O czym jest ten film
- Każde zlecenie dla AI wymusza na modelu serię cichych decyzji — co jest ważne, co pominąć, jakim tonem pisać — o których nie wspomina ani słowem.
- Te wybory da się sprowadzić do czterech kategorii: niejednoznaczne słowa w poleceniu, wygląd rezultatu, sprzeczne dane wymagające rozstrzygnięcia oraz treści pominięte.
- Najgroźniejsza jest kategoria czwarta — pominięcia — bo w wyniku widać wyłącznie to, co model napisał, a nie to, czego zabrakło.
- Korygując te same błędy tydzień w tydzień, zwykle łatasz skutki jednej niezauważonej decyzji modelu.
- Rozwiązaniem jest jednolinijkowy prompt: model ma przy każdym zadaniu prowadzić dziennik decyzji, zwłaszcza w sprawach, których polecenie nie określa.
- Kluczowa jest kolejność: dziennik czyta się przed wynikiem, dzięki czemu rozbieżności wychodzą na jaw od razu.
- Każdy wpis obsługuje się jednym z trzech sposobów: akceptacja (ok. 80% przypadków), poprawka doraźna albo naprawa systemowa.
- Naprawa systemowa to zmiana instrukcji projektu lub skilla — przykład: zakaz sugerowania elastyczności cenowej w odpowiedziach do klientów.
- W zadaniach krytycznych i wieloetapowych stosuje się drugi prompt: model przed startem wypisuje punkty decyzyjne i uszeregowuje je według wpływu na wynik.
- Wystarczy doprecyzować kilkanaście najważniejszych pozycji z takiego rankingu — resztę można zostawić inteligencji modelu.
Redakcyjne tłumaczenie
Decyzje, których nigdy nie widzisz
Czy sobie z tego zdajesz sprawę, czy nie — za każdym razem, gdy zlecasz AI zadanie, model podejmuje za ciebie całą serię decyzji, których nigdy nie zobaczysz. Co tak naprawdę jest ważne, co można pominąć, jakim tonem należy pisać. I o żadnej z nich ci nie wspomni.
Jeśli trafiasz tu pierwszy raz: jestem Dylan i prowadzę firmę doradczą w obszarze AI. Gdy klienci mojego coachingu przynoszą prace AI, z których są niezadowoleni, problem prawie nigdy nie jest przypadkowym błędem. To decyzja, którą model podjął za nich bez słowa — a oni potem co tydzień naprawiają ten sam efekt, nie rozumiejąc, skąd problem w ogóle się bierze.
W tym materiale dostaniesz jedno zdanie, które sprawia, że wszystkie te decyzje wychodzą na jaw. A co ważniejsze — zajmiemy się tymi, które wracają cyklicznie, żeby raz na zawsze przestały cię kosztować czas.
Pozornie proste zadanie
Na pierwszy rzut oka mamy banalne polecenie: poproś AI o streszczenie ważnych punktów umowy. Przekazujemy modelowi czterdziestostronicowy kontrakt, a on go przegląda. Tyle że przy tak lakonicznym zleceniu model musi rozstrzygnąć całą masę kwestii, zanim w ogóle zobaczysz streszczenie. Co uznać za „ważne”? W jakim tonie pisać — swobodnym czy urzędowym? Jak długo: dziesięć stron, dwadzieścia, a może jedna? I wiele, wiele innych.
O tych wszystkich wyborach — jak już mówiłem — nie wiesz nic. Ale da się je, niezależnie od rodzaju zadania, uporządkować w cztery kategorie.
Cztery kategorie cichych decyzji
Po pierwsze: niejednoznaczne słowa. Chodzi o doprecyzowanie tych sformułowań w twoim poleceniu, które mają w danym zadaniu największą wagę. Kiedy piszesz „ważne”, co to konkretnie znaczy? W naszym przykładzie prosisz o streszczenie „ważnych” fragmentów umowy — a model może uznać, że chodzi wyłącznie o warunki płatności i rozwiązania kontraktu, już nie o klauzulę odnowienia.
Po drugie: wygląd rezultatu. Jak ma wyglądać efekt? Swobodny ton czy formalny? Jedna strona czy dziesięć? W jakiej formie chcesz otrzymać wynik?
Po trzecie: sprzeczne dane. To momenty, w których model staje na rozdrożu: trafia w materiale na rozbieżne punkty albo perspektywy i musi dokonać wyboru. Przy przeglądzie umowy może zobaczyć dwie różne daty — jedną na stronie trzeciej, drugą na czterdziestej. Bez wahania oprze się na tej z końca dokumentu, choć tobie mogło chodzić o tę pierwszą.
