Jak pracować z AI – trzy umiejętności ważniejsze niż gotowe prompty

Jeśli prowadzisz firmę albo odpowiadasz za marketing, pewnie jesteś w jednym z dwóch miejsc. Albo już używasz AI do ofert, postów i maili sprzedażowych – i od czasu do czasu łapiesz model na zmyślaniu. Albo dopiero się przymierzasz, bo słyszałaś o halucynacjach i wolisz nie skompromitować się przed klientem tekstem, w którym połowa faktów się nie zgadza. Oba stanowiska są racjonalne. I w obu przypadkach da się rozprawić – w dużym stopniu – z ograniczeniami AI. Będą Ci potrzebne trzy opisane niżej umiejętności.

Najpierw jednak muszę Ci pokazać, dlaczego problem nie leży wyłącznie w maszynie. Leży też w nas.

Dlaczego wierzymy maszynom, które zmyślają?

Testowaliśmy nasze zaufanie do maszyn na długo przed tym, nim ktokolwiek usłyszał o ChatGPT. Weźmy to słynne badanie: psycholożki Kathleen Mosier i Linda Skitka posadziły zawodowych pilotów w symulatorze lotu na trasie z San Francisco do Los Angeles. Mosier całą karierę badała decyzje załóg w kokpitach, współpracując z ośrodkiem badawczym NASA Ames. Skitka to psycholożka społeczna, która później zasłynęła badaniami nad moralnymi przekonaniami. W symulatorze czekała na pilotów pułapka: sprzeczne sygnały o pożarze silnika. Wskaźniki w kokpicie pokazywały, że pali się lewy silnik. Tablet z procedurą awaryjną (taka elektroniczna lista kontrolna) nakazywał wyłączenie… prawego silnika.

Trzy czwarte pilotów posłuchało automatu. Wskaźniki w kokpicie mówiły co innego, wyszkolenie mówiło co innego – a mimo to 75% załóg wyłączyło zdrowy silnik, bo tak zasugerował system. W grupie kontrolnej, pracującej na papierowej liście kontrolnej, ten sam błąd popełniło 25%.

Badaczki ukuły dla tego zjawiska termin skłonność do automatyzacji (automation bias): kiedy maszyna podpowiada, człowiek przestaje samodzielnie szukać i przetwarzać informacje. Podpowiedź automatu działa jak droga na skróty – zamiast myśleć, sprawdzamy, co mówi system, i jedziemy dalej. W kolejnych eksperymentach Mosier i Skitka opisały dwa rodzaje błędów: przeoczenia (system czegoś nie zauważył, więc my też nie) i wykonania (system kazał, więc zrobiliśmy – bez weryfikacji).

Korzystając ze sztucznej inteligencji wpadamy w tę samą pułapkę. Czytamy po łebkach i przegapiamy zmyślone dane. Albo w ogóle się nie zastanawiamy – system podrzuca nam strategię działania a my wykonujemy.

Jest w tych badaniach także dobra wiadomość. Piloci, którzy czuli się osobiście odpowiedzialni za sposób korzystania z automatyki, sprawdzali podpowiedzi częściej i popełniali wyraźnie mniej błędów. Świadomość tego, że używasz automatu plus poczucie, że musisz się podpisać pod efektem końcowym – od tego zaczniemy. Ale to dopiero początek. Bo mamy jeszcze trzy umiejętności panowania nad tym automatem.

Polecana książka

Personal branding, czyli jak skutecznie zbudować autentyczną markę osobistą

Mateusz Grzesiak

Sprawdź ofertę | 13,90 zł

Umiejętność pierwsza: wiedz, skąd model wie

Żeby zapanować nad zmyślaniem, musisz zrozumieć, jak model w ogóle „mówi”. Mechanizm jest prostszy, niż się wydaje.

Model językowy robi jedną rzecz: przewiduje następny token, czyli fragment słowa. Dostaje tekst i zgaduje, co statystycznie powinno pojawić się dalej. Potem znowu. I znowu. Cała elokwencja ChatGPT bierze się z dwóch rzeczy:

• Proces jest powtarzany tysiące razy – po kilka razy dla pojedynczego słowa;
• Podczas obliczania prawdopodobieństwa są brane pod uwagę dziesiątki miliardów parametrów – to jest poziom obliczeń, którego ludzki mózg nie jest w stanie zrozumieć, dlatego wygląda dla nas trochę jak magia czy inteligencja.

