Znasz ten moment. Wrzucasz do AI luźne notatki i piszesz: „zrób z tego coś sensownego”. Dostajesz wynik, który wygląda porządnie. Zdania są poprawne. Struktura się trzyma. Ale coś nie gra. Tekst jest obok.
Więc próbujesz inaczej. „Krócej”. „Bardziej konkretnie”. „Nie o to mi chodziło”. Mija kwadrans, potem godzina. W końcu dochodzisz do wersji, która jest akceptowalna. Ale już dawno przestało Cię to bawić, a szybkość, która miała być największą przewagą AI, rozpłynęła się w iterowaniu.
Mam w tym ponad dwa lata praktyki i jedno spostrzeżenie, którym chcę się podzielić. Ten problem nie leży tam, gdzie go szukasz. Nie chodzi o to, że „prompt był za słaby”. Chodzi o to, co zrobiłeś (albo czego nie zrobiłeś), zanim ten prompt w ogóle powstał. Nazywam to higieną pracy z AI i uważam, że to najważniejsza umiejętność, jakiej uczą się dziś managerowie pracujący z modelami językowymi.
Dlaczego iterowanie z AI nie ma końca, gdy brakuje higieny pracy
Kiedy otwierasz puste okno czatu i wrzucasz materiał bez kontekstu, model nie ma dostępu do Twojej głowy. Nie wie, czym się zajmujesz. Nie wie, dla kogo piszesz. Nie wie, co w tym materiale jest sercem sprawy, a co tłem. Robi więc to, co musi zrobić każdy model językowy w takiej sytuacji. Uzupełnia luki wzorcem z treningu. Odpowiedź wygląda jak odpowiedź, tylko że uśredniona. Generyczna. Obok.
Problem ma pięć wymiarów. Za każdym razem, kiedy nie określisz ich wprost, AI musi zgadywać:
- jaki jest cel, po co w ogóle powstaje ten tekst
- kto jest odbiorcą: ekspert, laik, klient, zarząd, czytelnik bloga
- co jest ważne, które fragmenty materiału są sercem sprawy, a które kontekstem
- jaki ma być format: długi artykuł, e-mail, lista, tabela
- gdzie kończy się rola AI, co robi model, a co zostaje po Twojej stronie
Każde z tych pięciu pól to miejsce na błąd. Każdy błąd to kolejna runda iterowania. A im dłużej trwa rozmowa, tym bardziej model gubi pierwotne instrukcje. Kolejne wiadomości przykrywają wcześniejszy kontekst. Korekty stają się coraz mniej skuteczne, a Ty masz wrażenie, że cofacie się do punktu wyjścia. Anthropic opisuje ten efekt w swoim poradniku dla inżynierów jako „context rot”. Z pracy liderów biznesowych znam go pod bardziej potoczną nazwą: „marnowanie poranka na rozmowę z asystentem”.
To nie jest problem promptowania
Tu jest rozróżnienie, które według mnie zmienia perspektywę na pracę z AI.
Prompt engineering to sztuka precyzyjnego formułowania poleceń w momencie, kiedy już wiesz, czego chcesz. Dobór słów, struktury i tonu w samej instrukcji. Technika operująca wewnątrz jednego prompta.
Higiena pracy z AI to co innego. To ustalenie ramy zanim sformułujesz jakikolwiek prompt. To odpowiedź na pytanie: co model musi wiedzieć, żeby dobrze wykonać zadanie? W środowisku badawczym coraz częściej pojawia się na to określenie „context engineering”. Jak dla mnie ten termin jest mylący, bo brzmi technicznie, a sprawa jest po prostu organizacyjna.
Różnica ma praktyczne konsekwencje. Możesz godzinami szlifować prompt, ale jeśli wcześniej nie ustalisz celu, odbiorcy i formatu, nawet idealnie sformułowany prompt da przeciętny wynik. Problem nie leży w słowach, tylko w braku warunków brzegowych. Analizy porównujące oba podejścia pokazują to samo: prompt engineering operuje wewnątrz okna kontekstu, context engineering decyduje o tym, co w tym oknie w ogóle się znajduje.
