Jeszcze 2-3 lata temu praca ze sztuczną inteligencją sprowadzała się do jednego pytania: „Jak napisać dobry prompt?”. Internet wypełniły poradniki obiecujące lepsze odpowiedzi dzięki słowom kluczowym, rolom, „magicznym formułkom” i krótkim sztuczkom, które miały otwierać drzwi do genialnych rezultatów. Dziś widać wyraźnie, że to był dopiero rozbieg. Rozwój modeli językowych, agentów AI i narzędzi automatyzujących pracę sprawił, że skuteczne korzystanie z AI coraz rzadziej przypomina zadawanie pojedynczych pytań. Bardziej przypomina prowadzenie współpracownika: trzeba umieć ustawić kierunek, doprecyzować oczekiwania, dostarczyć materiał, sprawdzić wynik i — jeśli trzeba — wprowadzić poprawki. W praktyce ta umiejętność opiera się na czterech kompetencjach, które porządkują całą „sztukę współpracy” z AI:
- tworzeniu promptów - Prompt Craft: czyli umiejętnym stawianiu pytań i zadań;
- inżynierii kontekstu - Context engineering: czyli dostarczaniu danych, przykładów i ograniczeń;
- inżynierii intencji - Intent engineering: czyli jasnym definiowaniu celu i kryteriów sukcesu;
- inżynierii specyfikacji - Specification engineering: czyli przekładaniu oczekiwań na wymagania, formaty i zasady wykonania.
Co ciekawe — wiele osób zaczęło stosować te zasady intuicyjnie, zanim ktokolwiek je nazwał. Najczęściej dotyczy to profesjonalistów pracujących projektowo i konsultacyjnie: ludzi, którzy z natury muszą porządkować chaos, doprecyzowywać wymagania, oddzielać „fajnie by było” od „musi działać” i dowozić efekt, który da się wdrożyć, zmierzyć i obronić. Ten tekst jest próbą zebrania tych kompetencji w jedną mapę. Nie po to, by tworzyć kolejną listę trików, ale by pokazać model myślenia, który pozwala używać AI stabilnie — nie tylko wtedy, gdy „siądzie wena”, lecz także wtedy, gdy do zrobienia jest konkretna robota, a czas i uwaga są ograniczone.
1) Tworzenie promptów — Prompt Craft, czyli sztuka stawiania pytań i zadań
Pisanie promptów pozostaje punktem wejścia. To moment, w którym określamy:
- rolę modelu,
- styl odpowiedzi,
- format,
- zakres zadania.
Na tym poziomie wielu użytkowników zatrzymuje się. Efekt: Powtarzające się poprawki. AI działa, ale wymaga ciągłego nadzoru.
2. Context Engineering — czyli środowisko zamiast rozmowy
Prawdziwa zmiana zaczyna się wtedy, gdy przestajemy traktować AI jak pojedynczy czat. Zaczynamy projektować kontekst. Nie pytamy już tylko: „Napisz stronę internetową.” Zamiast tego dostarczamy: standardy dostępności, dokumenty źródłowe, wcześniejsze materiały, styl organizacji, grupę odbiorców. W praktyce oznacza to tworzenie instrukcji agenta, repozytoriów wiedzy czy zestawów zasad.
3) Intent Engineering — pytanie ważniejsze niż „jak?”
W pracy z AI najłatwiej wpaść w pułapkę „jak”: Jak to napisać? Jak to zrobić? Jak to policzyć? Jak to wdrożyć? To są dobre pytania — ale dopiero wtedy, gdy wcześniej padnie to ważniejsze: po co. Intent Engineering to umiejętność formułowania intencji, czyli prawdziwego zamiaru stojącego za zadaniem. To moment, w którym przestajesz traktować AI jak maszynę do odpowiedzi, a zaczynasz traktować je jak partnera w myśleniu: kogoś, komu musisz wytłumaczyć nie tylko, co ma powstać, ale też dlaczego to ma znaczenie. Bo wbrew pozorom, AI nie myli się najczęściej w „technice”. Najczęściej myli się w zrozumieniu celu. Dobra intencja zawsze ma w sobie zmianę, którą chcesz wywołać: w głowie odbiorcy, w decyzji, w działaniu, w sposobie pracy.
