Wired pokazuje zašto AI fact-checking mora imati ljudsku završnu provjeru

Pitanje iz WIRED-ova teksta zvuči kao urednički test iz 2026.: može li AI raditi fact-checking? Ne “može li pomoći”, ne “može li ubrzati pretragu”, nego može li preuzeti posao koji u redakciji postoji baš zato da zaustavi netočnosti prije objave. Odgovor, prema okviru članka, nije romantična obrana ljudske profesije. To je hladniji zaključak: AI je često dovoljno uvjerljiv da izgleda korisno, ali nije dovoljno pouzdan da mu se prepusti završna riječ.

Fact-checking nije samo pronalaženje jedne rečenice na webu. To je provjera izvora, datuma, formulacije, konteksta, implicitnih tvrdnji i sitnih pomaka u značenju. Ako tekst kaže da je nešto “prvo”, “najveće”, “dokazano”, “odobreno” ili “povezano”, urednik činjenica ne traži samo potvrdu jedne riječi. Traži što točno ta riječ znači u izvornom dokumentu, tko ju je izrekao, postoji li bolji izvor i je li autor zaključak povukao korak dalje nego što dokazi dopuštaju.

Tu AI modeli pokazuju ozbiljnu pukotinu. Oni mogu sažeti, uspoređivati i predlagati tragove, ali mogu i proizvesti uredan odgovor bez stabilnog odnosa prema izvoru. Problem nije samo poznata tema halucinacija u generativnom AI-ju. Problem je što halucinacija u fact-checkingu ne izgleda uvijek kao apsurd. Ponekad izgleda kao precizna fusnota, kao uvjerljiva parafraza ili kao miran zaključak koji nitko nije stvarno potvrdio.

Zato je ovaj slučaj važan za medije, ali i za svaku organizaciju koja želi “automatizirati provjeru”. Pouzdana provjera činjenica ima trag odgovornosti. Netko mora znati koji je izvor korišten, zašto je taj izvor jači od drugog i gdje se završava provjerena tvrdnja, a počinje interpretacija. Okviri poput NIST AI Risk Management Frameworka upravo zato naglašavaju upravljanje rizikom, mjerljivost i nadzor, a ne magično povjerenje u izlaz modela.

Urednički gledano, AI može biti koristan u sporednim dijelovima posla: može izvući tvrdnje iz nacrta, predložiti gdje treba izvor, usporediti dvije verzije teksta ili upozoriti da tvrdnja zvuči preširoko. Ali to nije isto što i provjera. Ako model ne može dosljedno pokazati trag do primarnog izvora, razlikovati službenu dokumentaciju od sekundarnog prepričavanja i priznati kada nema dovoljno podataka, onda ne radi fact-checking. Radi simulaciju uredničke sigurnosti.

To je i šira lekcija za AI industriju. Sustavi se sve češće prodaju kao sloj povjerenja: pomoćnik za pisanje, analitičar, istraživač, agent. No provjera činjenica je test koji kažnjava upravo ono što modeli često rade najbolje: glatko popunjavanje praznina. Zato su korisne i javne metrike i nezavisna praćenja, poput Stanford AI Indexa, ali nijedna metrika ne mijenja osnovno uredničko pravilo: izvor mora pobijediti ton.

Najrazumniji zaključak nije da se AI izbaci iz redakcije. Zaključak je da mu se ne smije dati uloga suca. Kao alat, može ubrzati rutinu. Kao završni fact-checker, pretvara slabost u infrastrukturu. A to je točno ona vrsta pogreške koju dobra provjera činjenica postoji da spriječi.