Jak unikać błędów AI w raportach i dokumentach?

Sztuczna inteligencja może przygotować raport szybciej niż człowiek. Potrafi też szybciej wyprodukować błędne liczby, nieistniejące źródła i wniosek, który brzmi profesjonalnie tylko dlatego, że został dobrze sformatowany. Rozwiązaniem nie jest rezygnacja z AI. Rozwiązaniem jest proces, w którym jej wynik pozostaje produktem pośrednim aż do chwili przejścia przez określone bramki kontroli jakości.

Głośna sprawa raportu „Polaków portret własny” pokazała problem w bardzo widocznej formie. Dokument zawierał błędy rzeczowe, językowe, edycyjne i źródłowe, a dyskusja szybko skupiła się na pytaniu, ile tekstu mogła stworzyć sztuczna inteligencja. Z perspektywy organizacji ważniejsze jest jednak inne pytanie: dlaczego błędny wynik nie został zatrzymany przed publikacją?

Analizę samego przypadku opisałem osobno na Rynek-Tech.pl. Tutaj skupiam się na rozwiązaniu, które można zastosować w firmie, urzędzie, uczelni, fundacji albo redakcji.

Prompt nie jest procedurą

W wielu organizacjach użycie AI wygląda podobnie:

1. pracownik wpisuje polecenie,
2. model generuje odpowiedź,
3. pracownik lekko ją poprawia,
4. wynik trafia do dokumentu, prezentacji albo wiadomości.

To nie jest jeszcze proces kontroli jakości. To tylko szybka ścieżka przeniesienia treści z okna czatu do organizacji.

Dobry prompt może ograniczyć liczbę błędów, ale nie gwarantuje prawdziwości źródeł, aktualności danych ani zgodności wyniku z celem biznesowym. Model nie zna wszystkich niejawnych założeń organizacji, nie rozumie odpowiedzialności autora dokumentu i nie wie, jak kosztowna może być pomyłka po publikacji.

Prompt opisuje zadanie dla AI. Procedura opisuje odpowiedzialność całego systemu pracy.

Wynik AI jako produkt pośredni

W koncepcji Asystenta AI sztuczna inteligencja wspiera użytkownika w realizacji celu, ale użytkownik pozostaje odpowiedzialnym operatorem procesu. Określa zakres, dostarcza kontekst, ustala kryteria jakości, sprawdza wynik i podejmuje decyzję graniczną.

Takie podejście zmienia sposób traktowania odpowiedzi modelu. Nie jest ona automatycznie gotowym raportem. Jest jednym z elementów procesu — szkicem, propozycją, klasyfikacją, streszczeniem albo hipotezą wymagającą dalszego przetworzenia.

Najprostszy bezpieczny przepływ wygląda następująco:

cel → dane wejściowe → wynik AI → weryfikacja → korekta → zatwierdzenie → publikacja

Każda strzałka oznacza przejście między stanami. W zadaniach o większym wpływie nie powinno ono następować automatycznie.

Najpierw role, potem narzędzia

Zanim organizacja zacznie budować checklisty i prompty, powinna przypisać odpowiedzialność. Jedna osoba może pełnić kilka ról przy prostym materiale, ale same role muszą pozostać rozróżnialne.

Rola	Odpowiedzialność	Kluczowe pytanie
Właściciel treści	Cel, zakres, odbiorca i wartość dokumentu	Po co ten materiał powstaje?
Operator AI	Dane wejściowe, konfiguracja narzędzia, prompty i zapis przebiegu pracy	Jak AI została użyta?
Weryfikator	Fakty, źródła, logika, język lub zgodność dziedzinowa	Czy wynik jest prawidłowy?
Zatwierdzający	Decyzja o użyciu albo publikacji wyniku	Czy organizacja bierze odpowiedzialność za tę wersję?

Najbardziej ryzykowny układ powstaje wtedy, gdy jedna osoba tworzy treść z AI, sama ją sprawdza i sama publikuje. Drugi ryzykowny wariant to poproszenie tego samego modelu: „sprawdź, czy dobrze napisałeś”. Taka kontrola może być pomocna, ale nie jest niezależna. To cyfrowy odpowiednik samodzielnego sprawdzenia własnej pracy i przyznania sobie piątki za szczególnie ładne przypisy.

