O czym jest ten film
- Autor przeprowadził ponad 150 sesji doradczych z firmami różnych branż i za każdym razem widział ten sam zestaw pięciu błędów.
- Błąd 1: obwinianie AI za słabe wyniki, zamiast zmienić ustawienia modelu i poziomu wysiłku obliczeniowego.
- Błąd 2: oczekiwanie, że AI będzie pisać jak my, bez wcześniejszego wytrenowania go na własnym stylu.
- Technika „odcisku literackiego” — analiza wysłanych maili przez konektor i zapisanie stylu w skillu.
- Błąd 3: założenie, że więcej kontekstu zawsze znaczy lepiej — przeciążony kontekst obniża jakość rozumowania.
- Błąd 4: bezkrytyczne ufanie liczbom generowanym przez AI przy ekstrakcji danych.
- Trzy dźwignie wiarygodności danych: źródłowanie, cytowania i zmiana „motywacji” modelu.
- Błąd 5: pozwalanie AI budować aplikacje, gdy wystarczyłyby wbudowane funkcje narzędzia (skille, projekty).
- Kolejność błędów odpowiada mniej więcej temu, ile czasu i pieniędzy kosztują.
- Materiał jest praktycznym poradnikiem dla osób wdrażających AI w realne procesy firmowe.
Redakcyjne tłumaczenie
Wprowadzenie: te same błędy w każdej firmie
Przez ostatnie osiem miesięcy miałem okazję przeprowadzić nieco ponad 150 sesji doradczych z zakresu AI. Pracowałem z funduszami private equity, kancelariami prawnymi, firmami z branży klimatyzacyjno-grzewczej — z organizacjami z najróżniejszych sektorów. I szczerze mówiąc, wciąż wraca ta sama garść błędów, w kółko, na każdej pojedynczej rozmowie. Dokładnie te same pięć błędów. Nie ma znaczenia, jak duża jest firma.
Dlatego postanowiłem przeprowadzić was przez wszystkie te błędy — mniej więcej w kolejności odpowiadającej temu, ile was kosztują. A ten największy, ten, który w moich oczach marnuje najwięcej czasu i pieniędzy, wcale nie dotyczy pisania promptów. Do niego jeszcze dojdziemy. Zacznijmy od pierwszego.
Błąd pierwszy: obwinianie AI zamiast zmienić ustawienia
Pierwszy błąd jest prosty. To obwinianie AI wtedy, gdy istnieje zwykłe ustawienie, które faktycznie rozwiązuje problem.
Kiedy ludzie korzystają z AI, często dostają słaby wynik. Opowiem historię. Pracowałem z grupą asystentek zarządu, które używały AI. Jednym z zastosowań było wyciąganie informacji z faktur. Były naprawdę sfrustrowane tym, że ekstrakcja danych z faktur nie działała skutecznie — AI wciąż się myliło.
Pierwsza rzecz, jaką robię za każdym razem, gdy pracuję z klientem, to prośba o udostępnienie mi ekranu. A wtedy patrzę konkretnie na model i na poziom wysiłku obliczeniowego (reasoning effort). Wiele osób nie wie, że można tu regulować kilka ustawień. Można wybrać rozmiar „mózgu” oraz to, jak intensywnie ten mózg pracuje. To właśnie stanowi o inteligencji, gdy przeglądasz dostępne modele — plus poziom wysiłku. I nie ma znaczenia, czy jesteś w ChatGPT, Gemini czy Claude.
Pierwszy błąd polega więc na tym, by dopilnować wyboru właściwego modelu do właściwego zadania. Przy większości zadań mocno opartych na danych, gdzie chodzi o ekstrakcję, chcesz użyć mocnego modelu z przyzwoitym poziomem wysiłku. W zależności od narzędzia i momentu w czasie może to być GPT-5.6 z bardzo wysokim rozumowaniem albo Opus 5 z wysokim wysiłkiem.
