Efekt zakotwiczenia: 7 przykładów i jak działa w AI

Ostatnia aktualizacja: kwiecień 2026

Czym jest efekt zakotwiczenia?

Efekt zakotwiczenia (ang. anchoring effect) to błąd poznawczy polegający na tym, że oceniając nieznaną wielkość liczbową, człowiek nadmiernie polega na pierwszej usłyszanej liczbie — zwanej kotwicą. Kolejne osądy korygowane są „od kotwicy”, ale korekta jest prawie zawsze niewystarczająca. Ostateczna odpowiedź pozostaje przesunięta w stronę kotwicy, nawet jeśli ta jest jawnie przypadkowa lub wprost nieistotna.

Zjawisko po raz pierwszy opisali Amos Tversky i Daniel Kahneman w przełomowej pracy z 1974 r. opublikowanej w Science: „Judgment under Uncertainty: Heuristics and Biases”. Efekt jest dziś jednym z najlepiej udokumentowanych wyników ekonomii behawioralnej — replikowany w różnych kulturach, grupach wiekowych, u ekspertów, a od 2025 r. także w dużych modelach językowych. W ramach dualnej teorii Kahnemana (System 1 vs System 2) zakotwiczenie to podręcznikowy przykład heurystyki Systemu 1 — patrz nasz tekst o heurystykach poznawczych i szerszy kontekst w artykule o ekonomii behawioralnej.

Jak działa efekt zakotwiczenia?

Zakotwiczenie działa przez mechanizm selektywnej dostępności (Mussweiler & Strack, 1999). Gdy natrafiasz na liczbę, mózg nieświadomie wyszukuje w pamięci informacje zgodne z założeniem, że to ona jest prawidłową odpowiedzią. Te „zgodne” informacje dominują potem w finalnej ocenie — nawet gdy wiesz, że kotwica jest błędna.

Klasyczny eksperyment z kołem fortuny (Tversky & Kahneman, 1974): badacze kręcili kołem ustawionym tak, by zatrzymywało się na 10 lub 65, a następnie pytali uczestników, jaki procent państw członkowskich ONZ pochodzi z Afryki. Osoby, które zobaczyły 10, dały medianę odpowiedzi 25%. Te, które zobaczyły 65 — 45%. Koło było jawnie losowe. Nie miało to znaczenia.

7 przykładów efektu zakotwiczenia w praktyce

1. Przekreślone „ceny sprzed promocji” w sklepach

Gdy w sklepie widzisz 199 zł 89 zł, przekreślenie nie jest informacją — jest kotwicą. Badania Biswas & Blair (1991) pokazały, że konsumenci oceniają promocyjną cenę jako lepszy deal, gdy zestawiona jest z wyższą ceną referencyjną — nawet jeśli „oryginalna” cena nigdy realnie nie obowiązywała. W odpowiedzi na tę manipulację Unia Europejska przyjęła dyrektywę 2019/2161 (Omnibus), którą Polska wdrożyła ustawą z 1 grudnia 2022 r. (Dz.U. 2022 poz. 2581). Od 1 stycznia 2023 r. sklepy w Polsce muszą przy każdej obniżce pokazywać najniższą cenę z 30 dni poprzedzających promocję. UOKiK aktywnie egzekwuje ten obowiązek — jeszcze w 2023 r. urząd wszczął kontrole m.in. w sieciach drogeryjnych i spożywczych za fałszywe ceny referencyjne.

2. Negocjacje płacowe — kto pierwszy, ten lepszy

W negocjacjach kotwicę zakłada ten, kto pierwszy poda liczbę. Badanie Galinsky, Ku & Mussweiler (2011) w Journal of Personality and Social Psychology pokazało, że finalnie wynegocjowana pensja koreluje na poziomie 0,85+ z pierwszą ofertą rzuconą na stół. To dlatego działy HR często dopytują kandydata o „aktualne zarobki” przed podaniem widełek — i dlatego od 2022 r. coraz więcej państw UE (w tym we Francji, Niemczech czy Irlandii) wprowadza zakaz pytania o historię wynagrodzenia. W Polsce projekt ustawy wdrażającej dyrektywę 2023/970 o przejrzystości płac jest w procedowaniu i obejmie obowiązek podawania widełek w ogłoszeniu — to legislacyjna próba osłabienia kotwicy po stronie pracodawcy.