Siedem bramek kontroli jakości

Bramka 1. Klasyfikacja zadania i ryzyka

Nie każdy wynik AI wymaga takiej samej kontroli. Szkic prywatnej notatki ma inny wpływ niż publiczny raport, odpowiedź dla klienta, analiza prawna albo materiał służący do podjęcia decyzji kadrowej.

Poziom	Przykład	Minimalna kontrola
Niski	Pomysły, prywatne notatki, warianty tytułów	Ocena użytkownika przed wykorzystaniem
Umiarkowany	Wewnętrzne podsumowanie, szkic maila, opis roboczy	Kontrola faktów i zgodności z kontekstem
Wysoki	Raport publiczny, materiał dla klienta, analiza zarządcza	Niezależna weryfikacja, źródła, zatwierdzenie
Krytyczny	Decyzje dotyczące zdrowia, prawa, finansów, zatrudnienia lub praw osób	Specjalista dziedzinowy, formalny nadzór, dokumentacja i możliwość odwołania

Klasyfikacja powinna uwzględniać nie tylko temat, lecz także zasięg błędu. Ten sam akapit może być mało ryzykowny w notatce roboczej i bardzo ryzykowny po opublikowaniu na stronie instytucji.

Bramka 2. Kontrola danych wejściowych i źródeł

Model może przygotować dobry wynik tylko w granicach dostępnego kontekstu. Jeżeli otrzyma nieaktualne dane, fragmentaryczne materiały albo zestaw sprzecznych dokumentów, wygeneruje odpowiedź na podstawie wadliwego obrazu sytuacji.

Przed uruchomieniem zadania należy ustalić:

• jakie źródła są dopuszczone,
• jaki okres danych jest aktualny,
• które materiały mają pierwszeństwo w przypadku sprzeczności,
• czy dane są publiczne, wewnętrzne, poufne, osobowe lub wrażliwe,
• czy dane można przekazać do wybranego narzędzia,
• czy wynik musi zachować odwołanie do materiału pierwotnego.

W zadaniach badawczych, prawnych, finansowych i regulacyjnych warto prowadzić rejestr źródeł jeszcze przed rozpoczęciem generowania treści. Dzięki temu model nie buduje odpowiedzi na przypadkowym miksie Internetu, pamięci i domysłów użytkownika.

Bramka 3. Definicja wyniku i kryteria akceptacji

Polecenie „przygotuj profesjonalny raport” nie definiuje profesjonalizmu. Nie wiadomo, kto jest odbiorcą, jakie źródła są wymagane, czego nie wolno pominąć ani po czym poznać, że zadanie zostało ukończone.

Dobra definicja wyniku powinna określać co najmniej:

• cel dokumentu i decyzję, którą ma wspierać,
• odbiorcę oraz oczekiwany poziom szczegółowości,
• zakres i wyłączenia,
• format, strukturę i maksymalną długość,
• minimalną jakość źródeł,
• sposób oznaczania niepewności,
• kryteria dyskwalifikujące wynik,
• termin aktualności danych.

Przykładowe kryterium dyskwalifikujące może brzmieć: „żadne twierdzenie liczbowe nie może zostać opublikowane bez konkretnego źródła i daty”. Dzięki temu nie trzeba później zastanawiać się, czy ładnie brzmiąca liczba jest „wystarczająco wiarygodna”.

Bramka 4. Macierz twierdzenie–źródło

W dokumentach analitycznych każde ważne twierdzenie powinno być możliwe do prześledzenia do materiału pierwotnego. Sam spis literatury na końcu nie wystarcza. Czytelnik i weryfikator muszą wiedzieć, które źródło potwierdza konkretną tezę.

ID	Twierdzenie	Źródło i lokalizacja	Data	Status	Weryfikator
T-01	Wskaźnik X wyniósł Y	Raport instytucji, tabela 4, strona 18	2026-05-10	Potwierdzone	MP
T-02	Respondenci wskazali trzy główne bariery	Kodowanie badania, kody B12–B14	2026-05-12	Do kontroli	—

Taka macierz pełni kilka funkcji jednocześnie: ułatwia fact-checking, pokazuje luki, pozwala aktualizować dane i ogranicza ryzyko, że model połączy dwa podobne źródła w jedno nieistniejące twierdzenie.

Bramka 5. Kontrola kontrargumentów i sprzeczności

AI ma naturalną skłonność do rozwijania kierunku wskazanego przez użytkownika. Jeżeli polecenie zakłada określoną tezę, model często pomoże ją uzasadnić, zamiast pytać, czy teza jest prawdziwa. Dlatego osobnym etapem powinno być aktywne poszukiwanie błędów.

