Prompty — jak pisać polecenia dla AI, żeby dostać dobrą odpowiedź

Czym właściwie jest prompt

Prompt to jedyny kanał, którym sterujesz modelem językowym. Model nie zna Twojej firmy, nie wie, kto przeczyta tekst, nie domyśla się, że wynik ma trafić do prezentacji. Wszystko, czego nie napiszesz, model zgadnie — a zgaduje statystycznie, czyli najbardziej przeciętnie, jak się da. Stąd bierze się wrażenie, że „AI pisze nijako”: nijakie były polecenia.

Dobrze to podsumowuje reguła, którą dokumentacja Anthropic nazywa wprost „złotą zasadą”: pokaż swój prompt koledze mającemu minimalny kontekst zadania i poproś, żeby się do niego zastosował — jeśli byłby zdezorientowany, model też będzie (platform.claude.com). To najprostszy test, jaki możesz zrobić przed wysłaniem polecenia.

Warto też rozdzielić dwa pojęcia, które w polskim internecie są mylone:

Ten artykuł jest o pierwszym. Nie potrzebujesz do niego żadnego przygotowania technicznego — potrzebujesz nawyku precyzyjnego formułowania zadań.

Anatomia dobrego promptu — pięć elementów

Polscy praktycy i dokumentacje producentów zgadzają się co do jednego szkieletu. Artur Jabłoński wymienia pięć elementów — rola, zadanie, kontekst, format, ograniczenia — i dodaje uwagę, którą warto sobie wydrukować: struktura wygrywa z długością (arturjablonski.com). Długi, chaotyczny prompt jest gorszy od krótkiego, ale uporządkowanego.

Nie każdy prompt potrzebuje wszystkich pięciu. Do pytania „ile wynosi VAT na książki” wystarczy zadanie. Ale im bardziej wynik ma być użyteczny bez przeróbek, tym więcej pól musisz wypełnić.

Szósty element, o którym się zapomina: przykład

Dokumentacja Anthropic nazywa przykłady jednym z najbardziej niezawodnych sposobów sterowania formatem, tonem i strukturą odpowiedzi: kilka dobrze dobranych przykładów (tzw. few-shot prompting) poprawia trafność i spójność, a za optymalną liczbę uznaje 3–5 przykładów (platform.claude.com). W praktyce: jeśli masz jeden tekst, który brzmi tak, jak chcesz — wklej go i napisz „pisz w tym stylu”. To zwykle działa lepiej niż pięć przymiotników opisujących styl.

Zły prompt → dobry prompt. Sześć przykładów

To najszybszy sposób nauki. W każdej parze zmienia się nie „grzeczność”, tylko ilość informacji, których model nie miał skąd wziąć.

1. Post na LinkedIn

Źle: „Napisz post na LinkedIna o naszym nowym produkcie.”

Dobrze: „Jesteś menedżerem marketingu w firmie robiącej aplikację do zarządzania projektami dla małych firm IT (5–20 osób). Napisz post na LinkedIna, którego celem jest zainteresowanie potencjalnych klientów nową funkcją: automatycznym raportem czasu pracy. Struktura: mocne pierwsze zdanie, opis problemu, opis rozwiązania, CTA do bezpłatnego triala. Maks. 120 słów, ton profesjonalny, bez emotikon i bez słowa »rewolucja«.”

Co się zmieniło: model dostał nadawcę, odbiorcę, cel biznesowy, strukturę, limit długości i listę rzeczy zakazanych. Pierwszy prompt daje generyczny post, który mógłby być o czymkolwiek. Drugi daje tekst, który wymaga już tylko redakcji.

2. Analiza danych

Źle: „Przeanalizuj te dane sprzedażowe.” (+ wklejona tabela)

Dobrze: „Poniżej dane sprzedaży z 12 miesięcy w podziale na 4 kategorie produktów. Wskaż: (1) trzy kategorie z największym spadkiem rok do roku, (2) miesiące, w których sprzedaż odbiegała od trendu o więcej niż 20%, (3) jedną hipotezę wyjaśniającą największą anomalię. Odpowiedz w tabeli, a hipotezę w jednym akapicie pod nią. Jeśli danych nie starcza na wniosek — napisz, czego brakuje, zamiast zgadywać.”

Co się zmieniło: „przeanalizuj” nie jest zadaniem, tylko życzeniem. Drugi prompt rozbija je na trzy konkretne pytania, narzuca format i — to ważne — daje modelowi wyjście awaryjne. Bez tego zdania model chętnie wymyśli przyczynę spadku, której nie ma w danych. To najczęstsze źródło halucynacji w pracy z danymi.

