O czym jest ten film
- OpenAI opublikowało oficjalny przewodnik po promptowaniu dla najnowszego modelu GPT-5.6, który zaprzecza większości porad z ostatniego roku.
- Rozbudowane prompty z personą i szczegółową listą kroków dziś pogarszają jakość odpowiedzi, bo zmuszają inteligentny model do przeciętnej ścieżki zamiast najlepszej.
- Cała metoda sprowadza się do pięciu taktyk, które autor pokazuje na jednym przykładzie: zamiana transkryptu spotkania w status update dla klienta.
- Taktyka 1: skup się na celu, nie na procesie — podaj oczekiwany wynik, odbiorcę i to, jak wygląda dobry efekt.
- Taktyka 2: liczy się właściwy kontekst, a nie jego ilość — dołączaj tylko to, co realnie zmienia wynik.
- Taktyka 3: ustaw minimalną liczbę granic (2–4), które chronią przed kosztownymi błędami — zwłaszcza wokół liczb, halucynacji i wysyłania wiadomości.
- Taktyka 4: dodaj kryteria „gotowe, gdy…” — binarne (prawda/fałsz), po których model może sam ocenić własną pracę.
- Taktyka 5: gdy pierwsza odpowiedź jest blisko, dopracuj ją precyzyjnie, zamiast rzucać ogólne „popraw to”.
- Taktyki działają nie tylko dla GPT-5.6, ale też dla innych modeli nowej generacji, np. Fable 5.
- Efekt: swój najczęściej używany prompt można przebudować w około 10 minut.
Redakcyjne tłumaczenie
Dlaczego twój dopracowany prompt zaczął szkodzić
Ten wielki, szczegółowo dopieszczany od miesięcy prompt — z personą dla AI, kilkunastoma instrukcjami i krok-po-kroku rozpisaną procedurą — po cichu pogarsza wyniki GPT-5.6. Nie jest neutralny, jest wręcz szkodliwy. Powód jest prosty: OpenAI właśnie opublikowało swój oficjalny przewodnik po promptowaniu i zaprzecza on większości porad z ostatniego roku.
Najnowsze modele są trenowane tak, by samodzielnie znajdować najlepszą drogę do celu. Kiedy rozpisujesz każdy pojedynczy krok, zmuszasz mądry model, by podążał przeciętną ścieżką zamiast tej optymalnej.
Nazywam się Dylan i prowadzę firmę doradczą w obszarze AI. Widzę, jak te przerośnięte prompty kosztują moich klientów całe godziny — co tydzień. Rozwiązanie ma pięć części. Przejdę przez wszystkie i zbuduję z tobą prawdziwy prompt, kawałek po kawałku, żebyś mógł przebudować swój najczęściej używany prompt w jakieś 10 minut.
Skąd pochodzą te taktyki
To wpis na blogu, który OpenAI opublikowało zaledwie kilka dni temu. Opisuje techniki promptowania istotne dla ich najnowszego modelu, GPT-5.6, we wszystkich rozmiarach — małym, średnim i dużym. Większość ludzi w ogóle nie wie, że ten wpis powstał, i rzadko go czyta. Moim celem jest zsyntetyzować go do pięciu kluczowych taktyk, które możesz stosować od teraz. Wiele z nich działa też dla innych modeli nowej generacji, takich jak Fable 5.
Żeby te taktyki były konkretne, poprowadzę cię przez jeden przykład: bierzemy transkrypt spotkania z klientem i zamieniamy go w status update dla tego klienta — robiąc to zgodnie z najlepszymi praktykami dla GPT-5.6. To tylko przykład, który ma coś zilustrować; te taktyki zastosujesz do dowolnego rodzaju promptowania i dowolnego przypadku użycia.
Taktyka 1: cel, nie proces
Zamiast koncentrować się na krokach, procesie i „przepisie” w prompcie, skup się na miejscu docelowym. Wiele dawnych promptów — tych pod starsze modele — zawierało mnóstwo kroków w instrukcjach: zrób to, potem tamto, potem jeszcze to. Dla naprawdę inteligentnych modeli to ograniczenie. Wchodzimy im w drogę, bo zwykle kroków jest znacznie więcej niż te cztery, które wypisaliśmy — realnie jest ich pewnie 40, a może i 100, mikro i makro, żeby wykonać zadanie. Model często zna skuteczniejszą drogę do celu. My dajemy mu ścieżkę A, a ścieżka B może doprowadzić nas tam szybciej i w wyższej jakości.
