Konflikt funguje. Otázka je, čo po ňom zostane
Čo mi dva experimenty s virálnymi grafmi o AI ukázali o sociálnych sieťach, ľuďoch a algoritmickom našepkávaní
V marci a potom v júli 2026 som spravil dva malé verejné experimenty.
Nie laboratórne čisté a ani také, pri ktorých sa dá izolovať jedna premenná, zavrieť ju do tabuľky a tváriť sa, že svet sa správa nejako disciplinovane. Boli to bežné facebookové príspevky. Špinavé, hlučné, konfliktné, ale aj užitočné, lebo sa odohrali tam, kde sa dnes verejná debata stále deje.
V oboch prípadoch som reagoval na virálny graf o AI. Nejde o zvláštnu záľubu v opravovaní cudzích grafov. Pekný graf však vie urobiť niečo, čo dlhý text často nedokáže. Za tri sekundy doručí pocit, že téma je vyriešená, proporcie sú jasné. Že problém je buď malý, veľký, prehnaný, zanedbateľný alebo už takmer uzavretý.
A práve to ma zaujímalo. Nie iba to, či bol graf správny alebo nesprávny. To je často až druhá otázka. Zaujímalo ma, či sa dá narušiť samotný rámec, v ktorom graf pôsobí ako samozrejmá pravda. Či sa dá človeka zastaviť ešte predtým, než pohodlný vizuálny záver úplne sadne.
Antiframing nie je obyčajný fact-check opravujúci vetu, číslo alebo zdroj. Antiframing sa snaží opraviť mapu, v ktorej sa daná veta, číslo alebo graf tvária ako dostatočné vysvetlenie reality. Psychológia framingu už dávno ukazuje, že rámec nie je len obal informácie, ale ovplyvňuje, čo človek vníma ako relevantné, čo si všimne, aké emócie cíti a aké rozhodnutie mu pripadá prirodzené.
Stephen J Flusberg
Dva experimenty, dve rôzne intervencie
V oboch prípadoch som pracoval s rovnakou základnou logikou: zobrať virálny graf, ktorý už mal vlastnú memetickú energiu, a neodpovedať naň iba textom. Text by prišiel neskoro. Najprv bolo treba zasiahnuť samotný obraz.
Preto som v oboch experimentoch použil screenshot pôvodného grafu a doplnil ho ručne kreslenými červenými zásahmi. Ich cieľom nebolo tváriť sa ako presný vedecký výpočet. Mali pokaziť hladkosť grafu. Pôvodný obrázok pôsobil ako hotová odpoveď. Červený zásah z neho mal spraviť otázku.
Poradie bolo zámerné: najprv vizuálne zadrhnutie, potom konflikt, potom metodika a až potom dáta.
Prvý experiment som spravil 4. marca 2026. Reagoval som na graf, ktorý ukazoval adopciu AI cez celú svetovú populáciu. Na prvý pohľad hovoril jednoduchý príbeh, že väčšina ľudí AI ešte nepoužíva, takže adopcia má pred sebou obrovský priestor.
Môj zásah mieril na dve veci súčasne. Po prvé, na nejasnosť kategórie "používa AI". Graf miešal pasívny kontakt s AI, vedomé používanie chatbota, platené používanie nástroja a profesionálne agentické workflow. Po druhé, na implicitný predpoklad, že sivá väčšina populácie je prirodzená budúca rezerva rastu. Lenže značná časť populácie nikdy nebude prirodzenou cieľovkou samostatných AI nástrojov a ďalšia časť sa bude s AI stretávať len nepriamo, cez funkcie zabudované v iných produktoch.
Inými slovami, prvý experiment neútočil iba na čísla. Útočil na adopčný rámec: čo považujeme za používanie, koho rátame ako potenciálny trh a prečo sa celá populácia planéty tvári ako prirodzený menovateľ.
Prvý príspevok: dáta
- 30 912 pozretí, približne 22-tisíc unikátnych divákov
- 67 interakcií
- 30 reakcií: 28 👍 Páči sa mi to, 2 ❤️ Super
- 28 komentárov, 10 uložení, žiadne zdieľanie
- 97 % zásahu tvorili ľudia, ktorí ma v tom čase nesledovali
Druhý experiment som spravil 4. júla 2026. Reagoval som na graf, ktorý porovnával spotrebu vody AI dátových centier so spotrebou rôznych sektorov a plodín. Aj tu šlo o vizuál, ktorý sa tváril, že proporcie sú jasné a problém je prakticky vyriešený.