3. E-mail o opóźnieniu

Źle: „Napisz maila do klienta, że projekt się opóźni.”

Dobrze: „Napisz e-mail do klienta B2B z branży IT, wyjaśniający dwutygodniowe opóźnienie wdrożenia. Przyczyna: opóźnienie po stronie zewnętrznego dostawcy API. Ton: przepraszający, ale pewny siebie — nie kajaj się. Uwzględnij propozycję rozwiązania (etapowe wdrożenie: moduł raportowy w pierwotnym terminie, integracja dwa tygodnie później) i konkretne następne kroki z datami. Długość 150–200 słów.”

Co się zmieniło: model dostał przyczynę i rozwiązanie. Bez nich sam je zmyśli albo napisze pustą wydmuszkę pełną „dokładamy wszelkich starań”.

4. Kod

Źle: „Napisz funkcję do walidacji formularza.”

Dobrze: „Napisz funkcję w TypeScripcie walidującą formularz rejestracji: pola email, hasło, powtórz hasło, akceptacja regulaminu. Wymagania: hasło min. 10 znaków, cyfra i znak specjalny; email wg RFC bez regexowych potworów; funkcja zwraca obiekt { valid: boolean, errors: Record<string, string> } z komunikatami po polsku. Bez zewnętrznych bibliotek. Dodaj 3 testy jednostkowe w Vitest.”

Co się zmieniło: określony język, sygnatura zwrotu, reguły biznesowe i ograniczenie „bez bibliotek”. Pierwszy prompt daje kod, który trzeba wyrzucić — bo model wybrał inny język, inną strukturę błędów i wciągnął zależność, której nie chcesz.

5. Streszczenie dokumentu

Źle: „Streść ten dokument.”

Dobrze: „Streść poniższą 30-stronicową umowę dla osoby nietechnicznej, która musi zdecydować, czy ją podpisać. Wypisz: 5 najważniejszych zobowiązań naszej strony, wszystkie kary umowne z kwotami, warunki wypowiedzenia i każdy zapis, który jest niejednoznaczny lub niekorzystny. Format: lista punktowa z odwołaniem do numeru paragrafu. Nie streszczaj rozdziałów, które są standardowe i nie niosą ryzyka.”

Co się zmieniło: streszczenie „w ogóle” jest bezużyteczne, bo model nie wie, do czego Ci służy. Drugi prompt mówi, kto to przeczyta i po co — a to zmienia całą selekcję informacji.

6. Nauka

Źle: „Wytłumacz mi, jak działają sieci neuronowe.”

Dobrze: „Wytłumacz, jak działają sieci neuronowe, osobie, która zna matematykę na poziomie liceum i nigdy nie programowała. Zacznij od analogii do czegoś z życia codziennego, potem przejdź do mechanizmu (wagi, warstwy, uczenie na błędach). Nie używaj wzorów. Na końcu zadaj mi 3 pytania sprawdzające, czy zrozumiałem, i poczekaj na moje odpowiedzi.”

Co się zmieniło: model dostał poziom odbiorcy i tryb pracy (dialog zamiast wykładu). Bez podanego poziomu model celuje w medianę internetu — czyli tłumaczy zbyt płytko dla eksperta i zbyt technicznie dla laika.

Najczęstsze błędy przy pisaniu promptów

Wszystkie sprowadzają się do jednego: oczekiwania, że model domyśli się rzeczy, których mu nie powiedziałeś.

1. Brak kontekstu. Model nie wie, w jakiej jesteś branży, kto jest odbiorcą i po co powstaje tekst. To błąd numer jeden.
2. Brak formatu wyjścia. Nie napisałeś, że chcesz tabelę — dostaniesz eseje. Nie podałeś limitu znaków — dostaniesz dwa razy za dużo.
3. Kilka zadań w jednym poleceniu. „Zrób research, napisz artykuł, dodaj SEO i zaproponuj grafiki” to cztery prompty, nie jeden. Rozbij złożone zadania na etapy — Anthropic zaleca podawanie instrukcji jako ponumerowanych kroków, gdy kolejność lub kompletność mają znaczenie (platform.claude.com).
4. Mgliste przymiotniki. „Napisz to ładnie”, „ma być profesjonalnie”, „krótko”. Zamień je na mierzalne: „maks. 5 zdań”, „ton jak w tym przykładzie”, „bez żargonu”.
5. Wiara w to, co model napisał. Model wygeneruje wiarygodnie brzmiący paragraf, statystykę i nazwisko eksperta, nawet jeśli żadne z nich nie istnieje. Każdą liczbę i cytat sprawdzaj u źródła — mechanizm tego zjawiska opisujemy w tekście o halucynacjach AI.
6. Jedno podejście i rezygnacja. Pierwszy prompt prawie nigdy nie jest ostatni. To nie jest wyszukiwarka, to jest rozmowa.