Ale wiesz co? Ty robisz to samo. Kiedy mówisz, nie planujesz zdania do ostatniego słowa – Twój mózg podsuwa kolejne wyrazy w locie. I kiedy opowiadasz anegdotę sprzed lat, a w pamięci brakuje szczegółu, mózg dyskretnie wstawia coś prawdopodobnego. Nie pamiętasz, jakiego koloru był wypożyczony samochód? Wstawimy zmyślony kolor samochodu. Tak samo imię kelnera, kwotę na rachunku. Psychologowie nazywają to konfabulacją. Nikt tego nie zauważa, bo uzupełnienie pasuje do historii. Ba, sami tego czasem nie zauważamy!

Model konfabuluje tak samo. Każdy jeden token. Ale dopóki przewidywanie opiera się na czymś, co model rzeczywiście „widział” – w danych treningowych albo w materiałach, które mu podałeś – wynik trzyma się faktów. Ale kiedy w tym, co model wie, jest dziura, przewidywanie nie zatrzymuje się z komunikatem błędu. Ono płynie dalej i wypełnia dziurę treścią, która statystycznie pasuje: prawdopodobną liczbą, prawdopodobnym tytułem raportu, prawdopodobnym nazwiskiem eksperta. Tak powstało moje „badanie o 67% porzuconych koszyków” – model wiedział, jak wyglądają zdania ze statystykami w tekstach marketingowych, więc takie zdanie wygenerował.

Andrej Karpathy, jeden z twórców OpenAI, mówi wprost: modele to maszyny śniące (dream machines), a halucynowanie to ich naturalny stan – my tylko kierujemy snami za pomocą promptów. Zdolność do zmyślenia statystyki i zdolność do napisania chwytliwego sloganu to ten sam mechanizm. Nie da się wyciąć jednego, nie zabijając drugiego.

Skoro zmyślania nie da się wyplenić, pozostaje kontrola. A kontrola zaczyna się od pytania: skąd model bierze to, co mówi? Źródła są trzy i każde wymaga od Ciebie czego innego.

Wagi modelu – to, z czym model przychodzi

Wagi to skompresowana pamięć wszystkiego, na czym model był trenowany – miliardy stron tekstu zgniecione do postaci parametrów. Stąd model „zna” zasady copywritingu, formaty postów na LinkedIn i ogólną wiedzę o Twojej branży.

Test praktyczny, który polecam każdemu właścicielowi firmy: zapytaj model o własną firmę i o swoją konkurencję. Tylko zapytaj model, który nie ma dostępu do przeszukiwania internetu. Zobaczysz czarno na białym, co siedzi w wagach: czasem zaskakująco dużo, czasem nic, czasem – i to najgroźniejsze – mieszanka prawdy z konfabulacją. Ten jeden eksperyment nauczy Cię więcej o granicach modelu niż niejeden kurs.

Zła wiadomość: nie masz wpływu na wagi modelu. Kiedy ludzie używający AI mówią o „trenowaniu własnego AI”, to w 99,9% nie mówią o zmienianiu wag modelu. To proces, który jest drogi, czasochłonny i dla większości z nas nieopłacalny.

Dwie dobre wiadomości. Pierwsza: zawsze możesz zmienić model. Wymienić ChatGPT na Gemini czy Claude. Ta opcja robi się dużo bardziej atrakcyjna, kiedy dojdziemy do umiejętności numer trzy. Druga dobra wiadomość: wagi modelu są tylko jednym z elementów, które model bierze pod uwagę, kiedy coś dla Ciebie tworzy. Skoczmy więc do pozostałych dwóch, które już możesz modyfikować.

Kontekst widoczny – to, co sam wkładasz

Drugie źródło masz w rękach: wszystko, co wpisujesz i wklejasz do rozmowy. Pytania, instrukcje, dokumenty, pliki. To robocza pamięć modelu – i Twoje najsilniejsze narzędzie przeciwko halucynacjom, bo model, który może cytować, nie musi zgadywać.

W praktyce marketera wygląda to tak. Piszesz ofertę? Wklej cennik, opis usługi i dwie prawdziwe opinie klientów – zamiast zakładać, że model „coś wie” o Twojej firmie (już wiesz, co wie: sprawdziłaś to w teście wyżej). Prosisz o posty sprzedażowe? Załącz stronę produktu i listę najczęstszych obiekcji z rozmów handlowych. Chcesz analizę wyników kampanii? Wyeksportuj dane i podaj plik, zamiast opisywać liczby z pamięci.