(Informacja dodatkowa: autor odnosi się do nazw modeli aktualnych w połowie 2026 r.; kluczowa jest zasada — najmocniejszy dostępny model plus wyższy poziom rozumowania do zadań analitycznych — a nie konkretne oznaczenia.)
Błąd drugi: oczekiwanie własnego stylu bez trenowania AI
Drugi błąd to nadzieja, że AI będzie pisać jak ty, choć wcześniej nie wytrenowałeś go na swoim stylu.
Sprowadza się to do zastosowania, z którego większość moich klientów czerpie najwięcej wartości na wczesnym etapie: pozwalają AI segregować skrzynkę odbiorczą i odpowiadać w ich imieniu — albo przynajmniej przygotowywać wersje robocze odpowiedzi.
Ludzie często narzekają na sposób, w jaki AI pisze. Mówią, że brzmi to jak AI, że to „AI slop” (Informacja dodatkowa: potoczne określenie na sztampowe, bezosobowe teksty generowane przez AI). Jest bardzo prosty sposób, by to naprawić: dajesz AI przykłady swojego dotychczasowego pisania i pozwalasz mu stworzyć „odcisk literacki” (literature fingerprint).
Moja typowa taktyka, żeby uniknąć tego „slopu” przy pisaniu w twoim imieniu — zwłaszcza maili — jest prosta: kierujesz AI na swoją skrzynkę przez konektor. ChatGPT i Claude oba to oferują — możesz podłączyć AI do Gmaila, do Outlooka, do czego tam potrzebujesz. Każesz mu przejrzeć twoją skrzynkę wysłanych i przeanalizować, powiedzmy, ostatnie 300–400 wysłanych maili, i wyciągnąć dwie rzeczy.
Po pierwsze: jakie są typy maili, na które odpowiadam — kategorie wiadomości. Kiedy mamy już typy, ustalamy odcisk. Czyli dla każdej z tych kategorii: jak piszę w danym tonie? Jaki jest ton, jaka długość, cała reszta. AI ustali odcisk oraz kategorie i odda ci to wszystko. Gdy to zrobisz, możesz to zaszyć w skillu — i masz AI, które potrafi segregować twoją skrzynkę, a potem odpowiadać tak, jak zrobiłbyś to ty, w zależności od typu maila.
Błąd trzeci: założenie, że więcej kontekstu znaczy lepiej
Trzeci błąd to automatyczne zakładanie, że więcej kontekstu jest lepsze.
Możesz chcieć podać AI 50, 100 czy 800 plików — takie rzeczy widziałem. Pracowałem z kilkoma menedżerami, którzy chcieli podać AI 800 plików naraz, żeby mieć pewność, że ma właściwy kontekst. A to prawie nigdy nie jest najlepsze rozwiązanie dla większości zastosowań.
Zamiast myśleć, że więcej kontekstu jest lepsze, powinieneś myśleć, że lepszy jest właściwy kontekst. I owszem, „właściwy kontekst” to czasem 10 czy 50 stron, ale często wcale nie. Często to może 10–20 stron, żeby zrealizować dane zadanie.
Powodem, dla którego nie można z automatu zakładać, że więcej znaczy lepiej, jest sposób działania tych modeli: mają one określoną ilość miejsca w głowie. Im więcej tego miejsca zapełnisz, tym głupsze się AI robi — szczególnie gdy przekroczysz około 50–60% pojemności jego głowy. Ma to znaczenie, bo gdy zapełniasz głowę AI większą ilością danych, zostaje mniej miejsca na to, by rozumowało i przemyślało konkretne zadanie, które mu dałeś.
Błąd czwarty: bezkrytyczne ufanie liczbom od AI
Teraz błąd czwarty — a ten ma spory wpływ na wielu ludzi, z którymi pracuję. Dotyczy zadań ekstrakcji danych. Wielu z nas ma dane, z których chce, aby AI wyciągnęło informacje. Gdy już je wyciągnie, chcemy, by przeprowadziło jakąś analizę i przełożyło to w inne miejsce — w raport, prezentację, decyzję, cokolwiek to jest. I w tym procesie czasem z automatu domyślnie ufamy liczbom AI. A tego powinniśmy naprawdę unikać.