Jak iterować — pętla poprawiania promptu

Skuteczne promptowanie to nie jednorazowy strzał, tylko krótka pętla:

Krok 4 jest kluczowy i najczęściej pomijany. Większość ludzi próbuje ratować złą odpowiedź kolejnymi doprecyzowaniami w tym samym wątku („nie, krócej… nie, bardziej formalnie…”). To działa, ale zostawia Ci bałagan zamiast promptu wielokrotnego użytku. Lepiej: gdy już wiesz, czego brakowało, wpisz to do promptu źródłowego i zacznij od czysta. Wtedy na koniec masz jedno polecenie, które zadziała też jutro i u kolegi.

Krok 5 też jest realny: prompt, który raz dał dobry wynik, jest szablonem. Gotowe, sprawdzone szablony do najczęstszych zadań — maile, opisy produktów, podsumowania spotkań, posty — zebraliśmy w bibliotece promptów do ChatGPT.

Co wolno wkleić do promptu — dane, RODO i trening modelu

Żaden polski poradnik o promptach o tym nie pisze, a to pytanie decyduje o tym, czy w ogóle możesz użyć AI w pracy. Kontekst jest najsilniejszym składnikiem promptu — ale „kontekst” w firmie oznacza zwykle umowę, dane klienta albo cennik. Zanim je wkleisz, musisz wiedzieć, gdzie trafiają.

Kluczowa różnica, którą większość użytkowników przeoczy: domyślne ustawienie treningu nie jest takie samo u różnych producentów.

Wniosek praktyczny jest niewygodny: darmowy ChatGPT to najgorsze możliwe miejsce na wklejenie danych firmowych — i akurat z niego korzysta większość pracowników, których nikt o tym nie poinformował.

Trzy zasady higieny promptu

1. Nie wklejaj danych osobowych klientów do narzędzia, z którym firma nie ma umowy powierzenia przetwarzania. Wklejenie listy klientów do czatu to powierzenie danych podmiotowi zewnętrznemu w rozumieniu art. 28 RODO — bez umowy jest to przetwarzanie bez podstawy, niezależnie od tego, jak dobry jest prompt.
2. Anonimizuj zamiast rezygnować. „Klient X, branża e-commerce, 40 osób, obrót ok. 12 mln zł” niesie modelowi dokładnie tyle samo kontekstu co nazwa firmy i numer NIP — a nie jest daną osobową. To najtańsza poprawka, jaką możesz wprowadzić dziś.
3. Ustal to raz, dla całego zespołu. Polityka „co wolno wkleić” na jedną stronę A4 działa lepiej niż zakaz używania AI, który i tak zostanie złamany — pracownicy po prostu przeniosą się na prywatne konta, gdzie nie masz żadnej kontroli.

Prompt jednorazowy a instrukcje trwałe

Jeśli w każdym prompcie przepisujesz to samo („jesteś copywriterem naszej firmy, piszemy prosto, nie używamy słowa »rewolucja«”), robisz niepotrzebną pracę. Wszystkie duże czaty pozwalają wynieść stałą część promptu poziom wyżej:

Podział jest wart kwadransa konfiguracji: skraca każdy kolejny prompt o kilka linijek i eliminuje najczęstszą przyczynę niespójnych wyników — to, że raz podałeś kontekst, a raz zapomniałeś.

Czy prompt trzeba pisać po angielsku

Nie. Współczesne modele obsługują polski bardzo dobrze i różnica jakości przy typowych zadaniach biurowych jest dziś marginalna. Pisz po polsku, jeśli wynik ma być po polsku — inaczej dostaniesz tekst poprawny gramatycznie, ale kalkowany z angielskiego.

Praktyczny wyjątek: bardzo długie prompty systemowe do zastosowań produkcyjnych bywa łatwiej utrzymać po angielsku, bo taka jest dokumentacja i przykłady producentów. Ale to problem prompt engineeringu, nie użytkownika ChatGPT.

