Model językowy nie jest uniwersalnym autorem. Jest bardzo sprawnym redaktorem struktury, który świetnie radzi sobie tam, gdzie treść daje się przewidzieć, i zawodzi wszędzie tam, gdzie wartość tekstu bierze się z czegoś, czego w danych treningowych nie było: z twoich liczb, twoich pomyłek i twojej odpowiedzialności za to, co napiszesz. Granica między jednym a drugim jest dość ostra i warto ją znać zanim zbudujesz proces, który tę granicę systematycznie przekracza.
Poniżej siedem sytuacji, w których sięganie po generowanie całego tekstu pogarsza wynik, plus propozycja podziału pracy, który działa w praktyce.
Gdzie model realnie oszczędza czas
Zacznijmy od strony, która działa, bo bez niej cała reszta brzmi jak manifest przeciwko narzędziom. Model jest szybki i wiarygodny przy zadaniach, w których istnieje jasny wzorzec do odtworzenia: porządkowanie notatek w sekcje, przepisywanie akapitu na prostszy rejestr, generowanie wariantów nagłówków, streszczanie długiego dokumentu, tłumaczenie, produkcja danych strukturalnych, opisy metadanych, listy pytań do sekcji FAQ. To zadania, w których poprawna odpowiedź jest sprawdzalna w kilkanaście sekund.
Dobrze opisuje to podział na etapy, który stosujemy w workflowie plan, draft, polish, verify: im bliżej etapu plan i polish, tym większa przewaga modelu, im bliżej draftu merytorycznego, tym bardziej potrzebny jest człowiek. Problem zaczyna się wtedy, gdy zespół rozciąga automatyzację z etapu porządkowania na etap wiedzy.
Treści oparte na danych własnych i badaniach
Pierwszy i najbardziej kosztowny przypadek: teksty, których osią są twoje dane. Raport z ankiety wśród klientów, benchmark cen w branży, analiza 400 kampanii z twojego konta, wyniki testu A/B. Model nie ma dostępu do tych liczb, więc albo poprosi cię o nie, albo, co gorsza, wygeneruje liczby prawdopodobnie wyglądające. I tu leży pułapka: halucynacja w tekście o danych nie wygląda jak błąd, wygląda jak kompetencja. Zdanie „mediana CPC w branży wyniosła 3,42 zł” czyta się identycznie niezależnie od tego, czy pochodzi z arkusza, czy z niczego.
Co gorsza, dane własne są jedyną rzeczą, której konkurencja nie skopiuje w tydzień. Oddanie ich generatorowi oznacza dobrowolną rezygnację z jedynej trwałej przewagi. Jeśli publikujesz liczby, pisz je ręcznie, a model dopuść dopiero na etapie opisu metodologii i redakcji. Proces weryfikacji opisaliśmy osobno w tekście o fact-checkingu treści generowanych przez AI.
Relacje z doświadczenia i studia przypadków
Drugi przypadek to wszystko, co w wytycznych Google kryje się pod pierwszym E w E-E-A-T: experience. Relacja z wdrożenia, opis awarii i tego, jak ją ugasiliście, case study z liczbami przed i po, recenzja narzędzia, którego faktycznie używaliście przez pół roku. Model potrafi napisać tekst, który ma kształt case study, ale nie ma w nim ani jednego szczegółu, którego nie dałoby się napisać o dowolnej innej firmie.
Test jest prosty: usuń z tekstu nazwę marki i branżę. Jeśli całość nadal brzmi sensownie, to nie jest case study, tylko artykuł ogólny przebrany za case study. Prawdziwe doświadczenie zostawia ślady, które są niewygodne: termin, który się przesunął, hipoteza, która okazała się fałszywa, decyzja podjęta wbrew rekomendacji narzędzia. Modele domyślnie wygładzają takie rzeczy, bo uczyły się na tekstach marketingowych, w których nic nigdy nie idzie źle.
Tematy wrażliwe: zdrowie, prawo, finanse
Trzeci przypadek to kategoria, którą dokumentacja jakości Google nazywa „Your Money or Your Life”. Treści o leczeniu, lekach, przepisach podatkowych, prawie pracy, inwestowaniu, świadczeniach socjalnych. Dwa powody, dla których generowanie całości jest tu złym pomysłem, są niezależne od siebie.
Pierwszy to ryzyko merytoryczne. Przepisy zmieniają się częściej niż aktualizowany jest zbiór treningowy, a model nie sygnalizuje, że jego wiedza o stawce czy terminie pochodzi sprzed dwóch lat. Drugi to ryzyko odpowiedzialności: za błędną informację o dawkowaniu albo o terminie odwołania od decyzji odpowiada wydawca, nie dostawca modelu. Jeżeli w twojej redakcji nikt nie ma kompetencji, by zweryfikować zdanie, to nikt nie powinien go publikować, niezależnie od tego, kto je napisał.
Teksty budujące zaufanie do marki
Czwarty przypadek jest nieoczywisty, bo nie dotyczy artykułów blogowych, tylko stron, które decydują o konwersji: „o nas”, strona zespołu, opis metodologii, polityka zwrotów, odpowiedź na kryzys, list od założyciela. To teksty czytane przez ludzi w momencie, w którym szukają powodu, żeby ci zaufać albo nie.
