Pisanie po angielsku z AI: dlaczego brzmi nienaturalnie i co z tym zrobić

Piszesz maila do klienta z Manchesteru, wklejasz go do ChatGPT z prośbą „popraw, żeby brzmiało profesjonalnie” i dostajesz tekst bez jednego błędu. A jednak coś się nie zgadza: jest dłuższy, bardziej napuszony i jakby nie Twój. To nie jest złudzenie. Pisanie po angielsku z AI zostawia w tekście ślady, które językoznawcy potrafią dziś zmierzyć, a coraz więcej odbiorców wyczuwa intuicyjnie. W tym artykule pokazujemy, co mówią o tym najnowsze badania, z pracą zespołu z Uniwersytetu w Erlangen i analizą „The Economist” na czele, dlaczego umiejętność pisania wcale nie umiera w epoce generatywnej AI i jak korzystać z tych narzędzi, nie tracąc własnego głosu.

Poprawny, a jednak obcy: jak brzmi angielski „wygładzony” przez AI

Zacznijmy od sytuacji, którą dobrze znamy z zajęć z grupami firmowymi. Specjalistka ds. logistyki z Poznania pisze krótkiego maila do klienta. Jej wersja jest prosta, ale robi, co ma zrobić:

Po poleceniu „make it more professional” model zwraca coś takiego:

Gramatycznie wszystko się zgadza. Komunikacyjnie tekst jest gorszy od oryginału. Zamiast czasownika pojawia się rzeczownik (the delivery of the initial batch), zamiast prostych słów łacińskie (facilitate, anticipated, components), do tego konstrukcja „to nie X, tylko Y”, której nikt nie potrzebował, i wyliczanka trzech szlachetnych wartości. Najważniejsze zgubiło się po drodze: pytanie, czy termin klientowi odpowiada. Tak mogłaby wyglądać wersja po pracy z lektorem, który zna odbiorcę i kontekst:

Trzecia wersja jest krótsza od obu poprzednich, brzmi naturalnie dla brytyjskiego odbiorcy i robi dokładnie to, co miała zrobić. Żeby jednak do niej dojść, trzeba wiedzieć, co w wersji z AI jest zbędne. I tu zaczyna się właściwy temat tego artykułu.

Badanie z Erlangen: rejestr, którego AI nie wyczuwa

W maju 2026 roku zespół z Uniwersytetu Fryderyka Aleksandra w Erlangen i Norymberdze (FAU), współtworzony przez prof. Michaelę Mahlberg, redaktorkę naczelną „International Journal of Corpus Linguistics” i laureatkę Profesury im. Aleksandra von Humboldta, opublikował badanie z prostym pytaniem w tytule: na ile ludzki jest język dużych modeli językowych?

Kluczem jest pojęcie rejestru. Językoznawcy od dekad wiedzą, że nie ma jednego „angielskiego”: inaczej mówimy przy stole, inaczej piszemy artykuł naukowy, instrukcję czy wiadomość prasową. Każda z tych sytuacji ma własny, mierzalny profil cech językowych, od częstotliwości czasu przeszłego po zaimki i stronę bierną. Badacze wykorzystali klasyczny zestaw 67 takich cech, opracowany przez Douglasa Bibera, i porównali teksty ludzi z tekstami siedmiu otwartych modeli w pięciu rejestrach: swobodnej rozmowie, wstępie do artykułu naukowego, instrukcji z serwisu wikiHow, opowiadaniu i wiadomości BBC.

Wynik jest jednoznaczny. We wszystkich rejestrach i przy wszystkich wariantach poleceń teksty modeli różniły się od ludzkich bardziej, niż różnią się między sobą dwa zbiory tekstów napisanych przez ludzi. Wielkość modelu nie decydowała o tym, który pisze najbardziej po ludzku, a nawet trzy ludzkie przykłady dołączone do polecenia nie wystarczyły, żeby którykolwiek model zbliżył się do ludzkiego rozkładu cech.