Rozdiel bol v type zvoleného konfliktu. Pri prvom experimente som narúšal najmä adopčný rámec. Pri druhom som išiel do oveľa riskantnejšej intervencie. Pôvodný graf porovnával úzky výrez priamej spotreby vody AI dátových centier s veľkými agregovanými číslami pri poľnohospodárstve a celkovej ľudskej spotrebe vody. Môj zásah preto robil dve veci naraz: znižoval poľnohospodárske stĺpce tam, kde graf miešal inú metodiku, a dramaticky zvyšoval stĺpec pri AI ako hypotetický stresový scenár budúceho škálovania infraštruktúry.
Práve tu bol druhý experiment vedome konfliktnejší. Nepoužil som iba ostrejší jazyk. Konflikt bol zabudovaný do samotného tvrdenia aj do zásahu v grafe. Pracoval som s preexponovaným hypotetickým scenárom odvodeným z nejednoznačného výroku Erica Schmidta o možnom extrémnom raste energetických nárokov AI. Nie ako s opisom aktuálneho stavu, ale ako so stresovým testom rámca, ktorý pôvodný graf úplne ignoroval.
Toto bola silná stránka ale aj najväčšia slabina druhého experimentu. Preexponovaný scenár dokázal rozbiť pokoj pôvodného grafu oveľa účinnejšie než suchá metodická poznámka. Zároveň však vyrobil viac epistemického šumu. Časť publika sa nezačala hádať s metodickou chybou pôvodného grafu, ale s mojím hypotetickým scenárom.
Druhý príspevok: dáta
- 52 333 pozretí, približne 35-tisíc unikátnych divákov
- 224 interakcií
- 92 reakcií: 78 👍 Páči sa mi to, 8 😂 Haha, 3 😲 Žasnem, 2 ❤️ Super, 1 🤗 Cítim s Vami
- 108 komentárov, 7 zdieľaní, 17 uložení
- 99 % zásahu mimo mojich sledovateľov
Tieto čísla netreba čítať ako dôkaz, že druhý príspevok bol pravdivejší alebo že niekoho presvedčil. Ukazujú správanie, nie zmenu presvedčenia. Napriek tomu je rozdiel zaujímavý: druhý príspevok mal približne o 70 % viac pozretí než prvý, viac než trojnásobok interakcií, trojnásobok reakcií, takmer štvornásobok komentárov a prvé zdieľania. Dosah znamená, že sa obsah dostal pred oči. Komentár znamená, že človek musel niečo spracovať natoľko, aby vstúpil do hry.
Komentáre
Samotný príspevok však nebol celý experiment. Veľká časť sa odohrala až v komentároch. To je dôležité, lebo pri takomto type komunikácie post nefunguje ako uzavretý argument. Skôr otvorí herné pole. Až v komentároch sa ukáže, či konflikt zostane iba konfliktom, alebo sa aspoň časť diskusie presunie k metodike.
Pri prvom experimente boli komentáre pokojnejšie a analytickejšie. Ľudia riešili, čo vlastne znamená "používať AI", či je férové porovnávať chatboty s celou populáciou, aký veľký je reálny trh pre aktívne používanie AI, či je chat-LLM bližší vyhľadávaniu, sociálnym sieťam alebo profesionálnemu softvéru. Objavili sa aj praktické otázky, napríklad koľko stojí prevádzka vlastného AI chatbota pre neziskovku a kto zaplatí tokeny, ak sa z pilotu stane verejná služba.
Pri druhom experimente boli komentáre tvrdšie. To sa dalo čakať, lebo tvrdší bol aj samotný zásah. Časť ľudí sa okamžite zasekla na červených čiarach, časť na hypotetickom scenári, časť na tom, či voda "mizne", a časť na tom, že text vznikal s pomocou AI. Práve tam sa ukázala cena konfliktnejšej formy: čím silnejšie narušíte graf, tým viac ľudí začne diskutovať s vaším narušením namiesto pôvodného rámca.
