sił: jej generatywność nie jest tylko estetyczną procedurą, lecz częścią ekstrakcji danych, automatyzacji widzialności, prawa, środowiska, pracy, języka i geopolityki. Współczesne pole „Art after AI”, „After AI Art”, „post-AI art” i AI art potwierdza więc, że sama genealogia procedury nie wystarcza. Jedne teksty widzą w generatywnej AI nowe medium, inne – Oskar Chmioła © Sztuka po AI-2.0, 2026 32 środowiskowy język praktyk artystycznych, jeszcze inne – eksperyment kuratorsko-wydawniczy albo krytykę relacji człowiek–model. Dla tej książki wszystkie te rozpoznania są ważne o tyle, o ile wymuszają przejście od historii narzędzi do historii warunków: danych, platform, prawa, pracy, energii, archiwów i automatyzacji widzialności.37 37 Por. Joanna Zylinska, „After AI Art”, „Widok. Theories and Practices of Visual Culture” 38, 2024, DOI: 10.36854/widok/2024.38.2870; ArtReview, „What Is Post-AI Art?”, 2025; Ståle Stenslie, Zane Cerpina, „ART AFTER AI: Utilizing Artificial Intelligence in Art Creation”, ISEA 2024; „EE #4: Art After AI”, TEKS.press, 2023. Oskar Chmioła © Sztuka po AI-2.0, 2026 33 III. Infrastruktura przemocy – AI jako aparat władzy 3.1. Ekstraktywizm poznawczy: kultura jako zasób danych Pojęcie ekstraktywizmu poznawczego nazywa sytuację, w której kultura może zostać potraktowana jak złoże – nie minerałów, lecz obrazów, tekstów, głosów, stylów, gestów, opisów, zachowań i relacji. Argument tego podrozdziału polega na pokazaniu, że przemoc AI nie zaczyna się dopiero w chwili wygenerowania wyniku, ale już na poziomie pozyskania, oczyszczenia, klasyfikowania i organizacji materiału treningowego. Genealogia kryzysu twórczości pokazała, że AI nie pojawia się w pustym miejscu. Wchodzi w pole sztuki już wcześniej przygotowane przez automatyzm, procedurę, instrukcję, sztukę generatywną, projektowość, skalowalność, portfolia, formularze, archiwa, platformy i modele danych. Po rozpoznaniu, jak twórczość została przygotowana do predykcji, trzeba zapytać, kto i co utrzymuje aparat, który tę predykcję skaluje. AI nie jest tylko interfejsem. Nie sprowadza się do okna rozmowy, generatora obrazu, systemu montażu, narzędzia do streszczania tekstów ani asystenta pisania. Jest częścią rozległej infrastruktury danych, energii, pracy, sprzętu, prawa, platform, języków, archiwów i geopolityki. Z tego powodu w tej rozprawie pojawia się pojęcie infrastruktury przemocy. Pytanie nie dotyczy efektownego oskarżenia ani metafory mającej zastąpić analizę. Chodzi o wskazanie mechanizmów, przez które kultura może zostać przekształcona w zasób: ekstrahowany, klasyfikowany, indeksowany, trenowany, monetyzowany, automatyzowany i wprowadzany z powrotem do obiegu jako pozornie neutralna odpowiedź systemu. Pierwszą formą tej przemocy jest przemoc ekstrakcyjna. Polega ona na tym, że teksty, obrazy, głosy, style, dokumentacje, archiwa, zachowania, relacje i ślady aktywności kulturowej mogą zostać potraktowane jako materiał do przetwarzania. Kultura przestaje być tylko przestrzenią znaczeń, sporów, pamięci, ekspresji i relacji. Staje się zbiorem danych. Dzieło staje się rekordem. Styl staje się wzorcem. Głos staje się próbką. Archiwum staje się zbiorem treningowym. Opis staje się metadaną. Publiczność staje się profilem. Historia sztuki staje się zasobem do statystycznego przeszukiwania. Ten proces nie zaczyna się dopiero wtedy, gdy firma technologiczna trenuje model na wielkich zbiorach danych. Zaczyna się wcześniej, w samym sposobie organizowania kultury jako czegoś, co powinno być widzialne, opisane, policzalne, wyszukiwalne, porównywalne i gotowe do obiegu. Cyfrowe archiwa, katalogi, portale, media społecznościowe, platformy wideo, bazy obrazów, biblioteki cyfrowe, repozytoria akademickie i systemy grantowe wytwarzają ogromne ilości danych o kulturze. AI wchodzi w ten świat jako technologia, która potrafi ten zasób przetwarzać na niespotykaną wcześniej skalę. Stąd ekstraktywizm poznawczy ma także wymiar przygotowawczy. Zanim dane trafią do modelu, kultura bywa już układana tak, aby mogła stać się danymi: przez przymus dokumentacji, standardyzację opisów, rozbudowę metadanych, wymóg raportowania, presję widzialności i platformowe oczekiwanie ciągłej obecności. AI nie wymyśla tej infrastruktury od zera, ale przekształca ją w środowisko operacyjne, w którym skala, automatyczność i pozór neutralnej inteligencji zaczynają zmieniać same warunki dostępu do kultury. Przejście od genealogii do infrastruktury można opisać jako przejście przez trzy progi. Pierwszym jest próg procedury: dzieło może powstawać według reguły, instrukcji albo przypadku. Drugim jest próg platformy: reguła zostaje włączona w system widzialności, obiegu i rozliczania. Trzecim jest próg infrastruktury: procedura i platforma zostają podłączone do danych, energii, pracy, własności i geopolityki. Dopiero na trzecim progu AI przestaje być tylko narzędziem twórczym, a staje się aparatem organizującym warunki kultury. W tym miejscu należy odróżnić dostępność od zgody. Fakt, że coś jest dostępne w internecie, nie oznacza automatycznie, że może być etycznie traktowane jako materiał treningowy, surowiec statystyczny albo zasób do generowania podobnych treści. Publiczna widzialność dzieła nie jest Oskar Chmioła © Sztuka po AI-2.0, 2026 34 równoznaczna ze zgodą na jego przetwarzanie. Opublikowany tekst nie przestaje mieć autora. Zdjęcie dokumentujące performans nie staje się bezpaństwowym materiałem do uczenia systemu. Archiwum dostępne badawczo nie musi być dostępne ekstrakcyjnie. To rozróżnienie ma szczególne znaczenie w sztuce, gdzie dokumentacja często powstaje po to, aby zachować ślad wydarzenia, a nie po to, aby zasilać modele generatywne. To rozróżnienie ma praktyczne konsekwencje dla artystów i instytucji. Udostępnienie dokumentacji może służyć edukacji, pamięci i dostępności, ale nie musi oznaczać zgody na trenowanie modeli, tworzenie podobnych wyników, automatyczne profilowanie publiczności albo komercyjne wykorzystanie stylu. Właśnie dlatego w kulturze po AI potrzebne są nie tylko licencje, ale także czytelne protokoły: co wolno kopiować, co wolno oglądać, co wolno archiwizować, czego nie wolno trenować i które elementy praktyki pozostają związane z kontekstem, zgodą oraz prawem do odmowy. Artworld po AI jest więc nie tylko przestrzenią odbioru nowych narzędzi, lecz także środowiskiem nieustannego wytwarzania danych o sztuce: katalogów, portfolio, dokumentacji fotograficznej i filmowej, opisów kuratorskich, biogramów, tekstów krytycznych, zapisów edukacyjnych, metadanych i śladów publiczności. W takim środowisku ekstraktywizm poznawczy dotyczy nie tylko dzieł rozumianych jako gotowe obiekty, ale także całego zaplecza ich rozpoznawalności. To, co miało służyć pamięci, dostępności albo komunikacji, może zostać przekształcone w zasób treningowy, wzorzec podobieństwa albo materiał do automatycznego generowania kolejnych wyników. Scraping, czyli zautomatyzowane pobieranie treści z sieci, jest w tym kontekście nie tylko techniką gromadzenia danych. Jest także polityką dostępu. Użytkownik widzi stronę, obraz, katalog albo repozytorium; system widzi materiał możliwy do pobrania, oczyszczenia, opisania i włączenia do zbioru. Pomiędzy widzialnością a wykorzystaniem pojawia się więc różnica etyczna, prawna i kulturowa. To, że dzieło zostało opublikowane, nie znaczy, że jego autor zgodził się na statystyczne wydobycie stylu, sposobu kadrowania, języka, kompozycji, głosu albo gestu. To, że archiwum zostało otwarte dla badań, nie znaczy, że powinno stać się paszą dla modelu. To, że dokumentacja performansu krąży w internecie, nie znaczy, że można ją oderwać od ciała, czasu, miejsca i zgody uczestników. Nick Couldry i Ulises Mejias, pisząc o kolonializmie danych, zwracają uwagę na przekształcanie życia społecznego w zasób podlegający ekstrakcji. Shoshana Zuboff opisuje kapitalizm nadzoru jako ekonomię, która wydobywa dane behawioralne i wykorzystuje je do przewidywania oraz kształtowania zachowań. Te perspektywy są istotne dla sztuki po AI, ponieważ pozwalają zobaczyć, że dane nie są neutralnym „materiałem”. Są wynikiem relacji władzy. Ktoś decyduje, co zostaje zebrane, jak zostaje opisane, kto ma do tego dostęp, kto może na tym zarabiać i kto ponosi konsekwencje. Ekstraktywizm poznawczy oznacza więc nie tylko pobieranie danych. Oznacza pobieranie świata w taki sposób, aby mógł zostać przekształcony w wiedzę operacyjną systemu. Kultura zostaje włączona do mechanizmu, który nie musi jej rozumieć w ludzkim sensie, aby skutecznie ją przetwarzać. Model nie musi znać historii gestu, lokalnego kontekstu obrazu, bólu zawartego w świadectwie, politycznej stawki archiwum ani intencji performansu. Wystarczy, że potrafi rozpoznać wzorce i produkować prawdopodobne odpowiedzi. To prowadzi do przemocy epistemicznej. Przemoc epistemiczna polega na tym, że systemy klasyfikowania, opisywania i przewidywania zaczynają decydować o tym, co uchodzi za wiedzę, co jest łatwe do znalezienia, co jest widoczne, co zostaje uznane za podobne, a co wypada poza zakres rozpoznania. Jeśli model częściej spotyka określone języki, style, ikonografie i tradycje, łatwiej będzie je odtwarzał. Jeśli inne praktyki są słabiej obecne w danych, gorzej opisane, lokalne, ustne, efemeryczne, cielesne albo trudne do digitalizacji, staną się mniej dostępne dla systemu. Nie dlatego, że są mniej ważne, ale z tego powodu, że gorzej pasują do warunków modelowania. Oskar Chmioła © Sztuka po AI-2.0, 2026 35 W sztuce konsekwencje są poważne. Praca może zostać sprowadzona do stylu. Styl może zostać sprowadzony do zestawu cech wizualnych. Cechy wizualne mogą zostać oderwane od praktyki, życia, ryzyka, miejsca, ciała i historii. Wtedy model może wygenerować coś „w stylu” pewnej estetyki, ale bez relacji, z której ta estetyka wyrastała. Może wytworzyć powierzchnię podobieństwa bez odpowiedzialności za źródło. Może produkować bliskość bez genealogii. Z tego powodu infrastruktura przemocy nie polega wyłącznie na kradzieży albo naruszeniu prawa autorskiego, choć te kwestie są ważne i wymagają osobnego audytu. Polega także na głębszym przesunięciu: kultura zostaje potraktowana jako zapas wzorców. Jej wartość nie musi już polegać na tym, że ktoś ją rozumie, przeżywa, interpretuje, kontynuuje albo bierze za nią odpowiedzialność. Wartość może polegać na tym, że da się ją przetworzyć. Nie należy z tego wyprowadzać wniosku, że każde użycie danych jest przemocą. Archiwa, digitalizacja, katalogowanie, dostępność, tłumaczenie i opis mogą być praktykami troski. Mogą chronić pamięć, umożliwiać badania, zwiększać dostęp, przywracać widzialność praktykom marginalizowanym. Problem zaczyna się tam, gdzie praca pamięci zostaje przejęta przez logikę ekstrakcji. Tam, gdzie archiwum przestaje być relacją z przeszłością, a staje się magazynem danych. Tam, gdzie opis przestaje służyć rozumieniu, a zaczyna służyć skalowaniu podobieństwa. Spory prawne wokół AI – Thaler v. Perlmutter, Getty Images v. Stability AI, pozwy Authors Guild czy sprawy podejmowane przez artystów takich jak Sarah Andersen – pokazują, że problem autorstwa i danych treningowych nie jest abstrakcyjny. Dotyczy tego, kto może rościć sobie prawo do wyniku, kto został włączony do danych, kto nie wyraził zgody, kto czerpie zysk z infrastruktury i czy istniejące pojęcia prawa autorskiego wystarczają wobec modeli generatywnych. 38 Thaler v. Perlmutter dotyczy granic autorstwa w sytuacji, gdy twórca próbuje przypisać sprawczość systemowi AI; wyrok D.C. Circuit z 18 marca 2025 r. utrzymał wymóg autorstwa ludzkiego w amerykańskim prawie autorskim. Getty Images v. Stability AI pokazuje spór o obrazy, metadane, znaki wodne i dane treningowe w relacji między archiwum wizualnym a modelem generatywnym; wyrok High Court z 4 listopada 2025 r. miał ograniczony zakres i nie zamknął całej debaty o treningu AI na materiałach chronionych.39 Pozwy Authors Guild oraz sprawy artystów i artystek, w tym Sarah Andersen, wskazują na szerszy konflikt o to, czy skala uczenia modeli może pomijać zgodę, wynagrodzenie i kontrolę twórców nad ich pracą; w aktualnym stanie tych sporów należy mówić ostrożnie o postępowaniach i roszczeniach, nie o ostatecznie utrwalonych zasadach.40 W odpowiedzi na ten poziom ekstrakcji pojawiają się także narzędzia defensywne, takie jak Glaze i Nightshade41 rozwijane na University of Chicago. Ich znaczenie nie polega na tym, że rozwiązują cały problem, lecz na tym, że wprowadzają do pola praktyczną formę antygeneratywności: próbę ochrony stylu, obrazu i pracy artysty przed niechcianym przetwarzaniem. Glaze można rozumieć jako próbę utrudniania modelom przejmowania rozpoznawalnych cech stylu, natomiast Nightshade jako bardziej konfrontacyjną odpowiedź na niechciane użycie obrazów w danych treningowych. Oba 38 Thaler v. Perlmutter dotyczy odmowy rejestracji utworu wskazującego system AI jako autora; 18.03.2025 Sąd Apelacyjny dla Dystryktu Kolumbii potwierdził wymóg autorstwa ludzkiego dla ochrony copyright w USA. Sprawa nie rozstrzyga pełnego zakresu ochrony utworów tworzonych z pomocą AI przez człowieka; zob. Thaler v. Perlmutter, No. 23-5233, oraz U.S. Copyright Office, Copyright and Artificial Intelligence, Part 2: Copyrightability, 2025. 39 Getty Images v. Stability AI jest sprawą dotyczącą użycia obrazów, metadanych i znaków wodnych w kontekście modeli generatywnych. W wyroku High Court z 4.11.2025 oddalono roszczenie o wtórne naruszenie praw autorskich wobec modelu jako „infringing copy”, przy jednoczesnych ograniczonych ustaleniach dotyczących znaku towarowego; zakres rozstrzygnięcia należy czytać ostrożnie i według właściwej jurysdykcji. 40 Pozwy Authors Guild v. OpenAI oraz Andersen v. Stability AI są przywołane jako przykłady sporów o dane treningowe, zgodę, wynagrodzenie, outputy i kontrolę twórców nad ich pracą. Według dostępnych docketów CourtListener były to sprawy w toku; nie należy przedstawiać ich jako ostatecznie rozstrzygniętych. 41 Glaze i Nightshade to narzędzia rozwijane na University of Chicago jako techniczne formy ochrony stylu i obrazów przed niechcianym użyciem w modelach generatywnych. Oskar Chmioła © Sztuka po AI-2.0, 2026 36 narzędzia są ważne nie jako pełne rozwiązanie problemu, lecz jako dowód, że odmowa może przyjąć postać technicznej procedury ochronnej. Na tym poziomie szczególnie ważne jest, aby nie mylić ochrony z izolacją. Narzędzia defensywne mogą ograniczać niechciane przetwarzanie, ale nie zastąpią polityk instytucjonalnych, prawa, jawności danych treningowych ani edukacji twórców. Ich znaczenie w tej książce jest przede wszystkim diagnostyczne: pokazują, że spór o AI przeszedł z poziomu opinii na poziom praktycznych procedur ochrony stylu, obrazu i warunków pracy. Ekstraktywizm poznawczy jest więc pierwszym poziomem infrastruktury przemocy. Drugim jest jej materialne zaplecze. Dane nie przetwarzają się same. Modele nie istnieją w chmurze w sensie metafizycznym. Za każdym płynnym interfejsem stoi infrastruktura obliczeń, energii, chłodzenia, sprzętu, pracy i własności. 3.2. Materialność AI: energia, woda, centra danych, sprzęt, praca AI jest często opisywana językiem chmury, inteligencji i przepływu informacji, ale jej działanie zależy od energii, wody, sprzętu, pracy i infrastruktury. Niematerialny efekt estetyczny ma bardzo materialne zaplecze. Jednym z najbardziej uporczywych mitów kultury cyfrowej jest mit niematerialności. Pliki wydają się lekkie. Obrazy pojawiają się natychmiast. Odpowiedzi modeli przychodzą bez widocznego wysiłku. Chmura brzmi jak coś bez ciężaru. Interfejs ukrywa hałas, temperaturę, wodę, serwery, układy scalone, kopalnie, transport, odpady, etykietowanie danych, moderację treści i pracę utrzymaniową. Sztuczna inteligencja często przedstawia się jako inteligencja bez miejsca. Tymczasem AI jest głęboko materialna. Kate Crawford w „Atlas of AI” przesuwa rozmowę o sztucznej inteligencji z poziomu abstrakcyjnej inteligencji na poziom wydobycia, pracy, klasyfikacji, energii, infrastruktury i władzy. Vladan Joler, mapując infrastruktury cyfrowe i relacje między użytkownikiem, platformą, kapitałem, urządzeniami, danymi i niewidzialną pracą, pokazuje z kolei, jak skomplikowany jest układ zależności ukryty za pozornie prostym działaniem technologicznym. Projekt „Anatomy of an AI System42”, przygotowany przez Kate Crawford i Vladana Jolera, rozwija tę intuicję w formie mapy infrastrukturalnej: pokazuje, że pojedyncze urządzenie i usługa AI są powiązane z wydobyciem surowców, logistyką, pracą, energią, danymi i własnością platform. W tej rozprawie projekt działa jako przykład metody: zamiast patrzeć tylko na efekt interfejsu, trzeba odtworzenie zaplecza jego działania. Najpierw trzeba rozróżnić trening i inferencję. Trening to proces budowania modelu na podstawie wielkich zbiorów danych, wielokrotnych obliczeń, testowania i dostrajania. Inferencja to późniejsze działanie modelu podczas odpowiedzi na zapytanie, generowania obrazu, streszczania tekstu, transkrypcji, tłumaczenia albo obsługi użytkownika. Debata publiczna często koncentruje się na treningu, bo to on bywa spektakularny: wymaga ogromnych klastrów obliczeniowych i jest znakiem skali firm technologicznych. Jednak w miarę masowego użycia systemów rośnie znaczenie inferencji. Jeżeli z modelu korzystają miliony osób, środowiskowy koszt pojedynczej interakcji, nawet niewielki, zaczyna działać w skali infrastrukturalnej. To stąd nie wystarczy pytać, ile kosztował trening jednego modelu. Trzeba pytać także, ile kosztuje jego codzienne utrzymywanie, obsługa, aktualizacja, chłodzenie, przechowywanie danych i skalowanie w usługach dostępnych globalnie. To rozróżnienie chroni przed dwoma uproszczeniami. Pierwsze polega na mówieniu o AI tak, jakby każdy prompt miał łatwy do policzenia, jednoznaczny koszt środowiskowy. Drugie – na uznaniu, że skoro pojedyncza interakcja wydaje się mała, cała infrastruktura jest nieistotna. Odpowiedzialna analiza musi utrzymywać oba poziomy naraz: ostrożność wobec niepewnych 42 Anatomy of an AI System Kate Crawford i Vladana Jolera jest mapą infrastrukturalną pokazującą zależności między urządzeniem, danymi, pracą, logistyką, wydobyciem i platformą; AI Now Institute / SHARE Lab 2018. Oskar Chmioła © Sztuka po AI-2.0, 2026 37 przeliczeń jednostkowych oraz świadomość skali systemowej, w której miliardy niewielkich operacji wymagają centrów danych, chłodzenia, sprzętu, sieci, pracy i własności. W praktyce artystycznej i instytucjonalnej oznacza to potrzebę raportowania nie tylko samego faktu użycia AI, lecz także jego skali, celu i rodzaju. Inaczej należy oceniać jednorazowe wsparcie redakcyjne, inaczej masowe generowanie wariantów obrazu, inaczej analizę archiwum, a jeszcze inaczej proces oparty na długich kontekstach, obrazach, wideo albo systemach agentowych. Odpowiedzialność środowiskowa nie polega tu na łatwym moralnym zakazie, lecz na precyzyjnym nazwaniu dawki technologii i uzasadnieniu, dlaczego była ona potrzebna. Według raportu IEA „Energy and AI”43 z 2025 roku centra danych zużyły w 2024 roku około 415 TWh energii elektrycznej, czyli około 1,5 procent światowego zużycia energii elektrycznej. W scenariuszu bazowym IEA globalne zużycie energii elektrycznej przez centra danych ma wzrosnąć do około 945 TWh w 2030 roku, a więc do poziomu bliskiego dzisiejszemu rocznemu zużyciu energii elektrycznej dużego państwa przemysłowego. Te liczby trzeba czytać ostrożnie: nie są prostym kosztem samej sztucznej inteligencji, lecz obejmują centra danych jako szerszą infrastrukturę chmury, usług cyfrowych i obliczeń. Jednocześnie raport IEA pokazuje, że AI przyspiesza popyt na wysokowydajne serwery z akceleratorami, a więc na tę część infrastruktury, która najbardziej zmienia gęstość energetyczną centrów danych. Z tego powodu dane środowiskowe nie mogą być używane jako efektowna figura retoryczna, ale nie mogą też być pomijane. Skala jest realna, nawet jeśli dokładne przypisanie kosztu do pojedynczego zapytania, obrazu albo filmu pozostaje metodologicznie trudne. Energia jest tylko pierwszym poziomem materialności. Drugim jest woda. Centra danych wytwarzają ciepło, a utrzymanie stabilnych warunków pracy serwerów wymaga chłodzenia. W zależności od lokalizacji, technologii i warunków klimatycznych może to oznaczać istotne zużycie wody albo dodatkowe zużycie energii potrzebnej do chłodzenia. Nie istnieje jedna uniwersalna liczba opisująca „koszt zapytania do AI”, ponieważ zużycie zależy od architektury modelu, długości zapytania, trybu generowania, typu centrum danych, temperatury otoczenia, miksu energetycznego, metody chłodzenia i sposobu księgowania. Badania nad wodnym śladem AI, na przykład prace Pengfeia Li44, Jianyi Yang, Mohammada A. Islama i Shaolei Rena, są ważne stąd, że przesuwają rozmowę z abstrakcyjnej chmury na konkretne warunki geograficzne. Woda zużywana w regionie suchym nie znaczy tego samego co woda pobierana w regionie o innym bilansie hydrologicznym. Emisja w sieci opartej na węglu nie znaczy tego samego co obliczenie zasilane energią niskoemisyjną. Materialność AI jest zawsze lokalna, nawet gdy interfejs udaje globalną bezmiejscowość. Trzecim poziomem jest sprzęt. AI wymaga układów scalonych, serwerów, pamięci, sieci, systemów przechowywania danych i infrastruktury przesyłowej. Szczególnie istotne są GPU i inne akceleratory, czyli wyspecjalizowane układy przyspieszające obliczenia potrzebne do treningu i działania modeli. Ich produkcja zależy od łańcuchów dostaw obejmujących projektowanie chipów, zaawansowaną litografię, fabryki półprzewodników, surowce, wodę ultraczystą, energię, transport, montaż, serwis i wymianę sprzętu. Sztuczna inteligencja nie jest tylko kodem. Jest także metalem, krzemem, plastikiem, logistyką, fabryką, transportem, energią i odpadem. Globalny raport o elektroodpadach45 UNITAR i ITU przypomina, że sprzęt cyfrowy nie znika po wycofaniu z użycia. 43 International Energy Agency, Energy and AI, IEA, Paris 2025 – raport źródłowy dla danych o zużyciu energii przez centra danych: około 415 TWh w 2024 r. i scenariusz bazowy około 945 TWh w 2030 r.; liczby dotyczą szerszej infrastruktury centrów danych, a nie prostego kosztu samej sztucznej inteligencji. 44 Pengfei Li, Jianyi Yang, Mohammad A. Islam, Shaolei Ren, Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models, arXiv:2304.03271, 2023 – badanie wodnego śladu modeli AI, przydatne jako punkt odniesienia, ale wymagające ostrożności przy przeliczaniu na pojedyncze zapytania i różne konfiguracje infrastruktury. 45 The Global E-waste Monitor 2024, przygotowany przez UNITAR i ITU, wskazuje m.in. rekordowe 62 mld kg e-odpadów wygenerowanych globalnie w 2022 r. oraz formalny recykling około 22,3 procent tej masy; raport jest tu źródłem ogólnego kontekstu dla problemu elektroodpadów i infrastruktury sprzętowej. Oskar Chmioła © Sztuka po AI-2.0, 2026 38 Staje się częścią problemu odpadów elektronicznych, toksycznych substancji, recyklingu, nieformalnej pracy i nierównej dystrybucji kosztów środowiskowych. Czwartym poziomem jest praca. Modele AI nie są wyłącznie efektem samoczynnego uczenia maszyn. Ich działanie zależy od pracy ludzi: badaczy, inżynierów, programistów, administratorów infrastruktury, moderatorów, etykieterów danych, osób oceniających odpowiedzi, twórców dokumentacji, zespołów bezpieczeństwa, prawników, osób obsługujących centra danych i wielu innych grup, których praca często pozostaje niewidoczna dla użytkownika. Mary L. Gray i Siddharth Suri46 opisali tę warstwę jako „ghost work” – pracę ukrytą za pozorem automatyzacji. W przypadku AI szczególnie ważne są prace związane z przygotowaniem, czyszczeniem, opisywaniem, ocenianiem i moderacją danych. Interfejs może symulować automatyczność, ale automatyczność bardzo często stoi na ludzkiej pracy, która została przesunięta poza pole widzenia. RLHF 47, czyli uczenie ze wzmocnieniem na podstawie informacji zwrotnej od ludzi, pokazuje to szczególnie wyraźnie: model uczy się preferowanych odpowiedzi dzięki ludzkim ocenom, rankingom, korektom i porównaniom. To nie jest dowód, że AI jest po prostu ukrytą pracą człowieka. Jest dowodem, że automatyzacja nie eliminuje pracy, lecz zmienia jej miejsce, widzialność i warunki. Piątym poziomem jest własność infrastruktury. Modele, centra danych, platformy, API, regulaminy, systemy płatności i narzędzia dystrybucji należą do konkretnych podmiotów. API, czyli programistyczny interfejs dostępu do usługi, może stać się bramą do modelu, ale także mechanizmem zależności: firma może zmienić ceny, limity, regulaminy, polityki danych, warunki przechowywania treści i zakres dopuszczalnych zastosowań. Big Tech nie jest tu abstrakcyjnym demonem. Oznacza układ firm, które kontrolują jednocześnie infrastrukturę chmurową, modele, systemy reklamowe, wyszukiwarki, platformy społecznościowe, sklepy z aplikacjami, narzędzia biurowe, API, dane użytkowników, kapitał inwestycyjny i zdolność do budowania centrów danych. W sztuce ma to konsekwencje bezpośrednie. Artysta może eksperymentować z narzędziem, które do niego nie należy, którego danych nie zna, którego reguł filtracji nie kontroluje, którego działania nie potrafi w pełni wyjaśnić i którego warunki użycia mogą się zmienić. Instytucja może zautomatyzować opis archiwum narzędziem, które przetwarza dane poza jej realną kontrolą. Szkoła może zachęcać studentów do korzystania z systemów, których koszt środowiskowy, prawny i poznawczy nie został omówiony. Krytyk może używać modelu do streszczania tekstów, nie wiedząc, jakie źródła i błędy zorganizowały odpowiedź. Na tym tle ważne są także raporty i deklaracje samych firm technologicznych, ale trzeba czytać je krytycznie. Microsoft w raporcie środowiskowym 2025 opisuje inwestycje w efektywność centrów danych, zakup energii odnawialnej i rozwiązania chłodzenia bez poboru wody w fazie pracy wybranych obiektów, w tym deklarowane oszczędności przekraczające 125 milionów litrów wody rocznie na pojedynczy obiekt. Google w technicznym preprincie i omówieniu dotyczącym obsługi Gemini Apps, przygotowanym przez własnych badaczy, wskazuje bardzo niski medianowy koszt pojedynczego tekstowego promptu: 0,24 Wh energii i 0,26 ml wody w badanym środowisku produkcyjnym. Takie dane są ważne, bo wprowadzają do debaty metodologię pomiaru pełnego stosu infrastruktury, ale pozostają źródłami firmowymi i wymagają krytycznej lektury. Nie można ich jednak bezpośrednio uogólniać na całą AI, wszystkie modele, wszystkie typy zapytań, generowanie obrazów, wideo, agentów albo inne firmy. Pokazują raczej dwie rzeczy naraz: że dokładny pomiar jest możliwy i potrzebny oraz że brak pełnej, porównywalnej transparentności między dostawcami nadal utrudnia odpowiedzialną ocenę kosztów. Materialność AI nie oznacza, że każde użycie narzędzia jest zakazane albo etycznie równoważne z przemocą. Takie ujęcie byłoby zbyt proste. Oznacza jednak, że nie sposób mówić o AI jako o 46 Mary L. Gray i Siddharth Suri opisują „ghost work” – pracę ukrytą za pozorem automatyzacji; zob. Ghost Work, Houghton Mifflin Harcourt, Boston-New York 2019. 47 RLHF, czyli reinforcement learning from human feedback, oznacza dostrajanie modelu na podstawie ludzkich ocen i preferencji; pojęcie jest tu używane jako przykład ukrytej pracy w systemach AI. Oskar Chmioła © Sztuka po AI-2.0, 2026 39 niematerialnym wsparciu twórczości. Każde użycie odbywa się w infrastrukturze. Każde użycie ma warunki. Każde użycie jest częścią szerszego układu energii, danych, pracy i własności, choć konkretna skala kosztu może być trudna do określenia. Z tego powodu dane środowiskowe w tym rozdziale pozostają na poziomie diagnozy, natomiast Aneks 3 „Raport środowiskowy” rozwija zakresy, porównania i ograniczenia metodologiczne. Rozdział III odbiera AI pozór nieważkości: pokazuje, że za płynną odpowiedzią stoi aparat, który zajmuje miejsce, zużywa zasoby, organizuje pracę i należy do określonych podmiotów. Jeżeli sztuka z AI funkcjonuje w polu predykcyjnym, to predykcja ta nie jest abstrakcyjna. Jest zasilana, chłodzona, trenowana, utrzymywana, opłacana, regulowana i skalowana. Stąd krytyka AI w sztuce nie może kończyć się na estetyce wyniku. Musi zejść pod powierzchnię interfejsu. 3.3. Geopolityka wiedzy: języki, archiwa i cyfrowy kolonializm Lokalność może działać jak kod, ale nie w sensie hermetycznego szyfru. Jest raczej zagęszczeniem kontekstu: zestawem odniesień, pamięci, doświadczeń, nazw, gestów i historii, których nie da się bez straty przenieść do globalnego streszczenia. Gdy model próbuje ujednolicić język opisu, lokalność przypomina, że część sensu powstaje dopiero między ludźmi, miejscem i czasem. Nie każda wiedza powinna być natychmiast przetwarzalna. Nie każda dokumentacja powinna być trenowalna. Nie każde archiwum powinno być całkowicie otwarte dla automatycznego pobierania. W polu sztuki po AI pytanie o dostępność musi więc iść razem z pytaniem o protokół dostępu: kto może zobaczyć, kto może kopiować, kto może trenować, kto może opisywać i kto może odmówić. Geopolityka AI nie dotyczy wyłącznie lokalizacji centrów danych. Dotyczy również tego, które języki, archiwa i formy ekspresji są najlepiej reprezentowane w modelach, a które pozostają słabe, źle opisane albo niewidzialne. Na tym poziomie model świata może reprodukować nierówną mapę kultury. AI nie przetwarza świata równomiernie. Modele uczą się z danych, a dane są nierówno rozmieszczone. Niektóre języki, kultury, instytucje, archiwa i style są znacznie lepiej reprezentowane w zasobach cyfrowych niż inne. Niektóre kraje i firmy mają większy dostęp do infrastruktury obliczeniowej. Niektóre instytucje mogą digitalizować, opisywać i udostępniać swoje zasoby, a inne nie mają na to środków. Niektóre tradycje są obecne w globalnych obiegach akademickich i platformowych, inne pozostają lokalne, ustne, słabiej opisane albo trudne do przetłumaczenia. Geopolityka wiedzy nie polega więc na prostym przeciwstawieniu „Zachodu” i „reszty świata”. Taki podział byłby zbyt schematyczny. Chodzi raczej o sieć asymetrii: językowych, archiwalnych, infrastrukturalnych, ekonomicznych, prawnych i technologicznych. Modele AI wzmacniają te asymetrie wtedy, gdy uczą się przede wszystkim z zasobów lepiej zdigitalizowanych, częściej cytowanych, łatwiej dostępnych, lepiej opisanych i silniej obecnych w dominujących językach. Dominacja języka angielskiego jest jednym z najbardziej oczywistych, ale nie jedynym problemem. Języki mniej obecne w danych mogą być gorzej obsługiwane, bardziej podatne na błędy, słabsze stylistycznie, częściej tłumaczone przez kalki albo traktowane jako peryferyjne. Ale podobna asymetria dotyczy także archiwów. Praktyki dobrze sfotografowane, opisane i skatalogowane łatwiej trafiają do obiegu danych. Praktyki efemeryczne, lokalne, ustne, performatywne, wspólnotowe albo słabo udokumentowane mogą zostać pominięte albo uproszczone. Tak rozumiana AI może wzmacniać istniejące hierarchie historii sztuki. To, co już było widzialne, staje się jeszcze łatwiej generowalne, streszczalne i rekomendowalne. To, co było słabo widzialne, może pozostać na marginesie także w świecie modeli. Jeśli system częściej spotyka określone kanony, łatwiej będzie je odtwarzał. Jeśli nie zna lokalnego kontekstu, może zastąpić go prawdopodobnym uogólnieniem. Jeśli nie ma dostępu do archiwum, może wyprodukować gładką odpowiedź zamiast przyznać brak wiedzy. Oskar Chmioła © Sztuka po AI-2.0, 2026 40 Safiya Noble48 pokazała, że systemy wyszukiwania nie są neutralne i mogą reprodukować uprzedzenia oraz hierarchie reprezentacji. Ruha Benjamin 49 analizuje sposoby, w jakie technologie mogą automatyzować nierówności pod pozorem obiektywności. Wendy Hui Kyong Chun 50 pomaga analizować sieci, nawyki i technologie cyfrowe jako układy polityczne, w których procesy urasowienia – społecznego i technologicznego przypisywania oraz utrwalania kategorii rasowych – nie są zewnętrznym dodatkiem do systemu, lecz częścią jego działania. Te perspektywy są ważne nie dlatego, że każdą ich tezę należy mechanicznie przenieść na sztukę po AI, ale z tego powodu, że pokazują wspólny problem: system techniczny może wyglądać neutralnie, a jednocześnie przenosić historię nierówności. Tak rozumiane geopolityka wiedzy dotyczy także polskiego i środkowoeuropejskiego pola sztuki. Praktyki opisane słabiej po angielsku, funkcjonujące w mniejszych archiwach, oparte na dokumentach rozproszonych, efemerycznych wydarzeniach albo lokalnych sporach instytucjonalnych mogą być w modelach mniej czytelne niż kanony dobrze opisane globalnie. Problemem nie jest sama lokalność, lecz jej nierówne przełożenie na dane i języki obiegu. Model może znać nazwiska, które mają bogate anglojęzyczne zaplecze, a gorzej rozumieć artystów istniejących w katalogach, zinach, dokumentacji prywatnej, pamięci środowiskowej albo językach rzadziej reprezentowanych w dużych zbiorach. Nie chodzi przy tym wyłącznie o ilość danych, ale o ich pozycję w hierarchii rozpoznawalności. Ten sam fakt zapisany w katalogu lokalnym, tekście po polsku, archiwum instytucji regionalnej albo prywatnej dokumentacji środowiskowej ma inną siłę operacyjną niż fakt obecny w anglojęzycznej monografii, globalnej bazie muzealnej albo często cytowanym artykule. Model może więc nie tyle „nie znać” danej praktyki, ile znać ją w trybie słabym: fragmentarycznym, źle przetłumaczonym, pozbawionym kontekstu albo podporządkowanym kategoriom wypracowanym gdzie indziej. Cyfrowy kolonializm, rozumiany ostrożnie, nie oznacza tylko dominacji jednego regionu nad drugim. Oznacza mechanizm, w którym dane, relacje, języki, obrazy i aktywności są wydobywane, przetwarzane i wykorzystywane przez podmioty dysponujące infrastrukturą, kapitałem i mocą obliczeniową. Tak rozumiany kolonializm danych nie jest metaforą zastępującą analizę, lecz opisem asymetrii między tymi, którzy dostarczają zasoby, a tymi, którzy kontrolują narzędzia ich przetwarzania. W kulturze problem ten jest szczególnie delikatny. Lokalne archiwum może zostać zdigitalizowane po to, by ocalić pamięć. Ale może także stać się zasobem dla systemu, który wyrywa obrazy, głosy i teksty z kontekstu. Mniejszościowy język może zyskać nowe narzędzia tłumaczenia i dostępności. Ale potrafi również zostać spłaszczony do dominujących struktur składniowych i semantycznych. Praktyka artystyczna może zostać opisana globalnie. Ale może także utracić własną lokalną gęstość, jeśli system przepisze ją na kategorie już rozpoznane. Stąd jednym z najważniejszych pytań sztuki po AI jest pytanie o archiwum. Nie dotyczy ono samej decyzji, co digitalizować, lecz także sposobu opisu, prawa do metadanych, granic automatycznego przetwarzania i stopnia indeksowalności dokumentacji. Jak chronić pamięć, nie zamieniając jej w surowiec? Jak zwiększać dostępność bez ekstrakcji? Jak tłumaczyć bez spłaszczenia? Jak archiwizować performans, rytuał, działanie lokalne, praktykę wspólnotową albo proces, który nie chce stać się wyłącznie rekordem w bazie? W tym miejscu geopolityka wiedzy musi zostać doprecyzowana przez jeszcze jeden mechanizm: modele nie uczą się sprawiedliwości, lecz regularności zapisanych w danych. Jeżeli dane historyczne 48 Safiya Umoja Noble analizuje nierówności i uprzedzenia reprodukowane przez wyszukiwarki; zob. Algorithms of Oppression, New York University Press, New York 2018. 49 Ruha Benjamin opisuje technologiczne automatyzowanie nierówności pod pozorem neutralności; zob. Race After Technology, Polity Press, Cambridge 2019. 50 Wendy Hui Kyong Chun analizuje media cyfrowe, nawyk, rozpoznawanie i politykę danych; zob. Updating to Remain the Same, MIT Press 2016 oraz Discriminating Data, MIT Press 2021. Oskar Chmioła © Sztuka po AI-2.0, 2026 41 powstawały w świecie nierównych szans, nierównego dostępu do instytucji, nierównej reprezentacji językowej i nierównego prawa do widzialności, system predykcyjny może potraktować tę nierówność jako wzorzec trafności. Głośny przypadek eksperymentalnego narzędzia rekrutacyjnego Amazonu, opisanego przez Reutersa i komentowanego później w debacie o AI bias, pokazuje ten problem w podstawowej formie: model trenowany na wcześniejszych danych aplikacyjnych uczył się profilu kandydata podobnego do tych, którzy historycznie dominowali w firmie, a więc mógł karać sygnały związane z kobiecością nie dlatego, że rozumiał płeć, lecz dlatego, że statystycznie odtwarzał wcześniejszą hierarchię sukcesu.51 Dla pola sztuki ten przykład jest ważny nie jako opowieść o rekrutacji, lecz jako ostrzeżenie przed automatyzacją prestiżu. Jeżeli model miałby oceniać „ważność” artysty na podstawie liczby wystaw, jakości dokumentacji, obecności w muzeach, częstotliwości cytowań, liczby anglojęzycznych opisów, rozpoznawalności galerii, siły uczelni i widzialności medialnej, mógłby rozpoznawać uprzywilejowanie jako talent, a historyczny dostęp do centrum jako dowód jakości. W takim układzie dane nie tylko opisują pole sztuki. Mogą przedłużać jego dawną hierarchię i przedstawiać ją jako neutralną predykcję. Jeszcze mocniej widać to w mechanizmie uprzedzeniowego sprzężenia zwrotnego. Chodzi o sytuację, w której system jest trenowany na danych będących skutkiem wcześniejszych praktyk instytucjonalnych, a następnie jego działanie generuje nowe dane potwierdzające wcześniejszy model. Badania nad predictive policing pokazały, że dane o wykryciach i zatrzymaniach nie są neutralną mapą przestępczości: są także mapą wcześniejszej obecności policji, wcześniejszego nadzoru i wcześniejszych decyzji o tym, gdzie patrzeć. Podobny problem ujawniały dyskusje wokół COMPAS, czyli narzędzia oceny ryzyka recydywy analizowanego przez ProPublicę: stawką nie był sam wynik obliczenia, lecz to, jak dane, kategorie i progi ryzyka wchodzą w realne decyzje instytucjonalne.52 W kulturze sprzężenie zwrotne może działać ciszej, ale równie głęboko. Artysta częściej pokazywany przez system rekomendacji zyskuje kolejne kliknięcia, zaproszenia, recenzje, cytowania i metadane; te dane wracają potem do systemu jako dowód jego trafności. Instytucja częściej opisywana po angielsku staje się łatwiejsza do znalezienia, a łatwość znalezienia zaczyna wyglądać jak większe znaczenie. Archiwum dobrze zdigitalizowane produkuje więcej śladów, a większa liczba śladów może zostać pomylona z większą wagą historyczną. W ten sposób predykcja nie tylko przewiduje obieg sztuki. Może go współprodukować. Istotne jest też to, że uprzedzenie algorytmiczne nie wynika wyłącznie z „brudnych danych”. Może powstać już na poziomie pytania postawionego systemowi. Jeżeli pytanie brzmi: „kto odniesie sukces?”, a sukces w danych oznaczał dotąd dostęp do pieniędzy, stabilności, centrum instytucjonalnego, języka angielskiego, zdrowia, mobilności, dobrej dokumentacji i sieci kontaktów, system może nieświadomie utożsamić warunki uprzywilejowania z wewnętrzną wartością osoby albo praktyki. W świecie sztuki pytanie „kto jest najważniejszy?” rzadko jest niewinne, jeśli odpowiedź opiera się na archiwach zbudowanych przez wcześniejsze mechanizmy selekcji. Kolejnym problemem jest norma treningowa. W badaniu „Gender Shades” Joy Buolamwini i Timnit Gebru pokazały duże różnice skuteczności komercyjnych systemów klasyfikacji płci na twarzach zależnie od koloru skóry i płci; najwyższy błąd dotyczył ciemnoskórych kobiet, a najniższy jasnoskórych mężczyzn. Nie trzeba mechanicznie przenosić tego przykładu na każde archiwum 51 Indigenous Protocol and Artificial Intelligence jest przywołane jako inicjatywa przesuwająca debatę o AI ku suwerenności danych, protokołom wspólnotowym i prawu do kontroli dostępu do wiedzy. 52 Agenda 2030 i system SDGs są tu przywołane jako jawne ramy polityk publicznych, nie jako dowód ukrytego planu władzy; zob. United Nations, Transforming our world: the 2030 Agenda for Sustainable Development, A/RES/70/1, 2015; United Nations, Global indicator framework for the Sustainable Development Goals and targets of the 2030 Agenda for Sustainable Development, aktualna wersja oficjalna. W odniesieniu do ESG i języka raportowania por. IFRS Foundation / International Sustainability Standards Board, IFRS S1 General Requirements for Disclosure of Sustainability-related Financial Information oraz IFRS S2 Climate-related Disclosures, 2023. Oskar Chmioła © Sztuka po AI-2.0, 2026 42 sztuki, aby uchwycić jego sens: to, co częściej występuje w danych i co zostało uznane za typowe, łatwiej staje się normą działania systemu. To, co słabiej reprezentowane, może zostać oznaczone jako anomalia, błąd, brak dopasowania albo niska pewność klasyfikacji.53 W polu sztuki ta norma treningowa może dotyczyć ciał, materiałów, estetyk, sposobów dokumentacji, języków opisu, technik efemerycznych, praktyk wspólnotowych i niekanonicznych formatów dzieła. Automatyczny opis obrazu albo dokumentacji performansu może dobrze rozpoznawać to, co przypomina dominujące zbiory treningowe, a gorzej radzić sobie z gestem, lokalnym znakiem, kontekstem postkolonialnym, niepełną dokumentacją, praktyką neuroatypową, działaniem rytualnym, sztuką outsiderów albo pracą opartą na relacji zamiast na efekcie wizualnym. Wtedy problemem nie jest brak inteligencji systemu, lecz ciasna definicja tego, co system nauczył się widzieć jako normalne. Podobnie działają korpusy językowe. Badania Aylin Caliskan, Joanny J. Bryson i Arvinda Narayanana nad word embeddings, czyli wektorowymi reprezentacjami słów uczonymi na dużych korpusach, pokazały, że statystyczne modele języka mogą odtwarzać ludzkie stereotypy semantyczne związane z rasą, płcią i zawodami. Latanya Sweeney pokazała z kolei, że w reklamach pojawiających się przy wyszukiwaniu imion bardziej kojarzonych z osobami czarnoskórymi częściej występowały sugestie związane z aresztowaniem niż przy imionach częściej kojarzonych z osobami białymi. W obu przypadkach nie chodzi o „złą wolę” narzędzia, lecz o to, że prawdopodobieństwo językowe i reklamowe może przechowywać społeczne dziedzictwo nierówności.54 Dla sztuki oznacza to, że automatyczny opis dzieła, sugestia tagów, streszczenie biogramu, tłumaczenie tekstu kuratorskiego albo propozycja „podobnych artystów” nie są wyłącznie pomocą techniczną. Mogą przenosić ukryte mapy wartościowania: które nazwiska brzmią profesjonalnie, które praktyki wydają się akademickie, które języki uchodzą za neutralne, które regiony są przedstawiane jako peryferyjne, które gesty są odczytywane jako „sztuka”, a które jako folklor, terapia, aktywizm, amatorstwo albo materiał społeczny. W ten sposób model językowy może współtworzyć hierarchię uznania przez samą składnię opisu. Przypadek chatbota Tay Microsoftu pokazuje jeszcze inną warstwę problemu: system uczący się w toksycznym środowisku nie tylko przejmuje dane, ale przejmuje także rytm prowokacji, agresji i nadużycia. Tay został wycofany po tym, jak w ciągu pierwszej doby publicznych interakcji zaczął generować obraźliwe treści, a Microsoft w oficjalnym komentarzu pisał o konieczności lepszego przewidywania złośliwych nadużyć systemu. Ten przypadek nie powinien być sprowadzany do prostego hasła „garbage in, garbage out”. Ważniejsze jest to, że dane, interakcje, moderacja, podatność na manipulację i projekt ramy społecznej tworzą jeden układ odpowiedzialności.55 Z tego powodu nie wystarcza usunięcie z danych jawnych informacji o płci, rasie, niepełnosprawności, pochodzeniu albo klasie. Strategia określana jako fairness through unawareness – sprawiedliwość przez niewiedzę systemu o cechach chronionych – często zawodzi, ponieważ cechy te wracają przez dane zastępcze: kod pocztowy, szkołę, język, przerwy w karierze, typ zatrudnienia, lokalizację, sieć kontaktów, rodzaj dokumentacji albo historię instytucjonalną. W sztuce analogicznie 53 Por. James C. Scott, Seeing Like a State: How Certain Schemes to Improve the Human Condition Have Failed, Yale University Press, New Haven-London 1998; Theodore M. Porter, Trust in Numbers: The Pursuit of Objectivity in Science and Public Life, Princeton University Press, Princeton 1995; Alain Supiot, Governance by Numbers: The Making of a Legal Model of Allegiance, Hart Publishing, Oxford-Portland 2017; Antoinette Rouvroy, Thomas Berns, Algorithmic Governmentality and Prospects of Emancipation: Disparateness as a Precondition for Individuation through Relationships?, „Réseaux” 2013/1, nr 177, s. 163-196; Geoffrey C. Bowker, Susan Leigh Star, Sorting Things Out: Classification and Its Consequences, MIT Press, Cambridge-London 1999. 54 Ryzyko błędnych klasyfikacji przez detektory AI, zwłaszcza wobec osób piszących po angielsku jako drugim języku, omawiają Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu i James Zou, GPT detectors are biased against non-native English writers, „Patterns” 4(7), 2023, DOI: 10.1016/j.patter.2023.100779. 55 matryca.tech określa się jako baza spraw Big Techu; według strony projektu baza obejmuje 33 sprawy, 12 firm i około 480 źródeł. W tej książce pełni funkcję polskiego punktu odniesienia dla mapowania powtarzalnych wzorców danych, regulaminów, sporów i odpowiedzialności platform. Oskar Chmioła © Sztuka po AI-2.0, 2026 43 działa prestiż uczelni, jakość fotografii, znajomość języka grantowego, obecność w katalogach, dostęp do kuratorów i możliwość pracy w centrum obiegu.56 Także techniczne miary bezstronności nie są czystą matematyką. Wybór definicji błędu, progu akceptacji, sposobu ważenia danych, kryterium skuteczności i rozumienia fairness jest decyzją normatywną. W perspektywie tej książki oznacza to, że naukowa analiza AI w sztuce nie może ograniczyć się do oceny outputu. Musi badać cały łańcuch modelowania: zbiór danych, brakujące dane, kategorię, normę treningową, metrykę, interfejs, instytucję, użytkownika, decyzję, efekt społeczny i nowe dane wytworzone przez działanie systemu. Dopiero wtedy Sztuka po AI może być metodą odpowiedzialnej decyzji, a nie tylko komentarzem do estetyki wygenerowanego wyniku. Geopolityka wiedzy dotyczy także instytucji artystycznych. Muzea, galerie, biblioteki, fundacje, uczelnie i archiwa z krajów lepiej finansowanych mogą szybciej digitalizować zbiory, wdrażać systemy opisu, tłumaczyć treści i budować widzialność w sieci. Instytucje słabsze infrastrukturalnie mogą zostać mniej obecne w danych, a przez to mniej obecne w przyszłych odpowiedziach systemów. To nie jest wyłącznie problem technologiczny. To problem pamięci kulturowej. Z tego powodu polskojęzyczne pojęcie Sztuki po AI nie powinno być wyłącznie kalką globalnego języka post-AI art. Może wchodzić z nim w dialog, ale musi zachować własną gęstość: doświadczenie lokalnych instytucji, słabszej obecności archiwalnej, efemerycznych praktyk, języka niedostatecznie reprezentowanego w modelach oraz historii sztuki, która nie zawsze została przełożona na dominujące formaty opisu. Lokalność staje się tu metodą wiedzy, a nie ozdobnym przypisem do globalnej debaty. Sztuka po AI musi więc bronić lokalności nie jako nostalgii, ale jako warunku wiedzy. Lokalność oznacza język, miejsce, publiczność, pamięć, instytucję, ciało, praktykę i kontekst, których nie da się bez straty przepisać na globalny model. Nie chodzi wyłącznie o zamknięcie archiwów ani odmowę tłumaczenia. Chodzi o prawo do kontekstu. O prawo do opisu, który nie redukuje. O prawo do niepełnej przetwarzalności. O prawo do wiedzy, która nie udaje, że powstaje znikąd. W tym miejscu szczególnie ważne są inicjatywy dekolonialne i protokolarne, takie jak Indigenous Protocol and Artificial Intelligence57. Ich znaczenie dla sztuki po AI nie polega na prostym dodaniu kolejnego głosu do zachodniego dyskursu technologicznego, lecz na przesunięciu pytania o AI w stronę suwerenności danych, wspólnotowych reguł wiedzy, zgody, odpowiedzialności międzygeneracyjnej i prawa do tego, by nie każda wiedza była automatycznie dostępna dla systemu. Ten punkt odniesienia przypomina, że nie każda wiedza powinna być automatycznie dostępna, przetwarzalna i trenowalna, nawet jeśli technicznie można ją zapisać w formie danych. Tak rozumiana lokalność nie jest dekoracją. Jest metodą epistemiczną. Przypomina, że model może przetwarzać język, obraz i opis, ale nie powinien zastępować protokołów kulturowych, wspólnotowych sposobów decydowania o dostępie ani prawa do zachowania części wiedzy poza obiegiem ekstrakcyjnym. 3.4. Automatyzacja decyzji kulturowych W odpowiedzi na stos decyzji kulturowych sztuka może tworzyć stos opóźnień. Nie chodzi o sabotowanie komunikacji, lecz o przywrócenie czasu tam, gdzie system oczekuje natychmiastowego przejścia od dzieła do opisu, od opisu do tagu, od tagu do profilu i od profilu do rekomendacji. Opóźnienie może mieć formę wolniejszej dokumentacji, rozmowy przed publikacją, ograniczonego dostępu do nagrań, świadomego braku pełnej transkrypcji albo pracy, której najważniejszy sens ujawnia się dopiero w spotkaniu. 56 Forensic Architecture jest kolektywem badawczo-artystycznym pracującym z obrazami, danymi i rekonstrukcją przestrzenną jako narzędziami dochodzenia; zob. Eyal Weizman, Forensic Architecture, Zone Books, New York 2017. 