Karmienie kontekstu bywa nudne. Ale w codziennej pracy z AI to najskuteczniejsza znana metoda ograniczania zmyśleń – i najkrótsza droga do tekstów, które brzmią jak Twoja firma, a nie jak uśredniony internet.

Tu znowu dwie wiadomości: dobra i zła. Zła jest taka, że bez treningu jesteśmy do bani w wypełnianiu kontekstu. Zakładamy, że model wie coś, czego wiedzieć nie ma prawa i potem się wściekamy, kiedy halucynuje. Dobra: ten problem rozwiązują schematy promptowania (czyli nasza umiejętność numer trzy).

Kontekst niewidoczny – to, co model zaciąga sam

Trzecie źródło jest najmłodsze i najbardziej podstępne. Współczesne modele potrafią w trakcie pracy sięgać na zewnątrz: przeszukiwać internet, czytać strony, łączyć się z Twoimi narzędziami przez serwery MCP (Model Context Protocol – protokół, który pozwala modelowi zajrzeć do Twojego kalendarza, CRM-a czy skrzynki). Wszystko, co model znajdzie, trafia do tej samej roboczej pamięci co Twoje instrukcje. Z jedną różnicą: Ty tego nie widzisz.

Zlecasz research konkurencji przed przygotowaniem oferty. Model przeszukał internet i wrócił z analizą. Na czym ją oparł? Na raporcie branżowym – czy na wpisie z forum, którego autor miał mocne poglądy i słabe źródła? Jeśli nie sprawdzisz, nie wiesz. Dlatego wyrób sobie nawyk jednego pytania kontrolnego: „na jakich źródłach oparłeś tę odpowiedź – pokaż listę”. Rzut oka na listę źródeł zajmuje trzydzieści sekund. Wysłanie klientowi analizy opartej na forumowej legendzie kosztuje więcej.

Pro tip: narzędzia typu ChatGPT mają tzw. stałe instrukcje. Czyli coś, czego model trzyma się w każdej nowej konwersacji z Tobą. Każ mu podawać listę źródeł w stałej instrukcji.

Badacze zaufania do automatyzacji, Lee i See, nazywają tę postawę kalibracją zaufania: sztuką nie jest ufać maszynie ani jej nie ufać, tylko wiedzieć, kiedy zasługuje na zaufanie. Trzy źródła dają Ci prostą skalę. Odpowiedź z wag: traktuj jak wypowiedź oczytanego znajomego – ciekawa, do sprawdzenia. Odpowiedź z Twoich dokumentów: znacznie pewniejsza. Odpowiedź z internetu: tak dobra, jak źródła, które model znalazł – więc sprawdź, co znalazł.

I jeszcze jedna pułapka na koniec tej sekcji. Badania nad współpracą z AI pokazują paradoks wyjaśnień: im płynniej i obszerniej model uzasadnia odpowiedź, tym bardziej mu ufamy – niezależnie od tego, czy ma rację. Tak samo traktujemy ludzi: im bardziej pewnie ktoś nam coś tłumaczy, tym bardziej mu ufamy.

Umiejętność druga: przeskocz z czatu do plików

Druga umiejętność wymaga zmiany wyobrażenia o tym, czym w ogóle jest praca z AI. Większość ludzi sprowadza pracę z AI do jednego trybu: okna czatu. Wpisujesz pytanie, dostajesz odpowiedź, kopiujesz do Worda. Tymczasem narzędzia rozjechały się na trzy poziomy i każdy służy do czegoś innego.

• Tryb chat to rozmowa. Model odpowiada tekstem, czasem generuje obrazki. Ty przenosisz wyniki dalej ręcznie. Świetny do myślenia: burza mózgów nad kampanią, szkic oferty, testowanie nagłówków, nauka. Ograniczony, gdy efektem ma być plik, arkusz albo prezentacja.
• Tryb task (zadaniowy) to praca na plikach. Model dostaje dostęp do folderu, dokumentów i narzędzi – i zamiast opowiadać, co można zrobić, po prostu to robi. Przykłady z życia marketera: dostaje folder ze zdjęciami i plik CSV, oddaje osiemdziesiąt opisów produktów do sklepu. Dostaje eksport z systemu mailingowego, oddaje raport z segmentacją bazy i rekomendacjami. Dostaje nagranie rozmowy handlowej, oddaje notatkę, ofertę i wpis do CRM-a przez serwer MCP. Ty przestajesz być kurierem między oknem czatu a resztą komputera.
• Tryb code model nie tylko potrafi pracować na plikach. Potrafi też napisać sobie program, który pomoże mu wykonać zadanie, o które prosisz. Uznajmy, że do pracy w marketingu ten poziom będziemy nazywać zaawansowanym. Większość z nas go nie potrzebuje.

