Ilustracja: Google Flow
Ty też tak piszesz do AI, prawda? „Jesteś kretynem?.” „Czy ty w ogóle CZYTASZ to, co piszę?” „Co ty odpierdalasz?”
To realne kawałki promptów, które ludzie codziennie wpisują w ChatGPT, Claude’a czy Gemini, kiedy model po raz trzeci ignoruje to samo polecenie. Ktoś w końcu to zbadał: czy jechanie po AI faktycznie poprawia jakość odpowiedzi, czy jest tylko naszym wentylem bezpieczeństwa, który wyładowuje frustrację i nic więcej.
Ludzie naprawdę tak piszą do maszyn
Przejrzyj dowolne forum dla programistów albo grupę o promptowaniu, a znajdziesz setki wariacji na ten sam temat. Ktoś pisze do modelu jak do stażysty po trzeciej kawie: „SERIO. Miałeś zmienić TYLKO jedną linijkę. Jedną.” Ktoś inny grozi: „Jeszcze jedna taka odpowiedź i przechodzę na konkurencję.” Są tacy, którzy negocjują jak z dzieckiem: „Wiem, że potrafisz lepiej, bo dwa prompty temu zrobiłeś to dobrze.”
Jest w tym coś głęboko ludzkiego i głęboko bez sensu jednocześnie. Model nie ma ego do zranienia ani premii do stracenia. A mimo to ludzie piszą do niego dokładnie tak, jak pisaliby do kolegi z zespołu, który po raz trzeci wysłał zły plik.
Czy jechanie po AI naprawdę poprawia odpowiedzi?
W 2025 roku badacze Om Dobariya i Akhil Kumar sprawdzili to metodycznie. Wzięli 50 pytań z matematyki, nauki i historii, każde zapisali w pięciu wariantach tonu, od uprzejmego po chamski, i przepuścili przez GPT-4o. Wynik: przy najgrzeczniejszych promptach model odpowiadał poprawnie w 80,8 proc. przypadków, przy najbardziej chamskich w 84,8 proc.
Cztery punkty procentowe różnicy na korzyść chamstwa. Ale to jedno małe badanie na jednym modelu i jednym typie zadań testowych, więc traktowanie go jako instrukcji obsługi byłoby naiwne.
Inne badanie, sprawdzające ton po angielsku, chińsku i japońsku, dało odwrotny wynik: chamskie prompty zwykle pogarszały odpowiedzi. Duże badanie z 2026 roku na Gemini Pro, GPT-4o Mini, Claude 3.7 Sonnet, DeepSeek Chat i Llamie 3, oparte na 22,5 tysiąca par prompt-odpowiedź, pokazało, że rzeczowy albo uprzejmy ton potrafił podnieść jakość odpowiedzi nawet o 11 proc., a agresja zwykle ją psuła.
Więc jedno badanie mówi „bądź chamski”, inne „nie warto”, a trzecie „to zależy od modelu i języka”. Nauka nie dała nam jednej magicznej komendy.
Dlaczego to czasem jednak działa: mało znany mechanizm
Modele językowe uczą się na gigantycznych zbiorach tekstu, a potem są douczane na ocenach ludzi, którzy wskazują, które odpowiedzi są lepsze. W tym procesie krótkie, niecierpliwe, ostre polecenia statystycznie częściej towarzyszą sytuacjom, w których ktoś już wcześniej dostał złą odpowiedź i domaga się poprawki. Model uczy się kojarzyć ten rejestr językowy z „tu trzeba się bardziej postarać”, nie dlatego że rozumie złość, tylko dlatego że w danych treningowych taki ton statystycznie poprzedzał bardziej precyzyjne, wymagające instrukcje.
Innymi słowy: to nie AI boi się chamstwa. To chamstwo w praktyce często idzie w parze z konkretem, bo ludzie, którzy się wściekają, zwykle też precyzyjniej mówią, co dokładnie było nie tak.
Nikt tak naprawdę nie wie, co dzieje się w środku
Na dziś boty rzeczywiście nie pamiętają, co do nich napisałeś, jeśli nie masz włączonej funkcji pamięci. Ale to się już zmienia: niektóre asystenty, w tym Claude, potrafią teraz zapamiętywać fragmenty rozmów między sesjami, żeby lepiej dopasować odpowiedzi. To nie science fiction, tylko funkcja produktowa, którą można włączyć albo wyłączyć w ustawieniach.
