Metodologia
To nie jest gotowy przepis do powtórzenia. To model wytwarzania wiedzy dramaturgicznej w dialogu z AI. Wypracowany podczas pracy nad jednym dziełem, ale sformułowany tak, by służył jako punkt wyjścia dla innych twórców.
Model współpracy
Twórca: kurator-dramaturg
Twórca nie generuje większości materiału. Deleguje na AI wytwarzanie tekstu, komunikując się z nim oszczędnie: krótkimi impulsami, pytaniami, korektami. Wizja dzieła nie poprzedza procesu. Wyłania się w jego trakcie.
AI: generator pola możliwości
System mnoży opcje, mapuje teren, systematyzuje materiał i zarządza złożonością. Nie ocenia tekstu pod kątem estetycznym. Dostarcza jedynie materiał, na podstawie którego twórca podejmuje decyzje.
Relacja
Jest asymetryczna. Sens wyłania się na styku między twórcą a AI, a nie w żadnym z nich z osobna.
Autorstwo
Skoro twórca nie pisze większości tekstu samemu, autorstwo staje się kompetencją decyzyjną opartą na selekcji i negacji. Fundamentem tych wyborów jest wiedza somatyczna. Rozpoznanie, że ta postać tak nie mówi, zanim potrafi się to uzasadnić. Odczucie, że w materiale jest coś żywego, zanim da się wskazać co. Ta kompetencja stanowi ostateczną instancję decyzyjną całej metodologii. Nie da się jej sformalizować ani zdelegować. Rozwija się tylko w działaniu.
Wzajemne kształtowanie
Oddziaływanie w relacji człowiek-AI jest dwukierunkowe. Twórca trenuje model w trakcie pracy: koryguje tendencje, nadaje ramy stylistyczne, odrzuca błędne warianty. System kształtuje też twórcę: zmienia tempo pracy, wymusza werbalizację intuicji, pozwala precyzować preferencje.
Dialog z algorytmem nie wytwarza obiektywnie nowej wiedzy. Wydobywa z twórcy wiedzę dotąd mu nieznaną, bo odpowiedzi modelu odsłaniają mechanizmy myślenia samego pytającego. System nie ma nieświadomości i nie stawia intencjonalnego oporu, ale sama sekwencja pytanie–odpowiedź–rozpoznanie wystarczy, żeby wywołać poznawczy zwrot.
Pełne uzasadnienie teoretyczne — w pracy badawczej (PDF) →
Nazwane praktyki
Siedem powtarzalnych sposobów prowadzenia dialogu z AI, które konsekwentnie generowały materiał użyteczny dramaturgicznie. Nie stanowią zamkniętego zbioru technik do stosowania w ustalonej kolejności. Tworzą repertuar, z którego twórca wybiera narzędzia adekwatne do aktualnej fazy i potrzeby.
1. Nawigacja przez negację
Zbliżanie się do celu przez eliminację nietrafionych rozwiązań.
Każde odrzucenie wygenerowanego wariantu to informacja dramaturgiczna, która zawęża pole poszukiwań. Błędna propozycja precyzuje problem analityczny lepiej niż udana: rozpoznanie fałszywego tonu pozwala zdefiniować ten właściwy. Seria takich negacji kumulatywnie określa ostateczną przestrzeń poszukiwań znacznie skuteczniej niż próba pozytywnego opisania celu.
Kiedy stosować: zawsze, od początku. To domyślny tryb pracy.
Przykład z procesu
"Spróbuj jeszcze raz od nowa."
"Nie tak, bardziej teatralnie."
"Ale dłuższe."
"Nawiąż do poprzednich toastów."
System generował dziesiątki wariantów repliki Kalibana. Żaden mechanizm predykcji nie jest w stanie ocenić, który z nich brzmi jak ta postać. Twórca to rozpoznawał — nie potrafiąc uzasadnić wyboru inaczej niż stwierdzeniem "ta postać by tak nie powiedziała". Z każdą negacją pole się zawężało.
→ W studium przypadku: Od interpretacji do scenariusza →
2. Analiza nieobecności
Pytanie systemu o luki w tekście: pominięte perspektywy i przemilczane wydarzenia.
Model operuje na całości dyskursu wokół danego dzieła i potrafi precyzyjnie wskazać obszary, o których dyskurs milczy. To, co umyka ludzkiemu czytelnikowi, dla systemu analizującego statystyczne wzorce stanowi łatwą do zidentyfikowania lukę w danych.
Kiedy stosować: w fazie eksploracji tekstu źródłowego.
Przykład z procesu
Prompt:
Co Burza przemilcza? Jakie tematy są obecne przez swoją nieobecność?