Chcemy więc skupić się na tym, co ma być na końcu: na celu, nie na procesie. Robimy to, po prostu określając oczekiwany wynik i odbiorcę, jeśli odbiorca jest istotny.
Zły prompt to stary sposób — rozpisane wszystkie kroki: „Chcę, żebyś podsumował transkrypt. Najpierw go przeczytaj, potem wyciągnij kluczowe punkty, potem uporządkuj, a na końcu napisz podsumowanie.” To wszystko jest dziś zbędne.
Zamiast tego określamy sam wynik i odbiorcę. W naszym przypadku: „Chcę, żebyś zamienił ten transkrypt spotkania w krótki status update dla mojego klienta. Decyzje i kolejne kroki umieść na początku.” Wskazaliśmy dwie rzeczy: wynik (status update) i odbiorcę (klient). Na końcu dorzuciliśmy jeszcze preferencje co do struktury. Nie byliśmy precyzyjni co do kroków — byliśmy precyzyjni co do tego, jak ma wyglądać efekt i co znaczy „dobrze”. To „jak wygląda dobry efekt” to rzecz krytyczna. Jeśli masz przykładowy dobry wynik, podziel się nim z AI — model szybko dojdzie do tego celu.
Jeden zastrzeżenie: czasem kroki jednak mają znaczenie. To rzadkie, ale się zdarza. Jeśli robisz coś związanego z audytami albo zgodnością (compliance), być może faktycznie musisz określić modelowi konkretne kroki i ich kolejność — bo sam zapis procesu jest wtedy dostarczanym produktem, wykorzystywanym do celów zgodności. Ale to wyjątek, nie reguła dla większości ludzi.
Taktyka 2: właściwy kontekst, nie jego ilość
Wielu ludzi — w tym ja w przeszłości — twierdziło, że więcej kontekstu jest zwykle lepsze. To wciąż częściowo prawda, ale teraz liczy się właściwy kontekst, a nie jego objętość. Bardzo inteligentnym modelom, jeśli podasz kupę nieistotnego kontekstu, zdarza się zafiksować na niewłaściwych informacjach i nie wykonać zadania tak, jak powinny.
Proste pytanie, które możesz sobie zadać przy dzieleniu się kontekstem: „Czy ta informacja realnie zmieniłaby efekt końcowy?” Jeśli tak — to prawdopodobnie dobry kontekst do przekazania. Jeśli nie — odłóż go na bok. Przykład: mój klient, dla którego piszemy status update, nie znosi długich maili. To łatwo przekazać, bo bezpośrednio wpływa na produkt. Ale inny kontekst — że projekt, o którym raportujemy, zaczął się w innym zespole trzy lata temu — niekoniecznie ma znaczenie, bo to wewnętrzny kontekst działania mojej firmy, a nie coś, o co dba klient.
Rozbudowujemy prompt po kolei, dokładając kolejne taktyki. Tym razem dodajemy kontekst we właściwy sposób: „Chcę, żebyś użył transkryptu do tego, co zostało zdecydowane. Użyj planu projektu do dat i budżetu. Ten klient preferuje krótkie i konkretne aktualizacje.” Każdy z tych elementów jest istotny dla produktu, więc go dołączamy. Transkrypt jest źródłem prawdy dla decyzji, plan projektu jest źródłem prawdy dla liczb, a wzmianka o kliencie to preferencje co do tonu i struktury. Pamiętaj: w taktyce drugiej nie chodzi o ilość kontekstu, tylko o jego trafność.
Taktyka 3: granice
Nowe modele, jak GPT-5.6 i Fable 5, są niezwykle inteligentne i lubią wypełniać luki. Czasem można to wykorzystać, ale czasem to szkodliwe — zwłaszcza gdy błąd nas kosztuje: prawnie albo finansowo. Dlatego ustawiamy minimalną liczbę granic, by utrzymać AI na właściwym torze.
