Masz godzinę, żeby przygotować artykuł, ofertę albo wiadomość do klienta.
Siadasz przed komputerem, otwierasz ChatGPT, Gemini albo Claude i wpisujesz polecenie:
Napisz profesjonalny artykuł o wykorzystaniu AI w małej firmie.
Odpowiedź pojawia się po kilku sekundach. Jest długa, poprawna i dobrze uporządkowana. Ma tytuł, śródtytuły, listę korzyści i podsumowanie.
Na pierwszy rzut oka wszystko się zgadza.
Zaczynasz jednak czytać i czujesz, że coś jest nie tak.
Tekst mówi o zwiększaniu efektywności, automatyzacji procesów i oszczędzaniu czasu. Brzmi rozsądnie, ale równie dobrze mógłby znaleźć się na stronie firmy szkoleniowej, agencji marketingowej albo producenta oprogramowania.
Nie ma w nim Twojego doświadczenia.
Nie ma Twoich klientów.
Nie ma problemów, które znasz z codziennej pracy.
Nie ma nawet sposobu, w jaki normalnie rozmawiasz z ludźmi.
Prosisz więc:
Napisz to bardziej naturalnie i konkretnie.
AI poprawia tekst. Zdania są krótsze, pojawia się kilka przykładów, a język staje się mniej formalny.
Tylko że nadal nie brzmi to jak Ty.
Próbujesz jeszcze raz. Dodajesz kolejne polecenia. Zmieniasz ton. Skracasz. Rozwijasz. Prosisz o więcej konkretów.
Po kilku próbach zaczynasz się zastanawiać, czy problemem jest narzędzie. Może potrzebujesz nowszego modelu? Lepszego promptu? Gotowej formuły znalezionej w internecie?
Sam trafiłem na podobny problem, kiedy testowałem przygotowany przeze mnie materiał do porządkowania informacji o własnej działalności.
Wkleiłem dokument do AI i oczekiwałem, że model spokojnie przeprowadzi mnie przez cały proces. Pytanie po pytaniu. Krok po kroku.
Zamiast tego dostałem całą serię pytań naraz.
Nie było jasne, od czego zacząć, w jakiej kolejności odpowiadać ani co wydarzy się później. Materiał, który miał uporządkować pracę, w pierwszej próbie dołożył mi kolejny poziom chaosu.
Dopiero wtedy zobaczyłem, gdzie popełniłem błąd.
Przekazałem AI dokument, ale nie wyjaśniłem dokładnie, jak ma z niego korzystać. Model miał informacje, lecz nie dostał zasad prowadzenia rozmowy. Nie wiedział, że powinien podawać pytania małymi porcjami, numerować odpowiedzi, robić krótkie podsumowania i czekać na moje potwierdzenie.
Oczekiwałem, że sam się tego domyśli.
To samo robimy, kiedy prosimy AI o artykuł, ofertę, analizę albo plan działania.
W naszej głowie istnieje cały kontekst: wiemy, kim jesteśmy, dla kogo pracujemy, co sprzedajemy, jakich słów unikamy i po czym poznajemy dobrą odpowiedź.
AI tego kontekstu nie widzi.
Dostaje kilka zdań polecenia i na ich podstawie próbuje odgadnąć całą resztę. Im więcej musi zgadywać, tym większa szansa, że stworzy odpowiedź bezpieczną, poprawną i pasującą do wszystkich.
Czyli tak naprawdę do nikogo.
Problemem nie zawsze jest więc słaby model albo źle skonstruowany prompt. Często brakuje właściwych informacji o Tobie, Twoim odbiorcy, celu i zasadach wykonania zadania.
W tym artykule pokażę Ci:
- czym różni się polecenie od kontekstu,
- jakich informacji AI naprawdę potrzebuje,
- dlaczego więcej informacji nie zawsze oznacza lepszą odpowiedź,
- jak przygotować prosty kontekst bez budowania skomplikowanego systemu.
Bez magicznych formuł i obietnic, że AI zrobi wszystko za Ciebie.
Chodzi o coś prostszego: żeby model nie musiał za każdym razem zgadywać, kim jesteś i czego od niego oczekujesz.
