Opis przypadku jest złożony z kilku historii i zmieniony tak, żeby nie dało się rozpoznać żadnej konkretnej osoby.
Na pierwszą sesję pani Karolina przyszła z wydrukiem rozmowy z czatbotem. Kilka stron: bezsenność, drażliwość, zmęczenie, poczucie, że „coś jest nie tak”. Odpowiedź algorytmu była rozsądna i ostrożna, wskazywała na przeciążenie i sugerowała konsultację. Dopiero na trzecim spotkaniu powiedziała o tym, czego nie wpisała nigdzie: od miesięcy nachodzą ją obrazy, że przez nią stanie się coś złego jej dziecku. Wstydziła się ich tak bardzo, że nie potrafiła ich napisać nawet do maszyny.
Ta historia wraca mi w głowie, kiedy czytam nagłówki w rodzaju „AI ocenia stan psychiczny na poziomie psychiatry”. Badanie, o którym tak piszą, istnieje i jest ciekawe. Tylko pokazuje prawie odwrotną rzecz niż tytuły.
Co naprawdę zbadano
Zespół z UTHealth Houston i Uniwersytetu Yale sprawdził, jak model AI o nazwie Qwen3-Omni radzi sobie z badaniem stanu psychicznego. To podstawowa część każdej oceny psychiatrycznej: lekarz obserwuje wygląd i zachowanie, słucha mowy, ocenia nastrój, tok i treść myślenia, pyta o spostrzeganie (na przykład halucynacje) i o myśli samobójcze. Model dostawał nagranie wideo z dźwiękiem i miał zdecydować, które z 44 elementów takiego badania są nieprawidłowe.
Materiał był jednak bardzo szczególny. Dziewięć nagrań, każde krótsze niż trzy minuty. Na nagraniach nie byli pacjenci, tylko zawodowi aktorzy odgrywający według scenariusza trzy postacie: osobę ze schizofrenią, z zaburzeniem obsesyjno-kompulsyjnym i z chorobą afektywną dwubiegunową. Każdą pokazano podczas trzech kolejnych wizyt, z coraz silniejszymi objawami. Te same nagrania niezależnie ocenili psychiatrzy z dwóch ośrodków. Razem dało to 396 pojedynczych ocen do porównania.
Liczby, których nie ma w nagłówkach
Psychiatrzy z Houston i z Yale zgodzili się ze sobą w 90,7% ocen. Model zgadzał się z nimi wyraźnie słabiej: we wskaźniku zgodności, który autorzy wybrali jako główny, eksperci uzyskali między sobą 0,87, a model z ekspertami 0,70–0,72. To przyzwoity wynik, ale nie „poziom psychiatry”.
Najważniejsza liczba to jednak czułość, czyli to, jaką część objawów wskazanych przez ekspertów model w ogóle zauważył. Wyniosła 0,45–0,50. Innymi słowy: model przeoczył ponad połowę objawów, które widzieli lekarze. Jednocześnie ogólny odsetek „nieprawidłowości” zgłaszanych przez model był zbliżony do tego u ekspertów. I tu zaczyna się najciekawsza część.
Dwa różne błędy, które się wzajemnie maskowały
Autorzy podzielili elementy badania na dwie grupy. Pierwsza to rzeczy widoczne i słyszalne: sposób mówienia, wyraz twarzy, nastrój okazywany na zewnątrz. Druga to rzeczy ukryte, do których trzeba dojść przez to, co człowiek opowiada o swoim wnętrzu: urojenia, halucynacje, natrętne myśli.
W pierwszej grupie model widział za dużo. Nieprawidłową mowę wskazał w 55,6% ocen, podczas gdy eksperci w 22–25%. Nieprawidłowy afekt i nastrój w 46,7% ocen, eksperci w 20–24%. Zwykłą ekspresję brał za objaw.
W drugiej grupie widział za mało. Z urojeń, które dostrzegli eksperci, rozpoznał tylko 12–17%. A halucynacji nie rozpoznał ani razu, choć odgrywany pacjent mówił o nich wprost. Z analizy toku rozumowania wynikało, że model poprawnie zapisał słowa o słyszeniu głosów, ale nie połączył ich z pojęciem zaburzeń spostrzegania. Przy zaburzeniu obsesyjno-kompulsyjnym, w którym prawie wszystko dzieje się w myślach, czułość spadła do 0,20–0,22.