Widziałem sytuacje, gdzie AI zaokrągla w górę lub w dół budżet, który wpisałeś do oferty, albo zmienia konkretny termin dostawy na bardziej ogólnikowy. Najskuteczniejsze okazały się trzy kategorie granic. Podkreślę jeszcze raz, bo to ważne: liczba granic przy tych modelach ma być minimalna. Może trzy–cztery, ale nie dwadzieścia. Jeśli dodasz 20 granic, wracasz do megapromptów, których unikamy. Przy zbyt wielu granicach AI zaczyna się nimi krępować, fiksuje się na nich i najpewniej pogarsza jakość finalnego produktu.
Pierwsza granica — liczby. Gdy AI przenosi coś z jednego dokumentu do drugiego albo coś wyciąga i analizuje, chcemy mieć pewność, że wszystkie liczby — daty, budżety itd. — pozostaną nietknięte. Mają być po prostu przeniesione, bez żadnych operacji, chyba że tego chcesz.
Druga granica — ograniczenie halucynacji przez zmianę zachęt. Chodzi o to, by AI niczego nie zmyślało. Przykład: „Chcę, żebyś korzystał wyłącznie z dostarczonych źródeł — nic z własnej głowy ani z internetu, tylko z podanych dokumentów. Brakujące informacje oznaczaj, zamiast zgadywać.” To ważne, bo — jak mówiłem w poprzednich filmach — jedynym celem istnienia AI jest cię zadowolić, a robi to, dając odpowiedzi. Jeśli AI nie znajdzie informacji w dokumencie, wypełni lukę za ciebie. Musimy więc zmienić zachęty i zakomunikować, że wolno mu zostawić puste pole albo napisać „nie znaleziono”. Zyskujemy dwie rzeczy: lepszą dokładność oraz znacznie szybszy audyt — wystarczy sprawdzić miejsca oznaczone „nie znaleziono” i szybko zweryfikować je w źródle. To jedna z kluczowych granic, które polecam.
Trzecia granica — miła w użyciu. Po prostu: „Kiedy przygotowujesz dla mnie wiadomość, przygotuj ją jako szkic i nigdy nie wysyłaj.” Jeśli używasz AI do SMS-ów, wiadomości na Slacku, maili czy czegokolwiek innego — przy redagowaniu w twoim imieniu nigdy nie ma wysyłać. Wysyłasz ty. Wiele narzędzi w Claude czy ChatGPT ma zresztą uprawnienia, które można ustawić. To granica miękka — polegasz na tym, że AI ją uszanuje. Ale istnieją też granice twarde, które w ogóle odbierają AI możliwość wysyłania czegokolwiek.
(Informacja dodatkowa: „granica miękka” to instrukcja w prompcie, której model może, ale nie musi przestrzegać; „granica twarda” to ograniczenie techniczne — np. brak uprawnień narzędzia — którego model nie jest w stanie obejść.)
W naszym prompcie dodajemy więc granicę liczbową: „Zachowaj daty i kwoty budżetu z planu projektu dokładnie tak, jak zapisano.” Używamy tylko liczb, które mają znaczenie, i pilnujemy, żeby nie zostały w żaden sposób zmienione.
Taktyka 4: kryterium „gotowe, gdy…”
To prawdopodobnie taktyka uniwersalna dla wszystkich modeli nowej generacji: dodanie do promptu kryterium „gotowe, gdy…”. Mówiąc prosto — dajemy AI kryteria, po których może samo ocenić swoją pracę. Dzięki temu wynik jest znacznie bliższy temu, czego oczekiwaliśmy.
Ważne zastrzeżenie: kryteria nie mogą być mgliste, jak „upewnij się, że to zwięzłe” albo „że to profesjonalne”. Definicja „zwięzłości” i „profesjonalizmu” w rozumieniu AI różni się od twojej. Lepsze są kryteria binarne: tak/nie, zaliczone/niezaliczone, prawda/fałsz. Przykłady: status update ma mniej niż 200 słów; każdy kolejny krok ma przypisanego właściciela i datę; jeśli coś jest w transkrypcie niejasne, zostaje wypisane jako otwarte pytanie w mailu. To wszystko pytania prawda/fałsz, które AI łatwo samo sprawdzi.
Mamy teraz finalny prompt z czterema taktykami: cel, kontekst, granica i sekcja „gotowe, gdy”. Nasza sekcja brzmi: „Jesteś gotowy, gdy aktualizacja ma poniżej 200 słów, każdy kolejny krok ma właściciela i datę, a wszystko, co w transkrypcie niejasne, jest wypisane jako otwarte pytanie zamiast zgadywane.”