Skąd biorą się ogólnikowe odpowiedzi
Kiedy polecenie zostawia dużo niewiadomych, model ma wiele możliwych dróg. Nie wie, która z nich pasuje do Twojej sytuacji, dlatego buduje odpowiedź z najbardziej typowych wzorców związanych z tematem.
Brak odbiorcy sprawia, że język zostaje uśredniony. Brak celu miesza edukację, promocję i sprzedaż. Brak materiałów źródłowych odcina odpowiedź od Twojej wiedzy. Brak kryteriów jakości pozostawia modelowi decyzję, co właściwie znaczy „dobry wynik”.
W ten sposób każda niewiadoma poszerza zakres możliwych odpowiedzi. Model może napisać coś sensownego, ale nie ma podstaw, aby wybrać wersję najlepiej dopasowaną do Ciebie.
To, że odpowiedź brzmi ogólnikowo, nie jest więc wyłącznie problemem stylu. Jest skutkiem zbyt szeroko zdefiniowanego zadania. Kolejne korekty samego tonu mogą zmienić brzmienie, ale nie rozwiążą problemu dopasowania.
OpenAI w swoich aktualnych zaleceniach pisze wprost, że prompt powinien być jasny, konkretny i zawierać wystarczający kontekst, aby model rozumiał zadanie. Zaleca też pracę iteracyjną: sprawdzenie odpowiedzi i uzupełnianie brakujących informacji zamiast oczekiwania idealnego wyniku za pierwszym razem. Źródło: OpenAI
Polecenie i kontekst to nie to samo
Najpierw wyjaśnijmy słowo, które często pojawia się przy pracy z AI.
Prompt to cała wiadomość, którą przekazujesz modelowi, aby otrzymać odpowiedź. Może być krótkim pytaniem, jednym poleceniem albo rozbudowanym opisem zawierającym kontekst, materiały źródłowe, ograniczenia i oczekiwany format wyniku.
W codziennych rozmowach promptem często nazywa się samo polecenie. W praktyce polecenie zadaniowe jest jednak tylko jedną z części dobrze przygotowanego promptu.
Polecenie zadaniowe mówi AI, co ma teraz zrobić:
Porównaj dwie wersje oferty i wskaż mocniejsze argumenty.
Kontekst dostarcza materiału potrzebnego do podjęcia tej decyzji: obie wersje oferty, opis klienta, cel porównania i kryteria oceny. Ograniczenia wyznaczają granice, a format mówi, jak ma wyglądać odpowiedź.
Możesz więc przekazać modelowi dużo tekstu, ale nadal nie dać mu kontekstu potrzebnego do konkretnego zadania. Możesz też napisać precyzyjne polecenie, lecz nie dostarczyć danych, na których powinien pracować. Potrzebne są oba elementy.
Google w dokumentacji projektowania promptów rozdziela te elementy: zadanie, instrukcje, kontekst, ograniczenia, ton oraz przykłady. Każdy z nich pomaga modelowi w inny sposób. Źródło: Google Cloud
Można to porównać do zlecenia pracy nowemu współpracownikowi.
Jeśli powiesz mu tylko: „Napisz ofertę”, nie będzie wiedział, według jakich kryteriów ma ją przygotować. Jeśli wyjaśnisz, co sprzedajesz, komu, w jakiej sytuacji, z jakim celem i według jakich zasad, ma szansę stworzyć materiał dopasowany do zadania.
AI działa podobnie. Nie zna ukrytego kontekstu, który dla Ciebie jest oczywisty.
Jakiego kontekstu potrzebuje AI
Nie ma jednego zestawu informacji dobrego dla każdego zadania. Innego kontekstu potrzebuje analiza finansowa, innego artykuł, a jeszcze innego odpowiedź na wiadomość klienta.
Jest jednak siedem obszarów, od których warto zacząć.
1. Kim jesteś
Podaj rolę, branżę, doświadczenie i punkt widzenia potrzebny w tym zadaniu. Nie wklejaj całego życiorysu. Wybierz informacje, które wpływają na wynik.
