Sztuczna inteligencja w rachunkowości (cz. II) – zasady pisania promptów

W pracy z narzędziami AI często pojawia się słowo prompt – termin zapożyczony z języka angielskiego, który nie ma jednego utrwalonego odpowiednika w polskiej praktyce księgowej. Najprościej można go rozumieć jako polecenie (instrukcję) w języku naturalnym, które użytkownik wpisuje do narzędzia, aby uzyskać konkretny wynik; w tym sensie prompt pełni funkcję „zlecenia" dla modelu.

Po uporządkowaniu pojęć oraz ekosystemu narzędzi (dostawca–model–platforma)[1] kluczowe staje się przełożenie celu biznesowego (po co?) na sposób pracy (jak?) z wybranym narzędziem w konkretnym procesie rachunkowości. Decydujące znaczenie ma jakość tego polecenia, ponieważ prompt jest „pośrednikiem" między człowiekiem a modelem i może być traktowany jako forma programowania w języku naturalnym[2].

Badania nad dużymi modelami językowymi (Large Language Models – LLM) pokazują, że odpowiednio sformułowana instrukcja wraz z przykładem użycia potrafi uruchomić pożądane zachowanie modelu bez dodatkowego uczenia[3], a przy pracy na dokumentach warto wprost wymuszać oparcie odpowiedzi na źródłach oraz żądać wskazania śladu dowodowego i konkretnego źródła[4]. Z tego powodu zasady pisania promptów należy traktować jako element dobrych praktyk w pracy z AI w rachunkowości.

Istota promptów

W praktyce rachunkowości „prompt" jest po prostu dobrze sformułowanym poleceniem dla narzędzia AI. Literatura poświęcona LLM pokazuje, że to właśnie instrukcja wraz z przykładem potrafi „ustawić" model do wykonania zadania bez dodatkowego uczenia, czyli w trybie tzw. uczenia na podstawie kontekstu[5]. W ujęciu praktycznym oznacza to, że ten sam model może dawać radykalnie różne wyniki w zależności od tego, czy otrzymał jasny cel, kontekst, dane wejściowe, ograniczenia i oczekiwany format wyniku.

W badaniach nad „promptowaniem" szczególnie istotne są trzy obserwacje:

1. Modele wyraźnie lepiej radzą sobie z zadaniami złożonymi, gdy polecenie wymusza rozpisanie rozumowania na etapy i pokazuje przykład „toku myślenia" w formie kilku kroków[6].
2. Nawet bez przykładów (tzw. zero-shot – nazwa oznacza dosłownie „zero strzałów/prób", czyli sytuację, w której model dostaje tylko instrukcję, bez wzorca odpowiedzi) poprawę daje prosta instrukcja zachęcająca do rozwiązywania problemu krok po kroku[7].
3. Dla pytań wymagających rozumowania można ograniczać ryzyko przypadkowej pomyłki poprzez generowanie kilku niezależnych „ścieżek rozumowania" i wybór wyniku najbardziej spójnego (tzw. samospójność)[8].

W literaturze podkreśla się również, że prompt może być traktowany jak swoisty „program w języku naturalnym", gdyż pisząc go, nie korzystamy ze ściśle zdefiniowanych formuł czy poleceń, lecz własnym językiem mówimy, co chcemy osiągnąć. Dobrze zaprojektowane polecenie narzuca strukturę pracy, sposób argumentacji, format wyjścia i kryteria kontroli[9]. Z kolei przeglądy badań nad promptowaniem systematyzują stosowane techniki i pokazują, że „polecenie" może przyjmować formę instrukcji, szablonu, pytań pomocniczych, przykładów albo ustrukturyzowanych ról – a dobór tej formy powinien zależeć od celu zadania[10].

Z perspektywy rachunkowości kluczowe znaczenie ma jeszcze jedna kwestia: powiązanie odpowiedzi z dokumentami źródłowymi oraz zapewnienie tzw. śladu dowodowego. Modele językowe potrafią tworzyć teksty brzmiące wiarygodnie, nawet wtedy, gdy brakuje danych albo gdy wnioskowanie jest błędne (zjawisko halucynacji). Dlatego w zastosowaniach profesjonalnych preferowane są podejścia, w których model najpierw „czyta" wskazane materiały (np. politykę rachunkowości, instrukcje, umowy, raporty), a następnie generuje wynik z odniesieniem do treści źródłowej. W literaturze opisano takie podejście jako generowanie wspomagane wyszukiwaniem, łączące generowanie z przywoływaniem informacji z bazy wiedzy lub dokumentów[11].

W praktyce narzędzia AI mogą również wykonywać określone działania (np. wyszukiwanie, obliczenia, porównanie wersji dokumentu), a dopiero następnie tworzyć końcowy opis. Takie łączenie rozumowania i działania (zamiast samego „zgadywania") opisano w podejściach agentowych, gdzie model po kolei łączy kroki analizy z krokami operacyjnymi[12]. Dla rachunkowości ma to znaczenie szczególne: w wielu zadaniach (np. przygotowanie informacji dodatkowej, komentarza zarządczego, zestawień do raportu, list kontrolnych do zamknięcia miesiąca) warto w poleceniu wymuszać najpierw pracę na danych i dokumentach, a dopiero potem redakcję wniosków.

