Pracuję z różnymi modelami AI już od dawna i widzę jedną rzecz bardzo wyraźnie: czasami to wychodzi, a czasami nie wychodzi. Czasami model daje świetną odpowiedź od razu, a czasami niby odpowiada poprawnie, ale nie o to chodziło. Niby wszystko brzmi dobrze, ale jak zaczynasz to czytać uważniej, to widzisz, że nie ma tam tej wartości, której szukałeś.
I to jest ciekawe, bo te modele AI są niesamowite. Mają ogromne możliwości. Potrafią pisać, analizować, porównywać, planować, szukać błędów, układać procesy i pomagać nam w pracy na poziomie, który jeszcze niedawno był trudny do wyobrażenia. Ale jednocześnie trzeba umieć z nimi rozmawiać.
To nie jest takie łatwe, jak wielu osobom się wydaje. Często to jest kwestia prób i błędów. Ja właśnie w taki sposób pracuję. Testuję różne modele, różne sposoby zadawania pytań, różne instrukcje, różne struktury promptów i patrzę, co działa, a co nie działa.
Powstają nowe modele AI i każdy ma trochę inny sposób działania. Jeden lepiej radzi sobie z pisaniem, drugi z kodem, trzeci z analizą, czwarty z długim kontekstem. I człowiek cały czas próbuje dojść do sedna sprawy: jak z nimi rozmawiać, żeby one naprawdę pomagały, a nie tylko produkowały ładnie brzmiące odpowiedzi.
Są takie momenty, kiedy po wielu testach zaczynają pojawiać się pewne wnioski. Pewne wskazówki. Pewne przemyślenia. I właśnie tym chcę się tutaj podzielić. Nie teorią dla samej teorii, tylko tym, co widzę w praktyce i co uważam za ważne, jeśli ktoś zaczyna pracować z AI.
Modele AI są teraz coraz bardziej zaawansowane, ale coraz wyraźniej widać, że sam czat to nie będzie centrum tej pracy. Taki klasyczny sposób rozmowy, jak w ChatGPT, gdzie wpisujesz pytanie i dostajesz odpowiedź, powoli staje się tylko jednym z elementów. Według mnie kierunek, w którym idziemy, to AI Agents.
Wielu deweloperów już pracuje w ten sposób. Widzimy rozwiązania takie jak Codex od OpenAI, Claude Code czy Claude Cowork. To już nie jest tylko rozmowa z modelem. To jest praca z agentem, który może czytać pliki, analizować projekt, wykonywać zadania, korzystać z narzędzi i pomagać w realnym procesie pracy.
I mam poczucie, że 2026 rok to dopiero początek tego etapu. Modele AI są takim silnikiem napędowym dla AI Agents. Im lepsze są modele, tym więcej mogą robić agenci. Ale żeby AI Agents dawało Ci tę niesamowitą wartość, musisz wiedzieć, jak z nimi pracować.
AI Agents mają ogromne możliwości. Dajesz im dostęp do dokumentów, wiedzy, plików i kontekstu na swoim komputerze. Możesz łączyć je z różnymi narzędziami i rozwiązaniami, przez co dostają jeszcze większą moc. Możesz budować Skills, procesy, automatyzacje i własne sposoby pracy.
Ale ta moc ma też drugą stronę. Im więcej agent może zrobić, tym większe znaczenie ma to, jaką instrukcję dostanie. W zwykłym czacie zła instrukcja kończy się najczęściej słabą odpowiedzią. W pracy z AI Agentem zła instrukcja może oznaczać, że agent przeczyta nie te pliki, pójdzie w złą analizę, przygotuje raport, który nie odpowiada na problem, albo wykona kilka kroków w złym kierunku.
Jest tutaj jeszcze jedna absolutnie podstawowa rzecz. Jeżeli AI Agent ma dobrze z Tobą współpracować, musi znać kontekst. Musisz nakarmić model swoją wiedzą: o Tobie, o Twojej firmie, o sposobie pracy, o klientach, o produktach, o decyzjach i o tym, co jest dla Ciebie ważne. Bez tego agent może być bardzo inteligentny, ale nadal będzie pracował zbyt ogólnie.
