Prompt engineering — dyscyplina, zawód i spór o jego przyszłość

Prompt engineering a pisanie promptów — gdzie przebiega granica

W polskim internecie te dwa pojęcia zlały się w jedno i stąd bierze się większość nieporozumień — łącznie z ofertami „kursu prompt engineeringu”, które uczą, żeby dopisać do polecenia „jesteś ekspertem”.

Kluczowa jest ostatnia kolumna wiersza „miara sukcesu”. Dokumentacja Anthropic zakłada wprost, że zanim zaczniesz optymalizować prompt, musisz mieć zdefiniowane kryteria sukcesu i sposób ich empirycznego testowania — bez tego nie robisz inżynierii, tylko zgadujesz (platform.claude.com). To jedno zdanie oddziela dyscyplinę od hobby.

Ta sama dokumentacja dodaje uwagę, która zaskakuje kandydatów na prompt engineerów: nie każde kryterium sukcesu i nie każdy nieudany test ewaluacyjny najlepiej rozwiązać promptem — opóźnienie i koszt bywa łatwiej poprawić, wybierając inny model. Dojrzały prompt engineer wie, kiedy nie dotykać promptu.

Skąd się wziął ten zawód

Prompt engineering jako pojęcie pojawił się wraz z modelami, którym nie da się wydać polecenia inaczej niż tekstem. Do 2020 roku „sterowanie” modelem oznaczało dotrenowanie go na własnych danych. Duże modele językowe odwróciły tę logikę: zamiast zmieniać model, zmieniasz instrukcję. Mechanizm, dzięki któremu to w ogóle działa, opisujemy w tekście o modelach LLM.

Moment, w którym stało się to zawodem, ma datę. 9 marca 2023 roku Anthropic opublikował ogłoszenie o pracę na stanowisko „prompt engineer and librarian” z widełkami 175 000–335 000 dolarów rocznie — osoba miała szukać najlepszych metod instruowania modelu i budować z nich bibliotekę narzędzi i tutoriali (fortune.com). To ogłoszenie obiegło światowe media i uruchomiło falę: „jest nowy zawód, płacą 300 tysięcy dolarów, nie trzeba umieć programować”.

W ogłoszeniu chodziło jednak nie o „pisanie promptów”, tylko o dokumentowanie, systematyzowanie i uczenie innych. Słowo „librarian” nie było ozdobnikiem: firma szukała kogoś, kto zamieni rozproszoną wiedzę plemienną w powtarzalny warsztat.

Polski rynek dostał tę falę z opóźnieniem i w wersji rozcieńczonej — jako obietnicę łatwego, dobrze płatnego zawodu bez wymagań technicznych. Ta obietnica nigdy nie była prawdziwa.

Co prompt engineer faktycznie robi w firmie

Jeśli spojrzeć na realne zakresy obowiązków, praca dzieli się na sześć obszarów. Pisanie promptów jest jednym z nich i wcale nie największym.

Zauważ, czego na tej liście nie ma: kreatywnego wymyślania „magicznych fraz”. To jest właśnie ta część pracy, którą automatyzacja zjadła najszybciej — i od której zaczyna się spór o przyszłość zawodu.

Techniki, którymi się to robi na poziomie warsztatu — chain-of-thought, few-shot, prompt chaining, ReAct — rozkładamy na czynniki pierwsze w przewodniku po technikach promptowania.

Warsztat, który się zestarzał — modele rozumujące zmieniły zasady

Tu polskie materiały o prompt engineeringu rozjeżdżają się z dokumentacją producentów. Blogi agencyjne, kursy „w 24 godziny” i landingi szkoleniowe uczą tego samego zestawu: dopisz „myśl krok po kroku”, rozpisz modelowi łańcuch rozumowania, poproś o pokazanie toku myślenia. Te porady powstały dla modeli z lat 2023–2024. W modelu z włączonym trybem rozumowania są zbędne, a bywają szkodliwe.

