Jak zbudowałem AI, które nie zmyśla o partycypacji dzieci i młodzieży

Ten artykuł to przewodnik dla nieinżynierów: dla badaczek i badaczy nauk społecznych oraz młodych aktywistów, którzy chcą zrozumieć, jak naprawdę działa „Partycypacyjny Inteligentny Asystent” — i dlaczego akurat tak.

Problem, który zna każdy, kto śledzi temat

Wyobraź sobie, że zajmujesz się partycypacją dzieci i młodzieży lub jakimkolwiek innym tematem — jako badaczka, jako działacz organizacji, jako członek zespołu doradczego.

Codziennie przybywa materiałów: raport UNICEF, opracowanie uniwersyteckie, dokument rządowy, jakaś polityka krajowa po czesku, diagnoza NGO, briefing Rzeczniczki Praw Dziecka.

Część po polsku, część po angielsku, ale większość w innych językach. Część jako PDF, część jako strona internetowa, a do tego masz jeszcze swoją książkę lub wewnętrzne badanie w Wordzie.

Ręcznie nie ma szans, że to ogarniesz — ja nie ogarniałem. Przeczytanie wszystkiego po kolei jest nieefektywne, a Ctrl+F po kilkudziesięciu plikach — niemal bezużyteczne. Problem z prostym wyszukiwaniem za pomocą Ctrl+F jest taki, że znajdzie ono dokładnie to słowo, które wpiszesz. Jeśli szukasz „uczestnictwa nastolatków”, a w dokumencie jest „rady młodzieżowe” albo angielskie „youth empowerment” — nie znajdzie nic, choć mówią dokładnie o tym samym.

PIA — Partycypacyjny Inteligentny Asystent — powstała właśnie z tej potrzeby. Nazwa PIA jest roboczo wymyślona przeze mnie, bo jak z czymś rozmawiam, to lubię nadać mu nazwę. „Zapytaj PIA” brzmi lepiej w mojej głowie niż „Zapytaj RAG”, bo PIA takim RAG-iem właśnie jest.

Stworzyłem ją dla zespołu doradczego przy Rzeczniczce Praw Dziecka, w którym pracują obok siebie naukowcy i aktywiści o bardzo różnym przygotowaniu — zarówno do partycypacji jako takiej, jak i do wykorzystania AI. Kiedy zostałem powołany do tego zespołu, miałem bardzo ogólne pojęcie o tym, czym jest partycypacja dzieci i młodzieży, a do tego problem, by szybko tę wiedzę uzupełnić.

Z kolei inne osoby z zespołu miały wiedzę i materiały, ale wyzwaniem było współdzielenie tej wiedzy i szybka analiza dużej ilości danych. Przykład: mój podzespół miał za zadanie przeanalizować 13 znanych nam polityk prawnych z krajów UE oraz wzorcowy dokument UNICEF i przygotować wnioski, które z tych praktyk możemy zaproponować dla Polski i dlaczego.

Rok temu wziąłem kilka osób z zespołu na szkolenie z podstaw AI dla organizacji pozarządowych, ale stało się dla nas jasne, że wiele osób słyszy słowa „RAG”, „embedding” czy „LLM” pierwszy raz w życiu. A żeby korzystać z AI dobrze, warto rozumieć, jak i dlaczego ona działa tak, a nie inaczej. Ten tekst jest właśnie o tym.

Kiedy w maju miałem przygotować wewnętrzne szkolenie, stwierdziłem, że lepiej będzie pracować na czymś, co zespół zna i rozumie, i na tym tłumaczyć wszystkie te pojęcia.

Czym PIA jest — i czym na pewno nie jest

W skrócie: PIA to prywatna baza wiedzy z asystentem AI, która robi trzy rzeczy.

1. Codziennie sama szuka nowych materiałów w sieci (o 7:00 rano) i dokłada je do bazy.
2. Pozwala wgrywać źródła ręcznie — przeciągasz plik, a AI samo wyciąga tytuł, autorów, datę i tagi. Sprawdza najpierw, czy nie ma tego już w bazie, nawet jeśli pliki zostały inaczej nazwane.
3. Daje wyszukiwarkę i czat jak ChatGPT, ale lepszy — pytasz po polsku „co badania mówią o partycypacji uczniów w szkole średniej?”, a system odpowiada, cytując konkretne źródła, w które możesz kliknąć i skopiować je potem do Worda.

I tu najważniejsze rozróżnienie, bo przesądza o wszystkim:

PIA to nie ChatGPT.