Jakie konkretnie różnice znaleziono? We wszystkich rejestrach modele częściej niż ludzie używały nominalizacji i konstrukcji imiesłowowych, pisały dłuższymi słowami, zwykle dokładały więcej przymiotników przed rzeczownikami i rzadziej sięgały po czas przeszły. W czterech z pięciu rejestrów ich teksty były też mniej zróżnicowane niż teksty ludzi. Najtrudniejsza okazała się zwykła rozmowa: dialogi pisane przez AI były mniej zaangażowane i mniej osobiste niż prawdziwe rozmowy. Dla każdego, kto używa angielskiego w pracy, to ważna lekcja: model pisze poprawnie, ale nie zawsze tonem, którego wymaga sytuacja.

Skąd bierze się ten styl? Autorzy stawiają hipotezę, że ślad zostawia etap dostrajania modeli do wykonywania poleceń: model dostrojony na około 4 milionach przykładów był w większości rejestrów bliżej ludzkiej normy niż model dostrojony na ponad 10 milionach. Podobny wniosek wyciągnął wcześniej zespół amerykańskich badaczy w pracy opublikowanej w PNAS: różnice między tekstami ludzi i modeli były większe w wersjach dostrojonych do poleceń niż w modelach bazowych. Z kolei Tom Juzek (Florida State University) i Zina Ward, szukając odpowiedzi na pytanie, dlaczego ChatGPT tak często używa słowa delve, nie znaleźli dowodów na to, by przyczyną była architektura modelu czy dane treningowe, a ich testy są zgodne z hipotezą, że rolę odgrywa trening z udziałem ludzkich ocen. Mówiąc prościej: model pisze „ładnie”, bo nauczył się, że taki styl się podoba. Niekoniecznie Twojemu klientowi.

1,2 mln słów w „The Economist”: czym naprawdę zdradza się tekst z AI

Latem 2026 roku redakcja „The Economist” postanowiła sprawdzić, jak rozpoznać tekst napisany przez AI, na materiale, który zna najlepiej: własnych artykułach. Poprosiła cztery czołowe modele, ChatGPT, Claude'a, Gemini i Groka, o napisanie wersji tych samych tekstów i porównała je z oryginałami. W sumie prawie 56 tysięcy zdań i 1,2 mln słów. Żeby wychwycić cechy AI, a nie własne nawyki redakcyjne, zestawiła teksty modeli także z dziennikarstwem CNN, „New York Timesa” i „Washington Post”.

Pierwszy wniosek obala popularny mit. Długa pauza, uważana za znak rozpoznawczy ChatGPT, przestała być wiarygodnym sygnałem: spośród badanych modeli tylko Claude używał jej częściej niż ludzie, a ChatGPT po kolejnych aktualizacjach stosuje ją najrzadziej ze wszystkich. Znacznie lepszym tropem okazał się niedobór interpunkcji. Modele stawiają mniej przecinków, średników i nawiasów niż ludzie, za to budują długie zdania, spinając je spójnikiem and, najczęściej nadużywanym słowem w ich tekstach. Jeśli chcesz odświeżyć zasady, zajrzyj do naszego przewodnika po interpunkcji w języku angielskim.

Drugi wniosek brzmi znajomo po lekturze badania z Erlangen. Modele częściej sięgają po rzadkie słowa i żargon naukowy, wolą wyrazy wielosylabowe i nominalizacje, a ich zdania mają podobną długość, przez co akapity przypominają równo ułożone klocki. Do tego dochodzą ulubione chwyty retoryczne: konstrukcja „to nie X, to Y” i wyliczanie wszystkiego trójkami. Trzy niezależne zespoły, trzy różne metody i ten sam obraz.

Redakcja przywołuje też polski głos. Karolina Rudnicka, lingwistka z Uniwersytetu Gdańskiego, zwraca uwagę, że nie istnieje jeden styl pisania AI, tak jak nie istnieje jeden styl ludzki: różne modele mają różne nawyki, podobnie jak różni autorzy. To ważne zastrzeżenie. Nie ma magicznej listy zakazanych słów. Jest za to zestaw tendencji, które warto znać, żeby świadomie decydować, co zostawić w tekście.