Nie jest to nasza interpretacja. Dokumentacja OpenAI ma osobny akapit zatytułowany wprost „Avoid chain-of-thought prompts”: „Since these models perform reasoning internally, prompting them to ‘think step by step’ or ‘explain your reasoning’ is unnecessary” — a techniki w rodzaju polecenia „myśl krok po kroku” „may not enhance performance (and can sometimes hinder it)” (developers.openai.com). W przewodniku po samym rozumowaniu ta sama zasada wraca od strony pozytywnej: model rozumujący pracuje najlepiej, gdy dostanie jasny cel, mocne ograniczenia i jawny kontrakt na format wyjścia — „without prescribing every intermediate step”, czyli bez przepisywania mu każdego pośredniego kroku (developers.openai.com). Rusztowanie, które prompt engineer kiedyś budował ręcznie, model ma dziś wbudowane. Dopisanie go po raz drugi nie podnosi jakości — podnosi rachunek.

Granica przebiega po trybie pracy modelu, nie po jego cenie. To nie jest podział na „drogie modele rozumują, tanie trzeba prowadzić za rękę” — tańsze modele też mają dziś tryb myślenia, a ten sam model potrafi pracować raz z rozumowaniem, raz bez. Pytanie brzmi zawsze: czy rozumowanie jest w tym wywołaniu włączone? Jeśli tak — podaj cel, nie kroki. Jeśli nie — rozpisanie kroków nadal bywa użyteczne.

Rachunek jest dosłowny: tokeny rozumowania są rozliczane jako wyjście: „they still occupy space in the model’s context window and are billed as output tokens” (OpenAI, tamże); Anthropic liczy analogicznie — „You’re charged for the full thinking tokens generated by the original request, not the summary tokens” (platform.claude.com). Wymuszanie długiego rozumowania tam, gdzie model go nie potrzebuje, to koszt bez zwrotu — i dokładnie ten rodzaj błędu, który prompt engineer ma wychwycić.

Jak te techniki działają naprawdę — łańcuch myśli, few-shot, prompt chaining — i w których wywołaniach każda z nich nadal ma sens, rozkładamy w przewodniku po technikach promptowania.

Prompt po polsku kosztuje więcej niż ten sam prompt po angielsku. Praca Language Model Tokenizers Introduce Unfairness Between Languages (Petrov, La Malfa, Torr, Bibi, Oxford — arXiv:2305.15425) pokazuje, że ten sam tekst przetłumaczony na różne języki ma drastycznie różną długość w tokenach: „with differences up to 15 times in some cases”. Autorzy nie podają mnożnika dla polskiego i nie podaje go żaden dostawca — więc każde „polski jest o 40% droższy” krążące po blogach jest zmyślone. Kierunek jest jednak pewny: przy tej samej treści angielski prompt systemowy zwykle zajmuje mniej tokenów. Przy instrukcji wywoływanej milion razy miesięcznie to decyzja architektoniczna, nie stylistyczna — i typowy przykład kompromisu, który rozstrzyga prompt engineer, a nie autor promptu.

Czy prompt engineering to zawód z przyszłością? Spór trwa i ma dwie strony

Nie ma na to uczciwej odpowiedzi w jednym zdaniu. Są dwa obozy i oba mają mocne argumenty.

Argumenty za tym, że zawód znika

Modele same optymalizują prompty lepiej niż ludzie. IEEE Spectrum opisał eksperyment zespołu VMware (Rick Battle, Teja Gollapudi), w którym w trzech otwartych modelach przetestowano po 60 kombinacji promptów na szkolnych zadaniach matematycznych. Wniosek badaczy jest ostrożny w formie, ale bezlitosny w treści: „The only real trend may be no trend” — jedynym prawdziwym trendem może być brak trendu, bo to, co działa najlepiej, zależy od konkretnego zestawienia modelu, zbioru danych i strategii promptowania. Żadna ludzka heurystyka nie okazała się przenosić między nimi. Podobnie w projekcie NeuroPrompts z Intel Labs (Vasudev Lal): automatycznie generowane prompty do Stable Diffusion XL wypadły lepiej niż eksperckie prompty, od których zaczynano. Battle opisał ręczne szlifowanie promptu jako siedzenie i zgadywanie, jaka magiczna kombinacja słów da najlepszy wynik (spectrum.ieee.org).