Liczby potwierdzają tę intuicję. W swojej pracy nad agentami AI zespół Anthropica pokazał, że połączenie narzędzi pamięci i świadomego zarządzania kontekstem poprawiło wydajność o 39% względem wersji bazowej. Szersze analizy branżowe wskazują, że ponad 90% modeli ML degraduje wyniki w czasie, kiedy środowisko operacyjne się zmienia, a kontekst nie jest zarządzany świadomie. W moim zespole obserwuję efekt mniejszej skali, ale w tę samą stronę: przy zadaniach z gotową ramą liczba rund iteracji spada średnio z czterech do jednej, maksymalnie dwóch. Wniosek jest za każdym razem ten sam. Sam prompt to za mało, a higiena pracy z AI nie jest estetyką, tylko dźwignią produktywności.
Cztery pytania przed promptem
Higiena pracy z AI w codzienności zaczyna się od prostej ramy. Nie jest oryginalna i nie wymyśliłem jej ja. W różnych wariantach krąży w środowisku osób pracujących z AI zawodowo. Zajmuje minutę. Zmienia wynik.
Zanim cokolwiek wrzucisz do AI, odpowiedz sobie na cztery pytania:
1. Co robię?
Jaki jest cel tego zadania? Co ma powstać i po co? Nie: „podsumowanie spotkania”, tylko: „podsumowanie spotkania, które wyślę klientowi jako potwierdzenie zakresu prac”. Między tymi dwoma zdaniami leży cała decyzja o tonie, długości i priorytetach.
2. Dla kogo?
Kto jest odbiorcą? Co już wie, a czego nie wie? Czego oczekuje? Inny tekst napiszesz do prezesa, inny do zespołu operacyjnego, inny do nowego klienta. Jeśli AI nie ma informacji o odbiorcy, domyślnie celuje w „wykształconego odbiorcę ogólnego”. I prawie zawsze trafia obok.
3. Z jakiego materiału?
Co jest źródłem? Notatki, transkrypcja, raport, dane? Co w nim jest ważne, a co tylko dekoracją? Tu warto wprost oznaczyć priorytety: „w tym dokumencie najbardziej zależy mi na części o budżecie, reszta jest kontekstem”. Bez tego AI traktuje wszystko na równi i często wydobywa rzeczy, które dla Ciebie są drugorzędne.
4. Jaki ma być wynik?
Format, długość, ton, styl. E-mail na pięć zdań czy dokument na dwie strony? Ton formalny czy bezpośredni? Z tabelą czy bez? Im konkretniej, tym mniej zgadywania. I od razu dopisz, gdzie kończy się rola AI. O tym za chwilę.
Przykład: brief przed briefem
Teoria to teoria. Zobaczmy różnicę na konkrecie. Zacznijmy od tego, jak wygląda prośba bez ramy.
„Mam notatki z ostatniego spotkania z klientem. Zrób z tego podsumowanie.”
AI nie wie, czy to podsumowanie jest dla klienta, dla Twojego szefa, czy do wewnętrznego CRM. Nie wie, czy ma być formalne, czy luźne. Nie wie, co jest kluczem. Dostaniesz więc coś, co jest poprawne i generyczne w tym samym czasie. Potem zaczniesz iterować.
A teraz ta sama prośba obudowana minimalnym briefem.
„Mam notatki z ostatniego spotkania z klientem. Potrzebuję krótkiego podsumowania, pięć do siedmiu zdań, do wysłania e-mailem do klienta po spotkaniu. Ton formalny, ale bezpośredni. Ważne: klient poprosił o wycenę do piątku, to musi się znaleźć jako ostatni punkt. Nie sugeruj zmian w strukturze, którą ustaliliśmy, tylko wypełnij ją treścią.”
W tym drugim wariancie AI wie wszystko, czego potrzebuje. Kto jest odbiorcą. Jaki jest format. Jaki ton. Co jest priorytetem. Gdzie się kończy jego rola. Prawdopodobieństwo trafienia w pierwszym podejściu jest nieporównywalnie wyższe niż w wariancie pierwszym. I to nawet wtedy, kiedy model stojący za oboma promptami jest ten sam.
