Po tej lekcji przestaniesz traktować model językowy jak wyrocznię, a zaczniesz jak narzędzie o przewidywalnym charakterze. Zrozumiesz, dlaczego ta sama AI raz odpowiada genialnie, a raz z pełnym przekonaniem zmyśla, i co z tym zrobić. To fundament, na którym stoi każda następna rzecz, którą tu zrobisz.
Model nie wie - model przewiduje
Sedno całej rzeczy: LLM (large language model, duży model językowy) to maszyna do przewidywania następnego kawałka tekstu. Dostaje twój tekst, rozbija go na tokeny (fragmenty słów) i liczy, który token jest najbardziej prawdopodobny jako kolejny. Potem dokłada go i powtarza od nowa. Tyle. W środku nie ma bazy faktów ani intencji.
Brzmi banalnie, ale to wyjaśnia całą resztę. Skoro model ciągnie najbardziej prawdopodobny dalszy ciąg, to dobrze pisze o rzeczach częstych w danych treningowych, a gorzej o rzadkich. I dlatego forma odpowiedzi, czyli ten pewny, płynny ton, bierze się z prawdopodobieństwa językowego, a nie z tego, czy treść jest prawdziwa.
To także powód, dla którego prompt ma znaczenie. Nie programujesz modelu, tylko ustawiasz kontekst tak, żeby najbardziej prawdopodobny dalszy ciąg był tym, którego chcesz. Im konkretniej opiszesz zadanie, rolę i format wyniku, tym węższy i celniejszy staje się ten rozkład prawdopodobieństwa.
Pro tip: Jeśli odpowiedź jest zbyt ogólna, to prawie zawsze znaczy, że twój prompt był zbyt ogólny. Dopisz kontekst, przykład i oczekiwany format, zanim uznasz, że model “nie umie”.
Kontekst to cała pamięć, jaką ma model
Model nie pamięta cię między rozmowami. Jego jedyna pamięć to okno kontekstu, czyli cały tekst, który widzi w danym momencie: twoja instrukcja, wcześniejsze wiadomości, wklejone dokumenty. Czym dysponuje w oknie, tym operuje. Czego w oknie nie ma, dla modelu nie istnieje.
Okno ma skończony rozmiar. Gdy rozmowa robi się bardzo długa, najstarsze fragmenty wypadają z pola widzenia i model zaczyna zapominać ustalenia sprzed wielu wiadomości. To nie kaprys, tylko mechanika.
Praktyczny wniosek: traktuj kontekst jak biurko, na którym układasz materiały do jednego zadania. Kładziesz to, co potrzebne (wymagania, przykład dobrego wyniku, dane), zdejmujesz szum. Jedna zwięzła, dobrze ułożona wiadomość bije dziesięć chaotycznych.
Pułapka: Wklejanie “wszystkiego na wszelki wypadek” pogarsza wynik. Nadmiar kontekstu rozmywa sygnał i model gubi to, co ważne, w morzu tego, co nieistotne.
Temperatura to pokrętło między pewnością a fantazją
Dla każdego kolejnego tokenu model ma cały rozkład prawdopodobieństw. Temperatura decyduje, jak mocno trzyma się najbezpieczniejszej opcji. Niska temperatura oznacza wybór tego, co najbardziej prawdopodobne, więc odpowiedzi są powtarzalne i zachowawcze. Wysoka temperatura częściej sięga po mniej oczywiste tokeny, więc jest kreatywniej, ale i bardziej losowo.
Nie ma jednej dobrej wartości, jest tylko wartość dobra do konkretnego zadania. Do faktów, kodu i klasyfikacji chcesz niskiej temperatury, bo liczy się przewidywalność. Do burzy mózgów, wariantów nazw i haseł chcesz wyższej, bo liczy się różnorodność. To samo narzędzie, dwa różne tryby.
Pro tip: Jeśli nie wiesz, od czego zacząć, zostań przy ustawieniu domyślnym i najpierw popraw prompt. Temperaturę ruszaj świadomie dopiero wtedy, gdy już wiesz, czy brakuje ci powtarzalności, czy pomysłowości.