Wygenerowana strona „o nas” ma charakterystyczny rytm: trzy akapity o pasji, misji i wartościach, zero konkretów o tym, od kiedy działacie, ile osób liczy zespół i co poszło nie tak w drugim roku. Czytelnik rzadko nazwie to po imieniu, ale wyczuje pustkę i wyjdzie. Ta sama zasada dotyczy komunikacji kryzysowej, gdzie wygładzony, bezosobowy ton jest odbierany jako unik.
Skala bez redakcji, czyli piąty i szósty przypadek
Piąty: publikowanie dużych wolumenów tekstów powstałych z jednego szablonu, różniących się wyłącznie podmienionym słowem kluczowym. Google opisuje to wprost w politykach antyspamowych jako nadużycie skali, a granicę między sensowną produkcją a spamem rozbieramy szczegółowo w analizie scaled content abuse. Istotne jest to, że kryterium nie brzmi „czy użyłeś AI”, tylko „czy ten tekst powstał po to, żeby pomóc czytelnikowi, czy po to, żeby zająć miejsce w indeksie”.
Szósty: treści, które mają być cytowalne w odpowiedziach modeli. Brzmi paradoksalnie, ale systemy generatywne sięgają po źródła, które wnoszą coś nowego: oryginalną liczbę, definicję, procedurę. Tekst będący uśrednieniem dziesięciu innych tekstów nie ma powodu, żeby zostać cytowany, bo niczego nie dodaje do puli, z której model już korzysta.
Hybryda: człowiek pisze, model porządkuje
Siódmy wniosek jest właściwie receptą. Zamiast pytać „czy użyć AI do tego tekstu”, rozdziel role w obrębie jednego artykułu. Człowiek dostarcza to, czego model nie ma: dane, doświadczenie, ocenę ryzyka, decyzję o tym, co pominąć. Model dostaje to, w czym jest szybszy: struktura, redakcja, warianty nagłówków, skracanie, spójność terminologii, wykrywanie luk w argumentacji.
Praktycznie wygląda to tak, że autor pisze surowy szkic z liczbami i anegdotami, nawet nierówny stylistycznie, a model układa go w sekcje i proponuje cięcia. Odwrotna kolejność, czyli generowanie szkieletu i dopisywanie do niego konkretów, prawie zawsze kończy się tekstem, w którym konkrety są doklejone do cudzej logiki. Osobnym tematem jest to, co po takiej redakcji robić ze stylem: zebraliśmy to w tekście o humanizacji tekstu AI, bo większość popularnych porad w tym obszarze to mity.
Jak rozpoznać, że tekst wymaga autora
Przed zleceniem tematu generatorowi warto przejść przez cztery pytania. Każde „tak” przesuwa temat w stronę człowieka.
- Czy artykuł opiera się na liczbach, których nie ma w publicznych źródłach?
- Czy jego wartość bierze się z tego, że ktoś to przeżył lub wdrożył?
- Czy błąd w tekście może komuś zaszkodzić finansowo, prawnie lub zdrowotnie?
- Czy tekst ma budować zaufanie do marki, a nie tylko informować?
Jeśli wszystkie odpowiedzi brzmią „nie”, temat jest dobrym kandydatem na szybki proces wspierany modelem. Jeśli choć jedna brzmi „tak”, zaplanuj czas autora i recenzenta. To tańsze niż publikacja, którą trzeba będzie wycofywać.
FAQ
Czy Google karze treści napisane przez AI?
Nie za sam fakt użycia modelu. Wytyczne dotyczące pomocnych treści oceniają efekt, a nie narzędzie. Karane jest masowe generowanie tekstów bez wartości dodanej, niezależnie od tego, czy powstały automatycznie, czy ręcznie.
Czy mogę użyć modelu do pisania o zdrowiu lub prawie?
Do researchu, struktury i redakcji tak, do generowania ostatecznych twierdzeń nie. Każde zdanie zawierające dawkę, stawkę, termin lub podstawę prawną powinno zostać potwierdzone w źródle pierwotnym i zaakceptowane przez osobę z odpowiednimi kompetencjami.
Jak szybko sprawdzić, czy tekst nadaje się do publikacji?
Usuń nazwę marki i branżę. Jeżeli treść dalej ma sens, znaczy, że nie zawiera nic specyficznego dla tematu i wymaga uzupełnienia o dane, przykłady lub doświadczenie autora.
Czy teksty generowane w całości mają szansę na cytowanie w AI Overviews?
Rzadko. Systemy generatywne preferują źródła wnoszące informację, której nie ma gdzie indziej: oryginalne dane, procedury, definicje. Uśredniony tekst nie daje modelowi powodu, by właśnie jego użyć jako podstawy odpowiedzi.
Jaki podział pracy sprawdza się najlepiej?
Autor pisze surowy szkic z konkretami, model porządkuje strukturę i styl, redaktor weryfikuje fakty i podejmuje decyzję o publikacji. Odwrotna kolejność, czyli generowanie szkieletu i dopisywanie konkretów, zwykle daje tekst spójny formalnie, ale pusty merytorycznie.