Generatywna sztuczna inteligencja — co to jest i jak działa

To rozróżnienie — generowanie kontra przewidywanie — jest jedyną rzeczą, którą naprawdę trzeba zrozumieć, żeby sensownie mówić o GenAI. Reszta to konsekwencje: halucynacje, spór o prawa autorskie i unijny obowiązek oznaczania treści syntetycznych, który zaczyna być stosowany 2 sierpnia 2026 r.

Generatywna vs analityczna AI — na czym polega różnica

Klasyczna AI (nazywana też predykcyjną, analityczną lub dyskryminatywną) odpowiada na pytania typu „do której kategorii to należy?” i „co się stanie?”. Uczy się granicy między klasami. Generatywna AI uczy się rozkładu samych danych — i potrafi z niego wygenerować nową próbkę, której nigdy nie było w zbiorze treningowym.

W hierarchii pojęć GenAI jest podzbiorem deep learningu, ten — uczenia maszynowego, a to z kolei podzbiorem sztucznej inteligencji w ogóle. Cała generatywna AI to machine learning; nie każde machine learning to GenAI — scoring kredytowy w banku działa od dekad i nie generuje niczego.

Praktyczna konsekwencja: model analityczny da się zwalidować, generatywnego — nie do końca. Klasyfikator ma macierz pomyłek i wskaźnik trafności. Model generatywny produkuje tekst, który albo jest dobry, albo nie — a ocena spoczywa na człowieku. Dlatego wdrożenie GenAI w firmie to zawsze projekt z ludzkim etapem kontroli, nie „czarna skrzynka, która sama zrobi”.

Modalności — co GenAI potrafi wygenerować

„Generatywna AI” to nie jeden model, tylko rodzina modeli o wspólnej logice i różnych wyjściach.

Modele multimodalne przyjmują i zwracają więcej niż jedną modalność naraz — wrzucasz zrzut ekranu i pytasz o niego tekstem, dostajesz tekst. To dziś standard w czołowych modelach, a nie ciekawostka. Jeśli chcesz sprawdzić GenAI bez wydawania złotówki, większość tych narzędzi ma wersje bezpłatne — zebraliśmy je w przeglądzie darmowych narzędzi AI.

Jak to działa: transformer (tekst) vs dyfuzja (obraz)

Tekst i obraz powstają w zupełnie inny sposób — i większość omówień GenAI zatrzymuje się tu na „model uczy się z danych”.

Tekst — przewidywanie następnego tokenu

Model językowy działa autoregresyjnie: rozbija tekst na tokeny, wylicza rozkład prawdopodobieństwa następnego tokenu, losuje jeden, dokleja go do wejścia i powtarza pętlę. Cała architektura opiera się na transformerze z mechanizmem uwagi, opisanym w pracy „Attention Is All You Need” (Vaswani i in., 2017, arXiv:1706.03762). Szczegóły — tokeny, embeddingi, okno kontekstowe, temperatura — rozkładamy na części w osobnym tekście o tym, czym jest LLM.

Kluczowe: model nie planuje wypowiedzi z góry. Zdanie powstaje token po tokenie, a spójność bierze się z tego, że każdy kolejny krok widzi całość dotychczasowego tekstu.

Obraz — odszumianie

Generator obrazów nie „rysuje od lewej do prawej”. Działa odwrotnie: zaczyna od czystego szumu i stopniowo go usuwa, w kilkudziesięciu krokach, kierując się Twoim opisem. Podczas treningu model uczył się procesu odwrotnego — jak do ostrego zdjęcia dodawać szum, aż zostanie sama „śnieżyca”. Generowanie to odtworzenie tej drogi wstecz. Metodę spopularyzowała praca „Denoising Diffusion Probabilistic Models” (Ho, Jain, Abbeel, 2020, arXiv:2006.11239); na niej stoją Stable Diffusion, DALL·E i generatory wideo.