To jest fundament i osobny duży temat. W tym artykule nie chcę go teraz rozwijać, ale warto o nim pamiętać. Tutaj skupiam się na czymś innym: na kilku rzeczach, które zauważyłem w praktyce i które warto sobie wypracować, zrozumieć i mieć z tyłu głowy, kiedy pracujemy z modelami AI i AI Agents.
Nie będę więc teraz wchodził głęboko w narzędzia i techniczne możliwości. Chcę tylko pokazać kierunek. Coraz mniej będziemy pracować tylko w czacie, a coraz częściej będziemy pracować z AI Agents, które wykonują z nami konkretne zadania.
I właśnie dlatego musimy lepiej rozumieć, jak je prowadzić. Jeżeli AI Agent ma naprawdę pomagać, to musi wiedzieć, na czym ma się skupić, co jest najważniejsze, na czym ma się oprzeć i jak sprawdzić wynik. Bez tego nawet najlepszy model może pójść w złą stronę, bo nie dostał dobrego kierunku.
I tutaj dochodzimy do promptowania, ale trochę inaczej niż zwykle się o tym mówi. Bo w świecie AI Agents prompt nie jest już tylko pytaniem wpisanym w okienko czatu. Prompt staje się sposobem ustawienia pracy. To jest instrukcja, która mówi agentowi, jak ma myśleć o zadaniu, jak ma podejmować decyzje i jak ma sprawdzić, czy wynik ma sens.
Właśnie dlatego te cztery rzeczy tak dobrze porządkują temat: ATTENTION, PRIORITY, EVIDENCE i VERIFICATION.
Jest wiele technik promptowania. Jest wiele systemów. Wiele osób mówi dużo rzeczy o tym, jak pisać prompty, jak zmuszać model do lepszej odpowiedzi, jakich słów używać i jaką strukturę stosować. I część z tego może być pomocna.
Ale czasami mam wrażenie, że za bardzo skupiamy się na sztuczkach, a za mało na tym, co tak naprawdę dzieje się w rozmowie z modelem albo agentem. Bo model nie potrzebuje tylko ładnego polecenia. On potrzebuje dobrze ustawionego zadania.
Stare nawyki z czatu tutaj często przeszkadzają. W czacie można było napisać coś bardzo ogólnego i najwyżej dostać przeciętną odpowiedź. Przy AI Agents to już nie wystarcza, bo agent nie tylko odpowiada. On często działa na materiale, narzędziach i plikach. Dlatego instrukcja musi być bardziej operacyjna.
Jeżeli napiszesz: „napisz mi artykuł”, to model coś napisze. Jeżeli napiszesz: „przeanalizuj ten tekst”, to model coś przeanalizuje. Jeżeli napiszesz: „daj mi pomysły”, to model da pomysły. Tylko pytanie, czy to będzie to, czego naprawdę potrzebujesz.
I tutaj jest sedno. Dobre promptowanie nie polega na tym, żeby znaleźć jedno idealne zdanie. Dobre promptowanie polega na tym, żeby model albo AI Agent wiedział, na czym ma się skupić, co jest najważniejsze, na czym ma się oprzeć i jak ma sprawdzić wynik.
To są te cztery elementy.
ATTENTION oznacza uwagę. Dla mnie to jest pierwsza rzecz, którą trzeba ustawić, kiedy rozmawiamy z AI. Chodzi o to, żeby powiedzieć modelowi, gdzie ma patrzeć i na czym ma się skupić.
To jest ważne, bo każde zadanie można zrozumieć na wiele sposobów. Jeżeli dasz modelowi tekst i napiszesz: „przeanalizuj to”, to on może patrzeć na styl, strukturę, argumentację, błędy językowe, długość, ton, logikę albo wartość dla czytelnika. Wszystko to może być analizą, ale nie wszystko będzie Ci w danym momencie potrzebne.
Jeżeli chcesz wiedzieć, czy tekst jest zrozumiały dla osoby początkującej, to powiedz mu to wprost. Jeżeli chcesz sprawdzić, czy oferta jest przekonująca, to niech model patrzy na argumentację, potrzeby klienta i decyzję zakupową. Jeżeli chcesz poprawić artykuł, który brzmi zbyt sztucznie, to niech patrzy na język, rytm i naturalność.