Są trzy konkretne rzeczy, które musimy poprawić w AI, zanim faktycznie będziemy mogli zaufać tym liczbom: źródłowanie, cytowania i motywacje.
Źródłowanie. Kiedy dajemy AI dokumenty, musimy najpierw upewnić się, że faktycznie czerpie informacje właśnie z tych dokumentów i znikąd indziej. Bo AI może pobierać informacje z trzech miejsc: z dokumentów, które udostępniłem, z internetu albo z własnej bazy wiedzy. Nie chcemy internetu i nie chcemy jego wiedzy — przy większości zadań ekstrakcyjnych chcemy wyłącznie tych dokumentów. Musimy więc „ugruntować” AI promptem: gdy dam ci te dokumenty, opieraj informacje tylko na nich i na niczym innym.
Cytowania. Zamiast po prostu ufać AI, chcemy, by cytowało wszystko, co wyciągnęło. Dla każdej wyciągniętej danej ma mi powiedzieć dokładnie: z jakiej strony, z jakiej sekcji, z jakiego zdania to pochodzi. Wtedy mogę to potem zweryfikować i szybko potwierdzić, że jest poprawne, bo wiem dokładnie, skąd się wzięło.
Motywacje. Jedynym celem życiowym AI jest sprawić, żebyś był zadowolony. A robi to, dając ci odpowiedzi. Musimy zmienić te motywacje — czyli dać AI do zrozumienia, że wolno mu powiedzieć, że nie jest pewne. Jeśli wyciąga informacje z serii dokumentów, musimy w prompcie, zanim cokolwiek zrobi, jasno zaznaczyć: jeśli nie możesz znaleźć informacji w dokumentach, po prostu powiedz, że nie wiesz. Mała sztuczka, którą odkryłem: gdy powiesz AI, że błędna odpowiedź jest trzykrotnie gorsza niż przyznanie się do niepewności albo napisanie „nie znaleziono”, to realnie zmienia jego motywacje.
Błąd piąty: pozwalanie AI budować aplikacje, których nie powinno
Piąty i ostatni błąd to pozwalanie AI budować dla ciebie aplikacje, gdy nie powinno. Kiedy pracujesz z Claude, ChatGPT czy Gemini — bez różnicy — wiele z tych systemów chce budować ci prototypy: dashboardy i tym podobne. Wyglądają estetycznie, czasem wyglądają wręcz świetnie. Ale problem w tym, że często budujesz aplikację, podczas gdy mógłbyś po prostu skorzystać z funkcji AI natywnych dla narzędzia — skille Claude, projekty GPT, skille GPT, cokolwiek.
Nie zliczę, ile razy pracowałem z klientami, którzy coś zbudowali i pomyśleli: „O, to jest naprawdę fajne i przydatne”. I faktycznie takie jest. Ale nie potrafią się tym łatwo podzielić. Prawie nie mają jak hostować danych dla tej aplikacji, hostować kodu i robić całej reszty — bo to zbyt techniczne. Do tego zwykle jest to przeinżynierowanie względem problemu, który próbują rozwiązać. I to nie ich wina — to wina AI, bo AI domyślnie buduje aplikacje, zamiast pomyśleć: jakie jest najprostsze rozwiązanie tego problemu, które nie tylko go rozwiązuje, ale też da się łatwo udostępnić reszcie zespołu?
Dlatego tak często przenoszę klientów z sytuacji, w której AI zbudowało im aplikację, do skilla albo projektu — żeby zaszyć to rozwiązanie w czymś, co łatwo udostępnić wszystkim i co działa od razu, bez problemów i bólu głowy wynikających z budowania aplikacji.