Zároveň však práve v komentároch vznikli najdôležitejšie spresnenia. Opakovane sa vracala otázka, či porovnávame rovnaké systémové hranice. Ak rátame celý supply chain AI, nemali by sme ho rátať aj pri poľnohospodárstve? Ak rátame iba prevádzku, nemali by sme rátať iba prevádzku na oboch stranách? A ak graf mieša zelenú vodu, modrú vodu, priamu spotrebu a nepriame dopady, dá sa z neho vôbec vyvodiť seriózny záver? Toto bola najcennejšia časť diskusie.
Rovnako sa v komentároch ukázalo, že technický pojem "spotreba vody" je pre veľa ľudí intuitívne mätúci. Veľká časť reakcií stála na otázke, kam voda mizne. Odpoveď musela byť stále tá istá: voda nezmizne z planéty. Problém je, či zostane dostupná v tom istom povodí, v tej istej kvalite a v čase, keď ju potrebujeme. Práve táto veta pravdepodobne vysvetlila viac než samotný graf.
Komentáre teda neslúžili len na obranu príspevku. Boli súčasťou experimentu. Prvý príspevok ukázal, že antiframing môže otvoriť relatívne analytickú debatu o kategóriách a trhu. Druhý ukázal, že konfliktnejší antiframing prinesie viac dosahu, viac odporu a viac šumu, ale zároveň aj viac príležitostí opakovane prekladať metodiku do jednoduchších viet.
Model protipólu
Pri druhom experimente nebolo cieľom tvrdiť, že môj dokreslený graf je nová správna verzia reality.
Pôvodný graf vytváral rámec: AI je z hľadiska vody zanedbateľný problém. Môj zásah vytvoril opačný, zámerne preexponovaný rámec: ak sa AI infraštruktúra začne extrémne škálovať, vodná stopa už nemôže byť marginálna poznámka.
Ani jeden z týchto rámcov nie je dobrý finálny opis reality. Prvý je príliš upokojujúci. Druhý bol zámerne vyhrotený. Pointa experimentu bola dostať diskusiu medzi ne.
Nie k záveru, že dátové centrá dnes spotrebúvajú väčšinu vody. Ale ani k záveru, že voda pri AI nestojí za pozornosť. Presnejší stred znie: spotreba vody v rýchlo rastúcej AI infraštruktúre je existujúci problém, ktorý sa nedá pochopiť z jedného grafu bez metodiky, systémových hraníc, lokálneho kontextu a rozlíšenia medzi priamou prevádzkou a celým supply chainom.
Toto bol zmysel protipólu. Nie nahradiť jednu manipuláciu druhou, ale vytvoriť dosť silné zadrhnutie, aby sa pôvodná samozrejmosť rozpadla a vznikol priestor pre komplexnejšiu otázku.
Riziko bolo, že časť publika si protipól pomýli s mojím finálnym tvrdením. A presne to sa stalo. Preto musela následná práca v komentároch vracať diskusiu späť k jadru: nie môj extrémny scenár ako nová pravda, ale pôvodný graf ako nepoctivo jednoduchý rámec.
Nepríjemná časť
Nepríjemná časť je, že model protipólu pravdepodobne fungoval aj preto, že bol konfliktnejší.
Sociálne siete odmeňujú konflikt. To nie je morálny súd, ale opis prostredia. Obsah, ktorý nesie napätie, emóciu, morálny súd alebo prekvapenie, má väčšiu šancu zastaviť pozornosť a preskočiť medzi sieťami. Výskum šírenia morálno-emocionálneho obsahu ukazuje, že morálne a emocionálne nabitý jazyk zvyšuje pravdepodobnosť šírenia. Iná známa analýza na Twitteri ukázala, že nepravdivé správy sa šírili rýchlejšie, ďalej a hlbšie než pravdivé, okrem iného aj preto, že pôsobili novšie a vyvolávali silnejšie reakcie.
Z toho však nevyplýva, že riešením je robiť viac konfliktu. To by bol najlacnejší možný záver. Skutočná otázka znie inak: ak konflikt funguje, čo po ňom zostane?
Ak po konflikte zostane len kmeňová hádka, nič sme nezískali, len sme pridali ďalší kus hluku do už aj tak hlučného priestoru. Ak však konflikt privedie človeka k lepšej otázke, má zmysel. Konflikt nie je dobrý sám osebe. V prostredí sociálnych sietí je však často jedinou bránou k pozornosti.
