16 pojęć, które musi poznać każdy początkujący konsultant AI (i 4, których należy unikać)

Oto 16 pojęć: duży model językowy (LLM), token, okno kontekstu, inferencja, prompt, prompt systemowy, generowanie wspomagane wyszukiwaniem (RAG), dostrajanie (fine-tuning), embedding, agent, MCP, orkiestracja, człowiek w pętli (human in the loop), halucynacja, barierki ochronne (guardrails) oraz ewaluacje (evals). Cztery, z których należy zrezygnować: „oparty na AI”, „przeszkolony na Twoich danych”, „AGI” oraz „100% dokładności”. Każdy początkujący konsultant AI jest oceniany na podstawie słownictwa, zanim pokaże wyniki, ponieważ słownictwo to jedyna rzecz, którą potencjalny klient może zweryfikować podczas pierwszego spotkania. Definicje te są aktualne w momencie publikacji w sierpniu 2026 roku; branża rozwija się szybko, więc traktuj te szczegóły jako opis obecnego stanu rzeczy.

Jakie są podstawowe pojęcia dotyczące modeli?

Cztery pojęcia opisują samą maszynę. Jeśli opanujesz je prawidłowo, cała reszta ułoży się w spójną całość.

1. Duży model językowy (LLM). Silnik napędzający ChatGPT, Claude i Gemini: model przeszkolony na ogromnych ilościach tekstu, który przewiduje kolejny fragment języka. Gdy klient mówi „AI”, zazwyczaj ma na myśli właśnie to.

2. Token. Mały fragment tekstu, który modele odczytują i za który naliczają opłaty — zazwyczaj nieco krótszy niż całe słowo. Cenniki API (dostęp do modelu w modelu płatności za użycie) są podawane w przeliczeniu na tokeny, więc jest to pojęcie związane z kosztami, a nie tylko ciekawostka.

3. Okno kontekstu. Pamięć robocza modelu: ile tekstu może przeanalizować naraz. Gdy klient pyta, dlaczego AI „zapomniała” o 40. stronie ich instrukcji, okno kontekstu jest zazwyczaj odpowiedzią.

4. Inferencja. Uruchamianie przeszkolonego modelu w celu uzyskania odpowiedzi, w przeciwieństwie do jego trenowania. Inferencja to cykliczny rachunek, który Twój klient płaci co miesiąc po wdrożeniu projektu.

Które pojęcia dotyczą uzyskiwania lepszych odpowiedzi?

Pięć pojęć obejmuje sztukę tworzenia użytecznych rozwiązań dla konkretnego biznesu na bazie ogólnego modelu.

1. Prompt. Instrukcja przekazywana modelowi. Całe produkty są obecnie budowane na podstawie opisu pisemnego; kreatory oparte na promptach przekształcają akapit w działające oprogramowanie, dlatego prompt jest dziś elementem dostarczalnym projektu, a nie zwykłą wiadomością na czacie.

2. Prompt systemowy. Stałe instrukcje, które model otrzymuje, zanim użytkownik cokolwiek wpisze. Wiele „spersonalizowanych asystentów AI” sprzedawanych małym firmom to od strony technicznej po prostu prompt systemowy nałożony na istniejący model. Warto o tym wiedzieć, zanim wycenisz taką usługę.

3. Generowanie wspomagane wyszukiwaniem (RAG). Pobieranie najbardziej odpowiednich dokumentów i przekazywanie ich modelowi w momencie zadawania pytania. W ten sposób sprawiasz, że model odpowiada na podstawie instrukcji i procedur klienta bez modyfikowania samego modelu.

4. Dostrajanie (Fine-tuning). Rzeczywista zmiana wag modelu (jego wewnętrznych ustawień) poprzez trenowanie go na nowych przykładach. Jest to kosztowne, wolniejsze w aktualizacji i rzadko stanowi odpowiednie narzędzie pierwszego wyboru. Większość zadań, które klienci nazywają „szkoleniem”, to w rzeczywistości RAG.

5. Embedding. Tekst przekształcony w listy liczb, dzięki czemu pojęcia o podobnym znaczeniu znajdują się blisko siebie. Embeddingi stanowią indeks, w którym szuka RAG; bez nich funkcja „znajdź odpowiedni dokument” nie zadziała.

Które pojęcia mają znaczenie, gdy AI zaczyna wykonywać pracę?

Odpowiedzi to łatwa część. Te cztery pojęcia dotyczą sytuacji, gdy AI podejmuje działania — a w tym kierunku zmierzają projekty doradcze.