Wszyscy zaczynamy pisać tak samo

Problem nie kończy się na pojedynczym mailu. W sierpniu 2026 roku zespół z University of Southern California opublikował w „Nature Human Behaviour” analizę ponad 880 tysięcy tekstów z mediów społecznościowych, lokalnych serwisów informacyjnych i publikacji naukowych. Po premierze ChatGPT zróżnicowanie złożoności tekstów wyraźnie spadło, a w eksperymentach, w których modele „wygładzały” ludzkie teksty, różnorodność stylu malała o 21 do 50 procent przy zachowanej treści. Jak ujął to pierwszy autor badania, Zhivar Sourati, teksty nie stały się prostsze. Stały się do siebie podobne.

Zmiana dociera nawet do mowy. Zespół z Instytutu Maxa Plancka ds. Rozwoju Człowieka w Berlinie przeanalizował ponad 737 tysięcy godzin rozmów z ponad 824 tysięcy odcinków podcastów, zostawiając wyłącznie wypowiedzi spontaniczne, nieczytane z kartki. Po premierze ChatGPT słowa typowe dla tego modelu, takie jak delve, showcase, boast czy meticulous, zaczęły pojawiać się w nich wyraźnie częściej. W eksperymencie z udziałem 496 osób wystarczyła krótka rozmowa z chatbotem, żeby uczestnicy zaczęli używać jego słów jak własnych. Ludzie uczą się od maszyn, które wcześniej uczyły się od ludzi.

Dlaczego pisanie nie umiera w epoce GenAI

Skoro model napisze maila w kilka sekund, po co uczyć się pisać po angielsku? Bo pisanie nie polega na przepisywaniu gotowych myśli na słowa. Pisanie to myślenie. Dopiero gdy musimy ułożyć argument w zdania, widzimy, czego jeszcze nie wiemy, gdzie rozumowanie ma lukę i co jest naprawdę najważniejsze. Model ułoży zdania, ale nie wie, co chcesz osiągnąć, co łączy Cię z odbiorcą, jaką historię ma ta współpraca i które słowo w tej konkretnej sytuacji zabrzmi zbyt ostro.

Wróćmy do przykładu z logistyki. Wersja z AI była poprawna, a jednak zgubiła pytanie do klienta. Tego nie wychwyci nikt, kto nie wie, po co ten mail powstał. Precyzja w komunikacji nie polega na wyszukanym słownictwie, tylko na tym, że odbiorca rozumie dokładnie to, co chcieliśmy przekazać, i wie, co ma zrobić dalej.

Drugi powód to autentyczność. Gdy coraz więcej tekstów powstaje w ten sam sposób, własny głos staje się przewagą. Klient, który dostaje kolejny mail zaczynający się od „I hope this message finds you well”, przestaje czytać uważnie. Kierowniczka zespołu z Wrocławia, która w dwóch zdaniach jasno opisuje problem i proponuje rozwiązanie, zostaje zapamiętana. Nieprzypadkowo LinkedIn jako pierwsza duża platforma dodał możliwość zgłaszania treści uznanych za bezwartościową produkcję AI.

Trzeci powód jest najprostszy: nie da się ocenić tekstu w języku, którego się dobrze nie zna. Żeby stwierdzić, że facilitate jest tu zbędne, a anticipated brzmi sztywno, trzeba mieć wyczucie, które buduje się latami czytania, pisania i otrzymywania informacji zwrotnej. Pisanie po angielsku z AI nie zwalnia więc z nauki pisania. Przeciwnie, podnosi poprzeczkę: przesuwa nas z roli autora do roli redaktora, a dobry redaktor musi znać język lepiej niż autor.

AI podpowiada, człowiek decyduje: krytyczne myślenie po angielsku

Dobrze oddaje to porównanie z medycyną. Algorytmy potrafią dziś wskazać lekarzowi podejrzany cień na zdjęciu albo podsunąć możliwe rozpoznania. Nikt rozsądny nie oczekuje jednak, że program sam oddzieli szum od istotnych objawów, postawi diagnozę i poprowadzi leczenie. Robi to lekarz, bo tylko on łączy wynik z historią pacjenta i z tym, co widzi w gabinecie, i to on odpowiada za decyzję. Z językiem jest tak samo. Model podpowiada wersje, słowa i struktury. Wybrać, odrzucić, przeredagować i wziąć odpowiedzialność za to, co wyślemy, musi człowiek.