Ľudia si často nemyslia to, čo si myslia, len preto, že im chýba informácia. To je starý omyl verejnej komunikácie. Keby problém spočíval len v nedostatku dát, stačilo by ich pridať. Lenže názory sú prepojené s identitou, dôverou, skupinou, emóciami a tým, čo človek potrebuje, aby si zachoval pocit, že jeho svet dáva zmysel. Prehľady výskumu dezinformácií ukazujú, že presvedčenia o nepravdivých tvrdeniach vznikajú cez kognitívne, sociálne aj afektívne faktory a že aj po korekcii môže pôvodná informácia ďalej ovplyvňovať úsudok (continued influence effect).
Ullrich K. H. Ecker
Nestačí povedať človeku: "Tu máš opravu." Treba ho dostať do bodu, kde si povie: "Počkať, možno otázka, ktorú mi ten graf položil, nebola správna."
V psychológii úsudku na to máme staré a užitočné koncepty. Anchoring: prvé číslo alebo prvý obraz nastaví mierku celej debaty. Availability: veci, ktoré si ľahko vybavíme, pôsobia dôležitejšie alebo pravdepodobnejšie. Tversky a Kahneman tieto heuristiky opísali ako skratky, ktoré sú často užitočné, ale vedú k predvídateľným chybám.
A Tversky
V preklade do jazyka sociálnych sietí: prvý pekný graf má obrovskú výhodu. Nastaví mierku, pocit, otázku. Všetko, čo príde po ňom, už často vyzerá iba ako komplikácia.
A potom je tu illusory truth effect: opakovanie zvyšuje pocit pravdivosti. Opakovaná vec nie je pravdivejšia, len sa spracúva ľahšie. Virálny graf nie je len obrázok, je kotva, opakovaný objekt, malý stroj na výrobu samozrejmosti. Ak proti nemu príde suchý fact-check o dva dni neskôr, často už nebojuje s grafom, ale s pocitom, ktorý graf stihol vyrobiť.
Jessica Udry
Môj zásah preto nebol pokus byť presnejší v tom istom rámci. Bol to pokus poškodiť hladkosť rámca. Vyrobiť kognitívne trenie. Nie hnev ako cieľ, ale zadrhnutie, moment keď človek neprejde cez obrázok tak ľahko.
Toto je jemný, ale zásadný rozdiel. Hnev hľadá nepriateľa. Kognitívne trenie hľadá chýbajúcu premennú.
Konflikt teda prináša distribúciu, ale má epistemické náklady. Ak je cieľom iba reach, tieto náklady neprekážajú. Ak je cieľom porozumenie, musia byť započítané.
Práve preto pri týchto dvoch príspevkoch nestačí porovnávať dosah. Treba porovnávať aj to, aký typ komentárov vznikol. Prvý experiment otvoril skôr analytickú debatu o adopcii. Druhý otvoril konfliktnejšiu debatu o metodike, lokálnych dopadoch a hraniciach porovnania.
A toto je pre mňa úspech. Nie že ľudia súhlasili, súhlas je lacná metrika. Úspech je, keď sa kvalita nesúhlasu zlepší. Keď človek prestane hovoriť iba "to je blbosť" a začne sa pýtať: "porovnávame rovnaké veličiny?" Keď namiesto "autor je propagandista" príde otázka: "ak rátaš nepriame náklady pri jednej kategórii, nemal by si ich rátať aj pri druhej?" Keď sa z prvého dojmu stane spor o metodiku, presne tam sa začína verejné učenie.
Tu sa dostávame k teórii sietí. Facebook nie je námestie. Je to sieť. A v sieti sa informácie nešíria lineárne. Granovetterova teória slabých väzieb hovorí, že práve slabé väzby spájajú vzdialené časti siete a umožňujú informáciám prekračovať hranice úzkych skupín. Small-world teória Wattsa a Strogatza zase ukazuje, že siete môžu byť lokálne zhlukované a zároveň mať krátke cesty medzi vzdialenými uzlami.
Duncan J. Watts
Keď Facebook ukázal, že drvivá väčšina zásahu pri oboch príspevkoch prišla od ľudí, ktorí ma nesledovali, nie je to detail. Príspevky prekročili existujúcu sledovateľskú štruktúru. Neboli to len statusy pre vlastných, boli to objekty, ktoré sa dostali cez slabé väzby, odporúčania, komentáre a algoritmické distribučné cesty k ľuďom mimo mojej bubliny. To je presne miesto, kde sa testuje verejná komunikácia. Písať pre ľudí, ktorí už vedia, že grafy treba čítať opatrne, je jednoduché. Dostať metodickú otázku k ľuďom, ktorí by metodickú poznámku nikdy neotvorili, je iný problém.