Po czwarte: to, czego model nie napisał. Ostatnia kategoria — moim zdaniem najboleśniejsza dla klientów — to wszystko, czego model zaniechał, bo postanowił pominąć. W umowie mógł się znajdować cały dział o załącznikach, którego w streszczeniu nie ma ani śladu.
Widzisz efekt, ale nie wiesz, czego w nim brakuje
Ta kategoria (a właściwie wszystkie cztery) szkodzi z jednego powodu: patrząc na wynik — tu: jednostronicowe streszczenie umowy — widzisz wyłącznie to, co model wyprodukował. Nie widzisz tego, co pominął, ani decyzji, które za tym stały.
Ryzyko jest oczywiste, ale dochodzi do tego strata czasu. Żeby mieć pewność, że nic nie przepadło, musisz żmudnie zestawiać wynik z oryginalnym dokumentem, strona po stronie. I właśnie podczas takiej weryfikacji może wyjść na jaw, że w streszczeniu zabrakło klauzuli odnowienia — czyli tego, co dla ciebie najważniejsze.
(Informacja dodatkowa: w tym miejscu autor wstawia krótką przerwę promocyjną — zachęca do zapisu na bezpłatną, trzydziestodniową serię e-mailową o zastosowaniach AI w pracy oraz do zapoznania się z jego ofertą współpracy.)
Doraźne łatanie prowadzi donikąd
Gdy powtarzasz ten cykl dzień za dniem, tydzień za tygodniem, przy różnych zadaniach, łapiesz się na tym, że bez końca poprawiasz wyniki. Czasem model „zapamięta” poprawkę i błąd już nie wróci — ale to działa przypadkiem, nie systemowo. Sensowniejsze jest zajrzenie pod powierzchnię prostych poprawek: ustalić, jakie decyzje model podejmuje u podstaw i naprawić je raz, porządnie. Tym właśnie się zajmiemy.
Jedna linijka, która odsłania wszystko
Wystarczy taki prompt:
„Wykonując zadanie, prowadź dziennik wszystkich decyzji, które przy nim podejmujesz — przede wszystkim w kwestiach, których wyraźnie nie określiłem.”
Najlepsze miejsca na wpięcie tego zdania to zadania powtarzalne. W narzędziu, z którego korzystasz, na pewno masz projekty albo skille używane cyklicznie. Osadź tam ten prompt — i przy każdym wyniku będziesz dostawać także dziennik rozstrzygnięć. I tu cały trik: dziennik przeglądaj przed wynikiem, żeby znać wszystkie decyzje, zanim zaczniesz oceniać efekt.
(Informacja dodatkowa: „skill” to w narzędziach typu Claude czy ChatGPT zapisany zestaw instrukcji wielokrotnego użytku, który model stosuje do powtarzalnych czynności.)
Jak może wyglądać taki dziennik
W naszym przykładzie z umową jedną z pierwszych rzeczy, które model zanotuje, jest informacja: nie zdefiniowałeś słowa „ważne”, więc przyjąłem, że dla jednostronicowego streszczenia priorytetem są warunki płatności i rozwiązania umowy. I dalej, wprost: klauzul odnowienia oraz odpowiedzialności nie uwzględniłem.
Albo kwestia z trzeciej kategorii: w umowie widnieją dwie daty — na stronie trzeciej i czterdziestej; wybrałem tę z końca dokumentu. Dzięki temu wiesz przynajmniej, że na stronie trzeciej masz coś do sprawdzenia.
Trzy możliwe reakcje na wpisy
Przeglądając dziennik, z każdym wpisem zrobisz jedną z trzech rzeczy.
Po pierwsze — po prostu zaakceptujesz decyzję modelu. To zresztą część tego, co AI ma w sobie najlepszego: potrafi decydować w naszym imieniu, a często odgaduje lepiej, niż zrobilibyśmy to sami. Zdecydowana większość wpisów, jakieś osiemdziesiąt procent, będzie po prostu do zaakceptowania. I to jest w porządku.
Po drugie — poprawka doraźna. Błąd dotyczy konkretnego zadania i nie ma charakteru systemowego; poprawiasz wynik, ale z dziennikiem robisz to szybciej i łatwiej, bo od razu wiesz, gdzie szukać.
Po trzecie — sygnał, że model popełnia ten sam błąd w kółko przy podobnych zadaniach. Wtedy czas na naprawę systemową: w instrukcjach projektu albo w skilla, którego używasz cyklicznie.
