Dlaczego AI daje nam przeciętne odpowiedzi, nawet gdy prompt wygląda dobrze?

Zdarza się, że spędzamy kilka minut nad promptem, dopracowujemy jego brzmienie, dodajemy rolę eksperta, a potem dostajemy odpowiedź, która jest poprawna i jednocześnie niewiele nam daje. Dałoby się ją wysłać osobie pracującej w banku, startupie, agencji albo sklepie internetowym i właściwie niczego nie trzeba byłoby zmieniać.

Na drugim spotkaniu AI Starter dużo rozmawialiśmy właśnie o tym problemie. Jedna z najprostszych obserwacji Wojtka Chojnackiego brzmiała mniej więcej tak: kiedy zadajemy bardzo ogólne pytanie, trudno oczekiwać czegoś więcej niż przeciętnej odpowiedzi.

Dobrze widać to na prostym przykładzie. Możemy zapytać AI, jak poprawić proces tworzenia produktu i dostać całkiem rozsądny zestaw rekomendacji. Sytuacja zmienia się, kiedy dopiszemy, że pracujemy w małym startupie, mamy ograniczony budżet, trzy osoby w zespole i za dwa tygodnie musimy zdecydować, czy rozwijać konkretną funkcję. Model zaczyna wtedy pracować na problemie, który przypomina naszą rzeczywistość.

I chyba właśnie tutaj warto szukać jednej z ważniejszych umiejętności pracy z AI w 2026 roku: dobierania kontekstu.

Dobry prompt nie musi być literackim dziełem

Przez ostatnie lata sporo uwagi poświęcaliśmy sztuce promptowania. Powstawały biblioteki gotowych promptów, kursy ich pisania i całkiem rozbudowane formuły opisujące, jak powinniśmy rozmawiać z modelem. Nadal warto umieć jasno formułować polecenia, ale modele coraz lepiej radzą sobie z naszym zwykłym językiem, a w razie potrzeby same mogą pomóc nam dopracować instrukcję. Więcej wysiłku warto dziś poświęcić temu, co AI powinno wiedzieć, zanim zabierze się do pracy.

Jeśli prosimy o analizę badania, możemy przekazać materiał źródłowy i wyjaśnić, po co właściwie robimy tę analizę. Jeśli przygotowujemy komunikację, przydadzą się wcześniejsze teksty, które dobrze oddają nasz styl. Przy pracy nad produktem ważne mogą być informacje o użytkownikach, ograniczenia technologiczne, cel biznesowy albo wcześniejsze decyzje zespołu.

Czasem jeden dobry przykład mówi więcej niż długi opis. Jeżeli chcemy przygotować post, możemy pokazać AI kilka wcześniejszych tekstów, z których jesteśmy zadowoleni. Jeżeli pracujemy nad raportem, warto dołączyć raport, którego strukturę uważamy za dobrą. W języku AI spotkamy tu określenia one-shot i few-shot prompting, ale sama praktyka jest bardzo naturalna: pokazujemy, co mamy na myśli, zamiast liczyć, że model się domyśli.

Warto powiedzieć także, po czym poznamy dobry wynik

Na spotkaniu korzystaliśmy z prostej struktury RACE: Role, Action, Context, Expectation. Możemy potraktować ją jak krótką kontrolę przed wysłaniem ważniejszego zadania do AI. Zastanawiamy się, z jakiej perspektywy model ma pracować, co ma zrobić, jakie informacje powinien znać i czego właściwie oczekujemy na końcu. Ten ostatni element łatwo przeoczyć.

„Przeanalizuj te dane” zostawia ogromną dowolność. Możemy dopowiedzieć, że zależy nam na znalezieniu trzech ryzyk wymagających dalszego sprawdzenia, że każde powinno być poparte fragmentem materiału źródłowego, a przy każdym chcemy zobaczyć również ocenę pewności. Wtedy sami wcześniej musimy pomyśleć, co będzie dla nas użytecznym rezultatem.

To jest ciekawy efekt uboczny pracy z AI. Przygotowując dla niego dobry kontekst, często porządkujemy również własne myślenie o zadaniu.

AI może zadawać pytania, na które sami nie wpadliśmy

Podczas AI Starter zbudowaliśmy prostego asystenta pomagającego mapować założenia. Dostał opis techniki, instrukcję działania oraz kontekst przykładowego projektu e-commerce. Chodziło o funkcję, która miałaby rekomendować klientom ubrania pasujące do rzeczy znajdujących się już w ich szafie. Asystent zaczął podważać rzeczy, które bardzo łatwo moglibyśmy przyjąć bez zastanowienia. Czy klienci rzeczywiście będą chcieli wgrywać zdjęcia swoich ubrań? Czy potrzebują takiej pomocy? Czy funkcja wpłynie na sprzedaż albo częstotliwość powrotów do sklepu? W takim zastosowaniu odpowiedź AI nie musi być decyzją. Może być dodatkowym zestawem pytań, które zabierzemy na rozmowę z zespołem.

Podobnie możemy pracować przy innych zadaniach. Model może wskazać ryzyka, słabe punkty albo spróbować spojrzeć na nasz pomysł z perspektywy osoby, która się z nim nie zgadza. Przy trudniejszej decyzji warto czasem poprosić go o rozwinięcie dwóch przeciwstawnych argumentacji i dopiero później samemu ocenić materiał. Im więcej kontekstu dostarczamy, tym większa szansa, że odpowiedź będzie dotyczyła naszego rzeczywistego problemu. Nadal to my określamy, co próbujemy osiągnąć, jakie informacje są ważne i czy otrzymany wynik w ogóle nadaje się do wykorzystania. Dlatego kiedy kolejna odpowiedź AI brzmi rozsądnie, ale równie dobrze mogłaby trafić do pięciuset innych osób, warto najpierw sprawdzić, ile model właściwie wie o naszej sytuacji. Często właśnie tam znajduje się problem.

Jeżeli chcesz poznać więcej tajników współpracy z AI przy projektach i produktach od koncepcji do wdrożenia zapoznaj się z programem Supercharge: AI+UX – najbliższa edycja startuje 20 października 2026.