Promptovi koji su savršeno radili lani na novim modelima poput GPT-5.5 i Claude Opus 4.7 sada daju lošije rezultate. Razlog je jednostavan — novi modeli te shvaćaju doslovno. Tri navike koje moraš promijeniti: (1) prestani slijepo lijepiti „ti si ekspert” na početak, (2) eksplicitno reci modelu koje datoteke da pogleda, i (3) traži od njega izvještaj kad odradi složen zadatak.
Jesi li primijetio da ti AI odjednom „glupi”, iako koristiš isti prompt kao prije?
Nisi ti poludio. Promijenio se model, a ti nisi promijenio način kako mu govoriš.
Evo što se dogodilo — i kako to popraviti danas.
Što se zapravo promijenilo
Stari modeli su nagađali. Ako bi im dao polovičnu uputu, popunili bi rupe sami — ponekad dobro, ponekad nasumično. Bilo je to kao kolega koji te zna toliko dobro da dovrši rečenicu umjesto tebe.
Novi modeli — GPT-5.5 (izašao u travnju 2026.) i Claude Opus 4.8 — rade drugačije. Oni te slušaju doslovno. Svaka riječ koju napišeš sada nosi veću težinu. To je odlična vijest ako si precizan. Loša ako si navikao na nemar.
Drugim riječima: AI je prestao čitati tvoje misli i počeo čitati tvoje riječi. A većina nas piše promptove kao da AI još uvijek pogađa.
Ove tri navike te koštaju
Greška #1: Lijepiš „ti si ekspert” na sve
Godinama smo učili: počni prompt s ulogom. „Ti si svjetski stručnjak za marketing.” „Ponašaj se kao iskusni odvjetnik.” Postalo je refleks.
Problem je što kod novih modela ta navika zna odmoći.
Što kaže istraživanje (ne nagađanje)
Ovdje moram biti precizan, jer se na internetu o ovome priča pojednostavljeno. Studija istraživača s Carnegie Mellona, Stanforda i Sveučilišta u Michiganu (Zheng i suradnici, 2023.) testirala je 162 različite uloge na 2.410 činjeničnih pitanja.
Zaključak: dodavanje persone ne poboljšava točnost modela u odnosu na verziju bez uloge.
Novije istraživanje sa Sveučilišta Južne Kalifornije (USC, 2026.) dodaje ključnu nijansu — i ovo je dio koji većina ljudi preskoči:
- Kod zadataka vezanih uz stil i pisanje (ton, kreativni tekstovi, role-play) uloga pomaže.
- Kod zadataka koji ovise o znanju (matematika, kod, činjenice) uloga daje lošije rezultate.
Teorija je da kad modelu kažeš „ti si ekspert”, on potroši dio pažnje na to kako zvučati kao ekspert umjesto da riješi sam zadatak. A reći mu da je stručnjak ne dodaje nijednu novu činjenicu — samo mu zamagli pristup onome što već zna.
Znači
Nemoj slijepo slušati savjet „izbaci ulogu uvijek”. To je pola istine.
Pravilo koje (meni) radi: Ako pišeš tekst, oglas ili e-mail — uloga ti i dalje može pomoći oko tona. Ako tražiš analizu, brojke ili točne činjenice — izbaci ulogu i fokusiraj se na to što želiš i kako izgleda dobar rezultat.
Loš prompt (stari refleks):
„Ti si svjetski stručnjak za cijene. Pomozi mi posložiti cjenovnu strategiju.”
Pola prompta potrošeno na ulogu. Pola na zadatak.
Bolji prompt (za novi model):
„Daj mi tri opcije za cjenovnu strategiju. Svaka neka vodi s jednim kompromisom (trade-off) i navedi izvor za svaki broj koji koristiš.”
Kužiš/vidiš razliku?
Drugi prompt ne troši riječi na glumu. Troši ih na to da definira kako izgleda dobar rezultat. To je ono što novom modelu sada najviše znači.
Greška #2: Pretpostavljaš da AI „zna” gledati tvoje datoteke
Ako koristiš Projects u Claudeu ili GPT projekte, ovo je za tebe.
Poanta projekata je da imaš AI usmjeren na jedan zadatak koji ponavljaš — i da u njega ubaciš kontekstne datoteke: tvoj brand voice, prošle ponude, cjenik, primjere dobrog rada.
Stari modeli bi ponekad sami pogodili da te datoteke trebaju i pogledali ih. Ključna riječ: ponekad. I nasumično.
Novi modeli ih neće pogledati ako im to izričito ne kažeš. Sjeti se — shvaćaju te doslovno. Ako nisi rekao „pogledaj datoteku”, za njih to znači „ne treba mi datoteka”.
Primjer iz prakse
Zamisli vlasnika male agencije u Osijeku koji u Claude projektu ima brand voice, deset prošlih ponuda i cjenik. Traži novu ponudu ovako:
Loš prompt:
„Napiši ponudu za firmu X na temelju ovih bilješki s discovery calla.”
Nada se da će AI shvatiti da treba zaviriti u kontekstne datoteke. Stari model možda bi. Novi neće.