To jest prosta zmiana, ale bardzo mocna. Zamiast pisać „popraw ten tekst”, możesz napisać: „popraw ten tekst pod kątem prostoty i naturalnego brzmienia”. Zamiast pisać „oceń ten pomysł”, możesz napisać: „oceń ten pomysł pod kątem tego, czy ma sens biznesowy i czy da się go szybko wdrożyć”.
Wyobraź sobie, że masz tekst oferty i piszesz do modelu: „przejrzyj moją ofertę”. Model może poprawić język, skrócić zdania, dodać bardziej sprzedażowy ton albo zmienić strukturę. Ale może też ominąć najważniejszy problem, czyli to, że klient po przeczytaniu nadal nie rozumie, dlaczego cena jest taka, a nie inna.
Dlatego lepiej napisać:
To jest ATTENTION. Nie prosisz modelu o ogólną poprawę. Pokazujesz mu dokładnie, gdzie ma patrzeć.
ATTENTION to jest ustawienie kierunku. Mówisz modelowi: nie patrz wszędzie, patrz tutaj. I wtedy odpowiedź zaczyna być bardziej trafna.
PRIORITY oznacza priorytet. I to jest druga rzecz, która bardzo często decyduje o jakości odpowiedzi. Bo my często chcemy od AI wielu rzeczy naraz.
Chcemy, żeby tekst był prosty, ale ekspercki. Krótki, ale szczegółowy. Sprzedażowy, ale nienachalny. Kreatywny, ale konkretny. Techniczny, ale zrozumiały dla każdego. I potem dziwimy się, że odpowiedź jest taka średnia.
Problem polega na tym, że model nie zawsze wie, co ma wybrać, kiedy te cele się ze sobą zderzają. Jeżeli nie powiesz mu, co jest najważniejsze, on będzie próbował zadowolić wszystko naraz. A wtedy często dostajesz tekst, który niby spełnia wymagania, ale nie ma charakteru, decyzji ani jasnego kierunku.
Dlatego ja coraz częściej mówię modelowi wprost, co ma być priorytetem. Na przykład: „priorytetem jest prosty język, nawet jeśli trzeba uprościć część technicznych szczegółów”. Albo: „priorytetem jest poprawność, więc nie zgaduj i jasno powiedz, czego nie wiesz”. Albo: „priorytetem jest praktyczna wartość dla osoby, która prowadzi firmę”.
To bardzo zmienia sposób pracy modelu. Bo wtedy on nie musi zgadywać, co ma wygrać. Wie, że jeżeli pojawia się konflikt, to ma wybrać prostotę, poprawność, praktyczność albo cokolwiek innego, co mu ustawimy.
Załóżmy, że chcesz przygotować instrukcję obsługi programu dla nowego pracownika. Jeżeli napiszesz tylko: „napisz prostą i szczegółową instrukcję”, model może próbować zrobić jedno i drugie naraz. Efekt często będzie taki, że tekst będzie za długi dla początkującej osoby, a jednocześnie nadal nie będzie wystarczająco precyzyjny dla osoby technicznej.
Możesz więc napisać inaczej:
To jest PRIORITY. Mówisz modelowi, co ma wygrać, kiedy nie da się utrzymać wszystkiego naraz.
Przy AI Agents to będzie jeszcze ważniejsze. Agent może przygotować bardzo długi raport, ale my potrzebujemy decyzji. Może zrobić piękną analizę, ale bez następnego kroku. Może wykonać zadanie formalnie dobrze, ale niezgodnie z intencją. PRIORITY pomaga temu zapobiec.
EVIDENCE oznacza dowody, materiał albo podstawę, z której model ma korzystać. To jest trzecia rzecz, którą uważam za bardzo ważną, szczególnie jeśli chcemy używać AI do realnej pracy, a nie tylko do zabawy pomysłami.