Najciekawsze jest to, że drugi prompt wcale nie jest „mądrzej zbudowany”. Jest po prostu zbriefowany. Tak jak briefujesz juniora przed zadaniem. Tak jak agencja kreatywna briefuje copywritera przed kampanią. Nikt nie rzuca na stół teczki i nie mówi „zrób z tego coś sensownego”, bo wie, że wynik będzie nienajlepszy. AI zasługuje na to samo traktowanie.
Gdzie kończy się rola AI
To element, który w moich rozmowach z liderami najczęściej przechodzi bez echa, a jest najbardziej niedoceniany w całej ramie: wyraźne powiedzenie AI, co nie jest jego zadaniem.
Kiedy nie określisz granic, AI próbuje wypełnić każdą lukę własną interpretacją. Czasem to działa. Częściej sprawia, że wynik jest za pełny, za długi, przekracza to, czego potrzebowałeś. Dostajesz tekst, w którym oprócz podsumowania dostajesz jeszcze rekomendacje, propozycje alternatyw i sugestie kolejnych kroków, mimo że prosiłeś tylko o podsumowanie.
Kilka formuł, których używam w praktyce:
- „Zostaw decyzję o tonie otwartą, poprawię to sam.”
- „Nie sugeruj zmian w strukturze, tylko wypełnij treść.”
- „Nie dodawaj sekcji, których nie ma w oryginale.”
- „Nie podsumowuj na koniec, sam napiszę puentę.”
- „Jeśli czegoś nie wiesz z materiału, napisz wprost, że nie wiesz. Nie zmyślaj.”
Ten ostatni punkt jest dla mnie osobny, bo dotyczy innego problemu: halucynacji. Ale reszta pasuje do każdej codziennej pracy z AI. Moja zasada jest prosta: ludzka część tej współpracy to kierunek, priorytet i decyzja. AI odpowiada za wykonanie. Kiedy to rozróżnienie zniknie, zaczyna się chaos.
Co zyskujesz: mniej iteracji, więcej kontroli
Kiedy wdrażam higienę pracy z AI u siebie i w zespołach, którymi się zajmuję, za każdym razem obserwuję ten sam schemat. Pierwsze dwa, trzy dni są dziwne. Czujesz, że „robisz coś ekstra” przed każdym zadaniem. Opór jest naturalny, bo wydaje się, że to dodatkowa praca.
Po tygodniu sytuacja się odwraca. Nagle okazuje się, że zadania kończą się w pierwszym lub drugim podejściu. Że nie tracisz już pół godziny na poprawianie czegoś, co powinno było wyjść dobrze od razu. Że wynik jest trafniejszy, bo AI dostało wszystko, czego potrzebowało, na początku. Minuta przygotowania zwraca się wielokrotnie. Kwadrans iterowania zamienia się w dwie minuty pracy.
Rama jako test gotowości zadania
Jest też druga, mniej oczywista korzyść. Sam proces wypełniania ramy porządkuje Twoją głowę. Często zdarzało mi się, że zanim doszedłem do pytania „jaki ma być wynik?”, zorientowałem się, że tak naprawdę nie wiem jeszcze, o co mi chodzi. I że wrzucanie tego do AI na tym etapie byłoby marnotrawstwem czasu. W ten sposób rama działa nie tylko jako brief dla modelu. Działa jako test gotowości zadania.
Jeśli Twój zespół pracuje z AI codziennie, a Ty jako lider widzisz, że wyniki są poniżej oczekiwań, najprawdopodobniej to nie jest problem narzędzia ani szkolenia z promptowania. To jest problem higieny. I dobra wiadomość brzmi tak, że da się go naprawić w jedno popołudnie.
Następnym razem, zanim wrzucisz cokolwiek do AI, zatrzymaj się na sześćdziesiąt sekund. Cztery pytania: co robię, dla kogo, z czego, jaki ma być wynik. Tylko tyle. To nie jest magia promptowania. To higiena pracy z AI, która decyduje o tym, czy wyjdziesz z rozmowy z wynikiem, czy z listą rzeczy do poprawienia. AI lepiej wspiera wykonanie, kiedy człowiek najpierw ustawi kierunek.