2. Dla kogo powstaje odpowiedź
„Właściciel firmy” to za mało. Inaczej komunikujesz się z początkującą osobą, a inaczej z ekspertem, który ma klientów, ale nie ma uporządkowanego procesu pracy z AI.
3. Co oferujesz albo jaki problem rozwiązujesz
Model powinien wiedzieć, co jest przedmiotem komunikacji. Bez tego łatwo dopisze korzyści, których Twoja oferta nie zapewnia, albo skupi się na problemie, którego nie rozwiązujesz.
4. Jaki jest cel zadania
Ten sam temat można wykorzystać do edukacji, budowania zaufania, zebrania kontaktów albo sprzedaży. Bez określenia celu model sam wybierze kierunek.
5. Jakie materiały są źródłem
Jeśli odpowiedź ma bazować na ofercie, notatce ze spotkania, raporcie lub Twoim doświadczeniu, przekaż ten materiał i powiedz, jak ma zostać użyty.
6. Jakie są ograniczenia
Wskaż, czego model nie może wymyślić, jakie tematy są poza zakresem, czego nie wolno obiecywać i jakich danych nie należy ujawniać.
7. Jak wygląda dobry wynik
Podaj długość, format, ton oraz kryteria jakości. Jeśli masz dobry przykład, pokaż go. Przykład często precyzyjniej wyznacza standard niż długa lista przymiotników.
Google rekomenduje jasne instrukcje, spójną strukturę i przykłady pokazujące oczekiwany wzór odpowiedzi. Źródło: Google AI
Ten sam temat, dwa różne wejścia
Spójrz na dwa polecenia.
Pierwsze:
Napisz post na LinkedIn o AI dla przedsiębiorców.
Drugie:
Napisz post na LinkedIn dla doświadczonych konsultantów i ekspertów B2B, którzy pracują samodzielnie i używają AI do pojedynczych zadań. Wyjaśnij, dlaczego brak informacji o odbiorcy, ofercie i celu prowadzi do ogólnych odpowiedzi. Celem posta jest edukacja i rozpoczęcie rozmowy. Użyj prostego, bezpośredniego języka. Nie używaj statystyk ani historii, których nie ma w materiale źródłowym. Zakończ jednym pytaniem o doświadczenia czytelnika.
Drugie polecenie nie jest lepsze dlatego, że jest dłuższe. Jest lepsze dlatego, że precyzuje warunki, które model powinien uwzględnić.
Możesz przeprowadzić prosty test. Wklej oba polecenia do tego samego modelu i porównaj wyniki według czterech kryteriów:
- Czy odpowiedź mówi do właściwej osoby?
- Czy realizuje podany cel?
- Czy zachowuje ustalone granice?
- Ile poprawek wymaga przed użyciem?
Nie zakładaj z góry, że drugi wynik będzie lepszy. Sprawdź. Projektowanie promptów jest procesem testowym, a nie zbiorem magicznych formuł.
Więcej kontekstu nie zawsze oznacza lepiej
Łatwo wyciągnąć z tego artykułu zły wniosek: skoro kontekst pomaga, trzeba wrzucić do AI wszystkie dokumenty, notatki i wcześniejsze rozmowy.
Nie trzeba.
Dobry kontekst nie jest największy. Jest trafny.
Anthropic opisuje projektowanie kontekstu jako wybieranie możliwie małego zestawu informacji o wysokiej wartości dla danego zadania. Zbyt ogólne instrukcje nie dają modelowi kierunku, ale przeładowanie go zasadami i materiałami również może pogorszyć pracę. Źródło: Anthropic
Istnieje też dobrze opisany problem długiego kontekstu. Badanie „Lost in the Middle” wykazało, że modele nie zawsze wykorzystują informacje, które im dostarczymy, równomiernie. W testowanych zadaniach radziły sobie gorzej, gdy ważna dla wykonania instrukcji informacja znajdowała się w środku długiej wiadomości przekazanej AI. Źródło: Liu i inni
To nie znaczy, że długie dokumenty są bezużyteczne. Znaczy tylko, że duże okno kontekstowe nie zwalnia Cię z selekcji i porządkowania materiału.
