Mimir - zbuduj kontekst dla Twojego asystenta AI w 15 minut, za darmo. Sprawdź →

Context engineering: sygnał vs szum, zanim dasz agentowi AI pamięć firmy (2026)

Pierwszy odruch firmy po decyzji „wdrażamy agenta AI” jest zawsze ten sam: podpiąć go do Drive’a, Slacka i skrzynek pocztowych. Czyli do największego śmietnika, jaki firma ma. Agent tego śmietnika nie posprząta. On go przyspieszy.

Czym jest context engineering

Context engineering to dobór i utrzymanie tego, co agent AI widzi w danym momencie: dokumentów, reguł, historii i narzędzi, z których składa odpowiedź. Anthropic w tekście „Effective context engineering for AI agents” (wrzesień 2025) opisuje to jako kontrolę nad optymalnym zestawem informacji podczas pracy modelu i sprowadza do jednej zasady: najmniejszy możliwy zestaw informacji o wysokim sygnale. Kontekst ma być treściwy, ale ciasny.

Trzy pojęcia, które w rozmowach z zarządami mieszają się bez przerwy, a warto je rozdzielić:

Gdy będzie potrzeba, model podmienisz w jeden dzień. Prompt poprawisz w godzinę. Kontekst firmy albo masz, albo musisz go zbudować, i żaden vendor Ci go nie sprzeda. Dlatego agent z pamięcią jest wart dokładnie tyle, ile warta jest pamięć, którą mu dasz.

Sygnał vs szum: definicja robocza

Mamy dziś więcej danych i informacji niż kiedykolwiek wcześniej. Jak odróżnić to, co ważne (sygnał), od całej reszty (szum)?

Sygnał to informacja, która jest dziś prawdziwa, ma datę, ma uzasadnienie i jedno miejsce, w którym żyje. Szum to cała reszta: duplikaty, stare wersje, czaty bez kontekstu, decyzje bez „dlaczego” i dokumenty, o których nikt nie wie, czy jeszcze obowiązują.

SygnałSzum
Aktualnośćma datę, wiadomo, że obowiązujenie wiadomo, z kiedy i czy to jeszcze prawda
Uzasadnieniedecyzja plus „dlaczego”sam wynik, bez powodu
Miejscejedno źródło, reszta do niego odsyłapięć kopii w pięciu folderach
Właścicielwiadomo, kto odpowiadaniczyje
Formaspisana regułarozsypane po mailach i czatach

Najbardziej podstępny rodzaj szumu to prawda z zeszłego kwartału. Notatka ze stycznia nie kłamie. Ona po prostu opisuje firmę, która już nie istnieje. Stary sygnał to też szum.

Skala problemu nie jest nowa. Według raportu Veritas Global Databerg z 2016 roku tylko 15% danych przechowywanych przez firmy było uznawane za krytyczne dla biznesu, 33% stanowiły dane zbędne, przestarzałe lub błahe (ROT), a 52% dane „ciemne”, o nieznanej wartości. Od tego czasu firmom przybyło dysków, komunikatorów i lat historii. Porządku nie.

Co się dzieje, gdy agent dostaje szum

W lipcu mój asystent AI, który pracuje na moich notatkach i logu decyzji, z pełnym przekonaniem tłumaczył mi, że mam klienta, którego nie miałem od miesiąca. Fakt o zakończeniu współpracy siedział w logu decyzji. Ale kilka starszych notatek mówiło co innego i mówiło głośniej. Agent niczego nie zmyślił. Uczciwie streścił szum, który mu dałem.

To nie jest wada jednego narzędzia, tylko właściwość modeli. W benchmarku NoLiMa (Adobe Research, ICML 2025) 10 z 12 badanych modeli przy kontekście 32 tys. tokenów spadło poniżej 50% swojej skuteczności z krótkiego kontekstu. Badanie Chroma „Context Rot” z lipca 2025 sprawdziło 18 modeli, w tym GPT-4.1, Claude Opus 4 i Gemini 2.5, i każdy z nich tracił skuteczność wraz ze wzrostem długości wejścia, najmocniej wtedy, gdy w kontekście leżały treści podobne do szukanej, ale nieprawdziwe. Czyli dokładnie stare wersje i duplikaty.

