Sztuczna inteligencja przestała być technologią dla informatyków.
Pisze teksty, analizuje dokumenty, tworzy obrazy, pomaga programistom, przeszukuje internet, tłumaczy, podsumowuje, a coraz częściej również korzysta z innych programów i wykonuje konkretne działania.
To ogromna zmiana.
Ale wraz z rosnącymi możliwościami AI pojawił się problem, który łatwo przeoczyć: system może odpowiedzieć szybko, profesjonalnie i bardzo przekonująco, a mimo to się mylić.
Dlatego najważniejszą kompetencją w świecie AI nie jest dziś znajomość magicznych promptów.
Znacznie ważniejsze jest rozumienie, co właściwie robi model, kiedy można mu zaufać, kiedy trzeba go sprawdzić i których zadań nie powinniśmy bezrefleksyjnie mu przekazywać.
To właśnie są prawdziwe podstawy AI.
AI nie jest automatem do prawdy
To najważniejsza rzecz, którą warto zrozumieć na początku.
Model językowy nie działa jak encyklopedia, która najpierw znajduje prawidłową odpowiedź, a następnie przekazuje ją użytkownikowi.
Generuje odpowiedź.
I może wygenerować zarówno coś prawdziwego, jak i informację, która jedynie wygląda na prawdziwą.
NIST używa w tym kontekście określenia „confabulation”, czyli konfabulacja. System może tworzyć błędne fakty, nieistniejące cytaty, fikcyjne publikacje, fałszywe podstawy prawne albo przekonujące uzasadnienia niepoprawnego wniosku.
Problem jest szczególnie niebezpieczny dlatego, że błędna odpowiedź nie musi wyglądać podejrzanie.
Może być świetnie napisana.
Może zawierać tabelę.
Może podawać źródła.
Może używać fachowego języka.
Może brzmieć bardziej kompetentnie niż odpowiedź człowieka.
Styl wypowiedzi nie jest jednak dowodem jej prawdziwości.
To jedna z zasad, które warto zapamiętać na długo: płynność języka jest cechą interfejsu, a nie certyfikatem wiedzy.
Czym właściwie jest sztuczna inteligencja
AI nie oznacza jednej konkretnej technologii.
To szeroka kategoria systemów zdolnych między innymi do klasyfikowania informacji, przewidywania, rekomendowania, rozpoznawania wzorców, generowania treści albo wspomagania decyzji.
Dlatego filtrowanie spamu, rekomendacje produktów w sklepie, przewidywanie popytu, rozpoznawanie obiektów na zdjęciu i chatbot mogą być systemami AI, mimo że robią zupełnie inne rzeczy.
Przydatne jest rozróżnienie kilku pojęć.
AI
Najszersza kategoria. Obejmuje bardzo różne systemy wykonujące zadania kojarzone z inteligentnym przetwarzaniem informacji.
Uczenie maszynowe
Podejście, w którym część zachowania systemu jest wyuczona na podstawie danych zamiast zaprogramowania wszystkich reguł ręcznie.
Deep learning
Rodzina metod uczenia maszynowego wykorzystująca wielowarstwowe sieci neuronowe.
Generatywna AI
Systemy nastawione przede wszystkim na tworzenie nowych treści, na przykład tekstu, obrazu, dźwięku, kodu lub wideo.
ChatGPT, Claude czy Gemini są więc tylko jednym fragmentem znacznie większego świata sztucznej inteligencji.
Model AI i aplikacja AI to nie to samo
To rozróżnienie staje się coraz ważniejsze.
Model jest wytrenowanym komponentem obliczeniowym.
Aplikacja może zbudować wokół niego cały system.
Może dodać:
- wyszukiwarkę internetową,
- dostęp do dokumentów,
- pamięć rozmów,
- bazę danych,
- kalkulator,
- interpreter kodu,
- dostęp do firmowego API,
- możliwość wysyłania wiadomości,
- wykonywanie operacji w innych programach.
Dlatego samo pytanie „jakiego modelu używa ta aplikacja?” nie mówi jeszcze wystarczająco dużo.
Znacznie lepiej zapytać:
Do jakich danych system ma dostęp?
Jakich narzędzi może używać?
Czy potrafi wyszukiwać aktualne informacje?
Czy może tylko przygotować odpowiedź, czy również wykonać działanie?
Kto zatwierdza skutki tego działania?
To ostatnie pytanie będzie coraz ważniejsze wraz z rozwojem agentów AI.
Chatbot, który źle napisze e mail, powoduje niewielki problem.
Agent, który samodzielnie wyśle ten e mail do klienta, powoduje problem realny.