Teória komplexných nákaz k tomu dodáva ďalšiu vrstvu: niektoré informácie sa šíria ako jednoduchá nákaza (stačí jeden kontakt), ale postoje, normy a interpretácie potrebujú viacnásobné vystavenie a sociálne potvrdenie. To znamená, že cieľom jedného príspevku nemusí byť okamžité presvedčenie, to by bolo dosť naivné. Cieľom môže byť vložiť do siete nový typ otázky, aby sa pri ďalšom podobnom grafe niekomu vybavilo: "Počkať, čo vlastne porovnávame? Kde je metodika? Čo ostalo mimo obrázka?"
Ľudia však nekomentujú len kvôli názoru. Komentár je aj signál inteligencie, príslušnosti, irónie, odbornosti, odporu, lojality, statusu. V komunikačných situáciách je veľa správ len cheap talk, lacné vyhlásenie bez dôveryhodného signálu. Je lacné napísať "blbosť", dať výsmech, obviniť autora z propagandy. Antiframing však musí robiť niečo iné: zdvihnúť cenu lacnej reakcie. Nie cenzúrou, ale tým, že do textu vloží metodické kotvy, cez ktoré musí prejsť aj oponent. Ak chce odporovať, musí sa dotknúť definície, metodiky, systémovej hranice alebo chýbajúcej premennej.
Nechcel som zakázať nesúhlas. Chcel som navrhnúť taký rámec, v ktorom bude aj nesúhlas užitočnejší.
AI ako očakávaný účastník debaty
Pri oboch príspevkoch som počítal s tým, že časť komentujúcich nebude reagovať iba sama zo seba. Buď si nechajú pomôcť pri formulácii komentára, alebo si budú overovať protiargumenty cez ChatGPT, Gemini, Claude či Perplexity. Nerobím z toho obvinenie, robíme to všetci čoraz častejšie.
To znamená, že verejný text už nepíšem iba pre človeka. Píšem aj pre chvíľu, keď niekto zadá do modelu: "Ako mám odpovedať na tento argument? Je toto tvrdenie pravda? Nájdi chybu v tomto poste."
Tu vzniká zvláštna možnosť. Ak človek nesúhlasí s mojím príspevkom a ide si po pomoc k AI modelu, nemusí to byť pre antiframing problém. Môže to byť jeho pokračovanie.
Ak je text len emócia, model pomôže nájsť rétorickú slabinu. Ak je však postavený okolo metodickej kotvy, model sa jej bude musieť dotknúť. Bude musieť riešiť systémové hranice, typ vody, priamu a nepriamu spotrebu, lokálny kontext alebo rozdiel medzi aktuálnym stavom a hypotetickým scenárom.
A tu je dôležitý psychologický rozdiel. Keď tú istú vec poviem ja, oponent ju môže odmietnuť ako súčasť môjho rámca. Keď k nej príde sám cez vlastnú otázku položenú modelu, môže ju vnímať menej ako porážku a viac ako vlastný objav.
Priemerný, opatrný a metodicky orientovaný výstup AI modelu sa vtedy môže paradoxne stať pákou. Nie nutne preto, že model bude stáť na mojej strane, ale kvôli tomu, že bude tlačiť späť k rozlíšeniam, ktoré konflikt v prvom momente prekryl.
Cieľom nie je, aby model povedal: "Autor má pravdu." Cieľom je, aby povedal: "Závisí od metodiky." To je oveľa skromnejší cieľ. A možno silnejší.
V ére AI už nestačí písať argumenty tak, aby obstáli pred čitateľom. Musia obstáť aj pred čitateľom, ktorý si ide nechať vyrobiť protiargument.
Riziká a prínosy antiframingu
Po dvoch príspevkoch vidím tri základné riziká.
- Prvé je etické. Ak použijem preexponovaný protipól, aby som rozbil zavádzajúci rámec, riskujem, že pre časť publika len vyrobím nový zavádzajúci objekt. Nie každý otvorí text. Nie každý číta komentáre. Nie každý sa dostane k metodike. Pre veľkú časť ľudí môže zostať v hlave iba obrázok. A ak ten obrázok sám potrebuje vysvetlenie, potom antiframing kráča po hrane toho, čo sám kritizuje.