W przypadku rozbudowanego promptu Google zaleca umieszczenie materiału kontekstowego najpierw, a konkretnego pytania lub zadania, kluczowego dla wykonania instrukcji, na samym końcu. Źródło: Gemini API
Kontekst bazowy i kontekst zadania
W praktyce warto rozdzielić informacje na dwie warstwy.
Kontekst bazowy
To informacje, które są przydatne w wielu rozmowach:
- profil eksperta,
- główna grupa odbiorców,
- oferta,
- zasady komunikacji,
- sposób pracy,
- ograniczenia i czerwone linie.
Nie musisz pisać tego wszystkiego od nowa przy każdym zadaniu. Możesz przechowywać te informacje w uporządkowanym pliku i dołączać jego właściwą wersję do rozmowy.
Kontekst konkretnego zadania
To informacje potrzebne tylko teraz:
- cel tego materiału,
- kanał i format,
- aktualne źródła,
- termin lub etap projektu,
- kryteria akceptacji,
- jednoznaczne polecenie końcowe.
Kontekst bazowy nie zastępuje briefu zadania. Brief zadania nie zastępuje wiedzy o Twojej działalności. Dopiero połączenie obu warstw zmniejsza liczbę rzeczy, które AI musi sobie dopowiedzieć.
Najczęstsze błędy
„AI przecież już mnie zna”
Nie zakładaj, że każda nowa rozmowa, projekt albo narzędzie ma dostęp do tych samych informacji. Sprawdź, jaki kontekst jest faktycznie dostępny w danym miejscu.
Biografia zamiast kontekstu
Lista stanowisk i osiągnięć nie wystarczy. Model potrzebuje informacji wpływających na konkretne zadanie: odbiorcy, celu, źródeł i ograniczeń.
Brak kryterium jakości
„Napisz dobrze” niczego nie wyjaśnia. Powiedz, co znaczy „dobrze” w tym zadaniu.
Zakazy bez wskazania alternatywy
Samo „nie pisz ogólnikowo” jest kolejnym ogólnikiem. Pokaż, jakiego języka, struktury i poziomu konkretu oczekujesz.
Prosty szablon na następną rozmowę z AI
Nie musisz za każdym razem budować rozbudowanego promptu. Zacznij od sześciu krótkich pól:
Cel: Co chcę osiągnąć?
Odbiorca: Dla kogo powstaje wynik?
Materiał: Z jakich faktów lub dokumentów AI ma korzystać?
Granice: Czego nie wolno dopowiadać, obiecywać lub ujawniać?
Oczekiwany wynik: Jaki format i standard ma spełnić odpowiedź?
Zadanie: Co dokładnie AI ma teraz zrobić?
Wypełnij tylko to, co wpływa na bieżące zadanie. Po otrzymaniu odpowiedzi sprawdź, czego zabrakło, i popraw właściwe pole zamiast dokładać przypadkowe instrukcje.
Kontekst nie zastępuje eksperta
Nawet najlepiej przygotowany kontekst nie daje gwarancji dobrej odpowiedzi. Model może źle zinterpretować materiał, pominąć ważny szczegół albo stworzyć coś, co nie pasuje do sytuacji.
Dlatego po stronie człowieka nadal zostają:
- wybór celu,
- ocena faktów,
- decyzje biznesowe,
- kontrola jakości,
- odpowiedzialność za publikację.
Kontekst nie zastępuje Twojej wiedzy. Pozwala AI lepiej z niej korzystać.
Właśnie dlatego tworzę AI Context Builder: prosty proces zbierania podstawowych informacji o własnej działalności i zamiany ich w bazowy plik kontekstu, który będziesz mógł wykorzystywać do pracy z ChatGPT, Gemini czy innym LLM.
AI Context Builder jest aktualnie w przygotowaniu. Zobacz szczegóły i zapisz się na powiadomienie.
Źródła
- OpenAI: Prompt engineering best practices for ChatGPT
- OpenAI: Best practices for prompt engineering with the OpenAI API
- Google AI: Prompt design strategies
- Google Cloud: Introduction to prompting
- Google AI: Long context
- Anthropic: Effective context engineering for AI agents
- Liu i inni: Lost in the Middle