1. Agent. AI pracująca w pętli dążącej do celu: planuje, używa narzędzi, sprawdza wyniki i próbuje ponownie, zamiast zwracać pojedynczą odpowiedź. Agenty to również miejsce, gdzie błędy się kumulują, co sprawia, że trzy ostatnie pojęcia z tej listy stają się płatnymi usługami doradczymi.

2. MCP (Model Context Protocol). Otwarty standard, który pozwala aplikacji AI łączyć się z zewnętrznymi narzędziami i danymi, często opisywany jako port USB-C dla AI. Powstał w firmie Anthropic pod koniec 2024 roku i jest obecnie zarządzany przez Agentic AI Foundation w ramach Linux Foundation, ze wsparciem w ChatGPT, Claude, Cursor i Microsoft Copilot. Prawie każde pytanie klienta typu „czy wasza AI może rozmawiać z naszym systemem?” opiera się dziś na MCP.

3. Orkiestracja. Koordynowanie wielu modeli, narzędzi i kroków w jeden przepływ pracy: który model obsługuje co, w jakiej kolejności i co się dzieje, gdy dany krok się nie powiedzie.

4. Człowiek w pętli (Human in the loop). Osoba, która weryfikuje pracę AI, zanim wywoła ona realne skutki. Decyzja o tym, gdzie umieścić tę osobę, jest właściwą decyzją projektową, za którą klienci płacą konsultantowi.

Które pojęcia chronią projekty klienckie przed kłopotami?

Ostatnie trzy pojęcia pozwalają brzmieć jak profesjonalista, a nie pasjonat.

1. Halucynacja. Pewna siebie, płynna, ale błędna odpowiedź. Jest to naturalny tryb awarii tych systemów, a nie błąd, który jakiś dostawca potajemnie rozwiązał.

2. Barierki ochronne (Guardrails). Sztywne ograniczenia dotyczące tego, co system może powiedzieć lub zrobić: tematy, których odrzuca poruszenie, działania, których nie może podjąć, oraz progi, których nie może przekroczyć.

3. Ewaluacje (Evals). Skrót od ocen/ewaluacji: powtarzalne testy, które oceniają system AI na znanych przypadkach przed i po każdej zmianie. Jeśli sprzedajesz systemy AI bez ewaluacji, sprzedajesz przeczucia. To pojęcie wygrywa kontakty.

Jakich czterech pojęć należy unikać?

Każde z nich sprawia, że potencjalny klient ma do Ciebie mniejsze zaufanie, z innego powodu.

1. „Oparty na AI”. Nic nie opisuje, a znajduje się w każdej prezentacji sprzedażowej. Zamiast tego nazwij mechanizm: RAG na dokumentach firmy, agent z weryfikacją człowieka, dostrojony klasyfikator.

2. „Przeszkolony na Twoich danych”. Zazwyczaj nieprawda. Większość systemów klienckich używa RAG lub długiego okna kontekstu, a nie trenowania, zaś to sformułowanie wywołuje alarmy dotyczące prywatności, które potem spędzasz całe spotkanie rozbrajając. Mów „zakotwiczone w Twoich danych”, chyba że dosłownie wykonujesz fine-tuning.

3. „AGI”. Sztuczna inteligencja ogólna to debata naukowa, a nie pojęcie służące do określania zakresu projektu. Jeśli klient o to pyta, odpowiedz szczerze; po prostu nie buduj na tym swojej oferty, ponieważ zachęca to do prognoz, których nie jesteś w stanie poprzeć dowodami.

4. „100% dokładności”. Równie dobrze „wolny od halucynacji”. Gwarancja, której nikt nie może uczciwie złożyć. Zamiast tego podawaj zmierzone wskaźniki błędów z własnych ewaluacji; realna liczba zamyka więcej transakcji niż obiecane zero.

Więc które pojęcia mają w praktyce największe znaczenie?

Jeśli rozmowa z klientem sprowadza się do czterech z nich, będą to RAG, agent, MCP i ewaluacje: co system wie, co może zrobić, z czym się łączy i jak udowadniasz, że działa. Opanuj je na blachę, a reszty używaj w zależności od potrzeb. Złota zasada: jeśli nie potrafisz zdefiniować pojęcia klientowi w jednym zdaniu, pomiń je w prezentacji.

Aby zobaczyć to słownictwo w praktyce podczas realnego zlecenia, przeczytaj jak konsultanci AI określają zakres wewnętrznego zastąpienia SaaS. Aby poczuć różnicę między słowami a demonstracją, połącz własną AI przez MCP z kreatorem Final i zobacz, jak prompt staje się działającym POS. A jeśli Twoimi klientami są sprzedawcy, towarzysząca lista 30 pojęć POS, które powinien znać każdy nowy sprzedawca obejmuje drugą połowę tej rozmowy.