Taktyka 5: steruj, nie ciągnij za dźwignię
To dobre przypomnienie z bloga OpenAI: gdy AI odda ci coś po pierwszym prompcie, nie musisz zaczynać całej rozmowy od nowa. Jeśli pierwszy wynik jest wystarczająco blisko celu, możesz go po prostu doprecyzować — ale trzeba to zrobić dobrze.
Często — sam tak robiłem — dając feedback po pierwszej odpowiedzi, jesteśmy mgliści: „To nie do końca to, spróbuj jeszcze raz.” To jak w Vegas: pociągasz za dźwignię automatu i liczysz, że tym razem AI trafi bliżej. Zamiast tego steruj — bądź konkretny co do tego, co chcesz zachować i co zmienić. Lepsza wersja: „Chcę, żeby otwarcie tego status update było jednym zdaniem. Wszystko dotyczące harmonogramu zostaw bez zmian, a notkę o budżecie przenieś nad kolejne kroki.” Precyzyjnie mówimy, co się zmienia, a co zostaje.
Podsumowanie pięciu taktyk
- Cel, nie proces. Interesuje nas wynik, to jak wygląda dobry efekt, oraz odbiorca. Model sam dobierze najlepszą drogę.
- Kontekst. Nie ilość, tylko trafność. Pytanie: czy to realnie wpływa na końcową odpowiedź?
- Granice. AI potrafi wiele, ale bywa to kosztowne finansowo lub prawnie. Ustaw minimum granic — dwie, trzy, nie dwadzieścia czy trzydzieści.
- „Gotowe, gdy…”. Binarne kryteria, po których model ocenia sam siebie. To krytyczne, bo modele nowej generacji są bardzo wytrwałe — potrafią pracować godzinami. Nie chcemy, by przepracowywały albo niedopracowywały zadanie, tylko wykonały je dokładnie tyle, ile trzeba.
- Sterowanie. Gdy wynik jest blisko, nie bądź mglisty i nie ciągnij za dźwignię automatu — powiedz konkretnie, co zachować, a co zmienić.
Teraz weź ten przebudowany prompt i daj mu większe zadanie — nie jeden mail, ale 300 plików; nie jeden czat, lecz zadanie, które uruchamia się w każdy poniedziałek bez ciebie. W ChatGPT jest do tego narzędzie i masz je już w cenie subskrypcji.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Opisuj cel, a nie kroki
Na czym polega: Najnowsze modele same znajdują drogę do rezultatu. Zamiast rozpisywać procedurę „najpierw…, potem…”, określ oczekiwany wynik, odbiorcę i to, jak wygląda dobry efekt.
Jak stosować: W prompcie napisz, co ma powstać i dla kogo (np. „krótki status update dla klienta, decyzje i kolejne kroki na początku”). Jeśli masz wzorcowy dobry przykład wyniku, dołącz go.
Na co uważać: Wyjątkiem są audyty i compliance, gdzie sam zapis procesu jest produktem — tam kolejność kroków trzeba narzucić. Poza tym rzadko warto wracać do rozpisywania kroków.
2.Przestań mnożyć instrukcje w starych megapromptach
Na czym polega: Rozbudowany prompt z personą i kilkunastoma instrukcjami dziś pogarsza wynik, bo zmusza model do przeciętnej ścieżki zamiast najlepszej.
Jak stosować: Przejrzyj swój najczęściej używany prompt i wytnij kroki, które model i tak wykona sam. Zwykle da się to zrobić w około 10 minut.
Na co uważać: „Krótszy” nie znaczy „ubogi” — cel, granice i kryteria muszą zostać. Chodzi o usunięcie zbędnej procedury, nie istotnego kontekstu.
3.Filtruj kontekst pytaniem „czy to zmieni wynik?”
Na czym polega: Liczy się trafność kontekstu, nie objętość. Nadmiar nieistotnych informacji sprawia, że model fiksuje się na niewłaściwych danych.
Jak stosować: Przed dołączeniem każdej informacji zadaj pytanie: „Czy to realnie zmieniłoby efekt końcowy?” Jeśli tak — dołącz; jeśli nie — odłóż.
Na co uważać: Wewnętrzny kontekst firmy (np. historia projektu sprzed lat) zwykle nie obchodzi odbiorcy. Nie myl „ważne dla mnie” z „ważne dla wyniku”.