Halucynacje: pewny ton to nie dowód prawdy
Halucynacja to sytuacja, w której model podaje coś fałszywego z pełnym przekonaniem: wymyśloną datę, nieistniejące źródło, funkcję, której nie ma. To nie usterka do naprawienia jednym promptem, tylko bezpośredni skutek tego, jak model działa. Skoro przewiduje prawdopodobny tekst, a nie sprawdza faktów, to gdy nie zna odpowiedzi, i tak wygeneruje tę najbardziej prawdopodobnie brzmiącą, czyli często zmyśloną.
Największa pułapka jest psychologiczna i nazywa się forma. Model pisze równie płynnie i pewnie wtedy, gdy ma rację, jak i wtedy, gdy zmyśla. Płynność nie jest sygnałem prawdy. Każdą konkretną liczbę, nazwisko, cytat i link traktuj jako “do sprawdzenia”, dopóki tego nie zweryfikujesz.
Dlatego weryfikacja nie jest dodatkiem do pracy z AI, tylko jej częścią. Model przyspiesza pierwszą wersję, a ty odpowiadasz za to, czy ta wersja jest prawdziwa. Im wyższa stawka (publikacja, pieniądze, decyzja), tym twardsza powinna być weryfikacja.
Pułapka: “Brzmi wiarygodnie, więc pewnie tak jest” to najdroższy błąd początkującego. Im ładniej brzmi odpowiedź o rzeczy, której nie umiesz sprawdzić, tym bardziej trzeba ją sprawdzić.
Prywatność: co wpisujesz, wychodzi z twoich rąk
Zanim wkleisz cokolwiek do modelu, zadaj jedno pytanie: co się z tym stanie. Domyślnie treść trafia na serwer dostawcy, a w części usług może posłużyć do dalszego rozwoju modeli. To znaczy, że dane wrażliwe (cudze dane osobowe, tajemnice firmowe, hasła, nieopublikowane umowy) nie powinny lądować w losowym czacie bez sprawdzenia zasad.
Reguły różnią się między dostawcami i planami. Inaczej wygląda to w darmowym czacie, inaczej w wersji biznesowej czy przez API, gdzie zwykle da się wyłączyć uczenie na twoich danych. Nie zgaduj, tylko sprawdź politykę konkretnej usługi, której używasz.
Prosta higiena, która załatwia większość ryzyka: anonimizuj dane, zanim je wkleisz (usuń nazwiska, numery, dane kontaktowe), oddzielaj rzeczy wrażliwe od reszty, a do poważnych zadań używaj planów z jasną gwarancją prywatności.
Pro tip: Wyrób sobie nawyk pytania “czy pokazałbym ten tekst obcej firmie na piśmie?”. Jeśli nie, najpierw go oczyść, a dopiero potem wklej.
Zasada
Model języka nie wie - przewiduje najbardziej prawdopodobny ciąg dalszy, więc to zawsze ty odpowiadasz za weryfikację i za to, co mu powierzasz.
Zrób to w narzędziu
Teraz zamień to zrozumienie w odruch. Nie podajemy tu klikania krok po kroku, bo interfejsy zmieniają się z wersji na wersję. Aktualne kroki, ceny i limity znajdziesz zawsze na kartach narzędzi, przy micro-questach.
- Claude Code - poczujesz na własnej skórze, jak z jednego promptu powstaje działający skrypt i gdzie kończy się “model zgadł”, a zaczyna twoja weryfikacja. Otwórz kartę i zrób micro-quest “pierwszy agent”.
- ElevenLabs - zobaczysz, że ten sam mental model działa poza tekstem: opisujesz, model generuje, ty oceniasz wynik. Otwórz kartę i nagraj 60-sekundowy lektor w micro-queście.
Obie karty prowadzą do ćwiczeń na 15-20 minut. Zasada zostaje ta sama, narzędzie jest tylko powierzchnią.
XP i dalej
Za tę lekcję dostajesz 100 XP, a przy okazji coś ważniejszego: filtr, przez który patrzysz na każdą kolejną odpowiedź AI. Następny krok to jeden z micro-questów powyżej i pierwszy realny artefakt. Zrozumienie utrwala się w robocie, nie w czytaniu.