Można wykorzystać AI do zadań kontrolnych:

• wskaż twierdzenia bez wystarczającego dowodu,
• znajdź sprzeczności między rozdziałami,
• oddziel fakty od interpretacji i rekomendacji,
• zaproponuj argumenty przeciwne,
• wskaż pojęcia niejednoznaczne,
• sprawdź, które wnioski nie wynikają logicznie z danych.

To wartościowe zastosowanie modelu, ale jego wynik również wymaga oceny. AI może odnaleźć problem, którego człowiek nie zauważył, albo z równym przekonaniem zakwestionować fakt całkowicie poprawny. Kontrola kontrargumentów jest dodatkową warstwą, a nie automatycznym certyfikatem jakości.

Bramka 6. Niezależna weryfikacja człowieka

W materiale wysokiego ryzyka potrzebna jest druga osoba, która nie uczestniczyła bezpośrednio w generowaniu treści. Zakres kontroli zależy od dokumentu i może obejmować:

• weryfikację merytoryczną przez eksperta dziedzinowego,
• fact-checking liczb, nazw, dat i cytatów,
• kontrolę metodologii i sposobu wyciągania wniosków,
• korektę językową i redakcyjną,
• kontrolę prawną, bezpieczeństwa lub ochrony danych,
• sprawdzenie zgodności z polityką organizacji.

Niezależność jest tu ważniejsza niż hierarchia. Recenzent nie powinien jedynie potwierdzać, że materiał „wygląda dobrze”. Powinien mieć prawo zatrzymać publikację i wskazać, jakie warunki nie zostały spełnione.

Bramka 7. Zatwierdzenie, publikacja i ślad audytowy

Ostatnia bramka chroni organizację przed opublikowaniem niewłaściwego pliku, niezatwierdzonej wersji albo materiału roboczego. Przed publikacją należy zapisać:

• numer i datę wersji,
• status dokumentu,
• osobę odpowiedzialną za treść,
• osoby wykonujące poszczególne kontrole,
• zakres użycia AI,
• datę i osobę zatwierdzającą,
• miejsce przechowywania materiałów źródłowych,
• procedurę korekty albo wycofania publikacji.

Ślad audytowy nie służy wyłącznie do szukania winnych po awarii. Pozwala odtworzyć proces, poprawić go i sprawdzić, czy ta sama klasa błędu nie wraca w kolejnych dokumentach.

Minimalny proces dla raportu tworzonego z AI

1. Właściciel treści definiuje cel, odbiorcę i poziom ryzyka.
2. Operator przygotowuje zatwierdzony zestaw danych i źródeł.
3. Powstają kryteria akceptacji oraz lista błędów dyskwalifikujących.
4. AI przygotowuje szkic lub wykonuje określone zadanie pomocnicze.
5. Autor porównuje wynik z materiałem źródłowym i uzupełnia macierz twierdzenie–źródło.
6. AI albo inny mechanizm wykonuje kontrolę sprzeczności i kontrargumentów.
7. Niezależny człowiek przeprowadza kontrolę właściwą dla poziomu ryzyka.
8. Dokument otrzymuje numer wersji i status „zatwierdzony”.
9. Osoba uprawniona podejmuje decyzję o publikacji.
10. Źródła, wersja i zapis kontroli trafiają do archiwum.

Przy prostym wpisie cały proces może trwać kilka minut. Przy raporcie publicznym powinien być znacznie bardziej formalny. Ważna jest proporcjonalność, ale nie wolno usuwać etapów tylko dlatego, że narzędzie wygenerowało tekst szybko.

Checklista przed publikacją

• Czy cel i odbiorca dokumentu są jednoznaczni?
• Czy wiadomo, które części powstały z pomocą AI?
• Czy wykorzystane dane mogły zostać legalnie i bezpiecznie przekazane do narzędzia?
• Czy każda istotna liczba ma konkretne i aktualne źródło?
• Czy cytaty zgadzają się z materiałem pierwotnym?
• Czy wnioski rzeczywiście wynikają z danych?
• Czy oddzielono fakty, interpretacje i rekomendacje?
• Czy sprawdzono nazwy własne, daty, jednostki i lokalizacje?
• Czy usunięto fragmenty robocze, komentarze, puste przypisy i znaczniki techniczne?
• Czy dokument przeczytała niezależna osoba?
• Czy opublikowana zostanie zatwierdzona wersja pliku?
• Czy wiadomo, kto podejmuje ostateczną odpowiedzialność za publikację?

