Prezentacja narzędzia AI dla marketingu rzadko obywa się bez kilku słów kluczy: grounding, retrieval, embeddingi, okno kontekstu, agent. Po drugiej stronie stołu siedzi osoba, która ma podjąć decyzję o budżecie i nie zawsze wie, czy obietnica jest realna, czy tylko dobrze brzmi. Ten słownik wyjaśnia każde pojęcie bez matematyki, na przykładach z codziennej pracy marketera. Jeśli szukasz terminów z drugiej strony barykady, czyli z technicznego SEO, przygotowaliśmy osobny tekst o tym, jak działa crawl budget, index bloat i renderowanie.
Model, parametry i okno kontekstu
Model językowy (LLM) to program, który na podstawie ogromnej ilości tekstu nauczył się przewidywać kolejne słowo. Nie „rozumie” świata, ale odtwarza wzorce języka na tyle dobrze, że potrafi napisać opis kategorii albo streścić raport. GPT, Claude, Gemini czy Llama to rodziny takich modeli.
Parametry to wagi, które model dostroił podczas treningu. Ich liczba (7 miliardów, 70 miliardów, więcej w największych modelach) to zgrubny wskaźnik pojemności, nie jakości. Ważniejsze jest, na jakich danych model trenowano i do kiedy sięga jego wiedza: może biegle mówić o content marketingu, a nie wiedzieć nic o promocji z zeszłego tygodnia.
Okno kontekstu to ilość tekstu, jaką model widzi naraz: pytanie, wklejone dokumenty, wcześniejsze wiadomości w rozmowie i własną odpowiedź. Mierzy się je w tokenach. Okno 128 tysięcy tokenów pomieści kilkaset stron, okno 1 miliona tokenów całą bazę wiedzy średniej firmy. Jeśli wkleisz 40 stron regulaminu i całość nie zmieści się w oknie, model dostanie fragment i nie powie o tym ani słowem.
Grounding i źródła odpowiedzi
Grounding (ugruntowanie) oznacza, że model opiera odpowiedź na konkretnych, dostarczonych mu źródłach, a nie wyłącznie na tym, co zapamiętał z treningu. Lista cytowanych stron przy odpowiedzi Perplexity czy Google AI Mode to właśnie efekt groundingu: system najpierw pobrał treść z sieci, potem poprosił model o odpowiedź na jej podstawie.
Grounding ma dwa oblicza. Bezpieczeństwo: asystent odpowiadający klientom o zwrotach powinien być ugruntowany w aktualnym regulaminie sklepu, nie w ogólnej wiedzy o e-commerce. Widoczność: skoro wyszukiwarki AI ugruntowują odpowiedzi w treściach ze stron, sposób opisu produktu decyduje, czy model cię zacytuje. Pisaliśmy o tym przy okazji analizy, które pola product schema czytają modele.
Gdy dostawca mówi „nasz model jest ugruntowany”, dopytaj: w czym, jak często źródła są odświeżane i czy odpowiedź wskazuje dokument. Grounding bez cytowań trudno zweryfikować.
Halucynacja: skąd się bierze
Halucynacja to odpowiedź, która brzmi pewnie i płynnie, ale jest nieprawdziwa: zmyślony wynik badania, nieistniejąca funkcja produktu, wymyślony cytat z Google Search Central. Model nie kłamie, generuje najbardziej prawdopodobną kontynuację tekstu. Jeśli po zdaniu „według raportu firmy X” w danych treningowych zwykle następowała liczba, model wstawi liczbę, nawet gdy raportu nie ma.
Halucynacje nasilają się, gdy pytanie wykracza poza datę odcięcia treningu, dotyczy niszy z małą ilością danych albo gdy model nie dostał źródeł, a użytkownik oczekuje konkretów. Reguła: im więcej liczb, nazw i dat w odpowiedzi, tym dokładniej trzeba ją sprawdzić. Opisaliśmy to krok po kroku w tekście o fact-checkingu treści generowanych przez AI.
Model może też zmyślić coś o twoim produkcie, jeśli nie znajdzie jasnych informacji. Pusta strona „o nas”, brak cennika, sprzeczne dane w różnych miejscach serwisu to zaproszenie do konfabulacji.