Naprawa systemowa na przykładzie cen
I tu kryje się największa siła tej metody. Przykład: AI odpowiada za nas na wiadomości od potencjalnych klientów. Zauważyliśmy, że raz za razem dawało do zrozumienia, że jesteśmy otwarci na negocjacje cenowe — a przy naszym produkcie wolimy być w tej sprawie nieugięci. Skoro błąd powtarza się cyklicznie, sięgamy do instrukcji projektu lub skilla i dopisujemy: „nigdy nie sugeruj ani nie daj do zrozumienia, że dopuszczamy elastyczność cenową”.
W ten sposób domykamy punkt decyzyjny. Od tej chwili, cokolwiek model napotka, w tej kwestii podejmie właściwą decyzję. To jest właśnie naprawa systemowa. A im dłużej to robisz, tym dziennik się kurczy — i tym szybciej dochodzisz do wyników, które spełniają twoje standardy albo je przewyższają.
Zadania krytyczne: zacznij od rankingu decyzji
Metoda pasuje do większości zastosowań, ale są sytuacje szczególne: zadania, od których wiele zależy, albo wieloetapowe procesy. Tam warto sięgnąć po drugi prompt:
„Zanim zaczniesz pracę, wypisz wszystkie punkty decyzyjne w tym zadaniu, których nie określiłem, i uszereguj je według tego, jak mocno wpływają na ostateczny wynik.”
Dostajesz uporządkowaną listę, z której wybierasz na przykład pierwsze dziesięć pozycji i przy każdej podajesz swoje preferencje. Przy przeglądzie umowy model wystawi na szczyt listy pytanie o definicję słowa „ważne” — i tu wprost piszesz, że zależy ci na informacjach o odnowieniu, odpowiedzialności i płatnościach. Kolejna pozycja to długość: dziesięć stron, jedna czy jeden akapit? Określasz: jedna strona. Potem ton i pozostałe kwestie. Nie musisz precyzować wszystkiego — resztę możesz zostawić inteligencji modelu. To znakomity sposób na otwarcie zadania, zanim AI cokolwiek zrobi.
Podsumowanie: patrz na decyzje, nie tylko na wynik
Na koniec krótkie zebranie całości. Najpierw: każemy AI prowadzić dziennik decyzji obok wyniku. Gdy go dostaniemy, czytamy dziennik przed wynikiem — dzięki temu błyskawicznie wychwytujemy rozbieżności między własnymi preferencjami a wyborami modelu i możemy je od razu poprawić albo zaakceptować. Gdy problem powtarza się w kółko, naprawiamy go raz, porządnie — w instrukcjach projektu lub skilla. A przy zadaniach krytycznych i złożonych odwracamy kolejność: przed startem każemy modelowi wypisać i uszeregować punkty decyzyjne, żeby zdążyć przekazać swoje preferencje.
(Informacja dodatkowa: film kończy się zapowiedzią kolejnego materiału — o trzech rodzajach słów, na których potykają się nowsze modele przy formułowaniu reguł.)
10 najważniejszych takeaways — z kontekstem zastosowania
1.Jedna linijka, która odsłania decyzje modelu
Na czym polega: Dodanie do polecenia zdania „prowadź dziennik wszystkich podejmowanych decyzji” zamienia niewidzialne wybory modelu w czarno na białym.
Jak stosować: Wklej prompt tam, gdzie zlecenia się powtarzają — do instrukcji projektów i skillów w swoim narzędziu — tak, by dziennik przychodził razem z każdym wynikiem.
Na co uważać: Dziennik ma sens tylko wtedy, gdy go regularnie przeglądasz; samo jego generowanie niczego nie zmienia.
2.Czytaj dziennik przed wynikiem
Na czym polega: Kolejność weryfikacji to istota metody: najpierw lista decyzji, dopiero potem efekt pracy modelu.
Jak stosować: Otwórz dziennik, oznacz decyzje do akceptacji i te wątpliwe, a dopiero potem czytaj wynik — poprawki będziesz znać z góry, zamiast odkrywać je po kolei.
Na co uważać: Przyzwyczajenie „najpierw efekt” przekreśla całą zaletę logu — wracasz do zgadywania, co model pominął.
3.Zdefiniuj słowa, na których opiera się zadanie
Na czym polega: Pierwsza kategoria cichych decyzji rodzi się z nieostrych sformułowań — „ważne”, „zwięźle”, „krótko” model zrozumie po swojemu.