Modele AI potrafią pisać bardzo płynnie. I to jest jednocześnie ich siła i problem. Bo odpowiedź może brzmieć mądrze, ale wcale nie musi być oparta na konkretnym materiale. Może być ogólna. Może być dopowiedziana. Może być poprawna językowo, ale niekoniecznie prawdziwa w naszym kontekście.
Dlatego jeśli chcemy dobrej odpowiedzi, musimy dać modelowi materiał. To może być tekst, dokument, notatka ze spotkania, dane, przykład stylu, informacja o kliencie, oferta, transkrypcja, strategia, lista problemów albo wcześniejsza wersja pracy.
Jeżeli chcesz, żeby AI poprawiło ofertę, daj mu ofertę i powiedz, czego nie wolno zmieniać. Jeżeli chcesz, żeby napisało artykuł w Twoim stylu, daj mu przykład tego stylu. Jeżeli chcesz, żeby analizowało problem biznesowy, daj mu dane, obserwacje i kontekst. Im mniej dasz materiału, tym więcej model będzie musiał wymyślić sam.
I to nie znaczy, że model nie może tworzyć nowych rzeczy. Może. Ale musisz wiedzieć, kiedy chcesz kreatywności, a kiedy chcesz pracy na faktach. To są dwa różne tryby.
Wyobraź sobie, że chcesz, żeby AI przygotowało Ci podsumowanie spotkania z klientem. Jeżeli napiszesz: „zrób podsumowanie spotkania”, model może stworzyć coś bardzo ogólnego, szczególnie jeśli nie ma transkrypcji, notatek albo konkretnego materiału. Będzie próbował pomóc, ale nie będzie miał z czego wyciągnąć prawdziwych wniosków.
Lepsza instrukcja wygląda tak:
To jest EVIDENCE. Model pracuje na materiale, a nie na domysłach.
W pracy z AI Agents evidence będzie kluczowe. Bo agent, który ma naprawdę pomagać w firmie, nie może działać tylko na ogólnej wiedzy. Musi pracować na konkretnych dokumentach, zasadach, procesach, danych i celach. Bez tego będzie dawał odpowiedzi, które brzmią dobrze, ale niekoniecznie są dobre dla naszego przypadku.
VERIFICATION oznacza weryfikację. I to jest czwarty element, który moim zdaniem wiele osób pomija. Prosimy model o wynik, model daje wynik i kończymy. A przecież w normalnej pracy tak nie działamy.
Jeżeli ktoś przygotowuje ofertę, to sprawdzamy, czy klient zrozumie wartość. Jeżeli ktoś robi analizę, sprawdzamy, czy wynika z niej decyzja. Jeżeli ktoś pisze artykuł, sprawdzamy, czy tekst jest jasny, spójny i czy nie brzmi sztucznie. To samo powinno dziać się przy pracy z AI.
Możemy powiedzieć modelowi: „po napisaniu sprawdź, czy ten tekst będzie zrozumiały dla osoby początkującej”. Możemy powiedzieć: „sprawdź, czy nie dodałeś faktów, których nie było w materiale”. Możemy powiedzieć: „oceń odpowiedź według trzech kryteriów: jasność, konkretność i użyteczność”.
To nie jest dodatkowy ozdobnik. To jest kontrola jakości. Jeżeli model ma wykonać zadanie, to dobrze, żeby wiedział też, po czym poznać, że zadanie jest wykonane dobrze.
I tutaj jest jeszcze jedna ważna rzecz, którą warto sobie zapamiętać. Weryfikacja często działa lepiej jako osobny krok. Jeżeli w jednej instrukcji prosisz model, żeby coś stworzył i od razu sam siebie sprawdził, to on często będzie zbyt łagodny wobec własnej odpowiedzi. Czasami lepiej najpierw wygenerować materiał, a dopiero potem w nowym kroku poprosić o jego krytyczną ocenę.
Załóżmy, że prosisz AI Agent o przygotowanie planu działania dla nowego projektu. Agent może stworzyć plan, który wygląda profesjonalnie, ma etapy, zadania i terminy. Ale nadal może brakować jednej rzeczy: sprawdzenia, czy ten plan naprawdę prowadzi do celu i czy da się go wykonać.