Jak działa model językowy
Jednym z fundamentów współczesnych dużych modeli językowych jest architektura Transformer opisana w 2017 roku w pracy „Attention Is All You Need”.
W dużym uproszczeniu działanie typowego modelu tekstowego można przedstawić tak:
polecenie i kontekst → tokeny → obliczenia modelu → prawdopodobieństwa kolejnych tokenów → odpowiedź
Token nie musi odpowiadać całemu słowu. Jest fragmentem reprezentacji tekstu wykorzystywanym przez model.
Podstawowym mechanizmem klasycznych autoregresyjnych modeli językowych jest przewidywanie kolejnego elementu sekwencji na podstawie wcześniejszego kontekstu.
I właśnie tutaj znajduje się klucz do zrozumienia zarówno niezwykłych możliwości modeli, jak i ich ograniczeń.
Model bardzo dobrze nauczył się wzorców występujących w języku.
Dlatego może tworzyć kod, artykuł, analizę albo wyjaśnienie.
Nie oznacza to jednak, że każda wygenerowana przez niego informacja została wcześniej sprawdzona z rzeczywistością.
Co właściwie dzieje się podczas treningu
Podczas treningu model przetwarza ogromną liczbę przykładów i dostosowuje swoje parametry tak, aby coraz lepiej realizować określony cel uczenia.
Nie powstaje z tego zwykła baza danych zawierająca kopie wszystkich przeczytanych zdań.
Model uczy się złożonych statystycznych zależności występujących w danych.
Dzięki temu potrafi później wygenerować zdanie, którego nigdy wcześniej nie widział.
Ta sama właściwość pozwala mu jednak stworzyć informację brzmiącą niezwykle wiarygodnie, mimo że jest fałszywa.
Warto także rozróżnić trzy etapy.
Pretraining
Wstępny trening budujący szerokie możliwości modelu na dużej liczbie danych.
Posttraining
Dalsze dostrajanie sposobu działania modelu. Może uczyć go lepszego wykonywania instrukcji, preferowanego stylu odpowiedzi czy zachowania zgodnego z oczekiwaniami użytkowników.
Jedną z dobrze udokumentowanych technik jest RLHF, czyli reinforcement learning from human feedback. Ludzie oceniają odpowiedzi, a ich preferencje są wykorzystywane do dalszego dostrajania systemu.
Inferencja
Moment, który widzi użytkownik. Wytrenowany model otrzymuje konkretne polecenie i generuje odpowiedź.
Dostrajanie może sprawić, że odpowiedzi będą znacznie bardziej pomocne.
Nie daje jednak matematycznej gwarancji, że staną się prawdziwe.
Skąd biorą się halucynacje AI
Popularne określenie „halucynacja” nie jest idealne, ale dobrze przyjęło się w codziennym języku.
Mechanizm problemu jest dość prosty.
Model ma wygenerować prawdopodobną odpowiedź.
Nie posiada jednego uniwersalnego mechanizmu, który przed pokazaniem każdego zdania użytkownikowi sprawdzi je ze światem rzeczywistym.
Jeżeli więc model nie zna odpowiedzi albo dysponuje niepełnym kontekstem, nadal może wygenerować ciąg dalszy.
I właśnie wtedy może powstać fałszywe nazwisko, data, badanie, przepis albo cytat.
Dostęp do internetu, dokumentów i wyszukiwarek bardzo pomaga, ale również nie rozwiązuje problemu całkowicie.
System może:
- znaleźć niewłaściwe źródło,
- użyć starej wersji dokumentu,
- błędnie zinterpretować źródło,
- poprawnie przeczytać dane, ale wyciągnąć z nich zły wniosek.
Dlatego nawet AI wyposażona w wyszukiwanie nie powinna być traktowana jak nieomylny mechanizm badawczy.
AI naprawdę zwiększa produktywność. Ale jest haczyk
Tu dochodzimy do jednej z najciekawszych rzeczy w badaniach nad AI.
Korzyści są realne.
W badaniu opublikowanym w „Quarterly Journal of Economics”, obejmującym 5172 pracowników obsługi klienta, dostęp do asystenta generatywnej AI był związany średnio z około 15 procentowym wzrostem produktywności.
Większe korzyści obserwowano u mniej doświadczonych pracowników.
Nie oznacza to jednak, że AI daje każdemu pracownikowi i w każdym zawodzie premię równą 15 procent.
Jeszcze ciekawszy obraz daje badanie 758 pracowników wiedzy opublikowane w „Organization Science”.