Przykład: • „Jak napisać wstęp do artykułu?” AI napisze wstęp. Może ładny. Może nawet poprawny. Ale niekoniecznie trafiony. • „Po co ma być ten wstęp?” Nagle robi się konkretnie: ma wciągnąć, ustawić tezę, obiecać wartość, zbudować wiarygodność, nadać ton. Dopiero wtedy „jak” ma sens. W Intent Engineering chodzi o to, by najpierw ustawić kompas, a dopiero potem wyciągać mapę.
Trzy warstwy intencji:
- cel
- publiczność
- miara sukcesu
Najprostszy sposób na intencję to trzy krótkie odpowiedzi:
- Cel: co ma się stać po tej pracy?
- Publiczność: do kogo mówimy i jaką ma sytuację?
- Sukces: po czym poznasz, że wyszło dobrze?
4) Inżynieria specyfikacji — Specification Engineering, czyli jak przełożyć „chcę” na „ma spełniać”
Jeśli Prompt Craft odpowiada za to, jak mówisz do AI, a Intent Engineering za to, po co to robisz, to Specification Engineering jest tym etapem, w którym zaczyna się prawdziwa robota: zamiana mgły na wymagania. To właśnie specyfikacja decyduje, czy AI dostarczy coś, co da się realnie wykorzystać, czy tylko ładnie brzmiący szkic. Bo AI potrafi pisać płynnie, sugestywnie, czasem wręcz błyskotliwie — ale bez specyfikacji często tworzy efekt typu: „zrobione”, tylko że nie wiadomo według jakich kryteriów i czy to jest właściwie to.
Inżynieria specyfikacji to umiejętność powiedzenia AI (albo zespołowi, albo sobie samemu): „Oto warunki brzegowe. Oto format. Oto definicja ‘gotowe’. Oto test, który ma przejść wynik.”
W potocznym języku „specyfikacja” brzmi jak coś technicznego i ciężkiego. A w praktyce to po prostu umowa na rezultat. Dlaczego to jest najtrudniejsze? Bo wymaga dwóch rzeczy naraz:
- 1. Wyobrażenia sobie efektu końcowego (nawet wstępnie).
- 2. Umiejętności ubierania tego efektu w kryteria, które da się sprawdzić.
Cztery składniki dobrej specyfikacji
- 1) Zakres i granice Czyli: co wchodzi, a co nie wchodzi. Granice są ważne, bo AI ma tendencję do dopowiadania.
- 2) Format i struktura To jest część, którą da się kontrolować niemal w 100%.
- 3) Kryteria jakości i definicja „gotowe” To jest serce specyfikacji: po czym poznasz, że efekt jest dobry.
- 4) Test lub walidacja Prosisz AI, żeby samo sprawdziło wynik według checklisty.
Podsumowanie
Na początku tej historii był prompt: jedno zdanie, jedno polecenie, szybka odpowiedź. Dziś coraz częściej pracujemy inaczej. Nie „pytamy maszynę”, tylko prowadzimy proces — jak rozmowę z partnerem, który ma ogromną wiedzę i tempo, ale potrzebuje jasnych ram, by dowozić to, co naprawdę ważne. Cztery kompetencje nowej epoki AI układają się w prostą sekwencję:
- Prompt Craft daje język startu: umiejętność stawiania zadań, które są zrozumiałe i wykonalne.
- Context Engineering dostarcza materiału i ograniczeń — bez tego AI musi zgadywać.
- Intent Engineering ustawia kompas: po co to robimy, dla kogo i jaki ma być efekt.
- Specification Engineering zamienia „chcę” w „ma spełniać” — czyli w wynik, który da się sprawdzić i wykorzystać.
Jeśli to brzmi poważnie — to dobrze. Bo w praktyce chodzi o coś bardzo przyziemnego: o oszczędność czasu, o mniejsze ryzyko błędów, o większą powtarzalność pracy i o to, żeby rezultat dało się dowieźć, a nie tylko „ładnie opowiedzieć”.