Podsumowanie pięciu błędów
Krótkie przypomnienie. Po pierwsze: nie obwiniaj AI za słabe wyniki — najpierw zmień dwa ustawienia, czyli właściwy model z właściwym poziomem rozumowania. Po drugie: nie narzekaj, że AI pisze zbyt robotycznie, jeśli sam nie wytrenowałeś go na swoim stylu. Po trzecie: nie zakładaj, że więcej kontekstu zawsze znaczy lepiej — dawaj właściwy kontekst we właściwym momencie. Po czwarte: nie ufaj bezkrytycznie liczbom AI przy ekstrakcji danych — napraw to źródłowaniem, cytowaniami i motywacjami. Po piąte: nie pozwalaj AI budować aplikacji, gdy nie powinno — to przeinżynierowanie; wbuduj rozwiązanie w same narzędzia, jak skille czy projekty, łatwo je udostępnij zespołowi i rozprzestrzeń korzyść na wszystkich.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zanim obwinisz AI, sprawdź model i poziom rozumowania
Na czym polega: Wiele słabych wyników bierze się nie z promptu, lecz z użycia zbyt słabego modelu albo zbyt niskiego poziomu wysiłku obliczeniowego.
Jak stosować: Do zadań analitycznych i ekstrakcyjnych z automatu wybieraj najmocniejszy dostępny model z wysokim/bardzo wysokim rozumowaniem, zanim zaczniesz kombinować z treścią zapytania.
Na co uważać: Mocniejszy model i wyższy wysiłek oznaczają wyższy koszt i wolniejszą odpowiedź — nie ustawiaj maksimum do prostych, rutynowych zadań. Nazwy modeli szybko się dezaktualizują; kieruj się zasadą, nie konkretnym oznaczeniem.
2.Wytrenuj AI na swoim stylu przez „odcisk literacki”
Na czym polega: AI nie pisze jak ty, dopóki nie pokażesz mu przykładów twojego pisania; wtedy potrafi odtworzyć ton, długość i rejestr.
Jak stosować: Podłącz AI do skrzynki przez konektor, każ przeanalizować 300–400 wysłanych maili, wyodrębnić kategorie wiadomości i dla każdej ustalić ton oraz długość, a potem zapisz ten profil w skillu.
Na co uważać: Dostęp do skrzynki to dane wrażliwe — sprawdź politykę prywatności i zgody. Jeden uśredniony „odcisk” nie sprawdzi się dla wszystkich kontekstów; rozdziel style według kategorii (klient, zespół, formalne).
3.Segregacja i szkice maili to najszybsza wartość na start
Na czym polega: Największą wczesną korzyść klienci osiągają, pozwalając AI porządkować skrzynkę i przygotowywać wersje robocze odpowiedzi.
Jak stosować: Zacznij od tego jednego zastosowania, zanim porwiesz się na złożone wdrożenia — segregacja plus szkice odpowiedzi daje szybki, odczuwalny zwrot.
Na co uważać: Trzymaj człowieka w pętli przy zatwierdzaniu — nie pozwalaj wysyłać automatycznie, dopóki nie masz zaufania do jakości i tonu szkiców.
4.Właściwy kontekst, nie największy
Na czym polega: Przeładowanie modelu setkami plików obniża jakość rozumowania; liczy się trafność, nie objętość kontekstu.
Jak stosować: Wybieraj tylko dokumenty realnie potrzebne do zadania — często 10–20 stron wystarcza. Selekcjonuj, zamiast wrzucać wszystko naraz.
Na co uważać: Autor podaje próg ok. 50–60% pojemności okna jako moment spadku jakości — to przybliżenie, nie sztywna reguła. Zbyt agresywne przycięcie kontekstu też szkodzi, jeśli usuniesz istotne informacje.
5.Ugruntuj AI wyłącznie w podanych dokumentach
Na czym polega: AI może czerpać z trzech źródeł — twoich dokumentów, internetu i własnej wiedzy — a przy ekstrakcji chcesz tylko pierwszego.