Kłopot w tym, że każdy producent nazywa te poziomy inaczej. Oto ściąga, stan na lipiec 2026:

OpenAI

• Poziom chat: ChatGPT
• Poziom task: ChatGPT Work (od lipca 2026). Wcześniej: Codex
• Poziom code: Codex albo ChatGPT Code

Google

• Poziom chat: Gemini
• Poziom task: Antigravity 2.0 (od czerwca 2026), wcześniej Google nie miał narzędzi tego poziomu
• Poziom code: Antigravity IDE, Antigravity CLI (od czerwca 2026). Wcześniej Gemini CLI

Anthropic

Anthropic „od zawsze” miał wszystkie tryby w jednym miejscu – w aplikacji o nazwie Claude. Ale ich rozmieszczenie też mocno pływa. Zatem:

• Poziom chat: zakładka Home, tryb Chat w czacie (przed lipcem 2026: zakładka Chat)
• Poziom task: zakładka Home, tryb Cowork w czacie (wcześniej: zakładka Cowork)
• Poziom code: zakładka Code (w sumie od zawsze)

Powyższa lista zdezaktualizuje się szybciej, niż bym chciał. W samym czerwcu i lipcu 2026 mieliśmy przetasowania brandingowe u praktycznie każdego producenta. Nazwy będą się zmieniać. Trójpodział chat–task–code zostanie, bo odpowiada trzem różnym rodzajom pracy.

Dlaczego przeskok z czatu do trybu zadaniowego traktuję jako osobną umiejętność, a nie techniczny drobiazg? Z dwóch powodów.

Pierwszy jest praktyczny: różnica w wydajności jest skokowa. W czacie prosisz o tekst raportu i formatujesz go sam, akapit po akapicie. W trybie zadaniowym dostajesz gotowy plik, a model po drodze sam zajrzał do materiałów źródłowych w Twoim folderze. To różnica między dyktowaniem komuś listu a delegowaniem korespondencji.

Drugi powód jest psychologiczny. Badanie Gerlicha (2025, 666 uczestników) pokazało, że częste korzystanie z AI wiąże się ze słabszym krytycznym myśleniem, a mechanizmem pośredniczącym jest wyładowanie poznawcze (cognitive offloading) – oddawanie maszynie czynności umysłowych. Brzmi jak argument przeciwko AI, ale wniosek jest bardziej subtelny: problem powstaje, gdy oddajemy maszynie myślenie. Tryb zadaniowy pozwala oddać jej coś innego – wykonanie. Kopiowanie, formatowanie, przeklejanie, porządkowanie plików nie wymaga głowy; to podatek od myślenia. Dobrze użyta automatyzacja płaci ten podatek za Ciebie, a Tobie zostaje energia na decyzje: do kogo mówimy, co obiecujemy, czym się różnimy. Pod jednym warunkiem – decyzje nadal podejmujesz Ty. W trybie zadaniowym kontrola tego, co model zaciągnął do kontekstu, robi się jeszcze ważniejsza, bo model działa dłużej i bardziej samodzielnie.

Umiejętność trzecia: konstruuj prompty, nie kolekcjonuj ich

Została umiejętność, od której większość poradników zaczyna – a ja celowo zostawiam ją na koniec. Prompt napisany bez zrozumienia, skąd model wie i w którym trybie pracuje, jest jak świetnie sformułowane pytanie zadane niewłaściwej osobie w niewłaściwym pokoju.

Dobry prompt ma przynajmniej trzy elementy.