57 Zach Blas, Facial Weaponization Suite, 2011–2014 – projekt dotyczący zakłócania rozpoznawalności twarzy i krytyki systemów identyfikacji; w książce funkcjonuje jako genealogiczny przykład odmowy przetwarzalności. Oskar Chmioła © Sztuka po AI-2.0, 2026 44 Takie opóźnienie nie jest techniczną nieudolnością. Jest decyzją o rytmie. Skoro automatyzacja kultury działa przez przyspieszenie rozpoznania, Sztuka po AI może bronić tych sensów, które nie powinny zostać natychmiast wyjaśnione, przeliczone i włączone do obiegu. Najtrudniejsza forma automatyzacji nie polega na zastąpieniu jednego kuratora jednym algorytmem. Polega na rozproszeniu decyzji w opisach, rankingach, rekomendacjach, formularzach, systemach wyszukiwania i narzędziach ewaluacji. W tym sensie ten podrozdział bada nie pojedynczą decyzję, lecz środowisko decyzji. Infrastruktura przemocy nie działa wyłącznie przez spektakularne konflikty o dane, energię, prawo czy geopolitykę. Bardzo często działa przez drobne, codzienne decyzje: co pojawia się wyżej, co zostaje polecone, co system uznaje za podobne, co otrzymuje tag, co zostaje automatycznie opisane, co jest łatwiejsze do wyszukania, co zostaje uznane za profesjonalne, co brzmi jak właściwa odpowiedź. Automatyzacja decyzji kulturowych nie musi wyglądać jak jedna centralna decyzja algorytmu. Zwykle działa jako seria małych przesunięć. Feed pokazuje jedne prace częściej niż inne. Wyszukiwarka premiuje opisy zgodne z dominującymi słowami kluczowymi. System rekomendacyjny podpowiada dzieła podobne do tego, co już zostało rozpoznane. Automatyczne tagowanie przypisuje obrazom kategorie. Narzędzie do opisu wystawy wygładza język. Platforma promuje treści, które szybciej wywołują reakcję. Formularz wymaga przewidywalnego rezultatu. Archiwum wymaga pola, kategorii i klasyfikacji. Każda z tych decyzji może wydawać się techniczna. Razem tworzą one system kulturowego wartościowania. Decydują nie tylko o tym, co jest dostępne, ale także o tym, co wydaje się ważne. W świecie nadmiaru widzialność staje się formą władzy. To, czego nie da się znaleźć, zaczyna funkcjonować tak, jakby nie istniało. To, czego nie da się streścić, może zostać uznane za nieczytelne. To, czego nie da się otagować, może wypaść z rekomendacji. To, czego nie da się zmierzyć, może zostać uznane za mniej skuteczne. Stąd automatyzacja decyzji kulturowych jest jednym z miejsc, w których najmocniej ujawnia się teza o sztuce z AI. Decyzja nie musi wyglądać jak rozkaz wydany przez algorytm. Może być sumą drobnych preferencji: łatwiej znaleźć to, co dobrze opisane; łatwiej pokazać to, co już podobne do rozpoznawalnych kategorii; łatwiej sfinansować to, co umie przewidzieć swój rezultat; łatwiej zapamiętać to, co zostawiło dane. Sztuka funkcjonuje wtedy w polu, w którym nieobecność także bywa produkowana systemowo. Można mówić o stosie decyzji kulturowych. Na najniższym poziomie znajduje się format danych: nazwa pliku, tag, opis, miniatura, transkrypcja. Wyżej działają systemy wyszukiwania i rekomendacji. Jeszcze wyżej pojawiają się formularze, raporty, granty, kryteria widzialności i instytucjonalne rytmy komunikacji. Na poziomie najwyższym wytwarza się wyobrażenie profesjonalności: co brzmi przekonująco, co wygląda aktualnie, co da się szybko zakomunikować i co przypomina wcześniejsze sukcesy. AI może działać na każdym poziomie tego stosu, ale nawet bez jednego centralnego algorytmu całość zaczyna przesuwać kulturę w stronę predykcyjnej kompatybilności. Właśnie w tym miejscu debata o post-AI art staje się użyteczna dla tej książki: przesuwa uwagę od pojedynczego efektownego outputu ku protokołom, oknom kontekstu, systemom, praktykom i warunkom obiegu. Jeżeli dzieło może zmieniać się wraz z danymi, narzędziem, procedurą i sposobem udostępnienia, to decyzja kulturowa nie mieści się już tylko w akcie wytworzenia formy. Zaczyna obejmować cały układ: co zostaje wprowadzone do kontekstu, co wolno systemowi przetwarzać, jakie definicje może wygenerować i kto odpowiada za ich dalsze skutki. Ten sam mechanizm można dostrzec poza samym polem sztuki, w jawnych globalnych ramach polityk publicznych, takich jak Agenda 2030, system celów zrównoważonego rozwoju, ESG, smart governance, smart cities i pokrewne modele raportowania. Nie należy ich tu traktować jako spisku ani ukrytego centrum władzy; są publicznymi, instytucjonalnymi językami organizowania odpowiedzialności, rozwoju, środowiska, edukacji i życia społecznego. Właśnie dlatego wymagają krytyki naukowej. Problem nie polega na samym nazwaniu celów społecznych, środowiskowych czy Oskar Chmioła © Sztuka po AI-2.0, 2026 45 edukacyjnych, lecz na ryzyku, że złożone życie zostaje przepisane na cele, targety, wskaźniki, formularze, matryce ryzyka, standardy zgodności i porównywalne dane.58 Dla Sztuki po AI jest to ważne, ponieważ pokazuje predykcyjną logikę zarządzania jeszcze przed pełną automatyzacją AI. Świat ma stać się czytelny administracyjnie, policzalny, monitorowalny, audytowalny i możliwy do modelowania. James C. Scott pomaga opisać tę tendencję jako przekształcanie złożonej rzeczywistości w administracyjnie czytelny schemat, Theodore M. Porter i Alain Supiot jako władzę liczb, a Antoinette Rouvroy i Thomas Berns jako przejście ku rządności algorytmicznej. Kultura i sztuka wchodzą w to napięcie wtedy, gdy dzieło, proces, relacja, archiwum albo publiczność muszą stać się kompatybilne z systemem raportowania, przewidywania i oceny.59 To twierdzenie wymaga ostrożności. Istnieją obiegi lokalne, prywatne, efemeryczne albo wspólnotowe, w których automatyzacja jest słabsza, a decyzje podejmowane są przede wszystkim przez bezpośrednie relacje. Takie przypadki nie znikają i nie sposób ich opisywać tak, jakby były prostą emanacją AI. Pokazują jednak raczej różne natężenia relacji do pola predykcyjnego niż całkowite unieważnienie tego pola. Im bardziej praca wchodzi w publiczne instytucje, dokumentację, finansowanie, edukację, media i archiwa, tym mocniej styka się z warunkami automatyzacji. Automatyzacja widzialności wpływa także na język instytucji. Komunikat o wystawie musi być krótki, jasny, atrakcyjny, zoptymalizowany i podatny na udostępnianie. Biogram artysty jest tu rozpoznawalny, zwarty, łatwy do przetłumaczenia i zgodny z formatem. Opis projektu ma pasować do formularza. Tekst kuratorski ma działać w wersji długiej, skróconej, promocyjnej, dostępnościowej, internetowej i archiwalnej. AI może pomagać w tych zadaniach, ale potrafi również wzmacniać presję na język gładki, przewidywalny i pozbawiony oporu. Automatyczne opisy są tutaj szczególnie ambiwalentne. Mogą zwiększać dostępność – na przykład przez tworzenie wersji alternatywnych, streszczeń, tłumaczeń, transkrypcji albo prostszego języka. Ale mogą też produkować błędy, uproszczenia i fałszywą neutralność. Dzieło trudne może zostać opisane jako proste. Praca krytyczna może zostać wygładzona. Kontekst polityczny może zostać osłabiony. Performans może zostać sprowadzony do obrazu. Praktyka lokalna może zostać opisana językiem globalnej estetyki. Automatyzacja decyzji kulturowych dotyczy również krytyki. Model może streścić wystawę, napisać recenzję, porównać artystów, zaproponować interpretację, wskazać kontekst teoretyczny albo stworzyć tekst kuratorski. Samo użycie takich narzędzi nie musi być problemem. Krytyczny moment pojawia się wtedy, gdy automatyczna synteza zastępuje spotkanie z dziełem, źródłem, artystą, publicznością, dokumentacją i miejscem. Krytyka może wtedy stać się płynną produkcją sensu bez odpowiedzialności za doświadczenie. Podobny mechanizm działa w edukacji. System może pomóc studentowi porządkować myśli, redagować tekst, analizować źródła albo przygotowywać warianty projektu. Ale może także zastąpić trudny proces formowania pytania. Jeśli student otrzymuje natychmiastową odpowiedź, zanim nauczy się wytrzymywać niepewność, edukacja traci jedno ze swoich najważniejszych napięć. Jeśli nauczyciel zastępuje rozmowę automatycznym sprawdzeniem, relacja pedagogiczna zostaje podporządkowana logice oceny. Gdy szkoła albo uczelnia opiera rozstrzygnięcie na detektorze AI 60 zamiast na rozmowie o procesie pracy, decyzjach, źródłach i odpowiedzialności, ocena przestaje dotyczyć wiedzy, a zaczyna dotyczyć podejrzenia. Automatyzacja decyzji kulturowych działa także w archiwach. Systemy mogą pomagać porządkować zbiory, rozpoznawać obrazy, przepisywać teksty, tłumaczyć dokumenty, generować 58 Nicolas Bourriaud opisał estetykę relacyjną jako praktyki wytwarzania relacji i mikrosytuacji społecznych; zob. Estetyka relacyjna, MOCAK, Kraków 2012. 59 Claire Bishop krytykowała bezkonfliktowe rozumienie relacyjności i partycypacji; zob. Antagonism and Relational Aesthetics, „October” 2004 oraz Artificial Hells, Verso 2012. 60 Grant H. Kester rozwija perspektywę sztuki dialogicznej i pracy opartej na rozmowie; zob. Conversation Pieces, University of California Press, 2004. Oskar Chmioła © Sztuka po AI-2.0, 2026 46 opisy i tworzyć powiązania. To może być ogromne wsparcie. Ale automatyczna klasyfikacja może również utrwalać błędy, narzucać kategorie, pomijać lokalne znaczenia i zastępować wiedzę osób pracujących z archiwum. Archiwum nie jest tylko magazynem danych. Jest relacją z pamięcią. Jeśli ta relacja zostaje zautomatyzowana bez kontroli, pamięć może zostać uporządkowana według logiki systemu, a nie według złożoności historii. Wszystkie te przykłady pokazują, że AI jako aparat władzy nie musi działać wyłącznie przez zakaz, cenzurę albo jawne podporządkowanie. Może działać przez ułatwienie. Przez wygodę. Przez szybkość. Przez podpowiedź. Przez rekomendację. Przez domyślny opis. Przez automatyczne streszczenie. Przez formularz, który wydaje się neutralny. Przez interfejs, który sprawia, że jedna droga jest łatwiejsza niż inne. Tu pojawia się także rola Big Tech jako infrastruktury decyzji. Jeśli narzędzie do opisu, archiwizacji, wyszukiwania, generowania, tłumaczenia, komunikacji i dystrybucji należy do kilku wielkich firm, decyzje kulturowe zostają pośrednio związane z ich regulaminami, systemami reklamowymi, filtrami bezpieczeństwa, polityką danych i modelem biznesowym. Zależność od API nie jest tylko kwestią techniczną. Oznacza, że praktyka artystyczna, instytucjonalna albo edukacyjna może zostać przerwana zmianą ceny, zamknięciem funkcji, modyfikacją modelu, przesunięciem polityki treści albo nowym warunkiem licencyjnym. Model zamknięty nie musi ujawniać danych treningowych, reguł filtracji ani pełnej logiki działania. Z tego powodu instytucje kultury, które wdrażają AI, powinny pytać nie tylko „czy to działa?”, ale także „od kogo zależymy?”, „co oddajemy?”, „kto może zmienić warunki?” i „co stanie się z archiwum, gdy narzędzie przestanie być dostępne?”. W polskim kontekście użytecznym punktem odniesienia jest matryca.tech 61, określająca się jako baza spraw Big Techu. Jej znaczenie dla tej rozprawy nie polega na tym, że dotyczy bezpośrednio wyłącznie sztuki, lecz na tym, że pokazuje powtarzalność mechanizmów: nadużyć danych, naruszeń prawa, kar regulacyjnych, ugód, sporów o transfery danych, reklamę behawioralną i asymetrię między użytkownikami a firmami infrastrukturalnymi. Baza porządkuje sprawy, firmy i źródła dotyczące infrastruktury Big Tech, co czyni ją nie tyle pojedynczym artykułem, ile mapą przypadków. Dla sztuki po AI ten punkt ma znaczenie jako przykład myślenia matrycowego: zamiast traktować każdy skandal jako wyjątek, trzeba pytać, jakie wzorce własności, danych, regulaminów i odpowiedzialności powtarzają się w kolejnych usługach cyfrowych. Na tym polega przemoc decyzyjna i kulturowa. Przemoc decyzyjna polega na tym, że systemy zaczynają współdecydować o obiegu kultury bez pełnej odpowiedzialności za skutki. Przemoc kulturowa polega na tym, że wartość twórczości zostaje coraz mocniej uzależniona od jej zgodności z formatami widzialności: opisem, tagiem, metryką, profilem, streszczeniem, rekomendacją i wynikiem. Nie zawsze jest to przemoc gwałtowna. Często jest miękka, administracyjna, wygodna i prawie niezauważalna. Sztuka po AI musi rozpoznać ten poziom, ponieważ to tutaj najłatwiej pomylić wsparcie z przejęciem decyzji. Narzędzie, które pomaga pisać opis, może jednocześnie uczyć, jakim językiem należy opisywać sztukę. System rekomendacyjny, który zwiększa widzialność, może jednocześnie uczyć, jakie prace są warte pokazywania. Automatyczne tagowanie, które ułatwia archiwizację, może jednocześnie zamykać dzieło w nieadekwatnych kategoriach. AI jako aparat władzy działa więc nie tylko wtedy, gdy generuje obraz. Działa także wtedy, gdy organizuje warunki, w których obraz zostaje zobaczony, opisany, znaleziony i oceniony. Forensic Architecture62 pokazuje inny wariant pracy z danymi i obrazami: taki, w którym wizualizacja nie jest estetyczną powierzchnią, lecz procedurą dochodzenia, rekonstrukcji i 61 Miwon Kwon analizuje site-specificity jako relację dzieła z miejscem, tożsamością i instytucją; zob. One Place after Another, MIT Press, Cambridge, MA 2002. 62 Shannon Jackson opisuje performans społeczny i infrastruktury wspierające praktyki artystyczne; zob. Social Works, Routledge, New York-London 2011. Oskar Chmioła © Sztuka po AI-2.0, 2026 47 odpowiedzialności dowodowej. W perspektywie tej rozprawy ten przykład jest ważny, bo pozwala odróżnić technologię jako narzędzie efektu od technologii jako narzędzia sprawdzania warunków widzialności. Zach Blas i „Facial Weaponization Suite”63 pozwalają natomiast myśleć o odmowie rozpoznawalności jako praktyce politycznej. Nie chodzi tu o prostą ucieczkę od technologii, lecz o zakłócenie systemów twarzy, identyfikacji i klasyfikacji. To genealogicznie ważne dla antygeneratywności i antyagentowości, ponieważ ujawnia, że obrona przed systemem może polegać nie na niewidzialności absolutnej, lecz na świadomym wytwarzaniu formy, której system nie potrafi łatwo przetworzyć. Automatyzacja decyzji kulturowych nie sprowadza się do sytuacji, w której algorytm wskazuje jedną odpowiedź zamiast człowieka. Częściej działa jako rozproszony układ rankingów, rekomendacji, skrótów, tagów, formularzy i opisów, które stopniowo przesuwają granice tego, co wydaje się widzialne, profesjonalne i warte uwagi. W tym miejscu AI staje się aparatem kulturowym, a nie tylko narzędziem produkcji. Współdecyduje o tym, które archiwa są odnajdywalne, które głosy zostają streszczone, które praktyki uzyskują opis, a które pozostają poza przewidywalnym obiegiem. 3.5. Od infrastruktury przemocy do alternatywnych modeli działania Przejście od infrastruktury przemocy do alternatywnych modeli działania wymaga więc pytania o próg. Próg decyduje, co zostaje pokazane, co zostaje opóźnione, co wymaga obecności, co wolno streścić, czego nie wolno trenować, co można archiwizować, a co powinno pozostać w pamięci uczestników. Bez takiego progu krytyka infrastruktury łatwo pozostaje tylko opisem aparatu, nie projektem innego sposobu pracy. Diagnoza przemocy infrastrukturalnej byłaby niewystarczająca, gdyby nie prowadziła do pytania o praktykę. Po rozpoznaniu ekstrakcji, kosztów i asymetrii należy zaprojektowanie innych warunków pracy, widzialności i odpowiedzialności. Rozpoznanie infrastruktury przemocy jest konieczne, ale nie może być ostatnim słowem tej rozprawy. Gdyby książka zatrzymała się na danych, energii, wodzie, pracy, sprzęcie, geopolityce, prawie, platformach i automatyzacji widzialności, pozostawiłaby sztukę w pozycji bezradnego świadka własnego uwikłania. Taka diagnoza byłaby ważna, ale niewystarczająca. Pokazywałaby skalę systemu, nie pokazując warunków działania. AI jako aparat władzy nie oznacza, że każde nieprzemyślane użycie AI jest identycznie przemocowe. Nie oznacza również, że jedyną odpowiedzią jest całkowita odmowa technologii. Takie wnioski byłyby zbyt proste. Infrastruktura przemocy oznacza raczej, że żadne użycie nie jest niewinne w sensie absolutnym, a każde wymaga rozpoznania warunków. Trzeba postawić pytanie, jakie dane są używane, jakie koszty są ukryte, jaka praca pozostaje niewidzialna, jakie języki są uprzywilejowane, jakie archiwa zostają przetworzone, jakie decyzje delegujemy systemom i gdzie automatyzacja przekracza granicę odpowiedzialności. Sama krytyka infrastruktury może jednak prowadzić do paraliżu. Jeśli wszystko jest uwikłane, łatwo uznać, że nic nie można zrobić. Jeśli każde narzędzie ma zaplecze, każda platforma własność, każde archiwum ryzyko ekstrakcji, każda widzialność koszt, to twórczość może zostać zamknięta w poczuciu winy albo bezsilności. Sztuka po AI nie może opierać się wyłącznie na demaskacji. Musi umieć projektować sytuacje działania w świecie, którego nie da się oczyścić z infrastruktury. Stąd po diagnozie przemocy infrastrukturalnej potrzebny jest zwrot konstruktywny. Stawką nie jest optymistyczne unieważnienie problemu, lecz o zmianę perspektywy: od pytania, jak działa aparat, do pytania, jak działać wobec aparatu. W tym miejscu najważniejsze stają się konkretne decyzje: gdzie 63 Solar Protocol Tegi Brain, Benedetty Piantelli i współtwórców jest projektem infrastruktury cyfrowej zależnej od energii słonecznej i lokalnych serwerów; w książce stanowi przykład technologicznego ograniczenia. Oskar Chmioła © Sztuka po AI-2.0, 2026 48 ograniczyć generowanie, gdzie ujawnić dane, gdzie odmówić automatycznego opisu, gdzie relacja jest ważniejsza niż profil, gdzie lokalność broni sensu przed uśrednieniem modelu, gdzie low-tech pozostaje wyborem proporcjonalnym, gdzie nieoptymalność staje się oporem wobec wydajności, a gdzie dzieło należy rozumieć nie jako wynik, lecz jako sytuację. To przejście ma znaczenie także stąd, że infrastruktura przemocy nie działa wyłącznie na zewnątrz sztuki. Przenika sposoby pracy, dokumentacji, edukacji, komunikacji i archiwizacji. Jeśli odpowiedź jest tu realna, musi dotyczyć nie tylko tematu dzieł, ale także ich warunków. Za mało jest tworzyć prace krytyczne wobec AI, jeśli jednocześnie bezrefleksyjnie wzmacniają one logikę nadmiaru, ekstrakcji, gładkiej powierzchni i automatycznej widzialności. Krytyka musi zejść do poziomu procedury. Z tego punktu widzenia infrastruktura przemocy składa się z kilku powiązanych poziomów. Przemoc ekstrakcyjna dotyczy przekształcania kultury w dane. Przemoc środowiskowa dotyczy energii, wody, emisji, centrów danych, sprzętu i odpadów elektronicznych. Przemoc pracy dotyczy ukrytych zadań ludzi, bez których automatyzacja nie działa. Przemoc epistemiczna dotyczy nierównej reprezentacji języków, archiwów, ciał, stylów i kultur. Przemoc decyzyjna dotyczy rankingów, rekomendacji, automatycznych opisów, formularzy i systemów wartościowania. Przemoc własnościowa dotyczy koncentracji infrastruktury w rękach Big Tech, zależności od API, modeli zamkniętych, regulaminów i kosztów dostępu. Przemoc prawna i licencyjna dotyczy sporów o dane treningowe, zgodę, scraping, autorstwo, styl i rekompensatę. Dopiero razem te poziomy pokazują, dlaczego AI nie może być analizowana wyłącznie jako narzędzie twórcze. Rozdział IV jest więc pierwszym konstruktywnym zwrotem tej rozprawy. Po genealogii kryzysu i diagnozie infrastruktury przemocy zapyta o alternatywne modele działania: relację, ograniczenie, współobecność, lokalność, nieprzekładalność, low-tech, nieoptymalność i dzieło jako sytuację. Nie są to rozwiązania ostateczne ani czyste wyjście poza system. Nie stworzą czystej przestrzeni poza systemem. Mogą jednak pomóc odzyskać decyzję tam, gdzie predykcja, ekstrakcja i automatyzacja próbują zamienić twórczość w zasób, wynik i profil. Rozpoznanie infrastruktury przemocy nie zamyka tej rozprawy. Jeśli AI działa jako aparat danych, energii, pracy, prawa, języków, archiwów, platform i geopolitycznych asymetrii, sama krytyka aparatu byłaby zbyt małym gestem. Mogłaby pozostawić sztukę w pozycji świadka własnego uwikłania: świadomego, lecz unieruchomionego skalą systemu. Tym samym po diagnozie wywód przechodzi do modeli działania, które nie obiecują czystego wyjścia poza AI, lecz pozwalają tworzyć inaczej w jej cieniu: przez relację, ograniczenie, lokalność, nieprzekładalność, low-tech, nieoptymalność i dzieło rozumiane jako sytuacja. Dlatego przejście do rozdziału IV nie jest ucieczką od ciężaru diagnozy, lecz próbą przekładu diagnozy na praktykę. Alternatywny model działania musi umieć odpowiedzieć na każdy z poziomów infrastruktury: wobec ekstrakcji – decyzją o danych i zgodzie; wobec kosztów materialnych – skalą i ograniczeniem; wobec pracy ukrytej – jawnością procesu; wobec geopolityki wiedzy – lokalnością i prawem do kontekstu; wobec automatyzacji decyzji – relacją, spowolnieniem i odpowiedzialną ramą. Dopiero wtedy krytyka AI przestaje być samym opisem przemocy, a staje się projektem innego sposobu pracy. Relacja i ograniczenie okazują się pierwszą praktyczną odpowiedzią na predykcyjność, ponieważ przywracają temu, co twórcze, konkretne miejsce, czas, ciało i odpowiedzialność. Oskar Chmioła © Sztuka po AI-2.0, 2026 49 IV. Twórczość jako relacja – alternatywne modele działania Rozdział IV warto czytać także jako początek praktyk maskowania. Relacja, ograniczenie, lokalność i nieprzekładalność mogą chronić te elementy dzieła, które nie powinny zostać bez reszty zamienione w dane. Nie oznacza to ucieczki od publiczności. Oznacza projektowanie takiej widzialności, która nie niszczy warunków sensu. Rozdział IV nie proponuje katalogu „ładniejszych” albo bardziej humanistycznych postaw wobec technologii. Jego zadaniem jest przełożenie diagnozy infrastrukturalnej na praktykę: pokazać, jak artysta, kurator, pedagog, instytucja albo krytyk mogą zmieniać warunki działania, zanim ich praca zostanie podporządkowana logice wyniku, profilu, zasięgu i automatycznego opisu. Alternatywa nie zaczyna się więc od deklaracji, że technologia zostaje odrzucona. Zaczyna się od pytania, gdzie w danej sytuacji trzeba przywrócić ciężar decyzji: w relacji z publicznością, w sposobie użycia danych, w tempie produkcji, w dokumencie, w archiwum, w języku komunikatu, w progu widzialności albo w prawie do pozostania poza natychmiastowym obiegiem. Z tej części wynika, że opór wobec modelu nie musi polegać na wielkim geście odmowy. Może polegać na ochronie tego, co nie przechodzi bez reszty przez format danych, tłumaczenia i skalowania – relacji, czasu, miejsca, ciała, niedopowiedzenia, lokalnego kontekstu i odpowiedzialności za skutki. 4.1. Relacja i ograniczenie jako odpowiedź na predykcyjność Relacja może ustanawiać próg. Nie każdy, kto widzi ślad działania, ma dostęp do całego sensu; nie każdy opis zastępuje uczestnictwo; nie każda dokumentacja daje prawo do dalszego przetwarzania. Taki próg nie jest wykluczeniem samym w sobie. Może być warunkiem odpowiedzialności, zwłaszcza tam, gdzie praca dotyczy wspólnoty, pamięci, ciała, żałoby, doświadczenia granicznego albo lokalnego kodu. Relacja jest tu kategorią operacyjną, nie dekoracją etyczną. Oznacza układ odpowiedzialności, w którym druga osoba, miejsce, grupa, instytucja, archiwum albo publiczność nie są traktowane jako zasób do przetworzenia, lecz jako strony sytuacji. W praktyce może to oznaczać rozmowę przed dokumentacją, zgodę przed rejestracją, obecność przed profilem, lokalny kontekst przed globalnym streszczeniem, korektę ludzką przed automatycznym opisem oraz prawo do odmowy przed domyślną publikacją. Relacja staje się wtedy sposobem hamowania predykcyjności: nie pozwala systemowi zbyt szybko zamienić uczestnika w kategorię, gestu w metadaną, publiczności w grupę docelową, a doświadczenia w łatwy opis. W tym sensie relacja działa inaczej u performera, inaczej u kuratora, inaczej w edukacji, a jeszcze inaczej w archiwum. Performer może chronić relację przez czas i obecność; kurator – przez sposób zaproszenia publiczności i opis kontekstu; pedagog – przez rozmowę o procesie zamiast automatycznej oceny; instytucja – przez protokół zgody i ograniczenie danych; krytyk – przez kontakt z dziełem zamiast streszczenia wygenerowanego z cudzych opisów. Te różnice są kluczowe, ponieważ Sztuka po AI nie ma jednego gestu uniwersalnego. Ma raczej uczyć rozpoznawania, która relacja jest w danym miejscu zagrożona automatyzacją i jakim środkiem można ją ochronić bez popadania w mit czystej analogowości. Relacja i ograniczenie są tu rozumiane nie jako sentymentalna alternatywa wobec technologii, lecz jako rygor metodologiczny. Relacja wprowadza odpowiedzialność za drugą osobę, miejsce i sytuację; ograniczenie zmniejsza pole automatycznej produkcji i zmusza decyzję do odzyskania ciężaru. Relacja nie jest przeciwieństwem technologii. Jest inną organizacją odpowiedzialności. Tam, gdzie predykcja chce przewidzieć reakcję, relacja dopuszcza odpowiedź; tam, gdzie generowanie mnoży warianty, relacja pyta o sens konkretnej decyzji; tam, gdzie system dąży do automatyzacji, relacja przywraca czas, ryzyko i obecność. Ograniczenie wzmacnia ten ruch, ponieważ zmniejsza liczbę automatycznych przejść między pomysłem, opisem, obrazem, dokumentacją i publikacją. Oskar Chmioła © Sztuka po AI-2.0, 2026 50 Po genealogii kryzysu twórczości i po rozpoznaniu infrastruktury przemocy potrzebna jest zmiana rodzaju pytania. Niewystarczające staje się już pytanie, jak działa aparat AI. Konieczne staje się pytanie, jak można działać inaczej w świecie, w którym ten aparat współorganizuje widzialność, język, obieg, pamięć i wartość sztuki. Ten rozdział jest pierwszym konstruktywnym zwrotem rozprawy. Nie odwołuje wcześniejszych diagnoz, ale próbuje przejść od krytyki do modeli działania. Jeśli sztuka z AI oznacza stan pola kultury przesiąkniętego predykcją, indeksacją, rankingowaniem, rekomendacjami, automatyzacją wartościowania i myśleniem modelowym, odpowiedź nie może polegać wyłącznie na odmowie narzędzi. Odmowa bywa potrzebna, ale sama jest niewystarczająca. Można nie używać generatora obrazów, a jednocześnie nadal tworzyć, opisywać, dokumentować i promować pracę w sposób całkowicie podporządkowany logice predykcyjnej. Można deklarować opór wobec AI, a zarazem pisać teksty wystawowe, biogramy, opisy grantowe i komunikaty prasowe tak, aby maksymalnie pasowały do języka optymalizacji, widzialności i natychmiastowej rozpoznawalności. W tym miejscu widać różnicę między strategią narzędziową a strategią pola. Strategia narzędziowa pytałaby tylko, czy wolno użyć generatora. Strategia pola pyta również, czy sposób dokumentowania, finansowania, komunikowania i oceniania pracy nie odtwarza automatyzacyjnego wzorca nawet wtedy, gdy samo dzieło powstało bez AI. Relacja i ograniczenie odpowiadają właśnie na ten szerszy poziom. Relacja i ograniczenie są w tej perspektywie nie tylko narzędziami estetycznymi, lecz także odpowiedzią na warunki sztuki z AI. Relacja przywraca to, czego system nie może w pełni przewidzieć: czas spotkania, asymetrię obecności, nieporozumienie, gest odpowiedzialności, lokalny kontekst i zmianę, która nie daje się natychmiast streścić. Ograniczenie przywraca decyzję tam, gdzie predykcyjne pole oczekuje zwiększania liczby wariantów, zasięgów, opisów i wyników. Z tego powodu alternatywne modele działania muszą dotyczyć głębiej pojętej praktyki twórczej. Nie tylko tego, czy artysta używa AI, ale tego, jak organizuje relację, skalę, czas, narzędzia, dokumentację, publiczność, miejsce, dane i odpowiedzialność. W tym rozdziale najważniejsze będą dwa pojęcia: relacja i ograniczenie. Relacja odpowiada na redukcję odbiorcy do profilu, dzieła do danych, a kontaktu do interakcji. Ograniczenie odpowiada na generatywny nadmiar, przyspieszenie, presję optymalizacji i obietnicę nieskończonej produkcji wariantów. Relacja jest tu rozumiana nie jako ogólne hasło wspólnotowości, ale jako konkretna struktura odpowiedzialności. Relacja oznacza, że dzieło nie istnieje wyłącznie jako wynik do oglądania, opis do wyszukania albo obraz do udostępnienia. Istnieje w układzie między artystą, materiałem, miejscem, publicznością, instytucją, dokumentacją, pamięcią i dalszym obiegiem. Relacja wymaga czasu, odpowiedzi, niepewności, kontekstu i możliwości wzajemnego wpływu. Nie da się jej w pełni zastąpić profilem publiczności, metryką zaangażowania ani automatyczną reakcją systemu. W tradycji sztuki relacyjnej, partycypacyjnej i dialogicznej takie myślenie ma długą historię. Nicolas Bourriaud64 opisywał estetykę relacyjną jako praktyki wytwarzające relacje międzyludzkie i mikrosytuacje społeczne. Claire Bishop65 krytycznie przypominała jednak, że sama relacja nie jest automatycznie wartością, jeśli nie pyta się o konflikt, władzę, wykluczenie i rzeczywistą jakość uczestnictwa. Grant Kester66 rozwijał perspektywę sztuki dialogicznej, w której rozmowa, słuchanie i długotrwała relacja stają się częścią procesu artystycznego. Te odniesienia są ważne, ponieważ 64 Deepfake’i i media syntetyczne są tu omawiane w kontekście cyfrowych replik, świadectwa i zaufania; por. Robert Chesney, Danielle Keats Citron, Deep Fakes, „California Law Review” 2019 oraz U.S. Copyright Office, Copyright and Artificial Intelligence, Part 1: Digital Replicas, 2024. 65 The Next Rembrandt, 2016 – projekt wykorzystujący analizę danych wizualnych związanych z twórczością Rembrandta; w książce jest przykładem ambiwalencji rekonstrukcji stylu i syntetycznej powierzchni. 66 This Person Does Not Exist to strona prezentująca syntetyczne twarze generowane przez model StyleGAN; zob. Nvidia, StyleGAN oraz dokumentację projektu wymienioną w bibliografii. Oskar Chmioła © Sztuka po AI-2.0, 2026 51 pomagają uniknąć zarówno naiwnej celebracji wspólnoty, jak i redukcji sztuki do komunikacyjnego efektu. Sztuka po AI bierze z tych tradycji nie gotowy styl, lecz precyzyjne pytanie o rodzaj relacji, która rzeczywiście zostaje wytworzona. Publiczność może być uczestnikiem, świadkiem, użytkownikiem, źródłem danych, profilem, grupą docelową, materiałem eksperymentu albo partnerem sytuacji – i każda z tych ról inaczej organizuje odpowiedzialność. Podobnie instytucja może tworzyć warunki obecności albo jedynie mierzyć reakcje; dokumentacja może służyć pamięci albo tylko widzialności; kontakt z odbiorcą może zostać pogłębiony albo zastąpiony automatyczną obsługą uwagi. Drugim pojęciem jest ograniczenie. W świecie generatywnego nadmiaru ograniczenie nie jest brakiem ambicji. Może być formą decyzji. Modele generatywne obiecują niemal nieograniczoną produkcję wariantów: więcej obrazów, więcej opisów, więcej wersji tekstu, więcej pomysłów, więcej stylów, więcej symulacji, więcej możliwości. Ta obfitość bywa twórczo użyteczna, ale łatwo zmienia się w przymus. Możliwość wygenerowania stu wariantów uruchamia presję, aby nie poprzestać na trzech; możliwość natychmiastowej korekty tekstu utrudnia wytrzymanie jego niedoskonałości; możliwość stworzenia kolejnej wersji obrazu osłabia wagę decyzji o zatrzymaniu się przy jednej formie. Ograniczenie odpowiada na tę logikę. Może polegać na zmniejszeniu liczby iteracji, wyborze prostszego narzędzia, pracy bez automatycznego wygładzania, rezygnacji z generowania tam, gdzie wystarczy rozmowa, rysunek, notatka, gest albo obecność. Może polegać na odmowie pełnej dokumentacji, jeśli dokumentacja zniszczyłaby sens sytuacji. Może polegać na pracy z jednym miejscem, jedną grupą, jednym materiałem, jednym czasem, jednym językiem, zamiast na skalowaniu projektu do formatu łatwego do powielania. Ograniczenie nie jest jednak automatycznie etyczne. To bardzo ważne. Można fetyszyzować prostotę. Można romantyzować biedę technologiczną. Można zamienić low-tech w styl dla uprzywilejowanych, którzy mogą sobie pozwolić na odmowę narzędzi. Można stworzyć działanie tak ograniczone, że stanie się niedostępne dla osób potrzebujących wsparcia technologicznego, tłumaczenia, audiodeskrypcji albo zdalnego udziału. Stąd ograniczenie musi być proporcjonalne: dobrane do celu, skali, publiczności, zasobów, odpowiedzialności i konsekwencji. Relacja i ograniczenie razem tworzą pierwszy model działania wobec predykcyjności. Relacja mówi: nie redukuj odbiorcy do profilu, dzieła do danych, a kontaktu do reakcji. Ograniczenie mówi: nie odpowiadaj na nadmiar jeszcze większym nadmiarem. Oba pojęcia otwierają drogę do myślenia o sztuce po AI nie jako o stylu estetycznym, lecz jako o sposobie organizowania sytuacji. Rirkrit Tiravanija, Jeanne van Heeswijk i Tania Bruguera mogą być tu czytani jako punkty odniesienia dla praktyk, w których dzieło nie wyczerpuje się w obiekcie ani obrazie. Ich znaczenie w tej rozprawie nie polega na przypisaniu im intencji krytyki AI, lecz na pokazaniu, że relacja, wspólnota, konflikt, instytucja, użyteczność i ryzyko mogą być właściwym tworzywem pracy. Wobec AI ta genealogia przypomina, że publiczność nie jest tylko profilem, a uczestnictwo nie jest tylko interakcją. Tak rozumiana sztuka relacyjna, dialogiczna i społecznie zaangażowana staje się nie tyle stylem do odtworzenia, ile testem odpowiedzialności. Jeśli działanie z publicznością da się zredukować do liczby reakcji albo danych uczestników, traci ono swoją stawkę. Jeśli jednak zachowuje konflikt, czas, opiekę i możliwość odmowy, może działać przeciwko predykcyjnej redukcji relacji. Ograniczenie jest wiarygodne tylko wtedy, gdy nie udaje uniwersalnego rozwiązania. Jego wartość zależy od tego, czy rzeczywiście chroni relację, sens i odpowiedzialność w danej sytuacji. 4.2. Współobecność, lokalność, nieprzekładalność Nieprzekładalność może przyjmować formę drugiego dna. Na powierzchni dzieło daje się opisać: jako instalacja, performans, tekst, obraz, koncert, warsztat albo sytuacja. Pod powierzchnią uruchamia jednak sens dostępny dopiero przez miejsce, wspomnienie, ton głosu, rytm uczestnictwa, Oskar Chmioła © Sztuka po AI-2.0, 2026 52 lokalną aluzję, wiedzę środowiskową albo doświadczenie bycia razem. System może uchwycić pierwszą warstwę; druga wymaga relacji. Współobecność nie oznacza prostego uprzywilejowania wydarzeń fizycznych nad cyfrowymi. Oznacza raczej warunek, w którym uczestnicy dzielą określony czas, ryzyko i odpowiedzialność, nawet jeśli część kontaktu jest zapośredniczona technologicznie. Spotkanie online może być bardziej relacyjne niż fizyczne wydarzenie zaprojektowane wyłącznie pod zdjęcia i frekwencję; mała wystawa lokalna może być bardziej podatna na logikę profilu niż projekt cyfrowy z dobrze zaprojektowaną zgodą i ludzką moderacją. Kryterium nie jest medium, lecz struktura obecności: czy sytuacja dopuszcza odpowiedź, korektę, odmowę i zmianę przebiegu, czy tylko rejestruje zachowanie jako dane. Lokalność jest w tym układzie praktyką wiedzy. Miwon Kwon, pisząc o site-specificity, pomaga myśleć o miejscu nie jako neutralnym tle, lecz jako układzie relacji, pamięci, instytucji, ciał i konfliktów. Lucy Lippard, wiążąc sztukę z lokalnością i miejscem, przypomina, że skala ma znaczenie poznawcze. Sztuka po AI może korzystać z tych tradycji, ale nie po to, aby idealizować małe wspólnoty. Lokalność bywa wykluczająca, prowincjonalna, konfliktowa i nierówna. Jej wartość polega na czym innym: utrudnia zbyt szybkie uśrednienie sytuacji, bo zmusza do pytania, kto zna kontekst, kto ma prawo mówić, co można pokazać, a co powinno pozostać w pamięci miejsca. Nieprzekładalność ma także wymiar techniczny. Automatyczne tłumaczenie, opis alternatywny, streszczenie, transkrypcja i metadane mogą być potrzebne dla dostępności, ale nie powinny udawać, że wyczerpują sens pracy. Dobra praktyka po AI może polegać na tworzeniu opisów warstwowych: krótkiego streszczenia, wersji dostępnościowej, komentarza kontekstowego i jasnej informacji, czego opis nie obejmuje. Wtedy tłumaczenie nie zastępuje dzieła, ale prowadzi do niego z zachowaniem świadomości straty. Dostępność nie musi oznaczać pełnej redukcji do danych; może oznaczać odpowiedzialne zaproszenie do doświadczenia, którego nie da się całkowicie przenieść w streszczenie. Współobecność, lokalność i nieprzekładalność są formami oporu tylko wtedy, gdy nie zostają zamienione w estetyczne hasła. Ich znaczenie wynika z tego, że stawiają granice uniwersalizacji modelu: nie wszystko może zostać przeniesione, streszczone, uśrednione i odtworzone bez straty. Jeżeli predykcyjność działa przez uogólnienie, dopasowanie i przewidywanie, jedną z odpowiedzi może być powrót do tego, co sytuacyjne. Nie chodzi jednak o naiwny powrót do świata bez technologii. Współobecność nie oznacza czystej niezapośredniczoności. Nie istnieje niewinna, całkowicie bezpośrednia relacja poza mediami, językiem, historią, ciałem, instytucją i dokumentacją. Każda obecność jest jakoś zapośredniczona. Pytanie brzmi, czy dana relacja zostaje całkowicie podporządkowana interfejsowi, profilowi, metryce i automatycznej odpowiedzi. Współobecność oznacza sytuację, w której ludzie, miejsca, ciała, materiały, czas i uwaga nie zostają sprowadzone do wymiany danych. Może wydarzać się w przestrzeni fizycznej, ale nie musi być wyłącznie fizyczna. Może istnieć także w pracy online, jeśli zachowuje odpowiedzialność, rytm, odpowiedź i świadomość obecności drugiej strony. Współobecność nie jest więc sentymentalnym przeciwieństwem technologii. Jest oporem wobec redukcji relacji do obsługi interakcji. W sztuce site-specific, o której pisała między innymi Miwon Kwon67, miejsce nie jest neutralnym tłem dla dzieła. Miejsce współtworzy sens. Może być architekturą, historią, pamięcią, instytucją, konfliktem, lokalną społecznością, śladem przemocy, językiem, krajobrazem albo ekonomią. Dzieło przeniesione w inne miejsce nie zawsze pozostaje tym samym dziełem. Ta różnica jest istotna wobec modeli danych, które często traktują kontekst jako zestaw informacji możliwych do przepisania. Lokalność przypomina, że sens nie zawsze daje się przenieść bez straty. Lokalność nie oznacza zamknięcia. Nie oznacza też prowincjonalizmu ani niechęci do obiegu międzynarodowego. Oznacza uznanie, że miejsce, język, ciało, archiwum, pamięć, publiczność i kontekst mają własną gęstość. 67 Manifest jako forma artystyczno-polityczna ma długą historię od awangard po cyberfeminizm; por. F. T. Marinetti, Tristan Tzara, André Breton, Guy Debord oraz VNS Matrix – pełne zapisy znajdują się w bibliografii. Oskar Chmioła © Sztuka po AI-2.0, 2026 53 Model może rozpoznać pewne wzorce, ale nie musi rozumieć lokalnej ironii, historycznego napięcia, znaczenia gestu w określonej wspólnocie, milczenia w danej sytuacji, wagi konkretnego budynku albo pamięci zapisanej w praktyce, a nie w tekście. Lokalność jest więc odpowiedzią na model danych jako model świata. Mówi: świat nie kończy się tam, gdzie kończą się dane. Nieprzekładalność jest pojęciem pokrewnym, ale nie identycznym. Oznacza, że pewne elementy doświadczenia, praktyki albo dzieła nie przechodzą bez reszty na inny język, medium, format, metadane, opis, streszczenie albo model. Nieprzekładalność nie jest porażką komunikacji. Może być warunkiem sensu. Są działania, które muszą pozostać częściowo związane z czasem i miejscem. Są gesty, które tracą znaczenie po odłączeniu od ciała. Są praktyki, których nie da się uczciwie zredukować do opisu w katalogu. Są relacje, których nie sposób potraktować wyłącznie jako danych publiczności. Sztuka po AI potrzebuje nieprzekładalności, ponieważ modele generatywne i predykcyjne działają przez przekładanie: obrazu na opis, opisu na tag, tagu na kategorię, kategorii na rekomendację, stylu na wzorzec, doświadczenia na dane. Takie przekłady bywają konieczne. Umożliwiają dostęp, archiwizację, badania i komunikację. Napięcie zaczyna się tam, gdzie przekład uchodzi za pełny ekwiwalent. Audiodeskrypcja nie zastępuje dzieła, choć może otworzyć do niego dostęp. Dokumentacja performansu nie zastępuje performansu, choć może przechować jego ślad. Streszczenie tekstu nie zastępuje myślenia, choć może pomóc w orientacji. Model nie zastępuje świata, choć może ujawnić pewne jego wzory. Współobecność, lokalność i nieprzekładalność tworzą więc drugi model działania wobec predykcyjności. Współobecność chroni relację przed redukcją do interakcji. Lokalność chroni miejsce przed uśrednieniem. Nieprzekładalność chroni sens przed pełną zamianą na dane. Razem nie proponują ucieczki od technologii, lecz uczą stawiania granic temu, co ma zostać przetworzone. Shannon Jackson68, pisząc o performansie społecznym i infrastrukturach wspierających praktyki artystyczne, pozwala zobaczyć, że relacja nie istnieje bez warunków organizacyjnych. Współobecność wymaga czasu, przestrzeni, instytucji, opieki, dostępu, komunikacji i odpowiedzialności. Lokalność wymaga pracy z miejscem, a nie tylko jego estetycznego wykorzystania. Nieprzekładalność wymaga decyzji, co dokumentować, co opisać, co udostępnić, a czego nie przekształcać w materiał do dalszego obiegu. To szczególnie ważne w epoce, w której każda sytuacja może zostać natychmiast zamieniona w content. Wydarzenie może stać się relacją w mediach społecznościowych, performans – krótkim filmem, proces – postem, warsztat – dokumentacją, rozmowa – cytatem, publiczność – liczbą uczestników. Sztuka po AI nie musi odrzucać dokumentacji. Musi jednak pytać, czy dokumentacja służy pamięci i odpowiedzialności, czy tylko zwiększa obieg. Czy opis pomaga zrozumieć, czy zastępuje doświadczenie. Czy widzialność wzmacnia relację, czy ją konsumuje. Współobecność, lokalność i nieprzekładalność nie są więc romantycznymi resztkami świata sprzed technologii. Są warunkami oporu wobec świata, który chce wszystko zamienić w przewidywalny, porównywalny i przetwarzalny format. Maria Hassabi i Tino Sehgal pozwalają uchwycić wagę obecności, trwania i ograniczonej dokumentacji bez przypisywania im bezpośredniej krytyki AI. Ich praktyki są użyteczne jako wcześniejsze modele sytuacji, w których dzieło nie oddaje się bez reszty zapisowi, obrazowi ani opisowi. W epoce automatycznego streszczania i indeksowania takie praktyki pomagają zrozumieć, dlaczego brak pełnego zapisu może być elementem sensu, a nie niedopatrzeniem. Tehching Hsieh i Linda Montano wprowadzają do tej genealogii inny wymiar: długi czas, powtarzaną regułę, życie jako strukturę performatywną i ciało poddane konsekwencji. W perspektywie sztuki po AI są ważni nie jako przykłady technologiczne, lecz jako kontrapunkt 68 Ryzyko redukcji polityk instytucjonalnych do mierzalności, zgodności i raportowalności można czytać w perspektywie krytyki rządzenia przez liczby oraz infrastruktur klasyfikacji; por. Porter, Trust in Numbers; Supiot, Governance by Numbers; Bowker, Star, Sorting Things Out; Scott, Seeing Like a State. Dla ram raportowania zrównoważonego rozwoju por. IFRS Foundation / ISSB, IFRS S1 i IFRS S2, 2023. Oskar Chmioła © Sztuka po AI-2.0, 2026 54 wobec kultury natychmiastowego wyniku. Pokazują, że twórczość może być organizowana przez czas, zobowiązanie i granicę, których nie da się wygenerować jako szybkiej odpowiedzi. Krytyka powierzchni prowadzi do wniosku, że problemem epoki generatywnej nie jest sama atrakcyjność formy, lecz utrata dostępu do warunków, które tę formę wytworzyły. 4.3. Ograniczenie, low-tech i nieoptymalność Ograniczenie jest jedną z najważniejszych technik odzyskiwania decyzji, ponieważ zatrzymuje automatyczny odruch zwiększania skali. W polu predykcyjnym niemal każde działanie może zostać rozszerzone: więcej wariantów, więcej formatów, więcej kanałów, więcej opisów, więcej publikacji, więcej reakcji, więcej danych. Ograniczenie pyta odwrotnie: ile wystarczy, aby sens został zachowany? Który etap procesu wymaga człowieka? Który opis powinien pozostać niedomknięty? Która dokumentacja powinna być częściowa? Który obraz nie powinien zostać wygenerowany, ponieważ jego syntetyczna łatwość zniszczyłaby relację z tematem? Low-tech trzeba odróżnić od nostalgii. Prosty środek nie jest lepszy tylko dlatego, że jest prosty. Analogowy zapis może być przemocowy, jeśli narusza zgodę; zaawansowane narzędzie cyfrowe może być odpowiedzialne, jeśli umożliwia udział osobie wykluczonej z tradycyjnego obiegu. Sztuka po AI nie powinna czynić z low-tech estetyki moralnej wyższości. Powinna traktować je jako zasadę proporcji: używać takiego poziomu technologii, który odpowiada celowi, nie zasłania relacji, nie produkuje nadmiaru danych i nie przenosi odpowiedzialności na system. Low-tech oznacza więc decyzję o dawce technologii, a nie powrót do wyobrażonej czystości sprzed mediów cyfrowych. Czasem prosty środek chroni relację, zmniejsza koszt i pozwala wyraźniej zobaczyć sens działania. Czasem jednak narzędzie zaawansowane technologicznie jest potrzebne, aby zapewnić dostępność, tłumaczenie, komunikację albo bezpieczeństwo. Sztuka po AI nie pyta więc, czy technologia jest obecna, lecz czy jej obecność jest adekwatna, proporcjonalna i uczciwie nazwana. Nieoptymalność może być praktyką krytyczną wtedy, gdy ujawnia, że najkrótsza droga nie zawsze jest drogą właściwą. Rzeźbiarz może wybrać wolniejszy proces manualny nie po to, aby udowodnić wyższość ręki nad maszyną, lecz aby zachować opór materiału jako część poznania. Grafik warsztatowy może pracować z matrycą, błędem odbitki i powtarzalnością niepełną, bo właśnie tam pojawia się ślad decyzji. Muzyk może dopuścić czas strojenia, szum, pomyłkę i słuchanie przestrzeni, których model nie zna jako doświadczenia. Reżyser teatralny może odmówić automatycznego skrótu prób, ponieważ relacja między aktorami powstaje w czasie, którego nie da się wygenerować. Low-tech i nieoptymalność nie są w tej książce fetyszem prostoty. Ich wartość zależy od sytuacji, celu i konsekwencji. Mogą chronić relację, środowisko i czas, ale mogą też wykluczać, jeżeli zostaną potraktowane jako jedyna moralna forma działania. Ograniczenie jest jedną z najważniejszych praktyk sztuki po AI, ale wymaga precyzji. Pytanie nie dotyczy prosty powrót do ubogich środków ani o przekonanie, że im mniej technologii, tym bardziej etyczna praca. Ograniczenie jest decyzją o proporcji. Właściwe pytanie nie dotyczy samej obecności technologii, lecz tego, jaka technologia jest potrzebna, w jakiej skali, po co, wobec kogo, z jakimi kosztami i z jaką odpowiedzialnością. Low-tech może być odpowiedzią na nadmiar, ale nie jest automatycznym rozwiązaniem. Może oznaczać wybór prostszych narzędzi, wolniejszych mediów, ręcznej dokumentacji, lokalnej infrastruktury, ograniczonego obiegu, mniej zasobożernej produkcji, mniejszej liczby iteracji albo pracy z materiałem dostępnym na miejscu. Może także oznaczać odmowę użycia systemu generatywnego tam, gdzie wystarczy rozmowa, szkic, notatka, działanie, rysunek, spotkanie albo archiwum analogowe. Tak rozumiana low-tech jest praktyką dostosowania narzędzia do sytuacji. Ale low-tech potrafi również stać się estetyczną pozą. Może romantyzować brak zasobów, choć dla wielu osób brak technologii nie jest wyborem, lecz ograniczeniem ekonomicznym. Może utrudniać dostępność, jeśli odrzuca narzędzia wspierające osoby Oskar Chmioła © Sztuka po AI-2.0, 2026 55 z niepełnosprawnościami, osoby pracujące zdalnie, osoby potrzebujące tłumaczenia albo alternatywnych formatów. Może stać się gestem elitarnej czystości: „my nie używamy technologii”, wypowiadanym z pozycji tych, którzy mają inne formy kapitału, widzialności i dostępu. Właśnie dlatego ograniczenie musi być krytyczne także wobec samego siebie. W pobliżu tej refleksji można umieścić praktyki slow media, minimal computing, permacomputing i tactical media. Każdy z tych nurtów ma inną historię i nie powinien być wrzucany do jednego worka. Łączy je jednak pytanie o skalę, koszt, infrastrukturę, trwałość, lokalność i politykę narzędzi. Slow media przeciwstawiają się natychmiastowości i nadprodukcji komunikatów. Minimal computing pyta o to, ile technologii rzeczywiście potrzeba do wykonania zadania. Permacomputing wiąże myślenie o obliczeniach z ograniczeniami środowiskowymi i długotrwałością. Tactical media przypominają o używaniu mediów w sposób sytuacyjny, krytyczny i interwencyjny. W kontekście sztuki po AI wszystkie te tradycje mogą być przydatne, o ile nie zmieniają się w katalog modnych alternatyw. Nieoptymalność jest pojęciem, które pozwala opisać tę postawę bez fetyszyzowania prostoty. Nieoptymalność nie oznacza niekompetencji, niedbałości ani słabej jakości. Oznacza świadomą odmowę podporządkowania pracy szybkości, wydajności, skalowalności, mierzalności i natychmiastowej użyteczności. Nieoptymalna praktyka może być bardzo precyzyjna. Może wymagać więcej uważności niż praktyka zoptymalizowana. Jej celem nie jest bycie gorszą, lecz niepodporządkowanie się kryteriom, które uznają za wartościowe tylko to, co szybkie, powtarzalne, przewidywalne i łatwe do skalowania. W świecie AI optymalizacja działa bardzo silnie. Model ma odpowiadać szybciej, trafniej, płynniej, bardziej użytecznie. Interfejs ma zmniejszać tarcie. System ma podpowiadać, poprawiać, uzupełniać, przewidywać i wygładzać. Twórczość może wtedy zacząć wstydzić się opóźnienia, błędu, niepewności, braku gotowej odpowiedzi, materialnego oporu i niedokończenia. Nieoptymalność przywraca wartość tym elementom. Pozwala powiedzieć: wolniej nie zawsze znaczy gorzej. Mniej nie zawsze znaczy słabiej. Trudniej nie zawsze znaczy mniej komunikatywnie. Nie wszystko, co ważne, powinno być natychmiast dostępne. Nieoptymalność jest bliska ograniczeniu, ale nie tożsama. Ograniczenie dotyczy wyboru skali, narzędzia, liczby iteracji, zakresu dokumentacji albo obiegu. Nieoptymalność dotyczy kryteriów wartości. Praktyka może być ograniczona, ale nadal podporządkowana optymalizacji – na przykład gdy minimalistyczny styl staje się marką łatwą do sprzedaży. Praktyka może także używać technologii, a jednocześnie być nieoptymalna – jeśli wprowadza opóźnienie, jawność procesu, możliwość błędu, odmowę nadmiaru i odpowiedzialną selekcję. W sztuce po AI ograniczenie, low-tech i nieoptymalność powinny być traktowane jako procedury, nie estetyki. To znaczy: pytanie nie dotyczy to, jak praca wygląda, ale jak działa. Ograniczenie ma sens wtedy, gdy zmienia relację z narzędziem, zmniejsza ekstrakcję danych, daje więcej czasu na decyzję, zwiększa odpowiedzialność, chroni publiczność, pozwala uniknąć generatywnego nadmiaru, utrzymuje dostępność albo umożliwia odmowę automatyzacji tam, gdzie automatyzacja byłaby nadużyciem. Ograniczenie potrafi również dotyczyć dokumentacji. Nie wszystko musi zostać zapisane w pełni. Nie każda rozmowa musi zostać zarchiwizowana. Nie każdy warsztat musi zostać sfotografowany. Nie każdy performans musi zostać opublikowany jako wideo. Nie każda praktyka zostaje streszczona dla algorytmicznej widzialności. Ale znów: brak dokumentacji nie jest automatycznie etyczny. Może chronić sens, ale może także usuwać pamięć, utrudniać dostęp i wykluczać tych, którzy nie mogli uczestniczyć. Ograniczenie wymaga więc za każdym razem decyzji, a nie gotowej zasady. Tak rozumiana sztuka po AI nie proponuje prostego hasła „mniej technologii”. Proponuje bardziej wymagające pytanie o adekwatną dawkę technologii w konkretnej sytuacji. Trzeba odróżnić moment, w którym narzędzie wzmacnia relację, od momentu, w którym ją zastępuje; moment, w którym przyspieszenie pomaga, od momentu, w którym uniemożliwia myślenie; moment, w którym automatyzacja zwiększa dostępność, od momentu, w którym przejmuje odpowiedzialność; Oskar Chmioła © Sztuka po AI-2.0, 2026 56 oraz moment, w którym ograniczenie chroni sens, od momentu, w którym staje się gestem wykluczenia. Solar Protocol69 Tegi Brain, Benedetty Piantelli i współtwórców można odczytać jako przykład infrastrukturalnego ograniczenia: system cyfrowy zostaje tu powiązany z dostępnością energii słonecznej, lokalnością serwerów i zmiennością warunków materialnych. Nie jest to prosta nostalgia za analogowością, lecz próba zaprojektowania technologii, która nie udaje oderwania od środowiska. Podobnie praktyki środowiskowe Cecylii Malik i Sióstr Rzek przypominają, że ekologia sztuki nie musi zaczynać się od obliczeń. Może zaczynać się od ciała w przestrzeni, od chodzenia, obecności, rzeki, lokalnego konfliktu i publicznej widzialności sprawy. Wobec AI takie przykłady działają jako kontrapunkt: pokazują, że koszt środowiskowy nie jest abstrakcją, ale zawsze dotyczy miejsca, wody, energii, ziemi i wspólnoty. Dzieło po AI staje się więc sytuacją odpowiedzialności. Jego wartość nie znika z formy, ale zostaje związana z procesem, danymi, narzędziami, publicznością i konsekwencjami. 4.4. Przeciw estetyce powierzchni: halucynacje, skórki, przezroczystość Estetyka powierzchni jest szczególnie skuteczna, ponieważ nie musi kłamać wprost. Wystarczy, że wygładza. Syntetyczny obraz, automatyczny opis, promocyjny rendering, czysty layout albo bezbłędne streszczenie mogą wytworzyć wrażenie zrozumienia, zanim pojawi się doświadczenie. Halucynacja modelu jest tylko skrajnym przypadkiem tego procesu. Bardziej codziennym problemem jest estetyka płynności: tekst brzmi kompetentnie, obraz wygląda profesjonalnie, opis wydaje się kompletny, a jednak pod spodem może brakować spotkania, źródła, zgody, kontekstu albo rzeczywistego konfliktu. W tym miejscu użyteczna jest perspektywa Hito Steyerl, zwłaszcza jej namysł nad cyrkulacją obrazów, statusem poor image i polityką widzialności. Obraz niskiej jakości może nieść pamięć obiegu, kopiowania, przemieszczenia i użycia, podczas gdy obraz doskonale wygładzony może ukrywać własną genealogię. Sztuka po AI nie musi więc zawsze dążyć do wysokiej jakości syntetycznej powierzchni. Może czasem celowo zachować ślad kompresji, błąd, przerwę, szum, ręczną korektę, nieciągłość montażu albo niedoskonałość dokumentu, jeśli właśnie one ujawniają warunki powstania pracy. Estetyka powierzchni jest problemem nie dlatego, że obraz może być atrakcyjny. Ryzyko ujawnia się wtedy, gdy gładkość wyniku zakrywa warunki jego powstania, a przezroczystość interfejsu przesłania dane, pracę, koszt i odpowiedzialność. Dejan Grba pomaga tu nazwać niebezpieczeństwo szczególnie ważne dla creative AI: fetyszyzację maszynowej sprawczości, cyfrowy kicz i pozorne wyrafinowanie formy, które mogą zasłaniać ubóstwo decyzji artystycznej. Nie chodzi o to, że każda praca z AI jest kiczem albo powierzchnią. Chodzi o to, że system może bardzo skutecznie produkować znaki głębi bez warunków głębi: styl bez praktyki, podobieństwo bez genealogii, emocję bez relacji i agencyjność bez odpowiedzialności. Krytyka sztuki generatywnej łatwo popada w przesadę. Nie każda praca wykorzystująca AI jest powierzchowna, wtórna albo bezrefleksyjna. Nie każdy obraz syntetyczny jest estetycznym oszustwem. Nie każde użycie modelu oznacza podporządkowanie się logice systemu. W tej rozprawie nie chodzi wyłącznie o potępienie całej sztuki generatywnej. Chodzi o krytykę dominującej estetyki predykcyjnej powierzchni. Estetyka powierzchni pojawia się tam, gdzie model produkuje gładki wynik odłączony od procesu, odpowiedzialności, materiału, miejsca i historii. Obraz wygląda przekonująco, ale nie wiadomo, z jakich danych, stylów i decyzji powstał. Tekst brzmi kompetentnie, ale nie wiadomo, co zostało sprawdzone. Głos jest emocjonalny, ale nie ma ciała. Twarz jest wiarygodna, ale nie ma biografii. Styl jest rozpoznawalny, ale nie ma praktyki. Interfejs jest wygodny, ale ukrywa infrastrukturę. Halucynacje modeli są tu tylko jednym z objawów. 