W zadaniach mieszczących się w zakresie mocnych stron badanego modelu użytkownicy AI wykonywali średnio o 12,2 procent więcej zadań i robili to o 25,1 procent szybciej. Poprawiała się również jakość.
Następnie badacze dali uczestnikom zadanie znajdujące się poza aktualnymi możliwościami modelu.
Rezultat odwrócił się.
Osoby korzystające z AI były średnio o 19 punktów procentowych mniej skłonne do udzielenia prawidłowej odpowiedzi niż osoby pracujące bez AI.
To jeden z najważniejszych wyników dla każdego użytkownika sztucznej inteligencji.
AI może jednocześnie dramatycznie pomagać i przeszkadzać.
Nie ma w tym sprzeczności.
Wszystko zależy od zadania.
Poszarpana granica możliwości
Autorzy wspomnianego badania określają ten problem jako „jagged technological frontier”.
Można to rozumieć jako poszarpaną granicę możliwości technologii.
Model może świetnie wykonać zadanie pozornie bardzo trudne, a następnie pomylić się w innym zadaniu, które człowiek uznałby za łatwiejsze.
To dlatego nie wystarczy nauczyć się listy rzeczy, które „AI potrafi”.
Granica ciągle się zmienia.
Zmieniają się modele.
Zmieniają się ich narzędzia.
Zmieniają się dane.
Zmieniają się sposoby posttrainingu.
Zmienia się sam produkt, z którego korzystamy.
Znacznie cenniejszą kompetencją jest umiejętność sprawdzenia, czy konkretny system radzi sobie z konkretnym zadaniem.
Dlaczego dobry prompt nie wystarczy
Promptowanie ma znaczenie.
Precyzyjna instrukcja może zdecydowanie poprawić rezultat.
Warto określić cel, odbiorcę, kontekst, zakres, format i ograniczenia.
Ale dobry prompt nie naprawia fundamentalnych braków modelu.
W eksperymentach dotyczących poszarpanej granicy możliwości dodatkowy instruktaż promptowania nie eliminował problemu w zadaniu znajdującym się poza kompetencjami AI.
To ważna lekcja.
Prompt engineering nie jest systemem kontroli jakości.
Może zwiększyć prawdopodobieństwo otrzymania dobrej odpowiedzi.
Nie gwarantuje jej poprawności.
Najlepszy sposób pracy z AI zaczyna się przed napisaniem promptu
Zamiast zastanawiać się nad magiczną formułą polecenia, najpierw odpowiedz sobie na kilka pytań.
1. Co chcę osiągnąć?
„Napisz coś o rynku nieruchomości” jest słabym zadaniem.
Znacznie lepsze będzie określenie odbiorcy, kraju, okresu, problemu, danych i rezultatu.
2. Jaki kontekst powinien dostać model?
Jeżeli AI ma przeanalizować dokument, dostarcz dokument.
Jeżeli ma pracować na konkretnych danych, przekaż właśnie te dane.
Im więcej model musi zgadywać, tym większe ryzyko problemów.
3. Czego modelowi nie wolno założyć?
Możesz wprost napisać:
„Nie zgaduj brakujących danych”.
„Zaznacz informacje, których nie możesz potwierdzić”.
„Korzystaj wyłącznie z dostarczonych materiałów”.
Takie ograniczenia nie zapewniają nieomylności, ale pomagają kontrolować wynik.
4. Jak ma wyglądać rezultat?
Tabela, analiza porównawcza, raport, kod, lista ryzyk czy e mail to zupełnie inne zadania.
Określenie formatu ogranicza niejednoznaczność.
5. Jak sprawdzę rezultat?
To najczęściej pomijany punkt.
Jeszcze zanim uruchomisz AI, warto wiedzieć, jak później ocenisz jej odpowiedź.
Jeżeli nie potrafisz tego zrobić, ryzyko automatycznego zaakceptowania błędu gwałtownie rośnie.
Prosty szablon dobrego polecenia
W większości zastosowań wystarczy kilka elementów:
Cel: co chcę osiągnąć.
Kontekst: co model powinien wiedzieć.
Materiały: na czym powinien oprzeć odpowiedź.
Ograniczenia: czego nie wolno mu zakładać.
Format: jak powinien wyglądać rezultat.
Kryteria jakości: po czym poznam, że odpowiedź jest dobra.
Niepewność: czego model nie wie i co należy dodatkowo sprawdzić.
Nie jest to naukowo dowiedziona uniwersalna formuła najlepszego promptu.
I właśnie o to chodzi.
Nie istnieje jeden prompt dobry dla każdego zadania i każdego modelu.