Dlatego warto dodać:
To jest VERIFICATION. Nie tylko prosisz o wynik, ale ustawiasz sposób sprawdzenia jakości tego wyniku.
A przy ważniejszych rzeczach możesz zrobić to jeszcze lepiej w drugim kroku:
Taka weryfikacja jest dużo mocniejsza niż zwykłe „sprawdź, czy jest dobrze”.
Przy AI Agents to będzie jeszcze ważniejsze, bo agent często będzie wykonywał więcej niż jeden krok. Jeżeli nie ma weryfikacji, może oddać coś, co wygląda dobrze, ale nie spełnia celu. A to jest bardzo niebezpieczne, szczególnie w biznesie, bo ładnie wyglądający wynik potrafi ukryć brak realnej wartości.
Kiedy połączymy ATTENTION, PRIORITY, EVIDENCE i VERIFICATION, prompt zaczyna wyglądać inaczej. Nie jest już tylko prośbą o odpowiedź. Jest instrukcją pracy.
Można napisać na przykład tak:
To nie jest skomplikowane. Ale jest jasne. Model wie, gdzie ma patrzeć, co jest najważniejsze, na czym ma się oprzeć i jak ma sprawdzić swoją pracę.
Możesz też używać tego jako prostego schematu w codziennej pracy:
I o to właśnie chodzi. Nie o to, żeby pisać bardzo długie prompty. Nie o to, żeby używać trudnych słów. Chodzi o to, żeby nie zostawiać modelowi zbyt wielu rzeczy do zgadywania.
Moim zdaniem przyszłość pracy z AI nie będzie polegała na tym, że człowiek po prostu wpisuje pytanie, a model daje odpowiedź. Wielu deweloperów mówi dziś o tym, że praca z AI Agents pójdzie w dwóch kierunkach. I ja też to tak widzę.
Będziemy budować różne workflows, procesy i automatyzacje. Będziemy zlecać zadania jednemu AI Agent albo całemu zespołowi AI Agents. Jeden agent może zrobić research, drugi przygotować plan, trzeci sprawdzić ryzyka, czwarty wykona część techniczną, a piąty zweryfikować wynik. Czyli człowiek zleca zadanie, a agent albo zespół agentów wykonuje dużą część pracy prawie samodzielnie.
Pracujesz nad dokumentem, strategią, ofertą albo materiałem edukacyjnym i nie zlecasz tylko: „zrób mi gotowy wynik”. Jako człowiek jesteś w środku procesu. Dajesz kierunek, poprawiasz, dopowiadasz, pokazujesz, co nie pasuje, a AI pomaga Ci przekształcać materiał w coraz lepszą formę.
I to jest bardzo ważna różnica. W pierwszym modelu bardziej zlecamy pracę. W drugim modelu pracujemy z AI Agentem jak z partnerem w procesie. Człowiek nie znika. Człowiek prowadzi pracę, podejmuje decyzje, ocenia jakość i pilnuje sensu. AI przyspiesza wykonanie, proponuje warianty, porządkuje myśli i pomaga przejść od pierwszej wersji do czegoś znacznie lepszego.
Właśnie w tym drugim modelu bardzo dobrze widać, dlaczego ATTENTION, PRIORITY, EVIDENCE i VERIFICATION są tak ważne. Bo kiedy pracujesz z AI Agentem krok po kroku, cały czas ustawiasz mu uwagę, priorytet, materiał i sposób sprawdzenia. Mówisz: tutaj patrz, to jest ważniejsze, oprzyj się na tym, sprawdź to w taki sposób.
I dokładnie tak, moim zdaniem, będzie wyglądała duża część przyszłej pracy. Czasami będziemy delegować zadania agentom. A czasami będziemy pracować z nimi bardzo blisko, w środku procesu, tak jak z inteligentnym współpracownikiem, który pomaga nam myśleć, tworzyć i poprawiać.
Dlatego uważam, że te cztery elementy są tak ważne. ATTENTION, PRIORITY, EVIDENCE, VERIFICATION. To jest sposób myślenia o tym, jak prowadzić model i jak pracować z AI Agents.
Na ten moment właśnie to wydaje mi się jednym z najważniejszych fundamentów.