18 lis 2026
Narzędzia AI

Praca z AI zaczyna się przed promptem: rola kompetencji człowieka

Dlaczego ogólne polecenia dają słabe wyniki? Sprawdź, jak diagnoza, plan i kontekst zmieniają pracę z Claude Code i innymi narzędziami AI.

Autor: Maciej Stelmach, 7 listopada 2026
Concentrated serious multiracial people discussing details of creative project while sitting at table and using laptop in modern loft styled
Fot. Andrea Piacquadio / Pexels · Pexels License

Skuteczność pracy z narzędziami AI zależy przede wszystkim od jakości danych wejściowych, które przygotowuje człowiek, a nie od samego modelu, jak pokazuje podejście zaprezentowane przez Borisa Cherny’ego, inżyniera Anthropic i twórcę Claude Code.

Dlaczego ogólne polecenia dają ogólne wyniki?

Model językowy odpowiada na podstawie tego, co dostanie w poleceniu. Jeśli prośba jest krótka i bez tła, odpowiedź będzie poprawna formalnie, ale mało użyteczna w konkretnej firmie. Problem nie zaczyna się w algorytmie, lecz w tym, ile informacji trafia do systemu.

Przykład: strategia marketingowa

Najprostszy test to polecenie w rodzaju „Napisz strategię marketingową firmy”. Model nie wie, czym firma się zajmuje, kto jest jej klientem, jaki ma budżet ani co już próbowała zrobić. Efektem będzie szablon, który można przypisać niemal każdemu biznesowi.

Różnicę dobrze widać w zestawieniu:

ElementPolecenie ogólnePolecenie z kontekstem
Informacja o firmieBrakHistoria marki, profil działalności
OdbiorcyNieokreśleniOpisani segmenty i ich potrzeby
OgraniczeniaNieznaneBudżet, zasoby, wymogi prawne
CelOgólnyKonkretny, mierzalny
Typowy wynikUniwersalny szablonPropozycja dopasowana do sytuacji

Ta sama logika działa poza biznesem. Gdy samorząd prosi o strategię promocji miasta, lepszym punktem wyjścia jest najpierw diagnoza wyzwań: spadająca liczba mieszkańców w jednej dzielnicy, słabo rozpoznawalna oferta turystyczna czy brak spójnego przekazu. Dopiero taki opis pozwala na sensowne propozycje.

Jak uporządkować pracę z AI krok po kroku?

Według podejścia Cherny’ego kolejność działań ma znaczenie. Najpierw należy zdiagnozować problem i nakreślić plan, a dopiero potem przejść do realizacji. Taki układ wymusza na człowieku doprecyzowanie celu, zanim model zacznie pisać kod lub tekst.

Prezentacja „Mastering Claude Code in 30 minutes”, opublikowana przez Anthropic w maju 2025 roku, opiera się na czterech filarach: kontekście, planowaniu, precyzyjnym definiowaniu zadań i weryfikacji wyników. Każdy z nich odpowiada na inny błąd, który pojawia się przy pracy z AI: brak tła, chaos w działaniach, niejasne oczekiwania i bezkrytyczne przyjęcie efektu.

Czym jest plik CLAUDE.md i po co go tworzyć?

Plik CLAUDE.md przechowuje informacje i zasady, które mają być wykorzystywane w kolejnych sesjach pracy. Zamiast za każdym razem tłumaczyć modelowi te same ustalenia, zespół zapisuje je raz, a narzędzie wraca do nich przy następnych zadaniach.

Dla małych zespołów marketingowych oznacza to zachowanie spójności: ton komunikacji, grupy docelowe i ograniczenia prawne nie giną między kolejnymi projektami. Taki dokument działa jak wspólna pamięć, która zmniejsza ryzyko, że każdy członek zespołu zleca AI pracę w innym kierunku.

Jakim danom może ufać model?

Przy formułowaniu poleceń warto kierować się trzema kryteriami: trafnością, wiarygodnością i aktualnością danych. Materiał nieaktualny lub pochodzący z niesprawdzonego źródła może skutecznie zniekształcić analizę, nawet jeśli model przedstawi ją w pewnym tonie.

Cherny zwraca też uwagę, że AI może poprawiać rozwiązania po testach i informacji zwrotnej. Oznacza to, że współpraca nie kończy się na pierwszej odpowiedzi. Iteracja, czyli sprawdzenie wyniku, wskazanie błędów i ponowne uruchomienie zadania, jest częścią procesu, a nie jego wadą.

Co to oznacza dla Ciebie?

Dla osób pracujących z AI wniosek jest praktyczny: jakość wyniku zależy od kompetencji człowieka, który formułuje zadanie i ocenia rezultat. Warto przed rozpoczęciem pracy zapisać cel, odbiorcę i ograniczenia, a po wygenerowaniu materiału sprawdzić jego zgodność z danymi. Nie wystarczy jednak wyłącznie akceptować odpowiedź. Najlepsze efekty daje połączenie szybkości modelu z wiedzą o firmie, rynku i klientach, którą człowiek musi wnieść sam.

Na podstawie: BRIEF.PL. Tekst opracowany redakcyjnie.