To właśnie nazywamy krytyczną biegłością w pracy z AI. Komentując dla Pearson raport o celach nauczania Global Scale of English dla interakcji z generatywną AI, użyliśmy określenia critically fluent GenAI user:

Obsługa narzędzia to kwestia kilku godzin. Krytyczna biegłość, czyli umiejętność zadania precyzyjnego pytania, oceny odpowiedzi i jej przeredagowania pod konkretnego odbiorcę, to kompetencja językowa, którą buduje się stopniowo. Szczegółowo opisujemy to w artykule o GSE Learning Objectives dla GenAI. Raport Pearson pokazuje też, od jakiego poziomu ta kompetencja w ogóle staje się możliwa. Dwa cele dobrze to ilustrują:

Wniosek dla każdego, kto korzysta z AI w pracy po angielsku: poniżej pewnego poziomu nie jesteś w stanie ocenić, czy model Ci pomógł, czy zaszkodził. Więcej o tym, jak czytać poziomy i punkty skali, znajdziesz w tekstach o CEFR i o skali Global Scale of English.

Polacy zaczynają to dostrzegać. W badaniu Future Mind przeprowadzonym na przełomie listopada i grudnia 2025 roku wśród 1047 pracowników biurowych obawa, że AI osłabi zdolność krytycznego myślenia, wzrosła w ciągu roku z 25 do 31 procent. Autorzy odczytują to jako przesunięcie akcentów: mniej boimy się, że maszyna nas zastąpi, a bardziej tego, że uzależnimy się od gotowych odpowiedzi. Nauka języka, w której to Ty formułujesz myśl, a ktoś kompetentny rozkłada ją z Tobą na części, jest jednym z najskuteczniejszych sposobów, żeby temu zapobiec.

Nauka języka to proces między ludźmi

Nie jesteśmy przeciwnikami aplikacji. Sami korzystamy z nich w kursach: Mondly by Pearson czy Digital Language Tutor świetnie sprawdzają się w utrwalaniu słownictwa, ćwiczeniu wymowy i budowaniu codziennej regularności. O tym, co dają popularne aplikacje, pisaliśmy w porównaniu Duolingo i eTutora, a o tym, jak AI zmienia sam Business English, w tekście Business English i AI. Aplikacja jest jednak jak stetoskop: przydatne narzędzie w rękach kogoś, kto wie, czego słucha.

Nauka języka pozostaje procesem między ludźmi z co najmniej trzech powodów. Po pierwsze, jest interaktywna. Język rozwija się w rozmowie, w negocjowaniu znaczeń, w reakcji na to, że ktoś nas nie zrozumiał. Model zawsze „rozumie” i zawsze jest uprzejmy, prawdziwy klient z Monachium czy Manchesteru już niekoniecznie.

Po drugie, jest interdyscyplinarna. Dobry lektor Business English łączy język z wiedzą o komunikacji międzykulturowej, psychologii uczenia się, specyfice branży i realiach firmy, w której pracuje kursant. Wie, że mail do niemieckiego partnera wymaga innej bezpośredniości niż do brytyjskiego, a prezentacja dla zarządu w Warszawie innego rejestru niż wiadomość na firmowym czacie. O tym, dlaczego takie umiejętności stają się dziś kluczowe, pisaliśmy w tekście o umiejętnościach, które czynią Cię niezastąpionym w erze AI.

Po trzecie, opiera się na informacji zwrotnej, która bierze pod uwagę cel, a nie tylko poprawność. Model poprawi gramatykę. Lektor zapyta, po co piszesz ten tekst i czy osiągnie on to, co ma osiągnąć. Badanie z Erlangen pokazało zresztą, że modelom najtrudniej naśladować właśnie zwykłą rozmowę, najbardziej ludzki z rejestrów. Trudno o lepszy argument, że tego rejestru warto uczyć się od ludzi.