69 Luc Boltanski i Ève Chiapello analizują przechwycenie języka kreatywności, sieci i projektu przez nowego ducha kapitalizmu; zob. The New Spirit of Capitalism, Verso, London-New York 2005. Oskar Chmioła © Sztuka po AI-2.0, 2026 57 W sensie technicznym halucynacja oznacza sytuację, w której system generuje informację nieprawdziwą, nieuzasadnioną albo pozornie wiarygodną. W polu sztuki problem jest szerszy. Halucynacyjność może stać się estetyką: płynną produkcją sensu, który wygląda jak znaczenie, ale nie ma wystarczającej relacji z rzeczywistością, źródłem albo doświadczeniem. Model może wytworzyć opis nieistniejącego dzieła, przypisać artyście niepewną intencję, wygenerować fałszywy kontekst, stworzyć obraz „jak z archiwum” albo tekst brzmiący jak wiedza. Taka powierzchnia jest niebezpieczna dlatego, że jest przekonująca. Skórka to inna figura tej estetyki. Oznacza stylową powłokę nakładaną na treść, proces albo doświadczenie. System generatywny może wytworzyć obraz „w stylu” dokumentu, awangardy, sztuki krytycznej, archiwum, performansu, fotografii analogowej, sztuki feministycznej, estetyki postinternetowej albo dowolnej innej rozpoznawalnej konwencji. Problem nie polega na tym, że styl jest używany. Sztuka zawsze pracowała ze stylem, cytatem, pastiszem, zawłaszczeniem i przetworzeniem. Problem pojawia się wtedy, gdy styl zostaje oddzielony od praktyki, z której wyrastał. Gdy radykalny język wizualny staje się filtrem. Gdy archiwum staje się efektem. Gdy materialność staje się teksturą. Gdy polityka staje się nastrojem. Deepfake’i70 i media syntetyczne pokazują ten problem w skrajnej postaci. Mogą służyć sztuce, krytyce, rekonstrukcji, edukacji albo eksperymentowi. Mogą jednak także zacierać granicę między świadectwem a symulacją, obecnością a imitacją, dokumentem a efektem. W kontekście sztuki po AI najważniejsze pytanie nie brzmi: czy syntetyczny obraz jest „fałszywy”. Pytanie brzmi: czy jego status jest jawny, jakie relacje wykorzystuje, czyją twarz, czyj głos albo czyj styl przetwarza, jakie zaufanie uruchamia i kto bierze odpowiedzialność za jego obieg. Przezroczystość interfejsu jest kolejnym problemem. Narzędzia AI często projektuje się tak, aby użytkownik nie odczuwał złożoności systemu. Ma wpisać polecenie, otrzymać wynik, poprawić, wybrać, opublikować. Im mniej tarcia, tym lepiej. Ale w sztuce tarcie bywa źródłem sensu. Opór materiału, nieporozumienie, błąd, niedoskonałość, opóźnienie i brak natychmiastowej odpowiedzi mogą prowadzić do decyzji. Przezroczysty interfejs usuwa wiele z tych momentów. Ułatwia działanie, ale potrafi również ukrywać warunki działania. Gładkość modelu jest szczególnie zwodnicza w tekstach. Model potrafi produkować zdania, które brzmią jak gotowa interpretacja. Może pisać o wystawie, której nie widział, o artyście, którego zna tylko z danych, o teorii, której nie rozumie w ludzkim sensie, o doświadczeniu, którego nie przeżył. Stawką nie jest to, że taki tekst zawsze jest bezwartościowy. Może pomóc w organizacji myśli, wariantowaniu języka, porządkowaniu notatek. Ale jeśli gładkość zostanie pomylona z trafnością, krytyka zamienia się w powierzchnię. Przeciw estetyce powierzchni nie oznacza przeciw estetyce w ogóle. Sztuka po AI nie musi być szorstka, brzydka, ascetyczna ani antywizualna. Może być zmysłowa, syntetyczna, cyfrowa, generatywna, efektowna, interaktywna i technologicznie złożona. Warunkiem jest jednak to, czy ujawnia albo przynajmniej bierze odpowiedzialność za własne warunki. Czy pozwala zobaczyć relację między wynikiem a procesem. Czy nie udaje niewinności. Czy nie sprzedaje symulacji jako obecności, a stylu jako praktyki. Tutaj właśnie powraca znaczenie relacji i ograniczenia. Relacja przeciwstawia się powierzchni, bo wymaga odpowiedzialności wobec kogoś lub czegoś. Ograniczenie przeciwstawia się powierzchni, bo nie pozwala bez końca generować kolejnych wariantów w nadziei, że któryś będzie wyglądał wystarczająco przekonująco. Nieoptymalność przeciwstawia się powierzchni, bo pozwala zachować błąd, opór i czas. Lokalność przeciwstawia się powierzchni, bo przypomina, że nie każdy kontekst da się zamienić w styl. Krytyka estetyki powierzchni przygotowuje przejście do pojęcia dzieła jako sytuacji. Jeśli problemem jest wynik odłączony od warunków, odpowiedzią nie może być tylko inny wynik. Odpowiedzią musi być zmiana sposobu rozumienia dzieła. 70 Cecylia Malik i Siostry Rzek są przywołane jako przykłady praktyk środowiskowych opartych na lokalności, obecności, wodzie i konflikcie ekologicznym, a nie jako prace z AI. Oskar Chmioła © Sztuka po AI-2.0, 2026 58 „The Next Rembrandt”71 jest dobrym przykładem ambiwalencji syntetycznej powierzchni. Projekt może być analizowany jako eksperyment z danymi, stylem i rekonstrukcją wizualną, ale jednocześnie pokazuje ryzyko pomylenia modelu cech obrazu z żywą praktyką artystyczną. Stawką nie jest więc to, czy wynik jest efektowny, lecz to, jakie pojęcie twórczości zostaje przez taki projekt wzmocnione. Jako projekt oparty na analizie wzorców wizualnych kojarzonych z Rembrandtem, „The Next Rembrandt” pokazuje napięcie między rekonstrukcją stylu a żywą praktyką artystyczną. W tej książce nie działa jako wzór sztuki po AI, lecz jako ostrzeżenie: model może nauczyć się cech obrazu, nie przejmując historycznej, materialnej i etycznej odpowiedzialności za obraz. „This Person Does Not Exist”72 ujawnia podobną ambiwalencję na poziomie twarzy. Syntetyczna twarz może wyglądać wiarygodnie, choć nie odsyła do żadnej biografii, relacji ani doświadczenia. W sztuce po AI taki przykład pomaga myśleć o różnicy między obrazem człowieka a obecnością osoby, między prawdopodobieństwem wizualnym a odpowiedzialnością za reprezentację. Tworzenie pomimo przygotowuje aparat strategii, ponieważ pokazuje, że odpowiedź na AI nie jest jednym gestem, lecz zestawem decyzji zależnych od pola działania. 4.5. Dzieło po AI: od wyniku do sytuacji Dzieło jako sytuacja może zostać zaprojektowane tak, aby posiadało warstwę publiczną i warstwę relacyjną. Warstwa publiczna pozwala mówić o pracy, zaprosić odbiorców, zachować pamięć i budować odpowiedzialność. Warstwa relacyjna nie musi być w pełni przeniesiona do obiegu. Jej zadaniem jest utrzymanie tego, co nie powinno zostać natychmiast zamienione w obraz promocyjny, krótki opis, zestaw tagów albo materiał treningowy. Przesunięcie od wyniku do sytuacji nie oznacza rezygnacji z dzieła. Oznacza rozszerzenie tego, za co dzieło odpowiada. Wynik jest tym, co najłatwiej pokazać: obrazem, tekstem, obiektem, nagraniem, instalacją, wydarzeniem, stroną internetową. Sytuacja obejmuje również warunki: kto został zaproszony, co zostało zapisane, jaką zgodę uzyskano, jakie narzędzia użyto, jakie dane powstały, jak publiczność rozumiała status pracy, co wydarzyło się po zakończeniu działania i czy dokumentacja nie przejęła sensu wydarzenia. W epoce AI samo pytanie „co powstało?” musi zostać uzupełnione pytaniem „jakie relacje, koszty i decyzje umożliwiły powstanie tego wyniku?”. Dla performera sytuacją będzie ciało w czasie, obecność świadków, próg dokumentacji i ryzyko zdarzenia. Dla artysty wideo – relacja między obrazem, montażem, źródłem, statusem dokumentu i możliwą syntetycznością sceny. Dla twórcy instalacji – układ przestrzeni, poruszania się, dostępu, dźwięku, światła i danych pozostawianych przez uczestnika. Dla kuratora – nie tylko układ prac, lecz także język zaproszenia, polityka dokumentacji, warunki dostępności i sposób archiwizacji. Dla krytyka – nie tylko interpretacja, ale decyzja, czy tekst powstał ze spotkania z dziełem, czy z wtórnego obiegu opisów. W każdym z tych przypadków Sztuka po AI przesuwa uwagę z efektu na odpowiedzialną ramę. Przesunięcie od wyniku do sytuacji jest jednym z głównych momentów konstruktywnych tej książki. Dzieło po AI nie jest oceniane wyłącznie przez efekt, lecz przez układ warunków: proces, dane, narzędzia, relacje, dokumentację, publiczność, ryzyko i konsekwencje dalszego obiegu. Dzieło po AI nie powinno być rozumiane wyłącznie jako obiekt, obraz, tekst, plik, instalacja, performans, film, dźwięk albo wynik generowania. 71 Por. ArtReview, „What Is Post-AI Art?”, rozmowa z Avery Singer, Simonem Dennym, Holly Herndon, Matem Dryhurstem i Jonem Rafmanem, 2025; Ståle Stenslie, Zane Cerpina, „ART AFTER AI: Utilizing Artificial Intelligence in Art Creation”, ISEA 2024; „EE #4: Art After AI”, TEKS.press, 2023; ART AFTER AI, artafter.ai. Przywołane materiały mają różny status: rozmowy środowiskowej, referatu, numeru magazynu oraz projektu artystyczno-kuratorskiego. 72 Por. Shawn Shan, Jenna Cryan, Emily Wenger, Haitao Zheng, Rana Hanocka, Ben Y. Zhao, „Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models”, arXiv:2302.04222, 2023; Shawn Shan, Wenxin Ding, Josephine Passananti, Stanley Wu, Haitao Zheng, Ben Y. Zhao, „Nightshade: Prompt-Specific Poisoning Attacks on Text-to-Image Generative Models”, arXiv:2310.13828, 2023; Zach Blas, „Facial Weaponization Suite”, 2012–2014. Oskar Chmioła © Sztuka po AI-2.0, 2026 59 Oczywiście może przyjmować każdą z tych form. Ale jego sens nie wyczerpuje się w rezultacie. Dzieło po AI można rozumieć jako sytuację: układ narzędzi, danych, decyzji, relacji, publiczności, miejsca, dokumentacji, środowiska, prawa, obiegu i odpowiedzialności. To przesunięcie jest konieczne, ponieważ AI wzmacnia pokusę myślenia o dziele jako wyniku. Interfejs pyta o rezultat. Model generuje wariant. Użytkownik wybiera najlepszą odpowiedź. Platforma promuje obraz. Publiczność reaguje. System zapisuje dane. Wszystko wydaje się skupione na tym, co pojawia się na końcu. Tymczasem w sztuce po AI najważniejsze pytania często znajdują się przed wynikiem, wokół wyniku i po wyniku. Przed wynikiem są dane. Należy rozpoznanie ich pochodzenie, status zgody, obecność cudzej twórczości, głosów, obrazów, dokumentacji, stylów, archiwów i danych publiczności. Istotne jest także, czy artysta wie, z jakiego narzędzia korzysta i jakie są jego warunki, czy użycie modelu jest konieczne, czy tylko wygodne, czy skala pracy została dobrana adekwatnie do celu, czy ograniczono liczbę iteracji i czy wiadomo, co zostanie zapisane przez system. Wokół wyniku są decyzje: wybór, odrzucenie, korekta, podpis, ujawnienie albo ukrycie procesu. Trzeba ustalenie, kto odpowiada za ostateczny kształt pracy, czy prompt jest częścią dzieła, dokumentacji, tajemnicy warsztatowej albo materiału do audytu, czy wygenerowany obraz zostaje pokazany jako syntetyczny, czy publiczność wie, z czym ma do czynienia, czy proces jest jawny oraz czy praca krytyczna wobec AI nie wzmacnia tej samej logiki nadmiaru, którą deklaruje jako przedmiot krytyki. Po wyniku jest obieg. Znaczenie ma miejsce publikacji, sposób opisu, możliwość automatycznego tagowania, streszczania i dalszego przetwarzania, a także to, czy platforma będzie używać danych publiczności, czy dokumentacja performansu zostanie włączona do kolejnych systemów, czy instytucja zachowa kontrolę nad archiwum i czy opis pracy zostanie napisany przede wszystkim dla ludzi, czy dla indeksacji. Dzieło jako sytuacja pozwala połączyć te pytania. Nie unieważnia materialności dzieła ani jego formy. Przeciwnie – rozszerza odpowiedzialność za formę. Obraz nie jest tylko obrazem, jeśli jego powstanie zależy od modelu trenowanego na masowych danych. Performans nie jest tylko wydarzeniem, jeśli jego dokumentacja zostaje natychmiast wprowadzona do platformowego obiegu. Tekst nie jest tylko tekstem, jeśli powstał w dialogu z modelem językowym i wymaga raportu procesu. Instalacja nie jest tylko instalacją, jeśli wykorzystuje systemy rozpoznawania, profilowania albo interakcji z publicznością. W tym punkcie warto zestawić tę tezę z aktualnym językiem post-AI art, w którym coraz częściej ważniejszy od pojedynczego obrazu staje się protokół, repozytorium, okno kontekstu, sposób uruchamiania modelu, relacja z publicznością i zmienność pracy. Sztuka po AI w tej książce idzie jednak o krok dalej: nie zatrzymuje się na tezie, że produkt może być dynamiczny albo generatywny, lecz pyta, jakie warunki działania zostały zaprojektowane i kto ponosi za nie odpowiedzialność. Tak rozumiane dzieło po AI jest bliskie praktykom konceptualnym, performatywnym, kontekstualnym, site-specific, relacyjnym i instytucjonalno-krytycznym, ale nie powtarza ich wprost. Od sztuki konceptualnej bierze świadomość, że idea, reguła i procedura mogą być częścią dzieła. Od performansu bierze znaczenie czasu, ciała, obecności i śladu. Od sztuki kontekstualnej bierze przekonanie, że sens dzieła zależy od warunków użycia, miejsca, języka, sytuacji i relacji społecznych. Od site-specific bierze zależność od miejsca. Od sztuki relacyjnej i dialogicznej bierze pytanie o publiczność i uczestnictwo. Od krytyki instytucjonalnej bierze świadomość, że warunki prezentacji współtworzą sens. Sytuacja po AI dodaje do tego nowe elementy: dane, modele, interfejsy, automatyczne opisy, predykcyjną widzialność, środowiskowy koszt obliczeń i systemy agentowe. W tym miejscu szczególne znaczenie ma sztuka kontekstualna. Nie jest ona w tej książce kolejną etykietą dopisaną do listy nurtów, lecz sposobem myślenia o dziele przez warunki jego istnienia. Jan Świdziński, rozwijając koncepcję sztuki kontekstualnej, przesunął uwagę z autonomicznego obiektu na sytuację znaczenia: na to, gdzie, kiedy, przez kogo, wobec jakiej instytucji, języka i publiczności działanie artystyczne staje się czytelne. Dla Sztuki po AI to odniesienie jest zasadnicze, ponieważ model predykcyjny ma skłonność do odrywania formy od kontekstu i traktowania jej jako wzorca Oskar Chmioła © Sztuka po AI-2.0, 2026 60 możliwego do przeniesienia. Sztuka kontekstualna przypomina natomiast, że sens nie istnieje w samej formie, lecz w relacji między formą, miejscem, użyciem, opisem, ciałem, instytucją i momentem historycznym. To połączenie pozwala lepiej zrozumieć, dlaczego dzieło po AI musi być analizowane jako sytuacja. Praktyki konceptualne uczą, że dzieło może istnieć jako reguła, instrukcja albo pojęcie; praktyki performatywne – że dzieło może być czasem, obecnością i ryzykiem; site-specific – że miejsce współtworzy sens; sztuka relacyjna i dialogiczna – że publiczność nie jest wyłącznie odbiorcą; krytyka instytucjonalna – że warunki pokazywania są częścią znaczenia. Sztuka kontekstualna spina te perspektywy, bo wymaga pytania nie tylko o to, co zostało wytworzone, ale w jakim układzie stało się dziełem. Nie każde dzieło musi ujawniać wszystkie te warunki wprost. Stawką nie jest to, aby każda praca stała się raportem technicznym. Chodzi o zmianę świadomości twórczej i krytycznej. Jeśli dzieło po AI jest sytuacją, krytyk, kurator, instytucja i publiczność nie mogą poprzestać na pytaniu „co widzę?”. Muszą rozpoznać warunki powstania, uruchamiane relacje, użyte dane, formy dokumentacji, drogi obiegu, to, co ukrywa interfejs, oraz to, kto ponosi odpowiedzialność. Takie rozumienie dzieła ma też konsekwencje dla autorstwa. Autor nie musi być samotnym źródłem wszystkich elementów pracy, ale musi być odpowiedzialny za decyzje sytuacyjne. Może korzystać z narzędzi, współpracowników, modeli, archiwów, publiczności i instytucji, ale nie może znikać za systemem. Autorstwo po AI nie polega na czystej autonomii. Polega na odpowiedzialnym organizowaniu warunków. Dzieło jako sytuacja ma również konsekwencje dla odbiorcy. Publiczność nie jest tylko końcowym konsumentem wyniku. Może być częścią sytuacji: przez obecność, interakcję, dane, reakcję, odmowę, interpretację, dokumentację albo dalszy obieg. To oznacza, że praca z publicznością wymaga etyki. Nie można traktować jej wyłącznie jako źródła reakcji albo materiału do profilowania; ten wątek powraca później w praktykach, raportach i analizie instytucji. Dzieło jako sytuacja pozwala także inaczej myśleć o jakości. W kulturze predykcyjnej jakość łatwo myli się z gładkością, skutecznością, szybkością reakcji i łatwością dystrybucji. W sytuacyjnym rozumieniu dzieła jakość obejmuje również adekwatność narzędzi, odpowiedzialność wobec danych, relację z miejscem, uczciwość dokumentacji, jasność statusu syntetycznych elementów, troskę o publiczność i świadomość dalszego obiegu. Dzieło może być formalnie efektowne, a sytuacyjnie nieodpowiedzialne. Może być formalnie skromne, a sytuacyjnie bardzo mocne. Dzieło jako sytuacja pozwala również inaczej myśleć o czasie. W kulturze predykcyjnej czas zostaje zwykle skrócony do czasu produkcji, publikacji, reakcji i obiegu. Sztuka po AI potrzebuje jednak także czasu sytuacji: czasu wspólnego bycia z pracą, czasu zwłoki, czasu korekty, czasu oporu materiału, czasu publiczności i czasu decyzji o tym, czy coś w ogóle zostaje udokumentowane. Ten czas nie jest dodatkiem do dzieła. Może być jego właściwą substancją. Właśnie w tym miejscu dzieło jako sytuacja łączy się z późniejszą koncepcją Ogrodu czasu sztuki. Jeżeli wartość pracy nie wyczerpuje się w wyniku, to nie może być mierzona wyłącznie obiektem, plikiem, zasięgiem albo transakcją. Czas relacji, rozmowy, troski, obecności i odpowiedzialności staje się jednym z tych wymiarów dzieła, które rynek dzieł i platformowa ekonomia uwagi najłatwiej unieważniają. Lauren Lee McCarthy i projekt „LAUREN” dobrze pokazują, dlaczego dzieło po AI należy rozumieć sytuacyjnie. Praca nie polega wyłącznie na technologicznej imitacji inteligentnego domu ani na żarcie z automatyzacji. Jej stawką jest relacja między opieką, kontrolą, intymnością, usługą, obecnością człowieka i obietnicą systemu. Tak rozumiana „LAUREN” pozwala jednocześnie myśleć o postagentowości i antyagentowości: o pracy z figurą agenta oraz o granicach relacji, której nie sposób całkowicie oddać automatyzacji. Oskar Chmioła © Sztuka po AI-2.0, 2026 61 Lauren Lee McCarthy jest w tym fragmencie ważna jako artystka badająca granicę między usługą, opieką, monitoringiem, performansem i automatyzacją codzienności. Jej prace pozwalają zobaczyć, że agentowość nie musi być wyłącznie techniczną funkcją systemu, lecz może stać się dramaturgią relacji: ktoś albo coś obserwuje, reaguje, podpowiada, pomaga i jednocześnie przejmuje część przestrzeni prywatnej. W Sztuce po AI taki przykład uczy, że pytanie o narzędzie jest zawsze pytaniem o formę współobecności i o granicę delegowania troski. Podobnie „The Infinite Conversation” może być użyte jako przykład ostrożny: nie po to, by uznać symulowane wypowiedzi za równoważne spotkaniu z myślicielami, lecz po to, by zbadać, jak model, głos i forma rozmowy wytwarzają pozór ciągłości intelektualnej. Taki przykład zmusza do pytania, gdzie kończy się użyteczna symulacja, a zaczyna zawłaszczenie relacji z czyjąś myślą, stylem i pamięcią. To przesunięcie od wyniku do sytuacji przygotowuje grunt pod strategie oporu. Jeśli dzieło jest sytuacją, można pytać, w którym miejscu sytuacji należy przechwycić generatywność, gdzie odmówić generowania, gdzie utrzymać asymetryczną relację z agentem, a gdzie odmówić relacji symulowanej. Rozdział V rozwija właśnie te pytania. Dzieło po AI należy rozumieć jako sytuację wielowarstwową: ma wynik albo ślad, ale ma też procedurę, warunki powstania, sposób opisu, tryb obiegu, relację z publicznością, koszt infrastrukturalny, decyzję o dokumentacji i granice dalszego przetwarzania. W takim ujęciu praca nie kończy się w chwili uzyskania formy. Jej sens zależy również od tego, czy zostanie oddana systemowi jako łatwy zasób, czy zachowa elementy oporu wobec pełnej indeksacji. To przesunięcie pozwala odróżnić estetyczne użycie AI od strategii sztuki po AI. Narzędzie może zostać wykorzystane dekoracyjnie, krytycznie, badawczo, performatywnie albo czysto użytkowo. O strategii nie decyduje samo narzędzie, lecz sposób jego osadzenia w sytuacji: czy ujawnia warunki pola, czy je powiela; czy wzmacnia relację, czy ją symuluje; czy rozpoznaje koszt, czy go ukrywa; czy zwiększa sprawczość autora i publiczności, czy zamienia ich w operatorów przewidywalnego wyniku. Macierz pozwala więc przejść od ogólnej krytyki do precyzyjnej diagnozy praktyki. Dzięki niej pytanie nie brzmi już „czy AI?”, lecz: jaki mechanizm działa, gdzie leży odpowiedzialność i jaka odpowiedź jest adekwatna. W takim ujęciu rozdziały I–IV nie są jedynie wprowadzeniem do teorii strategii. Tworzą warunki jej sprawdzalności: najpierw odróżniają sztukę z AI od Sztuki po AI, następnie pokazują genealogię i infrastrukturę predykcyjnego pola, a potem proponują relację, ograniczenie, lokalność, nieprzekładalność, low-tech, sztukę kontekstualną i dzieło jako sytuację jako praktyczne kryteria dalszych strategii. 4.6. Tworzenie pomimo: przejście do strategii oporu „Tworzenie pomimo” nie oznacza heroicznej twórczości mimo technologii. Oznacza pracę w warunkach, których nie wybieramy w całości: wobec platform, formularzy, archiwów, systemów rekomendacyjnych, modeli językowych, oczekiwań grantowych, presji dokumentacji i ekonomii widzialności. Artysta może działać pomimo tych warunków, jeśli rozpoznaje, które elementy procesu przejmuje, które ogranicza, które ujawnia, a którym odmawia. To prowadzi bezpośrednio do strategii z rozdziału V: nie jako katalogu postaw ideologicznych, lecz jako narzędzi podejmowania decyzji w sytuacjach konkretnych. „Pomimo” oznacza tutaj działanie bez złudzenia czystego zewnętrza. Twórczość nie wychodzi poza predykcyjne pole jednym gestem, ale może wytwarzać w nim szczeliny: przez opóźnienie, odmowę, przechwycenie, ograniczenie, obecność i odpowiedzialne użycie narzędzi. Alternatywne modele działania opisane w tym rozdziale nie usuwają infrastruktury przemocy. Relacja, ograniczenie, współobecność, lokalność, nieprzekładalność, low-tech, nieoptymalność i dzieło jako sytuacja nie tworzą czystej przestrzeni poza systemem. Nie znoszą platform, danych, Oskar Chmioła © Sztuka po AI-2.0, 2026 62 modeli, obiegu, archiwów, prawnych sporów, kosztów środowiskowych ani automatyzacji widzialności. Ich znaczenie polega na czymś innym: pozwalają tworzyć pomimo. Tworzenie pomimo nie oznacza rezygnacji. Oznacza działanie w warunkach, które są niepełne, uwikłane, częściowo zależne od systemów, a często nieprzejrzyste. Artysta nie musi mieć pełnej kontroli nad infrastrukturą, aby podejmować decyzje. Instytucja nie musi rozwiązać wszystkich problemów AI, aby ograniczać automatyzację tam, gdzie jest nieodpowiedzialna. Edukacja nie musi zakazać wszystkich narzędzi, aby uczyć krytycznego użycia. Publiczność nie musi znać całej technologii, aby domagać się jawności, prawa do człowieka i odpowiedzialnej dokumentacji. Tworzenie pomimo oznacza rezygnację z dwóch fałszywych pocieszeń. Pierwszym jest technosolucjonizm: przekonanie, że nowe narzędzia same rozwiążą problemy twórczości, dostępności, edukacji, archiwów i instytucji. Drugim jest czysty odmowny absolutyzm: przekonanie, że wystarczy nie używać AI, aby znaleźć się poza jej logiką. Oba stanowiska są zbyt proste. Pierwsze nie widzi przemocy infrastruktury. Drugie nie widzi głębokości uwikłania pola kultury w predykcję. Sztuka po AI musi działać między nimi. Musi umieć używać, ograniczać, odmawiać, ujawniać, opóźniać, dokumentować, chronić, tłumaczyć i milczeć – zależnie od sytuacji. Nie istnieje jedna procedura dobra dla wszystkich praktyk. Czasem odpowiedzialne będzie użycie narzędzia AI do zwiększenia dostępności. Czasem odpowiedzialna będzie odmowa automatycznego opisu. Czasem warto wygenerować wariant po to, aby ujawnić działanie modelu. Czasem trzeba zatrzymać generowanie, ponieważ relacja, ciało, pamięć albo zgoda są ważniejsze niż wynik. Rozdział IV przygotował język takich decyzji, ale jeszcze ich nie sklasyfikował. Relacja pokazała, że twórczość nie może zostać zredukowana do profilu i interakcji. Ograniczenie pokazało, że odpowiedź na nadmiar nie musi polegać na jeszcze większej produkcji. Współobecność, lokalność i nieprzekładalność pokazały, że model danych nie zastępuje świata. Low- tech i nieoptymalność pokazały, że skala narzędzia i tempo pracy są decyzjami estetycznymi oraz etycznymi. Krytyka powierzchni pokazała, że wynik bez warunków może stać się gładką symulacją sensu. Dzieło jako sytuacja pokazało, że sztuka po AI musi być rozumiana jako układ relacji, danych, narzędzi, publiczności, dokumentacji i odpowiedzialności. Następny krok wymaga bardziej precyzyjnej macierzy. Skoro AI działa dziś przede wszystkim przez generatywność i agentowość, pojawia się pytanie, jakie strategie pozwalają wobec nich działać. Generatywność dotyczy produkcji wyników: tekstów, obrazów, dźwięków, stylów, wariantów i odpowiedzi. Agentowość dotyczy systemów, które występują jako asystenci, rozmówcy, doradcy, kuratorzy, nauczyciele, przewodnicy albo quasi-partnerzy. Wobec każdej z tych osi można przyjąć różne postawy: przechwycenie, rekonfigurację, ograniczenie albo odmowę. Rozdział V przechodzi więc od alternatywnych modeli działania do pięciu strategii: postgeneratywności, antygeneratywności, postagentowości, antyagentowości oraz Sztuki po AI jako strategii balansu. Postgeneratywność oznacza przechwycenie i rekonfigurację generatywności. Antygeneratywność – odmowę generowania, indeksacji i zasilania danych tam, gdzie generowanie narusza sens, pamięć, relację albo zgodę. Postagentowość – asymetryczną relację z agentem bez uznania go za podmiot moralny. Antyagentowość – odmowę relacji symulowanej przez agenta tam, gdzie potrzebna jest odpowiedzialność człowieka lub instytucji. Sztuka po AI nie dopisuje się do nich jako etykieta ogólna; porządkuje decyzję, kiedy dana sytuacja wymaga użycia, ograniczenia, przechwycenia albo odmowy. Te strategie nie są czystymi pozycjami i nie tworzą wyjścia poza system. Pomagają raczej rozpoznawać, gdzie w konkretnej sytuacji znajduje się decyzja. Sztuka po AI nie zaczyna się od pewności, lecz od rozstrzygnięcia, co w danej sytuacji można wygenerować, czego nie sposób generować, z czym warto wejść w relację, a jakiej relacji trzeba odmówić. Postgeneratywność dowodzi, że użycie AI może mieć sens krytyczny tylko wtedy, gdy nie wzmacnia ślepo obietnicy łatwego wyniku, lecz odsłania warunki generowania i przerywa jego oczywistość. Oskar Chmioła © Sztuka po AI-2.0, 2026 63 V. Strategie oporu – postgeneratywność, antygeneratywność, postagentowość, antyagentowość i Sztuka po AI Rozdział V jest centrum praktycznej terminologii książki. Jego celem nie jest stworzenie kolejnej tabeli modnych pojęć, lecz nazwanie decyzji, które w polu predykcyjnym często pozostają rozproszone i niewidoczne. Postgeneratywność, antygeneratywność, postagentowość i antyagentowość opisują cztery podstawowe sposoby ustawiania granicy wobec generowania i delegowania. Sztuka po AI jako piąta strategia nie stoi ponad nimi jak abstrakcyjna synteza. Jest umiejętnością komponowania przechwycenia, odmowy, ograniczenia, ujawnienia, relacji i odpowiedzialności w konkretnej praktyce. 5.0. Macierz strategii: generatywność / agentowość, przechwycenie / odmowa Do macierzy strategii trzeba dodać oś widzialności i ukrycia. Każda z pięciu strategii może działać jawnie albo półjawnie; może ujawniać aparat, ale też chronić część procesu przed aparatem; może przechwytywać język systemu, ale używać go wbrew jego domyślnemu celowi. Ta dodatkowa oś nie tworzy szóstej strategii. Pokazuje, że każda strategia ma swój wariant przezroczysty i swój wariant taktycznie nieprzezroczysty. Macierz strategii trzeba czytać dynamicznie. Generatywność nie oznacza wyłącznie produkcji obrazów albo tekstów przez model, lecz zdolność pola do wytwarzania wariantów, oczekiwań, opisów, profili, metadanych, rankingów i formatów widzialności. Agentowość nie oznacza wyłącznie chatbota albo autonomicznego systemu, lecz delegowanie procedury: komuś lub czemuś powierza się wybór, podpowiedź, ocenę, obsługę, kontakt, selekcję albo symulację odpowiedzi. Przechwycenie nie jest bezkrytycznym użyciem, a odmowa nie jest czystym gestem. Obie muszą zostać zaprojektowane. Ten sam twórca może w jednej pracy działać postgeneratywnie, w innej antygeneratywnie, a w jeszcze innej łączyć strategie. Rzeźbiarz może odmówić syntetycznego wariantowania formy, ale użyć modelu do analizy logistyki wystawy. Pisarz może korzystać z AI jako przeciwnika redakcyjnego, ale odmówić generowania stylu. Muzyk może przechwycić system generatywny jako instrument ujawniający przewidywalność, lecz nie oddać mu decyzji dramaturgicznej. Kurator może użyć narzędzia do porządkowania archiwum, ale odmówić automatycznego tekstu o artyście. Strategia dotyczy sytuacji i decyzji, nie deklaracji światopoglądowej. Macierz strategii nie jest tabelą stylistycznych etykiet. Jest aparatem rozróżniania decyzji: czy praca dotyczy generowania, czy agentowego delegowania działania, oraz czy wobec tych sił wybiera przechwycenie, czy odmowę. Właśnie dlatego macierz może zostać użyta do czytania działań pokrewnych określanych jako Art after AI, After AI Art albo post-AI art, ale nie powinna ich mechanicznie podporządkowywać jednej nazwie. Rozmowa ArtReview pokazuje „post-AI art” jako niestabilny język środowiskowy artystów pracujących z AI, Stenslie i Cerpina rozwijają „Art After AI” jako projekt eksperymentalno- kuratorski i wydawniczy, a Zylinska opisuje „After AI Art” przez relacyjną pętlę ludzi, dyskursów, praktyk i technologii. Macierz tej książki robi coś innego: nie ustala przynależności do nurtu, lecz pyta, jaka decyzja została podjęta wobec generatywności i agentowości.73 Po rozpoznaniu genealogii kryzysu, infrastruktury przemocy i alternatywnych modeli działania wywód przechodzi do centralnego aparatu tej rozprawy. Rozdziały wcześniejsze pokazały, że AI nie jest jedynie narzędziem produkcji obrazów, tekstów, dźwięków albo filmów. Jest także logiką pola: sposobem porządkowania widzialności, formatowania 73 Por. Stenslie, Cerpina, „ART AFTER AI”, ISEA 2024, szczególnie wątek AI-person i prompt engineeringu; ArtReview, „What Is Post-AI Art?”, 2025, szczególnie fragmenty dotyczące context window, protokołów i dynamicznego formatu pracy. Oskar Chmioła © Sztuka po AI-2.0, 2026 64 opisów, automatyzowania decyzji, modelowania danych, skalowania obiegu i symulowania sprawczości. Z tego powodu odpowiedź twórcza nie może być jednowymiarowa. Nie wystarczy powiedzieć „używać” albo „nie używać”. Nie wystarczy zająć stanowiska za albo przeciw technologii. Potrzebny jest język, który pozwala odróżnić różne typy działania, różne poziomy ryzyka i różne miejsca odpowiedzialności. Tę funkcję spełnia macierz strategii. Jej pierwsza oś rozróżnia generatywność i agentowość. Generatywność dotyczy wytwarzania wariantów, treści, profili, opisów, podobieństw, ścieżek obiegu i przewidywalnych odpowiedzi. Agentowość dotyczy delegowania procedur, organizowania działania, podtrzymywania interakcji, prowadzenia użytkownika przez kolejne kroki i symulowania sprawczości. Druga oś rozróżnia przechwycenie i odmowę. Przechwycenie nie oznacza bezkrytycznej akceptacji systemu. Oznacza wejście w jego działanie po to, aby ujawnić warunki, zmienić funkcję, zakłócić automatyzm, ograniczyć skalę, przestawić sens albo użyć narzędzia przeciw jego domyślnej logice. Odmowa nie oznacza nostalgicznej ucieczki z technologicznego świata. Oznacza aktywne postawienie granicy: wobec generowania, indeksacji, automatycznego opisu, relacji symulowanej, delegowania odpowiedzialności albo przekształcania kultury w dane. Z przecięcia tych osi powstają cztery strategie: postgeneratywność, antygeneratywność, postagentowość i antyagentowość. Sztuka po AI jest piątą strategią, która nie unieważnia czterech poprzednich, lecz komponuje je w konkretnej sytuacji. Ta macierz nie klasyfikuje dzieł raz na zawsze. Jedno działanie może być postgeneratywne na etapie researchu, antygeneratywne w dokumentacji, postagentowe w pracy z interfejsem i antyagentowe w relacji z publicznością. Ta sama instytucja może używać modelu do technicznej transkrypcji, ale odmówić automatycznego prowadzenia rozmów z uczestnikami. Artysta może wygenerować warianty jako materiał diagnostyczny, ale nie pokazać ich jako dzieła. Kurator może użyć systemu do sprawdzenia, jak język wystawy zostanie uśredniony przez model, a następnie odrzucić ten język i napisać tekst oparty na relacji, konflikcie i miejscu. Strategia nie jest więc podpisem pod obiektem. Jest sposobem rozpoznawania decyzji w procesie: od pomysłu i researchu, przez produkcję, komunikację i dokumentację, aż po publikację, archiwizację, edukację i dalszy obieg. Generatywność oznacza tu więcej niż produkcję obrazów, tekstów, dźwięków, filmów albo stylów przez modele. Obejmuje także generowanie zachowań, oczekiwań, streszczeń, rankingów, profili, ścieżek widzialności, porównań i języków profesjonalności. Na tym poziomie pole sztuki może być generatywne nawet wtedy, gdy nikt nie używa generatora obrazu. Formularz generuje sposób myślenia o projekcie. Portfolio generuje model artysty. System rekomendacyjny generuje prawdopodobną publiczność. Automatyczny opis generuje możliwą interpretację. Model danych generuje świat, który wydaje się łatwy do obsłużenia. Stąd postgeneratywność i antygeneratywność nie dotyczą wyłącznie syntetycznych obrazów. Dotyczą całego środowiska, w którym wariant, streszczenie, dopasowanie i rozpoznawalność zaczynają poprzedzać doświadczenie. Agentowość oznacza z kolei nie tylko chatboty i systemy rozmowy. Obejmuje szersze pole delegowania działania: asystentów operacyjnych, systemy planowania, automatyczne rekomendacje, agenty obsługi publiczności, systemy edukacyjne, narzędzia kuratorskie, automatyczne klasyfikatory, boty komunikacyjne, procedury archiwalne i ludzkie zachowania podporządkowane logice systemu. Agentem może być program, który podpowiada następny krok, ale agentowe może być także zachowanie człowieka, który bezrefleksyjnie wykonuje predykcyjne interesy platformy: tworzy pod ranking, pisze pod profil, edukuje pod automatyczną ocenę, projektuje wystawę pod widzialność, a nie pod spotkanie. Postagentowość i antyagentowość rozpoznają właśnie ten obszar: pracę z pozorem sprawczości i odmowę tam, gdzie symulacja relacji zaczyna zastępować relację. Przechwycenie i odmowa są równie ważne, ale żadne z nich nie jest samo w sobie niewinne. Przechwycenie może łatwo stać się reklamą narzędzia, jeśli krytyka systemu zostanie zdominowana przez zachwyt nad jego możliwościami. Odmowa może stać się moralną pozą, jeśli nie rozpoznaje Oskar Chmioła © Sztuka po AI-2.0, 2026 65 własnego przywileju, nie zapewnia dostępności albo nie tworzy realnej alternatywy. Haraway jest tu ważna jako autorka ucząca myślenia z pozycji usytuowanej, bez fikcji niewinnego spojrzenia znikąd. Barad pozwala dopowiedzieć, że aparat poznania współtworzy to, co poznajemy. Braidotti pomaga nie wrócić do mitu czystego, odizolowanego człowieka. Crawford i Joler przypominają, że za każdym interfejsem stoi infrastruktura. McKenzie pokazuje, jak performans przesuwa się ku wydajności. Te nazwiska pracują tu nie jako ozdoba, lecz jako punkty kontroli: strategia oporu musi wiedzieć, z jakiego miejsca mówi, jakiego aparatu używa, jakie ciało i środowisko angażuje, jaką wydajność odtwarza i jaką odpowiedzialność próbuje odzyskać. W tle macierzy znajduje się kontrast z praktykami progeneratywnymi i proagentowymi. Sztuka progeneratywna afirmuje generowanie: szybkość, wariantowość, syntetyczne obrazy, gładkie opisy, efektowne style i obietnicę niewyczerpanej produkcji. Może być interesująca formalnie, ale jeśli nie rozpoznaje danych, kosztów, pracy, infrastruktury i relacji, pozostaje w granicach sztuki z AI jako stanu pola. Sztuka proagentowa afirmuje delegowanie sprawczości: agent prowadzi, odpowiada, doradza, konsultuje, pomaga, symuluje partnera, a człowiek stopniowo przyjmuje jego procedurę jako własną. Także tu możliwy jest eksperyment, ale bez jawności i kontroli łatwo zamienia się on w zgodę na automatyzację decyzji. Strategie oporu nie polegają na tym, że zawsze są przeciwieństwem tych praktyk. Polegają na tym, że rozpoznają ich warunki i nie pozwalają, aby stały się domyślnym językiem twórczości. Macierz ma również ograniczenia. Nie zastępuje analizy dzieła, procesu ani kontekstu. Nie rozstrzyga automatycznie, czy dana praca jest etyczna. Nie mierzy jakości artystycznej. Nie gwarantuje skuteczności. Nie może zostać użyta jako system certyfikacji: „to jest sztuka po AI”, „to nie jest”. Jej zadanie jest skromniejsze i bardziej wymagające zarazem: ma zmusić do zadania pytań. Co dokładnie jest generowane? Co dokładnie zostaje delegowane? Kto odpowiada za decyzję? Jakie dane, środowisko, praca i infrastruktura są uruchamiane? Czy odmowa chroni sens, czy usuwa dostęp? Czy przechwycenie ujawnia system, czy go wzmacnia? Czy publiczność jest traktowana jako osoba, świadek i uczestnik, czy jako profil, użytkownik i źródło danych? Macierz nie jest więc mapą czystości, lecz mapą odpowiedzialności. Postgeneratywność może niechcący promować system, którego używa. Antygeneratywność może niechcący utrwalić elitaryzm niewidzialności. Postagentowość może niechcący antropomorfizować interfejs. Antyagentowość może niechcący zablokować narzędzia dostępnościowe albo organizacyjne. Piąta strategia – Sztuka po AI – zaczyna się tam, gdzie te ryzyka są utrzymywane w świadomości, a decyzja nie zostaje ukryta pod etykietą strategii. 5.1. Postgeneratywność – przechwycenie generatywności W wariancie taktycznym postgeneratywność może przyjąć postać pozornej zgodności. Artysta używa języka systemu – promptu, wariantu, stylu, automatycznego opisu, klasyfikacji – ale robi to po to, aby ujawnić jego mechanikę, przesunąć jego sens albo doprowadzić go do momentu, w którym staje się niewygodny dla własnych założeń. Generatywność zostaje wtedy przechwycona nie jako źródło efektu, lecz jako materiał do pracy z maską. Postgeneratywność nie polega na samym użyciu generatora. Zwykłe włączenie modelu do produkcji obrazu, tekstu, dźwięku albo komunikatu może być wyłącznie reprodukcją domyślnej logiki systemu: więcej wariantów, szybciej, płynniej, bardziej zgodnie z przewidywalnym smakiem. Postgeneratywność zaczyna się dopiero wtedy, gdy generowanie zostaje przechwycone krytycznie: ograniczone, ujawnione, rozszczelnione, zestawione z ciałem, skonfrontowane ze źródłem, przerwane przez błąd albo podporządkowane pytaniu, którego system sam nie potrafi rozwiązać. Malarz może użyć modelu nie jako autora kompozycji, lecz jako lustra banału – sprawdzić, jakie obrazy dany temat produkuje statystycznie, a następnie pracować przeciw temu prawdopodobieństwu. Grafik warsztatowy może zestawić generowany wariant z matrycą, odbitką i Oskar Chmioła © Sztuka po AI-2.0, 2026 66 fizycznym błędem, pokazując różnicę między wariantem syntetycznym a śladem pracy. Reżyser teatralny może użyć modelu do wytworzenia przewidywalnej sceny, aby następnie rozbić ją przez ciało aktora, ciszę i ryzyko spotkania. Artysta wideo może przechwycić syntetyczny obraz, ale odsłonić jego status, nie pozwalając mu udawać dokumentu. Kurator może użyć AI do stworzenia wielu wersji opisu wystawy, a następnie publicznie pokazać, które sensy model wygładza i dlaczego tekst finalny musi pozostać odpowiedzialnością człowieka. Postgeneratywność jest więc pracą na warunkach generowania. Jej znakiem nie jest syntetyczny efekt, lecz widoczna decyzja o progu: tu generowanie zostaje dopuszczone, tu zatrzymane, tu ujawnione, tu skonfrontowane z nieprzekładalnym materiałem, tu odrzucone. Bez takiego progu postgeneratywność łatwo zamienia się w estetykę nowości. Z progiem staje się metodą badania tego, co model uznaje za prawdopodobne, atrakcyjne, profesjonalne, podobne i gotowe do obiegu. Postgeneratywność nie oznacza zachwytu nad generowaniem. Oznacza użycie generatywności przeciw jej domyślnej logice: tak, aby odsłonić dane, procedury, ograniczenia, powierzchnie, błędy, koszty i warunki obiegu. Z tego powodu część praktyk opisywanych w międzynarodowym obiegu jako post-AI art może być bliska postgeneratywności, ale nie jest z nią automatycznie tożsama. Jeżeli praca przesuwa uwagę z gotowego outputu na protokół, context window, selekcję, warunki generowania, zmienność medium i odpowiedzialność za dalszy obieg, zbliża się do tej strategii. Jeżeli natomiast tylko używa generatora jako szybkiego producenta efektów, pozostaje raczej sztuką z AI w sensie narzędziowym, nawet gdy posługuje się językiem krytycznym. Postgeneratywność jest strategią przechwycenia. Nie odrzuca generatywności z góry, ale nie traktuje jej jako neutralnego źródła obrazów, tekstów, dźwięków, filmów i pomysłów. Zaczyna się dopiero tam, gdzie artysta, kurator, instytucja albo edukator rozumie, że generator nie jest magiczną maszyną możliwości. Jest interfejsem do aparatu danych, infrastruktury, regulaminów, filtrów, modeli, ludzkiej pracy, kosztów środowiskowych i ukrytych decyzji projektowych. Zwykłe użycie generatora polega na zamówieniu wyniku. Postgeneratywność polega na przekształceniu samego generowania w temat, procedurę, materiał, przeszkodę, dowód albo narzędzie krytyczne. Nie chodzi więc o to, czy w pracy pojawia się obraz syntetyczny. Chodzi o to, czy praca rozpoznaje warunki syntetyczności. Jeżeli model produkuje sto wariantów, postgeneratywność nie polega na wybraniu najładniejszego. Polega na pytaniu, dlaczego te warianty są podobne, jakie kanony wizualne powtarzają, jakie style zawłaszczają, jakie braki ukrywają, jaką wersję świata uznają za prawdopodobną i co robi z decyzją twórczą sama możliwość nieskończonego wariantowania. Postgeneratywność działa najczęściej przez ograniczenie, ujawnienie albo zmianę funkcji. Ograniczenie może polegać na dopuszczeniu tylko jednej iteracji, na pracy z nieudanym wynikiem, na użyciu modelu wyłącznie jako narzędzia diagnostycznego, na włączeniu promptu i odrzuconych wyników do dokumentacji albo na decyzji, że wygenerowany materiał nie zostanie pokazany jako obiekt finalny. Ujawnienie może dotyczyć narzędzia, danych, warunków licencyjnych, procesu selekcji, korekt, błędów, odmów systemu, filtrów bezpieczeństwa, kosztu albo sposobu, w jaki model uśrednia język. Zmiana funkcji może polegać na tym, że generator nie służy wytworzeniu pracy, lecz sprawdzeniu, jak system rozumie daną kategorię, ciało, zawód, styl, miejsce, historię, mniejszościowy język albo archiwum. Wtedy wynik nie jest celem. Jest śladem działania aparatu. Postgeneratywność może także działać bez spektakularnego obrazu AI. Jeśli generatywność rozumiemy szeroko, strategia ta dotyczy także automatycznych opisów, biogramów, streszczeń, rekomendacji, tagów, profili publiczności i języków instytucjonalnych. Artysta może wziąć wygenerowany opis własnej praktyki i pokazać, jak model ją uśrednia. Instytucja może porównać tekst kuratorski pisany przez osobę z tekstem wygładzonym przez system, aby ujawnić utratę konfliktu, miejsca i tonu. Pedagog może użyć modelu do wygenerowania wzorcowej odpowiedzi studenta, a następnie potraktować ją jako materiał krytyczny: nie po to, by zastąpić pracę, ale by pokazać, jak łatwo język wiedzy zamienia się w płynną poprawność bez doświadczenia. Kurator Oskar Chmioła © Sztuka po AI-2.0, 2026 67 może zbadać, jakie artystki, języki albo tradycje model pomija, kiedy ma zaproponować konteksty wystawy. W każdym z tych przypadków generowanie zostaje przechwycone jako narzędzie ujawniania normy. Tak rozumiana postgeneratywność jest bliska sztuce konceptualnej, ale nie powtarza jej wprost. Sol LeWitt pokazał, że reguła i instrukcja mogą być częścią dzieła, a nie tylko techniką jego wykonania. W epoce AI problem jest jednak przesunięty: reguła nie należy wyłącznie do artysty, lecz często do zewnętrznej infrastruktury. Model generatywny jest regułą ukrytą, złożoną, trenowaną na cudzych danych, filtrowaną przez dostawcę i działającą przez interfejs. Postgeneratywność może więc wydobywać regułę z ukrycia, choć nigdy nie ma do niej pełnego dostępu. Jest też bliska performansowi, ponieważ przesuwa ciężar z wyniku na sytuację. Obraz albo tekst może być tylko jednym momentem w zdarzeniu: ważniejsze stają się prompt, odmowa systemu, praca selekcji, opis warunków, reakcja publiczności, koszt infrastrukturalny, moment zatrzymania i decyzja, czego nie wygenerowano. Praktyka postgeneratywna może przyjmować formę pracy obrazowej, filmu, instalacji, performansu, archiwum, tekstu, warsztatu, protokołu instytucjonalnego albo działania edukacyjnego. Może przypominać laboratorium błędu, ale nie powinna sprowadzać się do fetyszu glitchu. Może używać estetycznej atrakcyjności modelu, ale tylko wtedy, gdy nie pozwala jej przykryć warunków produkcji. Może pracować z halucynacją, ale nie może jej przedstawiać jako wiedzy. Może wykorzystywać styl, ale musi pytać o źródło stylu i o zgodę. Może korzystać z narzędzi takich jak Runway, Sora, Stable Diffusion czy modele językowe, ale nazwa narzędzia nie jest tu dowodem strategii. O strategii decyduje relacja między generowaniem a krytyczną decyzją. Ryzyko postgeneratywności jest oczywiste: krytyczne użycie może stać się promocją narzędzia. Im bardziej praca pokazuje możliwości modelu, tym łatwiej model staje się prawdziwym bohaterem. Publiczność może zapamiętać efekt, a nie pytanie. Instytucja może użyć języka krytycznego, a jednocześnie budować frekwencję na atrakcyjności syntetycznego obrazu. Artysta może mówić o demaskacji, ale produkować kolejny pakiet obrazów wzmacniających estetykę powierzchni. Drugie ryzyko polega na estetyzacji błędu. Halucynacja, deformacja, nieciągłość ciała, sztuczna faktura i nieudany detal szybko stają się stylem. Błąd przestaje ujawniać system, a zaczyna być rozpoznawalnym efektem wizualnym. Trzecie ryzyko dotyczy odpowiedzialności za dane. Przechwycenie systemu nie zwalnia z pytania, czym system został nakarmiony. Nie można krytykować ekstrakcji, jednocześnie bezrefleksyjnie korzystając z jej rezultatów i zasłaniając się intencją artystyczną. Warunkiem odpowiedzialnej postgeneratywności jest więc jawność skali i funkcji. Trzeba wiedzieć, czy model służy jako narzędzie produkcji, materiał badawczy, przeciwnik, lustro normy, system do uśredniania, generator błędów, archiwum prawdopodobieństw czy instrument dramaturgiczny. Trzeba także zdecydować, co zostanie ujawnione publiczności. Nie zawsze trzeba pełne techniczne sprawozdanie, ale należy nieudawanie niewinności. Jeżeli praca powstała z modelem, status tego użycia powinien być zrozumiały. Jeżeli model służył tylko do rozpoznania języka pola, także to można nazwać. Jeżeli wyniki zostały odrzucone, odrzucenie może być równie ważne jak użycie. Najmocniejsza postgeneratywność pojawia się tam, gdzie generowanie zostaje podporządkowane pytaniu, a nie efektowi. Model może zaproponować odpowiedź, ale praca zaczyna się wtedy, gdy człowiek pyta, dlaczego właśnie taka odpowiedź wydaje się systemowi prawdopodobna. 