ChatGPT odpowiada na podstawie tego, co „zapamiętał” z internetu do pewnej daty. Nie zna Twojego raportu z zeszłego tygodnia ani PDF-a z konsultacji, który właśnie wgrałeś. A gdy o coś takiego zapytasz — potrafi wymyślić odpowiedź z pełnym przekonaniem: nieistniejącego autora, zmyśloną datę, fikcyjny raport. To nie jest „błąd” — to wynika z natury tych modeli, o czym za chwilę.

PIA jest inna: odpowiada wyłącznie na podstawie dokumentów, które są w Twojej bazie. Jeśli czegoś tam nie ma — powie „brak danych”, zamiast zmyślać. To fundament całej konstrukcji. Nie da Ci też przepisu na stek z grilla, mimo że modele AI, z których jest zbudowana, pewnie ten przepis znają.

Dla porządku, czym PIA też nie jest: nie jest publiczną wyszukiwarką (dostęp ma tylko wąska, zatwierdzona grupa osób) ani systemem recenzji naukowej. To narzędzie do briefingu i odkrywania wiedzy, nie do oceniania jej jakości — tę ocenę zostawiamy człowiekowi.

RAG — czyli jak sprawić, żeby AI nie zmyślała

Tu dochodzimy do serca sprawy. Skrót RAG oznacza Retrieval-Augmented Generation — „generowanie wspomagane wyszukiwaniem”. Brzmi technicznie, ale idea jest prosta.

Model językowy (taki jak Claude czy ChatGPT) to genialny pisarz. O cokolwiek go zapytasz, zawsze odpowie, bo tak właśnie działają modele językowe.

Gdybym chciał to opisać prościej: wyobraź sobie wyjątkowo elokwentnego absolwenta socjologii. Poproszony o esej o najnowszych badaniach, napisze go płynnie i przekonująco. Problem w tym, że jeśli nie zna źródeł na bieżąco, zacznie zmyślać autorów i daty — bo jego zadaniem jest „brzmieć sensownie”, a nie „mówić prawdę”. Stąd tyle memów o halucynacjach AI.

RAG to instrukcja: „Najpierw weź z półki te konkretne książki, przeczytaj odpowiednie fragmenty i dopiero potem pisz — a przy każdym zdaniu podaj, z której książki pochodzi”.

Co dzieje się naprawdę, gdy zadajesz PIA pytanie:

1. System rozumie pytanie. Jeśli rozmawiacie od kilku tur i dopytujesz „a co z gminami?”, tani, szybki model najpierw przepisuje to w samodzielne zapytanie na podstawie kontekstu rozmowy: „partycypacja młodzieży na poziomie gminy”.
2. System szuka pasujących fragmentów w Twojej bazie — nie po słowach kluczowych, lecz po znaczeniu (jak dokładnie, wyjaśniam w następnej sekcji).
3. Buduje „ściągę” dla modelu — wkleja znalezione fragmenty do polecenia, ponumerowane: [1], [2], [3]…
4. Model pisze odpowiedź wyłącznie na podstawie tej ściągi, wstawiając numery cytowań: „Poziom realnej partycypacji w szkołach średnich jest niski [1]. Diagnoza Młodzieży 2026 wskazuje, że tylko 23% uczniów… [1]”.
5. Cytaty stają się klikalne — [1] to link do dokładnego źródła, które możesz otworzyć i sprawdzić.

Dlaczego ta architektura jest tak mocna? Z czterech powodów, które badacz doceni od razu:

• Wiarygodność — każde stwierdzenie ma przypis. Nie ma „jak powszechnie wiadomo”, jest „[1] wskazuje”. Możesz kliknąć i ocenić źródło sam.
• Aktualność — żeby PIA znała nowy raport, wystarczy go dodać do bazy. Nie trzeba „przetrenowywać” modelu (to byłaby operacja za setki tysięcy dolarów).
• Trzymanie się tematu — zapytasz o stolicę Argentyny lub coś niezwiązanego z tematem, a dostaniesz „brak danych w bazie”, bo modelowi wprost zabraniam korzystać z wiedzy spoza Twoich dokumentów.
• Audytowalność — system zapisuje każde pytanie, każdą odpowiedź i każde cytowane źródło. Da się odtworzyć, co dokładnie odpowiedział i na jakiej podstawie.