Jak pisać po angielsku z AI i zachować własny głos

AI w pisaniu może być świetnym wsparciem, pod warunkiem że to Ty prowadzisz. Oto sposób pracy, który polecamy kursantom z Krakowa, Gdańska i Łodzi, niezależnie od branży:

1. Najpierw napisz sam. Choćby w punktach. Twój szkic niesie Twoją intencję, a model ma jej służyć, nie ją zastępować.
2. Zmień polecenie. Zamiast „make it more professional” napisz: „Correct grammar and spelling only. Keep my wording, tone and sentence length. List every change you make.” Wtedy AI działa jak korektor, a nie jak autor za Ciebie, a lista zmian staje się materiałem do nauki.
3. Sprawdź wynik z listą kontrolną. Czy tekst jest dłuższy niż Twój? Czy pojawiły się rzeczowniki tam, gdzie wystarczy czasownik? Czy są trójki i „not merely… but rather”? Czy zgubiło się coś ważnego?
4. Przeczytaj na głos. Jeśli nie powiedziałbyś danego zdania na spotkaniu, prawdopodobnie nie powinno trafić do maila.
5. Pokaż tekst człowiekowi. Lektorowi albo koledze, który zna odbiorcę. Informacja zwrotna od kogoś, kto rozumie kontekst, jest tym, czego model nie da.

Pomocna bywa też krótka ściągawka. Poniższe przykłady pochodzą z analizy „The Economist” i pokazują, po co modele sięgają częściej niż ludzie. To nie są słowa zakazane: w raporcie finansowym approximately może być na miejscu. Chodzi o świadomy wybór rejestru, a nie o czarną listę.

Jeśli chcesz uporządkować różnice między stylem oficjalnym a swobodnym, zajrzyj do naszego tekstu o mailu formalnym i nieformalnym. A jeśli Twoja angielszczyzna bywa zbyt „polska”, przyda się lista kalk językowych. Obie pułapki, polska kalka i sztuczność z AI, mają to samo lekarstwo: świadomość, jak naprawdę brzmi angielski w danej sytuacji.

FAQ

Źródła

• Nieth B., Gracheva M., Mahlberg M., Eskofier B., Salin E. (2026). How Human-Like Are Large Language Models? A Register-Aware Linguistic Evaluation Framework. FAU Erlangen-Nürnberg.
• The Economist (2026). How to spot AI writing.
• Reinhart A. i in. (2025). Do LLMs write like humans? Variation in grammatical and rhetorical styles. PNAS 122(8).
• Juzek T.S., Ward Z.B. (2024). Why Does ChatGPT „Delve” So Much? Exploring the Sources of Lexical Overrepresentation in Large Language Models.
• Sourati Z. i in. (2026). The shrinking landscape of linguistic diversity in the age of large language models. Nature Human Behaviour.
• Yakura H. i in. Empirical evidence of Large Language Model's influence on human spoken communication. Max Planck Institute for Human Development, preprint.
• Liang W. i in. (2023). GPT detectors are biased against non-native English writers. Patterns 4(7).
• Future Mind (2026). Jak AI zmienia codzienność Polaków? Omówienie: PAP/wnp.pl.
• Mayor M., Wisniewska A. (2026). Bridging the AI-readiness gap. Pearson. Omówienie: choices.com.pl.

Łukasz Pakuła

Lingwista, nauczyciel akademicki i założyciel choices®. Jako Head of Studies odpowiada za jakość nauczania i dobór lektorów. Specjalizuje się w Business English i komunikacji międzykulturowej. Adjunct Assistant Professor na UMGC, wykładowca HM Business School w Monachium i Hochschule Kempten, absolwent studiów doktoranckich z językoznawstwa stosowanego, autor publikacji w wydawnictwach Springer i Equinox. Konsultant raportu Pearson „Bridging the AI-readiness gap” (2026). Poznaj zespół choices®