Modele rozumujące potrzebują mniej instrukcji, nie więcej — a producenci odradzają dziś prowadzenie ich za rękę (zob. sekcję o zestarzałym warsztacie). Duża część dawnego rzemiosła stała się funkcją modelu.

Nazwa stanowiska rozpuściła się w innych rolach. Praca nie zniknęła, ale przestała mieć osobny tytuł — wchłonęły ją role AI engineer, AI product manager i podobne. Termin, który wygrał w 2025 roku, to context engineering: projektowanie wszystkiego, co model widzi przed wygenerowaniem odpowiedzi — instrukcji systemowej, historii rozmowy, dokumentów z wyszukiwania, definicji narzędzi, pamięci. Andrej Karpathy opowiedział się za tym terminem przeciw „prompt engineeringowi”, definiując context engineering jako „the delicate art and science of filling the context window with just the right information for the next step” — delikatną sztukę i naukę wypełniania okna kontekstowego dokładnie tą informacją, która jest potrzebna na następny krok. Zaznaczył, że ludzie kojarzą „prompt” z krótkim poleceniem z codziennego użytku, podczas gdy w każdej poważnej aplikacji na LLM-ach chodzi o coś znacznie szerszego (x.com/karpathy). Prompt jest w tym ujęciu jednym z elementów kontekstu, a nie całością problemu (promptingguide.ai).

Argumenty za tym, że zawód się umacnia

Rynek pracy nie zwija ról AI — przeciwnie. Indeed Hiring Lab podaje, że od końca lutego 2025 roku liczba ofert dla programistów w USA wzrosła o prawie 15%, podczas gdy ogólna liczba ofert w tym samym okresie spadła o 7%. Co ważniejsze, jak rozkłada się ten wzrost między majem 2025 a majem 2026: 37% przyrostu pochodzi z ogłoszeń, które mają AI w samym tytule stanowiska, a 71% — z ról seniorskich (hiringlab.org). Uczciwie: to odbicie od dna, a nie hossa — mimo wzrostu ofert dla programistów jest wciąż o ok. 27,5% mniej niż przed pandemią. Ale praca istnieje. Zmieniła nazwę — i podniosła próg wejścia.

Automatyczna optymalizacja promptu nie zastępuje ewaluacji. Żeby model mógł zoptymalizować prompt, ktoś musi zdefiniować, co znaczy „lepiej” — zbudować zbiór testowy, wybrać metrykę, zdecydować, jaki błąd jest akceptowalny. To jest sedno pracy i nikt tego nie zautomatyzował. Automat optymalizuje pod cel, którego sam nie wyznacza.

Kontekst biznesowy nie mieszka w modelu. Model nie wie, jak wygląda Twój proces reklamacyjny, jakich zwrotów zakazał dział prawny i który klient nie może dostać rabatu. Ktoś musi to zebrać i wprowadzić do systemu. Im więcej wdrożeń agentów AI, tym więcej tej pracy, nie mniej.

Wniosek, który wynika z obu stron

Prompt engineering przegrywa jako nazwa stanowiska, a wygrywa jako kompetencja. Osobna posada „prompt engineer” jest dziś rzadkością w firmach, które poważnie robią produkty na LLM-ach — bo ta praca jest częścią pracy inżyniera AI. Jednocześnie umiejętność sterowania modelem, mierzenia jakości i pilnowania kosztu stała się wymogiem w kilkunastu innych rolach. Tak samo podsumowuje to praca.pl, powołując się na raport Microsoft Work Trend Index: prompt engineering to nie pojedyncze stanowisko, tylko nowy zestaw umiejętności i praktyk, które stają się niezbędne w pracy napędzanej przez AI (praca.pl).

