Słowa mają moc, a w świecie sztucznej inteligencji nawet jedno małe słowo potrafi całkowicie odmienić to, co zobaczysz na ekranie. Kiedy pracujesz z modelami językowymi takimi jak ChatGPT, Claude czy Gemini, diabeł tkwi w szczegółach. Często intuicyjnie dopisujemy do naszych poleceń zwrot „z przykładami” lub „z konkretnymi przykładami”, traktując je niemal jak synonimy. Okazuje się jednak, że dla algorytmów stojących za AI te dwie frazy niosą zupełnie inny ładunek informacyjny i prowadzą do diametralnie różnych wyników.

Jak sztuczna inteligencja interpretuje te dwa sformułowania

Aby zrozumieć różnicę, musimy wejść na chwilę w „umysł” modelu językowego. AI nie myśli tak jak człowiek – opiera się na prawdopodobieństwie występowania kolejnych słów (tokenów) i reaguje na tzw. kotwice semantyczne oraz ograniczenia nałożone w zapytaniu.

Opcja 1: „Z przykładami” – bezpieczna ogólność

Gdy prosisz AI o wyjaśnienie czegoś „z przykładami”, dajesz modelowi bardzo szerokie pole do popisu. Dla sztucznej inteligencji jest to sygnał: „stwórz jakąkolwiek ilustrację tego zjawiska”. Ponieważ modele z natury dążą do optymalizacji zasobów i generowania najbardziej prawdopodobnych, typowych odpowiedzi, najczęściej wybiorą najprostszą ścieżkę.

W efekcie otrzymasz przykłady:

• Hipotetyczne: „Wyobraź sobie firmę X, która sprzedaje produkt Y...”.
• Abstrakcyjne: „Jeśli Jan Kowalski chce kupić samochód, to...”.
• Szablonowe: Przykłady będą poprawne merytorycznie, ale bardzo powtarzalne, uproszczone i pozbawione unikalnej wartości.

Opcja 2: „Z konkretnymi przykładami” – precyzyjne uderzenie

Dodanie słowa „konkretnymi” działa na model jak silny filtr i dodatkowe wymaganie. Słowo „konkretny” (podobnie jak angielskie concrete lub specific) drastycznie zmienia wagi tokenów w sieci neuronowej. Dla AI to jasny rozkaz: „porzuć ogólniki, potrzebuję twardych danych, rzeczywistych marek, historycznych wydarzeń lub szczegółowych, życiowych scenariuszy”.

W tym przypadku model wygeneruje przykłady:

• Rzeczywiste (z życia wzięte): Zamiast „firmy X” dostaniesz analizę działań Apple, Coca-Coli czy znanego startupu.
• Bogate w detale: Pojawią się liczby, daty, nazwy własne i precyzyjnie opisane kroki.
• Osadzone w kontekście: Przykład będzie łatwiejszy do przełożenia na praktykę, ponieważ odnosi się do realnych mechanizmów rynkowych lub społecznych.

Porównanie w praktyce – zobacz różnicę

Najlepiej widać to na prostym teście. Wyobraźmy sobie, że pytamy sztuczną inteligencję o strategię marketingową zwaną „real-time marketing” (RTM).

• Prompt A: „Wyjaśnij, czym jest real-time marketing i podaj przykłady.”
  • Odpowiedź AI (styl): „Real-time marketing to reagowanie na bieżące wydarzenia. Na przykład, jeśli podczas ważnego meczu piłkarskiego nagle zgaśnie światło na stadionie, marka produkująca latarki może szybko opublikować w mediach społecznościowych grafikę z napisem: 'Z nami nie zginiesz w ciemności'.” (Przykład jest poprawny, ale wymyślony na poczekaniu, czysto hipotetyczny).
• Prompt B: „Wyjaśnij, czym jest real-time marketing i podaj konkretne przykłady.”
  • Odpowiedź AI (styl): „Real-time marketing to reagowanie na bieżące wydarzenia. Doskonałym, konkretnym przykładem jest zachowanie marki Oreo podczas Super Bowl w 2013 roku. Kiedy na stadionie nastąpiła awaria prądu, zespół marketingowy Oreo w ciągu kilku minut opublikował na Twitterze grafikę z podpisem: 'You can still dunk in the dark' (Wciąż możesz maczać w ciemności). Post zdobył tysiące udostępnień w kilka minut i stał się podręcznikowym case study.” (Otrzymujesz realne, udokumentowane wydarzenie, które niesie za sobą autentyczną wartość edukacyjną).

Dlaczego jedno słowo tak bardzo zmienia wynik?

W inżynierii promptów (ang. prompt engineering) istnieje zasada, że im więcej precyzji i kontekstu wtłoczysz do swojego zapytania, tym lepszą jakość wyjściową uzyskasz. Słowo „konkretny” aktywuje w bazie wiedzy modelu zupełnie inne obszary pamięci skojarzeniowej.

1. Redukcja halucynacji i uogólnień: Modele językowe bez narzuconych ograniczeń mają tendencję do pisania gładkich, ale pustych frazesów. Słowo „konkretny” zmusza je do trzymania się faktów.
2. Aktywacja danych historycznych: Słowo „konkretny” kieruje uwagę modelu na faktyczne dane treningowe – artykuły prasowe, analizy biznesowe, książki i udokumentowane przypadki, zamiast na generowanie losowych opowiastek.
3. Lepsza struktura: Konkretne przykłady zazwyczaj wymagają od AI podania struktury: kto, co, kiedy, jak i z jakim skutkiem.

Jak pisać prompty, aby wycisnąć z nich maksimum?

Jeśli chcesz, aby Twoje interakcje z AI były jak najbardziej produktywne, samo słowo „konkretny” to świetny początek, ale możesz pójść o krok dalej. Oto kilka trików, które sprawią, że przykłady generowane przez sztuczną inteligencję będą jeszcze lepsze:

• Zamiast „z konkretnymi przykładami” napisz: „z prawdziwymi, udokumentowanymi przykładami z rynku [np. polskiego/globalnego] z ostatnich 5 lat”.
• Określ format przykładu: „Podaj 3 konkretne przykłady w formie: 1. Nazwa podmiotu, 2. Opis problemu, 3. Zastosowane rozwiązanie, 4. Osiągnięty rezultat (podaj twarde dane liczbowe, jeśli są dostępne)”.
• Zastosuj technikę few-shot prompting: Jeśli chcesz, aby AI podała przykłady w określony sposób, najpierw sam podaj jej jeden konkretny przykład jako wzór. Model natychmiast zrozumie, jakiego poziomu szczegółowości oczekujesz.

Ciekawostka: efekt „leniwej sztucznej inteligencji”

Czy wiesz, że modele językowe bywają... leniwe? Badacze zajmujący się sztuczną inteligencją zauważyli, że jeśli w promptach nie stosuje się słów wymuszających precyzję (takich jak „konkretny”, „szczegółowy”, „krok po kroku”), modele mają tendencję do skracania odpowiedzi i oferowania najbardziej oczywistych, generycznych rozwiązań.

Dodanie jednego, mocnego przymiotnika potrafi zwiększyć merytoryczną wartość odpowiedzi nawet o kilkadziesiąt procent, bez konieczności pisania długich, skomplikowanych instrukcji. Używanie precyzyjnego języka w komunikacji z AI to nie tylko kwestia estetyki – to klucz do oszczędności czasu i droga do uzyskania treści, które naprawdę wyróżniają się jakością.