• Rola. Kiedy piszesz „jesteś doświadczonym strategiem e-commerce”, nie odgrywasz teatrzyku. Wysyłasz model w konkretny rejon jego chmury wiedzy. W wagach teksty strategów leżą blisko siebie – rola sprawia, że odpowiedź będzie losowana z tego sąsiedztwa, a nie z całego internetu, gdzie o sprzedaży wypowiadają się wszyscy.
• Zadanie. Definiujesz efekt końcowy: co ma powstać, w jakiej strukturze, dla kogo, w jakiej długości. Nie „napisz coś o naszym produkcie”, tylko „napisz trzy warianty nagłówka na landing page dla klienta, który porównuje nas z konkurencją i boi się kosztów wdrożenia”.
• Podpowiedź. Element, o którym zapomina się najczęściej: coś, co wytrąca model z pisania „tak jak wszyscy”. Przykład maila, który u Ciebie zadziałał. Fragment tekstu w Twoim stylu. Kontrprzykład: „unikaj tonu, w którym każde zdanie brzmi jak slogan”. Model bez podpowiedzi wraca do środka swojej statystyki – czyli do uśrednionego języka internetu, tego samego, którym pisze konkurencja korzystająca z tego samego modelu. Podpowiedź to Twój sposób na powiedzenie: nie stąd, tylko stamtąd.

Rola, zadanie, podpowiedź wystarczą do większości codziennych zastosowań. Jak ta logika działa w praktyce, pokazuję na szesnastu przykładach w artykule o promptach do copywritingu w ChatGPT.

A kiedy zadanie jest poważniejsze – strategia komunikacji, oferta dla kluczowego klienta, plan kampanii – polecam strukturę CRIT, którą spopularyzował Geoff Woods: Context, Role, Interview, Task. Kontekst, rola, wywiad, zadanie.

Najciekawszy jest trzeci element. W klasycznym promptowaniu to Ty zgadujesz, czego model potrzebuje, i upychasz wszystko w jednym poleceniu. CRIT odwraca role: każesz modelowi najpierw przeprowadzić z Tobą wywiad. „Zanim zaczniesz, zadawaj mi pytania – po jednym naraz – aż zbierzesz wszystko, czego potrzebujesz”. Model pyta o rzeczy, o których sam byś nie pomyślał: kto podejmuje decyzję po stronie klienta, czego klient próbował wcześniej, dlaczego tamto nie zadziałało. Ty odpowiadasz na pytania, zamiast pisać wypracowanie.

Zauważ, co się właśnie stało: wróciliśmy do umiejętności pierwszej. Wywiad to uzupełnianie kontekstu widocznego – tyle że to model prowadzi proces i sam wskazuje luki w swojej wiedzy. Zamiast konfabulować brakujące fakty, pyta o nie. Trzy umiejętności, o których tu piszę, nie są osobnymi lekcjami. To jeden system.

Od czego zacząć?

Gdyby ktoś zapytał mnie, jak pracować z AI, i miałbym na odpowiedź jedno zdanie, brzmiałoby ono: bądź pilotem, nie pasażerem. Pasażer wsiada, ufa i konsumuje wynik. Pilot wie, skąd maszyna czerpie dane, wybiera tryb lotu i precyzyjnie komunikuje, dokąd lecimy. A z badań Mosier i Skitki wiemy, co odróżnia dobrych pilotów automatyzacji: poczucie, że pod wynikiem podpisują się oni, nie maszyna.

Na dziś trzy zadania, po jednym z każdej umiejętności:

• Po pierwsze: zapytaj model o swoją firmę i konkurencję – bez wyszukiwania w internecie. Zobacz, co siedzi w wagach. Potem przy pierwszej lepszej odpowiedzi, którą chcesz wykorzystać w tekście dla klienta, dopytaj: „skąd to wiesz? pokaż źródła”.
• Po drugie: zainteresuj się trybem zadaniowym. Obejrzyj narzędzia, o których wspominałem albo zajrzyj do zakładek, o których pisałem. Daj agentowi jedno zadanie, w którym mają powstać prawdziwe pliki. Na przykład opisy produktów ze zdjęć, o których pisałem. Postaraj się oswoić z tym trybem pracy, to przyszłość.
• Po trzecie: weź prompt, którego używasz najczęściej, i sprawdź, czy ma rolę, zadanie i podpowiedź. Jeśli brakuje podpowiedzi – a zwykle brakuje – dodaj przykład tekstu, który uważasz za dobry.

Chcesz zgłębić temat? Zacznij od kompletnego przewodnika po sztucznej inteligencji albo przejdź od razu do praktyki z gotowymi promptami do copywritingu.