Z tej różnicy wynikają rzeczy, które użytkownik odczuwa na co dzień:

• Tekst powstaje sekwencyjnie — widzisz, jak odpowiedź „pisze się” słowo po słowie. Obraz powstaje całościowo — najpierw jest mgła, potem kształty, na końcu detale.
• Generowanie obrazu jest droższe obliczeniowo — każdy krok odszumiania to osobne przejście przez sieć.
• Prompt działa inaczej. W tekście prowadzi generowanie krok po kroku. W obrazie steruje odszumianiem — stąd waga słów kluczowych, styl, negatywne prompty. Podstawy formułowania poleceń opisujemy w przewodniku po promptach.

Zastosowania biznesowe generatywnej AI

GenAI sprawdza się tam, gdzie wynik i tak przechodzi przez człowieka, a wartość polega na skróceniu drogi od zera do pierwszej wersji. Nie tam, gdzie potrzebna jest gwarancja poprawności.

Trzy zasady, które oszczędzają rozczarowań:

1. Nie pytaj modelu o fakty — dawaj mu fakty. GenAI jest świetna w przetwarzaniu tekstu, który dostanie w kontekście, a zawodna w odtwarzaniu wiedzy z pamięci.
2. Każdy proces z GenAI potrzebuje etapu kontroli. Model generuje treść prawdopodobną, nie prawdziwą — mechanizm i skalę zjawiska opisujemy w tekście o halucynacjach AI.
3. Wybór modelu ma mniejsze znaczenie niż prompt i dane. Zanim zmienisz narzędzie, popraw kontekst; porównanie czołowych modeli znajdziesz w zestawieniu najlepszych modeli AI.

Prawa autorskie — uczciwie: stan prawny jest niepewny

To najbardziej sporny obszar GenAI i miejsce, w którym najłatwiej trafić na pewnie brzmiące bzdury. Poniżej stan dyskusji prawnej — bez udawania, że sprawa jest rozstrzygnięta. To nie jest porada prawna; ocena konkretnego przypadku wymaga prawnika.

Dane treningowe. Odrębny spór: czy trenowanie modeli na cudzych utworach jest legalne. W UE punktem odniesienia jest wyjątek dla eksploracji tekstów i danych z art. 4 dyrektywy DSM (UE) 2019/790, który przewiduje możliwość zastrzeżenia (opt-out) przez uprawnionego. Skuteczność i forma tego zastrzeżenia są przedmiotem sporów, a procesy wytoczone dostawcom modeli toczą się po obu stronach Atlantyku. To jest właśnie ten obszar, w którym nie ma dziś rozstrzygnięcia — i każdy, kto twierdzi inaczej, wyprzedza orzecznictwo.

Ryzyko kontraktowe, o którym prawie nikt nie pisze. Z braku ochrony wynika konsekwencja, którą polskie poradniki „co wpisać w umowie” konsekwentnie omijają: jeżeli agencja, freelancer lub software house przenosi na klienta majątkowe prawa autorskie do kreacji, która jest surowym wyjściem generatora, to przenosi prawa, których nie ma. Nie ma utworu — nie ma praw majątkowych — nie ma czego przenieść. Klasyczna klauzula „Wykonawca przenosi na Zamawiającego całość autorskich praw majątkowych na polach eksploatacji…” staje się wtedy pusta, a zapewnienie o nieobciążeniu praw osób trzecich — nieprawdziwe. To nie jest problem akademicki: to podstawa do roszczenia z tytułu nienależytego wykonania umowy, gdy klient odkryje, że konkurencja legalnie używa identycznej grafiki.

Praktyczne wyjście jest po stronie redakcji umowy, nie technologii. W umowach z wykonawcami kreacji warto zamiast samego przeniesienia praw ustalić trzy rzeczy: oświadczenie o użyciu (lub nieużyciu) narzędzi generatywnych, zobowiązanie do twórczej obróbki wyjścia przez człowieka (to dopiero tworzy utwór, który da się przenieść) oraz odpowiedzialność za dobór narzędzia i licencję wynikającą z jego regulaminu. Swoboda umów (art. 353¹ k.c.) na to pozwala — brak przepisu o AI nie oznacza próżni.