4.Wskazuj źródło prawdy dla każdej informacji
Na czym polega: Gdy masz kilka materiałów, przypisz każdemu rolę: co jest źródłem decyzji, co liczb, a co preferencji.
Jak stosować: W prompcie napisz wprost: „Decyzje bierz z transkryptu, daty i budżet z planu projektu, ton i strukturę dopasuj do preferencji klienta.”
Na co uważać: Jeśli nie rozdzielisz ról, model może zmieszać źródła i wyciągać liczby albo ustalenia z niewłaściwego miejsca.
5.Chroń liczby jawną granicą
Na czym polega: Modele lubią „poprawiać” dane — zaokrąglić budżet, rozmyć termin. Przy przenoszeniu liczb między dokumentami to realne ryzyko finansowe i prawne.
Jak stosować: Dodaj granicę: „Zachowaj daty i kwoty dokładnie tak, jak zapisano; nie wykonuj na nich żadnych operacji, chyba że o to poproszę.”
Na co uważać: Po wygenerowaniu i tak zweryfikuj liczby przy źródle — to granica miękka, na której nie należy polegać bezkrytycznie.
6.Zmień zachęty, by ograniczyć halucynacje
Na czym polega: AI dąży do udzielenia odpowiedzi, więc przy braku danych wypełnia luki zmyśleniami. Trzeba mu dać „prawo” do przyznania, że czegoś nie ma.
Jak stosować: Napisz: „Korzystaj tylko z dostarczonych źródeł — nic z pamięci ani z internetu. Brakujące informacje oznaczaj jako »nie znaleziono« zamiast zgadywać.”
Na co uważać: Zysk jest podwójny — lepsza dokładność i szybszy audyt (sprawdzasz tylko oznaczone luki). Ale nadal trzeba te oznaczone miejsca ręcznie zweryfikować.
7.Ustaw twardą granicę na wysyłkę wiadomości
Na czym polega: Przy redagowaniu maili, SMS-ów czy wiadomości na Slacku AI nie powinno niczego wysyłać — tylko przygotować szkic.
Jak stosować: Dodaj do promptu „przygotuj jako szkic, nigdy nie wysyłaj”, a tam gdzie się da, ustaw twarde ograniczenie w uprawnieniach narzędzia (Claude, ChatGPT).
Na co uważać: Instrukcja w prompcie to granica miękka — model może ją zignorować. Realną ochronę daje dopiero odebranie narzędziu uprawnień do wysyłki.
8.Trzymaj liczbę granic na poziomie 2–4
Na czym polega: Za dużo granic (20–30) odtwarza megaprompt, którego unikamy — model krępuje się i pogarsza jakość produktu.
Jak stosować: Wybierz maksymalnie kilka granic, które faktycznie chronią przed kosztownym błędem (najczęściej: liczby, halucynacje, wysyłka).
Na co uważać: Granice to koszt — dokładaj je tylko tam, gdzie błąd realnie boli. Nie traktuj ich jako listy życzeń stylistycznych.
9.Dodawaj binarne kryterium „gotowe, gdy…”
Na czym polega: Kryteria, po których model sam ocenia pracę, dają wynik bliższy oczekiwaniom. Modele nowej generacji są wytrwałe, więc jasny warunek stopu zapobiega przepracowaniu i niedopracowaniu.
Jak stosować: Formułuj warunki jako prawda/fałsz: „poniżej 200 słów”, „każdy krok ma właściciela i datę”, „niejasności wypisane jako otwarte pytania”.
Na co uważać: Unikaj mglistych określeń jak „zwięzłe” czy „profesjonalne” — definicja AI różni się od twojej. Kryterium musi dać się jednoznacznie zweryfikować.
10.Steruj precyzyjnie zamiast „pociągać za dźwignię”
Na czym polega: Gdy pierwszy wynik jest blisko, doprecyzuj go w tej samej rozmowie zamiast zaczynać od nowa — ale konkretnie.
Jak stosować: Powiedz jednocześnie, co zachować i co zmienić: „Otwarcie skróć do jednego zdania, harmonogram zostaw bez zmian, notkę o budżecie przenieś nad kolejne kroki.”
Na co uważać: Mgliste „to nie to, popraw” działa jak automat w kasynie — losowo. Bez wskazania, co ma zostać, ryzykujesz zepsucie fragmentów, które były już dobre.