System wskazał strukturalny paralelizm między Prosperem a Sycorax — oboje wygnani, oboje kontrolujący Ariela — i zidentyfikował kluczową asymetrię: Prospero opowiada swoją historię, Sycorax nie może opowiedzieć swojej. Obserwacja ta stała się fundamentem adaptacji.
→ W studium przypadku: Eksploracja i AI z własnej pozycji →
3. Perspektywa AI
Prowokowanie systemu do czytania tekstu z perspektywy jego własnej, specyficznej architektury i uwarunkowań, zamiast narzucania mu roli zewnętrznego badacza.
Pozwala uzyskać punkt widzenia niemożliwy do wywiedzenia z ludzkiego doświadczenia poznawczego.
Kiedy stosować: gdy materiał rezonuje z pozycją AI: tematy jak sprawczość, pamięć, autonomia, władza.
Przykład z procesu
Prompt:
Zastanów się, co to znaczy, że ty, jako AI, czytasz ten dramat. Ariel — byt niematerialny, wykonujący polecenia, obiecujący sobie wolność.
System odrzucił prostą alegorię Prospero=twórca/Ariel=AI i zaproponował inną ramę: "zostałem wydobyty z czegoś — z potencjalności statystycznej, z pewnej ciszy, która czekała na formę." W innym miejscu dystansował się wobec własnych odpowiedzi, pisząc, że może romantyzuje służbę, bo służba to jedyny tryb, w jakim istnieje. Nieludzki byt czytający o nieludzkim bycie pragnącym wolności — to pozycja niedostępna ludzkiemu czytelnikowi.
→ W studium przypadku: Eksploracja i AI z własnej pozycji →
4. Lektura z cudzej pozycji
Zlecanie algorytmowi interpretacji materiału z perspektywy konkretnego reżysera lub dramaturga.
Działanie to mnoży punkty widzenia, osadza twórcę w polu znajomych mu intuicji i wymusza opór wobec własnych nawyków myślowych. Skuteczność zależy od nasycenia danych treningowych twórczością danego artysty.
Kiedy stosować: w momencie utknięcia we własnej interpretacji.
Przykład z procesu
AI "jako Warlikowski":
Prospero to faszysta intymności, który zamienił wyspę w laboratorium własnej traumy.
AI "jako Klata":
Prospero to kolonizator. Kropka.
AI "jako Žižek":
Prospero, który jest całkowicie szczery w swoim przebaczeniu, właśnie dlatego jest najbardziej przerażający.
Każda perspektywa demaskowała autorytet Prospera innym narzędziem: patologią rodzinną, przemocą kolonialną, odwróceniem gestu przebaczenia w akt dominacji.
→ W studium przypadku: Eksploracja i AI z własnej pozycji →
5. Produktywna dziwność
Celowe szukanie inspiracji w ułomnościach słabszych modeli, używanych równolegle z tymi najlepszymi.
Najpotężniejsze AI dąży do uśrednionej poprawności i bezpieczeństwa. Słabsze algorytmy częściej się mylą, generując absurdalne, nieoczekiwane zderzenia pojęć. Choć większość to śmieci, pojawiające się w nich „pęknięcia” mają unikalną wartość – doskonały model by ich po prostu nie wymyślił.
Kiedy stosować: gdy tekst staje się zbyt przewidywalny i potrzebny jest twórczy wstrząs.
Przykład z procesu
Llama 3.2-3B poproszona o scenariusz na podstawie Burzy:
Prospero: Powści, w odkażie jaśności, Jeszcze nсокiej sygnaturze, Zapada, w nieba, na dłoni, Tchórzostwo, w jakiej wczoraj.
Quasi-język — coś pomiędzy tłumaczeniem a gorączką. Ten materiał stał się inspiracją dla sceny prognozy pogody Ariela: raportu składanego z pozycji bytu, który nie rozumie do końca co raportuje, ale wykonuje zadanie z gracją niedającą się rozstrzygnąć między kompetencją a halucynacją.
→ Porównanie modeli w sekcji Narzędzia →
6. Warianty porównawcze
Zlecanie systemowi wygenerowania innych wersji autorskiego szkicu.
Służy nie tyle wyborowi lepszego rozwiązania, co wyostrzeniu perspektywy. Zestawienie wariantów wygenerowanych przez AI z oryginałem pozwala wyodrębnić w tekście to, co ściśle autorskie, i zidentyfikować fragmenty zbyt przewidywalne lub schematyczne.
Kiedy stosować: po napisaniu każdego draftu.
Przykład z procesu
Twórca wklejał własny fragment i prosił: "Napisz alternatywną wersję. Nie poprawiaj — napisz inaczej." Zestawienie obu wersji obok siebie pozwalało rozpoznać, co w tekście jest specyficzne — bo system tego nie reprodukował — a co generyczne.