Te dwa błędy w sumie się równoważyły. Dlatego łączna liczba „wykrytych” objawów wyglądała podobnie jak u ludzi, a średnia trafność brzmiała dobrze w komunikacie prasowym.
Dwie rzeczy warto dopowiedzieć. Po pierwsze, model trafnie wychwytywał myśli samobójcze, ale autorzy sami zaznaczają, że w tych nagraniach sprowadzały się do jednej, jednoznacznej wypowiedzi. Po drugie, im poważniejszy był stan odgrywanej osoby, tym gorzej radził sobie model: jego trafność spadała z 85–87% na pierwszej wizycie do 71–73% na trzeciej. Zgodność między lekarzami spadła z 96% do 88% i dalej się nie obniżała.
Najciekawszy wynik dotyczy ludzi, nie maszyny
Psychiatrzy z obu ośrodków nie zgodzili się ze sobą w 37 z 396 ocen. Okazało się, że właśnie tam skupiały się błędy modelu. Gdy eksperci byli zgodni, model mylił się w 17% przypadków. Gdy się różnili, w 41–59%, czyli 2,3 do 3,4 razy częściej.
To zmienia pytanie, które zwykle zadajemy o AI w psychiatrii: czy dorównuje lekarzowi. Rzetelność oceny ludzi też jest ograniczona i różni się w zależności od tego, co oceniamy. W dużych badaniach nad klasyfikacją DSM-5, prowadzonych na prawdziwych pacjentach, zgodność dwóch niezależnych lekarzy (mierzona współczynnikiem kappa, gdzie 0 oznacza zgodność jak przy losowaniu, a 1 pełną) wyniosła 0,67 dla PTSD, 0,46 dla schizofrenii, ale tylko 0,28 dla depresji i 0,20 dla zaburzenia lękowego uogólnionego. Te liczby nie są wprost porównywalne z badaniem nad AI, bo dotyczą rozpoznań, a nie pojedynczych objawów. Pokazują jednak, że „poziom psychiatry” nie jest jedną kreską na skali. O tym, jak długa jest historia sporów o rzetelność diagnozy, pisałem przy okazji eksperymentu Rosenhana.
Wniosek autorów jest więc ciekawszy niż nagłówek: model radzi sobie tam, gdzie wystarczy patrzeć i słuchać, a zawodzi tam, gdzie trzeba zrozumieć, co człowiek mówi o swoim wnętrzu. To dokładnie ta część, która w gabinecie zajmuje najwięcej czasu.
Czego z tych liczb nie wolno zrobić
Nie wolno uznać, że AI już „prawie” rozpoznaje zaburzenia. Narzędzie, które przeocza ponad połowę objawów, nie nadaje się do samodzielnej oceny. Autorzy piszą to wprost.
Nie wolno przenosić wyniku na prawdziwych pacjentów. Aktorzy mówili o objawach wprost, bo tak napisano scenariusz. Prawdziwi ludzie często nie mówią, wstydzą się albo sami nie wiedzą, że coś jest objawem. Autorzy uważają, że w realnym gabinecie luka byłaby raczej większa niż mniejsza.
Nie wolno uogólniać z tak małej próby. Dziewięć nagrań, trzy odgrywane osoby, każde zaburzenie pokazane przez jednego aktora. Nagrania są też publicznie dostępne jako materiał szkoleniowy, więc nie można wykluczyć, że model zetknął się z nimi wcześniej. Liczby w tym tekście pochodzą z wersji preprintu; ostateczna publikacja w npj Mental Health Research może się w szczegółach różnić.
Nie wolno też wyciągnąć wniosku odwrotnego, że AI jest bezużyteczna. Wychwytywanie zmian w mowie czy ekspresji może być realną pomocą dla lekarza, który pracuje sam i nie ma kogo zapytać o drugie zdanie. Pod warunkiem że ostatnie słowo należy do człowieka.
Co to znaczy, jeśli pytasz czatbota o swój stan
Czatbot, z którym rozmawiasz, to inne narzędzie niż model z badania: nie widzi cię i nie słyszy, zna tylko to, co napiszesz. To ma dwie strony. Pisanie bywa łatwiejsze niż mówienie, a nazwanie tego, co się dzieje, już jest pierwszym krokiem. Ale to, czego nie napiszesz, dla algorytmu nie istnieje. A najczęściej nie piszemy właśnie o tym, co najważniejsze: o myślach, których się wstydzimy, o głosach, o obrazach, które nas przerażają.