Bolji prompt:
„Napiši ponudu za firmu X. Pogledaj kontekstne datoteke u ovom projektu — konkretno: koristi brand voice datoteku za ton, prošle ponude za strukturu, i cjenik za sve brojke u ponudi.”
Možda ti se čini kao korak unatrag — „pa zar moram sve objašnjavati?”. Nije korak unatrag. Stari model je nagađao koju datoteku otvoriti, što je nepouzdano. Novi model, kad mu jasno kažeš, otvori je gotovo sigurno. Trošiš dvije rečenice više, a dobivaš pouzdanost.
Greška #3: Ne tražiš izvještaj kad zadatak postane velik
Ovo je nova vrsta problema — pojavila se baš zato što su modeli postali bolji.
Stari modeli su radili pet do deset koraka po zadatku. Lako provjeriš je li sve odrađeno. Novi modeli mogu odraditi 50, 100 koraka, raditi pola sata pa i dulje — pogotovo u alatima poput Claude Cowork ili Codex na desktopu.
I tu nastaje zamka. Recimo da daš AI-ju 50 stvari za obraditi — 50 transkripata, 50 faktura, 50 prezentacija. On vrati rezultat i kaže „gotovo”. Ali postoji šansa da je preskočio osam od njih, a ti to nikad ne bi saznao bez ručne provjere svake stavke.
„Gotovo” više ne znači nužno „sve odrađeno”. Znači „ja mislim da sam završio”.
Rješenje: natjeraj ga da broji
Dodaj ovo na kraj svakog velikog zadatka:
„Kad završiš, javi mi točan broj stavki koje si obradio — očekujem 50, pa očekujem da mi vratiš 50. Za svaku stavku koju si preskočio, imenuj je i reci zašto. Riječ ‘gotovo’ ili ‘završeno’ smiješ koristiti tek kad si stvarno obradio sve stavke.”
Tri stvari rade ovdje: tražiš broj (brza provjera), tražiš dokaz za svako preskakanje (s imenom i razlogom), i postavljaš pravilo da „gotovo” nije dozvoljeno dok nije stvarno gotovo. Jednostavno, ali radi.
Brzi podsjetnik — tri promjene
| Stara navika | Što radi na novom modelu | Što umjesto toga |
|---|---|---|
| „Ti si ekspert za…” na sve | Troši pažnju na glumu, šteti kod činjenica | Definiraj cilj i kako izgleda dobar rezultat (ulogu zadrži samo za ton/pisanje) |
| Pretpostavljaš da gleda datoteke | Ne gleda ih osim ako ne kažeš | Imenuj točno koju datoteku za što |
| Vjeruješ da „gotovo” znači gotovo | Može tiho preskočiti stavke | Traži broj obrađenih + popis preskočenog |
Jedno upozorenje na kraju
Ova tri popravka neće spasiti zadatak koji je jednostavno prevelik za chat prozor. Neke stvari spadaju na desktop, u alate s agentima (Claude Cowork, Codex), a ne u običan chat. Ako stalno gušiš jedan razgovor s prevelikim zadatkom — problem nije prompt, nego mjesto gdje radiš.
Ali za 90% svakodnevnog posla, ove tri promjene vrate ti kvalitetu koju si mislio da si izgubio.
AI se nije pokvario. Samo te počeo slušati doslovno. Vrijeme je da i ti njemu govoriš jasnije.
FAQ
Moram li uvijek izbaciti „ti si ekspert” iz prompta?
Ne. Kod pisanja, oglasa i zadataka gdje je bitan ton — uloga ti i dalje može pomoći. Izbaci je kod zadataka koji traže točne brojke, činjenice ili logiku, jer ondje zna odmoći.
Zašto novi modeli ne gledaju moje datoteke sami od sebe?
Jer te shvaćaju doslovno. Ako u promptu ne kažeš da trebaju pogledati određenu datoteku, pretpostavljaju da im ne treba. Stari modeli su nagađali; novi slušaju upute.
Što ako AI kaže da je gotov, a nije obradio sve?
Dodaj u prompt zahtjev da ti vrati točan broj obrađenih stavki i da imenuje svaku koju je preskočio. Tako u sekundi vidiš je li broj koji si očekivao jednak broju koji si dobio.
Vrijedi li ovo samo za GPT-5.5 i Opus 4.7?
Načela vrijede za sve novije modele koji bolje slijede upute. Konkretni nazivi se mijenjaju, ali smjer je isti: što su modeli bolji u slušanju, to su tvoje riječi važnije.
Je li ovo znači da je prompt engineering mrtav?
Suprotno. Postaje važniji. Kad model prestane nagađati, jedino što ostaje je koliko jasno znaš reći što želiš.
Gdje da počnem ako imam samo 10 minuta?
Uzmi jedan prompt koji koristiš stalno. Izbaci nepotrebnu ulogu, dodaj rečenicu „evo kako izgleda dobar rezultat”, i ako koristiš projekt — imenuj datoteke. To je to.
Darko Bilandžić
info@aipraktikum.com
U doba inteligencije, neznanje je odabir.