Reguły pisania poleceń

Na tle tych ustaleń można zaproponować zestaw reguł pisania poleceń, które zwiększają powtarzalność, ułatwiają kontrolę i ograniczają ryzyko „zmyślonych" treści.

W pierwszym kroku warto zacząć od określenia rezultatu i odbiorcy (co ma powstać i kto będzie to czytał), aby model dobrał właściwy poziom szczegółowości i język. Następnie należy doprecyzować kontekst procesu (jednostka, okres, etap: zamknięcie miesiąca, sprawozdanie, raport zarządczy, analiza odchyleń) oraz granice zadania. W kolejnym kroku wskazujemy dane wejściowe i hierarchię źródeł, czyli określamy, co jest wiążące (np. załączony dokument), a co ma charakter pomocniczy. W zadaniach złożonych warto również wymuszać pracę etapami (np. najpierw wypisz fakty z dokumentów, potem zbuduj strukturę, na końcu przygotuj opis), co nawiązuje do skuteczności podejść „krok po kroku"[13].

Dla ograniczenia ryzyka halucynacji i ułatwienia weryfikacji należy zdefiniować ograniczenia i zasady bezpieczeństwa (np. nie dopisywać faktów, oddzielać fakty od interpretacji, wskazać braki danych). Warto także podać format wyniku (tabela, lista punktów, dwie wersje: prosta i techniczna; osobno: wnioski, założenia, ryzyka), tak aby rezultat nadawał się do włączenia do dokumentu roboczego. Dobrą praktyką jest również wbudowanie kontroli jakości (lista miejsc do sprawdzenia przez człowieka, prośba o wskazanie założeń, progi pewności i istotności), co jest spójne z ideą zwiększania spójności i stabilności odpowiedzi[14].

W zastosowaniach profesjonalnych, gdy liczy się zgodność formalna i sprawdzalność, warto preferować odpowiedź „z dokumentu" zamiast „z pamięci modelu"[15]. Jeżeli narzędzie ma wykonywać różne działania (wyszukiwanie, obliczenia, porównania), należy wprost wskazać je w poleceniu i opisać poszczególne iteracje[16].

Model P.R.O.M.P.T.S.

Poniżej przedstawiono model projektowania poleceń, który porządkuje praktykę w sposób zgodny z wnioskami z literatury i jednocześnie nadaje się do stosowania w codziennej pracy. Proponowane rozwiązanie stanowi autorską koncepcję, opracowaną na styku dwóch źródeł wiedzy: wyników badań i przeglądów literaturowych dotyczących promptowania oraz codziennej praktyki pracy z narzędziami opartymi na dużych modelach językowych. Model powstał jako rezultat kilkunastu miesięcy testów i eksperymentów z różnymi sposobami formułowania poleceń w wielu obszarach rachunkowości, w szczególności w zadaniach związanych z pracą na dokumentach (procedury, umowy, korespondencja), redakcją treści sprawozdawczych (w tym elementów informacji dodatkowej), analizą zarządczą (komentarz do odchyleń, przygotowanie narracji do raportów) oraz projektowaniem struktur różnych raportów i list kontrolnych. W toku tych doświadczeń zweryfikowano, które elementy polecenia mają największy wpływ na powtarzalność i jakość wyników oraz w jaki sposób ograniczać ryzyko odpowiedzi niezgodnych z dokumentami źródłowymi.

Proponowany model nazwano P.R.O.M.P.T.S. (skrót od pierwszych liter siedmiu elementów, które zawiera). Przedstawia on polecenie dla AI jako schemat opisu w języku naturalnym. Strukturę modelu przedstawiono na poniższym rysunku.

Poszczególne elementy modelu to:

• P – Persona: wskazanie roli, w jakiej ma działać narzędzie (np. „specjalista ds. rachunkowości zarządczej", „redaktor sprawozdania finansowego", „audytor wewnętrzny").
• R – Rezultat: jednoznaczne określenie produktu końcowego (np. szkic ujawnień do informacji dodatkowej, komentarz do odchyleń, struktura raportu) i kryterium sukcesu.
• O – Otoczenie: zwięzły kontekst (okres, organizacja, proces, odbiorca, ograniczenia), aby wynik był „osadzony" w realiach.
• M – Must-haves: elementy obowiązkowe (np. sekcje, liczba wariantów językowych, zakaz dopisywania danych, oddzielenie faktów od interpretacji).
• P – Procedura: wymagany tok pracy etapami (najpierw fakty z dokumentów, potem analiza, następnie redakcja; wskazanie miejsc do weryfikacji), co nawiązuje do skuteczności podejść „krok po kroku".
• T – Technika: format wyjścia (tabela, lista, długość, styl), a także zasady obsługi braków danych.
• S – Sprawdzenie: krótka kontrola jakości, obejmująca spójność z celem, kompletność elementów obowiązkowych oraz jednoznaczność polecenia.