Praktyczna konsekwencja: budowanie kariery pod tytuł „prompt engineer” jest złą strategią. Budowanie jej pod umiejętność — dobrą.

Ile zarabia prompt engineer

Tu trzeba zacząć od ostrzeżenia, bo to jest liczba najczęściej zmyślana w polskim internecie. Zestawienia typu „prompt engineer zarabia 15–25 tysięcy złotych” krążą po blogach bez podania jakiegokolwiek źródła i bez próbki ofert. Nie traktuj ich jako danych.

Co da się powiedzieć na podstawie źródeł, które faktycznie coś liczą:

Źródła: praca.pl, fortune.com.

Trzy zastrzeżenia, bez których te liczby wprowadzają w błąd:

1. Amerykańska stawka z 2023 roku to nie jest benchmark dla polskiego rynku. Dotyczyła laboratorium na granicy badań, nie firmy wdrażającej chatbota.
2. W Polsce ofert z tytułem „prompt engineer” jest znikomo mało. Wynagrodzenie płaci się dziś za role, w których prompt engineering jest częścią zakresu — AI engineer, ML engineer, AI product manager — i to ich widełki są realnym punktem odniesienia.
3. Nikt nie zapłaci 16 tysięcy złotych za umiejętność pisania poleceń do ChatGPT. Płaci się za zdolność dowiezienia działającego systemu: ewaluacji, integracji, kontroli kosztu i bezpieczeństwa.

Prompt engineering w firmie — i kiedy nie jest ci potrzebny

Zacznijmy od zdania, którego nie napisze żaden landing sprzedający warsztaty: większość polskich firm nie potrzebuje prompt engineera. Potrzebuje czegoś znacznie tańszego. Rozróżnienie da się sprowadzić do jednego pytania: czy wynik modelu ogląda ktoś poza autorem promptu? Jeśli nie — to praca z narzędziem. Jeśli tak, i to setki razy dziennie, wobec klienta — to produkt, a produkt wymaga ewaluacji, wersji i właściciela.

W polskim MŚP tę pracę zwykle wykonuje ktoś, kto ma już inny tytuł: analityk, wdrożeniowiec, lider zespołu obsługi klienta. Osobny etat powstaje rzadko — i nie jest to powód do wstydu. Nikt nie zatrudnia „inżyniera arkuszy kalkulacyjnych”, choć arkusze prowadzą pół gospodarki.

Jest jeden obowiązek, o którym firmy zapominają, bo brzmi jak temat dla prawnika, a jest tematem dla osoby piszącej prompt systemowy: jeśli klient rozmawia z chatbotem, musi wiedzieć, że rozmawia z maszyną. To art. 50 AI Act, obowiązujący od 2 sierpnia 2026 roku — i jedno zdanie w promptcie systemowym, którego nie ma w żadnej z komercyjnych bibliotek promptów.

Firmowa biblioteka promptów — jeśli już powstaje — potrzebuje trzech rzeczy, których nie ma plik na dysku współdzielonym:

1. Właściciela z imienia i nazwiska, nie „działu”. Prompt bez właściciela nikt nie poprawi.
2. Daty ostatniego przeglądu. Prompt napisany pod model sprzed roku bywa dziś gorszy niż jego brak — zob. sekcja o „myśl krok po kroku”.
3. Przykładu dobrej i złej odpowiedzi. Bez tego po pół roku nikt nie wie, po co ten prompt powstał ani jak sprawdzić, że nadal działa.

Gotowe wzorce do skopiowania zebraliśmy w bibliotece promptów do ChatGPT. Ta sekcja jest o tym, co zrobić z nimi dalej, żeby po roku nie były martwym plikiem.

Kursy prompt engineeringu — co sprawdzić, zanim zapłacisz

Polski rynek kursów obiecuje to samo w kilkunastu wariantach: „prompt engineering w 24 godziny”, „certyfikat honorowany przez pracodawców”, „zostań prompt engineerem bez programowania”. Weryfikacja zajmuje pięć minut.