Jak stosować: W prompcie wprost zaznacz: opieraj się wyłącznie na dostarczonych dokumentach i na niczym innym.
Na co uważać: Samo polecenie nie daje 100% gwarancji — model może się z niego wyłamać, dlatego łącz je z wymogiem cytowań i weryfikacją. Wyłączenie wiedzy własnej i sieci bywa zbyt restrykcyjne dla zadań, które faktycznie wymagają wiedzy zewnętrznej.
6.Wymuszaj cytowania do poziomu strony i zdania
Na czym polega: Bez cytowań nie da się szybko sprawdzić, czy liczby są prawdziwe.
Jak stosować: Każ AI przy każdej wyciągniętej danej podać stronę, sekcję i zdanie źródłowe, żebyś mógł błyskawicznie zweryfikować poprawność.
Na co uważać: Cytowania też bywają zmyślone (halucynacja odniesienia) — traktuj je jako przyspieszenie weryfikacji, a nie jej zastąpienie. Wyrywkowo sprawdzaj, czy wskazane miejsce faktycznie zawiera daną informację.
7.Zmień „motywacje” modelu, by przyznawał się do niewiedzy
Na czym polega: AI domyślnie chce cię zadowolić, więc zawsze coś odpowie — nawet gdy nie zna odpowiedzi.
Jak stosować: W prompcie zaznacz, że jeśli informacji nie ma w dokumentach, ma powiedzieć „nie wiem”/„nie znaleziono”. Skuteczna formuła: błędna odpowiedź jest trzykrotnie gorsza niż przyznanie się do niepewności.
Na co uważać: Zbyt mocne straszenie może uczynić model nadmiernie ostrożnym i częściej odmawiać odpowiedzi, gdy dane jednak są. Dobierz sformułowanie do tego, jak kosztowny jest u ciebie błąd.
8.Nie ufaj liczbom AI w procesie „wyciągnij–przeanalizuj–przenieś”
Na czym polega: Przy przenoszeniu danych do raportów, prezentacji i decyzji łatwo bezrefleksyjnie zaufać wyliczeniom AI.
Jak stosować: Traktuj źródłowanie, cytowania i motywacje jako komplet — dopiero razem czynią liczby na tyle wiarygodnymi, by na nich oprzeć decyzję.
Na co uważać: Im wyższa stawka decyzji (finanse, prawo), tym więcej ręcznej kontroli — te techniki redukują ryzyko, ale go nie zerują.
9.Zamiast aplikacji buduj skille i projekty
Na czym polega: AI domyślnie generuje efektowne, lecz przeinżynierowane prototypy aplikacji, których trudno hostować i którymi trudno się dzielić.
Jak stosować: Gdy AI zaproponuje aplikację, zapytaj o najprostsze rozwiązanie i przenieś je do skilla Claude lub projektu GPT — działa od razu i łatwo je udostępnić zespołowi.
Na co uważać: Bywają przypadki, gdy realna aplikacja jest uzasadniona — nie odrzucaj jej dogmatycznie. Kryterium wyboru to złożoność, łatwość utrzymania i możliwość dzielenia się, a nie sam efekt wizualny.
10.Priorytetyzuj naprawy według kosztu, nie według „modnego” promptowania
Na czym polega: Autor układa błędy mniej więcej w kolejności tego, ile realnie kosztują — a najdroższe wcale nie dotyczą wyrafinowanego promptowania.
Jak stosować: Zacznij usprawnienia od podstaw: dobór modelu i poziomu rozumowania oraz higiena kontekstu, zanim zainwestujesz czas w dopracowywanie treści promptów.
Na co uważać: Ta lista pochodzi z obserwacji jednego doradcy z około 150 sesji — to solidna heurystyka, ale nie twarde dane; twoja kolejność priorytetów może się różnić w zależności od branży i zastosowań.