Źródło: opracowanie własne przy zastosowaniu narzędzia Nano Banana AI.

Przykład

Model może zostać wykorzystany w typowym zadaniu rachunkowości zarządczej: przygotowaniu krótkiego komentarza do odchyleń budżetowych (część opisowa raportu miesięcznego) w dwóch wersjach językowych: dla zarządu (zwięźle, decyzyjnie) oraz dla kierowników operacyjnych (bardziej szczegółowo i zadaniowo). W takim przypadku polecenie do narzędzia AI powinno być skonstruowane jako krótka specyfikacja zadania, minimalizująca ryzyko dopisywania danych i wymuszająca pracę na faktach. W ramce podano przykład polecenia skonstruowanego według modelu P.R.O.M.P.T.S. (do bezpośredniego użycia po wklejeniu danych wejściowych).

Tak skonstruowane polecenie pozwala uzyskać tekst, który jest jednocześnie „gotowy do wklejenia" do raportu, a zarazem łatwy do zweryfikowania. Zachowany zostaje też ślad logiczny: najpierw zidentyfikowano fakty, następnie wyprowadzono interpretację w granicach dostępnych danych, a na końcu wskazano elementy wymagające zatwierdzenia przez człowieka.

To księgowy weryfikuje wynik

Model P.R.O.M.P.T.S. nie zastępuje wiedzy merytorycznej ani procedur kontroli, ale pomaga uporządkować polecenia w sposób powtarzalny, dzięki czemu łatwiej budować w organizacji katalog „sprawdzonych promptów" do zamknięcia okresu, raportowania, analizy zarządczej oraz pracy na dokumentach. Jednocześnie należy wyraźnie podkreślić, że w zawodzie księgowego (i szerzej: w profesjach zaufania publicznego) korzystanie z AI nie może oznaczać „oddania sterów" narzędziu. Każde użycie AI jest w praktyce decyzją, jaką część procesu myślowego księgowy jest skłonny delegować na maszynę – wymaga podniesienia, a nie obniżenia standardów etycznych i profesjonalnych.

W szczególności nigdy nie należy zapominać, że narzędzie AI nie ponosi odpowiedzialności zawodowej, nie zna w pełni realiów jednostki, może generować treści brzmiące przekonująco mimo braku podstaw w danych i nie „czuje" wagi konsekwencji sprawozdawczych ani podatkowych. Jeżeli księgowy przestaje weryfikować wynik, przestaje kwestionować założenia i przestaje zadawać pytania kontrolne, to AI staje się nie wsparciem, lecz substytutem ludzkiego osądu – co w praktyce oznacza ryzyko wyłączenia własnej, zawodowej czujności. W rachunkowości jest to granica nieprzekraczalna: profesjonalizm polega na tym, że technologia przyspiesza pracę, ale nie „zastępuje sumienia" ani odpowiedzialności.

Dlatego w każdym zastosowaniu sztucznej inteligencji powinny zostać zachowane trzy elementarne zasady:

• nadrzędność weryfikacji i sceptycyzmu zawodowego (wynik AI jest hipotezą do sprawdzenia, a nie dowodem),
• ochrona poufności i bezpieczeństwa danych (nie każdy dokument może trafić do każdej platformy),
• ślad decyzyjny i audytowalność (kto, kiedy i na podstawie jakich danych zaakceptował wynik).

Podsumowanie

Jakość wyniku zależy wprost od jakości instrukcji: jasnego wskazania rezultatu, kontekstu, danych wejściowych, ograniczeń oraz formatu odpowiedzi. W praktyce oznacza to, że AI może działać jak „wzmacniacz produktywności" lub jak „generator pozornie wiarygodnych treści" – w zależności od tego, czy narzucono jej ramy pracy i wbudowano kontrolę jakości. Zaproponowany model P.R.O.M.P.T.S. porządkuje te elementy w formie prostej metody, która pomaga tworzyć powtarzalne, weryfikowalne polecenia i budować w organizacji katalog sprawdzonych zastosowań (np. do raportowania, analizy odchyleń, pracy na dokumentach i redakcji treści sprawozdawczych).

Zamiast bać się sztucznej inteligencji, trzeba jak najszybciej się z nią zaprzyjaźnić: poznać jej możliwości i ograniczenia, nauczyć się formułować dobre polecenia, zbudować procedury weryfikacji i wykorzystać ją jako przewagę konkurencyjną. Przyszłość zawodu księgowego nie należy do tych, którzy będą pracować ciężej, lecz do tych, którzy będą pracować mądrzej – z technologią, ale nie kosztem odpowiedzialności. AI jest narzędziem: może stać się dźwignią jakości i efektywności, jeśli będzie używana świadomie. Fundament pozostaje niezmienny: etyka, rzetelność i profesjonalizm księgowego – a sztuczna inteligencja ma je wzmacniać, nigdy zastępować.