Toto je najväčšia slabina druhého experimentu. Áno, červený stresový scenár otvoril diskusiu, ktorá by sa inak pravdepodobne nestala. Ale zároveň mohol u časti tichého publika vyrobiť nesprávny dojem. Preto antiframing nemôže byť alibi pre hocijakú provokáciu. Čím tvrdší protipól človek použije, tým väčšiu zodpovednosť má za to, aby bol v texte a komentároch metodicky presný. - Druhé riziko je škálovateľnosť. Hladké klamstvo je lacné. Pekný graf bez metodiky sa dá vyrobiť rýchlo, zdieľať rýchlo a pochopiť ešte rýchlejšie. Antiframing je drahý. Vyžaduje znalosť témy, schopnosť nájsť chybu v rámci, odvahu vstúpiť do konfliktu a potom ešte hodiny práce v komentároch. Ak konflikt otvoríte a potom odídete, často po vás zostane len hluk. Tento prístup preto nie je jednoduchý recept pre všetkých a na všetko. Je to skôr náročná intervenčná technika pre momenty, keď už zlý rámec získal verejnú silu.
- Tretie riziko je, že kognitívne trenie sa nemusí zmeniť na učenie. Môže sa zmeniť len na odpor. Človek sa nezastaví preto, aby si položil lepšiu otázku, ale preto, aby si potvrdil, že autor je idiot, propagandista alebo nepriateľ. Niekedy konflikt neotvorí metodiku. Len aktivuje obranný reflex. To nie je chyba konkrétneho čitateľa, ale vlastnosť prostredia, v ktorom sú názory prepojené s identitou, statusom a skupinou.
Preto som opatrný s veľkými tvrdeniami o účinnosti. Tieto dva príspevky neukazujú, že antiframing ľudí presviedča. Ukazujú skôr to, že vie dostať metodickú otázku pred ľudí, ku ktorým by sa inak nedostala, a že v časti publika vie zmeniť kvalitu sporu.
Zároveň však vidím tri silné prínosy.
- Komplexná otázka sa dostane mimo vlastnú bublinu. Pri oboch príspevkoch tvorili nesledovatelia 97 %, respektíve 99 % zásahu.
- Komentáre vytvorili mapu mentálnych bariér. Pri prvom príspevku sa ľudia zasekávali na adopcii, trhu, cene a definícii používania. Pri druhom na kolobehu vody, lokálnej dostupnosti, supply chaine, férových systémových hraniciach a rozdiele medzi stresovým scenárom a aktuálnym tvrdením. To je pre ďalšiu komunikáciu rovnako cenné ako samotné čísla o dosahu.
- A napokon, konflikt sa nemusí preložiť iba do hnevu. Druhý príspevok mal medzi 92 reakciami 78 Like, 8 Haha, 3 Žasnem, 2 Super, 1 Cítim s Vami a ani jednu reakciu "Štve ma to". Konflikt sa nepreložil do emoji, ale do komentárov, odporu, sporu a niekoľkých dobrých otázok.
Tento experiment preto neberiem ako dôkaz, že mám správnu metódu, skôr ako dôkaz, že stojí za to ju ďalej skúmať. A najmä spresňovať.
Konflikt funguje. Ale konflikt nie je cieľ. Cieľ sú lepšie otázky.
Prvý experiment ukázal, že sa dá napadnúť adopčný rámec. Druhý ukázal, že tvrdší konflikt vie dostať metodickú otázku ďalej, ale zároveň zvýšiť jej cenu. Oba ukázali, že sociálne siete netreba chápať len ako miesto, kde zverejníme názor. Sú to strategické siete, v ktorých sa rámce šíria, opakujú, deformujú, komentujú, prekladajú cez AI modely a vracajú späť ako nové verejné presvedčenia.
Nabudúce, keď uvidíte pekný graf, ktorý vám za tri sekundy vysvetlí zložitý problém, skúste sa nezastaviť pri prvom dojme. Spýtajte sa, čo je v grafe, čo je mimo neho, čo sa porovnáva, kto určil kategórie a čo by sa muselo doplniť, aby ten záver prestal byť taký pohodlný. Presne tam sa začína rozmýšľanie. Nie pri prvom dojme. Ale pri prvom zadrhnutí.
Komentáre ()