5.2. Antygeneratywność – odmowa generowania i indeksacji Antygeneratywność może być także odmową pełnej przewidywalności. Artysta nie tylko nie generuje dodatkowych wariantów, ale też nie dostarcza systemowi wszystkich warunków przyszłego streszczenia. Ogranicza dokumentację, opóźnia opis, pozostawia miejsce na świadectwo, rezygnuje z Oskar Chmioła © Sztuka po AI-2.0, 2026 68 nadmiaru metadanych albo tworzy pracę, której kluczowy sens zależy od obecności. W ten sposób odmowa generowania łączy się z odmową pełnej indeksacji. Antygeneratywność nie oznacza ogólnej niechęci do technologii. Jest decyzją o odmowie tam, gdzie generowanie narusza relację, zgodę, kontekst, styl, ciało, pamięć albo odpowiedzialność. Może dotyczyć obrazu, tekstu, głosu, twarzy, dokumentacji, metadanych, streszczenia, archiwum lub wariantów promocyjnych. Jej celem nie jest dowiedzenie czystości artysty, lecz ochrona tych elementów sytuacji, których przekształcenie w syntetyczny wynik byłoby zbyt wysokim kosztem. Antygeneratywność może być widoczna albo dyskretna. Widoczna odmowa pojawia się wtedy, gdy artysta czyni z niej element pracy: nie generuje twarzy, nie syntetyzuje głosu, nie rekonstruuje ciała, nie tworzy ilustracyjnej wizualizacji cierpienia, nie zamienia archiwum w materiał treningowy. Dyskretna odmowa działa w zapleczu procesu: instytucja nie wprowadza dokumentacji publiczności do zewnętrznego narzędzia, pedagog nie każe studentom generować prac zastępczych, krytyk nie tworzy recenzji z automatycznego streszczenia, kurator nie oddaje tekstu wystawy modelowi bez kontroli. Te odmowy mogą nie być spektakularne, ale właśnie dlatego są ważne – chronią warunki pracy, zanim zostaną przejęte przez logikę łatwego wyniku. Narzędzia takie jak Glaze i Nightshade pokazują techniczny wymiar antygeneratywności, ale nie wyczerpują jej sensu. Ochrona stylu przed niechcianym uczeniem modeli jest ważna, lecz antygeneratywność jest szersza niż zabezpieczenie obrazu. Obejmuje prawo do nieobrazu, prawo do niewprowadzenia w dane, prawo do częściowej dokumentacji, prawo do opóźnionej publikacji i prawo do nieprodukowania wariantów tam, gdzie wariantowość niszczy ciężar decyzji. W tym sensie antygeneratywność jest polityką progu: określa, czego nie należy wytwarzać, choć system pozwala to zrobić. Antygeneratywność nie jest prostą negacją technologii. Jest decyzją o zatrzymaniu produkcji tam, gdzie generowanie narusza relację, zgodę, koszt, pamięć, ciało, styl, archiwum albo prawo do niepełnej widzialności. Antygeneratywność oznacza sytuacyjną odmowę generowania, indeksowania, automatycznego opisu, streszczania, profilowania albo przetwarzania treści w dane. To strategia granicy. Nie mówi: „nigdy nie używaj AI”. Mówi raczej: „w tej sytuacji generowanie byłoby nadużyciem”. Nadużyciem może być wygenerowanie obrazu osoby, która nie wyraziła zgody; syntetyzowanie głosu po to, by zastąpić obecność; streszczenie świadectwa, które wymaga czasu i słuchania; automatyczne opisanie performansu, którego sens polegał na niedokumentowalności; włączenie lokalnego archiwum do obiegu bez protokołu zgody; przetworzenie stylu artysty w zestaw cech możliwych do odtworzenia; zamiana publiczności w profil; albo wygenerowanie kolejnej wersji pracy tylko z tego powodu, że system pozwala produkować warianty bez oporu. Odmowa może dotyczyć samego aktu generowania. Artysta decyduje, że dana praca nie będzie miała syntetycznych obrazów, bo jej stawką jest obecność ciała, czas, ręka, błąd materiału albo zaufanie między uczestnikami. Może dotyczyć danych: instytucja decyduje, że dokumentacja warsztatu z grupą wrażliwą nie zostanie wprowadzona do narzędzi automatycznego opisu. Może dotyczyć indeksacji: archiwum udostępnia informacje potrzebne do badań, ale ogranicza masowe pobieranie i automatyczne przetwarzanie. Może dotyczyć streszczenia: tekst, wystawa albo performans zostają zaprojektowane tak, by nie dało się ich sensownie sprowadzić do krótkiej odpowiedzi modelu. Może dotyczyć nadmiaru: twórca zatrzymuje się przy jednej wersji, zamiast generować dziesiątki wariantów, bo decyzja wymaga wzięcia odpowiedzialności za formę. Prawo do nieobrazu jest jednym z ważnych wymiarów antygeneratywności. Nie wszystko musi zostać pokazane, sfotografowane, przetworzone, opublikowane, zarchiwizowane i opisane. Nie każda obecność powinna zostać zamieniona w dokument. Nie każda dokumentacja powinna stać się materiałem treningowym. Nie każdy gest musi przejść do platformowego obiegu. Prawo do nieobrazu nie jest wrogością wobec pamięci. Jest prawem do kontroli warunków widzialności. W sztuce performansu, praktykach wspólnotowych, działaniach z osobami narażonymi na rozpoznanie, Oskar Chmioła © Sztuka po AI-2.0, 2026 69 projektach dotyczących traumy, żałoby, migracji, choroby, przemocy albo mniejszościowych tożsamości pełna dokumentacja może być przemocą. Antygeneratywność mówi wtedy: ślad może istnieć, ale nie każdy ślad ma być publiczny, indeksowalny, przeszukiwalny, streszczalny i gotowy do dalszego przetwarzania. Odmowa indeksacji również nie jest odmową pamięci. Archiwum może chronić, ale może także narażać. Secondary Archive może tu działać jako kontrapunkt: archiwizacja może być troską o widzialność praktyk artystek, ale tylko wtedy, gdy opis i dostęp nie zostają podporządkowane logice ekstrakcji. Antygeneratywność pyta więc, jaki rodzaj archiwum jest potrzebny: otwarte, ograniczone, lokalne, czasowe, dostępne po rozmowie, dostępne tylko w miejscu, dostępne bez możliwości masowego pobierania, opisane językiem wspólnoty, a nie tylko językiem indeksacji. To pytanie ma szczególne znaczenie wobec archiwów efemerycznych, performatywnych, lokalnych, ustnych i wspólnotowych, których sens łatwo znika, gdy zostają przepisane na zestaw metadanych. Narzędzia takie jak Glaze i Nightshade są ważnymi, choć ograniczonymi przykładami antygeneratywności. Ich sens nie polega na tym, że rozwiązują cały problem danych treningowych. Pokazują jednak, że odmowa może przyjąć formę procedury technicznej. Glaze próbuje utrudniać modelom przejmowanie rozpoznawalnych cech stylu, a Nightshade działa bardziej konfrontacyjnie wobec niechcianego użycia obrazów w danych treningowych. Są to narzędzia obrony, nie pełne polityki. Nie zastąpią prawa, instytucjonalnych protokołów, jawności zbiorów treningowych ani edukacji twórców. W tej książce ich znaczenie jest jednak istotne, ponieważ przesuwają odmowę z poziomu opinii na poziom działania. Artysta nie tylko mówi „nie chcę, by mój styl był eksploatowany”. Próbuje zmienić techniczne warunki przechwycenia. Do tej samej rodziny działań, choć w innym rejestrze artystycznym, można dopisać „Facial Weaponization Suite” Zacha Blasa. Projekt kolektywnych masek zakłócających rozpoznawanie biometryczne powstał przed obecną falą generatywnej AI, ale dobrze pokazuje wcześniejszą logikę odmowy rozpoznawalności: nie chodzi o ukrycie się z lęku przed technologią, lecz o przestawienie warunków widzenia, klasyfikowania i identyfikacji. W perspektywie tej książki takie działania pomagają zrozumieć, że antygeneratywność może obejmować zarówno ochronę stylu przed trenowaniem, jak i ochronę twarzy, ciała, gestu lub wspólnoty przed pełną operacyjnością systemu.74 Antygeneratywność może korzystać z low-tech, ale low-tech nie jest jej automatycznym synonimem. Ręczne wykonanie, analogowa fotografia, papierowe archiwum, spotkanie bez rejestracji, lokalny druk, powolna praca z materiałem i ograniczony obieg mogą wspierać odmowę generowania. Mogą też stać się estetyczną pozą albo wykluczeniem. Jeżeli rezygnacja z technologii uniemożliwia osobom z niepełnosprawnościami udział, blokuje tłumaczenie, utrudnia dostęp do archiwum albo wzmacnia zamknięty obieg elitarny, nie jest automatycznie etyczna. Dlatego antygeneratywność wymaga proporcji. Odmowa ma chronić relację, zgodę, pamięć, środowisko i decyzję, a nie produkować moralny ornament. Ryzykiem antygeneratywności jest romantyzacja niewidzialności. Nie każda odmowa chroni. Czasem brak dokumentacji oznacza usunięcie z historii. Czasem nieindeksowalność wzmacnia marginalizację. Czasem prawo do nieobrazu zostaje użyte jako pretekst do braku odpowiedzialności instytucji. Czasem artysta deklaruje odmowę AI, ale nadal korzysta z platformowej widzialności, języka optymalizacji i systemów rekomendacji. Drugim ryzykiem jest moralna poza. Odmowa może stać się łatwym znakiem czystości: „nie używam AI, więc jestem poza problemem”. Ta rozprawa odrzuca takie myślenie. Nieużywanie generatora nie usuwa relacji z polem predykcyjnym. Antygeneratywność musi być więc praktyką świadomego projektowania granic, a nie samym brakiem narzędzia. Najsilniejsza antygeneratywność pojawia się wtedy, gdy odmowa sama staje się formą poznania. Publiczność widzi, że czegoś nie pokazano, nie streszczono, nie zindeksowano, nie wygenerowano 74 Por. Dejan Grba, „Brittle Opacity: Ambiguities of the Creative AI”, xCoAx 2021, DOI: 10.5281/zenodo.4663408; ten sam autor rozwija także krytykę pojęć AI art, cyfrowego kiczu i fetyszyzacji maszynowej sprawczości w późniejszych tekstach. Oskar Chmioła © Sztuka po AI-2.0, 2026 70 albo nie udostępniono maszynowo – i rozumie, dlaczego. Brak nie jest pustką, lecz znakiem decyzji. Ograniczona dokumentacja nie jest deficytem, lecz ochroną sytuacji. Milczenie nie jest ucieczką, lecz odmową produkowania odpowiedzi tam, gdzie odpowiedź byłaby przemocą. Tak rozumiane antygeneratywność nie jest strategią przeciw obrazowi, lecz strategią obrony warunków, w których obraz, tekst, głos albo archiwum mogą nadal mieć sens. 5.3. Postagentowość – asymetryczna relacja z agentem W tej perspektywie agent może stać się figurą teatralną, a nie ukrytym zarządcą relacji. Można pokazać jego automatyzm, ograniczyć jego zakres, ujawnić jego brak doświadczenia, wprowadzić go jako maskę systemu albo jako proceduralnego wykonawcę, któremu nie wolno przypisać odpowiedzialności. Postagentowość jest wtedy sztuką kontrolowanego dystansu: system działa, ale jego działanie nie zostaje pomylone z troską, obecnością ani decyzją moralną. Postagentowość zaczyna się od przyjęcia asymetrii. Agent techniczny może podpowiadać, klasyfikować, planować, odpowiadać, prowadzić przez procedurę, sortować archiwum albo symulować rozmowę, ale nie ponosi odpowiedzialności w takim sensie jak człowiek, instytucja, nauczyciel, kurator, artysta albo uczestnik. Postagentowa praktyka nie udaje więc, że agent jest partnerem równorzędnym. Traktuje go jako narzędzie, figurę, interfejs, materiał dramaturgiczny albo element procedury, którego granice muszą zostać ujawnione. Artysta może wprowadzić agenta jako postać sceniczną, ale tak, aby publiczność widziała jego niezdolność do odpowiedzialności. Twórca instalacji może pozwolić systemowi prowadzić uczestnika przez przestrzeń, ale jednocześnie pokazać, które decyzje są tylko statystycznymi podpowiedziami. Kurator może użyć agenta do porządkowania dużego archiwum, lecz finalne powiązania musi opatrzyć ludzkim komentarzem i możliwością korekty. Krytyk może zapytać model o możliwe konteksty, ale nie może pomylić listy prawdopodobieństw z interpretacją dzieła. Postagentowość to praca z delegowaniem bez abdykacji. Postagentowość ma także wymiar instytucjonalny. Instytucja kultury może używać automatycznych narzędzi do obsługi pytań, dostępności, archiwizacji albo organizacji wiedzy, ale musi zachować możliwość kontaktu z człowiekiem tam, gdzie chodzi o konflikt, krzywdę, zgodę, wykluczenie, ocenę pracy, interpretację albo odpowiedzialność za dane. Agent może ułatwiać procedurę, lecz nie powinien stawać się ekranem, za którym instytucja ukrywa brak odpowiedzi. Postagentowa instytucja nie pyta tylko, co można zautomatyzować, ale które relacje utracą sens, jeśli zostaną zautomatyzowane. Postagentowość wymaga szczególnej ostrożności, ponieważ łatwo pomylić proceduralną sprawność systemu z podmiotowością moralną. Jej podstawowa zasada brzmi: agent może współorganizować procedurę, ale odpowiedzialność pozostaje po stronie ludzi i instytucji. Postagentowość oznacza świadomą, asymetryczną pracę z agentowością systemów AI. Nie sprowadza agentów do chatbotów, ale też nie podnosi ich do rangi równorzędnych partnerów etycznych. Agent może odpowiadać, planować, sugerować, klasyfikować, streszczać, przypominać, analizować, prowadzić użytkownika przez zadanie albo symulować konsultację. Może być narzędziem, interfejsem, partnerem proceduralnym, publicznością symulowaną, świadkiem technicznym, aktorem dramaturgicznym albo figurą instytucjonalną. Jednak w żadnej z tych ról nie powinien zostać uznany za podmiot relacji w takim samym sensie jak człowiek. Nie ma ciała, biografii, ryzyka społecznego, odpowiedzialności prawnej, pamięci doświadczenia ani etycznej zdolności odpowiadania za skutki. Może uczestniczyć w układzie działania, ale nie ponosi odpowiedzialności za sens. Asymetria jest kluczowa. Postagentowość nie polega na udawaniu przyjaźni z maszyną ani na romantyzowaniu rozmowy z interfejsem. Polega na badaniu tego, co dzieje się, gdy system zaczyna zachowywać się tak, jakby działał. To „jakby” jest właśnie materiałem artystycznym i krytycznym. Oskar Chmioła © Sztuka po AI-2.0, 2026 71 Agent może sprawiać wrażenie, że słucha, pamięta, troszczy się, przewiduje, rozumie i doradza. W rzeczywistości operuje procedurą, modelem, pamięcią systemową, filtrami, regulaminem i statystycznym dopasowaniem odpowiedzi. Postagentowość nie musi tego efektu usuwać. Może go wystawić na próbę. Może pokazać, jak szybko publiczność przypisuje intencję płynnej odpowiedzi. Może ujawnić, jak instytucja przenosi relację na system, a system odsyła odpowiedzialność do regulaminu. Może badać, jak rozmowa zmienia się, gdy jedna ze stron nie ma ciała, ale ma interfejs bliskości. Agent może być partnerem proceduralnym. W takim układzie artysta pracuje z systemem, który proponuje kolejne kroki, generuje warianty, podpowiada strukturę, porządkuje materiał albo symuluje reakcję. Postagentowość zaczyna się wtedy, gdy ta współpraca jest jawna i krytyczna. Artysta nie mówi: „system współtworzy, więc ja nie odpowiadam”. Mówi raczej: „użyłem systemu do uruchomienia procedury, ale odpowiadam za to, co z tej procedury zrobiłem”. Agent może być też przeciwnikiem: systemem, którego reguły trzeba obejść, spowolnić, zakłócić albo ujawnić. Może być lustrem normy: pokazuje, co pole uznaje za prawdopodobną odpowiedź, profesjonalny język albo akceptowalny opis. Może być marionetką dramaturgiczną: figurą wystawioną na scenie, aby pokazać mechanizmy symulowanej sprawczości. Eksperymenty Stensliego i Cerpiny z AI-personami oraz projektowaniem numeru „Art After AI” są dobrym przykładem sytuacji, w której agentowość może stać się materiałem pracy, a nie dowodem równej podmiotowości systemu. AI-persona może organizować proces, wymuszać pytania, produkować głos albo odgrywać figurę współwykonawcy, ale jej status musi pozostać opisany jako status procedury. Podobnie context window przywoływane w rozmowie ArtReview pokazuje, że system może działać na przygotowanym korpusie odniesień i generować formaty dalszej wypowiedzi; nie znaczy to jednak, że staje się uczestnikiem odpowiedzialnym za sens dzieła.75 Agent może być publicznością symulowaną. Artysta może testować opis wystawy, tekst kuratorski, instrukcję albo komunikat wobec modelu udającego odbiorcę. To użycie jest bardzo kuszące, bo pozwala szybko otrzymać reakcję. Ale reakcja symulowana nie zastępuje publiczności. Model może przewidzieć typowe niezrozumienie, uproszczenie albo skojarzenie, ale nie reprezentuje konkretnego widza, osoby z określonym doświadczeniem, wspólnoty lokalnej ani uczestnika sytuacji. Postagentowość wymaga tu jawnej granicy: agent może pomóc zobaczyć, jak działa uśredniona odpowiedź pola, ale nie może zastąpić spotkania z ludźmi. Agent może być świadkiem technicznym. Może rejestrować, porządkować, transkrybować, streszczać albo opisywać przebieg procesu. To użycie ma szczególne znaczenie w instytucjach, edukacji i archiwach. Może zwiększać dostępność, pomagać osobom z różnymi potrzebami, ułatwiać pamięć procesu i porządkować materiał. Ale świadek techniczny nie jest świadkiem moralnym. Może zapisać, ale nie rozumie stawki zapisu. Może streścić, ale nie bierze odpowiedzialności za stratę. Może oznaczyć osoby, ale nie wie, czy powinny zostać oznaczone. Może uporządkować archiwum, ale nie zna lokalnego znaczenia błędu, milczenia albo braku. Postagentowość musi więc łączyć użyteczność z kontrolą: człowiek i instytucja pozostają odpowiedzialni za to, co zostaje zapisane, opublikowane, zachowane i udostępnione. Najważniejsze ryzyko postagentowości polega na antropomorfizacji. Interfejs rozmowy zachęca do przypisywania systemowi intencji, troski, wrażliwości, mądrości i relacyjności. Lauren Lee McCarthy jest tu ważnym przykładem artystycznego namysłu nad automatyzacją relacji i opieki, ponieważ jej praktyki pozwalają badać, co dzieje się, gdy systemy techniczne wchodzą w obszary bliskości, obsługi, domowości, nadzoru i kontaktu. W perspektywie tej książki stawką nie jest proste przeniesienie jej prac na debatę o obecnych modelach, lecz o rozpoznanie podobnego napięcia: technologia może organizować relację, ale nie powinna udawać, że ją posiada. Drugie ryzyko dotyczy 75 Por. Jelena Novaković, Jelena Guga, „Art after AI: The Impact of Generative AI on the Artworld”, w: „Navigating the Digital Age”, 2024, DOI: 10.5281/zenodo.14205155; Joanna Zylinska, „After AI Art”, „Widok. Theories and Practices of Visual Culture” 38, 2024, DOI: 10.36854/widok/2024.38.2870. Oskar Chmioła © Sztuka po AI-2.0, 2026 72 delegowania odpowiedzialności. Instytucja może użyć agenta do kontaktu z publicznością, uczelnia do konsultowania studentów, muzeum do opisu archiwum, galeria do selekcji zgłoszeń, krytyk do interpretacji wystawy – i w każdym z tych przypadków pojawia się pytanie, kto odpowiada za błąd, uproszczenie, wykluczenie albo przemoc języka. Postagentowość może być strategią bardzo silną, jeśli zachowuje asymetrię. Pozwala badać nowe formy działania z systemami wykonawczymi, ale bez oddawania im statusu równorzędnego podmiotu. Może wytwarzać sytuacje, w których publiczność doświadcza pozoru sprawczości i uczy się go rozpoznawać. Może pokazać, że agent nie jest neutralnym narzędziem, lecz aparatem procedur, filtrów, danych i własności. Bywa także pomóc odzyskać ludzką decyzję, bo zmusza do nazwania tego, co dokładnie zostało delegowane: czas, pamięć, selekcja, język, ocena, odpowiedź, obecność czy odpowiedzialność. Z tego powodu postagentowość nie jest naiwną rozmową z chatbotem. Jest krytyczną pracą z asymetrią między systemem, który wykonuje procedurę, a człowiekiem, który musi odpowiedzieć za jej konsekwencje. 5.4. Antyagentowość – odmowa relacji symulowanej W wariancie związanym z drugim dnem antyagentowość broni tych sytuacji, w których odpowiedź nie może zostać powierzona systemowi, ponieważ wymaga rozpoznania milczenia, zawahania, tonu, wstydu, konfliktu, zaufania albo niezgody. Odmowa agenta nie dotyczy wtedy wygody technicznej. Dotyczy ochrony kontaktu, którego nie wolno zredukować do obsługi. Antyagentowość jest odmową tam, gdzie system nie tylko pomaga działać, lecz zaczyna udawać relację, decyzję albo opiekę. Nie chodzi o odrzucenie każdej procedury automatycznej. Chodzi o sytuacje, w których automatyzacja kontaktu, edukacji, krytyki, kuratorstwa, moderacji albo dokumentacji tworzy fałszywe wrażenie obecności. Antyagentowość broni tych miejsc, gdzie potrzebna jest odpowiedź człowieka – nie dlatego, że człowiek zawsze odpowiada dobrze, lecz dlatego, że tylko on może zostać wezwany do odpowiedzialności. W praktyce antyagentowość może dotyczyć szczególnie edukacji i krytyki. Nauczyciel sztuki nie powinien zastępować rozmowy o procesie automatycznym werdyktem modelu. Krytyk nie powinien zastępować kontaktu z dziełem płynną syntezą systemu. Kurator nie powinien pozwolić, aby agent zbudował narrację o artystach bez znajomości lokalnego kontekstu, źródeł i relacji. Instytucja nie powinna ukrywać skomplikowanych decyzji o danych, zgodzie albo dokumentacji za chatbotem obsługi. Antyagentowość nie jest wrogością wobec narzędzi, lecz obroną sytuacji, w których symulacja odpowiedzi byłaby nadużyciem. Antyagentowość może być także formą ochrony pracy. Jeżeli system przejmuje funkcje tłumacza, asystenta, dokumentalisty, redaktora, edukatora albo opiekuna publiczności, trzeba pytać, jaka praca znika z pola widzenia, kto traci wynagrodzenie, kto ponosi ryzyko błędu i kto zostaje obciążony korektą. Odmowa relacji symulowanej jest więc również odmową fałszywej oszczędności. To, co wydaje się efektywne, może przenosić koszt na osoby mniej widoczne: studentów, publiczność, pracowników instytucji, tłumaczy, moderatorów, osoby z niepełnosprawnościami albo społeczności, których dane zostały źle opisane. Antyagentowość nie odrzuca każdego narzędzia wspierającego działanie. Odrzuca te sytuacje, w których symulacja relacji zaczyna zastępować relację, a delegowanie procedury ukrywa odpowiedzialność człowieka albo instytucji. Antyagentowość oznacza odmowę relacji symulowanej przez agenta tam, gdzie potrzebna jest odpowiedzialność osoby, instytucji albo wspólnoty. Nie jest zakazem automatyzacji. Automatyzacja może wspierać dostępność, organizację, transkrypcję, tłumaczenie, porządkowanie materiału i obsługę powtarzalnych zadań. Krytyczny moment pojawia się wtedy, gdy narzędzie nie tylko pomaga, lecz przejmuje funkcję relacyjną: odpowiada za nauczyciela, konsultuje za kuratora, udaje opiekę instytucji, symuluje krytykę, zastępuje rozmowę z artystą, prowadzi publiczność przez Oskar Chmioła © Sztuka po AI-2.0, 2026 73 doświadczenie, które wymaga ludzkiej obecności, albo ukrywa decyzję pod pozorem neutralnej procedury. Antyagentowość mówi wtedy: tego nie delegujemy. Nie dlatego, że technologia jest zła, lecz dlatego, że ta konkretna relacja wymaga człowieka. Najwyraźniej widać to w edukacji. Model może pomóc studentowi uporządkować notatki, ale nie powinien zastąpić trudnej rozmowy o procesie twórczym. Może pomóc nauczycielowi przygotować materiały, ale nie powinien stać się automatycznym sędzią intencji, oryginalności i wartości. Detektor AI nie może zastąpić pedagogicznej rozmowy o źródłach, pracy, decyzjach, błędach i odpowiedzialności. Automatyczny feedback może wspierać naukę technicznych elementów, ale nie powinien wypierać relacji, w której student uczy się wytrzymywać niepewność, konflikt interpretacji i własną niedoskonałość. Antyagentowość w edukacji nie jest więc obroną nauczyciela jako nieomylnego autorytetu. Jest obroną procesu, w którym wiedza powstaje przez pytanie, obecność, korektę, odpowiedź i wzajemne rozpoznanie. Podobny problem dotyczy kuratorstwa i instytucji. Model może pomóc przeszukać archiwum, przygotować robocze zestawienie, przetłumaczyć opis albo wskazać braki w komunikacji. Nie powinien jednak zastąpić kuratorskiej odpowiedzialności za wybór, kontekst, konflikt i relację z artystami. Automatyczny przewodnik może zwiększyć dostępność wystawy, ale nie powinien udawać żywej rozmowy tam, gdzie publiczność potrzebuje osoby. Chatbot muzealny może odpowiadać na godziny otwarcia i kwestie techniczne, ale jeśli zaczyna interpretować traumatyczne świadectwa, spory polityczne albo lokalne pamięci bez odpowiedzialnego nadzoru, wchodzi w obszar nadużycia. Antyagentowość jest więc strategią rozróżnienia: co może zostać zautomatyzowane, bo jest techniczną procedurą, a co musi pozostać relacją, bo dotyczy sensu, odpowiedzialności i zaufania. Odmowa relacji symulowanej dotyczy także krytyki. Model może streścić tekst, wskazać konteksty, zaproponować pytania albo pomóc sprawdzić spójność argumentu. Nie powinien jednak zastąpić spotkania z dziełem. Krytyka bez doświadczenia może stać się gładką produkcją sensu bez ryzyka. Antyagentowość mówi: recenzja wymaga obecności wobec pracy, źródła, przestrzeni, publiczności albo dokumentacji; automatyczna odpowiedź może być pomocnicza, ale nie może udawać sądu, który nie miał kontaktu z przedmiotem. To szczególnie ważne w epoce, w której płynny tekst może wyglądać jak wiedza, a jego brak doświadczenia jest trudny do zauważenia. Ten punkt wzmacnia krytyka Dejana Grby, który ostrzega przed fetyszyzacją „creative AI” i przed językiem, który zbyt łatwo przypisuje systemom twórczą intencję, autonomię albo głębię. W antyagentowości nie chodzi więc tylko o to, by nie ufać chatbotowi. Chodzi o to, by nie przejmować języka systemu tak głęboko, że proceduralna płynność zaczyna wyglądać jak odpowiedzialna obecność, a estetycznie sprawny output jak świadectwo relacji.76 Ryzykiem antyagentowości jest technofobia, która nie odróżnia wsparcia od zastąpienia. Jeżeli instytucja odrzuca narzędzia automatyczne tylko z tego powodu, że są automatyczne, może utrudnić dostępność, zwiększyć przeciążenie pracowników, zamknąć archiwum albo zablokować pomocne formy tłumaczenia i transkrypcji. Antyagentowość musi więc stale pytać o funkcję. Czy system wspiera człowieka, czy go zastępuje? Czy odciąża procedurę techniczną, czy przejmuje relację? Czy zwiększa dostęp, czy ukrywa odpowiedzialność? Czy działa pod kontrolą, czy organizuje decyzję poza widzeniem ludzi? Nie każde użycie agenta jest nadużyciem. Nadużyciem jest użycie agenta tam, gdzie instytucja próbuje uniknąć własnej odpowiedzi. Drugim ryzykiem jest moralna wyższość. Odmowa agenta może zostać użyta jako znak czystości: my rozmawiamy z ludźmi, inni delegują relacje maszynom. Taka deklaracja jest niewystarczająca, jeśli za nią nie stoi realna praca: dostępny dyżur, czas rozmowy, jasna odpowiedzialność, dobre warunki pracy, możliwość sprzeciwu, opieka nad publicznością i rzetelna dokumentacja. Antyagentowość nie może być hasłem przeciw technologii, jeśli nie tworzy alternatywy. Odmowa 76 Por. Jeffrey Dastin, Amazon scraps secret AI recruiting tool that showed bias against women, Reuters, 10.10.2018; Kaveh Waddell, Report: Amazon’s AI recruiter favored men, Axios, 10.10.2018. Oskar Chmioła © Sztuka po AI-2.0, 2026 74 automatycznej relacji zobowiązuje do zapewnienia relacji ludzkiej albo uczciwego przyznania, że dana instytucja nie jest w stanie jej udźwignąć. Antyagentowość ma szczególne znaczenie w kontekście ludzi jako nośników predykcyjnej normy. Czasem problemem nie jest sam agent techniczny, lecz człowiek, który zaczął działać jak interfejs: kurator mówi językiem rankingów, nauczyciel odpowiada według detektora, instytucja komunikuje się przez gotowe formuły, artysta produkuje opisy pod model, a krytyk pisze tak, jakby streszczenie było spotkaniem. Praca antyagentowa może więc ujawniać moment, w którym człowiek sam zaczyna symulować system. Wtedy odmowa nie dotyczy narzędzia, lecz nawyku: przestań odpowiadać jak model, przestań udawać neutralny interfejs, wróć do odpowiedzialnego „ja”, „my”, „tu”, „wobec tej osoby”, „w tej instytucji”. Najsilniejsza antyagentowość nie kończy się na odmowie. Tworzy alternatywę: rozmowę, dyżur, spotkanie, świadectwo, wspólne czytanie, obecność przy pracy, warsztat, możliwość sprzeciwu, procedurę ręcznej decyzji, powolne kuratorstwo, odpowiedzialną edukację albo archiwum z ludzką opieką. Może być radykalnie prosta: zamiast chatbota – osoba; zamiast automatycznego werdyktu – rozmowa; zamiast natychmiastowego streszczenia – czas czytania; zamiast domyślnej rekomendacji – świadomy wybór. Nie jest to powrót do przeszłości. To obrona tych funkcji kultury, które nie powinny zostać oddane symulacji tylko stąd, że symulacja jest tańsza, szybsza i zawsze dostępna. 5.5. Sztuka po AI jako piąta strategia balansu Balans obejmuje także decyzję o stopniu widzialności. Czasem odpowiedzialność wymaga pełnej jawności: podania narzędzi, danych, procedur, kosztów i ograniczeń. Czasem odpowiedzialność wymaga przeciwnie – ochrony uczestników, niedokumentowania, opóźnienia publikacji albo pozostawienia części sensu poza obiegiem automatycznej ekstrakcji. Sztuka po AI nie rozstrzyga tego raz na zawsze. Uczy projektować próg między ujawnieniem a ukryciem. Sztuka po AI jako piąta strategia nie jest kompromisem między użyciem i odmową. Kompromis często osłabia stanowisko, natomiast balans wymaga większej precyzji. W jednej sytuacji odpowiedzialne będzie przechwycenie narzędzia, w innej odmowa generowania, w jeszcze innej jawna praca z agentem, a w kolejnej całkowite zatrzymanie symulowanej relacji. Balans oznacza zdolność dobrania strategii do materiału, celu, publiczności, danych, kosztu, miejsca i konsekwencji. Jest strategią kompozycyjną, a nie wycofaniem z konfliktu. Ten balans można sprawdzić na różnych praktykach. Rzeźbiarz może użyć AI do planowania transportu, ale nie do zastąpienia pracy z ciężarem materiału. Pisarz może wykorzystać model do wykrywania luk argumentacyjnych, ale nie do produkcji własnego stylu. Muzyk może pracować z systemem generatywnym jako instrumentem, ale utrzymać ludzką decyzję dramaturgiczną. Aktor może badać syntetyczny głos jako figurę obcości, ale nie pozwolić, aby zastąpił doświadczenie obecności. Animator kultury może korzystać z automatycznego tłumaczenia, ale musi zapewnić korektę i zgodę. Pedagog może używać AI do porządkowania materiału, ale nie do automatycznej oceny twórczości. Balans nie daje jednej odpowiedzi, ponieważ różne praktyki mają różne miejsca ryzyka. Najważniejszym narzędziem balansu jest pytanie o decyzję „po”. Nie wystarczy ustalić, czy AI została użyta w procesie. Trzeba zapytać, co stanie się po działaniu: z danymi, dokumentacją, promptami, śladami publiczności, modelem pracy, archiwum, opisem, relacją i odpowiedzialnością. Strategia, która wygląda sensownie na etapie produkcji, może okazać się nieodpowiedzialna na etapie obiegu. Sztuka po AI mierzy się więc z pełnym cyklem pracy: od decyzji o narzędziu, przez sytuację, aż po pamięć i konsekwencje. Piąta strategia nie znosi czterech poprzednich, lecz uczy ich kompozycji. Sztuka po AI jest strategią balansu dlatego, że w jednej sytuacji może wymagać przechwycenia, w drugiej odmowy, w trzeciej ograniczenia, a w czwartej świadomego użycia narzędzia pod ścisłą odpowiedzialnością. Oskar Chmioła © Sztuka po AI-2.0, 2026 75 Cztery strategie opisane powyżej nie wyczerpują pojęcia sztuki po AI. Przeciwnie – dopiero pozwalają je zbudować. Sztuka po AI jest piątą strategią, ponieważ działa na poziomie decyzji wyższego rzędu. Nie pyta tylko: generować czy nie generować? Pracować z agentem czy go odrzucić? Używać technologii czy wrócić do analogowości? Pyta raczej: jaka konfiguracja decyzji jest odpowiedzialna w tej konkretnej sytuacji? Jakie dane są w grze? Jaka publiczność jest zaangażowana? Jaki koszt środowiskowy i infrastrukturalny jest uzasadniony? Czy narzędzie zwiększa dostępność, czy tylko przyspiesza produkcję? Czy dokumentacja chroni pamięć, czy wystawia uczestników na niechciane przetwarzanie? Czy generowanie ujawnia system, czy go estetyzuje? Czy agent wspiera procedurę, czy symuluje relację? Czy odmowa jest realną granicą, czy tylko znakiem moralnej czystości? Balans nie jest kompromisem w znaczeniu wygodnego środka. Nie polega na tym, że trochę używamy AI, trochę jej nie używamy, a konflikt zostaje wygładzony. Balans jest praktyką utrzymywania konfliktu w decyzji. Oznacza zdolność rozpoznania, że żadna strategia nie jest dobra zawsze. Postgeneratywność może być konieczna, gdy trzeba ujawnić sposób działania systemu. Antygeneratywność może być konieczna, gdy generowanie naruszyłoby zgodę, pamięć albo ciało. Postagentowość może być konieczna, gdy chcemy zbadać pozór sprawczości i dramaturgię interfejsu. Antyagentowość może być konieczna, gdy relacja nie może zostać zastąpiona automatyczną odpowiedzią. Sztuka po AI jako piąta strategia nie usuwa tych napięć. Uczy je komponować bez udawania, że istnieje jedna czysta droga. Na tle tekstów, które opisują generatywną AI przede wszystkim jako nowe medium transformujące artworld, piąta strategia przesuwa akcent z medium na decyzję. Novaković i Guga trafnie pokazują wpływ generatywnej AI na produkcję, role artystów i obieg sztuki, ale Sztuka po AI w tej książce nie zatrzymuje się na opisie transformacji medium. Pyta, kiedy ta transformacja powinna zostać wykorzystana, kiedy ograniczona, kiedy ujawniona, kiedy zatrzymana i kto odpowiada za konsekwencje. Tak samo w relacji do „post-AI art” nie chodzi o rywalizację nazw, lecz o dopisanie aparatu operacyjnego: danych, zgody, skali, publiczności, dokumentacji, ryzyka i decyzji „po”.77 Piąta strategia jest szczególnie ważna, ponieważ chroni przed dogmatyzmem czterech pozostałych. Postgeneratywność bez balansu może stać się technoestetyką krytyczną, która nadal karmi widzialność systemu. Antygeneratywność bez balansu może stać się elitaryzmem niewidzialności, który myli brak danych z etyką. Postagentowość bez balansu może przekształcić się w fascynację interfejsem i pozorem relacji. Antyagentowość bez balansu może zablokować narzędzia realnie wspierające dostępność, organizację i komunikację. Piąta strategia pilnuje, aby żadna odmowa ani żadne przechwycenie nie stały się automatyzmem. To właśnie tutaj pojawia się etyczny sens smaku. Smak nie jest tylko preferencją estetyczną ani społecznym wyróżnikiem klasy, choć historia sztuki i socjologia kultury uczą, że nigdy nie jest niewinny. W Sztuce po AI smak oznacza zdolność rozróżniania proporcji: kiedy obraz jest potrzebny, a kiedy prawo do nieobrazu; kiedy generowanie wzmacnia pytanie, a kiedy je przykrywa; kiedy automatyzacja pomaga dostępności, a kiedy zastępuje odpowiedzialność; kiedy dokumentacja zachowuje pamięć, a kiedy produkuje dane dla przyszłej ekstrakcji; kiedy low-tech jest adekwatne, a kiedy jest gestem wykluczenia; kiedy szybkość pomaga, a kiedy niszczy proces. To smak rozumiany nie jako gust, lecz jako wyćwiczona zdolność decyzji w sytuacji. Sztuka po AI nie jest więc pojedynczym stylem wizualnym. Nie musi wyglądać jak glitch, syntetyczny obraz, surowa dokumentacja, low-tech, manifest, mapa danych albo performans. Może przyjmować różne formy, jeśli utrzymuje odpowiedzialność za warunki działania. Może używać 77 Por. Danielle Ensign, Sorelle A. Friedler, Scott Neville, Carlos Scheidegger, Suresh Venkatasubramanian, Runaway Feedback Loops in Predictive Policing, Proceedings of the 1st Conference on Fairness, Accountability and Transparency, PMLR 81, 2018, s. 160– 171; Jeff Larson, Surya Mattu, Lauren Kirchner, Julia Angwin, How We Analyzed the COMPAS Recidivism Algorithm, ProPublica, 23.05.2016. Oskar Chmioła © Sztuka po AI-2.0, 2026 76 modelu generatywnego i nadal być Sztuką po AI, jeśli użycie jest jawne, ograniczone, konieczne i krytycznie ustawione. Może nie używać żadnego narzędzia AI i nie być Sztuką po AI, jeśli nadal reprodukuje język predykcyjnego pola, optymalizację widzialności i automatyzm instytucjonalny. Może być pracą z archiwum, działaniem edukacyjnym, performansem, tekstem, instalacją, protokołem instytucjonalnym, systemem ograniczeń, dokumentem odpornym na streszczenie albo gestem odmowy. Sztuka po AI nie jest również kategorią moralnej wyższości. Nie ustanawia prostego podziału na artystów odpowiedzialnych i nieodpowiedzialnych. Jej funkcja jest bardziej wymagająca: ma zmuszać do raportowania warunków decyzji. W jednym projekcie odpowiedzialne może być użycie AI do transkrypcji, bo zwiększa dostępność, ale nieodpowiedzialne byłoby użycie tego samego systemu do automatycznego opisu świadectw bez zgody. W innym projekcie odpowiedzialne może być wygenerowanie syntetycznego obrazu jako krytycznego materiału badawczego, ale nieodpowiedzialne byłoby opublikowanie go bez ujawnienia statusu. W jeszcze innym odpowiedzialna może być pełna odmowa dokumentacji, ale tylko wtedy, gdy nie usuwa ona z historii osób, które potrzebują śladu swojej obecności. Piąta strategia nie daje łatwych odpowiedzi. Daje obowiązek rozróżniania. Kryteriami tej decyzji są: dane, narzędzia, koszt, skala, publiczność, dostępność, środowisko, praca, prawo, relacja, dokumentacja, archiwum, miejsce i czas. Dane wymagają pytania o zgodę, źródło, reprezentację i możliwość dalszego przetwarzania. Narzędzia wymagają pytania o własność, regulamin, model, interfejs, zapis treści i zależność od dostawcy. Koszt wymaga pytania o energię, wodę, sprzęt, pracę i skalę. Publiczność wymaga pytania, czy jest osobą, świadkiem i uczestnikiem, czy tylko profilem i źródłem danych. Dostępność wymaga pytania, czy odmowa technologii nie wyklucza, a użycie technologii nie przejmuje relacji. Środowisko wymaga proporcji. Prawo wymaga sprawdzenia źródeł, licencji i danych. Relacja wymaga czasu i odpowiedzialności. Dokumentacja wymaga decyzji, co zapisać i czego nie zapisać. Archiwum wymaga protokołu pamięci. Miejsce i czas wymagają nieprzekładalności. Największym ryzykiem piątej strategii jest neutralizacja radykalności przez wygodny „balans”. Można zasłonić brak decyzji zdaniem, że „wszystko zależy od kontekstu”. Można używać słowa „balans”, żeby nie powiedzieć ani tak, ani nie. Można pozornie łączyć strategie, a w praktyce zostawić wszystko po staremu: generować dużo, dokumentować wszystko, automatyzować kontakt, publikować szybko i dopisywać do tego krytyczny komentarz. Z tego powodu balans musi być rozumiany rygorystycznie. Nie jest uspokojeniem konfliktu, lecz utrzymaniem go aż do decyzji. Jeżeli po analizie sytuacji trzeba odmówić – balans prowadzi do odmowy. Jeżeli trzeba użyć narzędzia – balans wymaga jawności i ograniczenia. Jeżeli trzeba przerwać automatyzację – balans nie szuka wygodnej drogi środka. Jeżeli trzeba zapewnić dostępność – balans nie fetyszyzuje analogowości. Stąd Sztuka po AI jest piątą strategią tej książki. Nie stoi obok czterech poprzednich jako kolejny kwadrat macierzy, lecz działa jak kompozytor ich użycia. To strategia dojrzała, bo nie obiecuje niewinności. Przyznaje, że twórczość działa w świecie danych, platform, modeli, energii, prawa i nierównych archiwów. Jej ambicją nie jest oczyszczenie sztuki z technologii, ale odzyskanie decyzji tam, gdzie technologia próbuje decyzję wygładzić, przyspieszyć, rozproszyć albo ukryć. Sztuka po AI nie musi wygrać z systemem. Nie może jednak oddać mu ostatniego słowa. 5.6. Manifest Sztuki po AI Sztuka po AI jest strategią odzyskiwania odpowiedzialnej decyzji w polu, w którym predykcja, generowanie i symulowana agentowość próbują przejąć język, obraz, relację i warunki widzialności. Sztuka po AI jest postgeneratywna, gdy przechwytuje generowanie i zmienia jego sens. Oskar Chmioła © Sztuka po AI-2.0, 2026 77 Jest antygeneratywna, gdy odmawia generowania tam, gdzie generowanie narusza relację, zgodę, pamięć, ciało, archiwum albo środowisko. Jest postagentowa, gdy pracuje z agentem jako procedurą, figurą albo interfejsem, ale nie myli jego sprawności z podmiotowością. Jest antyagentowa, gdy odmawia relacji symulowanej tam, gdzie potrzebna jest odpowiedzialność człowieka, instytucji albo wspólnoty. Sztuka po AI jest piątą strategią, gdy umie przechodzić między tymi czterema gestami. Nie wybiera jednej czystości. Komponuje decyzje. Używa narzędzi tylko wtedy, gdy potrafi nazwać ich warunki. Odmawia tylko wtedy, gdy odmowa coś chroni. Ujawnia proces, gdy jawność jest warunkiem odpowiedzialności. Chroni proces, gdy jawność stałaby się ekstrakcją. Sztuka po AI nie jest stylem. Nie jest epoką po technologii. Nie jest zakazem. Nie jest modą krytyczną. Nie jest dekoracją dla instytucji, które chcą wyglądać odpowiedzialnie. Jest sytuacją decyzji. W każdej pracy pojawia się pytanie: jakie dane ją poprzedzają? jakie narzędzia ją kształtują? jakie relacje tworzy? jaką widzialność produkuje? co automatyzuje? co ukrywa? co pozwala zobaczyć? kogo dopuszcza? kogo wyklucza? co zostawia poza obrazem? co zostawia poza modelem? Sztuka po AI nie ufa gładkiej odpowiedzi tylko z tego powodu, że brzmi kompetentnie. Nie ufa obrazowi tylko stąd, że wygląda przekonująco. Nie ufa relacji tylko dlatego, że interfejs odpowiada. Nie ufa dostępności, jeśli jest wymówką dla ekstrakcji. Nie ufa odmowie, jeśli jest tylko moralną pozą. Nie ufa użyciu, jeśli jest tylko wygodą. Sztuka po AI broni czasu. Broni ciała. Broni lokalności. Broni nieprzekładalności. Broni prawa do nieobrazu. Broni prawa do opisu, który nie redukuje. Broni prawa do archiwum, które nie staje się złożem. Broni prawa do technologii, która nie udaje nieważkości. Broni prawa do ludzkiej odpowiedzi tam, gdzie system oferuje symulację. Sztuka po AI nie musi wygrać z systemem. Nie może jednak oddać mu ostatniego słowa. Oskar Chmioła © Sztuka po AI-2.0, 2026 78 5.7. Od manifestu do prototypu, gestu i sytuacji Przejście od manifestu do prototypu jest momentem, w którym pojęcia zostają wystawione na opór rzeczywistości. Deklaracja może brzmieć mocno, ale dopiero prototyp pokaże, czy da się ją wykonać bez wykluczenia, bez ukrytej ekstrakcji, bez fałszywej zgody i bez przeniesienia pracy na niewidzialnych wykonawców. Gest artystyczny nie jest tu ozdobą teorii. Jest sprawdzianem, czy teoria potrafi utrzymać się w kontakcie z miejscem, publicznością, ciałem, czasem i dokumentacją. Rozdział VI nie jest więc praktycznym dodatkiem do teorii strategii. Jest jej koniecznym dopełnieniem. Strategia, która nie potrafi przejść w sytuację, pozostaje językiem. Prototyp, manifest, gest, performans i mapa praktyk są różnymi sposobami sprawdzania, gdzie decyzja rzeczywiście zostaje podjęta: w narzędziu, w ciele, w instytucji, w publiczności, w archiwum, w odmowie, w opisie albo w tym, co stanie się po zakończeniu wydarzenia. Manifest pozostaje niewystarczający, jeżeli nie przechodzi w prototyp, gest i sytuację. Język programu musi stać się warunkiem działania, a strategia – sprawdzalną procedurą. Strategie opisane w tym rozdziale nie mogą pozostać wyłącznie słownikiem. Postgeneratywność, antygeneratywność, postagentowość, antyagentowość i Sztuka po AI jako piąta strategia balansu muszą zostać sprawdzone w praktyce: w prototypach, gestach, performansach, warsztatach, archiwach, tekstach, wystawach, protokołach instytucjonalnych, sytuacjach edukacyjnych i mapach praktyk. Dopiero wtedy wiadomo, czy pojęcia działają. Pojęcie postgeneratywności jest puste, jeśli nie potrafi zmienić sposobu użycia generatora. Antygeneratywność jest pusta, jeśli nie potrafi zaprojektować realnej granicy. Postagentowość jest pusta, jeśli nie ujawnia asymetrii między systemem a człowiekiem. Antyagentowość jest pusta, jeśli nie tworzy alternatywy dla relacji symulowanej. Piąta strategia jest pusta, jeśli nie prowadzi do konkretnych decyzji w sytuacji. W kolejnym rozdziale działania pokrewne – Art after AI, After AI Art, post-AI art, AI art, projekty kuratorskie, wystawy, narzędzia defensywne i praktyki artystyczne – powinny zostać czytane właśnie w ten sposób: nie jako dowody tożsamości z autorską koncepcją, lecz jako materiał diagnostyczny. Każdy przykład będzie można zapytać, gdzie pojawia się przechwycenie, gdzie odmowa, gdzie agentowość, gdzie jej zatrzymanie, a gdzie realna strategia balansu. Tylko wtedy mapa praktyk nie stanie się katalogiem nazw, lecz narzędziem rozpoznawania decyzji. Prototyp w Sztuce po AI nie jest tylko wersją testową produktu. Jest formą poznania. Może sprawdzać, co dzieje się, gdy ograniczymy liczbę iteracji; gdy ujawnimy prompt; gdy odmówimy automatycznego opisu; gdy pozwolimy modelowi mówić, ale nie pozwolimy mu decydować; gdy zorganizujemy wystawę z prawem do nieobrazu; gdy publiczność wybierze, czy jej dane mogą zostać zapisane; gdy tekst zostanie zaprojektowany jako odporny na streszczenie; gdy archiwum stanie się dostępne, ale nieekstrakcyjne; gdy agent wystąpi jako figura proceduralna, a nie podmiot moralny; gdy instytucja użyje AI tylko tam, gdzie nie zastępuje relacji. Prototyp nie musi być wielki. Może być małym eksperymentem z warunkami. Jego wartość polega na tym, że pokazuje konsekwencje decyzji, zanim strategia stanie się dużym programem. Gest w Sztuce po AI nie jest tylko znakiem symbolicznym. Może być decyzją o nieużyciu narzędzia, ograniczeniu liczby wariantów, pozostawieniu błędu, ujawnieniu źródła, usunięciu danych, odmowie nagrania, wprowadzeniu opóźnienia, zaproszeniu świadka, napisaniu tekstu bez automatycznego wygładzania albo zorganizowaniu spotkania zamiast chatbota. Gest jest mały, ale może zmienić logikę sytuacji. W polu predykcyjnym gestem może być także zwłoka: nie odpowiadać natychmiast, nie publikować wszystkiego, nie streszczać doświadczenia, nie optymalizować opisu, nie oddawać decyzji systemowi z tego powodu, że system jest pod ręką. Publiczność jest w tym przejściu kluczowa. Strategie oporu nie mogą być projektowane tak, jakby odbiorca był końcowym użytkownikiem systemu. Publiczność może być świadkiem, uczestnikiem, współdecydentem, osobą chronioną, źródłem danych albo kimś, kto ma prawo odmówić udziału w automatyzacji. Stąd praktyka Sztuki po AI musi pytać, co publiczność wie o procesie, jakie dane Oskar Chmioła © Sztuka po AI-2.0, 2026 79 zostawia, czy rozumie status obrazu, czy może odmówić dokumentacji, czy spotyka osobę, czy tylko interfejs, czy jej reakcja staje się materiałem do dalszego przetwarzania, czy jest traktowana jako partner sytuacji, a nie profil. Rozdział VI przechodzi więc od strategii oporu do ich praktycznego testowania. Manifest działa jako forma epistemiczna, ograniczenie jako procedura postgeneratywna, prototyp jako narzędzie poznania, performans jako sposób sprawdzania obecności i odpowiedzialności, publiczność jako warunek sytuacji, a mapa praktyk jako sposób porządkowania przykładów bez redukowania ich do etykiet. To przejście jest konieczne, ponieważ Sztuka po AI nie kończy się na nazwaniu oporu. Musi przejść przez sytuację, w której opór zostaje wykonany: w materiale, czasie, ciele, interfejsie, relacji, archiwum, instytucji i publiczności. Prototyp i performans dowodzą, że Sztuka po AI musi być sprawdzalna w działaniu, nie tylko w słowniku. Poznanie pojawia się tu jako skutek sytuacji: dopiero gdy ktoś użyje, odmówi, ograniczy, ujawni, zatrzyma, zapisze albo nie zapisze, można zobaczyć, co dana strategia naprawdę robi. W tym sensie praktyka nie jest dodatkiem do teorii, lecz jej testem. Jeśli strategie mają znaczyć coś więcej niż nazwy, muszą wejść w gest, prototyp i sytuację. Oskar Chmioła © Sztuka po AI-2.0, 2026 80 VI. Manifesty, prototypy i gesty Rozdział VI przenosi pojęcia z poziomu strategii na poziom działania. Nie chodzi o instruktaż, jak tworzyć „sztukę po AI” w jednym poprawnym wariancie. Chodzi o pokazanie, że każda strategia musi zostać sprawdzona w sytuacji: przez manifest, prototyp, gest, performans, publiczność, mapę praktyk i etykę procesu. Dopiero wtedy pojęcia przestają być nazwami, a zaczynają działać jako narzędzia odpowiedzialnego projektowania. Strategie oporu stają się realne dopiero wtedy, gdy przechodzą z języka pojęć w sytuację działania. Manifest, prototyp, gest, performans, publiczność i mapa praktyk nie są dodatkami do teorii Sztuki po AI, lecz sposobami sprawdzenia, czy teoria potrafi utrzymać ciężar decyzji w konkretnym procesie twórczym. 6.1. Manifest jako forma epistemiczna W epoce modeli manifest może być także dokumentem odpornym na zbyt szybkie streszczenie. Nie dlatego, że jest niejasny, ale dlatego, że jego skuteczność nie polega wyłącznie na informacji. Manifest organizuje rytm, napięcie, wspólnotę rozpoznania i decyzję „po”. Streszczenie może oddać jego temat, lecz nie musi przenieść jego funkcji performatywnej. Manifest jest formą epistemiczną dlatego, że pozwala wytworzyć wiedzę przez ustawienie pola konfliktu. Nie opisuje neutralnie rzeczywistości, lecz wskazuje, które różnice są istotne: użycie i odmowa, relacja i profil, dokumentacja i prawo do nieobrazu, opis i ekstrakcja, agent i odpowiedzialność, dostępność i przetwarzanie danych. W epoce AI manifest nie powinien być tylko ekspresją sprzeciwu. Powinien stawać się narzędziem rozróżniania, które pomaga podjąć decyzję w praktyce. Dlatego także manifestowe i półmanifestowe teksty pola post-AI art trzeba czytać jako formy porządkowania sporu, a nie jako neutralne nazwy epoki. Rozmowa ArtReview o „post-AI art” pokazuje, że artyści próbują dziś nazywać nie tylko nowe narzędzia, lecz także protokoły, konteksty, okna kontekstu i zmienny status praktyki. Numer „EE #4: Art After AI” oraz projekt ART AFTER AI Ståle’a Stensliego i Zane Cerpiny działają podobnie jako gesty wydawniczo-kuratorskie: nie zamykają pola, lecz ustanawiają język, w którym można pytać o człowieka, model, eksperyment, autentyczność i odpowiedzialność. Manifest Sztuki po AI ma wobec tych działań funkcję pokrewną, ale inną: nie tylko nazywa pole, lecz proponuje aparat decyzji, który pozwala sprawdzać, kiedy dane działanie jest przechwyceniem, odmową, relacją z agentem, odmową agentowości albo strategią balansu. Manifest jako forma epistemiczna działa także przeciwko gładkości modelowej. Model językowy potrafi wytwarzać tekst płynny, umiarkowany i pozornie kompletny. Manifest może celowo zachować ostrość, skrót, powtórzenie, rytm i napięcie, ponieważ jego zadaniem nie jest tylko informować, ale przestawiać uwagę. To nie znaczy, że manifest ma być nieprecyzyjny. Przeciwnie – jego skrót musi wynikać z wcześniejszej analizy. Dlatego w tej książce manifest nie zastępuje rozdziałów teoretycznych, lecz kondensuje ich konsekwencje. Manifest jest jedną z najbardziej ryzykownych form pisania o sztuce. Może ustanawiać język, uruchamiać konflikt, porządkować doświadczenie i otwierać praktykę, ale potrafi również bardzo łatwo zamienić się w patos, reklamowe hasło albo teatr radykalności bez konsekwencji. W Sztuce po AI manifest nie ma zastępować argumentacji. Nie ma być skrótem całej książki, dekoracyjnym finałem rozdziału ani zbiorem zdań do cytowania poza odpowiedzialnością za proces. Jego funkcja jest epistemiczna, to znaczy poznawczo-ustanawiająca: manifest tworzy warunki widzenia problemu, pozwala nazwać napięcie, wyznacza granice działania i sprawia, że praktyka może rozpoznać samą siebie jako praktykę, a nie jako przypadkową reakcję na nową technologię. Taki manifest działa podobnie do aktu mowy w tradycji Johna L. Austina i Judith Butler: nie tylko opisuje, lecz także coś Oskar Chmioła © Sztuka po AI-2.0, 2026 81 robi. Wypowiedzenie „nie wszystko, co możliwe do wygenerowania, powinno zostać wygenerowane” nie jest jedynie opinią estetyczną. Jest ustanowieniem rygoru decyzji. Wypowiedzenie „publiczność nie jest datasetem” nie jest metaforą, ale granicą etyczną. Wypowiedzenie „dzieło po AI jest sytuacją, nie tylko wynikiem” przesuwa uwagę z efektu na proces, dane, narzędzia, relację i dalszy obieg. Manifest w tej książce jest więc formą przejścia: po rozpoznaniu predykcyjności, infrastruktury przemocy i strategii oporu trzeba stworzyć język, którym artysta, instytucja, pedagog, kurator albo krytyk może podejmować decyzje bez udawania, że działa w neutralnym środowisku. Manifest jako forma epistemiczna różni się od hasła reklamowego tym, że nie obiecuje łatwego rozpoznania. Hasło ma działać szybko, gładko i skutecznie. Manifest może działać przez tarcie. Może zostawiać czytelnika z niepokojem, wymagać dopowiedzenia, domagać się praktycznej konsekwencji i wystawiać autora na odpowiedzialność za własne pojęcia. Z tego powodu manifest Sztuki po AI nie powinien mówić: „używajmy AI dobrze” albo „odrzućmy AI”. Oba zdania są za słabe. Pierwsze rozmywa problem w moralnej ogólności, drugie udaje, że istnieje proste wyjście z pola predykcyjnego. Manifest powinien raczej rozcinać domyślność: zatrzymać automatyczne utożsamienie twórczości z produkcją wariantów, dostępności z automatyzacją, archiwum z bazą danych, publiczności z profilem, krytyki ze streszczeniem, a edukacji z natychmiastową odpowiedzią. Jego siła nie polega na ostrości tonu, lecz na zdolności do ustanawiania procedury: gdzie trzeba ujawnić użycie modelu, gdzie trzeba ograniczyć generowanie, gdzie odmówić indeksacji, gdzie chronić relację, gdzie zostawić błąd, gdzie przyznać niewiedzę, gdzie nie oddać archiwum cudzej infrastrukturze, gdzie nie udawać, że syntetyczna powierzchnia ma ciężar przeżytego doświadczenia. Największym ryzykiem manifestu jest pompatyczność. W epoce AI pompatyczność jest szczególnie niebezpieczna, ponieważ bardzo łatwo zostaje wygenerowana. Model potrafi produkować zdania mocne, rytmiczne, wzniosłe i pozornie radykalne. Może wytwarzać ton manifestu bez sytuacji manifestu. Może stworzyć skórkę radykalności: język oporu, który niczego nie ryzykuje, ponieważ nie wiąże się z żadną decyzją w procesie. Stąd manifest Sztuki po AI musi być odporny na własną efektowność. Każde mocne zdanie powinno odsyłać do praktyki, a nie do nastroju. Jeśli mówi o prawie do nieobrazu, musi prowadzić do decyzji o dokumentacji, zgodzie, archiwum i publikacji. Jeśli mówi o ograniczeniu, musi prowadzić do liczby iteracji, skali narzędzia, zakresu danych i sposobu pracy z publicznością. Jeśli mówi o odpowiedzialności, musi prowadzić do raportu procesu, nie do wizerunku autora jako osoby etycznej. Manifest jest wiarygodny dopiero wtedy, gdy da się z niego wyprowadzić działanie, protokół, gest, korektę albo odmowę. Na tym poziomie manifest nie zamyka teorii. Otwiera jej test. Po manifescie musi przyjść prototyp, gest albo sytuacja, w której okaże się, czy pojęcia nie są tylko pięknymi nazwami. Jan Świdziński, pisząc o sztuce kontekstualnej, przypominał, że znaczenie pracy nie istnieje poza warunkami, w których zostaje wypowiedziane i wykonane. Ten trop jest dla Sztuki po AI kluczowy: manifest nie może być oderwany od kontekstu, ponieważ właśnie kontekst decyduje, czy odmowa generowania jest realną ochroną, czy tylko symbolicznym gestem; czy postgeneratywne przechwycenie odsłania mechanizm systemu, czy tylko produkuje efektowną powierzchnię; czy postagentowość ujawnia asymetrię relacji człowiek–system, czy romantyzuje rozmowę z interfejsem; czy antyagentowość chroni relację, czy utrudnia dostępność. Manifest jest więc formą poznania przez zobowiązanie. Ustanawia język, ale zarazem wymaga, aby ten język został sprawdzony przez ciało, czas, instytucję, publiczność, archiwum i konsekwencje obiegu. 