AI literacy to nie tylko szkolenie z promptów

Od 2 lutego 2025 roku stosuje się przepisy AI Act dotyczące rozwijania kompetencji związanych z AI. Aktualne wyjaśnienia Komisji Europejskiej podkreślają, że działania organizacji powinny uwzględniać wiedzę, doświadczenie i kontekst osób korzystających z systemów AI. Nie chodzi więc o jednorazowe pokazanie pracownikom kilku sztuczek w oknie czatu.

Praktyczna piśmienność AI obejmuje również:

• rozpoznawanie zadań, do których AI się nadaje,
• rozumienie ryzyka halucynacji i utraty kontekstu,
• ochronę danych,
• weryfikację źródeł,
• umiejętność oznaczania niepewności,
• znajomość ścieżki eskalacji błędu,
• świadomość odpowiedzialności człowieka za użycie wyniku.

Dla większych organizacji przydatnym punktem odniesienia mogą być również cztery funkcje NIST AI Risk Management Framework — Govern, Map, Measure, Manage — oraz norma ISO/IEC 42001 dotycząca systemu zarządzania sztuczną inteligencją. Nie zastępują one projektu konkretnego procesu, ale pomagają osadzić kontrolę dokumentów w szerszym modelu zarządzania ryzykiem, odpowiedzialnością i ciągłym doskonaleniem.

Kontrola jakości nie ma blokować AI

Dobrze zaprojektowane bramki nie służą do spowalniania pracy. Mają zatrzymywać wyłącznie wyniki, które nie spełniają ustalonych norm. Dzięki temu AI może szybko przygotować szkic, uporządkować setki stron materiału albo wskazać potencjalne sprzeczności, a człowiek skupia się na decyzjach, wyjątkach i odpowiedzialności.

Najgorszym rozwiązaniem są dwie skrajności:

• pełna dowolność, w której każdy wynik AI może od razu trafić do klienta albo Internetu,
• całkowity zakaz, który usuwa wartość narzędzia zamiast zarządzać ryzykiem.

Dojrzała organizacja wybiera trzecią drogę: definiuje, gdzie AI pomaga, jakiego poziomu kontroli wymaga wynik i kto może podjąć decyzję końcową.

AI może przyspieszać pracę. Człowiek musi nadal wiedzieć, po co ta praca powstaje, co oznacza dobry wynik i kiedy nie wolno nacisnąć „Publikuj”.

Podsumowanie

Błędy AI rzadko są wyłącznie problemem modelu. Częściej powstają w całym łańcuchu: od niepełnych danych i niejasnego celu, przez brak źródeł, aż po niekontrolowaną publikację. Dlatego odpowiedzią na halucynacje nie jest jeden „lepszy prompt”, lecz proces składający się z ról, kryteriów, kontroli i śladu audytowego.

Siedem opisanych bramek można wdrażać stopniowo. Najpierw warto zacząć od klasyfikacji ryzyka, macierzy twierdzenie–źródło oraz niezależnej decyzji publikacyjnej. Już te trzy elementy zatrzymują znaczną część błędów, które w innym przypadku wyglądają jak gotowy, profesjonalny dokument.

Asystent AI może przygotować materiał. Odpowiedzialny operator musi zamienić ten materiał w wynik, za który organizacja jest gotowa ręczyć.

---

Źródła i dalsza lektura

1. Maciej Pieniak: „Używać AI czy nie używać AI?” — koncepcja Asystenta AI, ryzyka i zasady współpracy.
2. Komisja Europejska: AI Literacy — Questions & Answers.
3. Komisja Europejska: AI Act — harmonogram stosowania i aktualne informacje.
4. NIST AI Risk Management Framework Core: Govern, Map, Measure, Manage.
5. ISO/IEC 42001:2023 — AI management systems.
6. Archiwalna kopia raportu „Polaków portret własny” — materiał omawianego przypadku.

Materiał ma charakter informacyjny i procesowy. Nie stanowi porady prawnej ani kompletnej procedury zgodności dla konkretnej organizacji. Zakres kontroli należy dostosować do zastosowania, danych, branży i poziomu ryzyka.