Wizerunek — osobna oś ryzyka. Że twarz jest „wygenerowana”, nie znaczy, że jest niczyja. Jeżeli wynik generatora przedstawia rozpoznawalną osobę — bo tak zadziałał prompt, bo model odtworzył celebrytę, bo użyto zdjęcia referencyjnego — to nadal cudzy wizerunek chroniony art. 81 ustawy o prawie autorskim i prawach pokrewnych, a jego rozpowszechnianie wymaga zezwolenia. Tu ochrona nie zależy od tego, czy powstał utwór; przysługuje osobie na obrazku, nie twórcy obrazka. Ta sama grafika może więc jednocześnie nie mieć ochrony prawnoautorskiej i naruszać cudze prawo do wizerunku.

Co z tego wynika dla firmy:

• Nie zakładaj, że masz wyłączne prawa do wygenerowanej grafiki czy tekstu.
• Sprawdzaj regulamin narzędzia — kwestię praw do wyników dostawcy regulują umownie i robią to różnie.
• Dokumentuj ludzki wkład (wersje, szkice, redakcja) — to jedyny materiał dowodowy, jaki będziesz mieć.
• Przejrzyj umowy z agencjami i freelancerami pod kątem klauzul przenoszących prawa do treści, które mogą nie być utworem.
• Do znaków towarowych, logotypów i materiałów, na których ma stać marka, traktuj GenAI jako narzędzie do szkiców, nie do finałów.

AI Act — obowiązek oznaczania treści generowanych

Od 2 sierpnia 2026 r. zaczyna być stosowany art. 50 rozporządzenia (UE) 2024/1689, czyli obowiązki przejrzystości (tekst rozporządzenia, EUR-Lex). To najbliższy termin, który dotyczy każdej firmy publikującej treści z generatora — i najczęściej mylony, bo pakiet Digital Omnibus (zielone światło Rady UE 29 czerwca 2026 r.) przesunął część kalendarza AI Act, ale art. 50 nie ruszył.

Obowiązki dostawców modeli ogólnego przeznaczenia obowiązują od 2 sierpnia 2025 r., a to na nich stoją wszystkie narzędzia, których używasz. Twój własny obowiązek zaczyna się 2 sierpnia 2026 i sprowadza się do dwóch rzeczy:

• Dostawcy systemów generujących tekst, obraz, audio lub wideo muszą zapewnić, że wynik jest oznaczony w formacie odczytywalnym maszynowo (metadane, znak wodny) i wykrywalny jako wygenerowany sztucznie.
• Podmioty stosujące muszą ujawniać deepfake’i oraz teksty publikowane w sprawach interesu publicznego. Wyłączenia nie są symetryczne: przy tekście obowiązek odpada, gdy treść przeszła kontrolę redakcyjną lub weryfikację przez człowieka i ktoś ponosi za nią odpowiedzialność redakcyjną; przy dziełach artystycznych, twórczych, satyrycznych i fikcyjnych obowiązek nie znika całkiem — ujawnienie ma nastąpić w sposób, który nie utrudnia odbioru dzieła.

Wyłączenie, o którym polskie omówienia milczą. Art. 50 ust. 2 wprost zdejmuje obowiązek znakowania. W oficjalnym polskim brzmieniu rozporządzenia: „Obowiązek ten nie ma zastosowania w zakresie, w jakim systemy AI pełnią funkcję wspomagającą w zakresie standardowej edycji lub nie zmieniają w istotny sposób przekazywanych przez podmiot stosujący danych wejściowych lub ich semantyki”. Autokorekta, poprawa interpunkcji, zmiana rozdzielczości zdjęcia — to nie jest treść syntetyczna. Wygenerowany od zera akapit albo obraz — jest. Granicą jest istotna zmiana treści lub znaczenia, nie sam fakt dotknięcia pliku przez AI.