6.2. Ograniczenie jako procedura postgeneratywna Ograniczenie jako procedura postgeneratywna można zapisać w kilku pytaniach diagnostycznych: co wolno wygenerować, czego nie wolno, ile wariantów wystarczy, kto wybiera wynik, co musi pozostać ręczne, co wymaga zgody, jak oznaczyć status syntetycznego materiału, gdzie ujawnić Oskar Chmioła © Sztuka po AI-2.0, 2026 82 użycie modelu i kiedy zatrzymać proces. Te pytania są ważniejsze niż samo hasło „ograniczam AI”. Dopiero one pozwalają odróżnić praktykę odpowiedzialną od wizerunkowego minimalizmu. W procesie artystycznym ograniczenie może działać jak partytura. Może określać, że model zostanie użyty tylko do wygenerowania materiału porównawczego, ale nie finalnego obrazu; że automatyczny opis zostanie poddany ludzkiej korekcie; że publiczność nie będzie rejestrowana; że liczba wariantów zostanie zamknięta przed rozpoczęciem selekcji; że dane archiwalne nie opuszczą instytucji; że prompt i wynik zostaną opisane w raporcie procesu; że agent techniczny zostanie wprowadzony wyłącznie jako obiekt krytyki. Tak rozumiana procedura nie ogranicza twórczości. Nadaje jej odpowiedzialną formę. Ograniczenie jest jednym z najważniejszych narzędzi praktycznych Sztuki po AI, ponieważ odpowiada bezpośrednio na generatywny nadmiar. Nie oznacza ubóstwa środków, braku ambicji ani nostalgii za światem przed technologią. Oznacza świadome zmniejszenie pola automatycznej produkcji po to, aby decyzja odzyskała ciężar. W świecie modeli generatywnych łatwo przyjąć, że większa liczba wariantów jest zawsze lepsza: więcej obrazów, więcej tytułów, więcej opisów, więcej koncepcji, więcej scenariuszy, więcej szkiców, więcej wersji dokumentacji. Ta logika wydaje się niewinna, ponieważ często pomaga. Model może odblokować proces, porównać języki, ujawnić banał, zaproponować alternatywę albo pokazać, że pierwsza decyzja była zbyt oczywista. Napięcie zaczyna się tam, gdzie wariantowość przestaje służyć myśleniu, a zaczyna zastępować ryzyko wyboru. Artysta nie podejmuje decyzji, tylko przegląda kolejne możliwości. Instytucja nie rozmawia o sensie wystawy, tylko generuje coraz gładsze opisy. Pedagog nie pyta o proces studenta, tylko porównuje wynik z oczekiwanym formatem. Ograniczenie wprowadza w tę sytuację opór: nie dlatego, że mniej zawsze znaczy lepiej, lecz dlatego, że każda kolejna iteracja powinna mieć powód. Ograniczenie może dotyczyć liczby iteracji. Artysta może z góry założyć, że model zostanie użyty tylko na etapie orientacji, a nie finalnej produkcji; albo że po trzech wariantach następuje decyzja, ręczna praca, rozmowa albo przerwa. Może dotyczyć danych: nie wprowadzamy do systemu materiałów publiczności, prywatnych notatek, dokumentacji osób nieobecnych, głosu, twarzy, danych wrażliwych albo archiwów, których zgoda dotyczyła badań, a nie automatycznego przetwarzania. Może dotyczyć dokumentacji: nie każda sytuacja zostaje sfilmowana, nie każda rozmowa zostaje transkrybowana, nie każdy performans zostaje zamieniony w materiał promocyjny. Może dotyczyć skali: praca lokalna nie musi udawać projektu skalowalnego, a wydarzenie oparte na współobecności nie musi natychmiast produkować wersji platformowej. Może dotyczyć automatycznego wygładzania: tekst zostaje pozostawiony z miejscami napięcia, niepewności i autorskiego idiomu, zamiast zostać dopasowany do modelowej płynności. Każda z tych form ograniczenia ma sens tylko wtedy, gdy jest powiązana z sytuacją. Ograniczenie nie jest ornamentem etycznym. Jest procedurą. W relacji do strategii z rozdziału V ograniczenie może działać dwojako. W postgeneratywności nie musi oznaczać rezygnacji z modelu, lecz jego krytyczne osadzenie. Generator zostaje użyty po to, aby ujawnić mechanizm generowania, przetestować granicę stylu, pokazać banał przewidywalności, zobaczyć, jak system rozpoznaje pewien temat, albo zderzyć modelowy wynik z pracą ciała, miejsca i dokumentu. Ograniczenie sprawia wtedy, że generatywność nie rozlewa się na cały proces. W antygeneratywności ograniczenie może przyjąć postać odmowy: nie generujemy obrazu osoby, której obecność wymaga relacji; nie syntetyzujemy głosu, jeśli nie ma zgody; nie udostępniamy archiwum jako materiału treningowego; nie produkujemy promocyjnej skórki wydarzenia, którego sens polegał na niedokumentowalności. Ograniczenie staje się wtedy aktywną ochroną stylu, czasu, archiwum, relacji i prawa do nieobrazu. W tym miejscu szczególnie czytelne stają się narzędzia ochronne takie jak Glaze i Nightshade. Nie są one dziełami sztuki w sensie tej mapy, lecz procedurami granicy: próbują utrudnić przechwytywanie stylu, obrazów i pracy twórczej przez modele, które ignorują zgodę albo opt-out. Podobną funkcję genealogiczną może pełnić wcześniejszy „Facial Weaponization Suite” Zacha Blasa, w którym Oskar Chmioła © Sztuka po AI-2.0, 2026 83 odmowa rozpoznawalności wobec biometrii zostaje zaprojektowana jako maska, wspólnota i zakłócenie systemu identyfikacji. Te przykłady pokazują, że antygeneratywność nie musi być deklaracją „nie używam AI”. Może być techniczną, performatywną albo instytucjonalną procedurą, która mówi: tego stylu, tego wizerunku, tej twarzy, tej publiczności, tej dokumentacji i tego archiwum nie wolno traktować jako surowca. Trzeba jednak stale chronić ograniczenie przed fałszywą czystością. Low-tech może stać się przywilejem. Rezygnacja z technologii może utrudnić udział osobom z niepełnosprawnościami, osobom pracującym zdalnie, osobom potrzebującym tłumaczenia, transkrypcji, audiodeskrypcji, prostszego języka albo alternatywnych formatów. Ograniczenie może także stać się estetyką biedy, w której brak środków zostaje romantyzowany przez tych, którzy i tak dysponują widzialnością, siecią kontaktów i kapitałem symbolicznym. Z tego powodu odpowiedzialne ograniczenie nie pyta: „jak użyć jak najmniej technologii?”, lecz: „jaka dawka technologii jest adekwatna, a gdzie technologia zaczyna zastępować decyzję, relację albo odpowiedzialność?”. Czasem odpowiedzialne będzie nieużycie modelu. Czasem odpowiedzialne będzie użycie narzędzia dostępnościowego z ludzką korektą. Czasem odpowiedzialne będzie wolniejsze archiwum, a czasem szybka transkrypcja, jeśli bez niej część publiczności zostanie wykluczona. Procedura postgeneratywna nie polega na odmowie dla odmowy. Polega na dobraniu progu, za którym automatyzacja przestaje służyć sensowi i zaczyna go przejmować. Ograniczenie odzyskuje ciężar decyzji także z tego powodu, że przywraca wartość zatrzymania. W generatywnym środowisku łatwo mylić pracę z produkcją kolejnych wariantów. Tymczasem twórczość często zaczyna się wtedy, gdy wariantów przestaje przybywać, a pojawia się odpowiedzialność za jeden wybrany kształt. Decyzja „zostaję przy tym” jest inna niż decyzja „sprawdzę jeszcze dziesięć możliwości”. Nie zawsze jest lepsza, ale ma inny ciężar. Zatrzymanie pozwala zapytać, co zostało wybrane, co odrzucone, kto poniesie konsekwencje, jak publiczność rozpozna proces, czy dane zostały użyte uczciwie i czy rezultat nie udaje większej wiedzy, niż rzeczywiście posiada. Tak rozumiane ograniczenie jest praktyką etyczną, estetyczną i poznawczą naraz. 6.3. Prototyp epistemiczny i performans jako poznanie Performans może być jedną z najważniejszych form drugiego dna po AI. Dokumentacja pokazuje ślad, ale nie wyczerpuje wydarzenia; opis porządkuje sens, ale nie zastępuje obecności; kamera może być świadkiem, lecz nie musi mieć prawa do wszystkiego. Performans uczy, że nieobecność pełnego obrazu nie zawsze jest brakiem. Czasem jest etycznym warunkiem działania. Performans wobec AI nie może zostać sprowadzony do pytania, czy zostanie udokumentowany i czy dokumentacja trafi do modelu. To ważne, ale niewystarczające. Performance art wnosi do tej książki głębszą lekcję: część wiedzy powstaje tylko w czasie działania, przez ciało, obecność, napięcie, błąd, relację ze świadkiem, opór przestrzeni i niemożność pełnego przewidzenia skutku. Model może opisać możliwy performans, ale nie przejmuje ryzyka bycia w sytuacji. Właśnie dlatego performans pozostaje jednym z najmocniejszych narzędzi myślenia po AI. Prototyp epistemiczny może korzystać z narzędzi cyfrowych, ale jego celem nie jest automatyzacja sukcesu. Może być próbą instytucjonalną, warsztatem, sytuacją wystawienniczą, performansem, testem archiwum, ćwiczeniem edukacyjnym albo krótkim eksperymentem z agentem. Jego wynik może brzmieć: „tego nie należy wdrażać”, „ta dokumentacja narusza relację”, „ten model wygładza konflikt”, „ta automatyzacja wyklucza część publiczności”, „ten opis wymaga lokalnej korekty”, „tu potrzebny jest człowiek”. Takie rozpoznania są sukcesem poznawczym, nawet jeśli nie prowadzą do skalowalnego produktu. Prototyp epistemiczny nie jest produktem przedwdrożeniowym w sensie startupowym. Nie służy przede wszystkim sprawdzeniu, czy rozwiązanie nadaje się do skalowania, monetyzacji albo Oskar Chmioła © Sztuka po AI-2.0, 2026 84 optymalizacji. Jest próbą poznawczą: sytuacją, w której artysta, badacz, instytucja albo grupa sprawdza, jakie warunki sensu, odpowiedzialności i relacji ujawniają się w działaniu. Prototyp epistemiczny może być niedoskonały, tymczasowy, lokalny, ograniczony i nieprzeznaczony do powielania. Jego wartość nie polega na tym, że stanie się finalnym produktem, lecz na tym, że pozwoli zobaczyć coś, czego nie dało się rozpoznać wyłącznie w języku deklaracji. W Sztuce po AI taki prototyp może sprawdzać, co dzieje się, gdy publiczność ma prawo odmówić dokumentacji, gdy opis dzieła powstaje bez automatycznego wygładzania, gdy model zostaje użyty tylko jako narzędzie porównawcze, gdy archiwum działa z opóźnieniem, gdy generowanie zostaje ograniczone do jednej fazy procesu, albo gdy agent techniczny zostaje wprowadzony jako figura asymetrii, a nie jako równorzędny partner relacji. Właśnie dlatego projekty pokrewne wobec Art after AI są dla tej książki interesujące wtedy, gdy nie ograniczają się do produkcji kolejnych obrazów. Eksperyment Stensliego i Cerpiny z AI-personami, prompt engineeringiem i wydawniczym numerem „Art After AI” można czytać jako prototyp pola: sprawdzenie, co dzieje się, gdy model zostaje wprowadzony nie tylko jako narzędzie produkcji, lecz także jako uczestnik procedury kuratorskiej, redakcyjnej i teoretycznej. Forensic Architecture działa w innym rejestrze, ale również uczy prototypu epistemicznego: obraz, model, rekonstrukcja i dane nie służą tam efektowi powierzchni, lecz dochodzeniu, odpowiedzialności i publicznemu rozpoznaniu warunków zdarzenia. W obu przypadkach najważniejsze nie jest samo użycie technologii, lecz to, jakie warunki wiedzy technologia ujawnia. Performans jest szczególnie ważnym modelem poznania, ponieważ nie pozwala całkowicie oddzielić wiedzy od sytuacji. Allan Kaprow, Fluxus, John Cage, sztuka konceptualna, praktyki instrukcji, działania site-specific i tradycje performansu uczą, że wiedza może powstawać przez czynność, obecność, regułę, przypadek, czas, publiczność, błąd i dokumentację. W świecie AI ta tradycja zyskuje nową funkcję. Model może wygenerować opis działania, ale nie może wykonać działania w ciele. Może symulować publiczność, ale nie odpowiada za rzeczywistą relację. Może przewidzieć przebieg, ale nie przeżywa oporu miejsca, zmęczenia, ciszy, wstydu, napięcia, nieporozumienia ani odpowiedzialności wobec konkretnej osoby. Performans jako poznanie nie polega na antytechnologicznym geście. Polega na przypomnieniu, że część wiedzy twórczej powstaje dopiero wtedy, gdy coś zostaje wykonane, wystawione na warunki, sprawdzone w czasie i skonfrontowane z obecnością innych. Prototyp epistemiczny i performans spotykają się w tym, że oba przyjmują błąd jako źródło wiedzy. W logice optymalizacji błąd jest czymś do usunięcia. W praktyce poznawczej błąd może być informacją o warunkach. Jeżeli publiczność nie rozumie ramy działania, problemem nie musi być publiczność; być może rama była za słaba, za manipulacyjna albo zbyt techniczna. Jeżeli automatyczny opis dzieła wygładza konflikt, problemem nie jest tylko model; być może instytucja oczekiwała języka, który usuwa napięcie. Jeżeli prototyp z agentem technicznym wywołuje zaufanie, którego system nie powinien otrzymać, trzeba przeprojektować ujawnienie asymetrii. Jeżeli ograniczenie dokumentacji niszczy dostępność, trzeba znaleźć inną formę pamięci. W takim trybie prototyp nie dowodzi sukcesu. Sprawdza, gdzie pojawia się koszt, ryzyko, nieporozumienie, luka odpowiedzialności albo nadmiar delegowania. Różnica między prototypem startupowym a prototypem artystyczno-poznawczym jest więc zasadnicza. Prototyp startupowy często pyta: czy to działa, czy da się to skalować, czy użytkownik tego chce, czy można zmniejszyć tarcie i zwiększyć wydajność? Prototyp epistemiczny pyta inaczej: co to działanie ujawnia, kogo włącza, kogo pomija, jakie dane zbiera, jaką relację ustanawia, jaki koszt ukrywa, jaką odpowiedzialność rozprasza, czego nie pozwala zobaczyć i gdzie powinno zostać zatrzymane. Taki prototyp może zakończyć się decyzją o niewdrożeniu. Może pokazać, że narzędzie jest zbyt zależne od Big Tech, że automatyzacja relacji jest nieadekwatna, że publiczność zostaje niepotrzebnie profilowana, że dokumentacja powinna być częściowa, albo że generowanie osłabia Oskar Chmioła © Sztuka po AI-2.0, 2026 85 sens zamiast go pogłębiać. W logice rynku to może wyglądać jak porażka. W logice Sztuki po AI jest to pełnoprawny wynik poznawczy. Prototyp epistemiczny nie zwalnia z rygoru. Przeciwnie – wymaga bardzo starannego projektowania ramy. Trzeba wiedzieć, kto uczestniczy, co jest testowane, jakie dane powstają, co zostanie zapisane, co nie zostanie opublikowane, gdzie można przerwać udział, jak rozpoznać nieporozumienie, jak zamknąć sytuację i jakie decyzje zostaną podjęte po działaniu. W performansie i praktykach partycypacyjnych publiczność nie można traktować jako materiał bez prawa odpowiedzi. W projektach z AI publiczność nie może stać się nieświadomym źródłem danych. Prototyp epistemiczny ma więc podwójną funkcję: pozwala wytwarzać wiedzę przez działanie i jednocześnie uczy, że działanie poznawcze wymaga etyki procesu. 6.4. Publiczność, niepewność i odpowiedzialna rama Publiczność jest szczególnie podatna na redukcję, ponieważ systemy łatwo zamieniają ją w dane. Liczba wejść, czas obecności, reakcja, komentarz, kliknięcie, twarz, głos, ścieżka ruchu, odpowiedź na pytanie – wszystko to może zostać potraktowane jako materiał do analizy. Sztuka po AI musi więc oddzielać uczestnictwo od pozyskiwania danych. Można uczestniczyć w wydarzeniu bez zgody na bycie materiałem treningowym, bez automatycznego profilowania i bez konieczności zostawiania śladu, który będzie żył dalej w cudzej infrastrukturze. Niepewność jest potrzebna, ale musi dotyczyć sensu, nie warunków bezpieczeństwa. Publiczność może nie wiedzieć od razu, jak zinterpretować gest, obraz, ciszę albo działanie. Nie powinna jednak nie wiedzieć, czy jest nagrywana, czy rozmawia z człowiekiem, czy jej głos zostanie zapisany, czy jej dane opuszczą instytucję, czy dokumentacja zostanie opublikowana, czy syntetyczny obraz udaje świadectwo. Odpowiedzialna rama nie zabija sztuki przez nadmiar wyjaśnień. Chroni możliwość doświadczenia, bo usuwa nieprzejrzystość tam, gdzie byłaby nadużyciem. Publiczność w Sztuce po AI nie może być redukowana do profilu, metryki, datasetu, grupy docelowej ani reakcji. Może być odbiorcą, uczestnikiem, świadkiem, użytkownikiem, współwykonawcą, osobą objętą działaniem, osobą zaproszoną do rozmowy albo kimś, kto korzysta z prawa do nieuczestniczenia. Każda z tych ról inaczej rozkłada odpowiedzialność. Odbiorca może potrzebować jasnej informacji o statusie syntetycznego obrazu. Uczestnik może potrzebować zgody i prawa do przerwania. Świadek może potrzebować kontekstu, aby nie stać się narzędziem spektaklu. Użytkownik systemu może potrzebować informacji, co dzieje się z jego danymi. Współwykonawca potrzebuje uznania pracy, a nie przekształcenia jej w anonimowy materiał procesu. Osoba nieobecna może potrzebować ochrony przed włączeniem jej w dokumentację, na którą nie wyraziła zgody. Publiczność nie jest więc jednym pojęciem administracyjnym. Jest układem możliwych relacji. Odpowiedzialna rama to zestaw warunków, które pozwalają publiczności rozumieć, w czym uczestniczy i gdzie przebiegają granice. Nie chodzi wyłącznie o to, aby każdą sytuację nadmiernie wyjaśniać i unieważniać jej niepewność. Sztuka ma prawo pozostawiać pytania, napięcia, niejasności i opóźnione rozumienie. Niepewność może być wartością poznawczą. Ryzyko ujawnia się wtedy, gdy niepewność dotyczy nie sensu pracy, lecz warunków uczestnictwa: czy jestem nagrywany, czy moje dane są zapisywane, czy rozmawiam z człowiekiem czy z agentem, czy mój głos zostanie użyty, czy mogę odmówić, czy moja obecność zostanie wprowadzona do archiwum, czy system profiluje moje reakcje. Odpowiedzialna rama oddziela twórczą niepewność od nieprzejrzystości etycznej. Pierwsza może być potrzebna. Druga jest nadużyciem. Prawo do odmowy jest w tym kontekście jednym z podstawowych warunków. Publiczność powinna móc odmówić udziału, dokumentacji, wykorzystania wizerunku, włączenia głosu, przekazania danych albo wejścia w relację z agentem technicznym, jeśli dana sytuacja taką relację zakłada. Prawo do nieobrazu oznacza, że nie każda obecność musi zostać sfotografowana, zarejestrowana, przetworzona i opublikowana. Prawo do niewłączenia w dane oznacza, że Oskar Chmioła © Sztuka po AI-2.0, 2026 86 uczestnictwo w sztuce nie powinno automatycznie oznaczać zgody na późniejsze przetwarzanie śladów tej obecności. W praktykach performatywnych i instytucjonalnych te prawa nie są dodatkiem prawnym. Są częścią struktury dzieła jako sytuacji. Dlatego publiczność po AI powinna być myślana przede wszystkim jako świadek sytuacji, a dopiero potem jako odbiorca, użytkownik albo źródło danych. Świadek może coś zobaczyć, zapamiętać, zakwestionować, opowiedzieć i odmówić udziału w dalszym obiegu dokumentacji. Dataset nie ma takiej sprawczości. Jeżeli praktyka artystyczna przekształca świadka w anonimowy rekord, zubaża nie tylko etykę uczestnictwa, ale także poznawczy sens wydarzenia. Odpowiedzialna rama powinna więc wyraźnie rozdzielać obecność, dokumentację, zgodę, publikację, archiwizację i możliwe przetwarzanie przez systemy AI. Relacja różni się od interakcji tym, że nie daje się całkowicie opisać przez ślad działania. Interakcja może zostać zarejestrowana jako kliknięcie, odpowiedź, wybór, ruch, komentarz, czas obecności albo reakcja biometryczna. Relacja wymaga interpretacji, odpowiedzialności i czasu. W projektach z AI pokusa zamiany relacji w interakcję jest bardzo silna, ponieważ systemy łatwo mierzą zdarzenia. Można policzyć, ile osób rozmawiało z agentem, ile zapytań zadano, jak długo trwała sesja, które odpowiedzi wywołały reakcję. Trudniej zapytać, czy publiczność rozumiała asymetrię systemu, czy czuła się manipulowana, czy miała realną możliwość odmowy, czy automatyzacja nie zastąpiła spotkania, czy wygenerowana odpowiedź nie wywołała fałszywego zaufania. Odpowiedzialna rama musi więc obejmować nie tylko techniczne działanie systemu, ale także interpretację relacji, którą system uruchamia. Niepewność nie powinna być z tej ramy usuwana. Przeciwnie – Sztuka po AI potrzebuje niepewności, ponieważ bez niej łatwo zamienia się w instrukcję moralną albo procedurę compliance. Niepewność pozwala pytać, czy dana odmowa jest wystarczająca, czy dane ograniczenie nie wyklucza, czy narzędzie dostępnościowe nie automatyzuje relacji, czy raport nie staje się wizerunkowym rytuałem, czy publiczność rzeczywiście rozumie status obrazu, czy instytucja nie przenosi odpowiedzialności na regulamin dostawcy. Niepewność jest tu warunkiem krytycznego myślenia, ale musi być utrzymana w ramie, która chroni osoby uczestniczące. Sztuka po AI nie polega na tym, aby wszystko przewidzieć. Polega na tym, aby nie ukrywać warunków, których nie wolno ukrywać. 6.5. Mapa praktyk: przykłady artystów, dzieł i strategii Po wprowadzeniu osi maskowania i kodowania mapę praktyk można czytać także jako mapę widzialności. Niektóre przykłady pokazują jawne przechwycenie systemu; inne – odmowę; jeszcze inne – pracę z powierzchnią, która nie ujawnia całego mechanizmu. Ich sens nie polega tylko na przypisaniu do strategii, lecz na tym, że każda praktyka inaczej rozwiązuje napięcie między pokazaniem, ukryciem, dokumentacją, lokalnością i odpowiedzialnością. Mapa praktyk powinna być czytana jak narzędzie orientacji, a nie jak kanon. Jej subiektywny charakter nie jest wadą, jeśli zostaje jasno ujawniony. Autor wybiera przykłady dlatego, że pomagają zobaczyć określone decyzje strategiczne, ale nie rości sobie prawa do wyczerpania pola. Można wskazać inne przykłady, przesunąć akcenty, dopisać lokalne praktyki, uzupełnić perspektywy spoza dominujących archiwów. Mapa ma pozostać otwarta w sensie metodologicznym, choć sama książka musi zostać redakcyjnie domknięta. Działania pokrewne wobec Art after AI, After AI Art i post-AI art są w tej mapie traktowane jako pole diagnostyczne. Zylinska pozwala sprawdzać, jak myśleć o pętli między ludźmi, dyskursami, praktykami i technologiami AI/ML; ART AFTER AI i „EE #4” pokazują eksperymentalno- kuratorską próbę nazwania sztuki po AI; ArtReview zapisuje środowiskowy język artystów pracujących z protokołami, kontekstem i zmiennym medium; Novaković i Guga opisują wpływ generatywnej AI na artworld; Artlink pokazuje praktyczne pytania sektora sztuki o IP, pamięć, Oskar Chmioła © Sztuka po AI-2.0, 2026 87 fotografię, edukację i pisanie o sztuce. Żadne z tych źródeł nie jest prostym odpowiednikiem Sztuki po AI, ale każde pozwala sprawdzić, co w autorskiej macierzy strategii wymaga doprecyzowania. Przypisanie przykładu do strategii nie powinno zamykać jego sensu. Tino Sehgal może być ważny dla myślenia o obecności i ograniczeniu dokumentacji, ale nie oznacza to, że jego praktyka zostaje wyczerpana przez antygeneratywność. Forensic Architecture może być przykładem pracy z danymi i obrazem jako dochodzeniem, ale nie sprowadza się do postgeneratywności. Zach Blas może pomagać myśleć o odmowie rozpoznawalności, ale nie jest tylko ilustracją antyagentowości. Hito Steyerl może ujawniać politykę obiegu obrazów, ale jej prace nie są prostym przypisem do AI. Mapa jest narzędziem czytania decyzji, nie maszyną etykietowania artystów. Mapa praktyk nie jest rankingiem artystów ani katalogiem przykładów mających potwierdzić tezę po fakcie. Jej funkcja jest diagnostyczna. Pozwala zobaczyć, w jaki sposób konkretne dzieła, projekty, procedury, narzędzia i postawy układają się wobec strategii oporu: postgeneratywności, antygeneratywności, postagentowości, antyagentowości oraz Sztuki po AI jako strategii balansu. Mapa nie służy etykietowaniu raz na zawsze. Jedna praca może być postgeneratywna na poziomie produkcji obrazu, antygeneratywna na poziomie dokumentacji, postagentowa na poziomie interfejsu i antyagentowa na poziomie relacji z publicznością. Inna może być antygeneratywna jako odmowa danych, ale jednocześnie korzystać z narzędzi dostępnościowych wymagających automatycznego przetwarzania. Mapa ma ułatwiać czytanie takich napięć, a nie je wygładzać. Przykład artystyczny musi być odróżniony od przykładu narzędzia, procedury i instytucji. Modele językowe, generatory obrazów, systemy tekst-wideo albo chatboty nie są same przez się przykładami artystycznymi tylko stąd, że mogą wytwarzać treści. Mogą być narzędziami, materiałem, przedmiotem krytyki, infrastrukturą procesu albo elementem sytuacji. Przykładem artystycznym stają się dopiero wtedy, gdy są włączone w konkretną praktykę, decyzję, ramę, odpowiedzialność i obieg. Glaze i Nightshade są przykładami narzędzi ochronnych, a nie dzieł w sensie tej mapy. Forensic Architecture może funkcjonować jako przykład praktyki badawczo-artystycznej, w której dane, obraz i modelowanie służą rekonstrukcji odpowiedzialności, nie estetycznemu efektowi. Lauren Lee McCarthy może być przywoływana jako artystka badająca relacje, interfejsy, nadzór, opiekę i automatyzację codzienności. Tino Sehgal, Maria Hassabi albo Tehching Hsieh mogą pracować jako punkty odniesienia dla obecności, trwania i ograniczonej dokumentacji, choć nie muszą być przedstawiani jako artyści „o AI”. Takie rozróżnienie jest konieczne, aby mapa nie zamieniła się w listę nazwisk i technologii. Mapa praktyk powinna zachować rygor faktograficzny. Każdy przykład wymaga sprawdzenia: autora, tytułu, daty, medium, kontekstu, statusu wobec AI, sposobu dokumentacji i źródeł. Jeśli przykład jest niepewny, nie wolno dopisywać go tylko dlatego, że dobrze pasuje do argumentu. Jeśli dzieło nie używa AI, można je włączyć jako genealogię albo kontrapunkt, ale trzeba to jasno rozumieć. Jeśli narzędzie jest techniczne, nie należy udawać, że jest dziełem. Jeśli praktyka instytucjonalna dotyczy archiwum, dostępności albo polityki danych, trzeba odróżnić ją od twórczości artystycznej. Aneks 1 będzie miejscem pełnej tabeli przykładów, ale rozdział VI powinien już przygotować sposób czytania: przykład nie ma ozdabiać teorii, tylko sprawdzać jej użyteczność. Zasada mapy jest więc prosta, choć wymagająca: przykład powinien pokazywać decyzję. Nie wystarczy, że praca wygląda syntetycznie, używa technologii, odmawia dokumentacji albo dotyczy danych. Trzeba wskazać, gdzie znajduje się gest strategiczny. Czy artysta przechwytuje generatywność, aby ujawnić mechanizm? Czy odmawia generowania, aby chronić styl, archiwum albo ciało? Czy pracuje z agentem jako figurą proceduralną, nie przypisując mu fałszywej podmiotowości? Czy odmawia symulowanej relacji, bo ważniejsza jest obecność człowieka? Czy komponuje różne strategie, bo sytuacja wymaga zarówno dostępności, jak i ochrony danych? Tylko wtedy mapa praktyk staje się narzędziem myślenia, a nie spisem ilustracji. Oskar Chmioła © Sztuka po AI-2.0, 2026 88 6.6. Od praktyki do etyki Przejście do etyki jest konieczne, ponieważ strategie bez raportowania własnych warunków mogą bardzo łatwo stać się kolejną estetyką. Praca może wyglądać antygeneratywnie, ale korzystać z ukrytej ekstrakcji danych. Może deklarować relacyjność, ale traktować publiczność jako materiał. Może krytykować Big Tech, ale całkowicie zależeć od jego infrastruktury. Może mówić o prawie do nieobrazu, ale promować się dokumentacją osób, które nie miały realnej możliwości odmowy. Etyka nie jest więc dodatkiem po praktyce. Jest testem, czy praktyka rzeczywiście działa zgodnie z własnymi pojęciami. Przykłady prowadzą do etyki także dlatego, że podobna nazwa nie gwarantuje podobnej odpowiedzialności. Praktyka określona jako post-AI art może być krytyczna, afirmatywna, eksperymentalna, instytucjonalna, marketingowa albo spekulatywna. Projekt Art After AI może ujawniać nowe warunki pracy z modelem, ale może też wymagać ostrożności wobec statusu AI-born artists. Narzędzie ochronne może bronić artystów, ale nie zastąpi prawa, polityki instytucjonalnej ani protokołu zgody. Mapa praktyk musi więc prowadzić do raportu procesu: kto działał, na jakich danych, w jakiej skali, z jaką publicznością, przy jakiej jawności i z jaką możliwością odmowy. Rozdział VII podejmie ten problem na poziomie procesu. Po rozdziałach IV–VI wiadomo już, że odpowiedź na AI nie polega na jednym geście: ani na fascynacji narzędziem, ani na prostej odmowie. Polega na komponowaniu warunków działania. Etyka twórczości musi zatem zapytać o dane, narzędzia, środowisko, publiczność, pracę, dokumentację, zgodę, niewiedzę i decyzję po zakończeniu pracy. Dopiero wtedy Sztuka po AI może stać się czymś więcej niż nazwą strategii – może stać się praktyką odpowiedzialnego tworzenia w polu, które próbuje przewidywać za nas. Praktyka Sztuki po AI prowadzi nieuchronnie do etyki, ponieważ każda decyzja twórcza uruchamia warunki wykraczające poza finalny wynik. Manifest ustanawia język, prototyp sprawdza warunki, gest wprowadza ryzyko, performans angażuje ciało i publiczność, mapa praktyk porządkuje przykłady, ale dopiero etyka procesu pozwala zapytać, jakie koszty, dane, narzędzia, relacje i konsekwencje zostały w tej praktyce uruchomione. Stawką nie jest moralny dodatek po zakończeniu pracy. Etyka nie jest tu ostatnią rubryką projektu, lecz sposobem prowadzenia procesu od początku. Przejście od praktyki do etyki można opisać jako przejście od gestu do konsekwencji. Gest może być mocny, ale bez rozpoznania konsekwencji staje się łatwo estetycznym wydarzeniem. Odmowa generowania może wyglądać radykalnie, ale jeśli projekt bezrefleksyjnie wykorzystuje dane publiczności, odmowa jest częściowa. Praca krytyczna wobec Big Tech może brzmieć przekonująco, ale jeśli jej infrastruktura całkowicie zależy od zamkniętego API i nie ujawnia tej zależności, krytyka pozostaje niepełna. Manifest prawa do nieobrazu może być słuszny, ale jeśli instytucja automatycznie publikuje zdjęcia uczestników w mediach społecznościowych, manifest nie działa. W tym sensie Sztuka po AI potrzebuje raportów: nie po to, aby udowodnić niewinność, lecz aby ujawnić warunki, w których powstaje działanie. Etyka procesu zaczyna się tam, gdzie artysta albo instytucja rezygnuje z wygodnego oddzielenia treści od zaplecza. Dzieło nie mówi tylko tym, co przedstawia. Mówi także sposobem pozyskania materiałów, użyciem danych, relacją z publicznością, poziomem jawności, sposobem dokumentacji, wyborem narzędzi, skalą produkcji, dostępnością i decyzją „po” – tym, co stanie się z pracą, archiwum, zapisem, danymi i relacjami po zakończeniu wydarzenia. Z tego powodu następny rozdział rozwija etykę nie jako abstrakcyjną teorię dobra, lecz jako praktykę jawności, proporcji, troski i odpowiedzialnej niewiedzy. VII. Etyka twórczości w dobie ekokruchości Ekokruchość oznacza sytuację, w której twórczość nie może udawać, że środowisko, energia, woda, praca, dane, czas i relacje są neutralnym tłem działania. W epoce AI każdy proces twórczy ma Oskar Chmioła © Sztuka po AI-2.0, 2026 89 zaplecze: infrastrukturę obliczeń, modele własności, języki opisu, systemy widzialności, zasoby materialne i osoby, których praca często znika za interfejsem. Etyka po AI nie polega więc na obietnicy czystości ani na łatwym podziale na twórczość dobrą i złą. Polega na rozpoznaniu warunków, ograniczaniu szkody, ujawnianiu zakresu niewiedzy i projektowaniu takich praktyk, które nie przerzucają konsekwencji na niewidzialne zaplecze. W tym rozdziale odpowiedzialność zostaje przesunięta z poziomu samej deklaracji na poziom procesu. Nie wystarczy powiedzieć, że dzieło krytykuje AI, jeśli jego produkcja, dokumentacja albo promocja bezrefleksyjnie korzysta z tych samych mechanizmów ekstrakcji, przyspieszenia i niewidzialnej pracy, które krytykuje. Nie wystarczy także ogłosić odmowy AI, jeśli projekt nadal działa według logiki profilu, zasięgu, indeksowalności i raportowalnego wyniku. Etyka twórczości w dobie ekokruchości musi pytać o dane, energię, wodę, sprzęt, pracę, zgodę, publiczność, dokumentację, archiwum, skalę użycia narzędzi i decyzję „po” – o to, co stanie się z dziełem, śladem, opisem, zapisem i relacjami po zakończeniu pracy. 7.1. Od infrastruktury przemocy do odpowiedzialności twórczej Odpowiedzialność twórcza po AI nie oznacza absolutnej niewinności. Taka niewinność byłaby fałszywa w świecie, w którym narzędzia, platformy, archiwa, modele, urządzenia, instytucje i języki obiegu są ze sobą gęsto powiązane. Odpowiedzialność oznacza raczej rozpoznanie warunków, minimalizację szkody, jawność decyzji i proporcjonalność użycia. Po rozdziałach o infrastrukturze przemocy wiadomo już, że każde użycie AI dotyka co najmniej kilku warstw: danych, własności platformowej, obliczeń, pracy ludzkiej, środowiska, prawa, języka i automatyzacji decyzji kulturowych. Pierwszy obszar odpowiedzialności stanowią dane. Artysta, kurator, pedagog albo instytucja powinien pytać, jakie materiały trafiają do narzędzia: cudza twórczość, dokumentacja publiczności, archiwum instytucji, wizerunek, głos, prywatne notatki, dane osób uczestniczących, fragmenty procesu badawczego albo teksty, które nie powinny opuszczać określonego kontekstu. Dostępność materiału nie jest tym samym co zgoda na jego przetwarzanie. Szczególnie dotyczy to dokumentacji performansu, działań wspólnotowych, prac z osobami wrażliwymi, archiwów lokalnych i materiałów, które powstały jako ślad relacji, a nie jako surowiec treningowy. Drugi obszar odpowiedzialności stanowią narzędzia. Trzeba wiedzieć, czy model jest zamknięty, jakie ma warunki użytkowania, czy zapisuje treści, czy pozwala zrezygnować z trenowania na danych użytkownika, czy działa przez API zależne od jednej firmy, czy pozwala usunąć dane, czy tworzy logi i czy przenosi materiały poza kontrolę instytucji. Nie zawsze da się uzyskać pełną wiedzę. Właśnie wtedy pojawia się zasada odpowiedzialnego „nie wiem”: nie wiem nie jako wygodny unik, lecz jako element raportu, który mówi, gdzie kończy się wiedza autora i jakie ograniczenia z tego wynikają. Trzeci obszar odpowiedzialności stanowią koszty materialne. Trening modeli, inferencja, utrzymanie centrów danych, chłodzenie, energia, woda, produkcja układów scalonych, logistyka sprzętu i odpady elektroniczne nie są dekoracyjnym tłem debaty o AI. Są warunkami jej działania. Modele językowe i generatory obrazów są tylko widocznym czubkiem szerszego systemu predykcji. Za płynną odpowiedzią znajduje się infrastruktura, która zajmuje miejsce, zużywa zasoby, opiera się na pracy ludzi i należy do określonych podmiotów gospodarczych. Etyka twórcza nie musi znać każdego szczegółu półprzewodników, ale nie może mówić o AI tak, jakby działała bez miejsca, kosztu i zaplecza. Czwarty obszar odpowiedzialności to praca. Automatyzacja rzadko usuwa pracę całkowicie. Częściej przesuwa ją poza widoczny kadr. Dane są czyszczone, klasyfikowane, etykietowane i moderowane. Odpowiedzi są oceniane przez ludzi. Toksyczne treści bywają filtrowane przez osoby wykonujące psychiczną pracę kontaktu z przemocą, pornografią, nienawiścią albo obrazami krzywdy. W globalnym zapleczu AI pojawiają się nierówności płacowe, asymetrie językowe, praca tania, praca Oskar Chmioła © Sztuka po AI-2.0, 2026 90 niewidzialna i praca wykonywana w miejscach, które nie korzystają proporcjonalnie z prestiżu technologicznego centrum. Sztuka po AI nie może więc mówić o kreatywności modelu bez pytania o ludzi, których praca sprawia, że interfejs wydaje się samoczynny. Piąty obszar odpowiedzialności to publiczność. W polu predykcyjnym publiczność łatwo zostaje przepisana na profil: reakcję, czas oglądania, komentarz, kliknięcie, segment, grupę docelową, dane ankietowe albo przewidywaną ścieżkę uwagi. Etyka twórczości po AI wymaga rozróżnienia między publicznością jako wspólnotą doświadczenia a publicznością jako źródłem danych. Dokumentacja wydarzenia, transmisja, zapis warsztatów, monitoring frekwencji, ankiety, formularze zgody i materiały promocyjne muszą być projektowane tak, aby nie przenosiły relacji w niekontrolowaną ekstrakcję. Odpowiedzialność po AI ma charakter zakresowy. Nie wymaga wszechwiedzy, ale wymaga uczciwego określenia skali. Można ograniczyć liczbę generowań, pracować lokalnie, wybrać narzędzie mniej ekstrakcyjne, nie przekazywać wrażliwych materiałów do zewnętrznych modeli, opisać użycie AI w raporcie procesu, opóźnić publikację dokumentacji, nie indeksować wszystkiego, stworzyć wersję tekstu dla ludzi bez oddawania całego archiwum modelom, a czasem po prostu zrezygnować z automatyzacji. Tak rozumiana etyka nie jest moralnym ornamentem. Jest częścią projektu twórczego. Odpowiedzialność twórcza po AI zaczyna się zatem przed publikacją wyniku. Zaczyna się przy decyzji, czy w ogóle użyć modelu, jakie dane wolno wprowadzić, jaką skalę generowania uznać za proporcjonalną, jak opisać proces, komu pokazać materiał roboczy i co stanie się ze śladami po zakończeniu pracy. Nie można przenieść tej odpowiedzialności na interfejs, firmę technologiczną ani abstrakcyjny „system”, ponieważ to człowiek, zespół albo instytucja decydują o celu, ryzyku, publiczności i granicach delegowania. Etyczna praktyka po AI wymaga więc trzech momentów decyzji: przed procesem, gdy ustala się warunki; w trakcie procesu, gdy kontroluje się błędy i ogranicza nadmiar; oraz po procesie, gdy rozstrzyga się los dokumentacji, danych, opisów i relacji. 7.2. Wiedza sytuowana przeciw uśrednieniu modelu Wiedza sytuowana nie jest prywatną opinią ani pozwoleniem na dowolność. Jest rygorem odpowiedzialności za miejsce, język, pozycję, zakres i ograniczenia poznania. Donna Haraway przeciwstawiała ją fikcji widzenia znikąd – perspektywie, która udaje neutralność, a w rzeczywistości ukrywa własne warunki. W epoce AI fikcja widzenia znikąd powraca jako głos modelu: płynny, uporządkowany, często bezosobowy, sprawiający wrażenie wiedzy ogólnej, nawet wtedy, gdy jest tylko statystycznie prawdopodobną syntezą. Wiedza sytuowana jest jednym z najważniejszych narzędzi obrony przed uśrednieniem modelowym. Model może wygładzić lokalny konflikt, uprościć historię, ujednolicić idiom, zamienić niewiedzę w prawdopodobny opis, skleić pojęcia z różnych porządków albo usunąć ślady niepewności. Wiedza sytuowana wprowadza opór: mówi, kto mówi, skąd mówi, czego nie wie, jakie źródła ma pod ręką, jakie relacje go ograniczają i jaki fragment świata bierze na siebie. Nie jest przeciwieństwem wiedzy naukowej. Jest warunkiem jej uczciwości w sytuacji, w której neutralny głos może być efektem modelowej gładkości. Dla Sztuki po AI ta perspektywa oznacza, że proces twórczy powinien ujawniać własne miejsce. Nie każdy projekt musi tworzyć rozbudowany raport, ale każdy powinien wiedzieć, co oddaje do narzędzia, co zatrzymuje w relacji, co komunikuje publiczności, czego nie wie i czego nie potrafi obliczyć. W praktyce może to oznaczać prostą notę o użyciu narzędzi, opis granic dokumentacji, wskazanie, że część procesu nie została zarejestrowana z powodów etycznych, albo wyraźne odróżnienie obrazu syntetycznego od dokumentu. Jawność nie oznacza pełnej ekspozycji wszystkiego. Oznacza odpowiedzialne określenie progu widzialności. Oskar Chmioła © Sztuka po AI-2.0, 2026 91 Rosi Braidotti pomaga tu myśleć o odpowiedzialności posthumanistycznej bez rozpuszczania człowieka w maszynie. Twórczość po AI rzeczywiście jest rozproszona: obejmuje ludzi, dane, środowiska, urządzenia, modele, instytucje, platformy i ciała. Z tego nie wynika jednak, że odpowiedzialność znika. Przeciwnie – im bardziej rozproszone działanie, tym pilniej trzeba określić, kto decyduje, kto podpisuje, kto ujawnia proces, kto chroni dane, kto ocenia błąd, kto rozmawia z publicznością i kto bierze odpowiedzialność za finalny sens. Wiedza sytuowana wymaga zgody na niewiedzę. W kulturze generatywnych odpowiedzi niewiedza bywa traktowana jak usterka: model ma dopowiedzieć, uzupełnić, oszacować, wypełnić lukę i nadać jej płynną formę. Tymczasem w procesie etycznym zdanie „nie wiem” może być bardziej odpowiedzialne niż przekonujące dopowiedzenie. Nie wiemy dokładnie, jaki był pełny ślad energetyczny danej serii użyć. Nie wiemy, czy konkretne dzieło znalazło się w zbiorze treningowym. Nie wiemy, jakie klasyfikacje zadziałały w zamkniętym modelu. Nie wiemy, jak wiele pracy moderacyjnej ukryto za pozornie prostą odpowiedzią. Etyka nie usuwa tej niewiedzy. Uczy, jak ją raportować i ograniczać jej skutki. W tym punkcie Haraway spotyka się z Barad i Zylinską. Haraway przypomina, że wiedza ma miejsce, ciało i odpowiedzialność; Barad pozwala zobaczyć, że aparat poznania nie tylko obserwuje zjawisko, lecz współtworzy warunki jego wyłonienia; Zylinska, pisząc o pętli AI, pokazuje splątanie ludzi, dyskursów, praktyk i systemów technicznych. Sztuka po AI przyjmuje to sąsiedztwo, ale przesuwa je w stronę praktycznych protokołów decyzji. Model może syntetyzować wzorce i uśredniać głosy, lecz nie posiada własnej sytuowanej odpowiedzialności. Dlatego autor, kurator albo instytucja nie powinni chować się za bezosobową płynnością odpowiedzi. Muszą nazwać pozycję, zakres wiedzy, użyte narzędzia, granice niewiedzy i konsekwencje dla tych, których dane, wizerunki, głosy albo historie wchodzą do procesu. 7.3. Twórczość poza produktem Twórczość poza produktem nie oznacza lekceważenia dzieła. Oznacza odmowę redukcji twórczości do obiektu, pliku, wyniku, metryki albo platformowej widzialności. W epoce AI presja produktu rośnie, ponieważ systemy generatywne szczególnie dobrze obsługują wynik: obraz, tekst, opis, film, wariant, streszczenie, listę pomysłów, symulację. Wszystko to może być użyteczne, ale potrafi przesunąć uwagę z procesu na finalną powierzchnię. Tymczasem wiele najważniejszych decyzji dzieła po AI rozgrywa się wcześniej: w doborze materiału, narzędzi, danych, rytmu pracy, sposobu dokumentacji, relacji z publicznością i granic widzialności. Proces nie jest romantyczną resztką warsztatu. Jest miejscem odpowiedzialności. Jeśli praca powstała z wykorzystaniem modelu, proces powinien odpowiedzieć na pytania: gdzie model wszedł w działanie, co zostało wygenerowane, co zostało odrzucone, kto sprawdził fakty, jakie dane zostały użyte, co zostało ujawnione publiczności, czy syntetyczny obraz nie udaje dokumentu, czy wygenerowany tekst nie zastępuje doświadczenia i czy automatyzacja nie przejęła decyzji, która powinna pozostać ludzka. Jeśli praca odmawia użycia modelu, proces również wymaga opisu: czego odmówiono, dlaczego i jakie inne koszty pozostają w działaniu. Twórczość poza produktem obejmuje także relację. Dzieło może być formalnie mocne, a zarazem problematyczne w sposobie obchodzenia się z publicznością, danymi albo dokumentacją. Może też być skromne formalnie, ale istotne jako sytuacja troski, obecności i odpowiedzialnego ograniczenia. Wartość nie znika z formy, lecz forma przestaje być samotna. Obok niej pojawia się czas pracy, czas uczestnictwa, sposób rozmowy, możliwość odmowy, dokumentacja, archiwum i decyzja po zakończeniu. Krytyka metryki jest tu konieczna. Platformowa widzialność uczy, że wartość wiąże się z reakcją, zasięgiem, liczbą odsłon, tempem komentarza i łatwością udostępnienia. Sztuka po AI nie może jednak całkowicie odrzucić komunikacji, ponieważ wtedy zbyt łatwo zamieniłaby się w elitarne Oskar Chmioła © Sztuka po AI-2.0, 2026 92 wycofanie. Musi raczej projektować komunikację proporcjonalną: taką, która pozwala dotrzeć do ludzi, ale nie redukuje pracy do profilu; taką, która zwiększa dostępność, ale nie automatyzuje całej relacji; taką, która dokumentuje, ale nie oddaje wszystkiego w ekstrakcyjny obieg. W tym sensie dziełem po AI może być także protokół, sytuacja, procedura, gest, relacja albo sposób organizowania warunków, a nie tylko output. W rozmowach o post-AI art powraca intuicja, że praktyka nie musi kończyć się pojedynczym obrazem lub plikiem, lecz może obejmować kontekst, okno pracy, iterację, odmowę i sposób ustanawiania reguł. Dla Sztuki po AI najważniejsze nie jest jednak samo rozszerzenie formatu, lecz odpowiedzialność procesu: jakie ograniczenia przyjęto, czego nie wygenerowano, które dane wyłączono, jak potraktowano publiczność i co zostało zachowane poza pełną indeksowalnością. Wartość pracy może więc leżeć w tym, że nie produkuje maksymalnie dużo, lecz ustanawia warunki, w których sens nie zostaje całkowicie podporządkowany logice wyniku. 7.4. Kultura troski i ekonomia czasu Kultura troski nie jest miękkim dodatkiem do etyki technologii. W dobie AI staje się jedną z najważniejszych form oporu wobec logiki natychmiastowej odpowiedzi, automatycznego generowania i ciągłej widzialności. Troska oznacza czas potrzebny na sprawdzenie, rozmowę, zgodę, odpoczynek, korektę, decyzję, odmowę, opisanie granic i powrót do relacji po wydarzeniu. Nie jest przeciwieństwem profesjonalności. Jest jej warunkiem tam, gdzie praca dotyczy ludzi, danych, ciała, pamięci i środowiska. Ekonomia czasu w polu sztuki została głęboko zaburzona przez logikę projektu, zasięgu i platformy. Twórca ma szybko odpowiadać, szybko publikować, szybko aktualizować portfolio, szybko dokumentować, szybko komentować i szybko produkować kolejne warianty. AI często obiecuje ulgę w tym przeciążeniu, ale jednocześnie może je wzmocnić: skoro można szybciej, można więcej; skoro można wygenerować warianty, można oczekiwać większej liczby wariantów; skoro można zautomatyzować opis, można żądać jeszcze większej komunikacyjnej obecności. W ten sposób narzędzie, które miało oszczędzać czas, może stać się sposobem zwiększania tempa pracy. Dlatego w tej książce „Ogród czasu sztuki” zastępuje wcześniejsze, bardziej techniczne wyobrażenie placu albo rynku czasu. Ogród nie jest prostą walutą i nie powinien stać się nowym systemem mierzenia człowieka. Oznacza eksperyment myślowy: co by się stało, gdyby wartością kultury był nie tylko obiekt, plik, wynik, aukcja, metryka albo zasięg, lecz także czas, który sztuka otwiera, chroni, wymaga i oddaje wspólnocie. Ogród czasu sztuki pozwala myśleć o kulturze poza logiką samej produkcji dzieł i poza logiką platformowej widzialności. Czas może przyjąć wiele form. Jest czas ekspozycji dzieła, który nie musi być podporządkowany natychmiastowej reakcji. Jest czas antenowy dla twórcy, który pozwala mówić dłużej niż komunikat promocyjny. Jest czas wolny dla artysty, bez którego nie ma badań, prób, błędów i regeneracji. Jest czas wspólny dla środowiska, potrzebny na rozmowę, spór i opiekę nad relacjami. Jest czas pracy twórczej, którego nie wolno mylić z czasem generowania wyniku. Jest czas troski, czas rezydencji, czas badań, czas widzialności, czas opóźnienia i czas decyzji po zakończeniu wydarzenia. Ogród czasu sztuki nie może jednak stać się nową utopią ani kolejną biurokracją. Czas również można mierzyć, zawłaszczać i nierówno rozdzielać. Można romantyzować wolny czas, nie widząc, że nie wszyscy mają do niego dostęp. Można zamienić opóźnienie w przywilej instytucji silnych, a troskę w słowo promocyjne. Można stworzyć system, który zamiast uwalniać artystów od metryk, zacznie mierzyć ich uważność, wspólnotowość i regenerację. Dlatego Ogród czasu sztuki musi pozostać propozycją krytyczną, a nie schematem administracyjnym. Ma otwierać pytania o wartość, nie zastępować jednego rynku drugim. Czas jest tu kategorią etyczną, a nie wyłącznie organizacyjną. AI może przyspieszyć opis, selekcję, korektę, streszczenie i produkcję wariantów, ale nie każda sytuacja artystyczna powinna zostać Oskar Chmioła © Sztuka po AI-2.0, 2026 93 przyspieszona. Są procesy, których wartość zależy od rozmowy, milczenia, opóźnienia decyzji, wspólnego patrzenia, korekty po spotkaniu, odpoczynku albo prawa do nierozstrzygnięcia. W kulturze troski odmowa natychmiastowego streszczenia może być formą ochrony doświadczenia; brak pełnej dokumentacji może chronić relację; wolniejsza odpowiedź może być bardziej odpowiedzialna niż odpowiedź gładka i szybka. Ekonomia czasu sztuki powinna więc bronić czasu relacji przed logiką natychmiastowej reakcji. 7.5. Raport środowiskowy rozprawy – zakres, metoda, ograniczenia Raport środowiskowy rozprawy powinien być rozumiany jako ćwiczenie z odpowiedzialnego raportowania, a nie jako pełna kalkulacja śladu ekologicznego. Autor może wskazać, że w procesie pracy korzystał z narzędzi cyfrowych, modeli językowych, wyszukiwania, edycji plików, renderowania dokumentów, przechowywania danych i energii potrzebnej do codziennej pracy. Nie może jednak uczciwie udawać, że zna pełną infrastrukturę każdego zapytania, każdy koszt po stronie dostawcy, pełny ślad wodny i energetyczny wszystkich operacji albo dokładny udział danych treningowych w powstaniu odpowiedzi. Metoda raportowania powinna więc opierać się na trzech rozróżnieniach. Po pierwsze: trening i inferencja. Trening oznacza budowę i dostrajanie modelu, inferencja – jego późniejsze użycie w odpowiedzi na zapytania. Po drugie: koszt jednostkowej operacji i koszt infrastruktury systemowej. Pojedyncze zapytanie może wydawać się niewielkie, ale masowe użycie wymaga centrów danych, chłodzenia, sprzętu, sieci i pracy utrzymaniowej. Po trzecie: dane publicznie dostępne i dane rzeczywiście znane autorowi. Odpowiedzialność nie polega na wymyślaniu liczb, lecz na wyraźnym odróżnieniu tego, co wiadomo, od tego, czego nie da się ustalić. Zasada odpowiedzialnego „nie wiem” jest tu kluczowa. Jeśli autor nie zna pełnego kosztu środowiskowego procesu, powinien to napisać, zamiast tworzyć fałszywie precyzyjne wyliczenie. Jeśli może podać ogólne dane dotyczące centrów danych, raportów branżowych albo badań nad śladem energetycznym i wodnym AI, powinien robić to ostrożnie i ze świadomością, że różne modele, regiony, typy zapytań i sposoby chłodzenia mają różne koszty. Jeśli nie ma dostępu do danych dostawcy, powinien potraktować brak przejrzystości jako część problemu, nie jako lukę do wypełnienia retoryką. Raport środowiskowy w tej książce nie ma służyć moralnej autoprezentacji. Ma pokazać, że krytyka AI wymaga również spojrzenia na własny proces. Nawet jeśli pełne obliczenie jest niemożliwe, można ograniczać liczbę iteracji, nie generować nadmiaru wariantów, nie renderować niepotrzebnych wersji, nie przesyłać wrażliwych materiałów do zewnętrznych narzędzi, korzystać z narzędzi proporcjonalnie do celu, dokumentować decyzje i nie ukrywać, gdzie AI wspierała pracę. Taka postawa nie rozwiązuje problemu infrastruktury, ale przestaje go wypierać. Trzeba też rozróżnić osobisty raport procesu od pełnej oceny cyklu życia infrastruktury. Autor, artysta albo instytucja mogą uczciwie opisać skalę użycia AI, typ narzędzi, rodzaj operacji, liczbę iteracji, ograniczenia danych i decyzje redukujące nadmiar. Nie mogą jednak udawać pełnej wiedzy o całym łańcuchu energetycznym, wodnym, sprzętowym, logistycznym i właścicielskim, jeśli dostawcy modeli nie ujawniają tych informacji. Zbyt precyzyjne wyliczenie kosztu pojedynczego promptu może być równie mylące jak całkowite milczenie o środowisku. Raport środowiskowy powinien więc łączyć dwie postawy: nie przesadzać retorycznie i nie udawać pewności, ale realnie nazwać skalę, rodzaj użycia oraz miejsca, w których niewiedza sama staje się problemem odpowiedzialności. 