Na hot-path, czyli tam, gdzie jakość odpowiedzi liczy się najbardziej, używamy obecnie najmocniejszego dostępnego modelu (Claude Opus 4.8), a do tańszych, pomocniczych zadań — modeli lżejszych. To też świadoma decyzja: drogi model tam, gdzie czytelnik to odczuje; tani tam, gdzie nie. Jak mówił Ferdek Kiepski w jednym z seriali: „Tanie to nie jest, ale jest dobrze”.

Dlaczego „wyszukiwanie po znaczeniu” — i jak to w ogóle możliwe

Wróćmy do kroku 2: skąd system wie, że „rady młodzieżowe” i „youth empowerment” mówią o tym samym, skoro nie mają wspólnego słowa?

Odpowiedź to embedding. To zamiana każdego fragmentu tekstu na wektor liczb — u nas na ciąg 3072 liczb — w taki sposób, że teksty o podobnym znaczeniu dostają liczbowo bliskie sobie wektory, nawet jeśli słownictwo jest zupełnie inne.

Tu pomaga analogia, którą docenią osoby z nauk społecznych. Pomyśl o wielowymiarowej skali Likerta. W badaniu postaw wobec demokracji młodzieżowej masz np. 20 itemów: zaufanie do instytucji, poczucie sprawczości, stosunek do autorytetów… Każdy respondent staje się wektorem 20 liczb. Dwoje respondentów o podobnych wynikach na tych 20 wymiarach ma podobne postawy — nawet jeśli na pojedyncze pytania odpowiedzieli inaczej.

Embedding to dokładnie to samo, tylko z 3072 wymiarami zamiast 20 — i z jedną kluczową różnicą: tych wymiarów nie zdefiniował badacz. Model sam „nauczył się” ich z ogromnego korpusu tekstów. Nie da się ich nazwać („wymiar 47 to formalność”), ale odległość między dwoma wektorami wiarygodnie mówi, jak blisko tematycznie są dwa teksty. Pytanie też zamieniamy na taki wektor i szukamy fragmentów, których wektory są najbliżej — i to działa również między językami: angielski dokument potrafi „dopasować się” do polskiego pytania.

Dlaczego akurat ten model i 3072 wymiary? Bo w testach lepiej radził sobie z niuansami niż lżejsze warianty, a koszt policzenia jednego zapytania jest znikomy. Ale jest jeden haczyk, który zmusił mnie do konkretnej decyzji programistycznej:

Polski tekst „kosztuje” około 1,5–2 razy więcej niż angielski.

Modele tną tekst na „tokeny” (kawałki słów). Język angielski dzieli się na tokeny oszczędnie (~4 znaki na token), polski — przez odmianę, ogonki i dłuższe wyrazy — znacznie gęściej (~2–3 znaki na token). Model embeddingu ma twardy limit, ile tokenów przyjmie naraz. Dlatego ustawiłem, na podstawie mojej wiedzy, granicę 14 000 znaków na jeden fragment do embedowania: dla polskiego to bezpieczny zapas, żeby tekst zmieścił się w limicie modelu i nie został „obcięty w pół zdania”. To dobry przykład tego, jak realia języka polskiego wymuszają decyzje, których w anglojęzycznym projekcie by nie było — albo byłyby mniej istotne. Jednocześnie odrzuciłem pomysł, by wszystko tłumaczyć na angielski, tak embedować, a potem tłumaczyć na polski z powrotem — bo zależało mi na języku i jego niuansach.

Dlaczego AI dzieli dokumenty tak, a nie inaczej

Skoro embedujemy fragmenty „do 14 000 znaków”, to co z całą resztą? Bo dokumenty są przeróżne: jedne mają jedną stronę, inne to całe książki — w naszej bazie zdarzają się teksty po ponad milion znaków. Nie da się (i nie ma sensu) zamieniać takiej książki na jeden wektor — wektor „o wszystkim” jest tak naprawdę „o niczym”. Stąd chunking: dzielenie dokumentu na kawałki.

Moje AI robi to hierarchicznie, na dwóch poziomach:

• Fragment-dziecko (~1000 znaków, z lekkim zakładem na granicach) — to po nim szukamy. Mały, precyzyjny, „o jednej myśli”. Dzięki temu trafienie jest celne: zamiast „ten dokument gdzieś o tym wspomina”, dostajemy „dokładnie ten akapit o tym mówi”.
• Fragment-rodzic (~5000 znaków) — szerszy kontekst wokół trafionego dziecka. To jego podajemy modelowi do napisania odpowiedzi.