3. Wyceny nieruchomości — eksperci też nie są odporni

Northcraft i Neale (1987) dali pośrednikom obrotu nieruchomościami — zawodowcom z wieloletnim doświadczeniem — identyczną prezentację tej samej nieruchomości, różniącą się tylko ceną ofertową. Wyceny pośredników przesuwały się równolegle z ceną ofertową: listing wyższy o 11 000 USD dał wyceny wyższe średnio o 14 000 USD. Pośrednicy zaprzeczali, że cena ofertowa miała na nich wpływ. Mylili się o 11–12%. Mechanizm działa identycznie na polskim rynku: cena wywoławcza na Otodom lub Morizonie staje się kotwicą dla kupujących i dla rzeczoznawców — dlatego pośrednicy doradzają sprzedającym „zacząć wyżej niż realnie”.

4. Wyroki sądowe — kostka do gry i 3 miesiące różnicy

W często cytowanym badaniu Englich, Mussweiler & Strack (2006) niemieccy sędziowie z 15+-letnim doświadczeniem rzucali kośćmi do gry przed zarekomendowaniem wyroku dla hipotetycznej sprawy kradzieży sklepowej. Sędziowie, którzy wyrzucili 9, proponowali średnio 8 miesięcy. Ci, którzy wyrzucili 3 — 5 miesięcy. Kości były jawnie losowe. Sędziowie o tym wiedzieli.

5. Karta win w restauracji

Butelka wina za 950 zł na pierwszej stronie karty nie ma się sprzedawać. Jej rolą jest sprawienie, żeby butelka za 240 zł wydała się rozsądna. Badania nad „inżynierią menu” (Yang, 2012, Cornell Hospitality Quarterly) pokazują, że ten zabieg konsekwentnie przesuwa zamówienia w stronę drugiej najdroższej pozycji — dokładnie tam, gdzie restauracje lokują dania o najwyższej marży.

6. Trading CFD — poziomy techniczne jako kotwica

W moim tradingu na Plus500 w metodologii SMC (Smart Money Concepts) zakotwiczenie widać codziennie. Szczyt z poprzedniego dnia, okrągła liczba typu złoto przy 2000 USD, wyraźny swing high — wszystko to są psychologiczne kotwice, wokół których traderzy detaliczni klastrują wejścia i stop-lossy. To również dlatego spread rozszerza się w okolicach tych poziomów: animatorzy rynku wiedzą, że tłum jest tam zakotwiczony. W SMC koncept „liquidity grab” to dosłownie setup handlowy zbudowany wokół eksploatowania zakotwiczenia w zleceniach detalicznych — cena na moment zmiata oczywisty poziom, wybija klaster stop-lossów, po czym odwraca się. KNF i ESMA od 2018 r. ograniczają dźwignię w CFD właśnie dlatego, że retail inwestor systematycznie nie docenia ryzyka — a zakotwiczenie jest jedną z zaangażowanych heurystyk.

7. Odpowiedzi modeli LLM — odkrycie 2025 r.

Eksperymentalne badanie z 2025 r. opublikowane w Journal of Computational Social Science sprawdziło, czy duże modele językowe wykazują bias zakotwiczenia. Wykazują. Gdy GPT-4, Claude i modele klasy Llama otrzymywały stronnicze podpowiedzi liczbowe przed neutralnym pytaniem („Czy Nil jest dłuższy niż 25 000 km?” vs „…niż 1000 km?”), ich końcowe oszacowania podążały za kotwicą. Równoległa praca z ACL 2025 o symulacjach negocjacji cenowych potwierdziła, że LLM-y akceptują niekorzystne ceny, gdy wcześniej wrzucona zostaje wysoka kotwica. To istotne, bo systemy AI są coraz częściej wbudowywane w pipeline’y rekrutacji, cennikowania i rekomendacji — dziedziczą te same biasy, które miały neutralizować.

Jak mierzy się efekt zakotwiczenia?

Standardowy schemat eksperymentu ma dwa warianty:

Wskaźnik zakotwiczenia (Anchoring Index, Jacowitz & Kahneman, 1995) kwantyfikuje siłę efektu: (mediana przy wysokiej kotwicy − mediana przy niskiej) / (wysoka kotwica − niska kotwica) × 100%. W setkach replikacji wskaźnik stabilnie plasuje się między 40% a 60% — to oznacza, że mniej więcej połowa wielkości dowolnej kotwicy „przenika” do końcowej oceny.