Im większe ryzyko, tym mocniejsza weryfikacja
Nie każda odpowiedź AI wymaga takiego samego poziomu kontroli.
Jeżeli prosisz model o zmianę tonu wiadomości do znajomego, przeczytanie rezultatu może wystarczyć.
Jeżeli tworzysz raport zarządczy, sprawdź liczby i źródła.
Jeżeli rezultat ma wpływać na zdrowie, pieniądze, sytuację prawną, zatrudnienie albo bezpieczeństwo, odpowiedź modelu nie powinna sama w sobie stanowić podstawy decyzji.
Można przyjąć prostą zasadę:
poziom weryfikacji powinien rosnąć razem z kosztem potencjalnego błędu.
Szczególnie ostrożnie należy traktować bibliografię wygenerowaną przez AI.
Lista źródeł wygenerowana przez model nie jest jeszcze zweryfikowaną bibliografią.
Otwórz najważniejsze dokumenty.
Sprawdź autora.
Sprawdź datę.
Sprawdź wersję.
Sprawdź, czy badanie rzeczywiście obejmowało opisywaną grupę.
I przede wszystkim sprawdź, czy źródło naprawdę mówi to, co przypisuje mu AI.
Nie wklejaj poufnych danych do AI bez zastanowienia
Kolejny błąd wynika z traktowania AI jak zwykłego pola tekstowego.
Nie należy automatycznie przekazywać dowolnemu systemowi:
- danych klientów,
- tajemnicy przedsiębiorstwa,
- dokumentacji wewnętrznej,
- danych osobowych,
- poufnych umów,
- danych finansowych.
W Unii Europejskiej zastosowanie sztucznej inteligencji nie powoduje, że przestaje obowiązywać RODO.
EDPB analizuje kwestie przetwarzania danych osobowych zarówno przy tworzeniu modeli, jak i podczas ich wdrażania.
W praktyce przed wykorzystaniem AI w firmie warto sprawdzić warunki konkretnej usługi, politykę retencji danych, sposób wykorzystania danych do treningu, umowy dotyczące przetwarzania oraz wewnętrzne zasady bezpieczeństwa.
Nie wystarczy stwierdzenie: „to duża firma, więc na pewno jest bezpiecznie”.
Liczą się warunki konkretnego produktu.
Agent AI wymaga większego zaufania niż chatbot
To prawdopodobnie jedno z najważniejszych wyzwań kolejnych lat.
Chatbot może coś zaproponować.
Agent może coś zrobić.
To zasadnicza różnica.
Jeżeli system może samodzielnie:
- wysłać wiadomość,
- zmienić dane w bazie,
- uruchomić kod,
- kupić usługę,
- pobrać dokument,
- zmienić konfigurację systemu,
to błędna odpowiedź przestaje być tylko tekstem.
Staje się działaniem.
Dochodzi do tego między innymi problem prompt injection, czyli prób manipulowania modelem za pomocą treści znajdującej się w danych, dokumentach albo stronach internetowych przetwarzanych przez system.
Dlatego sensowna zasada projektowa brzmi: AI powinna otrzymywać tylko takie uprawnienia, których faktycznie potrzebuje.
Operacje o dużym wpływie powinny wymagać dodatkowego zatwierdzenia.
Tam, gdzie to możliwe, działania powinny być odwracalne.
AI ma też wymiar prawny
W Unii Europejskiej znajomość podstaw AI nie jest już wyłącznie kwestią produktywności.
AI Act jest zasadniczo stosowany od 2 sierpnia 2026 roku.
Regulacja opiera się na podejściu zależnym od ryzyka. Oznacza to, że zupełnie inne wymagania mogą dotyczyć prostego filtra spamu, a inne systemu wykorzystywanego w sytuacjach mających poważny wpływ na człowieka.
Przepisy dotyczące zakazanych praktyk i kompetencji AI zaczęły być stosowane wcześniej, 2 lutego 2025 roku.
W 2026 roku harmonogram części obowiązków dotyczących systemów wysokiego ryzyka został zmieniony przez AI Omnibus.
To dobry przykład szerszego problemu: wiedza dotycząca AI bardzo szybko się starzeje.
Artykuł prawny napisany w 2024 roku może być dziś nieaktualny, nawet jeżeli w momencie publikacji był całkowicie poprawny.
AI literacy staje się realną kompetencją organizacji
AI Act wprowadził również pojęcie AI literacy.
Nie powinno się go sprowadzać do jednodniowego szkolenia pod tytułem „jak używać ChatGPT”.