Kary — i pułapka w interpretacji. Naruszenie art. 50 mieści się w katalogu z art. 99 ust. 4 (lit. g wymienia wprost „obowiązki dostawców i podmiotów stosujących w zakresie przejrzystości zgodnie z art. 50”), czyli do 15 mln EUR albo 3% całkowitego rocznego światowego obrotu, kwota wyższa. Ale art. 99 ust. 6 odwraca tę regułę dla MŚP i startupów: kara nie przekracza wtedy kwoty niższej z tej pary. Dla polskiej firmy z obrotem 20 mln zł realnym sufitem jest więc 3% obrotu, nie 15 mln EUR — a nie odwrotnie, jak sugeruje większość polskich omówień przepisanych z angielskiego streszczenia ust. 4.

Do tego doszedł dokument wykonawczy: 10 czerwca 2026 r. opublikowano kodeks praktyk w sprawie przejrzystości treści generowanych przez AI — opracowany przez niezależnych ekspertów w procesie wielostronnym prowadzonym przez Urząd ds. AI. Komisja i Rada ds. AI potwierdziły, że kodeks stanowi odpowiednie narzędzie dobrowolne do wykazania zgodności z obowiązkami przejrzystości z AI Act (Komisja Europejska). Przystąpienie do niego jest dobrowolne — sam art. 50 pozostaje obowiązkiem ustawowym niezależnie od tego. Pełny kontekst regulacyjny rozkładamy w przewodniku po AI Act.

Minimum, które firma powinna mieć przed 2 sierpnia 2026 (co to znaczy w praktyce dla reklamy i content marketingu, rozpisaliśmy w AI w marketingu): listę miejsc, gdzie publikuje treści z generatora, decyzję kto odpowiada redakcyjnie za teksty (to zdejmuje obowiązek znakowania), oznaczenie grafik i wideo mogących uchodzić za autentyczne oraz sprawdzenie, czy każdy chatbot na stronie informuje rozmówcę, że jest systemem AI (art. 50 ust. 1 nakłada ten obowiązek na dostawcę systemu — Twoim zadaniem jest zweryfikować, że go realizuje).

A gdzie GenAI nie jest właściwym narzędziem? Wszędzie tam, gdzie wynik ma być deterministyczny i audytowalny: naliczanie wynagrodzeń, księgowanie dokumentów, decyzje kredytowe, kontrola jakości na linii produkcyjnej. Te procesy potrzebują reguł albo modelu predykcyjnego z twardą metryką — a nie modelu, który przy tym samym wejściu może dwa razy odpowiedzieć inaczej. Częsty błąd we wdrożeniach polega właśnie na tym, że firma bierze GenAI do zadania, które od lat dobrze rozwiązuje zwykła automatyzacja regułowa.

Dane, RODO i trening modeli — co naprawdę dzieje się z tym, co wklejasz

Najczęstsze pytanie z wdrożeń: „czy to, co wpiszę, trafi do modelu?”. Odpowiedź zależy od planu, a domyślne ustawienia są różne u różnych dostawców i akurat tutaj intuicja zawodzi.

Stąd realna zasada porządkowa: darmowe konto pracownika to nie jest kanał firmowy. Nie chodzi o to, że jest „niebezpieczne”, tylko o to, że nie masz nad nim żadnej kontroli administracyjnej ani umowy.

Pułapka RODO, którą omija standardowa porada „kup Enterprise z DPA”. Jeżeli przetwarzasz dane swoich klientów jako podmiot przetwarzający — tak działa biuro rachunkowe, kancelaria, agencja, software house — to wysłanie tych danych do modelu w chmurze jest podpowierzeniem (sub-processing). Art. 28 ust. 2 RODO wymaga na to uprzedniej pisemnej zgody administratora, czyli Twojego klienta. Umowa z dostawcą AI tej zgody nie zastąpi: DPA reguluje relację Ty–dostawca, nie relację klient–Ty. Za podprocesora odpowiadasz przy tym jak za siebie (art. 28 ust. 4). Zanim więc kupisz plan biznesowy, sprawdź, co mówi Twoja umowa powierzenia z klientem.

Osobno: dane, które nie są osobowe — kalkulacje, kody, receptury, warunki handlowe — RODO nie chroni. Chroni je tajemnica przedsiębiorstwa i NDA, a te łamie się dokładnie tak samo skutecznie przez wklejenie do darmowego czatu.