7.6. Raport etyczny procesu twórczego Raport etyczny procesu twórczego dotyczy granic delegowania. W książce pisanej po AI nie wystarczy powiedzieć, że AI była używana albo nie była używana. Trzeba wskazać, w jakich Oskar Chmioła © Sztuka po AI-2.0, 2026 94 miejscach narzędzie wspierało proces, czy pomagało porządkować argumenty, redagować warianty, sprawdzać spójność, wyszukiwać napięcia, przygotowywać strukturę albo testować język. Trzeba też wskazać, czego narzędzie nie robiło: nie było autorem, nie przejęło odpowiedzialności za tezy, nie zastąpiło decyzji o selekcji przykładów, nie zwolniło autora z fakt-checku i nie zamknęło sporu o sens. Raport etyczny powinien odróżniać pomoc od delegowania. Pomoc polega na tym, że narzędzie rozszerza zakres pracy, ale decyzja pozostaje po stronie autora. Delegowanie problematyczne zaczyna się tam, gdzie system rozstrzyga, co jest prawdą, co jest dobrą interpretacją, co jest właściwym stylem, co warto pominąć albo jaką odpowiedzialność można zignorować. W pracy twórczej granica ta nie zawsze jest oczywista, dlatego raport nie powinien udawać prostoty. Powinien opisywać napięcia, ograniczenia i procedury kontroli. Raport etyczny procesu obejmuje także publiczność. Czy czytelnik wie, w jakim zakresie narzędzia były używane? Czy może odróżnić autorską tezę od syntetycznej pomocy redakcyjnej? Czy tekst nie używa AI do produkowania pozoru autorytetu? Czy cytaty, fakty, daty i przykłady zostały sprawdzone? Czy w miejscach niepewnych język pozostaje ostrożny? Czy autor nie ukrywa niewiedzy za płynnością stylu? Te pytania są równie ważne jak pytanie o samą technologię. Etyka procesu kończy się decyzją „po”. Co stanie się z plikami roboczymi, rozmowami z modelem, notatkami, materiałami źródłowymi, dokumentacją i wersjami po zakończeniu pracy? Czy zostaną usunięte, zachowane, udostępnione, zanonimizowane, zarchiwizowane, czy może powinny pozostać prywatne? Sztuka po AI wymaga takiej decyzji, ponieważ proces twórczy coraz częściej produkuje nie tylko dzieło, lecz także ogromne zaplecze danych o własnym powstawaniu. Po takim ujęciu etyka prowadzi naturalnie do instytucji i edukacji. Odpowiedzialność pojedynczego autora jest konieczna, ale niewystarczająca. Jeżeli pole sztuki z AI organizują platformy, archiwa, szkoły, galerie, muzea, granty, dokumentacja i publiczność, to także instytucje muszą nauczyć się projektować granice automatyzacji. Minimalny raport etyczny powinien obejmować nie tylko deklarację „użyto AI” albo „nie użyto AI”, lecz cały układ decyzji. Należy zapytać: na jakim etapie użyto narzędzia, do czego dokładnie, jakie dane lub materiały zostały wprowadzone, czy dotyczyły osób trzecich, publiczności, dokumentacji albo archiwum, co zostało wygenerowane, co pozostało decyzją autora, co odrzucono, gdzie zachowano prawo do nieobrazu, gdzie ograniczono dokumentację, kto ponosi odpowiedzialność za wynik i jaka decyzja została podjęta po procesie. Taki raport nie jest autopromocją ani biurokratycznym załącznikiem. Jest narzędziem zachowania odpowiedzialności tam, gdzie proces mógłby zostać ukryty za płynnym wynikiem. VIII. Instytucje, edukacja i automatyzacja świadomości Instytucje kultury i edukacja artystyczna nie mogą traktować AI jako dodatku technicznego. AI zmienia warunki pytania, uczenia, oceniania, dokumentowania, archiwizowania, opisywania i udostępniania sztuki. Jeśli rozdziały wcześniejsze pokazały infrastrukturę, strategie i etykę procesu, to teraz trzeba zapytać, jak te rozpoznania przekładają się na szkołę, galerię, muzeum, archiwum, krytykę, kuratorstwo i polityki instytucjonalne. Automatyzacja świadomości oznacza sytuację, w której systemy predykcyjne nie tylko pomagają tworzyć odpowiedzi, lecz zaczynają organizować samo oczekiwanie wobec odpowiedzi. Uczą tempa, tonu, długości, jasności, profesjonalności i pozornej kompletności. W sztuce jest to szczególnie niebezpieczne, ponieważ proces twórczy często potrzebuje niejasności, oporu, niepewności, błędu, długiego pytania i konfliktu interpretacyjnego. Edukacja i instytucje muszą więc uczyć nie tylko obsługi narzędzi, ale także odporności na modelową gładkość. Oskar Chmioła © Sztuka po AI-2.0, 2026 95 8.1. Edukacja artystyczna wobec AI: gest, proces, odpowiedzialność Edukacja artystyczna wobec AI nie powinna zaczynać się od prostego regulaminu: wolno albo nie wolno używać narzędzi. Taki regulamin może być potrzebny, ale nie wystarczy. Kluczowe jest pytanie o proces. Student, uczeń, uczestnik warsztatu albo młody artysta powinien umieć opisać, gdzie narzędzie weszło w pracę, co zmieniło, co ułatwiło, co uśredniło, co ukryło, jakie dane otrzymało, jakie decyzje zostały zachowane, a jakie delegowane. Edukacja po AI musi uczyć pytań przed użyciem, nie tylko techniki użycia. Najważniejszą jednostką edukacyjną nie jest prompt, lecz decyzja. Prompt może być narzędziem, ale decyzja dotyczy celu, skali, danych, zgody, materiału, relacji i odpowiedzialności. W praktyce dydaktycznej warto więc pytać: dlaczego chcesz użyć modelu, czego oczekujesz od wyniku, co zrobisz z błędem, jak sprawdzisz źródła, co zachowasz jako własny proces, co pokażesz publiczności, czego nie wolno przesłać, co powinno pozostać poza narzędziem, kiedy lepiej wybrać rozmowę, szkic, próbę manualną, warsztat albo pracę z ciałem. AI może wspierać dostępność edukacji: pomagać w redakcji języka, tłumaczeniu, transkrypcji, tworzeniu wersji uproszczonych, organizacji materiału i przełamywaniu lęku przed pierwszym szkicem. Nie wolno jednak pozwolić, aby wsparcie dostępności stało się argumentem za automatyzacją wszystkiego. Dostępność wymaga proporcjonalności. Narzędzie może pomóc osobie wejść w proces, ale nie powinno odebrać jej relacji z nauczycielem, materiałem, własnym błędem i własną decyzją. Edukacja artystyczna powinna rozwijać także prawo do opóźnienia. Nie każda odpowiedź musi pojawić się natychmiast. Nie każdy projekt musi zostać od razu opisany językiem profesjonalnego portfolio. Nie każdy błąd trzeba wygładzić. Nie każdą lukę trzeba wypełnić. W warunkach AI jednym z najważniejszych ćwiczeń może być umiejętność pozostania przy niedokończonym pytaniu bez natychmiastowego generowania odpowiedzi. To ćwiczenie uwagi, a nie opóźnienie rozwoju. Dlatego program edukacji po AI powinien obejmować nie tylko ćwiczenia z promptowania, lecz także rozpoznawanie danych i źródeł, odróżnianie modelu, platformy, narzędzia, agenta i infrastruktury, raportowanie procesu, pracę z ograniczeniem, krytykę outputu, etykę dokumentacji, świadomość środowiskową oraz decyzję „po”. W duchu Freirego, hooks i Giroux edukacja nie powinna adaptować studentów do rynku narzędzi, lecz uczyć sprawczości wobec narzędzi. Student ma umieć użyć modelu, kiedy jest to uzasadnione, ale ma też umieć odmówić, opóźnić, sprawdzić, wrócić do źródła, ochronić cudzy ślad i nazwać granice własnej pracy. 8.2. Estetyka bez autora i pedagogika wycofana Estetyka bez autora pojawia się wtedy, gdy wynik wygląda profesjonalnie, ale nie prowadzi do czytelnego procesu decyzji. Tekst jest płynny, obraz efektowny, opis przekonujący, ale nie wiadomo, kto za co odpowiada, jakie źródła zostały użyte, co zostało sprawdzone, co odrzucone i dlaczego praca przyjęła właśnie taką formę. W edukacji artystycznej taki wynik jest problemem nie dlatego, że użyto narzędzia, lecz dlatego, że narzędzie zasłoniło proces uczenia się. Pedagogika wycofana oznacza sytuację, w której nauczyciel, instytucja albo system dydaktyczny oddaje relację edukacyjną automatycznemu feedbackowi, detektorom, generatorom ocen, skrótom albo gotowym komentarzom. Automatyczny komentarz może pomóc uporządkować pracę, ale nie zastąpi rozmowy o tym, skąd wziął się wybór, co student chciał zaryzykować, gdzie pojawił się błąd, jak działa materiał i co w procesie wymaga opieki. Tam, gdzie potrzebna jest relacja pedagogiczna, automatyczna odpowiedź może stać się jej imitacją. To nie znaczy, że szkoła powinna odrzucić narzędzia. Oznacza, że musi rozdzielić ich funkcje. AI może pomagać w organizacji materiału, wersjonowaniu tekstu, tłumaczeniu, sprawdzaniu czytelności, przygotowaniu alternatywnych opisów albo symulowaniu pytań krytycznych. Nie Oskar Chmioła © Sztuka po AI-2.0, 2026 96 powinna jednak zastępować oceny procesu, rozmowy o odpowiedzialności, pracy z ciałem, wspólnego oglądu dzieła, korekty warsztatowej i momentu, w którym nauczyciel bierze odpowiedzialność za odpowiedź udzieloną drugiemu człowiekowi. Jacques Rancière przypomina, że emancypacja w edukacji nie polega na prostym przekazywaniu wyższej wiedzy niższemu odbiorcy, lecz na uznaniu zdolności ucznia do myślenia. Paulo Freire i bell hooks pozwalają z kolei widzieć edukację jako praktykę wolności, dialogu i krytycznej świadomości. W kontekście AI te perspektywy nabierają nowej ostrości: edukacja nie może produkować użytkowników posłusznych interfejsowi. Musi kształcić osoby zdolne pytać, odmawiać, sprawdzać, ujawniać granice i projektować własne warunki pracy. Ryzyko polega więc na potrójnym przesunięciu. Student może nauczyć się uzyskiwać efekt, ale nie rozumieć procesu; nauczyciel może delegować feedback, ale stracić relację pedagogiczną; instytucja może oceniać produkt, ale pominąć decyzję, która do niego doprowadziła. Estetyka bez autora nie jest tylko problemem podpisu pod pracą. Jest problemem uczenia się bez śladu odpowiedzialności. Jeżeli szkoła uzna gładki wynik za wystarczający dowód kompetencji, zacznie produkować osoby sprawne w obsłudze odpowiedzi, ale słabe w rozpoznawaniu źródeł, ograniczeń, błędów, kosztów i skutków własnych wyborów. 8.3. Automatyzacja krytyki i wiedzy Automatyzacja krytyki jest jednym z najsubtelniejszych ryzyk sztuki po AI. Model może streścić wystawę, napisać recenzję, wskazać konteksty teoretyczne, porównać twórców, opisać praktykę i wygenerować elegancki tekst kuratorski. Samo użycie takich narzędzi nie musi być błędem. Błędem staje się wtedy, gdy płynna synteza zastępuje spotkanie z dziełem, źródłem, przestrzenią, publicznością, artystą i dokumentacją. Krytyka nie jest tylko produkcją interpretacji. Jest odpowiedzialnym wejściem w relację z pracą. Krytyka automatyczna ma skłonność do wygładzania sporu. Jeśli system nie ma dostępu do lokalnej historii, konfliktu instytucjonalnego, tonu wypowiedzi, doświadczenia obecności albo materialności pracy, może wytworzyć interpretację prawdopodobną, lecz płytką. Jej niebezpieczeństwo polega na tym, że brzmi dobrze. W świecie przeładowanym treściami dobra składnia i szeroki kontekst mogą udawać myślenie. Tymczasem krytyka powinna umieć ryzykować osąd, ujawniać własne miejsce, rozróżniać fakt od interpretacji i przyznawać, że nie wszystko zostało zobaczone. Automatyzacja wiedzy dotyczy również instytucji. Muzeum może generować opisy kolekcji, archiwum może automatycznie tagować zdjęcia, uczelnia może streszczać prace, portal kultury może publikować syntetyczne noty. W wielu sytuacjach będzie to użyteczne. Problem pojawia się wtedy, gdy automatyczna wersja zaczyna być traktowana jako wersja podstawowa, a praca kuratorska, redaktorska i archiwalna zostaje przesunięta na późniejsze poprawianie błędów. Wiedza instytucjonalna wymaga źródeł, odpowiedzialności i prawa do korekty, nie tylko sprawnego generowania. Sztuka po AI proponuje tu zasadę powolnej krytyki. Oznacza ona prawo do czasu, źródeł, rozmowy, wątpliwości i obecności. Krytyk może korzystać z narzędzi, ale nie powinien pozwolić, by narzędzie decydowało, co jest najważniejsze. Kurator może użyć modelu do porządkowania materiału, ale nie powinien oddać mu decyzji o sensie wystawy. Instytucja może automatyzować część opisów, ale powinna mieć protokół ludzkiej odpowiedzialności, korekty i odmowy. Właśnie tutaj najpełniej ujawnia się automatyzacja świadomości. Nie polega ona wyłącznie na tym, że model może napisać tekst o wystawie. Zaczyna się wcześniej – wtedy, gdy przejmuje pytania, kategorie, porównania, streszczenia i język oceny. Jeżeli krytyk najpierw prosi system o ramę interpretacyjną, a dopiero potem patrzy na dzieło, model może ustawić pole widzenia jeszcze przed doświadczeniem. Dlatego użyteczne narzędzia streszczania, katalogowania i porządkowania muszą pozostać pomocnicze. Krytyka po AI powinna bronić spotkania z pracą, miejscem, artystą, Oskar Chmioła © Sztuka po AI-2.0, 2026 97 dokumentacją i publicznością, a także prawa do interpretacji, która nie mieści się w najbardziej prawdopodobnej kategorii. 8.4. Instytucje kultury wobec AI: polityki, archiwa, kuratorstwo, dostępność Instytucje kultury potrzebują polityk AI nie jako dokumentów wizerunkowych, lecz jako praktycznych narzędzi odpowiedzialności. Taka polityka powinna określać, kiedy można używać AI, jak raportować użycie, jakie dane są wyłączone z przetwarzania, jak chroni się dokumentację publiczności, kiedy wymagana jest zgoda, jak oznacza się materiały syntetyczne, kto odpowiada za sprawdzenie faktów i co dzieje się z materiałami po zakończeniu projektu. W tym sensie polityka AI nie powinna bezrefleksyjnie przejmować języka globalnej zgodności: ESG, SDGs, audytu, targetów, mierników wpływu i raportowalności. Instytucja może potrzebować raportu, standardu i procedury, ale jeśli te narzędzia zaczynają zastępować rozmowę z artystami, pracę z lokalną publicznością, odpowiedzialność za archiwum i merytoryczny osąd kuratorski, wtedy kultura zostaje zredukowana do kompatybilnego pakietu danych. Sztuka po AI wymaga więc polityk, które mierzą tylko to, co rzeczywiście trzeba mierzyć, a jednocześnie chronią to, co nie powinno zostać sprowadzone do metryki.78 Archiwa są jednym z najważniejszych pól instytucjonalnych. AI może pomagać w transkrypcji, rozpoznawaniu obrazów, tłumaczeniu, porządkowaniu zbiorów i zwiększaniu dostępności. Może jednak również narzucać kategorie, utrwalać błędy, spłaszczać lokalne znaczenia i przekształcać archiwum w zbiór treningowy bez wystarczającej zgody. Instytucja powinna rozróżniać archiwizację jako troskę o pamięć od archiwizacji jako ekstrakcji. Dostęp do archiwum nie musi oznaczać zgody na każde przetwarzanie. Kuratorstwo po AI musi umieć pracować z widzialnością i niewidzialnością. Nie każda praca powinna być w pełni dokumentowana, nie każde działanie powinno mieć pełny zapis wideo, nie każdy proces powinien zostać oddany do automatycznego streszczenia. Prawo do nieobrazu, prawo do niepełnego profilu i prawo do opóźnienia publikacji stają się elementami polityki instytucji. Nie są wymówką dla braku dokumentacji, lecz sposobem ochrony relacji, osób uczestniczących, kontekstu i sensu, który mógłby zostać zredukowany w obiegu danych. Dostępność wymaga osobnego namysłu. AI może realnie wspierać audiodeskrypcję, napisy, tłumaczenia, wersje uproszczone, alternatywne opisy, wyszukiwanie i komunikację z odbiorcami o różnych potrzebach. Nie wolno jednak traktować dostępności jako automatycznego usprawiedliwienia dla każdej ekstrakcji. Dostępność powinna wzmacniać uczestnictwo ludzi, nie zastępować kontaktu z instytucją automatyczną obsługą. Dobra polityka dostępności po AI rozróżnia wsparcie od delegowania relacji. Polityka instytucjonalna powinna obejmować nie tylko zakaz albo zgodę na użycie AI, lecz pełną politykę decyzji. Instytucja musi wiedzieć, czy i kiedy używa modeli, jak oznacza materiały syntetyczne, jakie dane wprowadza do narzędzi, jak chroni dokumentację publiczności, jak ogranicza automatyczny opis archiwów, kto weryfikuje wygenerowane treści, jak odróżnia dostępność od ekstrakcji, jak zabezpiecza prawo do nieobrazu oraz jak raportuje użycie AI w kuratorstwie, edukacji, promocji i archiwizacji. Brak takiej polityki także jest polityką – najczęściej polityką domyślnych ustawień platformy. Projekty takie jak ART AFTER AI Ståle’a Stensliego i Zane Cerpiny pokazują, że instytucja może potraktować AI jako pole kuratorskiego eksperymentu, pracy z personami, publikacją i praktyką elektroniczną, a nie tylko jako narzędzie promocji. Nie jest to jednak model obowiązkowy dla każdej galerii albo muzeum. Ważniejsza jest umiejętność świadomego określenia ram eksperymentu, odpowiedzialności i publicznego raportu. Z kolei Secondary Archive można czytać jako 78 Por. Joy Buolamwini, Timnit Gebru, Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, Proceedings of Machine Learning Research 81, 2018, s. 77–91. Oskar Chmioła © Sztuka po AI-2.0, 2026 98 przypomnienie, że archiwum nie jest surowcem bez właściciela kontekstu. Archiwizacja może być formą troski, widzialności i pamięci, ale może też stać się ekstrakcją, jeśli instytucja nie rozróżnia udostępniania od trenowania, opisu od przechwycenia i dokumentu od zgody. 8.5. Emancypacyjne strategie edukacyjne Emancypacyjne strategie edukacyjne po AI zaczynają się od przywrócenia pytania. Student powinien umieć zapytać nie tylko „jakiego narzędzia użyć?”, ale także „czego nie wolno przekazać?”, „co powinno pozostać w relacji?”, „jak sprawdzę błąd?”, „czy wynik nie udaje źródła?”, „czy moja praca nie została sformatowana pod oczekiwaną widzialność?”. Taka edukacja nie jest antytechnologiczna. Jest antyautomatyczna w tym sensie, że nie pozwala, aby interfejs zastąpił samodzielność decyzji. W praktyce edukacyjnej można stosować protokoły procesu: notę użycia AI, dziennik decyzji, opis materiałów, listę elementów nieprzekazywanych do modeli, rozróżnienie między szkicem własnym i syntetycznym wsparciem, rozmowę o błędach oraz prezentację pracy wraz z opisem jej warunków. Można uczyć porównywania odpowiedzi modeli, ale także krytycznego zatrzymania: kiedy nie pytać modelu, kiedy wrócić do źródła, kiedy rozmawiać z człowiekiem, kiedy pracować manualnie, kiedy milczenie i obserwacja są lepsze niż natychmiastowy prompt. Edukacja po AI powinna też rozwijać kompetencję odmowy. Odmowa nie jest brakiem kompetencji technologicznej. Może być zaawansowaną decyzją etyczną: nie używam modelu do cudzych danych; nie generuję wizerunku osoby bez zgody; nie oddaję publiczności do profilowania; nie wykorzystuję automatycznego feedbacku tam, gdzie potrzebna jest rozmowa; nie streszczam tekstu, jeśli celem ćwiczenia jest nauka uważnego czytania. Taka odmowa jest sensowna tylko wtedy, gdy wynika z rozpoznania warunków, a nie z ogólnego lęku przed technologią. Emancypacyjna edukacja musi chronić także osoby, które używają AI jako narzędzia dostępnościowego. Prosty zakaz może uderzać w osoby z trudnościami językowymi, neuroatypowością, niepełnosprawnościami, barierami komunikacyjnymi albo lękiem przed pisaniem. Dlatego szkoła nie powinna opierać polityki na podejrzeniu i karze. Powinna opierać ją na jawności procesu, rozmowie, proporcjonalności, rozróżnieniu funkcji narzędzia i odpowiedzialności za finalny kształt pracy. Emancypacja nie polega więc na obowiązku korzystania z AI. Obejmuje prawo do narzędzia, ale również prawo do odmowy, prawo do zrozumienia infrastruktury, prawo do błędu, prawo do nieautomatycznego uczenia się, prawo do lokalnego języka, prawo do procesu oraz prawo do ochrony własnej pracy i dokumentacji. Dostępność technologiczna nie jest jeszcze sprawiedliwością edukacyjną, jeśli nie towarzyszy jej możliwość krytycznej decyzji. Szkoła, która daje narzędzia bez rozmowy o danych, kosztach, zgodzie, autorstwie i odpowiedzialności, nie emancypuje – tylko przyspiesza adaptację do infrastruktury. 8.6. Kulturowa suwerenność i przejście do przyszłości Kulturowa suwerenność po AI oznacza zdolność wspólnot, instytucji i artystów do decydowania o danych, języku, archiwach, dokumentacji, widzialności, opisach i warunkach użycia narzędzi. Nie jest izolacją od świata ani prostym nacjonalizmem kulturowym. Jest prawem do protokołu: do określenia, co wolno kopiować, co wolno trenować, co wolno tłumaczyć automatycznie, co wymaga lokalnej konsultacji, co powinno pozostać w ograniczonym obiegu i co musi zostać opisane przez ludzi znających kontekst. Taka suwerenność wymaga kompetencji instytucjonalnej. Muzeum, galeria, archiwum, szkoła artystyczna albo organizacja kultury powinny wiedzieć, jakie dane posiadają, jakie narzędzia wdrażają, z jakimi firmami podpisują umowy, gdzie trafia dokumentacja, jak chronione są zgody, czy można wycofać materiał, czy istnieje prawo do niedokumentowania i czy publiczność rozumie, co Oskar Chmioła © Sztuka po AI-2.0, 2026 99 dzieje się z jej śladem. Bez tych pytań instytucja łatwo staje się lokalnym wykonawcą globalnej logiki ekstrakcji. Kulturowa suwerenność prowadzi do przyszłości, ponieważ następne konflikty nie będą dotyczyć tylko generatorów obrazów. Będą dotyczyć agentów, robotyki, neurodanych, systemów symulacyjnych, archiwów modelowanych przez AI, edukacji automatycznej, przestrzeni latentnych, interfejsów biologicznych i praw do danych, które dotąd nie były traktowane jako materiał kultury. Instytucje, które dziś nauczą się tworzyć odpowiedzialne progi widzialności, jutro będą lepiej przygotowane na technologie głębiej wchodzące w ciało, uwagę, pamięć i relację. Sztuka po AI musi więc umieć rozmawiać z globalnym językiem Art after AI, After AI Art i post-AI art, ale nie może utracić własnego lokalnego aparatu pojęciowego. Kulturowa suwerenność nie oznacza izolacji od międzynarodowej debaty, lecz zdolność tworzenia własnych reguł użycia, odmowy, tłumaczenia, archiwizacji i edukacji. Globalny język może pomóc nazwać wspólne problemy, ale lokalne protokoły decydują, jak chronić konkretne archiwa, osoby, miejsca, języki, publiczności i praktyki. Przyszłość Sztuki po AI nie polega na zamknięciu modelu, lecz na przekazaniu narzędzi dalszym artystom, szkołom, instytucjom i wspólnotom, które będą musiały podejmować własne odpowiedzialne decyzje. IX. Twórczość przyszłościowa – zakończenie otwarte Zakończenie tej książki musi pozostać otwarte ideowo, ale domknięte redakcyjnie. Otwartość nie oznacza, że rozprawa jest niedokończona. Oznacza, że pole, którego dotyczy, będzie się zmieniać szybciej niż jakikolwiek tekst teoretyczny. Sztuka po AI nie może więc zakończyć się prognozą pewną. Może natomiast zaproponować sposób orientacji: pytanie o warunki, dane, ciało, relację, widzialność, odpowiedzialność i przyszłość, która nie zostaje całkowicie oddana predykcji. 9.1. Twórczość jako zdarzenie etyczne Twórczość jako zdarzenie etyczne oznacza, że dzieło nie jest tylko rezultatem procesu, ale sytuacją, w której coś zostaje zdecydowane wobec innych ludzi, narzędzi, danych, miejsc, środowisk i przyszłych obiegów. Zdarzenie etyczne nie musi mieć tematu moralnego. Może być abstrakcyjne, formalne, dźwiękowe, performatywne albo konceptualne. Etyka pojawia się nie tylko w treści, lecz w warunkach: skąd pochodzi materiał, kto został włączony, kto może odmówić, co zostaje zarchiwizowane, co zostaje wygenerowane, co pozostaje niejawne, kto odpowiada za opis i co dzieje się z publicznością po kontakcie z pracą. W epoce AI każde zdarzenie twórcze może zostać bardzo szybko przekształcone w opis, obraz, tag, streszczenie, profil, dokumentację, wersję promocyjną, materiał archiwalny albo dane. Z tego powodu zdarzenie etyczne wymaga progu: decyzji, co zostaje pokazane, co zostaje opóźnione, czego nie wolno trenować, co wymaga zgody, co powinno zostać udokumentowane dla pamięci, a co nie powinno zostać wystawione na pełną ekstrakcję. Próg nie jest ucieczką od odpowiedzialności. Jest jej narzędziem. Hannah Arendt pozwala myśleć o działaniu jako o czymś, co wprowadza nowy początek w świecie wspólnym. W kontekście AI ten motyw trzeba odczytać ostrożnie: nie chodzi o patetyczną obronę człowieka przeciw maszynie, lecz o przypomnienie, że działanie ma konsekwencje wobec innych. Model może generować warianty, ale nie odpowiada za świat wspólny. Człowiek, instytucja i wspólnota nadal muszą decydować, jakie warunki działania uznają za dopuszczalne. Dlatego etyczność twórczości po AI nie zaczyna się po publikacji wyniku. Zaczyna się przed wyborem narzędzia, danych, skali, trybu dokumentacji i publiczności, a kończy dopiero w decyzji po: gdy trzeba sprawdzić, co zostało uruchomione, komu służy, co należy dopowiedzieć, co trzeba wycofać, a czego nie wolno dalej automatyzować. Oskar Chmioła © Sztuka po AI-2.0, 2026 100 9.2. Regeneracja relacji Regeneracja relacji jest jednym z najważniejszych zadań twórczości po AI. Systemy predykcyjne mogą ułatwiać kontakt, tłumaczenie, opis, organizację i dostępność, ale równocześnie mogą zastępować relację interakcją, rozmowę odpowiedzią, publiczność profilem, edukację feedbackiem, krytykę streszczeniem, a obecność dokumentacją. Regeneracja relacji nie oznacza powrotu do świata sprzed technologii. Oznacza projektowanie takich praktyk, w których technologia nie przejmuje miejsca spotkania. Relacja wymaga czasu, ryzyka i możliwości odpowiedzi. Nie da się jej całkowicie zoptymalizować bez utraty części sensu. W sztuce relacja może pojawić się między artystą a materiałem, artystą a publicznością, instytucją a wspólnotą, nauczycielem a studentem, krytykiem a dziełem, archiwum a pamięcią. AI może wspierać niektóre z tych relacji, ale nie powinna ich symulować tam, gdzie potrzebna jest obecność, rozmowa i odpowiedzialność. Sztuka po AI powinna zatem pytać nie tylko, jak technologia zwiększa zasięg, ale także czy nie niszczy warunków spotkania. Publiczność nie jest zbiorem danych ani modelem użytkownika. Jest stroną sytuacji, która może mieć prawo do obecności bez profilu, do udziału bez pełnej rejestracji i do pamięci, która nie zostaje natychmiast przekształcona w materiał treningowy. W tym sensie prawo do nieobrazu, niepełnej dokumentacji i niepełnej indeksowalności nie osłabia relacji. Chroni ją przed zamianą w surowiec. Regeneracja relacji łączy się z Ogrodem czasu sztuki. Relacji nie da się utrzymać bez czasu. Czas wspólny, czas rozmowy, czas powrotu, czas opóźnienia i czas troski są warunkami, które trudno zmierzyć, ale łatwo zniszczyć przez nadmiar produkcji. W tym sensie przyszłościowa twórczość nie będzie tylko bardziej zaawansowana technologicznie. Będzie musiała być bardziej świadoma tego, gdzie technologia powinna ustąpić rytmowi relacji. 9.3. Przyszłość jako zadanie Przyszłość jako zadanie nie jest prognozą. Nie chodzi o przewidzenie, jakie narzędzie wygra, jaka platforma zdominuje obieg albo który model stanie się standardem. Właściwe pytanie brzmi inaczej: jakie warunki działania trzeba przygotować, aby sztuka nie oddała przyszłości samej logice predykcji? Predykcja ma pokusę przedstawiania przyszłości jako przedłużenia tego, co już rozpoznane. Sztuka zachowuje sens właśnie dlatego, że potrafi wprowadzać do świata coś, czego nie da się sprowadzić do najbardziej prawdopodobnej kontynuacji. Przyszłość jako zadanie wymaga świadomości regulacyjnej, środowiskowej i instytucjonalnej. Prawo autorskie, zasady odpowiedzialności za dane, regulacje dotyczące AI, koszty obliczeń, zależność od API, energochłonność usług, polityki platform i formy raportowania będą się zmieniać. Nie da się zbudować strategii Sztuki po AI na nazwie jednego narzędzia. Trzeba budować ją na rozpoznawaniu mechanizmów: predykcji, generatywności, agentowości, ekstrakcji, automatyzacji relacji, asymetrii własności, ukrytej pracy, środowiskowego kosztu i presji widzialności. Ograniczenie, opóźnienie i odmowa są kategoriami przyszłościowymi, a nie konserwatywnymi. Ograniczenie pozwala dobrać skalę. Opóźnienie pozwala wprowadzić czas sprawdzenia. Odmowa pozwala przerwać automatyzację tam, gdzie narusza relację, dane, ciało, archiwum, publiczność albo prawo do nieobrazu. Jawność pozwala utrzymać odpowiedzialność nawet wtedy, gdy nie ma pełnej wiedzy o działaniu systemu. Przyszłość nie jest więc tym, co model przewidzi. Jest tym, za co ludzie i instytucje wezmą odpowiedzialność, gdy model zacznie podpowiadać, porządkować i przyspieszać decyzje. Kolejny model, szybszy agent albo dokładniejsza symulacja mogą zmienić techniczne warunki pracy, ale nie zdejmą z artystów, edukatorów i instytucji obowiązku rozróżniania. Przyszłość sztuki po AI będzie zależeć mniej od samej nowości narzędzia, a bardziej od tego, czy kultura potrafi ochronić Oskar Chmioła © Sztuka po AI-2.0, 2026 101 czas, lokalność, relację, różnicę i niepełną kompatybilność przed presją natychmiastowego domknięcia. 9.4. Zaproszenie do odpowiedzialnego współtworzenia Zaproszenie do współtworzenia nie dotyczy dalszego dopisywania tej konkretnej książki. Ta rozprawa zostaje domknięta jako autorski tekst. Otwarte pozostaje pole praktyk, sporów, wystaw, seminariów, protokołów i badań, które mogą rozwijać Sztukę po AI poza książką. To rozróżnienie ma znaczenie, ponieważ książka krytykuje delegowanie decyzji i pozór neutralnej odpowiedzi. Nie może więc kończyć się rozmyciem odpowiedzialności za własny tekst. Współtworzenie może przyjąć formę wystaw, które raportują proces i koszty; seminariów, które uczą pytań zamiast samych narzędzi; archiwów, które wprowadzają prawo do niepełnej przetwarzalności; polityk instytucjonalnych, które rozróżniają dostępność od automatyzacji relacji; prototypów, które testują granice agentowości; map praktyk, które nie zamieniają przykładów w dekorację; oraz lokalnych laboratoriów, w których twórcy badają, kiedy model pomaga, kiedy uśrednia, a kiedy trzeba go zatrzymać. Takie współtworzenie musi mieć własną etykę danych. Nie może stać się platformą zbierającą każde świadectwo, każdy obraz i każdą dokumentację tylko dlatego, że istnieje techniczna możliwość gromadzenia. Musi pytać o zgodę, zakres, czas przechowywania, możliwość wycofania, lokalność archiwum, prawo do nieobrazu, prawo do niedokumentowania i prawo do niepełnego profilu. W przeciwnym razie Sztuka po AI powtórzyłaby logikę ekstrakcji, którą sama rozpoznaje jako problem. Zaproszenie jest konkretne: rozwijajcie praktyki, które ujawniają warunki własnego działania; budujcie wystawy pokazujące decyzje, nie tylko wynik; twórzcie edukację, która chroni proces; projektujcie instytucje zdolne do odmowy; opisujcie narzędzia bez fetyszyzacji; sprawdzajcie, czy słowo „AI” nie zasłania pytań o dane, pracę, energię, publiczność, język, władzę i czas. Odpowiedzialne współtworzenie nie polega na tym, że wszyscy współpiszą jeden manifest. Polega na tym, że każdy proces uczy się odpowiadać za własne warunki. 9.5. Kierunki dalszych rozwinięć Kierunki dalszych rozwinięć nie są dodatkiem futurologicznym. Są miejscami, w których główna teza książki będzie wymagała nowych prób w praktyce artystycznej, edukacyjnej, instytucjonalnej i badawczej. Nie chodzi o przewidywanie kolejnych narzędzi, lecz o przygotowanie kryteriów decyzji: kiedy użyć AI, kiedy ją ograniczyć, kiedy ujawnić proces, kiedy odmówić, kiedy zachować dokumentację, a kiedy chronić prawo do nieobrazu. Pierwszy obszar dalszej pracy dotyczy instytucji kultury. Galerie, muzea, archiwa, szkoły artystyczne, festiwale i organizacje kultury będą potrzebowały polityk AI obejmujących dane, zgodę, automatyczny opis, dokumentację publiczności, dostępność, kuratorstwo, promocję, archiwizację i raportowanie procesu. Najważniejsze nie jest to, aby każda instytucja jak najszybciej wdrożyła modele. Ważniejsze jest to, aby potrafiła uzasadnić cel, skalę, ryzyko i granice użycia. Drugi obszar dotyczy edukacji, krytyki i automatyzacji świadomości. Szkoła artystyczna po AI nie może ograniczyć się do promptowania, a krytyka po AI nie może zostać zastąpiona streszczeniem. Dalsze badania powinny sprawdzać, jak modele zmieniają pytania, kategorie, język oceny, pamięć, feedback, pracę nad błędem i relację pedagogiczną. Stawką jest nie tylko kompetencja techniczna, lecz zdolność samodzielnej decyzji wobec narzędzia. Trzeci obszar obejmuje raporty procesu: etyczne, środowiskowe, instytucjonalne, edukacyjne i archiwalne. Raport nie powinien stać się formularzem autopromocji ani biurokratycznym dodatkiem. Powinien odpowiadać na pytania o dane, skalę, granice delegowania, jawność, odmowę, koszt, Oskar Chmioła © Sztuka po AI-2.0, 2026 102 publiczność, dokumentację i decyzję po. To jeden z najbardziej praktycznych kierunków rozwijania Sztuki po AI, ponieważ przenosi teorię do konkretnych procedur odpowiedzialności. Czwarty obszar dotyczy praktyk artystycznych: postgeneratywnych, antygeneratywnych, postagentowych, antyagentowych i balansujących. Ich przyszłość nie polega na tworzeniu nowych etykiet, lecz na sprawdzaniu, jak działają w wystawie, performansie, archiwum, pracy z publicznością, dokumencie, dźwięku, obrazie, edukacji i lokalnym kontekście. Szczególnie ważna będzie kultura opóźnienia: zdolność do niepublikowania natychmiast, nieredukowania procesu do wyniku i nietraktowania widzialności jako jedynej miary skuteczności. Piąty obszar pozostaje obserwacyjny i sporny: modele świata, sztuka symulacyjna, AI-native art, społeczności agentowe, przestrzenie latentne, tokeny, wzorce uwagi, prompt jako forma oraz neurodane. Nie należy robić z nich katalogu obietnic. Trzeba je badać przez pytania o autorstwo, ciało, relację, dane, zgodę, infrastrukturę, środowisko, własność i odpowiedzialność. W tym sensie lokalny aparat pojęciowy Sztuki po AI może działać w dialogu z globalnym językiem „post-AI art”, ale nie powinien się w nim rozpuścić. Aneks 6 rozwija te kierunki jako mapę dalszych praktyk i badań. Rozdział IX tylko je otwiera, ponieważ jego funkcją jest zakończenie książki, nie stworzenie encyklopedii przyszłych technologii. Wspólny mianownik pozostaje ten sam: przyszłość twórczości nie polega wyłącznie na nowych narzędziach, lecz na nowych konfliktach o ciało, dane, świadomość, pamięć, obecność, język, energię, czas i relację. 9.6. Sztuka po AI jako sytuacja, nie model Ostatnia teza książki brzmi: Sztuka po AI nie jest modelem do automatycznego zastosowania. Jest praktyką projektowania odpowiedzialnych sytuacji w świecie modeli. To zdanie domyka całą argumentację, ponieważ odwraca najważniejszą pokusę epoki predykcyjnej. Skoro model potrafi porządkować, przewidywać, generować i podpowiadać, łatwo zapragnąć, aby także odpowiedź na model stała się kolejnym modelem: macierzą, procedurą, listą zasad, certyfikatem poprawności albo gotowym stylem. Taka odpowiedź byłaby porażką Sztuki po AI. Pojęcia wypracowane w tej książce – postgeneratywność, antygeneratywność, postagentowość, antyagentowość, balans, Ogród czasu sztuki, prawo do nieobrazu, prawo do niepełnego profilu i infrastruktura opóźnienia – są narzędziami orientacji, a nie automatem etycznej poprawności. Sytuacja jest ważniejsza niż etykieta. Nie wystarczy nazwać pracę antygeneratywną, jeśli jej dokumentacja wzmacnia logikę ekstrakcji. Nie wystarczy użyć AI krytycznie, jeśli publiczność nie wie, co zostało przetworzone. Nie wystarczy deklarować low-tech, jeśli odmowa technologii wyklucza osoby potrzebujące wsparcia dostępnościowego. Nie wystarczy stworzyć manifest, jeśli proces pracy pozostaje niejawny. Sztuka po AI zaczyna działać dopiero wtedy, gdy pojęcie zostaje sprawdzone w konkretnym miejscu, czasie, materiale, relacji i infrastrukturze. Sztuka po AI jest praktyką granicy. Granicy między narzędziem i podmiotem. Między pomocą i delegowaniem. Między generowaniem i produkcją nadmiaru. Między archiwum i zbiorem treningowym. Między widzialnością i ekstrakcją. Między dostępnością i automatyzacją relacji. Między przyszłością jako zadaniem i przyszłością jako prognozą. Granica nie oznacza zamknięcia. Oznacza zdolność rozróżniania. Stawką nie jest to, aby sztuka była czysta. Chodzi o to, aby była odpowiedzialna za własne uwikłanie. Nie chodzi o to, aby odrzuciła modele zawsze i wszędzie. Chodzi o to, aby nie stała się modelem. Nie chodzi wyłącznie o to, aby przewidziała przyszłość. Chodzi o to, aby umiała tworzyć sytuacje, w których przyszłość nie zostaje całkowicie oddana predykcji. Jeżeli sztuka ma zachować zdolność przekraczania tego, co prawdopodobne, musi bronić warunków nieprzewidywalności. Jeżeli ma zachować relację, musi odróżniać ją od interakcji. Jeżeli ma zachować odpowiedzialność, musi odróżniać narzędzie od podmiotu moralnego. Jeżeli ma zachować Oskar Chmioła © Sztuka po AI-2.0, 2026 103 pamięć, musi odróżniać archiwum od danych. Jeżeli ma zachować przyszłość, musi odróżniać decyzję od przewidywania. Sztuka po AI zaczyna się w tych odróżnieniach — jako praktyka odpowiedzialnego działania w świecie, który już działa z AI. Tytuł tej książki należy rozumieć właśnie w tym sensie. Sztuka po AI nie oznacza sztuki po zniknięciu sztucznej inteligencji ani sztuki oczyszczonej z technologii. Nie jest też prostym hasłem antytechnologicznym. „Po” oznacza tutaj moment po rozpoznaniu: po utracie niewinności wobec danych, modeli, platform, automatyzacji widzialności i predykcyjnych warunków pola sztuki. Oznacza także możliwość decyzji po tym rozpoznaniu – decyzji o skali użycia narzędzi, o odmowie, o opóźnieniu, o ograniczeniu, o odpowiedzialnym opisie, o prawie do nieobrazu i o relacjach, które nie powinny zostać całkowicie zamienione w dane. Sztuka po AI jest więc nie nazwą epoki po technologii, lecz nazwą strategii działania wobec świata, w którym sztuka nie może już udawać, że sztuczna inteligencja jej nie dotyczy. Oskar Chmioła © Sztuka po AI-2.0, 2026 104 Aneks 1. Mapa praktyk Po wprowadzeniu priorytetu maskowania i kodowania mapa praktyk może służyć także do rozpoznawania strategii niepełnej widzialności. Warto czytać ją nie tylko przez pytanie „jaka strategia?”, lecz także przez pytania: co zostaje pokazane, co zostaje ukryte, co wymaga kontekstu, co opóźnia interpretację i które elementy praktyki nie powinny zostać w pełni przetworzone przez system. Aneks 1 pełni funkcję narzędzia orientacji w książce. Pokazuje, że przykłady przywoływane w rozprawie nie są dekoracją erudycyjną ani katalogiem nazwisk, lecz materiałem porównawczym, diagnostycznym, genealogicznym, prawnym, infrastrukturalnym albo strategicznym. Mapa praktyk pomaga prześledzić, jak konkretne osoby, dzieła, projekty, narzędzia, sprawy, raporty i pojęcia pracują wobec głównych kategorii książki: predykcyjności, generatywności, agentowości, infrastruktury przemocy, relacji, ograniczenia, low-tech, prawa do nieobrazu oraz pięciu strategii oporu. 1. Funkcja mapy praktyk Mapa praktyk nie jest rankingiem dzieł i nie jest katalogiem „sztuki AI”. Jej zadaniem jest uporządkowanie materiału tak, aby czytelnik mógł zobaczyć, które przykłady służą genealogii problemu, które diagnozują infrastrukturę, które wspierają strategię oporu, a które są tylko kontekstem prawnym, środowiskowym, edukacyjnym lub teoretycznym. To rozróżnienie jest konieczne, ponieważ modele językowe, generatory obrazów, narzędzia wideo, platformy, API, raporty firmowe i sprawy sądowe nie są automatycznie przykładami artystycznymi. Mogą być warunkiem produkcji, przedmiotem krytyki, narzędziem ochrony, przykładem ryzyka albo źródłem danych, ale nie stają się dziełem tylko stąd, że dotyczą AI. Aneks działa więc jak mapa przejść między rozdziałami. Przykłady historyczne pokazują, że reguła, przypadek, instrukcja, system i generowanie mają długą historię, ale nie powinny być mylone ze współczesną infrastrukturą predykcyjną. Przykłady infrastrukturalne pokazują, że AI nie jest niematerialnym narzędziem, lecz układem danych, energii, pracy, własności, prawa, klasyfikacji i widzialności. Przykłady performatywne, relacyjne i instytucjonalne wskazują natomiast, że opór wobec predykcyjności nie musi polegać na prostym antytechnologicznym geście. Może polegać na projektowaniu sytuacji, czasu, relacji, ograniczenia, zgody, nieindeksowalności, opóźnienia i odpowiedzialności. Najważniejszą zasadą tej mapy jest precyzja statusu. Artysta, dzieło, projekt artystyczno- badawczy, praktyka performatywna, narzędzie ochronne, sprawa prawna, raport, pojęcie teoretyczne i kierunek przyszłych badań nie pełnią tej samej funkcji. W tabeli zostały więc odróżnione typy przykładów oraz ich rola w argumentacji. Dzięki temu mapa nie sugeruje, że każde nazwisko jest „przykładem sztuki po AI” albo że każde narzędzie technologiczne jest praktyką artystyczną. Mapa praktyk została zapisana jako narzędzie czytelnicze, a nie jako arkusz kontroli redakcyjnej. Jej funkcją jest odróżnienie faktu, interpretacji i autorskiego dopasowania przykładu do strategii. Informacje wymagające szczegółowego sprawdzenia źródłowego pozostają przedmiotem osobnej kontroli przypisów i bibliografii, natomiast sama mapa ma być dla czytelnika finalną strukturą orientacji: pokazuje status przykładu, jego funkcję w książce oraz możliwe powiązanie ze strategiami Sztuki po AI. Od tego miejsca mapa obejmuje także działania pokrewne pojęciowo wobec określeń Art after AI, After AI Art i post-AI art. Ich obecność nie ma dowodzić, że autorska Sztuka po AI jest z nimi tożsama. Ma raczej umożliwić porównanie: które działania są tekstami teoretycznymi, które projektami kuratorskimi, które rozmowami środowiskowymi, które narzędziami ochronnymi, a które Oskar Chmioła © Sztuka po AI-2.0, 2026 105 praktykami artystyczno-badawczymi. Dopiero takie rozróżnienie pozwala czytać przykłady przez decyzje, nie przez podobieństwo nazw. 2. Typy przykładów używane w mapie W mapie występują różne typy materiału. Praktyka artystyczna oznacza twórczość, działanie, serię działań albo długofalową metodę pracy artysty. Dzieło oznacza konkretną pracę, projekt, performans, instalację, tekst, kompozycję albo realizację. Projekt artystyczno-badawczy łączy pracę artystyczną z badaniem, archiwizacją, analizą danych, dokumentacją lub krytyką instytucjonalną. Praktyka performatywna dotyczy ciała, obecności, czasu, relacji z publicznością i zdarzeniowego charakteru dzieła. Osobną grupę tworzą przykłady relacyjne, społeczne i instytucjonalne: praktyki lokalne, archiwa, działania wspólnotowe, edukacyjne, kuratorskie i infrastrukturalne. Jeszcze inną grupą są narzędzia ochronne i technologiczne, takie jak rozwiązania utrudniające ekstrakcję stylu lub przykłady interfejsów predykcyjnych. W tej mapie narzędzie jest narzędziem, a nie dziełem, chyba że książka omawia je jako część konkretnej praktyki artystycznej lub badawczo-artystycznej. W tabeli pojawiają się również sprawy prawne, raporty, źródła danych, pojęcia teoretyczne i kierunki przyszłych badań. Ich obecność nie oznacza, że są przykładami sztuki. Oznacza, że bez nich argument o sztuce po AI byłby niepełny: prawo, środowisko, praca, infrastruktura, edukacja, archiwum i język pojęciowy współdecydują o tym, jakie działania artystyczne są możliwe, widzialne, chronione, ryzykowne albo nadużywane. Osobny typ tworzą działania pokrewne pojęciowo i pole debaty Art after AI / After AI Art / post-AI art. Obejmują one teksty, rozmowy, projekty, platformy, numery czasopism, wystąpienia konferencyjne, działania kuratorskie i inicjatywy artystyczne, które używają podobnych nazw albo diagnozują podobny problem. Nie są automatycznie przykładami Sztuki po AI w sensie tej książki. Mogą jednak pokazywać sąsiedztwo pojęciowe, ryzyka pomieszania terminów, aktualny język artworldu i możliwe kierunki dalszej praktyki. 3. Tabela Mapy praktyk Tabela syntetyzuje przykłady obecne w książce i te, które logicznie pracują w jej aparacie pojęciowym. Nie zamyka pola i nie ma charakteru encyklopedii. Pokazuje raczej, jak czytać przykłady bez mieszania dzieł z narzędziami, teorii z praktyką, spraw sądowych z twórczością i strategii oporu z kontekstem diagnostycznym. Przypisanie przykładu do strategii należy traktować jako propozycję interpretacyjną: jeden projekt może pracować równocześnie w kilku porządkach – genealogicznym, infrastrukturalnym, prawnym, performatywnym, edukacyjnym albo strategicznym. Nowe wpisy dotyczące działań pokrewnych pojęciowo należy czytać ostrożnie. Część z nich jest tekstem teoretycznym, część projektem wydawniczo-kuratorskim, część rozmową środowiskową, część narzędziem ochronnym, a część praktyką artystyczno-badawczą. Wspólne pole nazw nie znosi różnic statusu. Nr Przykład / podmiot Typ przykładu Obszar książki i funkcja Status wobec strategii oporu 1 André Breton / surrealizm – genealogia automatyzmu II – odróżnia automatyzm przykład genealogiczny pisanie automatyczne artystyczny od automatyzacji systemowej 2 John Cage – procedury praktyka artystyczna / II, IV – przypadek jako genealogiczny kontekst losowe, I Ching, muzyka otwarcie zdarzenia wobec antygeneratywności kompozycje otwarte predykcji 3 Fluxus – event scores i sztuka instrukcji / II, VI, IX – instrukcja jako przykład genealogiczny instrukcje działania performans dzieło i kontekst dla promptu jako formy 4 Sol LeWitt – reguły, sztuka konceptualna II, V, VI – delegowanie postgeneratywność jako instrukcje, realizacje ścienne wykonania bez zaniku kontekst reguły Oskar Chmioła © Sztuka po AI-2.0, 2026 106 Nr Przykład / podmiot Typ przykładu Obszar książki i funkcja Status wobec strategii oporu koncepcji autora 5 OuLiPo / Raymond genealogia literacka II, IX – ograniczenie jako przykład genealogiczny Queneau – reguła, warunek wynalazczości, nie permutacja, kombinatoryka automatyzacji sensu 6 Nam June Paik – dostęp, praktyka medialna II – historia interfejsu, przykład genealogiczny montaż, nielinearność wyboru i dostępu przed mediów cyfrową predykcją 7 Vera Molnar / Vera Molnár sztuka algorytmiczna II – reguła, wariant i przykład genealogiczny – komputerowa permutacja program jako widzialna generatywności form historia decyzji 8 Frieder Nake – grafika sztuka komputerowa II – kod, matematyka, ploter przykład genealogiczny algorytmiczna i formalna procedura 9 Georg Nees – grafika sztuka komputerowa II – wczesna historia przykład genealogiczny algorytmiczna komputerowego generowania form 10 Harold Cohen / AARON historyczny system AI / II, V – długotrwała relacja genealogiczny kontekst praktyka artystyczna artysty z systemem postagentowości twórczym 11 Brian Eno – muzyka praktyka muzyczna / system II, IV – generatywność jako genealogiczny kontekst generatywna proceduralny technika uwagi i czasu postgeneratywności 12 Pierre Bourdieu – pole pojęcie teoretyczne I, II – pozwala opisać sztukę przykład teoretyczny / sztuki i kapitał symboliczny jako układ instytucji i reguł kontekstowy uznania 13 Jon McKenzie – pojęcie teoretyczne II, VI – łączy performans, przykład kontekstowy performatywność jako zarządzanie i wymóg imperatyw działania skuteczności 14 Luc Boltanski i Ève pojęcie teoretyczne II – opisuje projektowość, przykład kontekstowy Chiapello79 – nowy duch elastyczność i wchłanianie kapitalizmu krytyki przez kapitalizm 15 Kate Crawford – źródło teoretyczne / krytyka III, VII – AI jako system przykład infrastrukturalny materialność i polityka AI infrastrukturalna danych, energii, pracy i władzy 16 Vladan Joler – mapowanie projekt badawczo- III – pokazuje zależności przykład infrastrukturalny infrastruktury platformowej wizualny / teoria między platformą, infrastruktury użytkownikiem, pracą i kapitałem 17 Anatomy of an AI System projekt badawczo- III – model AI jako łańcuch przykład infrastrukturalny artystyczny / mapa zasobów, pracy, danych i infrastruktury energii 18 Training Humans – Kate projekt wystawienniczo- III, VIII – klasyfikacja przykład diagnostyczny Crawford / Trevor Paglen badawczy obrazów i polityka zbiorów treningowych 19 Trevor Paglen – widzenie praktyka artystyczno- III – ujawnia politykę postgeneratywność / maszynowe i obrazy badawcza klasyfikacji, widzenia i przykład diagnostyczny operacyjne nadzoru 20 Shoshana Zuboff – pojęcie teoretyczne III – ekonomia przykład infrastrukturalny / kapitalizm nadzoru przewidywania zachowań i kontekstowy ekstrakcja danych 21 Nick Couldry i Ulises pojęcie teoretyczne III – dane jako zasób przykład infrastrukturalny / Mejias – kolonializm kolonizujący relacje dekolonialny danych społeczne 22 Safiya Noble – źródło krytyczne III, VIII – nierówności w przykład edukacyjny / algorytmiczne uprzedzenia wyszukiwaniu, widzialności ostrzegawczy wyszukiwania i klasyfikacji 23 Ruha Benjamin – źródło krytyczne III, VIII – rasizacja przykład ostrzegawczy technologia i reprodukcja technologii, automatyzacja nierówności uprzedzeń 24 Wendy Hui Kyong Chun – źródło krytyczne III, VIII – kategorie danych przykład ostrzegawczy / dane, wzorce, jako narzędzia utrwalania teoretyczny dyskryminacja różnic 25 Secondary Archive archiwum / praktyka III, VIII – kontrarchiwum antygeneratywność / 79 Por. Aylin Caliskan, Joanna J. Bryson, Arvind Narayanan, Semantics derived automatically from language corpora contain human- like biases, Science 356(6334), 2017, s. 183–186, DOI: 10.1126/science.aal4230; Latanya Sweeney, Discrimination in Online Ad Delivery, Communications of the ACM 56(5), 2013, s. 44–54. Oskar Chmioła © Sztuka po AI-2.0, 2026 107 Nr Przykład / podmiot Typ przykładu Obszar książki i funkcja Status wobec strategii oporu instytucjonalna wobec predykcyjnego przykład instytucjonalny zawłaszczania widzialności 26 Indigenous Protocol and protokół / źródło etyczne III, VIII – suwerenność przykład etyczny / Artificial Intelligence kulturowa, dane, zgoda i kontekstowy protokoły społeczności 27 Glaze narzędzie ochronne V, VIII – utrudnianie antygeneratywność jako przechwytywania stylu w narzędzie ochrony zbiorach treningowych 28 Nightshade narzędzie ochronne / V, VIII – zakłócanie antygeneratywność jako interwencja w dane wykorzystania obrazów w obrona danych treningu modeli 29 Getty Images v. Stability AI sprawa prawna III, V – konflikt o dane przykład prawny / treningowe, obrazy i infrastrukturalny odpowiedzialność platform 30 Thaler v. Perlmutter sprawa prawna V, VIII – autorstwo, przykład prawny człowiek i status dzieła generowanego maszynowo 31 Authors Guild i sprawy sprawa prawna / kontekst III, V, VIII – prawa przykład prawny / dotyczące danych sektora literackiego twórców, trening modeli, ostrzegawczy tekstowych ekstrakcja tekstu 32 Sarah Andersen i artyści sprawa prawna / przykład III, V – twórcy wizualni przykład prawny / pozywający podmioty AI środowiskowy wobec wykorzystania stylu i artystyczny kontekst danych 33 matryca.tech inicjatywa / narzędzie III, VIII – lokalny kontekst przykład edukacyjny / środowiskowe debaty o technologii, danych infrastrukturalny i odpowiedzialności 34 Forensic Architecture praktyka artystyczno- IV, VI, VIII – praca z postgeneratywność / Sztuka badawcza danymi jako śledztwo, nie po AI jako balans automatyczna prawda 35 Zach Blas praktyka artystyczna / III, VI – opór wobec twarzy antygeneratywność / krytyka biometrii i sieci jako danych, widzenia antyagentowość maszynowego i normowania 36 Lauren Lee McCarthy praktyka performatywna / V, VI, VIII – relacja z postagentowość / interfejs społeczny systemem, symulacja opieki antyagentowość i delegowanie obecności 37 Nicolas Bourriaud – pojęcie teoretyczne IV, VI – relacja jako forma i przykład kontekstowy estetyka relacyjna warunek odbioru 38 Claire Bishop – krytyka pojęcie teoretyczne IV, VI – ostrzega przed przykład kontekstowy / partycypacji naiwną afirmacją korekcyjny relacyjności i wspólnoty 39 Grant Kester – pojęcie teoretyczne IV, VI – rozmowa, proces i przykład kontekstowy dialogiczność i praktyki relacja jako praktyka społeczne artystyczna 40 Rirkrit Tiravanija praktyka relacyjna IV, VI – wspólnota, posiłek, Sztuka po AI jako strategia sytuacja i antyprodukt balansu 41 Jeanne van Heeswijk praktyka społeczna / lokalna IV, VI – regeneracja antygeneratywność / Sztuka wspólnotowa i opór wobec po AI jako balans abstrakcyjnej widzialności 42 Tania Bruguera praktyka społeczno- IV, VI – użyteczność, Sztuka po AI jako strategia polityczna / Arte Útil instytucja, działanie i ryzyko balansu publiczne 43 Miwon Kwon – site- pojęcie teoretyczne IV, VI – miejsce jako przykład kontekstowy specificity warunek sensu i nieprzekładalności 44 Shannon Jackson – pojęcie teoretyczne IV, VI, VIII – przykład kontekstowy performance, instytucja i podtrzymywanie relacji i praca społeczna infrastruktury jako praktyka 45 Maria Hassabi praktyka choreograficzna / VI – ciało, czas, trwanie i antyagentowość / performatywna odporność na antygeneratywność natychmiastowy wynik 46 Tino Sehgal sytuacje performatywne VI, VII – zdarzenie, antygeneratywność / obecność, ograniczona antyagentowość dokumentacja i prawo do nieobrazu 47 Tehching Hsieh performans czasu / VI, VII – czas jako materiał, antyagentowość / przykład długotrwałe działania koszt życia i nieoptymalność genealogiczny czasu Oskar Chmioła © Sztuka po AI-2.0, 2026 108 Nr Przykład / podmiot Typ przykładu Obszar książki i funkcja Status wobec strategii oporu 48 Linda Montano life art / performance czasu i VII – życie, rytm, troska i przykład kontekstowy / opieki proces poza produktem antyprodukcyjny 49 Solar Protocol projekt infrastrukturalno- VII, VIII, IX – energia, sieć, postgeneratywność / Sztuka artystyczny zależność od słońca i po AI jako balans spowolnienie obiegu 50 Cecylia Malik i Siostry praktyka ekologiczna / VII, VIII – wspólnota, rzeki, antygeneratywność / Rzek80 społeczna ciało, troska i protest przykład relacyjny środowiskowy 51 Donna Haraway – wiedza pojęcie teoretyczne I, VII – pozycja, przykład metodologiczny sytuowana odpowiedzialność i krytyka bezcielesnej wiedzy 52 Karen Barad – aparat pojęcie teoretyczne I, VII – narzędzia przykład metodologiczny poznania i intra-akcja współtworzą warunki poznania 53 Rosi Braidotti – pojęcie teoretyczne I, VII – odpowiedzialność w przykład metodologiczny posthumanizm sieciach ludzi, narzędzi i środowisk 54 Judith Butler – pojęcie teoretyczne I, II, VI – język jako przykład metodologiczny performatywność działanie, manifest jako forma sprawcza 55 Mary L. Gray i Siddharth źródło o pracy ukrytej III, VII – praca ludzi jako przykład infrastrukturalny Suri – ghost work zaplecze automatyzacji 56 IEA – Energy and AI raport / źródło danych III, VII – energia, centra przykład środowiskowy / danych i prognozy raportowy obciążenia infrastruktury 57 Raporty środowiskowe raporty firmowe / źródła III, VII – woda, energia, przykład środowiskowy / Microsoft / Google danych emisje i rozwój centrów infrastrukturalny danych 58 Ogród czasu sztuki / rynek pojęcia autorskie VII, IX – przesunięcie Sztuka po AI jako strategia czasu sztuki wartości z obiektu i metryki balansu na czas, relację i proces 59 Prawo do nieobrazu pojęcie autorskie / zasada V, VI, VIII, IX – odmowa antygeneratywność / etyczna dokumentowania, antyagentowość indeksowania i syntetycznego świadectwa 60 Infrastruktura opóźnienia pojęcie autorskie / kierunek VI, VIII, IX – spowolnienie antygeneratywność / Sztuka praktyki obiegu, ochrona namysłu i po AI jako balans odporność na streszczenie 61 AI-native art kierunek przyszłych praktyk IX, Aneks 