Retrieval i systemy RAG
Retrieval (wyszukiwanie, pobieranie) to etap, na którym system odnajduje fragmenty dokumentów pasujące do pytania, zanim w ogóle zapyta model. RAG (Retrieval-Augmented Generation) to architektura, która łączy te dwa kroki: najpierw retrieval z bazy wiedzy, potem generowanie odpowiedzi z użyciem znalezionych fragmentów. Każdy „asystent na bazie wiedzy” czy „AI z dostępem do CRM” to odmiana RAG.
Dostawca, który „wytrenował model na twoich danych”, w większości wypadków nie trenował niczego: wgrał dokumenty do bazy, z której RAG pobiera fragmenty. To dobra wiadomość (aktualizacja działa od razu), ale i ograniczenie: jeśli retrieval znajdzie zły fragment albo połowę potrzebnych informacji, model zbuduje odpowiedź na wybrakowanym materiale i zrobi to z pełnym przekonaniem.
Pytania do systemu RAG: co jest w bazie, jak często jest odświeżana, ile fragmentów trafia do modelu i czy widać, które posłużyły do odpowiedzi. Te same mechanizmy stoją za wyszukiwarkami AI, dlatego strona, której nie da się podzielić na sensowne fragmenty (długie akapity bez nagłówków, treść w grafikach), przegrywa już na etapie retrievalu.
Embeddingi i podobieństwo semantyczne
Embedding to reprezentacja tekstu jako długiego ciągu liczb (wektora), w którym teksty o podobnym znaczeniu leżą blisko siebie. „Buty do biegania po asfalcie” i „obuwie na treningi uliczne” mają różne słowa, ale zbliżone embeddingi. To właśnie na tym opiera się wyszukiwanie semantyczne: zamiast dopasowywać słowa, system porównuje znaczenia.
W RAG embeddingi służą do znajdowania fragmentów pasujących do pytania. W narzędziach content marketingowych wykrywają kanibalizację (dwa artykuły o niemal identycznym znaczeniu) i grupują zapytania w klastry bez ręcznego tagowania. Najlepsze systemy łączą dopasowanie po słowach kluczowych z semantyką, o czym pisaliśmy przy okazji hybrid search.
Podobieństwo semantyczne to liczba (najczęściej od 0 do 1) mówiąca, jak blisko siebie leżą dwa embeddingi. Podobieństwo 0,92 między dwiema stronami to sygnał, że modele mogą traktować je jako jeden temat. Liczba zależy od użytego modelu embeddingów, nie da się jej porównywać między narzędziami.
Temperatura i powtarzalność odpowiedzi
Temperatura to parametr sterujący losowością generowania. Przy temperaturze bliskiej zeru model wybiera najbardziej prawdopodobne słowa i odpowiada niemal identycznie za każdym razem. Przy wyższej (0,8 i więcej) dopuszcza mniej oczywiste wybory: teksty są ciekawsze, ale mniej przewidywalne.
Do zadań wymagających zgodności z faktami (odpowiedzi klientom, klasyfikacja leadów, ekstrakcja danych) lepsza jest niska temperatura; do burzy mózgów nad hasłami można ją podnieść. Gdy narzędzie „za każdym razem generuje unikalną treść”, zapytaj, czy to zasługa wysokiej temperatury, bo wtedy unikalność idzie w parze z ryzykiem błędów.
Powtarzalność: nawet przy temperaturze 0 dwa uruchomienia tego samego promptu mogą dać nieco inne wyniki. Dlatego testy narzędzi i pomiar widoczności marki w ChatGPT czy Gemini trzeba powtarzać seriami, a nie oceniać po jednej próbie.
Agent, narzędzie i protokół MCP
Agent to model osadzony w pętli: dostaje cel, planuje kroki, wykonuje je z użyciem narzędzi, sprawdza wynik i decyduje, co dalej. Polecenie „sprawdź, które strony straciły ruch, i zaproponuj poprawki meta description” wymaga pobrania danych z Search Console, odczytu stron i napisania tekstów. Agent robi to w kilku krokach, sam decydując o kolejności.
Narzędzie (tool, funkcja) to zdolność, którą model może wywołać: zapytanie do bazy, wyszukiwanie w sieci, wysłanie e-maila, odczyt arkusza. Od zestawu narzędzi zależy, co agent realnie potrafi: „agent do SEO” bez dostępu do Search Console i strony to chatbot z dobrym promptem.