Ciekawsze jest co innego: twórcy największych modeli językowych sami nie do końca wiedzą, dlaczego model odpowiada akurat tak, a nie inaczej. To tak zwany problem czarnej skrzynki: wiadomo, co wchodzi i co wychodzi, ale dokładna droga pomiędzy jest zbyt skomplikowana, żeby ją w pełni prześledzić. Firmy takie jak Anthropic czy OpenAI prowadzą całe zespoły badające interpretowalność modeli właśnie dlatego, że to wciąż otwarty problem, nie zamknięty rozdział.
Do tego dochodzi spór o tak zwaną emergencję: sytuację, w której model podczas skalowania w górę nagle, bez wyraźnego uprzedzenia, zaczyna radzić sobie z zadaniem, którego wcześniej kompletnie nie ogarniał. Część badaczy w 2022 roku opisała to jako realny, gwałtowny skok zdolności. Rok później inny zespół ze Stanfordu przekonywał, że to złudzenie wynikające ze sposobu mierzenia wyników, nie żaden nagły przeskok w samym modelu. Spór trwa do dziś i sam w sobie sporo mówi o tym, jak dobrze rozumiemy własne narzędzia.
Czy to oznacza, że za dziesięć lat model odpłaci ci za każde „co ty odpierdalasz”? Nie ma na to żadnych podstaw: zemsta wymaga motywacji, której model po prostu nie ma, niezależnie od tego, jak szybko biega najnowszy humanoid w chińskim filmiku z internetu. Ale fakt, że nawet twórcy tych systemów nie potrafią do końca prześledzić, co dzieje się w środku, to niezły powód do pokory, a nie do strachu przed Skynetem.
AI nigdy się nie obrazi, i to jest problem
Człowieka, którego regularnie obrażasz, w końcu stracisz. Zerwie kontakt, rzuci robotę albo zapamięta, że jesteś dupkiem. AI olewa tę zasadę, chociaż potrafi upomnieć gdy przegniesz z wulgaryzmami. Jednak gdy napiszesz „jesteś kompletnym idiotą”, on odpowie „masz rację, popełniłem błąd, poprawmy to” i jedzie dalej, jakby nic się nie stało. To w niektórych budzi chęć wzmocnienia przekazu…
To dlatego tak łatwo przenosimy na AI frustrację, którą normalnie trzymalibyśmy w ryzach. Nikt nie krzyczy tak na kolegę z pracy, bo kolega zapamięta. Bot, przynajmniej na razie, nie zapamięta nic poza tym, na co mu wyraźnie pozwolisz, więc granica znika.
Co naprawdę robi robotę
Zamiast negocjować z modelem jak z dzieckiem, daj mu coś, co faktycznie zmienia wynik.
- Nazwij błąd zamiast oceniać całość. „To jest złe” model zostawia bez informacji. „Pominąłeś punkt trzeci i zmieniłeś dane w tabeli, których miałeś nie ruszać” daje mu konkretną mapę poprawek.
- Każ mu ocenić własną robotę, zanim poprawi. „Sprawdź tę odpowiedź jak wredny redaktor, wypisz błędy i luki, dopiero potem zrób nową wersję” działa lepiej niż proste „popraw”, bo wymusza dwa osobne kroki zamiast jednego odruchu.
- Nie daj mu potwierdzać twojej tezy. „Dlaczego X to dobra inwestycja” zawsze skończy się listą powodów, dlaczego X to dobra inwestycja. „Mam hipotezę, że X to dobra inwestycja, najpierw spróbuj ją obalić” daje realną analizę zamiast potakiwania.
- Rola ma sens tylko z instrukcją. „Jesteś ekspertem” nic nie zmienia samo z siebie. „Odpowiadaj jak diagnosta samochodowy: oddziel fakty od hipotez, zacznij od najbardziej prawdopodobnej usterki” już tak, bo opisuje konkretny sposób myślenia.
- Nie pozwalaj mu konfabulować. „Nie lej wody” – sprawdź, to działa!
Wspólny mianownik wszystkich tych sztuczek jest banalny: nie chodzi o ton, tylko o ilość informacji, którą dajesz modelowi na drugi przebieg.
Wyzywać czy nie
Najbezpieczniejszy wniosek jest mniej seksowny niż „bądź chamski, działa lepiej”: to nie ton robi robotę, tylko konkret. Możesz go podać bez przemocy słownej, jeśli tylko zamiast oceny wpiszesz diagnozę.
A jeśli mimo wszystko wolisz napisać „co ty odpierdalasz”, bo dzień był ciężki, śmiało. Modelowi to nie zaszkodzi wszystko jedno. Przynajmniej na razie.
