Dlaczego AI i Google marginalizują rzetelną wiedzę o substancjach?

Wpisz w wyszukiwarkę zapytanie o dawkowanie popularnego leku przeciwbólowego, a natychmiast otrzymasz przejrzystą tabelę. Zapytaj z kolei o interakcję leków antydepresyjnych z substancjami psychoaktywnymi, a najprawdopodobniej pierwszą stroną wyników zdominują infolinie zaufania, telefony antykryzysowe lub sponsorowane ostrzeżenia prywatnych ośrodków odwykowych. Żyjemy w epoce nieograniczonego dostępu do wiedzy, ale paradoksalnie, znalezienie rzetelnych, wolnych od moralizatorstwa i bazujących na badaniach danych na temat redukcji szkód staje się trudniejsze niż dekadę temu.

Polityka YMYL: Kiedy algorytm decyduje, co jest dla Ciebie bezpieczne

Choć koncepcja YMYL (Your Money or Your Life) istnieje w Google od 2013 roku, to kluczowe zaostrzenie wytycznych – m.in. w ramach tzw. "Medic Update" w latach 2018–2019 – ugruntowało niezwykle restrykcyjne podejście do wyników wyszukiwania. W teorii to doskonały mechanizm obronny: ma chronić użytkowników przed szarlatanerią medyczną czy oszustwami finansowymi. Jednak w przypadku farmakologii i redukcji szkód, zasady te doprowadziły do potężnej luki informacyjnej. Zjawisko to, działające jako mechanizm ostrożnościowy, bywa uciążliwe, choć warto zaznaczyć, że z perspektywy inżynierów wyszukiwarki jest to raczej niezamierzony efekt uboczny ograniczania ryzyka. Algorytm promuje narrację kliniczną i wymóg pełnej abstynencji jako stanowisko stwarzające najmniejsze ryzyko korporacyjne.

Kiedy przyjrzymy się dystrybucji wiedzy w internecie, zauważymy wyraźną nierównowagę. Oddolne inicjatywy, takie jak PsychonautWiki czy TripSit (opierające się na literaturze farmakologicznej) oraz archiwa pokroju Erowid (bazujące w dużej mierze na potężnej bazie raportów z doświadczeń użytkowników – tzw. trip reports), niemal zawsze przegrywają walkę o widoczność z komercyjnymi klinikami leczenia uzależnień. Te drugie posiadają ogromne budżety SEO, ale bardzo rzadko publikują bezcenne z perspektywy bezpieczeństwa informacje o fizjologicznych granicach dawkowania czy użyciu odczynników (test kitów).

Sztuczna Inteligencja i jej etyczne blokady

Sytuacja skomplikowała się wraz z masową adopcją asystentów opartych o duże modele językowe (LLM). Twórcy AI implementują proces tzw. alignmentu (wyrównywania modelu), aby narzucić mu gorset zasad etycznych. Celem nadrzędnym jest to, by model pod żadnym pozorem nie generował treści instruujących o popełnianiu przestępstw lub robieniu sobie krzywdy. Niestety sztuczna inteligencja wciąż ma problem z odróżnieniem zachęcania do ryzyka od edukacji, która potencjalnie ratuje życie.

Boty często odmawiają udzielenia odpowiedzi na specjalistyczne zapytania. W przypadkach, gdy natychmiastowa wiedza jest bezwzględnie krytyczna (na przykład informacja o śmiertelnym zagrożeniu zespołem serotoninowym przy łączeniu empatogenów, takich jak MDMA, z inhibitorami MAO, czy o istotnym ryzyku interakcji z popularnymi lekami z grupy SSRI), "bezpiecznie" nastrojony asystent potrafi uciąć rozmowę. To, co z punktu widzenia inżyniera jest poprawnie działającym filtrem, z perspektywy toksykologa staje się groźną blokadą. Potwierdzają to najnowsze badania (np. projekt HRIPBench z 2025 r.), w których wykazano, że najpopularniejsze LLM wciąż zmagają się z dostarczaniem precyzyjnych informacji o redukcji szkód, nierzadko narażając użytkowników na realne niebezpieczeństwo wynikające z braku danych.

Dlaczego algorytmy muszą być restrykcyjne?

Zrozumienie intencji stojących za wytycznymi wyszukiwarek i modelami językowymi jest kluczowe. Giganci technologiczni nie działają w próżni ideologicznej, lecz reagują na realne zagrożenia. Wyszukiwarki muszą z definicji ograniczać dostęp do instrukcji dotyczących samookaleczeń, nielegalnych działań czy produkcji niebezpiecznych chemikaliów. Brak takich barier w przeszłości kończył się tragediami, dlatego priorytetem algorytmów jest blokowanie zachęcania do zachowań destrukcyjnych.

Warto również pamiętać, że po asystentów opartych o sztuczną inteligencję nierzadko sięgają osoby znajdujące się w głębokim kryzysie psychicznym. Z perspektywy bezpieczeństwa zdrowia publicznego, skierowanie takiej osoby na infolinię zaufania zamiast podawania jej precyzyjnych danych farmakologicznych jest standardową, uzasadnioną procedurą ograniczania ryzyka.

Testy bezpieczeństwa (tzw. red-teaming) przeprowadzane na wczesnych wersjach modeli językowych udowodniły, że bez narzuconych barier model językowy może wygenerować krok po kroku instrukcję zagrażającą życiu. Restrykcyjność, z którą dziś się zmagamy, stanowi więc reakcję na udokumentowane, bardzo realne szkody, a nie ideologiczną krucjatę wymierzoną w edukację.

Skutki społeczne: Ucieczka w informacyjne podziemie

Próba ochrony społeczeństwa przed ryzykownymi tematami poprzez odcinanie dostępu do danych rzadko sprawdza się długofalowo. Użytkownicy zauważający stronniczość dominujących wyszukiwarek i AI nie rezygnują z szukania porad. Przenoszą się jednak z przestrzeni zweryfikowanej wiedzy do niezarządzanych informacyjnych podziemi: do zamkniętych grup na Telegramie i starych forów dyskusyjnych w darknecie.

Tam restrykcyjne filtry już nie sięgają, ale odbywa się to ogromnym kosztem – miejsce meta-analiz zastępuje pseudonauka, błędy poznawcze i dowody anegdotyczne, co z kolei podnosi ryzyko błędnego dawkowania i hospitalizacji.

Alternatywy i przyszłość edukacji opartej na redukcji szkód

Społeczność zrzeszona wokół redukcji szkód zaczyna zdawać sobie sprawę, że ograniczenie obecnego modelu wyszukiwania wymusza poszukiwanie alternatyw. Jedną z nich jest korzystanie z narzędzi do re-rankingu wyników, takich jak funkcja Goggles w wyszukiwarce Brave Search. Pozwala ona użytkownikom na zdefiniowanie własnych preferencji i priorytetyzowanie w wynikach otwartych repozytoriów naukowych oraz sprawdzonych witryn organizacji pozarządowych, modyfikując standardową hierarchię faworyzującą SEO komercyjnych klinik.

W przypadku dużych modeli językowych konieczne jest systemowe wdrożenie protokołów "Harm Reduction", uwzględniających dostarczanie informacji bez oceniania oraz promowanie krytycznej weryfikacji faktów przez samych użytkowników. Marginalizowanie wiedzy o mechanizmach receptorowych to ślepy zaułek, który z góry skazuje użytkowników na niewiedzę i potęguje realne ryzyko. Bezpieczna nawigacja przez chemiczną złożoność ludzkiego mózgu opiera się na przejrzystości, a nie na algorytmicznie wymuszonych lukach.