Pani Karolina nie potrzebowała lepszego algorytmu. Potrzebowała miejsca, w którym powiedzenie tego na głos było bezpieczne. W terapii te tematy zwykle nie pojawiają się na pierwszym spotkaniu i nie muszą. Ważne, żeby w końcu mogły się pojawić.
Jeśli masz myśli samobójcze albo boisz się, że zrobisz sobie lub komuś krzywdę, nie zostawaj z tym przy klawiaturze. Zadzwoń pod 112 albo do Centrum Wsparcia dla Osób Dorosłych w Kryzysie Psychicznym: 800 70 2222 (całodobowo, bezpłatnie). Możesz też skorzystać z Kryzysowego Telefonu Zaufania 116 123.
Kompas: jak korzystać z AI, żeby nie zgubić najważniejszego
W terapii skoncentrowanej na rozwiązaniach zaczynamy nie od tego, co jest zepsute, tylko od tego, dokąd chcesz dojść i co już działa. Te same pytania pomagają używać czatbota rozsądnie.
1. Skala. Od 0 do 10: na ile to, co wpisałeś, oddaje to, co naprawdę się z tobą dzieje? Jeśli wychodzi 5, zapytaj siebie, czego brakuje do 6. Zwykle brakuje jednego zdania, którego nie chciało się napisać.
2. Wyjątki. Kiedy w ostatnich tygodniach było choć trochę lżej? Co wtedy robiłeś, z kim byłeś? Tej informacji nie ma żaden algorytm. Jest w twoim tygodniu i bywa ważniejsza niż lista objawów.
3. Preferowana przyszłość. Po czym poznasz, że rozmowa o tym, czy z człowiekiem, czy z maszyną, była pomocna? Co zrobisz inaczej następnego dnia? Jeśli odpowiedź brzmi „będę wiedzieć, co mi jest”, to zapytaj jeszcze: i co wtedy zrobię z tą wiedzą?
4. Rola narzędzia. AI dobrze sprawdza się jako notatnik przed wizytą: pomaga uporządkować objawy, daty, pytania. Gorzej jako sędzia, który wydaje werdykt. Traktuj jego odpowiedź jako szkic, nie jako rozpoznanie.
Jeden mały krok
Napisz na kartce jedno zdanie o tym, czego nie wpisałeś do czatbota ani nie powiedziałeś nikomu. Nie musisz go nikomu pokazywać. Wystarczy, że ono istnieje poza twoją głową. Potem zadaj sobie jedno pytanie: komu, kiedyś, mógłbym je przeczytać?
Porozmawiajmy tam, gdzie algorytm nie sięga
Prowadzę terapię online. Pracuję z osobami, które przez długi czas szukały odpowiedzi same: w internecie, w testach, w rozmowach z AI. Nie oceniam tego, bo to często pierwszy uczciwy krok. Jeśli czujesz, że czas na rozmowę z człowiekiem, który zapyta także o to, czego trudno powiedzieć, umów się na pierwszą konsultację. Jeśli ciekawi cię, co codzienna praca z AI robi z psychiką, przeczytaj też tekst o tym, co praca sam na sam z AI robi z nami, oraz o zmęczeniu od nadzorowania AI.
Źródła
Mwangi, B., Hamoudi, H. J. A. S., Sanches, M., Dogan, N., Chaudhary, P., Wu, M.-J., Zunta-Soares, G. B., Soares, J. C., Martin, A., Soutullo, C. A. (2026). Human vs AI clinical assessment: Benchmarking a multimodal foundation model against multi-center expert judgment on the mental status examination. medRxiv (preprint; wersja recenzowana: npj Mental Health Research, 2026). doi:10.64898/2026.04.17.26351105
Martin, A., Jacobs, A., Krause, R., Amsalem, D. (2020). The mental status exam: An online teaching exercise using video-based depictions by simulated patients. MedEdPORTAL, 16, 10947. doi:10.15766/mep_2374-8265.10947
Regier, D. A. i wsp. (2013). DSM-5 field trials in the United States and Canada, Part II: test-retest reliability of selected categorical diagnoses. American Journal of Psychiatry, 170(1), 59–70. doi:10.1176/appi.ajp.2012.12070999