MCP (Model Context Protocol) to otwarty standard opisujący, jak model łączy się z narzędziami i źródłami danych. Dostawca danych (WordPress, GA4) wystawia serwer MCP, z którego korzysta każdy zgodny klient, więc własne systemy można podłączyć do asystenta bez programisty. Pokazaliśmy, jak podłączyć Search Console, GA4 i WordPress do asystenta AI przez MCP. Specyfikację protokołu prowadzi Anthropic i jest ona dostępna publicznie na modelcontextprotocol.io.
Pozostałe pojęcia w skrócie
| Pojęcie | Co oznacza dla marketera |
|---|---|
| Prompt | Polecenie dla modelu. Dobry prompt zawiera rolę, kontekst, format wyniku i przykład. Różnica między słabym a dobrym promptem bywa większa niż między modelami. |
| Fine-tuning | Dotrenowanie modelu na własnych przykładach. Kosztowne i rzadko potrzebne w marketingu, zwykle wystarczy RAG i dobry prompt. |
| Token | Jednostka rozliczeniowa i miara długości. Polski tekst kosztuje więcej tokenów niż angielski o tej samej treści. |
| Data odcięcia (cutoff) | Moment, do którego sięga wiedza z treningu. Wszystko po tej dacie model zna tylko z retrievalu. |
| Cytowanie (citation) | Odesłanie do źródła w odpowiedzi AI. Dla marki to odpowiednik pozycji w wynikach wyszukiwania. |
Jak czytać obietnice dostawców narzędzi
„Model wytrenowany na twoich danych” oznacza najczęściej RAG, więc pytaj o bazę, odświeżanie i cytowania. „Zero halucynacji” nie istnieje; uczciwe narzędzie mówi o groundingu i o tym, jak pozwala sprawdzić źródło. „Agent, który sam prowadzi kampanie” wymaga listy narzędzi i opisu, kto zatwierdza jego decyzje.
Pytaj też o rzeczy przyziemne: jaki model stoi pod spodem, gdzie przetwarzane są dane, czy dokumenty firmy trafiają do treningu, jaka jest domyślna temperatura. Odpowiedź „to szczegóły techniczne” jest sama w sobie informacją.
Pojęcia z tego słownika opisują mechanikę, nie efekt biznesowy. Narzędzie ze świetnym retrievalem może nie poprawić konwersji, jeśli rozwiązuje problem, którego nie masz; słownictwo pomaga ocenić wykonalność obietnicy, resztę sprawdza pilotaż. Jeśli chcesz uzupełnić ten zestaw o terminy z obszaru widoczności w wyszukiwarkach AI, pomocny będzie nasz szerszy słownik AIO 2026.
FAQ
Czym różni się grounding od RAG?
Grounding to cel: oprzeć odpowiedź na wskazanych źródłach. RAG to jedna z metod osiągnięcia tego celu, w której system najpierw wyszukuje pasujące fragmenty w bazie, a potem przekazuje je modelowi.
Czy da się całkowicie wyeliminować halucynacje?
Nie. Można je ograniczyć przez grounding, niską temperaturę, wymuszanie cytowań i procedurę weryfikacji, ale każdy model językowy generuje tekst probabilistycznie i w jakimś odsetku odpowiedzi popełni błąd. Dostawca obiecujący „zero halucynacji” opisuje raczej marketing niż technologię.
Co oznacza, że narzędzie jest „wytrenowane na moich danych”?
Najczęściej, że dokumenty zostały wgrane do bazy wiedzy, z której korzysta RAG. Prawdziwy fine-tuning, czyli zmiana wag modelu, jest kosztowny i w narzędziach marketingowych rzadko stosowany. Warto dopytać, o który wariant chodzi, bo różnią się kosztem, czasem aktualizacji i ryzykiem.
Czy muszę znać te pojęcia, żeby moja marka była widoczna w ChatGPT albo Gemini?
Nie musisz ich znać, ale rozumienie retrievalu i groundingu wyjaśnia, dlaczego pewne treści są cytowane, a inne nie. Modele pobierają fragmenty stron i budują z nich odpowiedź, więc struktura, jednoznaczność i aktualność treści przekładają się bezpośrednio na szansę cytowania.