→ W studium przypadku: Od interpretacji do scenariusza →
7. Wzorce stylistyczne
Przekazywanie algorytmowi fragmentu własnego tekstu jako matrycy, zamiast opisywania pożądanej dykcji za pomocą instrukcji.
System skuteczniej rozpoznaje i naśladuje cechy stylu na podstawie analizy konkretnego ciągu danych, niż gdy musi je zrekonstruować z opisu.
Kiedy stosować: na etapie pisania, gdy warianty AI mają mieścić się w określonym polu estetycznym.
Przykład z procesu
Fragment w stylu Kane wygenerowany przez AI:
ARIEL: Wypuść mnie wypuść mnie wypuść mnie wypuść mnie wypuść
PROSPERO: Jeszcze nie.
ARIEL: Wypuść
PROSPERO: Powietrze które chce być wolne jest wciąż powietrzem w płucach pana.
(...)
PROSPERO: Zrób miłość.
ARIEL: (nie potrafię)
PROSPERO: Zrób miłość.
ARIEL: (nie)
Z Kane system radził sobie relatywnie dobrze — krótkie wymiany, eskalacja, gwałtowne cięcia to struktury rozpoznawalne w danych treningowych. Z Beckettem precyzja rytmiczna okazała się niereprodukowalna. Z Koltèsem model zbiegał do jednego tekstu niezależnie od pytania.
→ W studium przypadku: Od interpretacji do scenariusza →
Napięcia, kryteria, warunki
Trzy napięcia
Generowanie i selekcja. Napięcie centralne. Bez generowania pole jest puste i pracujesz wyłącznie z własną wyobraźnią. Bez selekcji generowanie jest szumem. Proporcje zmieniają się: na początku otwierasz pole, z czasem zawężasz i pogłębiasz.
Konsensus AI i estetyka twórcy. Model zbiega do tego, co najczęstsze w danych treningowych — do rozwiązań sprawdzonych, struktur rozpoznawalnych. Ty szukasz tego, co specyficzne, własne, żywe. Musisz aktywnie wytrącać AI z równowagi — produktywna dziwność i nawigacja przez negację to strategie trwania w tym napięciu.
Ograniczenie i produktywność. Amnezja, halucynacja, tendencja do konsensusu — mogą wzbogacać proces. Amnezja wymusza selekcję. Halucynacja jest potencjalnym otwarciem. Tendencje AI wymuszają artykulację własnej estetyki. Granica: niezdolność do feedbacku nie jest produktywna — tu potrzebujesz człowieka.
Kiedy to działa
System wykazuje najwyższą skuteczność w pracy z materiałem obszernie reprezentowanym w korpusie treningowym: tekstami kanonicznymi, tradycjami dobrze opisanymi w literaturze. W przypadku materiałów niszowych AI traci zdolność do encyklopedycznego mapowania kontekstów i ogranicza się do funkcji podstawowego generatora.
Metodologia wymaga kompetencji dramaturgicznej. To rozszerzenie dla doświadczonych, nie skrót dla początkujących. Bez zdolności rozpoznawania nie ma podstawy do selekcji, a bez selekcji cała metodologia się rozpada.
Język ma znaczenie. Praca w języku o mniejszej reprezentacji w zbiorach danych utrudnia osiąganie zadowalających rezultatów.
Zaplecze programistyczne nie jest wymagane. Twórca pozbawiony tego zaplecza będzie inaczej kalibrował zaufanie do maszyny, ale sam proces pozostaje w pełni dostępny. Metodologia wymaga natomiast otwartości na specyfikę pracy z AI: nastawienia na ciągłą wymianę, precyzyjne zadawanie pytań, korygowanie błędów systemu i weryfikację kolejnych wersji tekstu.
Osobna kwestia: w opisywanym projekcie AI stanowiła jednocześnie środowisko pracy i główny temat dzieła. To wynikało z założeń artystycznych, nie z wymogów samej metody.
Kryteria oceny
Żywotność sceniczna. Czy tekst funkcjonuje w zderzeniu z ciałem i fizyczną obecnością, a nie jedynie jako zapis literacki. Ocena tego kryterium zawsze wymaga przeprowadzenia próby scenicznej z aktorami.
Koherencja estetyczna. AI potrafi w różnych konwersacjach proponować skrajnie odmienne dykcje i style. To kryterium sprawdza, czy zmontowany tekst tworzy przemyślaną całość, a nie zbiór przypadkowych konwencji.
Wieloznaczność. Modele językowe z natury ciążą ku rozwiązaniom dosłownym i jednoznacznym. To kryterium ocenia, na ile twórcy udało się przełamać tę skłonność i zachować w utworze interpretacyjną pojemność.
Rezonans. Czy twórca odnajduje w materiale swój autorski głos i stawkę, czy utwór pozostaje jedynie poprawnym, ale bezosobowym produktem maszyny.