Czy prompt działa tak samo w każdym modelu

Nie do końca. Podstawy — rola, kontekst, format, przykłady — działają wszędzie. Ale producenci różnią się w szczegółach: OpenAI zaleca porządkowanie treści promptu w kolejności tożsamość → instrukcje → przykłady → kontekst i strukturyzowanie go Markdownem lub tagami XML (developers.openai.com), a Anthropic wprost rekomenduje tagi XML do rozdzielenia instrukcji, kontekstu i danych wejściowych w złożonych promptach, bo zmniejszają ryzyko, że model pomyli jedno z drugim (platform.claude.com).

Jest jeszcze jedna różnica, która zaskakuje — i którą polskie poradniki radzą dokładnie na odwrót: modelom rozumującym (reasoning) nie każe się „myśleć krok po kroku”. Dokumentacja OpenAI ma osobny punkt zatytułowany „Avoid chain-of-thought prompts”: skoro te modele prowadzą rozumowanie wewnętrznie, proszenie ich o myślenie krok po kroku albo o wyjaśnienie toku rozumowania jest zbędne. Co więcej, w tym samym miejscu OpenAI zaznacza, że takie techniki mogą nie poprawić wyniku, a czasem wręcz go pogorszyć (developers.openai.com).

Analogia z tej samej dokumentacji jest najprostszym sposobem, żeby to zapamiętać: model rozumujący to senior — dajesz mu cel i ufasz, że sam dobierze drogę. Klasyczny model GPT to junior — pracuje najlepiej przy jawnych instrukcjach prowadzących do konkretnego wyniku.

Uwaga, o którą łatwo się potknąć: granica przebiega po trybie pracy, nie po cenie modelu. „Tanie modele zyskują na łańcuchu myśli, drogie nie” to mit — mniejsze modele (np. Haiku 4.5) też mają tryb rozumowania. Pytanie brzmi wyłącznie: czy w tym konkretnym wywołaniu rozumowanie jest włączone. Jeśli tak — podaj cel i kryteria sukcesu zamiast rozpisywać kroki. Za rozumowanie płacisz zresztą realnie: tokeny myślenia są rozliczane jako tokeny wyjścia, a przy migracji na modele rozumujące Anthropic każe zakładać ok. 30% więcej tokenów na to samo zadanie.

Prompt zoptymalizowany pod jeden model nie zawsze jest więc optymalny pod inny — porównanie zachowań poszczególnych modeli opisujemy w tekście ChatGPT vs Claude.

Jeśli chcesz zejść głębiej — few-shot, ReAct, prompt chaining i to, kiedy chain-of-thought naprawdę ma sens — to już warstwa dla zaawansowanych, którą rozkładamy na czynniki pierwsze w przewodniku po technikach promptowania.

Szablon, od którego możesz zacząć dziś

Skopiuj i wypełnij. To pokrywa większość typowych zastosowań biurowych:

ROLA: Jesteś [kto], specjalizującym się w [dziedzina].
ZADANIE: [Jeden czasownik, jeden cel.]
KONTEKST: [Kim jestem, dla kogo to jest, co już wiadomo, co jest stawką.]
FORMAT: [Długość, struktura, ton. Tabela / lista / akapity.]
OGRANICZENIA: [Czego nie robić. Czego nie zmyślać. Czego unikać w języku.]
PRZYKŁAD (opcjonalnie): [Wklej wzorcowy tekst i napisz: "pisz w tym stylu".]
JEŚLI CZEGOŚ BRAKUJE: Zamiast zgadywać — dopytaj mnie albo napisz, czego brakuje.

Ostatnia linijka jest niedoceniana. Modele mają silną skłonność do udzielania odpowiedzi za wszelką cenę — jawne pozwolenie na powiedzenie „nie wiem” albo „potrzebuję danych X” wyraźnie zmniejsza liczbę zmyśleń.

Co zrobić w tym tygodniu

Wybierz jedno zadanie, które robisz z AI regularnie — pisanie maili, streszczenia, opisy produktów. Napisz do niego prompt według szablonu wyżej, przetestuj na trzech realnych przypadkach i popraw dwa razy. Efektem ma być jeden zapisany prompt, którego używasz codziennie, a nie sto improwizowanych. To jest cała różnica między osobą, która „próbowała ChatGPT”, a osobą, która na nim pracuje.

Najczęstsze pytania o prompty