Ile z tego naprawdę działa — kontrapunkt dla hype’u

Zanim policzysz oszczędności, policz szanse. Badanie MIT NANDA (za Fortune) wskazuje, że około 95% pilotaży generatywnej AI nie przełożyło się na mierzalny wynik w rachunku zysków i strat wdrażającej firmy. To nie jest argument przeciw GenAI — to argument przeciw pilotażowi bez zdefiniowanego procesu, właściciela i metryki.

Wzorzec porażki jest powtarzalny i widać go w trzech krokach: firma kupuje licencje, ogłasza „mamy AI”, nie zmienia żadnego procesu — i po kwartale nie ma czego zmierzyć. Wzorzec sukcesu wygląda odwrotnie: jeden wąski proces z dużym wolumenem i tolerancją na błąd, jasny punkt kontroli po stronie człowieka, liczba do porównania sprzed wdrożenia. Dopiero kiedy ta liczba drgnie, ma sens rozszerzanie.

Warto też odróżnić dwa źródła wartości. Oszczędność czasu jednego pracownika (asystent do maili) jest realna, ale rozpływa się — nikt jej nie zobaczy w P&L. Wartość widoczna w rachunku bierze się z procesów, gdzie GenAI zmienia przepustowość całej kolejki: obsługa zgłoszeń, przygotowanie ofert, przetwarzanie dokumentów.

Ograniczenia, o których trzeba wiedzieć

• Halucynacje są własnością mechanizmu, nie błędem konfiguracji. Model generuje prawdopodobne, nie prawdziwe.
• Wiedza jest zamrożona na dacie odcięcia danych treningowych — model bez dostępu do sieci nie wie nic o zeszłym tygodniu.
• Uprzedzenia z danych przechodzą do wyników. Jeśli w zbiorze treningowym „prezes” był mężczyzną, generator obrazu to powtórzy.
• Dane wrażliwe. Wklejanie danych osobowych i tajemnic przedsiębiorstwa do narzędzia konsumenckiego to problem RODO, nie kwestia gustu.
• Koszt. Generowanie wideo i długiego kontekstu potrafi być realnie drogie — inaczej niż darmowy czat sugeruje.
• Brak powtarzalności. Ten sam prompt dwa razy z rzędu daje dwa różne wyniki. Dla kreacji to zaleta, dla procesu, który ma być audytowalny — poważny problem.
• Trudna ewaluacja. Nie ma jednej liczby mówiącej „ten model jest o 12% lepszy”. Benchmarki mierzą zadania testowe, nie Twój proces; jedyną wiarygodną oceną jest pilotaż na własnych danych i własnych przypadkach brzegowych.

Najczęstsze pytania

Podsumowanie

Generatywna sztuczna inteligencja to AI, która tworzy, a nie tylko klasyfikuje. Tekst powstaje autoregresyjnie w transformerze, obraz — przez odszumianie w modelu dyfuzyjnym, ale logika jest wspólna: model uczy się rozkładu danych i losuje z niego nową próbkę.

Cztery rzeczy do zapamiętania, jeśli używasz GenAI w firmie:

1. Wynik zawsze przechodzi przez człowieka. Nie ma metryki, która zastąpi weryfikację.
2. Prawa do wygenerowanych treści są niepewne — a umowa, w której ktoś przenosi prawa autorskie do surowego wyjścia generatora, przenosi prawa, których nie ma. Przejrzyj kontrakty z wykonawcami kreacji.
3. 2 sierpnia 2026 — od tej daty treści generowane przez AI trzeba oznaczać, a chatbot musi się przyznać, że jest chatbotem. Termin nie został przesunięty przez Digital Omnibus.
4. Sprawdź domyślne ustawienia treningu w kontach, z których faktycznie korzystają pracownicy. U OpenAI trening na koncie konsumenckim jest włączony domyślnie.

Jeśli dopiero zaczynasz, najtańsza droga to godzina z darmowym modelem i konkretnym zadaniem z własnej pracy — reszta zrozumienia przychodzi z użycia, nie z lektury.