Analogia: fiszka indeksowa kontra rozdział. Szukasz po fiszkach — są małe i łatwo wśród nich znaleźć właściwą. Ale gdy już znajdziesz fiszkę, do napisania mądrej odpowiedzi czytasz cały rozdział, z którego pochodzi, żeby nie wyrwać zdania z kontekstu. Małe fragmenty dają celność wyszukiwania, duże dają bogactwo kontekstu — bierzemy jedno i drugie.

Do tego dochodzi jeszcze druga ścieżka wyszukiwania: klasyczne wyszukiwanie po słowach kluczowych (full-text search), ale w wersji, która rozumie polską odmianę — żeby „partycypacją”, „partycypacji” i „partycypacja” traktować jako to samo słowo. Standardowe narzędzia bazodanowe tego po polsku nie potrafią, więc użyliśmy wyspecjalizowanego rozszerzenia. Najlepsze wyniki daje połączenie obu metod — semantycznej i słów kluczowych — bo każda łapie coś, co druga gubi.

Co z tego jest dla Ciebie?

Jeśli jesteś badaczką lub badaczem: PIA działa jak zautomatyzowany przegląd systematyczny literatury. Te same etapy, które znasz — definicja zapytań, pierwsza selekcja po tytule i abstrakcie, pełne czytanie, kodowanie/tagowanie, synteza — system wykonuje sam, w ~30 sekund na dokument zamiast tygodni. Ale kuratorstwo zostaje po Twojej stronie: każdy wpis możesz odrzucić, zarchiwizować, oznaczyć gwiazdką jako ważny, poprawić tagi. To świadomy kompromis: stawiam na szybkość, bo wąskim gardłem nie jest precyzja metadanych, tylko Twój czas na czytanie.

Jeśli jesteś młodym aktywistą: zamiast „gdzieś czytałem, że młodzież chce być pytana o sprawy szkoły”, dostajesz konkretne zdanie z numerem źródła, w które możesz kliknąć i pokazać decydentowi. Argument poparty cytowalnym źródłem waży nieporównanie więcej niż wrażenie.

I uczciwie o granicach — bo zrozumienie ich to też część dobrego korzystania z AI:

• Nie ma dokumentu — nie ma odpowiedzi. PIA nie zna świata poza Twoją bazą. To zaleta (nie zmyśla), ale i ograniczenie (jest tak dobra, jak to, co do niej wrzucisz).
• Złe pytanie — słabe trafienia. Im konkretniejsze pytanie, tym celniejsze fragmenty. Jedno słowo „partycypacja” znajdzie cokolwiek; pełne zdanie — to, o co naprawdę chodzi.
• Patrz na cytaty. Jeśli [1] dotyczy innej kwestii niż zdanie, przy którym stoi — to sygnał, że model nadinterpretował. Klikalne cytaty są właśnie po to, żeby dało się to wychwycić.
• To nie peer-review. PIA pomaga znaleźć i streścić, ale ocena wartości naukowej źródła należy do Ciebie.

Na koniec

Nie chodziło mi o to, żeby zbudować „magiczne pudełko, które wie wszystko”. Chodziło o narzędzie, któremu można zaufać, bo widać, na czym opiera każde zdanie — i które zespół o bardzo różnym przygotowaniu jest w stanie zrozumieć i sensownie używać.

Dlatego każda decyzja, którą tu opisałem — RAG zamiast „gołego” czatu, embedding po znaczeniu, limit 14 000 znaków podyktowany specyfiką języka polskiego, dwupoziomowy chunking, łączenie wyszukiwania semantycznego z fleksyjnym — nie jest przypadkowa. To odpowiedzi na konkretne pytania: jak nie pozwolić AI zmyślać, jak poradzić sobie z polskim, jak ogarnąć i jednostronicowy briefing, i całą książkę.

Bo dobre korzystanie z AI nie polega na ślepej wierze w odpowiedź. Polega na rozumieniu, jak i dlaczego ona powstała.

Przy tym projekcie sam dużo się nauczyłem o budowaniu małych, wyspecjalizowanych modeli AI z konkretną wiedzą domenową. Dość łatwo teraz wdrożyć identyczny system, ale z inną wiedzą — np. o socjologii, problemach psychicznych nastolatków czy czymkolwiek innym. Wykorzystałem swoją wiedzę o analizie NLP języka polskiego, bo bez tego nie udałoby się dobrze zrobić tokenizacji (dzielenia tekstu na mniejsze części), lematyzacji i stemmingu (sprowadzania wyrazów do ich podstawowej formy, np. „biegł”, „biegniesz” do „biec”) oraz rozpoznawania znaczenia. Mam nadzieję, że PIA będzie też przydatnym narzędziem dla osób z zespołu.