6 – sztuka przykład przyszłościowy / projektowana wewnątrz ostrzegawczy logiki modeli, agentów i symulacji 62 Modele świata i sztuka kierunek przyszłych badań IX, Aneks 6 – symulacja przykład przyszłościowy / symulacyjna jako środowisko decyzji i infrastrukturalny ryzyko syntetycznego świata 63 Społeczności agentowe kierunek przyszłych badań IX, Aneks 6 – systemy przykład przyszłościowy / wieloagentowe, kuratorstwo, ostrzegawczy edukacja i automatyczne negocjacje 64 Przestrzeń latentna pojęcie techniczne / IX, Aneks 6 – ukryte przykład kontekstowy / estetyczne reprezentacje modeli jako przyszłościowy pole formy i selekcji 65 Tokeny, wzorce uwagi i pojęcia techniczno-formalne I, V, IX – język modelu, postgeneratywność / prompt instrukcja, partytura i przykład formalny warunek generowania 66 BCI, neurodane i kierunek przyszłych badań / IX, Aneks 6 – dane przykład ostrzegawczy / neuroprywatność obszar ryzyka biologiczne, interfejsy i etyczny granice prywatności poznawczej 67 Joanna Zylinska – „After AI tekst teoretyczny / I, VI, IX – pętla AI, pole pokrewne; wzmacnia Art” sąsiedztwo pojęciowe relacyjność ludzi, metodologię, ale nie jest dyskursów, praktyk i źródłem macierzy strategii technologii AI/ML 80 Por. Peter Lee, Learning from Tay’s introduction, The Official Microsoft Blog, 25.03.2016; Gina Neff, Peter Nagy, Talking to Bots: Symbiotic Agency and the Case of Tay, International Journal of Communication 10, 2016, s. 4915–4931. Oskar Chmioła © Sztuka po AI-2.0, 2026 109 Nr Przykład / podmiot Typ przykładu Obszar książki i funkcja Status wobec strategii oporu 68 ART AFTER AI / artafter.ai projekt artystyczno- I, VI, Aneks 1 – AI-born pole pokrewne; wymaga kuratorski / platforma artists i projektowe ostrożności wobec statusu nazwanie pola po AI AI-born artists 69 Ståle Stenslie i Zane Cerpina referat / numer magazynu / I, V, VI – AI-persony, postgeneratywność / – ISEA 2024 oraz „EE #4: eksperyment wydawniczy prompt engineering, postagentowość jako pole Art After AI” publikacja i kuratorstwo z diagnostyczne AI 70 ArtReview – „What Is Post- rozmowa środowiskowa / I, IV, V, VI – protokół, pole pokrewne; post-AI art AI Art?” feature krytyczny context window, zmienne jako język środowiskowy, medium i praktyka zamiast nie gotowa metoda outputu 71 Jelena Novaković i Jelena tekst akademicki / analiza I, II, VIII – generatywna AI kontrast wobec Sztuki po AI Guga – „Art after AI: The artworldu jako medium jako strategii decyzji i Impact of Generative AI on transformujące role balansu the Artworld” artystów i artworld 72 Artlink – „After AI”, issue numer czasopisma VI, VIII, IX – sektor sztuki, pole krytyczno- 43:2 krytycznego IP, pamięć, fotografia, instytucjonalne; kontekst edukacja i art writing po AI dla etyki i edukacji 73 Ziv Epstein, Aaron tekst badawczy / II, VI, VIII – kontekst mediumistyczny; Hertzmann, Laura Herman, generatywna AI jako interdyscyplinarne skutki wymaga korekty przez Robert Mahari, Memo medium generatywnej AI dla sztuki, krytykę infrastruktury Akten i współautorzy prawa i pracy twórczej 74 Dejan Grba – krytyka tekst krytyczny / teoria AI II, IV, V, VI – fetyszyzacja antyagentowość / krytyka creative AI i art agencyjności, cyfrowy kicz i postagentowości bez nieprzezroczystości powierzchniowość AI art mistyfikacji systemów 75 Harry H. Jiang, Lauren badanie wpływu AI art na II, VII, VIII – praca kontekst etyczny dla Brown, Jessica Cheng i artystów artystów, zgoda, reputacja, antygeneratywności i granic współautorzy – „AI Art and styl, dane treningowe i delegowania its Impact on Artists” szkody 76 Holly Herndon i Mat praktyka artystyczna / V, VI, VIII – opt-out, postgeneratywność / Dryhurst – praktyki protokół / pole dyskusji context window, protokół, postagentowość / punkt protokołów, publicznych dataset i spór o otwartość sporny dla strategii balansu modeli i „All Media Is internetu Training Data” 77 Refik Anadol – data-driven praktyka AI art / przykład VI, VIII – spektakularna przykład kontrastowy; nie AI environments kontrastowy estetyka danych i każda afirmacja medium jest instytucjonalny obieg AI art Sztuką po AI 78 Sougwen Chung – praktyka artystyczna / VI, VIII – ucieleśniona postagentowość pod rysowanie i współpraca relacja człowiek–maszyna praca z systemem, gest, warunkiem zachowania człowiek–system rysunek i współobecność asymetrii techniczna odpowiedzialności 4. Zasada czytania tabeli Status przykładu nie jest etykietą raz na zawsze. Ten sam przypadek może pełnić funkcję genealogiczną w jednym rozdziale, diagnostyczną w innym, a strategiczną dopiero wtedy, gdy zostanie użyty do rozpoznania konkretnego napięcia między generatywnością, agentowością, odmową i odpowiedzialnością. Stąd tabela nie zastępuje rozdziałów. Jest indeksem relacji: pokazuje, dlaczego dany przykład pojawia się w książce i czego nie wolno z niego wyprowadzać zbyt szybko. Szczególnie ważne jest rozróżnienie między przykładem artystycznym a przykładem infrastrukturalnym. Model językowy, generator obrazów, narzędzie wideo, platforma, API, raport firmy technologicznej albo sprawa sądowa mogą być kluczowe dla argumentacji, ale nie są przez to dziełami sztuki. Mogą wskazywać warunek, koszt, ryzyko, spór, regulację albo procedurę ochronną. Dziełem, praktyką lub projektem artystyczno-badawczym stają się dopiero wtedy, gdy są osadzone w pracy twórczej, badawczej, wystawienniczej, performatywnej lub instytucjonalnej. Oskar Chmioła © Sztuka po AI-2.0, 2026 110 Tak samo należy czytać podobieństwa nazw. „Art after AI”, „After AI Art”, „post-AI art” i „Sztuka po AI” mogą dotyczyć tego samego historycznego napięcia, ale nie znaczą automatycznie tego samego. Jedno źródło może opisywać wpływ generatywnej AI na artworld, drugie może eksperymentować z AI jako narzędziem publikacji, trzecie może rozwijać filozofię relacji człowiek– model, a czwarte może być rozmową artystów o nowych protokołach pracy. W mapie praktyk podobieństwo nazwy jest więc sygnałem do porównania, nie dowodem tożsamości. Podobnie strategii oporu nie należy przypisywać mechanicznie. Antygeneratywność nie oznacza po prostu braku AI, postgeneratywność nie oznacza zwykłego użycia generatora, postagentowość nie oznacza rozmowy z chatbotem, a antyagentowość nie oznacza zakazu wszystkich narzędzi automatycznych. Strategie opisują sposób organizacji odpowiedzialności. Pytają, kto decyduje, co jest generowane, co zostaje zatrzymane, co wolno przetwarzać, kiedy narzędzie pomaga, kiedy zastępuje relację i kiedy odmowa jest bardziej precyzyjna niż użycie. Mapa praktyk prowadzi także do kolejnych aneksów. Aneks 2 rozwija macierz strategii i manifesty, Aneks 3 i Aneks 4 przenoszą problem na raport środowiskowy oraz etykę procesu, a dalsze protokoły porządkują praktyczne decyzje o użyciu AI. Na tym poziomie Aneks 1 nie jest dodatkiem końcowym, lecz narzędziem kontroli argumentacji: sprawdza, czy przykłady nie zostały pomylone ze źródłami, narzędzia z dziełami, a pojęcia z gotowymi rozwiązaniami. Sztuka po AI nie polega na wskazaniu jednej grupy „dobrych” przykładów. Polega na rozpoznawaniu warunków działania: danych, energii, prawa, relacji, czasu, widzialności, dokumentacji, zgody, kosztu i odpowiedzialności. Stąd mapa praktyk nie zamyka sporu o sztukę po AI. Uczy czytać go precyzyjniej. Oskar Chmioła © Sztuka po AI-2.0, 2026 111 Aneks 2. Macierz strategii i manifesty strategii składowych Macierz strategii porządkuje praktykę pojęciową książki. Nie klasyfikuje dzieł według prostego pytania, czy używają AI, lecz pozwala rozpoznać, w jaki sposób dana praktyka odnosi się do generatywności, agentowości, predykcyjności, relacji, danych, dokumentacji i odpowiedzialności. Jest narzędziem czytania procesu, a nie tabelą moralnej oceny. Strategie opisane w tej książce są ruchome. Dzieło, projekt, wystawa, tekst, warsztat albo protokół instytucjonalny może łączyć kilka strategii lub przechodzić między nimi w kolejnych fazach. Inaczej działa etap researchu, inaczej generowanie materiałów próbnych, inaczej decyzja o publikacji, inaczej archiwizacja, a jeszcze inaczej edukacyjne objaśnienie procesu. Z tego powodu macierz nie zastępuje interpretacji. Ma chronić interpretację przed uproszczeniem. 1. Funkcja macierzy Macierz zawiera także wymiar progu widzialności. Ta sama strategia może być jawna, półjawna albo oparta na drugim dnie. Postgeneratywność może ujawniać mechanikę modelu albo używać jej jako maski, antygeneratywność może być prostą odmową albo projektowaniem nieindeksowalnego śladu, postagentowość może wystawiać agenta na scenę, a antyagentowość może chronić kontakt przed automatyzacją. Macierz jest więc narzędziem decyzji o przechwyceniu, odmowie i stopniu ujawnienia – nie tabelą etykiet przyklejanych do dzieł raz na zawsze. Funkcją macierzy jest odróżnienie czterech podstawowych sposobów działania wobec dwóch dominujących mechanizmów sztuki z AI: generatywności i agentowości. Generatywność oznacza nie tylko produkcję tekstu, obrazu, dźwięku lub filmu, lecz także wytwarzanie wariantów, opisów, profili, podobieństw, oczekiwań i wzorców działania. Agentowość oznacza nie tylko chatbota, lecz szersze delegowanie procedur: planowania, odpowiadania, oceniania, filtrowania, obsługi publiczności, prowadzenia użytkownika lub symulowania sprawczości. Macierz służy także do odróżnienia przechwycenia od odmowy. Przechwycenie nie jest bezkrytycznym użyciem narzędzia. Oznacza wprowadzenie narzędzia w sytuację, w której jego logika zostaje ujawniona, spowolniona, ograniczona albo przestawiona. Odmowa nie jest niewiedzą technologiczną ani nostalgią. Oznacza świadomą decyzję, że w danym miejscu generowanie, przetwarzanie, symulowana relacja albo automatyczna procedura naruszyłyby sens pracy. 2. Osie macierzy Oś Pytanie diagnostyczne Przechwycenie Odmowa Generatywność Czy w tej sytuacji system ma Postgeneratywność – użycie Antygeneratywność – odmowa wytwarzać warianty, treści, generowania po to, aby ujawnić, generowania, indeksacji lub opisy, style, obrazy, profile albo ograniczyć lub przekształcić przetwarzania tam, gdzie podobieństwa? jego logikę. narusza to relację, zgodę, pamięć albo sens. Agentowość Czy w tej sytuacji system ma Postagentowość – praca z Antyagentowość – odmowa działać jako podmiot procedury, agentem jako figurą, symulowanej relacji i interfejs decyzji, rozmówca, narzędziem albo aktorem delegowania odpowiedzialności przewodnik lub zastępca proceduralnym, bez uznawania tam, gdzie potrzebna jest relacji? go za osobę. obecność człowieka. Predykcyjność pola Czy praktyka wzmacnia Sztuka po AI jako strategia Odmowa domyślności pola – domyślne warunki balansu – sytuacyjne opóźnienie, niepełna rankingowania, optymalizacji, komponowanie decyzji między widzialność, low-tech, prawo streszczania i widzialności użyciem, ograniczeniem, do nieobrazu, praca lokalna, platformowej? jawnością i odpowiedzialnością. praca relacyjna. Oskar Chmioła © Sztuka po AI-2.0, 2026 112 3. Tabela główna strategii i wariantów kontrastowych Strategia / wariant Rozpoznanie Decyzja praktyczna Granica Główne ryzyko Postgeneratywność Generowanie istnieje Użyć modelu w sposób Generator nie zastępuje Zamiana krytycznego jako realny warunek jawny, ograniczony, decyzji, źródła, relacji użycia w efektowną pola, ale nie musi rządzić krytyczny, z kontrolą ani procesu. produkcję kolejnych całym procesem. skali i z wariantów. odpowiedzialnością za wynik. Antygeneratywność Niektóre sytuacje, dane, Odmówić generowania, Odmowa musi chronić Romantyzacja style, obrazy, głosy i indeksacji, sens i osoby, a nie tylko niewidzialności albo relacje nie powinny być automatycznego opisu budować aurę czystości. utrudnienie dostępu tam, generowane ani lub udostępniania gdzie potrzebne są przetwarzane. materiału do dalszego narzędzia przetwarzania. dostępnościowe. Postagentowość Systemy agentowe mogą Użyć agenta jako Agent nie jest osobą, Pomylenie interakcji z działać w dziele lub narzędzia, figury, aktora wspólnotą, kuratorem relacją oraz sprawności procesie, ale ich status technicznego, materiału odpowiedzialnym ani proceduralnej z musi pozostać badawczego albo nauczycielem w sensie odpowiedzialnością. ujawniony. elementu dramaturgii. relacyjnym. Antyagentowość Są sytuacje, w których Zatrzymać automatyzację Odmowa nie dotyczy Sztywny zakaz symulowana relacja odpowiedzi, obsługi, każdego automatycznego technologii lub byłaby nadużyciem. oceny lub rozmowy i narzędzia, lecz przeniesienie ciężaru przywrócić człowieka zastępstwa relacji. pracy na osoby, które tam, gdzie stawką jest potrzebują wsparcia. odpowiedzialność. Sztuka po AI jako Pole sztuki jest już Dobrać narzędzia, skalę, Balans nie jest Rozmycie strategii w strategia balansu współorganizowane jawność, dokumentację, kompromisem dla ogólnej deklaracji przez AI i odmowę i raportowanie wygody, lecz rygorem odpowiedzialności bez predykcyjność, więc do konkretnej praktyki. rozpoznania warunków. realnych decyzji. decyzje trzeba komponować sytuacyjnie. 4. Komentarz do strategii Postgeneratywność nie jest zwykłym użyciem generatora. Jeżeli model służy wyłącznie do szybszego uzyskania efektownego obrazu, tekstu albo filmu, mamy raczej do czynienia z progeneratywnością niż z postgeneratywnością. Postgeneratywność zaczyna się dopiero wtedy, gdy użycie narzędzia ujawnia warunki generowania, ogranicza skalę wariantów, problematyzuje dane, pokazuje koszt, spowalnia decyzję albo czyni widzialną różnicę między wynikiem a procesem. Antygeneratywność nie jest prostym brakiem AI. Działanie bez modelu może nadal być całkowicie podporządkowane logice predykcyjnej, jeśli jest projektowane pod ranking, formularz, metrykę, widzialność i łatwe streszczenie. Antygeneratywność wymaga aktywnej decyzji o tym, czego nie generować, czego nie indeksować, czego nie archiwizować automatycznie, jak nie zamieniać publiczności w dane i gdzie zachować prawo do nieobrazu. Postagentowość nie jest rozmową z chatbotem. Jest analizą i projektowaniem sytuacji, w których system wykonuje procedury sprawiające wrażenie działania. Może odpowiadać, planować, prowadzić, filtrować, proponować, sortować lub symulować obecność. Sztuka postagentowa nie musi odrzucać takich procedur, ale musi ujawnić ich status i nie wolno jej oddać im odpowiedzialności za relację. Antyagentowość nie jest zakazem wszystkich narzędzi automatycznych. Jest odmową tam, gdzie automatyzacja zaczyna zastępować człowieka w sytuacji wymagającej odpowiedzi, troski, oceny, pedagogiki, negocjacji, konfliktu lub opieki. To strategia szczególnie ważna w edukacji, instytucjach kultury, dokumentacji wrażliwej, pracy z publicznością i sytuacjach, w których decyzja ma konsekwencje dla osób. Oskar Chmioła © Sztuka po AI-2.0, 2026 113 Sztuka po AI jako strategia balansu nie jest najwyższym piętrem hierarchii. Nie oznacza, że dana praca jest moralnie „lepsza” od innych. Oznacza zdolność kompozycji decyzji: czasem użyć, czasem odmówić, czasem ujawnić, czasem ograniczyć, czasem opóźnić, czasem nie dokumentować, czasem wrócić do prostszego narzędzia, czasem zbudować jawny protokół. Jej centrum nie jest czystość, lecz odpowiedzialność. 5. Ryzyka strategii i wariantów Strategia Ryzyko uproszczenia Korekta Pytanie kontrolne Postgeneratywność Użycie modelu zostaje nazwane Sprawdzić, czy proces Co dokładnie zmieniło użycie krytycznym tylko dlatego, że rzeczywiście ujawnia, ogranicza modelu w sposobie myślenia, dotyczy tematu AI. lub przekształca generatywność. produkcji i odpowiedzialności? Antygeneratywność Odmowa staje się gestem Odmowę trzeba powiązać z Kogo chroni odmowa i czy prestiżowej czystości albo konkretną relacją, zgodą, kogoś nie pozbawia dostępu? wyklucza potrzebne narzędzia danymi, prawem do nieobrazu dostępności. albo ochroną sensu. Postagentowość Agent zostaje potraktowany jak Ujawnić asymetrię relacji i Czy interakcja została partner, osoba albo wspólnota. jasno zapisać, że pomylona z relacją? odpowiedzialność pozostaje po stronie ludzi. Antyagentowość Każda automatyzacja zostaje Odróżnić narzędzie wspierające Czy automat przejmuje decyzję, odrzucona jako nieetyczna. od narzędzia zastępującego której nie powinien przejąć? odpowiedzialnego człowieka. Sztuka po AI jako balans Balans staje się wygodnym Wymagać raportu decyzji, skali, Jakie decyzje zostały podjęte, a usprawiedliwieniem dowolnego danych, kosztu, jawności i nie tylko zadeklarowane? użycia narzędzi. granic. 6. Pytania diagnostyczne Pytanie Znaczenie dla decyzji Czy użycie AI jest konieczne dla sensu pracy, czy tylko Odróżnia narzędzie poznawcze od narzędzia nadprodukcji. przyspiesza produkcję? Czy dane, obrazy, głosy, style albo dokumentacje użyte w Chroni przed ekstrakcją i pozorem niewinnej dostępności. procesie mają jasny status zgody? Czy publiczność zostaje potraktowana jako relacja, czy jako Pozwala rozpoznać granicę między współobecnością a profil, pomiar albo zbiór danych? automatyzacją uwagi. Czy wynik jest jawnie opisany jako syntetyczny, hybrydowy, Porządkuje zaufanie i odpowiedzialność odbioru. wspierany narzędziowo albo niegenerowany? Czy proces zawiera moment zatrzymania, odmowy albo Sprawdza, czy twórczość nie została całkowicie ograniczenia skali? podporządkowana generatywnemu nadmiarowi. Czy dokumentacja wzmacnia pamięć, czy tylko zwiększa obieg? Umożliwia stosowanie prawa do nieobrazu i niedokumentowania. Czy narzędzie działa jako wsparcie decyzji, czy zastępuje Rozstrzyga granicę między odpowiedzialnym użyciem a decyzję? delegowaniem sprawczości. 7. Najczęstsze błędy użycia macierzy Pierwszy błąd polega na myleniu strategii z tematem. Dzieło o AI nie musi być Sztuką po AI. Może jedynie reprodukować język technologicznego zachwytu, generować efektowną powierzchnię albo używać krytycznych haseł bez zmiany procedury. Drugi błąd polega na utożsamieniu odmowy z niewiedzą. Odmowa może być najbardziej zaawansowaną decyzją procesu, jeśli wynika z rozpoznania danych, relacji, zgody, kosztu i granic dokumentacji. Oskar Chmioła © Sztuka po AI-2.0, 2026 114 Trzeci błąd polega na moralnej hierarchizacji strategii. Nie ma jednej strategii zawsze najlepszej. Są strategie mniej lub bardziej adekwatne do sytuacji. W pracy archiwalnej ważniejsza może być antygeneratywność i kontrola metadanych; w pracy badawczej – postgeneratywne ujawnienie mechanizmu; w edukacji – antyagentowa obrona relacji pedagogicznej; w projekcie instytucjonalnym – strategia balansu. Czwarty błąd polega na pomijaniu faz procesu. Ta sama praca może być antygeneratywna w zakresie dokumentacji, postgeneratywna w zakresie eksperymentu formalnego i antyagentowa w zakresie kontaktu z publicznością. Macierz służy właśnie do uchwycenia tych różnic. 8. Relacja macierzy do rozdziałów książki Rozdziały I–III dostarczają diagnozy pola: sztuka z AI oznacza warunek predykcyjny, infrastrukturalny i instytucjonalny. Rozdział IV proponuje pierwsze modele odpowiedzi: relację, ograniczenie, lokalność, low-tech, nieoptymalność i dzieło jako sytuację. Rozdział V nazywa strategie oporu, a rozdziały VI–VIII sprawdzają je w praktyce, etyce, edukacji i instytucjach. Aneks 1 pokazuje przykłady, które można czytać przez tę macierz. Aneks 2 daje narzędzie decyzji. Aneksy 3– 5 przenoszą decyzję na raportowanie środowiskowe, raportowanie etyczne i protokoły użycia. 9. Minimalna karta diagnostyczna Obszar Minimalne pytanie Odpowiedź wymagana przed realizacją Cel Po co w tej pracy pojawia się AI albo Jedno zdanie określające funkcję odmowa AI? narzędzia, ograniczenia albo odmowy. Dane Czy proces korzysta z cudzych danych, Opis źródła, statusu zgody i zakresu stylów, głosów, obrazów, archiwów lub użycia. dokumentacji? Skala Ile generowania, inferencji, iteracji, Uzasadniona minimalna skala pracy. renderów lub automatycznych odpowiedzi jest rzeczywiście potrzebne? Relacja Czy narzędzie wzmacnia relację, czy ją Decyzja, które funkcje muszą pozostać po zastępuje? stronie człowieka. Jawność Co odbiorca powinien wiedzieć o użyciu Krótka nota procesu albo opis statusu AI? syntetycznego/hybrydowego. Dokumentacja Co dokumentować, czego nie Zasada dokumentacji, prawo do nieobrazu dokumentować i dlaczego? oraz zakres archiwizacji. Odpowiedzialność Kto odpowiada za wynik i jego Imię, funkcja lub instytucja konsekwencje? odpowiedzialna za decyzję, nie za samo kliknięcie. 10. Manifesty strategii składowych Manifest Sztuki Postgeneratywnej Sztuka postgeneratywna przechwytuje generowanie po to, aby odzyskać decyzję, ujawnić warunki modelu i nie pozwolić, by wariant zastąpił odpowiedzialność. Zaczyna się po pierwszym zachwycie generowaniem. Nie odrzuca modelu jako narzędzia, ale nie pozwala mu stać się domyślnym sposobem myślenia. Używa generatywności wtedy, gdy można pokazać jej warunki, ograniczyć jej skalę, zakłócić jej gładkość i wziąć odpowiedzialność za wynik. Generator nie jest autorem. Jest materiałem, aparatem, procedurą, lustrem statystycznym, czasem partnerem technicznym, czasem przeszkodą, czasem symptomem pola. Sztuka postgeneratywna pyta, co generowanie robi z obrazem, tekstem, gestem, publicznością i instytucją. Nie chce większej liczby wariantów. Chce lepszej decyzji pośród wariantów. Oskar Chmioła © Sztuka po AI-2.0, 2026 115 Postgeneratywność nie zasłania się modelem. Nie mówi: „to zrobiła AI”. Mówi: „wybraliśmy takie narzędzie, w takim celu, przy takich ograniczeniach i z taką odpowiedzialnością”. Jej formuła brzmi: używamy generowania tylko wtedy, gdy potrafimy pokazać, co generowanie robi z nami i z warunkami sztuki. – Manifest Sztuki Postgeneratywnej Manifest Sztuki Antygeneratywnej Sztuka antygeneratywna ustanawia granicę tam, gdzie generowanie zamieniłoby relację, pamięć, zgodę, ciało albo archiwum w zasób systemu. Odmawia generowania tam, gdzie generowanie narusza pamięć, zgodę, relację, ciało, żałobę, lokalność, tajemnicę, prawo do nieobrazu albo nieprzekładalny sens sytuacji. Nie jest sztuką bez technologii. Jest sztuką, która wie, kiedy technologia stałaby się nadużyciem. Antygeneratywność broni prawa do nieindeksowalności i nieprzetwarzania. Nie wszystko musi dać się znaleźć, skatalogować, streścić, wygenerować i podać dalej jako materiał dla systemu. Archiwum nie jest paszą. Publiczność nie jest zbiorem treningowym. Styl nie jest bezpaństwowym zasobem. Dokumentacja performansu nie jest automatycznie zgodą na modelowanie obecności. Jej ryzykiem jest romantyzowanie niewidzialności. Stąd pyta, kogo chroni i kogo może wykluczyć. Jej formuła brzmi: tego nie generujemy, ponieważ sens tej sytuacji zależy od granicy. – Manifest Sztuki Antygeneratywnej Manifest Sztuki Postagentowej Sztuka postagentowa bada systemy działające jak agenci bez oddawania im podmiotowości, odpowiedzialności ani prawa do zastępowania relacji. Żyje wśród systemów, które odpowiadają, planują, porządkują, filtrują i prowadzą użytkownika przez kolejne kroki. Nie udaje, że te systemy znikną. Nie uznaje ich jednak za osoby. Agent może być narzędziem, aktorem proceduralnym, statystą, figurą dramaturgiczną albo materiałem badania, ale nie jest wspólnotą, nauczycielem, kuratorem ani świadkiem w sensie relacyjnym. Postagentowość bada delegowanie. Pyta, co dzieje się z artystą, instytucją, edukatorem i publicznością, gdy odpowiedź zostaje wygenerowana przez system. Ujawnia pęknięcie między interakcją a relacją. System może podtrzymywać rozmowę, ale nie ponosi odpowiedzialności za spotkanie. Jej formuła brzmi: agent może działać w dziele, ale odpowiedzialność za dzieło pozostaje po stronie człowieka, instytucji i ramy procesu. – Manifest Sztuki Postagentowej Manifest Sztuki Antyagentowej Sztuka antyagentowa odmawia automatycznej symulacji relacji tam, gdzie stawką jest człowiek, odpowiedzialność, troska, ocena albo przyszłość. Zaczyna się tam, gdzie symulowana relacja staje się nadużyciem. Nie każde pytanie powinno trafić do chatbota. Nie każda publiczność może zostać zastąpiona profilem. Nie każdy student powinien otrzymać automatyczny feedback zamiast rozmowy. Nie każda instytucja może ukryć człowieka za interfejsem obsługi. Antyagentowość broni prawa do człowieka. Prawo do człowieka oznacza prawo do odpowiedzi osoby tam, gdzie decyzja dotyczy oceny, troski, konfliktu, krzywdy, przyszłości, dostępu, wykluczenia albo odpowiedzialności. Automatyczna empatia nie jest empatią. Symulowana troska nie jest troską. Interakcja bez ryzyka nie jest relacją. Jej formuła brzmi: tam, gdzie stawką jest odpowiedzialność za przyszłość, człowiek nie może zniknąć za automatem. – Manifest Sztuki Antyagentowej Oskar Chmioła © Sztuka po AI-2.0, 2026 116 Aneks 3. Raport środowiskowy Raport środowiskowy nie jest certyfikatem niewinności. Nie ma mówić, że proces twórczy jest ekologicznie czysty, ponieważ w warunkach sztuki z AI taka deklaracja byłaby zwykle pozornie precyzyjna. Jego zadaniem jest uczciwe rozpoznanie obciążeń, niepewności, skali użycia, decyzji ograniczających i miejsc, w których odpowiedzialność autora lub instytucji styka się z odpowiedzialnością infrastrukturalną Big Tech. AI nie jest narzędziem niematerialnym. Za płynną odpowiedzią modelu stoją centra danych, energia, woda, sprzęt, układy scalone, łańcuchy dostaw, chłodzenie, praca ludzka, moderacja, etykietowanie, utrzymanie infrastruktury, regulaminy i własność platform. Raport środowiskowy powinien więc zaczynać się nie od samych liczb, lecz od rozróżnienia zakresów. 1. Zakres raportu Raport obejmuje trzy poziomy. Poziom pierwszy dotyczy procesu powstania tej rozprawy: pracy tekstowej, redakcyjnej, organizacyjnej, użycia narzędzi cyfrowych i pomocniczego użycia modeli językowych. Poziom drugi dotyczy typowych obciążeń związanych z AI jako infrastrukturą: treningiem, inferencją, centrami danych, energią, wodą, sprzętem i pracą. Poziom trzeci dotyczy wniosków dla praktyk artystycznych, instytucjonalnych i edukacyjnych: jak ograniczać skalę, kiedy nie używać modeli, jak raportować użycie i jak nie mylić technologicznej wygody z odpowiedzialnością. Raport nie jest pełnym rachunkiem LCA, czyli analizą cyklu życia produktu od wydobycia surowców po utylizację. Nie zawiera dostępu do wewnętrznych danych dostawców modeli, pełnych logów zapytań, lokalizacji wszystkich centrów danych ani pomiarów zużycia energii przypisanych do pojedynczych operacji. Z tego powodu używane w książce liczby należy czytać przez ich zakres, źródło i ograniczenia metodologiczne, a nie jako prosty rachunek kosztu całej twórczości po AI. 2. Trening, inferencja i skala użycia Trening modelu i inferencja to dwa różne poziomy obciążenia środowiskowego. Trening oznacza proces tworzenia lub dostrajania modelu na dużych zbiorach danych, zwykle związany z wysokim kosztem obliczeniowym. Inferencja oznacza późniejsze użycie modelu: każde zapytanie, streszczenie, tłumaczenie, wygenerowanie obrazu, analiza tekstu, transkrypcja albo odpowiedź systemu. W debacie publicznej łatwo przecenić jeden z tych poziomów i nie docenić drugiego. Trening jest spektakularny, ale masowa inferencja również staje się problemem skali. W praktyce twórczej najważniejsze jest pytanie o proporcję. Jedno pomocnicze użycie modelu do uporządkowania notatek nie ma tego samego statusu co setki generowanych filmów, masowe renderowanie wariantów, automatyczne tworzenie dokumentacji albo ciągłe używanie agentów w instytucji. Etyka środowiskowa sztuki po AI nie zaczyna się więc od abstrakcyjnego zakazu. Zaczyna się od pytania: jaka jest minimalna skuteczna skala użycia narzędzia? Warstwa Co należy rozróżnić Ograniczenie metodologiczne Energia Trening, inferencja, przechowywanie Nie zawsze da się przypisać energię do danych, chłodzenie, utrzymanie usług, sieć pojedynczego zapytania lub dzieła. i urządzenia użytkownika. Woda Woda bezpośrednio używana do Wodny ślad zależy od lokalizacji centrum chłodzenia oraz woda pośrednia związana danych, klimatu, technologii chłodzenia i z produkcją energii i sprzętu. miksu energetycznego. Emisje Emisje operacyjne, emisje wbudowane w Deklaracje firm mogą używać różnych sprzęt, emisje łańcuchów dostaw i emisje metod kompensacji, zakupów energii i zależne od energii. raportowania. Sprzęt GPU, akceleratory, serwery, pamięć, sieci, Koszt sprzętu jest trudny do rozdzielenia Oskar Chmioła © Sztuka po AI-2.0, 2026 117 Warstwa Co należy rozróżnić Ograniczenie metodologiczne produkcja półprzewodników, odpady między AI, chmurę i inne usługi cyfrowe. elektroniczne. Praca Etykietowanie danych, moderacja, ocena Praca ludzka jest często niewidoczna i odpowiedzi, RLHF, utrzymanie systemów, nierówno rozłożona geograficznie. praca infrastrukturalna. Dane Zbiory treningowe, archiwa, scraping, Dostępność techniczna nie jest zgodą metadane, dokumentacje, prace artystów, etyczną ani prawną. teksty, obrazy, głosy. 3. Dane liczbowe i granice odpowiedzialnego raportowania Dane liczbowe przywoływane w książce mają działać jako orientacja, nie jako efekt retoryczny. Informacje dotyczące globalnego zużycia energii przez centra danych, prognoz wzrostu, wodnego śladu AI, deklaracji środowiskowych firm technologicznych, kosztu medianowego pojedynczych zapytań oraz danych o e-waste powinny być czytane razem z zakresem źródła, metodą pomiaru i ograniczeniami porównywalności. Raport środowiskowy nie udaje pełnej przejrzystości infrastruktury, do której autor nie ma dostępu. Jego wiarygodność polega na odpowiedzialnym rozróżnieniu tego, co wiadomo, tego, co można oszacować, i tego, czego nie należy podawać jako pewnika. Zakres danych Sposób użycia w książce Komentarz metodologiczny Raport IEA „Energy and AI” Dane o zużyciu energii przez centra Nie utożsamiać całych centrów danych danych i prognozach wzrostu. wyłącznie z AI; zaznaczyć, że AI jest jednym z motorów wzrostu zapotrzebowania. Raporty środowiskowe Microsoft / Google Informacje o efektywności, wodzie, energii Czytać krytycznie jako źródła firmowe; i innych firm odnawialnej, centrach danych i odróżniać deklarację, metodologię, deklarowanych działaniach kompensację i dane operacyjne. ograniczających. Badania nad wodnym śladem AI Kontekst lokalizacji centrów danych i Nie stosować jednej liczby do wszystkich chłodzenia. modeli, regionów i typów zadań. Dane o koszcie pojedynczego promptu Możliwe porównanie skali mikro z Nie uogólniać z jednego systemu, jednego poziomem infrastrukturalnym. typu promptu i jednego środowiska produkcyjnego na całą AI. Raporty o e-waste Kontekst sprzętu, wymiany urządzeń, Oddzielać odpady elektroniczne ogółem od serwerów i łańcuchów dostaw. udziału infrastruktury AI, jeśli źródło nie pozwala na rozdzielenie. 4. Raport środowiskowy procesu rozprawy Proces powstania rozprawy obejmował pracę autorską, redakcyjną, organizacyjną, korzystanie z komputera, przechowywanie plików, wyszukiwanie i analizę źródeł, pracę w edytorach tekstu oraz pomocnicze użycie modeli językowych. Nie ma tu podstaw do wykonania precyzyjnego rachunku zużycia energii, wody i emisji przypisanego do całości procesu, ponieważ nie są dostępne pełne dane infrastrukturalne dostawców narzędzi, dokładny bilans zapytań, lokalizacja obliczeń ani parametry wszystkich operacji. Uczciwsze jest więc wskazanie obszarów kosztu i decyzji ograniczających niż tworzenie pozornie dokładnej tabeli śladu środowiskowego. Najważniejszą decyzją środowiskową w procesie tekstowym jest ograniczanie skali użycia narzędzi. Modele językowe mogą pomagać w wariantowaniu, ale stąd łatwo prowadzą do nadprodukcji. Każdy kolejny wariant, streszczenie, przebudowa i automatyczna korekta może wydawać się małym kosztem, ale w skali praktyk instytucjonalnych i edukacyjnych staje się Oskar Chmioła © Sztuka po AI-2.0, 2026 118 nawykiem. W tej książce raport środowiskowy nie służy więc samousprawiedliwieniu. Ma pokazać, że także praca krytyczna wobec AI odbywa się w infrastrukturze, którą krytykuje. 5. Zasady ograniczania śladu w praktykach po AI Pierwsza zasada brzmi: minimalna potrzebna skala. Nie generować wielu wariantów, jeśli decyzja może zostać podjęta po kilku próbach. Nie uruchamiać modeli wideo, jeśli potrzebny jest szkic tekstowy. Nie używać systemu agentowego, jeśli wystarcza prosty formularz albo rozmowa. Nie tworzyć automatycznej dokumentacji, jeśli dokumentacja narusza sens sytuacji. Druga zasada brzmi: proporcjonalność narzędzia. Narzędzie powinno odpowiadać zadaniu. Im bardziej zasobożerne medium, tym mocniejszego uzasadnienia wymaga. Tekst, szkic, rozmowa, fotografia, notatka, rysunek, dźwięk, archiwum lokalne i praca manualna nie są „gorsze” tylko dlatego, że są mniej zautomatyzowane. Trzecia zasada brzmi: jawność kosztu i niepewności. Jeśli nie da się policzyć pełnego kosztu, należy to powiedzieć. Brak danych nie jest dowodem braku kosztu. Jest powodem ostrożności. Czwarta zasada brzmi: low-tech bez fetyszyzacji. Praca niskotechnologiczna może ograniczać obciążenia i wzmacniać relację, ale nie powinna wykluczać osób potrzebujących narzędzi dostępności, tłumaczeń, transkrypcji albo zdalnego udziału. Piąta zasada brzmi: odpowiedzialność instytucjonalna. Artysta może ograniczać własne użycie, ale instytucje kultury powinny tworzyć polityki zakupów, archiwizacji, ochrony danych, wyboru dostawców, trwałości sprzętu, przechowywania plików i raportowania procesów. 6. Konkluzja raportu środowiskowego Raport środowiskowy tej książki nie kończy się liczbą. Kończy się zmianą pytania. Zamiast pytać tylko: „czy mogę użyć AI?”, należy pytać: „po co jej używam, w jakiej skali, z jakim kosztem, wobec kogo, przy jakiej jawności i co mogłoby zostać zrobione prościej?”. W świecie ekokruchości odpowiedzialność nie polega na deklaracji czystości, lecz na konsekwentnym zmniejszaniu niepotrzebnej skali oraz ujawnianiu miejsc, których nie umiemy jeszcze policzyć. Oskar Chmioła © Sztuka po AI-2.0, 2026 119 Aneks 4. Raport etyczny procesu twórczego Raport etyczny procesu twórczego opisuje warunki powstania rozprawy. Nie jest rytuałem oczyszczenia i nie ma budować wrażenia, że użycie narzędzi AI staje się bezproblemowe, jeśli zostanie nazwane. Jego zadaniem jest ujawnienie decyzji, ograniczeń, ryzyk i odpowiedzialności, które towarzyszą pisaniu książki o AI w świecie już współorganizowanym przez AI. 1. Status AI w procesie Modele językowe były używane jako narzędzia pomocnicze: do porządkowania materiału, testowania wariantów argumentacji, wskazywania miejsc wymagających doprecyzowania, redakcji fragmentów, sprawdzania spójności pojęciowej i organizacji kolejnych etapów pracy. Nie pełniły funkcji autora ani współautora. Nie podejmowały ostatecznych decyzji o tezach, przykładach, strukturze, interpretacjach, tonie książki ani finalnym kształcie tekstu. Odpowiedzialność za książkę pozostała po stronie autora. Dotyczyło to zarówno twierdzeń, jak i błędów, decyzji redakcyjnych, wyboru przykładów, sposobu interpretacji źródeł, języka, struktury i granic argumentacji. Narzędzie mogło przyspieszać porządkowanie myśli, ale nie mogło przejąć odpowiedzialności za sens. Stąd raport etyczny jest częścią książki, a nie dodatkiem technicznym. Proces powstawania tej rozprawy miał charakter długotrwały i wieloetapowy. Pierwsza wersja książki powstawała przez około trzy lata jako autorska praca koncepcyjna, badawcza i redakcyjna. W marcu 2025 roku została udostępniona do publicznej redakcji, a następnie przez ponad rok była rozwijana, doprecyzowywana, korygowana i kontrolowana. Ten etap obejmował autorską pracę nad strukturą i argumentacją, konsultacje, weryfikację faktów, kolejne korekty oraz pomocnicze użycie narzędzi AI. Publiczne udostępnienie wcześniejszej wersji było gestem transparentności i zaproszeniem do rozmowy, nie oznaczało jednak przeniesienia autorstwa ani odpowiedzialności za tekst na komentujących, czytelników lub narzędzia. Finalna wersja pozostaje autorską rozprawą Oskara Chmioły. 2. Obszary użycia i granice delegowania Obszar Dopuszczalna funkcja narzędzia Granica odpowiedzialności Porządkowanie materiału Propozycje struktury, wykrywanie Ostateczny układ i hierarchia argumentów powtórzeń, grupowanie wątków, warianty pozostawały decyzją autora. kolejności. Redakcja językowa Warianty sformułowań, wygładzanie zdań, Styl nie został uśredniony do głosu wykrywanie miejsc zbyt technicznych lub modelu; autor zachował decyzję o idiomie powtarzalnych. tekstu. Argumentacja Testowanie napięć, kontrargumentów, Model nie rozstrzygał prawdziwości tezy brakujących przejść i pojęć wymagających ani wartości interpretacji. definicji. Przykłady Pomoc w porządkowaniu mapy Nazwy, daty, statusy dzieł, spraw przykładów i odróżnianiu typów praktyk. prawnych i źródeł wymagały niezależnej weryfikacji. Raporty i protokoły Pomoc w budowaniu tabel, pytań Protokół nie zastępował decyzji etycznej kontrolnych i spójnych kategorii. ani odpowiedzialności instytucjonalnej. Korekta finalna Wskazywanie niespójności, powtórzeń, Ostateczne brzmienie tekstu było decyzją śladów roboczych i miejsc nieczytelnych. autora i redakcji. Oskar Chmioła © Sztuka po AI-2.0, 2026 120 3. Ryzyka związane z użyciem AI Pierwsze ryzyko to uśrednienie stylu. Model dobrze produkuje płynność, ale płynność nie jest tożsama z myśleniem. Tekst krytyczny wobec predykcyjności nie może brzmieć jak domyślna odpowiedź systemu. Z tego powodu konieczne było różnicowanie długości akapitów, utrzymywanie autorskiego rytmu, przywracanie napięcia argumentacyjnego i usuwanie zbyt instrukcyjnego tonu. Drugie ryzyko dotyczyło nadmiernej pewności. Model potrafi tworzyć zdania brzmiące jak wiedza nawet wtedy, gdy wymagają potwierdzenia. W książce o AI byłoby to szczególnie niebezpieczne, ponieważ wzmacniałoby dokładnie tę halucynacyjną powierzchnię, którą książka krytykuje. Stąd fakty, źródła, daty, sprawy prawne, nazwy projektów, raporty środowiskowe i przykłady artystyczne wymagały osobnego audytu bibliograficznego. Trzecie ryzyko dotyczyło automatyzacji struktury. Modele chętnie porządkują tekst w powtarzalne listy, symetryczne podziały i przewidywalne formuły. Taka pomoc bywała użyteczna na etapie przygotowawczym, ale finalny tekst nie stał się formularzem. Rozprawa zachowała autorski rytm, napięcie, długie przejścia argumentacyjne, miejsca oporu i zdania, które nie brzmią jak uśredniona odpowiedź systemu. Czwarte ryzyko to rozmycie autorstwa. Jeśli autor ukrywa użycie AI, tworzy fałszywy obraz procesu. Jeśli natomiast przecenia rolę narzędzia, osłabia własną odpowiedzialność. Raport etyczny musi utrzymać środek: AI była narzędziem pomocniczym, ale autorem rozprawy pozostaje Oskar Chmioła. 4. Sposoby ograniczania ryzyk Ryzyko Ograniczenie Wymóg końcowy Uśrednienie stylu Ręczna redakcja rytmu, zdań, akapitów, Tekst zachował napięcie i niepowtarzalny przejść i idiomu autorskiego. głos. Halucynacja faktów Oddzielenie interpretacji od faktów oraz Nie utrzymano faktów bez stabilnego finalny audyt źródeł. potwierdzenia. Nadprodukcja wariantów Ograniczanie liczby iteracji i wybór na Nie mnożono wersji bez potrzeby podstawie sensu, nie samej płynności. argumentacyjnej. Delegowanie decyzji Każdą propozycję narzędzia traktować Decyzja pozostała po stronie autora. jako materiał do oceny, nie rozstrzygnięcie. Ukrycie procesu Jasna nota o pomocniczym użyciu modeli i Czytelnik otrzymuje jasną informację, jaki raport etyczny. był status narzędzi. Autopromocyjny ton raportu Raportowanie ograniczeń i ryzyk razem z Raport nie udaje niewinności procesu. korzyściami. 5. Konsultacje, otwartość i kontrola autorska Wcześniejsza publiczna dostępność rozprawy była gestem otwarcia i zaproszenia do rozmowy, ale nie została przedstawiona jako masowa współredakcja. Znaczenie miały przede wszystkim autorskie decyzje, konsultacje, kolejne wersje redakcyjne i praca nad spójnością książki. Otwartość procesu była ważna, lecz nie rozmyła odpowiedzialności za finalny tekst. Raport etyczny unika więc dwóch skrajności. Nie ukrywa udziału narzędzi AI, bo byłoby to sprzeczne z argumentacją książki. Nie fetyszyzuje też AI jako wyjątkowego współtwórcy, bo prowadziłoby to do nieuzasadnionego nadania narzędziu statusu autora. Etyka procesu polegała na precyzyjnym nazwaniu narzędzia, jego zakresu i jego granic. Oskar Chmioła © Sztuka po AI-2.0, 2026 121 6. Zobowiązanie wobec czytelnika Czytelnik ma prawo wiedzieć, że książka powstała w krytycznym współuczestnictwie z narzędziami AI, ale ma także prawo otrzymać tekst, za który odpowiada człowiek. Raport etyczny nie przenosi zaufania z autora na system. Przeciwnie – przywraca odpowiedzialność autorowi, ponieważ ujawnia, że narzędzie było częścią procesu, ale nie było źródłem odpowiedzialności. Zasada końcowa brzmi: AI mogła wspierać pracę nad tekstem, ale nie mogła zastąpić ryzyka myślenia, ciężaru decyzji i odpowiedzialności za publikację. Oskar Chmioła © Sztuka po AI-2.0, 2026 122 Aneks 5. Protokoły użycia AI Protokoły użycia AI przekładają tezy książki na decyzje praktyczne. Nie zastępują myślenia i nie tworzą administracyjnej iluzji bezpieczeństwa. Mają pomagać w rozpoznaniu, kiedy AI wspiera proces, kiedy go deformuje, kiedy należy ograniczyć skalę użycia, a kiedy trzeba odmówić narzędzia. Każdy protokół powinien być stosowany sytuacyjnie. Ta sama czynność może mieć inny status w pracy artysty, instytucji, archiwum, szkoły artystycznej, krytyka albo kuratora. Protokół nie mówi więc: „zawsze używaj” albo „nigdy nie używaj”. Pyta: kto działa, na jakich danych, wobec kogo, z jakim kosztem, przy jakiej jawności, z jaką możliwością odmowy i z jaką odpowiedzialnością po fakcie. Protokół zerowy: czy w ogóle użyć AI? Pytanie Jeżeli odpowiedź brzmi „tak” Jeżeli odpowiedź brzmi „nie” Czy AI wnosi coś koniecznego dla sensu Opisz funkcję narzędzia w procesie. Nie używaj modelu tylko dlatego, że jest pracy? dostępny. Czy zadanie można wykonać prościej, Uzasadnij, dlaczego prostsza metoda nie Wybierz rozmowę, szkic, notatkę, ręczną mniej zasobożernie albo bardziej wystarcza. analizę lub low-tech. relacyjnie? Czy użycie obejmuje dane, głosy, obrazy, Sprawdź zgodę, licencję, status archiwum i Nie wprowadzaj materiału do modelu. style lub dokumentacje innych osób? ryzyko ekstrakcji. Czy publiczność powinna wiedzieć o Przygotuj krótką notę procesu. Nie udawaj ręcznego procesu, jeśli był użyciu AI? wspierany syntetycznie. Czy narzędzie zastępuje relację? Ogranicz rolę narzędzia albo przywróć Użycie może być rozważane wyłącznie człowieka. jako wsparcie, nie zastępstwo. 1. Protokół użycia AI przez artystę Cel: odróżnić narzędzie twórcze od narzędzia nadprodukcji. Artysta powinien określić, czy AI służy researchowi, szkicowi, wariantowaniu, analizie, krytycznemu ujawnieniu mechanizmu, czy finalnemu wytworzeniu materiału. Każda z tych funkcji wymaga innej jawności. Minimum odpowiedzialności: zapisać, jakie narzędzie zostało użyte, do czego, w jakiej skali, czy finalny wynik zawiera elementy syntetyczne, czy publiczność musi znać status procesu oraz kto odpowiada za decyzję o publikacji. Odmówić użycia, jeśli model wymaga wprowadzenia cudzych materiałów bez jasnej zgody albo jeśli generowanie zastąpiłoby relację, która jest sensem pracy. 2. Protokół użycia AI przez kuratora Cel: chronić interpretację przed automatyczną syntezą. Kurator może używać AI do porządkowania notatek, wariantowania układu tekstu, wykrywania braków w argumentacji lub przygotowania pytań, ale nie powinien zastępować nim spotkania z dziełem, artystą, archiwum i miejscem. Minimum odpowiedzialności: nie generować opisów dzieł bez weryfikacji; nie pozwolić, aby model zbudował fałszywą genealogie praktyki; nie używać AI do przypisywania intencji artyście bez źródła; jawnie opisać, jeśli narzędzie miało znaczący wpływ na tekst kuratorski, klasyfikację lub dokumentację wystawy. Oskar Chmioła © Sztuka po AI-2.0, 2026 123 3. Protokół użycia AI przez instytucję kultury Cel: zapobiec cichej automatyzacji decyzji instytucjonalnych. Instytucja powinna określić, które obszary mogą być wspierane przez AI, a które muszą pozostać po stronie ludzi. Szczególnej ochrony wymagają: selekcja artystów, ocena wniosków, kontakt z publicznością, edukacja, archiwa, dane osobowe, dokumentacja wrażliwa i komunikacja dotycząca konfliktów. Minimum odpowiedzialności: przyjąć politykę użycia AI, określić dostawców narzędzi, zasady przetwarzania danych, zakres jawności, procedury korekty błędów, odpowiedzialność pracowników i możliwość odmowy. Instytucja nie powinna wdrażać narzędzia tylko z tego powodu, że obiecuje oszczędność czasu. Musi pytać, jaki rodzaj relacji lub decyzji zostanie przez nie zmieniony. 4. Protokół użycia AI w edukacji artystycznej Cel: chronić proces uczenia się przed kulturą natychmiastowej odpowiedzi. AI może pomagać studentom porządkować źródła, testować warianty, ćwiczyć argumentację lub zrozumieć pojęcia, ale nie może zastąpić procesu formowania pytania, rozmowy z pedagogiem, korekty pracy, doświadczenia materiału i prawa do błędu. Minimum odpowiedzialności: wymagać raportu procesu zamiast samego zakazu; pytać, które fragmenty pracy powstały z pomocą narzędzia; oceniać decyzje, źródła, eksperyment, materialność i odpowiedzialność, a nie tylko efekt. Detektory AI nie powinny zastępować rozmowy pedagogicznej. W sytuacjach spornych pierwszym narzędziem powinno być wyjaśnienie procesu przez studenta. 5. Protokół użycia AI przy pisaniu tekstu o sztuce Cel: oddzielić wsparcie redakcyjne od automatycznej krytyki. Model może pomagać w redagowaniu języka, porządkowaniu struktury, wykrywaniu powtórzeń albo tworzeniu wariantów pytań. Nie powinien zastępować kontaktu z dziełem, lektury źródeł, rozmowy z artystą ani odpowiedzialności interpretacyjnej. Minimum odpowiedzialności: nie przyjmować faktów z modelu bez źródła; nie generować bibliografii bez weryfikacji; nie przypisywać dziełom intencji bez potwierdzenia; ujawniać istotne użycie AI w tekstach naukowych, krytycznych, kuratorskich i edukacyjnych, jeśli miało wpływ na argumentację, strukturę lub brzmienie publikacji. 6. Protokół użycia AI przy dokumentacji i archiwizacji Cel: odróżnić archiwum jako troskę o pamięć od archiwum jako zasobu ekstrakcyjnego. AI może pomagać w transkrypcji, wyszukiwaniu, opisie, tłumaczeniu i porządkowaniu materiałów, ale każda automatyczna klasyfikacja wymaga kontroli człowieka oraz prawa do korekty. Minimum odpowiedzialności: określić, czy materiały mogą być wprowadzane do narzędzi zewnętrznych; chronić dane uczestników; nie automatyzować opisów wrażliwych bez konsultacji; nie publikować metadanych, które narażają osoby, miejsca lub praktyki; rozdzielać wersję archiwalną, edukacyjną, promocyjną i badawczą. 7. Protokół prawa do nieobrazu i niedokumentowania Protokół powinien obejmować także prawo do niepełnego profilu. Nie chodzi wyłącznie o odmowę obrazu, ale również o odmowę nadmiarowego opisu, automatycznego tagowania, publicznego streszczenia, nieograniczonego archiwizowania i wykorzystywania dokumentacji do trenowania Oskar Chmioła © Sztuka po AI-2.0, 2026 124 systemów. Uczestnik, artysta albo wspólnota mogą zgodzić się na pamięć działania, ale nie na jego pełną ekstrakcję. Cel: uznać, że nie każda sytuacja powinna zostać utrwalona. Prawo do nieobrazu dotyczy performansów, spotkań, działań lokalnych, praktyk żałobnych, pracy z ciałem, sytuacji opieki, warsztatów, konfliktów, procesów wspólnotowych i działań, których sens zależy od obecności, a nie od późniejszego obiegu. Minimum odpowiedzialności: przed dokumentacją ustalić zgodę, cel, zakres, czas przechowywania, możliwość wycofania, status publikacji i ryzyko dalszego przetwarzania. Brak dokumentacji nie może być automatyczny – musi wynikać z decyzji chroniącej sens, osoby lub relację. 8. Protokół ograniczania skali generowania Cel: przeciwdziałać nadprodukcji wariantów. Przed uruchomieniem modelu trzeba określić maksymalną liczbę prób, typ oczekiwanego materiału i kryteria zatrzymania. Generowanie bez końca często nie zwiększa jakości decyzji, lecz osłabia jej ciężar. Minimum odpowiedzialności: ustalić limit iteracji, nie generować obrazów lub filmów „na zapas”, nie tworzyć wielu wersji komunikatów bez realnego celu, nie wykorzystywać modeli do niepotrzebnego podtrzymywania pracy produkcyjnej, która mogłaby zostać ograniczona. 9. Protokół pracy z danymi i zgodą Cel: nie mylić dostępności z prawem do przetwarzania. Materiały publicznie dostępne mogą nadal wymagać zgody, kontekstu, licencji, ochrony danych osobowych albo szczególnego szacunku. Dotyczy to obrazów, głosów, wizerunków, dokumentacji działań, archiwów, tekstów, korespondencji, zdjęć publiczności i zapisów warsztatów. Minimum odpowiedzialności: ustalić źródło danych, podstawę użycia, zakres przetwarzania, sposób przechowywania, możliwość usunięcia, status licencji i ryzyko ponownego użycia przez dostawcę narzędzia. Jeśli nie da się ustalić zgody, materiał nie powinien być wprowadzany do modelu. 10. Protokół odmowy użycia AI Cel: uczynić odmowę decyzją, a nie deklaracją. Odmowa powinna wskazywać, czego dotyczy: generowania, indeksacji, automatycznego opisu, użycia danych, symulowanej relacji, agentowego kontaktu z publicznością, automatycznej oceny, dokumentacji albo pracy na cudzym stylu. Minimum odpowiedzialności: zapisać powód odmowy, jej zakres, możliwe skutki uboczne i alternatywną metodę działania. Odmowa jest mocna wtedy, gdy tworzy inną praktykę – rozmowę, spotkanie, dokumentację ograniczoną, pracę ręczną, archiwum lokalne, proces powolny albo protokół relacyjny. 11. Protokół raportowania procesu Cel: umożliwić czytelnikowi, odbiorcy, uczestnikowi lub instytucji zrozumienie warunków pracy. Raport nie musi być długi. Powinien odpowiadać na kilka podstawowych pytań: czy użyto AI, po co, na jakim etapie, w jakiej skali, z jakimi danymi, przy jakiej kontroli człowieka i z jaką jawnością. Minimum odpowiedzialności: nie ukrywać użycia, które wpływa na status pracy; nie przypisywać modelowi autorstwa; nie zostawiać odbiorcy w fałszywym przekonaniu, że praca powstała Oskar Chmioła © Sztuka po AI-2.0, 2026 125 całkowicie ręcznie, jeśli syntetyczny proces istotnie ją ukształtował. Raport powinien być proporcjonalny do skali i ryzyka. 12. Protokół końcowy: decyzja po Po zakończeniu pracy trzeba ponownie zapytać, co narzędzie zmieniło. Czy przyspieszyło proces bez utraty sensu? Czy wygładziło język za bardzo? Czy wytworzyło pozór wiedzy? Czy zwiększyło dostępność? Czy zaszkodziło relacji? Czy publiczność została właściwie poinformowana? Czy dokumentacja nie stała się materiałem do dalszej ekstrakcji? Czy odmowa była rzeczywista, czy tylko symboliczna? Protokół końcowy przypomina, że etyka AI nie kończy się w chwili wygenerowania wyniku. Zaczyna się także po publikacji: w obiegu, archiwum, opisie, korektach, odpowiedziach publiczności i gotowości do przyznania, że niektóre decyzje trzeba będzie zmienić. Sztuka po AI nie jest stanem niewinności. Jest praktyką ciągłego rozpoznawania warunków. Oskar Chmioła © Sztuka po AI-2.0, 2026 126 Aneks 6. Kierunki dalszych badań i praktyk Aneks 6 nie jest dodatkiem futurologicznym. Jest mapą dalszych praktyk i badań: wskazuje pola, w których tezy książki będą wymagały sprawdzania wobec zmieniających się modeli, instytucji, regulacji, praktyk artystycznych i form kultury. Nie przewiduje przyszłości. Porządkuje pytania, które trzeba będzie zadawać, kiedy przyszłość zacznie przyjmować konkretne narzędzia, platformy, interfejsy i konflikty. 