Jak stosować: Przy zadaniach powtarzalnych zapisz w instrukcji, co dane słowo znaczy dla ciebie — np. że „ważne” w umowach to klauzule odnowienia, odpowiedzialności i płatności.
Na co uważać: Nie definiuj każdego wyrazu — wystarczą te, od których w danym zadaniu najwięcej zależy.
4.Największe ryzyko kryje się w tym, czego nie ma w wyniku
Na czym polega: Pominięte treści (czwarta kategoria) bolą najbardziej, bo w efekcie pracy modelu nie zostawiają żadnego śladu.
Jak stosować: Wymagaj, by dziennik jawnie informował, czego model nie uwzględnił — a przy dokumentach o dużej wadze otwórz oryginał w pominiętych miejscach.
Na co uważać: Bez dziennika jedyną metodą jest żmudne porównywanie wyniku z dokumentem źródłowym strona po stronie.
5.Przy sprzecznych danych model rozstrzygnie po cichu
Na czym polega: Gdy w materiale są rozbieżności — dwie daty, dwie wersje zapisu — model wybierze jedną z nich i nie poinformuje cię o istnieniu drugiej.
Jak stosować: Po lekturze dziennika sprawdź w oryginale każdy wskazany konflikt — na przykład datę ze strony trzeciej, gdy model wybrał tę z czterdziestej.
Na co uważać: Bez wymuszenia logowania taka rozbieżność może umknąć bez śladu i objawić się dopiero przy odnowieniu umowy.
6.Większość decyzji po prostu akceptuj
Na czym polega: Zdecydowana większość wpisów w dzienniku — szacunkowo 80% — to decyzje dobre lub lepsze od twoich; decydowanie w twoim imieniu to zaleta AI, nie wada.
Jak stosować: Przy przeglądzie szybko oznaczaj „do przyjęcia”, a energię przeznaczaj na resztę wpisów.
Na co uważać: Jeśli odrzucasz większość decyzji, to zwykle sygnał, że polecenie jest zbyt ogólnikowe — doprecyzuj je, zamiast walczyć z kolejnymi wynikami.
7.Powtarzający się błąd naprawiaj w instrukcji, nie w wyniku
Na czym polega: Gdy model popełnia ten sam błąd przy podobnych zadaniach, problem leży w niezamkniętym punkcie decyzyjnym, a nie w pojedynczym wyniku.
Jak stosować: Przenieś poprawkę do instrukcji projektu lub skilla — jak w przykładzie z zakazem sugerowania elastyczności cenowej — i punkt decyzyjny będzie domknięty na stałe.
Na co uważać: Liczenie na to, że model „zapamięta” poprawkę z rozmowy, jest zawodne — działa przypadkiem, nie systemowo.
8.Skracający się dziennik to miernik dojrzałości procesu
Na czym polega: Im więcej punktów decyzyjnych domkniesz w instrukcjach, tym krótszy log przy kolejnych zadaniach i szybsza droga do satysfakcjonującego wyniku.
Jak stosować: Co jakiś czas przejrzyj wpisy, które wracają — to gotowa lista poprawek do przeniesienia do instrukcji.
Na co uważać: Dziennik kurczy się dzięki naprawom, nie przez rezygnację z jego prowadzenia; nie wyłączaj promptu, gdy wydaje się „niepotrzebny”.
9.Zadania krytyczne zaczynaj od rankingu punktów decyzyjnych
Na czym polega: Drugi prompt odwraca kolejność: model najpierw wypisuje wszystko, czego polecenie nie określa, i szereguje to według wpływu na ostateczny wynik.
Jak stosować: Wybierz kilkanaść — wait, top 10. Jak stosować: Wybierz około dziesięciu najważniejszych pozycji z rankingu i podaj przy nich preferencje; resztę zostaw modelowi.
Na co uważać: Nie próbuj określać wszystkiego — to zbędny wysiłek; liczy się to, co najmocniej zmienia wynik.
10.Całość działa jak pętla: loguj, czytaj, domykaj
Na czym polega: Metoda to zamknięty cykl: dziennik obok wyniku → przegląd logu przed wynikiem → akceptacja albo poprawka → systemowa naprawa powtórzeń → wyprzedzające definiowanie preferencji w zadaniach krytycznych.
Jak stosować: Wdroż cykl przy jednym powtarzalnym zadaniu, dopracuj go, a potem przenoś na kolejne projekty i skille.
Na co uważać: Największe straty czasu biorą się z pomijania kroku drugiego — czytania logu — bo wtedy wracasz do ręcznego zestawiania wyniku z oryginałem.