Dlaczego efekt zakotwiczenia ma znaczenie w 2026 r.?

Trzy zbieżne trendy sprawiają, że zakotwiczenie jest dziś konsekwencjonalne jak nigdy od 1974 r.:

1. Ceny wyliczane przez AI. Systemy dynamicznego pricingu, boty negocjacyjne oparte o AI i silniki rekomendacyjne LLM opierają się o liczbowe bodźce „pierwszego ruchu”. Jeśli sam LLM jest zakotwiczony (jak pokazują badania 2025), bias się kumuluje, a nie znosi.

2. AI Act i ochrona konsumenta. Europejski AI Act (w mocy od sierpnia 2024, obowiązki dla systemów wysokiego ryzyka od sierpnia 2026) klasyfikuje w art. 5 systemy, które manipulują decyzjami konsumentów przez eksploatowanie znanych podatności poznawczych, jako praktyki zakazane. „Decepcyjne zakotwiczanie” w retail opartym o AI jest w Unii obszarem aktywnego nadzoru regulacyjnego.

3. Regulacja dark patterns w Polsce. Digital Services Act (DSA) i dyrektywa Omnibus — wdrożona w Polsce ustawą z grudnia 2022 r. — wspólnie traktują fałszywe ceny referencyjne i decepcyjne kotwice jako nieuczciwą praktykę rynkową. Kary sięgają 4% rocznego obrotu w UE. UOKiK od wejścia w życie przepisów prowadzi systematyczne kontrole — publikuje listę ukaranych sieci na uokik.gov.pl.

Jak bronić się przed efektem zakotwiczenia?

Uczciwa odpowiedź: w pełni się nie da — ale można go osłabić. Cztery techniki poparte badaniami:

Wygeneruj własne oszacowanie najpierw. Zanim zobaczysz cenę ofertową, propozycję pensji albo kartę menu, zapisz, ile Twoim zdaniem powinno to kosztować. To pre-rejestracja osądu i kontr-kotwica.

Rozważ przeciwieństwo. Mussweiler, Strack & Pfeiffer (2000) pokazali, że jawne pytanie „dlaczego ta kotwica może być błędna?” redukuje zakotwiczenie o ok. 40%. Nie eliminuje — redukuje.

Poszerz zbiór odniesień. Zamiast porównywać z jedną liczbą, zmuś się do zebrania trzech–czterech punktów odniesienia. To rozbija mechanizm selektywnej dostępności.

Dla pracy z LLM-ami: badanie ACL 2025 pokazało, że samo chain-of-thought nie eliminuje zakotwiczenia w modelach. Pomaga ustrukturyzowany prompting wielo-perspektywiczny — proszenie modelu o wygenerowanie odpowiedzi z kilku niezależnych ujęć przed ich połączeniem. Jeśli budujesz pipeline LLM do pricingu albo negocjacji, wbuduj to na stałe.

Efekt zakotwiczenia a inne błędy poznawcze

Pełną mapę powyższych błędów poznawczych znajdziesz w tekście o heurystykach poznawczych. Dla szerszego kontekstu, dlaczego umysł w ogóle ulega takim pułapkom — patrz teoria perspektywy Kahnemana i Tversky’ego oraz wprowadzenie do ekonomii behawioralnej. English counterpart: Anchoring Effect Explained.

Podsumowanie

Efekt zakotwiczenia jest jednym z najlepiej zreplikowanych odkryć nauk poznawczych: pierwsza liczba, jaką widzisz, pociąga w swoją stronę każdy kolejny osąd, a ten efekt trwa nawet wtedy, gdy kotwica jest losowa, nieistotna lub jawnie oznaczona jako taka. Kształtuje ceny w sklepach, negocjacje płacowe, rynek nieruchomości, wyroki sądowe — a od 2025 r. także odpowiedzi systemów AI, którymi próbujemy zastąpić ludzki osąd. Nie uciekniesz od niego w pełni. Możesz osłabić jego uchwyt, generując niezależne oszacowania, rozważając wiele punktów odniesienia, a przy pracy z LLM-ami — promptując wielo-perspektywicznie, nie jednościeżkowo.