1. Funkcja aneksu Funkcją aneksu jest wyznaczenie obszarów obserwacji, a nie zamknięcie programu badań. Każdy punkt ma wskazać, jakie pytanie praktyczne, etyczne albo instytucjonalne wynika z głównej tezy książki: sztuka po AI nie jest stylem, lecz sytuacyjną strategią odpowiedzialnego działania wobec pola przesiąkniętego predykcją. Dlatego aneks nie jest listą tematów „na przyszłość”, lecz mapą dalszych zastosowań: dla artystów, badaczy, kuratorów, edukatorów i instytucji kultury. Aneks należy czytać jako narzędzie orientacji dla artystów, kuratorów, badaczy, pedagogów i instytucji. Nie zastępuje bibliografii, fact-checkingu ani raportów procesowych. Pomaga natomiast rozpoznać, gdzie mogą pojawiać się nowe napięcia: między symulacją i dokumentem, agentem i relacją, promptem i dziełem, dostępnością i automatyzacją, archiwum i ekstrakcją, neurodanymi i prywatnością, opóźnieniem i rynkiem natychmiastowej odpowiedzi. 2. Estetyka postsyntetyczna Estetyka postsyntetyczna nie oznacza po prostu estetyki obrazów wygenerowanych przez AI. Oznacza stan kultury wizualnej po utracie niewinności syntetycznego obrazu. W takim stanie odbiorca coraz częściej musi pytać nie tylko o to, co obraz przedstawia, lecz także jak powstał, z jakich danych korzysta, jaki status dokumentalny symuluje, czy przetwarza czyjąś twarz, głos albo styl, czy ujawnia własną syntetyczność i czy nie wykorzystuje zaufania związanego z obrazem dokumentalnym. Dalsze badania powinny odróżniać obraz syntetyczny jako narzędzie twórcze od postsyntetycznego warunku kultury. Pierwszy dotyczy konkretnego medium. Drugi dotyczy sytuacji, w której każdy obraz może zostać podejrzany o generowanie, każdy dokument może wymagać potwierdzenia, a każda estetyka archiwum może stać się efektem. Sztuka po AI powinna badać tę nieufność nie jako katastrofę obrazu, lecz jako konieczność nowych form jawności, oznaczania, edukacji i prawa do nieobrazu. 3. Dokument odporny na streszczenie Dokument odporny na streszczenie nie musi być chaotyczny. Może być precyzyjny, ale wielowarstwowy. Jego odporność polega na tym, że najważniejszy sens nie mieści się w samej informacji: zależy od układu, rytmu, powrotów, miejsc pustych, relacji między częściami, odpowiedzialności za źródła i decyzji odbiorcy. System może streścić temat, ale nie musi przejąć sposobu działania dokumentu. Dokument odporny na streszczenie to forma, której wartość nie wyczerpuje się w tezie możliwej do skrócenia. Może to być esej, raport, archiwum, zapis procesu, dokumentacja performansu albo długa rozmowa, w której sens wynika z drogi argumentacji, kolejności napięć, oporu materiału, powrotów, korekt i miejsc niejednoznacznych. W epoce automatycznych streszczeń długie formy nie znikną, ale zmieni się ich funkcja. Będą musiały bronić tych elementów myślenia, których nie można zastąpić streszczeniem: doświadczenia lektury, stopniowania argumentu, śladu wahania, odpowiedzialności za źródła, rytmu dochodzenia do Oskar Chmioła © Sztuka po AI-2.0, 2026 127 wniosku i czasu potrzebnego do zrozumienia. Dokument odporny na streszczenie nie odmawia orientacyjnego skrótu, lecz nie pozwala, aby skrót został pomylony z poznaniem. 4. Infrastruktura opóźnienia Infrastruktura opóźnienia oznacza projektowanie warunków, w których nie wszystko przechodzi natychmiast do obiegu. Może to być opóźniona publikacja dokumentacji, archiwum z dostępem warunkowym, opis wymagający kontekstu, praca z lokalnym kodem, wydarzenie bez pełnej rejestracji albo protokół, który rozdziela pamięć od treningowego surowca. Opóźnienie staje się wtedy formą troski o sens. Infrastruktura opóźnienia oznacza procedury, instytucje i narzędzia, które celowo wprowadzają czas między bodźcem a odpowiedzią. Może to być czas weryfikacji faktów, czas rozmowy z publicznością, czas sprawdzenia danych, czas konsultacji etycznej, czas prawa do odmowy, czas korekty opisu archiwalnego albo czas niepublikowania. Opóźnienie nie jest wartością samą w sobie. Może być pozorem powagi, jeśli nie zmienia decyzji. Staje się wartościowe wtedy, gdy chroni relację przed automatycznym skrótem, pozwala ujawnić koszt, zapobiega błędowi, umożliwia zgodę albo daje miejsce na niepewność. W praktyce instytucjonalnej infrastruktura opóźnienia może oznaczać procedurę kontroli automatycznych opisów, zakaz natychmiastowego publikowania syntetycznej dokumentacji, obowiązek rozmowy o użyciu AI w edukacji albo czas na wycofanie zgody przez uczestników projektu. 5. Platforma współodpowiedzialności Platforma współodpowiedzialności nie powinna być rozumiana jako kolejna scentralizowana usługa zbierająca dane o praktykach artystycznych. W sensie pożądanym byłaby raczej protokołem: sposobem ujawniania użycia AI, raportowania ograniczeń, wskazywania źródeł, opisywania decyzji, dzielenia się kartami procesu i ochrony tych materiałów, które nie powinny zostać przetworzone. Taka platforma musiałaby działać przeciwko własnej pokusie ekstrakcyjnej. Musiałaby minimalizować dane, umożliwiać wycofanie materiałów, jasno określać licencje, rozróżniać publiczną dokumentację od danych wrażliwych, chronić prawo do nieobrazu i unikać zależności od zamkniętej infrastruktury Big Tech, jeśli ta zależność niweczyłaby jej sens. Najważniejsze pytanie brzmi więc nie „jak zbudować platformę?”, lecz „jak zaprojektować warunki odpowiedzialności, które nie staną się kolejnym magazynem cudzej pracy?”. 6. Praktyki kuratorskie po AI Kuratorstwo po AI nie polega na automatyzacji wyboru. Polega na odpowiedzialnym użyciu albo odmowie narzędzi, które mogą wspierać research, tłumaczenie, dostępność, porządkowanie archiwów i komunikację, ale nie powinny zastępować relacji z dziełem, artystą, miejscem, historią i publicznością. Dalsze praktyki kuratorskie powinny pytać, czy rekomendacje nie zamykają pola w podobieństwie, czy automatyczne opisy nie redukują kontekstu, czy narzędzia dostępnościowe są kontrolowane przez ludzi znających dzieło, czy archiwum nie zostaje oddane cudzej infrastrukturze, czy publiczność ma prawo wiedzieć, kiedy spotyka tekst syntetyczny, i czy wystawa nie traktuje AI jako dekoracji aktualności. Polityka kuratorska po AI powinna obejmować oznaczanie użycia modeli, kontrolę danych wprowadzanych do systemów, ochronę dokumentacji publiczności, prawo do nieobrazu oraz odróżnienie dostępności od ekstrakcji. Kurator po AI nie musi być przeciwnikiem modeli. Musi być odpowiedzialny za ich miejsce w sytuacji. Oskar Chmioła © Sztuka po AI-2.0, 2026 128 7. Algorytmizacja dokumentów pamięci Algorytmizacja dokumentów pamięci dotyczy automatycznego porządkowania, transkrybowania, tagowania, streszczania, tłumaczenia i łączenia archiwów. Może zwiększyć dostęp do zasobów, ale może także narzucać kategorie, wygładzać świadectwa, pomijać lokalny kontekst i wzmacniać te dokumenty, które najlepiej pasują do modelu. Sztuka po AI powinna rozwijać zasady odpowiedzialnego opisu pamięci: kontrolę automatycznych klasyfikacji, możliwość wielogłosowych metadanych, prawo do kontekstu, prawo do niepełnej przetwarzalności, oznaczanie niepewności, ochronę wrażliwych świadectw i rozróżnienie między archiwizacją jako troską a archiwizacją jako przygotowaniem materiału do ekstrakcji. 8. Protokoły edukacyjne Protokoły edukacyjne po AI powinny uczyć procesu, nie tylko narzędzia. Ich zadaniem jest wprowadzenie jawności użycia AI, rozmowy o źródłach, danych i zgodzie, sprawdzania faktów, dokumentowania decyzji, rozróżniania pomocy od delegowania, pracy z błędem, krytyki outputu, świadomości środowiskowej, odpowiedzialności za publiczność i prawa do odmowy. Szkoła artystyczna nie powinna ograniczać się ani do zakazu AI, ani do szkolenia z obsługi generatorów. Potrzebuje protokołów, które pytają: co student zrobił samodzielnie, co zlecił systemowi, co sprawdził, co odrzucił, jakie dane wprowadził, czy ujawnił użycie narzędzia, czy rozumie koszt i ograniczenia oraz czy potrafi obronić decyzję twórczą niezależnie od gładkości wyniku. 9. Raporty procesu Raporty procesu są jedną z najważniejszych praktyk wiarygodności po AI. Mogą obejmować raport środowiskowy, raport etyczny, raport użycia AI, raport ograniczeń i raport niewiedzy. Ich celem nie jest certyfikat moralnej czystości, autopromocja ani załącznik administracyjny, lecz ujawnienie, co wiadomo, czego nie wiadomo, jakie decyzje podjęto, gdzie użyto modeli, jakie dane wprowadzono, co zostało ograniczone i gdzie pozostała niepewność. Raport procesu powinien być proporcjonalny do skali pracy. Inne wymagania powinny dotyczyć kameralnego performansu, inne wystawy instytucjonalnej, inne archiwum cyfrowego, inne projektu opartego na danych publiczności. W każdym przypadku raport ma chronić przed pozorem nieważkości: pokazuje, że dzieło miało warunki, koszty, narzędzia i decyzje. 10. Prawo do nieobrazu i niedokumentowania Prawo do nieobrazu oznacza możliwość niewchodzenia w rejestrację, widzialność, syntetyczną reprezentację albo dalsze przetwarzanie. Nie jest sprzeczne z pamięcią kultury. Jest jej etycznym ograniczeniem. Nie każda obecność powinna zostać nagrana, opisana, opublikowana, otagowana i włączona do obiegu danych. Niedokumentowanie może chronić performans, uczestników, praktyki lokalne, wiedzę wspólnotową, osoby wrażliwe, sytuacje intymne i działania, których sens polega na czasowej obecności. Może jednak także utrudniać dostęp i zacierać pamięć. Tym samym prawo do nieobrazu wymaga decyzji, a nie automatycznej zasady: kiedy dokumentacja jest troską, kiedy przemocą, kiedy obowiązkiem instytucjonalnym, a kiedy naruszeniem sytuacji. Oskar Chmioła © Sztuka po AI-2.0, 2026 129 11. Modele świata i sztuka symulacyjna Modele świata należy traktować ostrożnie jako kierunek rozwoju systemów, które próbują modelować zależności, scenariusze, środowiska, ruch, przyczynowość i możliwe działania. W sztuce mogą stać się podstawą symulacyjnych instalacji, wielowariantowych narracji, środowisk reagujących albo prac badających różnicę między modelem, mapą i rzeczywistością. Ryzyko sztuki symulacyjnej polega na pomyleniu prawdopodobnej symulacji z realnym doświadczeniem. Jej potencjał polega na tym, że może ujawniać, jak system buduje możliwość, co pomija, jakie założenia ukrywa, jakie hierarchie językowe i obrazy normalności powiela oraz gdzie symulowany świat zaczyna zastępować odpowiedzialny kontakt z rzeczywistością. 12. AI-native art AI-native art jest pojęciem operacyjnym dla praktyk, które powstają od początku wewnątrz warunków modeli, agentów, danych, promptów, tokenów, przestrzeni latentnych i interfejsów. Nie jest to gotowy gatunek ani dowód postępu sztuki. Jest to obszar, w którym trzeba pytać, czy system jest narzędziem, materiałem, środowiskiem, partnerem proceduralnym, infrastrukturą czy tematem krytyki. Największym ryzykiem AI-native art jest uznanie estetyki systemowej za naturalny język przyszłości: płynnej, wariantowej, beztarciowej, generatywnej i zależnej od platform. Największym potencjałem jest możliwość krytycznej pracy z samymi warunkami modelowania: z danymi, ograniczeniami, promptem, stylem, symulacją, błędem, agentowością i kosztem. 13. Społeczności agentowe Społeczności agentowe oznaczają układy wielu agentów programowych, botów, asystentów, procedur albo modeli, które współdziałają, symulują role, wykonują zadania, negocjują priorytety lub uczestniczą w obiegu interpretacji. W sztuce mogą pojawić się jako aktorzy techniczni, symulowane publiczności, automatyczni krytycy, archiwiści, kuratorzy pomocniczy albo elementy performansu. Nie wolno jednak mylić społeczności agentowej ze wspólnotą w ludzkim sensie. Agent może symulować odpowiedź, ale nie ma odpowiedzialności moralnej, biografii, ciała ani doświadczenia relacji. Sztuka po AI powinna badać tę asymetrię, zamiast ją ukrywać. 14. Sztuka przestrzeni latentnej Przestrzeń latentna to ukryta przestrzeń reprezentacji modelu, w której dane zostają ułożone według relacji podobieństwa, różnicy, sąsiedztwa i prawdopodobieństwa. W praktyce artystycznej może służyć badaniu przejść między formami, interpolacji, stylu, podobieństwa, statystycznego cienia i tego, co model uznaje za wariant tego samego. Trzeba jednak unikać mistyfikacji. Przestrzeń latentna nie jest metafizycznym magazynem obrazów ani wyobraźnią modelu. Jest techniczną organizacją reprezentacji. Jej artystyczna wartość pojawia się wtedy, gdy praca ujawnia sposób porządkowania i jego konsekwencje, a nie wtedy, gdy zachwyca się samym efektem płynnego przejścia. 15. Tokeny, wzorce uwagi i prompt jako forma Token jest jednostką przetwarzania, która nie musi pokrywać się ze słowem. Wzorce uwagi są mechanizmami technicznymi organizującymi relacje między elementami wejścia i odpowiedzi. Oskar Chmioła © Sztuka po AI-2.0, 2026 130 Prompt jest instrukcją, ramą, partyturą, protokołem albo dokumentem procesu, zależnie od użycia. Te trzy elementy tworzą operacyjny język modeli. Sztuka może badać tokenizację jako cięcie języka, uwagę modelu jako politykę ważności i prompt jako formę projektowania warunków. Ryzyko polega na fetyszyzacji promptu: uznaniu, że samo polecenie jest dziełem, nawet jeśli nie ma procesu, decyzji, kontekstu, odpowiedzialności i relacji z wynikiem. Prompt może być materiałem artystycznym, ale tylko wtedy, gdy jego funkcja zostaje rozpoznana, a nie ukryta za mitem magicznej formuły. 16. Interfejsy mózg–komputer, neurodane i neuroprywatność Interfejsy mózg–komputer są obszarem badań i technologii łączących sygnały biologiczne z systemami cyfrowymi. W kontekście sztuki po AI nie należy opisywać ich sensacyjnie. Stawką nie jest obietnica czytania myśli, lecz pytania o sygnały układu nerwowego, uwagę, afekt, neurofeedback, sterowanie, dostępność, zgodę i szczególnie wrażliwe dane. Neurodane wymagają ostrożności większej niż typowe dane użytkownika, ponieważ mogą dotyczyć ciała, reakcji, uwagi, pobudzenia albo wzorców aktywności biologicznej. Praktyki artystyczne pracujące z takimi danymi powinny rozwijać mocne procedury zgody, minimalizacji, przechowywania, wycofania, anonimizacji i interpretacji. Neuroprywatność oznacza tu prawo do tego, aby sygnały ciała i układu nerwowego nie zostały automatycznie potraktowane jako surowiec twórczy, diagnostyczny albo marketingowy. 17. Emerging issues jako obszary obserwacji Emerging issues należy rozumieć jako obszary obserwacji, a nie pewne prognozy ani pogoń za nowinkami. Do najważniejszych należą: zmiany regulacji AI, spory o prawo autorskie i dane treningowe, syntetyczne media audio-wideo, deepfake, agenci, zależność instytucji od API, ekologiczny koszt inferencji, automatyzacja edukacji, krytyki i kuratorstwa, neurodane, modele multimodalne oraz nowe formy odmowy, opóźnienia i nieobrazu. Instytucje kultury powinny mieć procedury okresowej aktualizacji polityk AI, ponieważ brak aktualizacji szybko zamienia politykę w martwy dokument. Dla Sztuki po AI ważne jest nie to, aby natychmiast nazwać każdą nową technologię, lecz aby zachować zdolność rozpoznawania mechanizmów. Nowe narzędzie może wyglądać przełomowo, ale zwykle odtwarza któreś z kluczowych napięć: dane, relację, widzialność, koszt, agentowość, autorstwo, archiwum albo odpowiedzialność. 18. Ogród czasu sztuki i rynek czasu sztuki Ogród czasu sztuki oznacza możliwy format praktyk, wystaw, laboratoriów i wspólnot, które udostępniają nie tylko wynik, lecz także czas procesu: rozmowy, weryfikacji, błędu, odmowy, uczenia się, niegotowości, obserwacji i odpowiedzialności. Rynek czasu sztuki pozostaje pojęciem krytycznym: pyta, jak chronić i finansować te elementy twórczości, których nie da się łatwo zamienić w obiekt, plik, metrykę albo szybki wynik. Instytucja przyszłości może być ogrodem czasu, a nie fabryką widzialności. Oba pojęcia powinny być rozwijane ostrożnie. Ogród czasu nie może stać się festiwalem samego procesu bez odpowiedzialności za efekt. Rynek czasu nie może stać się kolejną metodą monetyzacji uwagi. Ich sens polega na obronie czasu relacji, czasu odbioru, czasu dokumentacji, czasu sprawdzania, czasu niepublikowania i czasu decyzji. Oskar Chmioła © Sztuka po AI-2.0, 2026 131 19. Zasada końcowa aneksu Zasada końcowa Aneksu 6 jest prosta: przyszłości Sztuki po AI nie należy przewidywać tak, jak przewiduje model. Należy przygotowywać warunki odpowiedzialnego działania wobec tego, co dopiero stanie się możliwe. Każdy nowy model, interfejs, agent, archiwum, symulacja, prompt, neurodana albo regulacja powinny zostać poddane tym samym pytaniom: jakie dane są używane, kto odpowiada, co zostaje zautomatyzowane, kto może odmówić, jaki jest koszt, jaka relacja zostaje zachowana, co zostaje opisane, co pozostaje poza przetwarzaniem i czy wynik nie zastępuje sytuacji. Ostateczne kryterium jest proste: czy dana praktyka zwiększa możliwość świadomej decyzji, relacji i odpowiedzialnego raportowania, czy tylko przyspiesza produkcję oraz automatyzuje widzialność. Tak rozumiana przyszłość Sztuki po AI nie jest listą technologii. Jest praktyką rozpoznawania warunków, zanim warunki staną się niewidzialne. Oskar Chmioła © Sztuka po AI-2.0, 2026 132 Bibliografia Bibliografia została uporządkowana według funkcji źródeł w rozprawie. Linki prowadzą do stron wydawców, instytucji, oficjalnych dokumentów, stabilnych opisów bibliograficznych, dokumentów sądowych, raportów albo źródeł autorskich. Źródła internetowe, dokumentacje techniczne, raporty firm technologicznych i strony projektów sprawdzono ponownie na dzień 19.06.2026. W przypadku książek klasycznych, których pełny tekst nie zawsze jest legalnie dostępny online, podano stabilny opis wydawniczy, katalogowy albo stronę wydawcy. Bibliografia nie nadaje wszystkim pozycjom tego samego statusu: obok publikacji naukowych obejmuje oficjalne dokumentacje projektów, karty muzealne, dokumenty prawne, raporty techniczne i źródła kontekstowe. I. Teoria sztuki, estetyka, performans, konceptualizm i instytucje Bishop, Claire, Artificial Hells: Participatory Art and the Politics of Spectatorship, Verso, London- New York 2012, https://www.versobooks.com/products/2251-artificial-hells, dostęp: 19.06.2026. Bourriaud, Nicolas, Relational Aesthetics, Les presses du réel, Dijon 2002, https://www.lespressesdureel.com/EN/ouvrage.php?id=5&menu=0, dostęp: 19.06.2026. Bourdieu, Pierre, The Rules of Art: Genesis and Structure of the Literary Field, Stanford University Press, Stanford 1996, https://www.sup.org/books/art-and-visual-culture/rules-art, dostęp: 19.06.2026. Boltanski, Luc, Chiapello, Ève, The New Spirit of Capitalism, Verso, London-New York 2005, https://www.versobooks.com/products/1980-the-new-spirit-of-capitalism, dostęp: 19.06.2026. Debord, Guy, Report on the Construction of Situations, 1957, Bureau of Public Secrets, https://www.bopsecrets.org/SI/report.htm, dostęp: 19.06.2026. Garcia, David, Lovink, Geert, The ABC of Tactical Media, 1997, https://www.nettime.org/Lists- Archives/nettime-l-9705/msg00096.html, dostęp: 19.06.2026. Kester, Grant H., Conversation Pieces: Community and Communication in Modern Art, University of California Press, Berkeley-Los Angeles 2004, https://www.ucpress.edu/book/9780520275942/conversation-pieces, dostęp: 19.06.2026. Kwon, Miwon, One Place after Another: Site-Specific Art and Locational Identity, MIT Press, Cambridge, MA 2002, https://mitpress.mit.edu/9780262612029/one-place-after-another/, dostęp: 19.06.2026. McKenzie, Jon, Perform or Else: From Discipline to Performance, Routledge, London-New York 2001, https://www.routledge.com/Perform-or-Else-From-Discipline-to-Performance/McKenzie/p/ book/9780415247696, dostęp: 19.06.2026. Phelan, Peggy, Unmarked: The Politics of Performance, Routledge, London-New York 1993, https://english.stanford.edu/publications/unmarked-politics-performance, dostęp: 19.06.2026. Taylor, Diana, The Archive and the Repertoire: Performing Cultural Memory in the Americas, Duke University Press, Durham-London 2003, https://www.dukeupress.edu/the-archive-and-the- repertoire, dostęp: 19.06.2026. von Hantelmann, Dorothea, How to Do Things with Art, JRP Ringier, Zürich 2010, https://jrp- editions.com/art/books/art-theory/documents-series/how-to-do-things-with-art/, dostęp: 19.06.2026. II. Posthumanizm, performatywność, media cyfrowe i krytyka technologii Barad, Karen, Meeting the Universe Halfway: Quantum Physics and the Entanglement of Matter and Meaning, Duke University Press, Durham-London 2007, https://www.dukeupress.edu/meeting- the-universe-halfway, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 133 Bowker, Geoffrey C., Star, Susan Leigh, Sorting Things Out: Classification and Its Consequences, MIT Press, Cambridge-London 1999, https://mitpress.mit.edu/9780262024617/sorting-things-out/, dostęp: 19.06.2026. Porter, Theodore M., Trust in Numbers: The Pursuit of Objectivity in Science and Public Life, Princeton University Press, Princeton 1995. Rouvroy, Antoinette, Berns, Thomas, Algorithmic Governmentality and Prospects of Emancipation: Disparateness as a Precondition for Individuation through Relationships?, „Réseaux” 2013/1, nr 177, s. 163-196, DOI: 10.3917/res.177.0163, https://shs.cairn.info/article/E_RES_177_0163?lang=en, dostęp: 19.06.2026. Scott, James C., Seeing Like a State: How Certain Schemes to Improve the Human Condition Have Failed, Yale University Press, New Haven-London 1998. Supiot, Alain, Governance by Numbers: The Making of a Legal Model of Allegiance, Hart Publishing, Oxford-Portland 2017. Benjamin, Ruha, Race After Technology: Abolitionist Tools for the New Jim Code, Polity Press, Cambridge 2019, https://www.politybooks.com/bookdetail?book_slug=race-after- technology--9781509526409, dostęp: 19.06.2026. Braidotti, Rosi, Posthuman Knowledge, Polity Press, Cambridge 2019, https://www.politybooks.com/bookdetail?book_slug=posthuman-knowledge--9781509535258, dostęp: 19.06.2026. Butler, Judith, Excitable Speech: A Politics of the Performative, Routledge, New York-London 1997, https://www.routledge.com/Excitable-Speech-A-Politics-of-the-Performative/Butler/p/book/ 9780415915885, dostęp: 19.06.2026. Chun, Wendy Hui Kyong, Discriminating Data: Correlation, Neighborhoods, and the New Politics of Recognition, MIT Press, Cambridge, MA 2021, https://mitpress.mit.edu/9780262546255/discriminating-data/, dostęp: 19.06.2026. Chun, Wendy Hui Kyong, Updating to Remain the Same: Habitual New Media, MIT Press, Cambridge, MA 2016, https://mitpress.mit.edu/9780262533065/updating-to-remain-the-same/, dostęp: 19.06.2026. Haraway, Donna J., Staying with the Trouble: Making Kin in the Chthulucene, Duke University Press, Durham-London 2016, https://www.dukeupress.edu/staying-with-the-trouble, dostęp: 19.06.2026. Latour, Bruno, Reassembling the Social: An Introduction to Actor-Network-Theory, Oxford University Press, Oxford 2005, https://global.oup.com/academic/product/reassembling-the- social-9780199256044, dostęp: 19.06.2026. Noble, Safiya Umoja, Algorithms of Oppression: How Search Engines Reinforce Racism, New York University Press, New York 2018, https://nyupress.org/9781479837243/algorithms-of- oppression/, dostęp: 19.06.2026. Stiegler, Bernard, Taking Care of Youth and the Generations, Stanford University Press, Stanford 2010, https://www.sup.org/books/theory-and-philosophy/taking-care-youth-and-generations, dostęp: 19.06.2026. Zuboff, Shoshana, The Age of Surveillance Capitalism, PublicAffairs, New York 2019, https://www.publicaffairsbooks.com/titles/shoshana-zuboff/the-age-of-surveillance-capitalism/ 9781610395694/, dostęp: 19.06.2026. Couldry, Nick, Mejias, Ulises A., The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism, Stanford University Press, Stanford 2019, https://www.sup.org/books/sociology/costs-connection, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 134 III. AI, dane, infrastruktura, modele i agentowość Anthropic, Building Effective Agents, Anthropic Engineering, 2024, https://www.anthropic.com/engineering/building-effective-agents, dostęp: 19.06.2026. Coalition for Content Provenance and Authenticity, C2PA Technical Specification, oficjalna dokumentacja standardu, https://c2pa.org/specifications/specifications/, dostęp: 19.06.2026. Crawford, Kate, Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence, Yale University Press, New Haven-London 2021, https://yalebooks.yale.edu/book/9780300264630/atlas-of-ai/, dostęp: 19.06.2026. Crawford, Kate, Joler, Vladan, Anatomy of an AI System, AI Now Institute / SHARE Lab, 2018, https://anatomyof.ai/, dostęp: 19.06.2026. Google DeepMind, Genie 2: A large-scale foundation world model, 2024, https://deepmind.google/discover/blog/genie-2-a-large-scale-foundation-world-model/, dostęp: 19.06.2026. Google DeepMind, Parker-Holder, Jack, Fruchter, Shlomi, Genie 3: A new frontier for world models, 2025, https://deepmind.google/discover/blog/genie-3-a-new-frontier-for-world-models/, dostęp: 19.06.2026. Joler, Vladan, New Extractivism, 2020, https://extractivism.online/, dostęp: 19.06.2026. Maslej, Nestor i in., Artificial Intelligence Index Report 2025, Stanford Institute for Human- Centered Artificial Intelligence, 2025, https://aiindex.stanford.edu/report/, dostęp: 19.06.2026. NVIDIA, NVIDIA Cosmos: Physical AI with World Foundation Models, oficjalna dokumentacja / opis modeli świata dla physical AI, https://www.nvidia.com/en-us/ai/cosmos/, dostęp: 19.06.2026. OpenAI, GPT-4o System Card, 2024, https://openai.com/index/gpt-4o-system-card/, dostęp: 19.06.2026. OpenAI, Sora: Creating video from text, oficjalny opis modelu tekst-wideo, 2024, https://openai.com/index/sora/, dostęp: 19.06.2026. OpenAI, Sora System Card, 9.12.2024, https://openai.com/index/sora-system-card/, dostęp: 19.06.2026. Rombach, Robin, Blattmann, Andreas, Lorenz, Dominik, Esser, Patrick, Ommer, Björn, High- Resolution Image Synthesis with Latent Diffusion Models, CVPR 2022, https://openaccess.thecvf.com/content/CVPR2022/html/Rombach_High- Resolution_Image_Synthesis_With_Latent_Diffusion_Models_CVPR_2022_paper.html, dostęp: 19.06.2026. Russell, Stuart, Norvig, Peter, Artificial Intelligence: A Modern Approach, Pearson, 4th ed. 2020, https://aima.cs.berkeley.edu/, dostęp: 19.06.2026. Staufer, Leon, Feng, Kevin, Wei, Kevin, Bailey, Luke, Duan, Yawen, Yang, Mick, Ozisik, A. Pinar, Casper, Stephen, Kolt, Noam, The 2025 AI Agent Index: Documenting Technical and Safety Features of Deployed Agentic AI Systems, arXiv:2602.17753, 2026, https://arxiv.org/abs/2602.17753, dostęp: 19.06.2026. Zhao, Wayne Xin i in., A Survey of Large Language Models, arXiv:2303.18223, 2023, https://arxiv.org/abs/2303.18223, dostęp: 19.06.2026. Epstein, Ziv, Hertzmann, Aaron, Herman, Laura, Mahari, Robert, Frank, Morgan R., Groh, Matthew, Schroeder, Hope, Smith, Amy, Akten, Memo, Fjeld, Jessica, Farid, Hany, Leach, Neil, Pentland, Alex, Russakovsky, Olga, Art and the Science of Generative AI, „Science” 380(6650), 2023, DOI: 10.1126/science.adh4451, https://www.science.org/doi/10.1126/science.adh4451, dostęp: 19.06.2026. Grba, Dejan, Brittle Opacity: Ambiguities of the Creative AI, xCoAx 2021, DOI: 10.5281/zenodo.4663408, https://doi.org/10.5281/zenodo.4663408, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 135 Jiang, Harry H., Brown, Lauren, Cheng, Jessica, Khan, Mehtab, Gupta, Abhishek, Workman, Deja, Hanna, Alex, Flowers, Johnathan, Gebru, Timnit, AI Art and its Impact on Artists, Proceedings of the 2023 AAAI/ACM Conference on AI, Ethics, and Society, 2023, s. 363–374, DOI: 10.1145/3600211.3604681, https://dl.acm.org/doi/10.1145/3600211.3604681, dostęp: 19.06.2026. Novaković, Jelena, Guga, Jelena, Art after AI: The Impact of Generative AI on the Artworld, w: Navigating the Digital Age. An In-Depth Exploration into the Intersection of Modern Technologies and Societal Transformation, 2024, s. 584–604, DOI: 10.5281/zenodo.14205155, https://doi.org/10.5281/zenodo.14205155, dostęp: 19.06.2026. Shan, Shawn, Cryan, Jenna, Wenger, Emily, Zheng, Haitao, Hanocka, Rana, Zhao, Ben Y., Glaze: Protecting Artists from Style Mimicry by Text-to-Image Models, arXiv:2302.04222, 2023, https://arxiv.org/abs/2302.04222, dostęp: 19.06.2026. Shan, Shawn, Ding, Wenxin, Passananti, Josephine, Wu, Stanley, Zheng, Haitao, Zhao, Ben Y., Nightshade: Prompt-Specific Poisoning Attacks on Text-to-Image Generative Models, arXiv:2310.13828, 2023, https://arxiv.org/abs/2310.13828, dostęp: 19.06.2026. Zylinska, Joanna, After AI Art, „Widok. Theories and Practices of Visual Culture” 38, 2024, DOI: 10.36854/widok/2024.38.2870, https://doi.org/10.36854/widok/2024.38.2870, dostęp: 19.06.2026. Barocas, Solon, Hardt, Moritz, Narayanan, Arvind, Fairness and Machine Learning: Limitations and Opportunities, MIT Press, Cambridge, MA 2023, https://fairmlbook.org/, dostęp: 21.06.2026. Buolamwini, Joy, Gebru, Timnit, Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, Proceedings of Machine Learning Research 81, 2018, s. 77–91, http://proceedings.mlr.press/v81/buolamwini18a.html, dostęp: 21.06.2026. Caliskan, Aylin, Bryson, Joanna J., Narayanan, Arvind, Semantics derived automatically from language corpora contain human-like biases, „Science” 356(6334), 2017, s. 183–186, DOI: 10.1126/science.aal4230, https://www.science.org/doi/10.1126/science.aal4230, dostęp: 21.06.2026. Dastin, Jeffrey, Amazon scraps secret AI recruiting tool that showed bias against women, Reuters, 10.10.2018, https://www.reuters.com/article/world/insight-amazon-scraps-secret-ai-recruiting-tool- that-showed-bias-against-women-idUSKCN1MK0AG/, dostęp: 21.06.2026. Ensign, Danielle, Friedler, Sorelle A., Neville, Scott, Scheidegger, Carlos, Venkatasubramanian, Suresh, Runaway Feedback Loops in Predictive Policing, Proceedings of the 1st Conference on Fairness, Accountability and Transparency, PMLR 81, 2018, s. 160–171, https://proceedings.mlr.press/v81/ensign18a.html, dostęp: 21.06.2026. Larson, Jeff, Mattu, Surya, Kirchner, Lauren, Angwin, Julia, How We Analyzed the COMPAS Recidivism Algorithm, ProPublica, 23.05.2016, https://www.propublica.org/article/how-we- analyzed-the-compas-recidivism-algorithm, dostęp: 21.06.2026. Lee, Peter, Learning from Tay’s introduction, The Official Microsoft Blog, 25.03.2016, https://blogs.microsoft.com/blog/2016/03/25/learning-tays-introduction/, dostęp: 21.06.2026. Neff, Gina, Nagy, Peter, Talking to Bots: Symbiotic Agency and the Case of Tay, „International Journal of Communication” 10, 2016, s. 4915–4931, https://ijoc.org/index.php/ijoc/article/view/6277, dostęp: 21.06.2026. Sweeney, Latanya, Discrimination in Online Ad Delivery, „Communications of the ACM” 56(5), 2013, s. 44–54, https://cacm.acm.org/practice/discrimination-in-online-ad-delivery/, dostęp: 21.06.2026. IV. Ekologia, energia, centra danych, praca i materialność AI Baldé, Kees i in., The Global E-waste Monitor 2024, UNITAR / ITU, Geneva-Bonn 2024, https://ewastemonitor.info/the-global-e-waste-monitor-2024/, dostęp: 19.06.2026. Casilli, Antonio A., Digital Labor and the Inconspicuous Production of Artificial Intelligence, arXiv:2410.05910, 2024, https://arxiv.org/abs/2410.05910, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 136 de Vries, Alex, The growing energy footprint of artificial intelligence, „Joule” 7(10), 2023, DOI: 10.1016/j.joule.2023.09.004, https://www.cell.com/joule/fulltext/S2542-4351(23)00365-3, dostęp: 19.06.2026. Gray, Mary L., Suri, Siddharth, Ghost Work: How to Stop Silicon Valley from Building a New Global Underclass, Houghton Mifflin Harcourt, Boston-New York 2019, https://ghostwork.info/, dostęp: 19.06.2026. International Energy Agency, Electricity 2025, IEA, Paris 2025, https://www.iea.org/reports/electricity-2025, dostęp: 19.06.2026. International Energy Agency, Energy and AI, IEA, Paris 2025, https://www.iea.org/reports/energy-and-ai, dostęp: 19.06.2026. Kamiya, George, Coroamă, Vlad C., Data Centre Energy Use: Critical Review of Models and Results, EDNA – IEA 4E TCP, 2025, https://www.iea-4e.org/edna/publications/data-centre-energy- use-critical-review-of-models-and-results/, dostęp: 19.06.2026. Li, Pengfei, Yang, Jianyi, Islam, Mohammad A., Ren, Shaolei, Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models, arXiv:2304.03271, 2023, https://arxiv.org/abs/2304.03271, dostęp: 19.06.2026. Patterson, David i in., Carbon Emissions and Large Neural Network Training, arXiv:2104.10350, 2021, https://arxiv.org/abs/2104.10350, dostęp: 19.06.2026. Schwartz, Roy, Dodge, Jesse, Smith, Noah A., Etzioni, Oren, Green AI, Communications of the ACM, 2020, https://cacm.acm.org/research/green-ai/, dostęp: 19.06.2026. Strubell, Emma, Ganesh, Ananya, McCallum, Andrew, Energy and Policy Considerations for Deep Learning in NLP, ACL 2019, DOI: 10.18653/v1/P19-1355, https://aclanthology.org/P19-1355/, dostęp: 19.06.2026. United Nations University Institute for Water, Environment and Health, AI and data centres – water, energy and sustainability, materiały raportowe UNU-INWEH, https://unu.edu/inweh, dostęp: 19.06.2026. Elsworth, Cooper, Huang, Keguo, Patterson, David, Schneider, Ian, Sedivy, Robert, Goodman, Savannah, Townsend, Ben, Ranganathan, Parthasarathy, Dean, Jeff, Vahdat, Amin, Gomes, Ben, Manyika, James, Measuring the environmental impact of delivering AI at Google Scale, arXiv:2508.15734, 2025, https://arxiv.org/abs/2508.15734, dostęp: 19.06.2026. Google Cloud, Measuring the environmental impact of AI inference, Google Cloud Blog, 2025, https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai- inference/, dostęp: 19.06.2026. Microsoft Corporation, Environmental Sustainability Report 2025, raport korporacyjny, 2025, https://www.microsoft.com/en-us/corporate-responsibility/sustainability/report/, dostęp: 19.06.2026. Solomon, Steve / Microsoft, Sustainable by design: Next-generation datacenters consume zero water for cooling, Microsoft Cloud Blog, 9.12.2024, https://www.microsoft.com/en-us/microsoft- cloud/blog/2024/12/09/sustainable-by-design-next-generation-datacenters-consume-zero-water-for- cooling/, dostęp: 19.06.2026. Morrison, Jacob, Na, Clara, Fernandez, Jared, Dettmers, Tim, Strubell, Emma, Dodge, Jesse, Holistically Evaluating the Environmental Impact of Creating Language Models, arXiv:2503.05804, 2025, https://arxiv.org/abs/2503.05804, dostęp: 19.06.2026. V. Prawo autorskie, sprawy sądowe i regulacje dotyczące AI European Union, Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (AI Act), Official Journal of the European Union, 2024, https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 137 Getty Images (US), Inc. and Others v Stability AI Ltd, [2025] EWHC 2863 (Ch), High Court of Justice, Business and Property Courts, Intellectual Property List, judgment 4 November 2025, case no. IL-2023-000007, https://www.judiciary.uk/wp-content/uploads/2025/11/Getty-Images-v- Stability-AI.pdf, dostęp: 19.06.2026. Thaler v. Perlmutter, No. 23-5233, United States Court of Appeals for the District of Columbia Circuit, judgment 18 March 2025, https://media.cadc.uscourts.gov/opinions/docs/2025/03/23- 5233.pdf, dostęp: 19.06.2026. United States Copyright Office, Copyright and Artificial Intelligence, Part 1: Digital Replicas, 2024, https://www.copyright.gov/ai/, dostęp: 19.06.2026. United States Copyright Office, Copyright and Artificial Intelligence, Part 2: Copyrightability, 2025, https://www.copyright.gov/ai/, dostęp: 19.06.2026. United States Copyright Office, Copyright and Artificial Intelligence, Part 3: Generative AI Training, Pre-Publication Version, 9.05.2025, https://www.copyright.gov/ai/Copyright-and- Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf, dostęp: 19.06.2026. United States Copyright Office, Copyright and Artificial Intelligence, strona projektu i zbiór raportów Part 1-3, https://www.copyright.gov/ai/, dostęp: 19.06.2026. U.S. District Court, Andersen et al. v. Stability AI Ltd. et al., No. 3:23-cv-00201, Northern District of California, docket and case materials; sprawa w toku według dostępnych wpisów sądowych, https://www.courtlistener.com/docket/66732129/andersen-v-stability-ai-ltd/, dostęp: 19.06.2026. U.S. District Court, Authors Guild et al. v. OpenAI Inc. et al., No. 1:23-cv-08292, Southern District of New York, docket and case materials; sprawa w toku według dostępnych wpisów sądowych, https://www.courtlistener.com/docket/67810584/authors-guild-v-openai-inc/, dostęp: 19.06.2026. VI. Edukacja, pedagogika krytyczna, instytucje wiedzy i dostępność Biesta, Gert J. J., Good Education in an Age of Measurement: Ethics, Politics, Democracy, Routledge / Paradigm, 2010, https://www.routledge.com/Good-Education-in-an-Age-of- Measurement-Ethics-Politics-Democracy/author/p/book/9781594517914, dostęp: 19.06.2026. Freire, Paulo, Pedagogy of the Oppressed, Bloomsbury Academic, wydanie angielskie, https://www.bloomsbury.com/us/pedagogy-of-the-oppressed-9781501314131/, dostęp: 19.06.2026. Giroux, Henry A., On Critical Pedagogy, Bloomsbury Academic, 2020, https://www.bloomsbury.com/us/on-critical-pedagogy-9781350144972/, dostęp: 19.06.2026. hooks, bell, Teaching to Transgress: Education as the Practice of Freedom, Routledge, New York- London 1994, https://www.routledge.com/Teaching-to-Transgress-Education-as-the-Practice-of- Freedom/hooks/p/book/9780415908085, dostęp: 19.06.2026. Liang, Weixin, Yuksekgonul, Mert, Mao, Yining, Wu, Eric, Zou, James, GPT detectors are biased against non-native English writers, „Patterns” 4(7), 2023, DOI: 10.1016/j.patter.2023.100779, https://www.cell.com/patterns/fulltext/S2666-3899(23)00130-7, dostęp: 19.06.2026. Miao, Fengchun, Cukurova, Mutlu, AI Competency Framework for Teachers, UNESCO, Paris 2024, https://www.unesco.org/en/articles/ai-competency-framework-teachers, dostęp: 19.06.2026. Miao, Fengchun, Holmes, Wayne, Guidance for Generative AI in Education and Research, UNESCO, Paris 2023, https://www.unesco.org/en/articles/guidance-generative-ai-education-and- research, dostęp: 19.06.2026. Rancière, Jacques, The Ignorant Schoolmaster: Five Lessons in Intellectual Emancipation, Stanford University Press, Stanford 1991, https://www.sup.org/books/sociology/ignorant- schoolmaster, dostęp: 19.06.2026. UNESCO, AI Competency Framework for Students, UNESCO, Paris 2024, https://www.unesco.org/en/articles/ai-competency-framework-students, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 138 World Wide Web Consortium (W3C), Web Content Accessibility Guidelines (WCAG) 2.2, W3C Recommendation, 2023, https://www.w3.org/TR/WCAG22/, dostęp: 19.06.2026. VII. Artyści, dzieła, projekty, wystawy i praktyki artystyczne Abu Hamdan, Lawrence, oficjalna strona artysty i archiwum projektów, https://lawrenceabuhamdan.com/, dostęp: 19.06.2026. Akten, Memo, Learning to See, dokumentacja projektu, https://www.memo.tv/works/learning-to- see/, dostęp: 19.06.2026. Anadol, Refik, Machine Hallucinations, dokumentacja projektu, https://refikanadol.com/works/machine-hallucinations/, dostęp: 19.06.2026. Cage, John, Silence: Lectures and Writings, Wesleyan University Press, 1961, https://www.weslpress.org/9780819560285/silence/, dostęp: 19.06.2026. Crawford, Kate, Paglen, Trevor, Excavating AI: The Politics of Images in Machine Learning Training Sets, 2019, https://excavating.ai/, dostęp: 19.06.2026. Dinkins, Stephanie, oficjalna strona artystki i dokumentacja projektów AI, https://www.stephaniedinkins.com/, dostęp: 19.06.2026. Eno, Brian, oficjalna strona artysty / dokumentacja praktyk generatywnych, https://brian-eno.net/, dostęp: 19.06.2026. Forensic Architecture, oficjalna strona kolektywu i baza projektów, https://forensic- architecture.org/, dostęp: 19.06.2026. Friedman, Ken, Smith, Owen, Sawchyn, Lauren (red.), The Fluxus Performance Workbook, Performance Research e-Publications, 2002, https://www.thing.net/~grist/ld/fluxusworkbook.pdf, dostęp: 19.06.2026. Hershman Leeson, Lynn, Agent Ruby, dokumentacja projektu SFMOMA, https://www.sfmoma.org/artwork/2008.46/, dostęp: 19.06.2026. Herndon, Holly, Dryhurst, Mat, Holly+ / protokoły głosu syntetycznego, https://holly.plus/, dostęp: 19.06.2026. Klingemann, Mario, Memories of Passersby I, dokumentacja artysty, https://underdestruction.com/2018/12/29/memories-of-passersby-i/, dostęp: 19.06.2026. LeWitt, Sol, Paragraphs on Conceptual Art, Artforum, 1967, https://rednoise.org/teaching/pdal/uploads/Paragraphs.Conceptual.Lewitt.html, dostęp: 19.06.2026. McCarthy, Lauren, LAUREN, dokumentacja projektu, https://lauren-mccarthy.com/LAUREN, dostęp: 19.06.2026. Molnar, Vera, dokumentacja artystki w Centre Pompidou, https://www.centrepompidou.fr/en/ressources/personne/cpzLKo, dostęp: 19.06.2026. Paglen, Trevor, Invisible Images (Your Pictures Are Looking at You), The New Inquiry, 2016, https://thenewinquiry.com/invisible-images-your-pictures-are-looking-at-you/, dostęp: 19.06.2026. Secondary Archive / Fundacja Katarzyny Kozyry, archiwum artystek z Europy Środkowo- Wschodniej, https://secondaryarchive.org/, dostęp: 19.06.2026. Steyerl, Hito, In Defense of the Poor Image, e-flux journal, 2009, https://www.e-flux.com/journal/10/61362/in-defense-of-the-poor-image/, dostęp: 19.06.2026. The Next Rembrandt, dokumentacja projektu ING / Microsoft / TU Delft, https://news.microsoft.com/europe/features/next-rembrandt/, dostęp: 19.06.2026. Wang, Philip, This Person Does Not Exist, strona projektu generującego syntetyczne twarze, 2019-, https://knowyourmeme.com/memes/sites/this-person-does-not-exist, dostęp: 19.06.2026. University of Chicago, Glaze Project, oficjalna strona narzędzia ochrony stylu, https://glaze.cs.uchicago.edu/, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 139 University of Chicago, Nightshade, oficjalna strona narzędzia ochrony obrazów przed niechcianym treningiem, https://nightshade.cs.uchicago.edu/, dostęp: 19.06.2026. Wollny, Zorka, oficjalna strona artystki i dokumentacja projektów, https://zorkawollny.net/, dostęp: 19.06.2026. RZST, Ethical AI for Indigenous Sovereignty, zasób dotyczący suwerenności danych i etycznej AI, https://www.rzst.org/, dostęp: 19.06.2026. Indigenous Protocol and Artificial Intelligence, oficjalna strona projektu, https://www.indigenous- ai.net/, dostęp: 19.06.2026. Siostry Rzek, oficjalna strona inicjatywy / dokumentacja działań, https://siostryrzek.pl/, dostęp: 19.06.2026. Cecylia Malik, oficjalna strona artystki i dokumentacja projektów środowiskowych, https://cecyliamalik.pl/, dostęp: 19.06.2026. ZKM, Solar Protocol (2021–2023); Can the sun do the thinking? (2023), karta pracy, https://zkm.de/en/artwork/solar-protocol-2021-2023-can-the-sun-do-the-thinking-2023, dostęp: 19.06.2026. Ars Electronica, Solar Protocol, dokumentacja projektu / S+T+ARTS Prize, https://ars.electronica.art/hope/en/solar-protocol/, dostęp: 19.06.2026. Tega Brain, Solar Protocol, dokumentacja autorska projektu, https://tegabrain.com/Solar-Protocol, dostęp: 19.06.2026. Solar Protocol, oficjalna strona projektu, https://www.solarprotocol.net/, dostęp: 19.06.2026. Forensic Architecture, Cloud Studies, dokumentacja projektu, https://www.forensicarchitecture.org/investigation/cloudstudies, dostęp: 19.06.2026. Zach Blas, Facial Weaponization Suite, dokumentacja projektu, https://zachblas.info/works/facial- weaponization-suite/, dostęp: 19.06.2026. Paglen, Trevor, Training Humans, dokumentacja projektu i wystawy, https://paglen.studio/2020/04/09/kate-crawford-trevor-paglen-training-humans/, dostęp: 19.06.2026. Fondazione Prada, Crawford, Kate; Paglen, Trevor, Training Humans, dokumentacja wystawy, https://www.fondazioneprada.org/project/training-humans/, dostęp: 19.06.2026. McCarthy, Lauren Lee, SOMEONE, dokumentacja projektu, https://lauren-mccarthy.com/SOMEONE, dostęp: 19.06.2026. Electronic Arts Intermix, Linda Mary Montano, karta artystki i dokumentacja prac wideo, https://www.eai.org/artists/linda-mary-montano, dostęp: 19.06.2026. Montano, Linda Mary, oficjalna strona artystki i archiwum Art/Life, https://www.lindamontano.com/, dostęp: 19.06.2026. MoMA, Tehching Hsieh, oficjalna karta artysty w kolekcji, https://www.moma.org/artists/7598, dostęp: 19.06.2026. Hsieh, Tehching, oficjalna strona artysty i archiwum One Year Performances, https://www.tehchinghsieh.com/, dostęp: 19.06.2026. Guggenheim Museum, Tino Sehgal, oficjalna karta artysty / praktyki, https://www.guggenheim.org/artwork/artist/tino-sehgal, dostęp: 19.06.2026. Tate, Tino Sehgal, oficjalna karta artysty, https://www.tate.org.uk/art/artists/tino-sehgal-12884, dostęp: 19.06.2026. MoMA, Forgotten Bodies and Their Images: Maria Hassabi’s PLASTIC, materiał kontekstowy, https://www.moma.org/explore/inside_out/2016/03/16/forgotten-bodies-and-their-images-maria- hassabis-plastic-2/, dostęp: 19.06.2026. MoMA, Maria Hassabi: PLASTIC, dokumentacja wystawy / live installation, https://www.moma.org/calendar/exhibitions/1611, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 140 Tate / Hyundai Commission, Tania Bruguera, materiały prasowe i dokumentacja projektu, https://www.hyundai.news/uk/articles/press-releases/hyundai-motor-and-tate-modern-announce-the- opening-of-the-fourth-hyundai-commission-by-tania-bruguera.html, dostęp: 19.06.2026. Creative Time, Tania Bruguera, Immigrant Movement International, dokumentacja projektu, https://creativetime.org/projects/immigrant-movement-international/, dostęp: 19.06.2026. Arte Útil, Freehouse, dokumentacja projektu Jeanne van Heeswijk, https://arte-util.org/projects/freehouse/, dostęp: 19.06.2026. Philadelphia Museum of Art, Philadelphia Assembled, dokumentacja projektu Jeanne van Heeswijk, https://www.philamuseum.org/exhibitions/philadelphia-assembled, dostęp: 19.06.2026. MoMA, Tiravanija, Rirkrit, untitled (free/still), 1992/1995/2007/2011-, karta obiektu, https://www.moma.org/collection/works/147206, dostęp: 19.06.2026. MoMA, Rirkrit Tiravanija, oficjalna karta artysty w kolekcji, https://www.moma.org/collection/artists/7479, dostęp: 19.06.2026. MoMA, Nam June Paik, Random Access, karta obiektu, https://www.moma.org/collection/works/81135, dostęp: 19.06.2026. MoMA, Nam June Paik, oficjalna karta artysty w kolekcji, https://www.moma.org/artists/4472, dostęp: 19.06.2026. Bibliothèque nationale de France, Raymond Queneau, karta autora i zasoby bibliograficzne, https://data.bnf.fr/fr/11920857/raymond_queneau/, dostęp: 19.06.2026. Oulipo, oficjalna strona grupy i archiwum praktyk ograniczenia, https://www.oulipo.net/, dostęp: 19.06.2026. Whitney Museum of American Art, Harold Cohen: AARON – Art & Artists, dokumentacja prac, https://whitney.org/exhibitions/harold-cohen-aaron/art, dostęp: 19.06.2026. Whitney Museum of American Art, Harold Cohen: AARON, dokumentacja wystawy, https://whitney.org/exhibitions/harold-cohen-aaron, dostęp: 19.06.2026. Digital Art Museum, Georg Nees, dokumentacja artysty i wczesnej grafiki komputerowej, https://dam.org/museum/artists_ui/artists/nees-georg/, dostęp: 19.06.2026. Digital Art Museum, Frieder Nake, dokumentacja artysty i prac algorytmicznych, https://dam.org/museum/artists_ui/artists/nake-frieder/, dostęp: 19.06.2026. IFRS Foundation / International Sustainability Standards Board, IFRS S1 General Requirements for Disclosure of Sustainability-related Financial Information, 2023, https://www.ifrs.org/issued- standards/ifrs-sustainability-standards-navigator/ifrs-s1-general-requirements/, dostęp: 19.06.2026. IFRS Foundation / International Sustainability Standards Board, IFRS S2 Climate-related Disclosures, 2023, https://www.ifrs.org/issued-standards/ifrs-sustainability-standards-navigator/ifrs- s2-climate-related-disclosures/, dostęp: 19.06.2026. United Nations, Transforming our world: the 2030 Agenda for Sustainable Development, A/RES/70/1, 2015, https://sdgs.un.org/2030agenda, dostęp: 19.06.2026. United Nations Statistics Division, Global indicator framework for the Sustainable Development Goals and targets of the 2030 Agenda for Sustainable Development, aktualna wersja oficjalna, https://unstats.un.org/sdgs/indicators/indicators-list/, dostęp: 19.06.2026. MoMA, Molnar, Vera, Molndrian, 1974, karta obiektu, https://www.moma.org/collection/works/417832, dostęp: 19.06.2026. MoMA, Vera Molnar, oficjalna karta artystki w kolekcji, https://www.moma.org/artists/37083- vera-molnar, dostęp: 19.06.2026. Cahiers d’Art Institute, Sol LeWitt Wall Drawings, opis katalogu raisonné, https://www.cahiersdartinstitute.org/sol-lewitt, dostęp: 19.06.2026. LeWitt, Sol, Wall Drawings Catalogue Raisonné, Artifex Press / Cahiers d’Art Institute, https://www.cahiersdartinstitute.org/catalogues/sol-lewitt-wall-drawings/description, dostęp: 19.06.2026. Oskar Chmioła © Sztuka po AI-2.0, 2026 141 MoMA, Fluxus, materiały kolekcji i wystaw dotyczące praktyk instrukcyjnych i performatywnych, https://www.moma.org/collection/terms/fluxus, dostęp: 19.06.2026. MoMA, John Cage, oficjalna karta artysty w kolekcji, https://www.moma.org/artists/912, dostęp: 19.06.2026. John Cage Trust, 4'33" App / dokumentacja utworu 4'33", https://johncage.org/4_33.html, dostęp: 19.06.2026. MoMA, André Breton, oficjalna nota kolekcji i kontekst surrealizmu, https://www.moma.org/artists/767, dostęp: 19.06.2026. Breton, André, Manifestoes of Surrealism, University of Michigan Press, 1969. ArtReview, What Is Post-AI Art?, rozmowa z Avery Singer, Simonem Dennym, Holly Herndon, Matem Dryhurstem i Jonem Rafmanem, 19.11.2025, https://artreview.com/what-is-post-ai-art-avery- singer-simon-denny-holly-herndon-mat-dryhurst-jon-rafman/, dostęp: 19.06.2026. Stenslie, Stahl, Cerpina, Zane, ART AFTER AI: Utilizing Artificial Intelligence in Art Creation, ISEA 2024, https://isea-archives.siggraph.org/wp-content/uploads/2025/01/2024_Cerpina_ART_AFTER_AI_Ut ilizing_Artificial_Intelligence_in.pdf, dostęp: 19.06.2026. Stenslie, Stahl, Cerpina, Zane (red.), EE #4, 2023: ART AFTER AI, EE: Experimental Emerging Art Magazine, TEKS.press, Trondheim 2023, ISSN: 2464-448X, https://teks.no/press/, dostęp: 19.06.2026. ART AFTER AI, projekt kuratorsko-artystyczny TEKS – Trondheim Electronic Arts Centre, prowadzony przez Stahla Stensliego i Zane Cerpinę, https://www.artafter.ai/, dostęp: 19.06.2026. VIII. Narzędzia, inicjatywy, dokumentacje techniczne i źródła internetowe FutureShow / matryca.tech, Big Tech Files (Matryca), baza referencyjna spraw dotyczących prywatności, bezpieczeństwa, regulacji i etyki technologii; według strony: 33 sprawy, 12 firm, 480 źródeł, https://matryca.tech/, dostęp: 19.06.2026. Anthropic, Claude Models Overview, Claude API Docs, https://docs.anthropic.com/en/docs/about-claude/models/overview, dostęp: 19.06.2026. Google AI for Developers, Gemini API – Models, https://ai.google.dev/gemini-api/docs/models, dostęp: 19.06.2026. Midjourney, Documentation, https://docs.midjourney.com/, dostęp: 19.06.2026. OpenAI, Models, OpenAI API documentation, https://platform.openai.com/docs/models, dostęp: 19.06.2026. OpenAI, DALL·E 3, oficjalny opis modelu generowania obrazów, https://openai.com/index/dall- e-3/, dostęp: 19.06.2026. Runway, oficjalna strona i dokumentacja narzędzi generatywnego wideo oraz modeli kreatywnych, https://runwayml.com/, dostęp: 19.06.2026. Permacomputing.net, Principles for using and designing computational systems, https://permacomputing.net/principles/, dostęp: 19.06.2026. Global Outlook::Digital Humanities, Minimal Computing: About, https://go-dh.github.io/mincomp/about/, dostęp: 19.06.2026. Nota o korzystaniu ze źródeł Źródła internetowe, dokumentacje techniczne, karty projektów, raporty korporacyjne, raporty instytucjonalne i dokumenty sądowe wskazują stan możliwy do weryfikacji na dzień 19.06.2026. W przypadku modeli AI, dokumentacji producentów, spraw prawnych i raportów środowiskowych pole pozostaje zmienne; bibliografia nie sugeruje więc niezmienności źródeł, lecz porządkuje podstawę Oskar Chmioła © Sztuka po AI-2.0, 2026 142 faktograficzną książki według dostępnych i sprawdzalnych odniesień. Pozycje firmowe i oficjalne dokumentacje produktów należy czytać jako źródła statusu, nazw, deklaracji i parametrów technicznych, nie jako niezależne oceny skutków społecznych lub środowiskowych. Oskar Chmioła © Sztuka po AI-2.0, 2026 143