Praktyczna kompetencja AI powinna obejmować przynajmniej:
- rozumienie możliwości i ograniczeń systemów,
- rozpoznawanie konfabulacji,
- ochronę danych,
- właściwe dobieranie zadań,
- weryfikację źródeł,
- świadomość stronniczości modeli,
- podstawy bezpieczeństwa,
- jasne przypisanie odpowiedzialności człowiekowi.
To znacznie bardziej wartościowy zestaw umiejętności niż znajomość kilkudziesięciu gotowych promptów.
Treści generowane przez AI również podlegają nowym zasadom
Od 2 sierpnia 2026 roku obowiązują także określone wymogi przejrzystości wynikające z art. 50 AI Act.
Dotyczą między innymi niektórych treści generowanych lub manipulowanych przez AI, deepfake’ów oraz określonych publikowanych treści tekstowych.
Nie oznacza to jednak prostej zasady:
„Jeżeli AI poprawiło przecinek w tekście, publikacja musi zostać oznaczona jako wygenerowana przez AI”.
Zakres obowiązków zależy od rodzaju systemu, treści, roli danego podmiotu i przewidzianych w prawie wyjątków.
W przypadku zastosowań biznesowych i profesjonalnych warto więc sprawdzać aktualny tekst regulacji i oficjalne wytyczne zamiast opierać się na skrócie przeczytanym w mediach społecznościowych.
Jak więc naprawdę nauczyć się AI?
Nie zaczynałbym od stu promptów.
Nie zaczynałbym również od studiowania architektury sieci neuronowych przez kilka miesięcy.
Dla większości ludzi praktyczna ścieżka jest prostsza.
Najpierw trzeba zrozumieć, czym AI różni się od wyszukiwarki i bazy danych.
Następnie nauczyć się prawidłowo definiować zadania.
Potem świadomie dostarczać modelowi kontekst.
Kolejny etap to nauczenie się sprawdzania odpowiedzi.
Dopiero później warto przechodzić do bardziej zaawansowanych narzędzi, automatyzacji i agentów.
Najważniejszą umiejętnością użytkownika AI nie jest więc „umiem rozmawiać z chatbotem”.
Lepsza definicja brzmi:
umiem dobrać AI do zadania, dostarczyć właściwy kontekst, ochronić dane, rozpoznać ograniczenia, sprawdzić rezultat i pozostawić odpowiedzialność po stronie człowieka wtedy, kiedy jest to potrzebne.
AI jest potężnym narzędziem. Pod warunkiem, że nie mylimy go z wyrocznią
Debata o sztucznej inteligencji bardzo często wpada w dwie skrajności.
Pierwsza mówi, że AI rozwiąże niemal każdy problem.
Druga, że skoro modele popełniają błędy, nie można na nich polegać.
Obie są zbyt proste.
Badania pokazują coś znacznie ciekawszego.
W dobrze dobranych zadaniach AI może zauważalnie zwiększać produktywność, przyspieszać pracę i poprawiać jej jakość.
W źle dobranym zadaniu może jednocześnie zwiększyć prawdopodobieństwo błędu.
To oznacza, że przewagę niekoniecznie osiągnie osoba, która używa AI najczęściej.
Może ją osiągnąć osoba, która najlepiej wie, kiedy jej użyć, czego od niej oczekiwać i kiedy powiedzieć: teraz to sprawdzam.
I prawdopodobnie właśnie ta kombinacja, delegowanie plus weryfikacja, jest dziś najbardziej uniwersalną kompetencją AI.
Źródła
- EUR-Lex: skonsolidowany tekst Regulation (EU) 2024/1689, AI Act
- Komisja Europejska: AI Act, ramy regulacyjne, harmonogram, system ryzyka i GPAI
- Komisja Europejska: AI Omnibus enters into force
- Komisja Europejska: Living repository to foster learning and exchange on AI literacy
- Komisja Europejska: Code of Practice on Transparency of AI-generated Content
- European Data Protection Board: Opinion 28/2024 on certain data protection aspects related to the processing of personal data in the context of AI models
- NIST: AI Risk Management Framework
- NIST: Artificial Intelligence Risk Management Framework, Generative Artificial Intelligence Profile
- OECD: AI Principles
- Vaswani et al.: Attention Is All You Need
- Ouyang et al.: Training language models to follow instructions with human feedback
- Brynjolfsson, Li, Raymond: Generative AI at Work, Quarterly Journal of Economics
- Stanford Institute for Economic Policy Research: Generative AI at Work, wcześniejsza wersja badania
- Dell’Acqua et al.: Navigating the Jagged Technological Frontier, Organization Science
- Bengio et al.: International AI Safety Report 2026
Dyskusja