Pytanie, które rozstrzyga o wartości kursu: czy wychodzisz z niego ze zbiorem testowym i metryką, czy z listą fraz do skopiowania? Pierwsze jest zawodem. Drugie jest ściągą, którą i tak znajdziesz za darmo.

Dofinansowanie. Szkolenie z AI i promptowania dla pracowników da się w 2026 roku sfinansować z Krajowego Funduszu Szkoleniowego: 90% kosztów dla firm poniżej 10 etatów, 70% dla większych, a priorytet nr 3 wymienia wprost umiejętności cyfrowe i AI. Warunek, o którym landingi milczą: od 2026 roku szkolenie z KFS może realizować wyłącznie instytucja wpisana do Bazy Usług Rozwojowych — wpis do RIS już nie wystarcza. Limity na uczestnika i terminy naborów rozpisujemy w tekście o KFS, a formaty firmowe — w szkoleniach AI dla firm.

Zanim zapłacisz, sprawdź, co jest za darmo. Akademia PARP prowadzi bezpłatne kursy AI z certyfikatem, a bezpłatne certyfikaty w Polsce wydają instytucje publiczne, nie komercyjne platformy MOOC. Zestawienie: darmowe kursy AI. Co realnie znaczy „certyfikat AI” i które są cokolwiek warte — certyfikaty AI.

Jak wejść w prompt engineering

Ścieżka, która działa, nie prowadzi przez weekendowy „kurs prompt engineera z certyfikatem”. Prowadzi przez zbudowanie czegoś, co da się pokazać.

1. Opanuj warsztat bazowy. Anatomia promptu i iteracja — przewodnik o promptach. Techniki zaawansowane — techniki promptowania. To fundament, nie cel.
2. Zrozum, jak model działa od środka. Bez tego optymalizujesz na wyczucie. Zacznij od modeli LLM i halucynacji — bo połowa pracy polega na tym, żeby model nie zmyślał.
3. Naucz się ewaluacji. To jest linia podziału między amatorem a inżynierem. Zbuduj zbiór 50 realnych przypadków ze swojej pracy, zdefiniuj, co znaczy „dobra odpowiedź”, i mierz kolejne wersje promptu na tym zbiorze. Jeśli umiesz to zrobić i pokazać wyniki — jesteś dalej niż większość osób z certyfikatem.
4. Wejdź w API, nie tylko w okno czatu. Prompt produkcyjny żyje w kodzie. Podstawy Pythona wystarczą na start.
5. Zbuduj jedną rzecz od początku do końca. Asystent na dokumentach firmowych, klasyfikator zgłoszeń, generator opisów — obojętne. Portfolio z jednym działającym systemem i opisem, jak mierzyłeś jakość, bije każdy certyfikat.
6. Poszerz o context engineering. Wyszukiwanie w dokumentach, definicje narzędzi, pamięć, orkiestracja agentów. Tam przenosi się środek ciężkości zawodu.

Jeśli szukasz punktu wejścia od strony kompetencji ogólnych — nie technicznych — zacznij od kompetencji AI w organizacji. Jeśli od strony samego narzędzia — od kursu ChatGPT.

Co z tego wynika

Prompt engineering nie umarł i nie stał się złotą żyłą. Stał się tym, czym z technologicznego punktu widzenia musiał się stać: normalną częścią inżynierii oprogramowania, wchłoniętą przez szersze role i szerszy problem — projektowanie kontekstu, w którym model pracuje.

Praktycznie: jeśli jesteś pracownikiem biurowym, nie potrzebujesz tytułu prompt engineera — potrzebujesz umieć pisać dobre polecenia i wiedzieć, kiedy modelowi nie ufać. Jeśli budujesz karierę w AI, nie celuj w nazwę stanowiska, która może zniknąć z rynku w rok. Celuj w umiejętność, która zostaje: umiesz zmierzyć, czy system oparty na modelu działa dobrze — i naprawić go, gdy nie działa. Tego nie zautomatyzuje żaden meta-prompt.

Najczęstsze pytania o prompt engineering