Wniosek dla zarządu: im więcej wrzucisz agentowi, tym pewniej będzie się mylił. Halucynacja z niezachwianą pewnością siebie to jedno z pięciu największych ryzyk AI w firmie, a szum w kontekście jest jej najprostszym źródłem. Gartner w lutym 2025 prognozował, że do końca 2026 roku organizacje porzucą 60% projektów AI, które nie mają za sobą danych gotowych na AI. W ankiecie Gartnera z III kwartału 2024 (248 liderów zarządzania danymi) 63% firm nie miało albo nie wiedziało, czy ma praktyki zarządzania danymi odpowiednie pod AI.

Trzy reguły, które produkują sygnał

Sygnał nie powstaje w projekcie IT. Powstaje z prostych reguł, które firma stosuje codziennie. Trzy, które stosuję u siebie i które przenoszą się na każdą organizację:

  1. Jedno miejsce prawdy na temat, reszta do niego odsyła. Klient, produkt, proces: każdy ma jeden dokument, który jest źródłem. Wszystko inne to wskaźnik, nie kopia. Gdy agent pyta „jaki mamy cennik”, istnieje dokładnie jedna odpowiedź.
  2. Decyzja ma datę, ma „dlaczego” i tego samego dnia przepisuje to, co ją poprzedzało. Log decyzji to historia. Agent czyta teraźniejszość. Jeśli po decyzji nikt nie poprawił starych notatek, agent będzie je cytował. Moja lipcowa wpadka wzięła się z dwóch dni zwłoki. Polityka AI na jednej stronie działa na tej samej zasadzie: jedna aktualna reguła bije dziesięć nieaktualnych.
  3. Agent czyta mniej, nie więcej. Least context działa jak least privilege w bezpieczeństwie: agent widzi tylko to, czego potrzebuje do zadania. Mały, czysty kontekst plus tańszy model daje lepsze wyniki niż wszystko naraz plus najdroższy model. Sprawdziłem to na własnym agencie, gdy wymieniłem model na darmowy: jakość utrzymałem nie lepszym modelem, tylko uproszczeniem tego, co agent dostaje. To zresztą ta sama zasada, którą RODO nazywa minimalizacją danych.

Żadna z tych reguł nie wymaga budżetu. Każda wymaga decyzji zarządu, że kontekst firmy jest aktywem, o który ktoś dba.

Dlaczego sygnał musi leżeć u Ciebie

Sygnał to skondensowana wiedza firmy: kto jest klientem, co zdecydowaliśmy i dlaczego, jakie mamy zasady. To najcenniejszy zbiór danych, jaki kiedykolwiek zbudujesz, i właśnie on trafia do agenta jako kontekst. Jeśli agent mieszka na cudzej chmurze, wysyłasz tam nie pojedyncze dokumenty, tylko destylat strategii.

To sedno tego, o czym piszę na Sovereign AI Lab: suwerenne wdrażanie AI, czyli agenty z pamięcią i kontekstem firmy działające on-premise albo w środowisku pod Twoją kontrolą. Dlaczego pamięć firmy ma zostać u Ciebie, rozbieram osobno w tekście o agencie z pamięcią. Tu tylko konsekwencja dla kontekstu: to, co nie musi wejść do agenta, nie wchodzi. To, co musi wyjść poza Twoją infrastrukturę, wychodzi bez danych osobowych. Do tego drugiego zbudowałem Amaze, narzędzie do anonimizacji dokumentów, które zdejmuje dane osobowe, zanim tekst trafi do modelu. Możesz je przetestować za darmo.

Szum ma jeszcze jedną postać, o której zarządy zapominają: shadow AI. Kontekst firmy rozsypany po prywatnych czatach pracowników to sygnał, którego nie masz, i wyciek, którego nie widzisz. Jednocześnie.

Od czego zacząć

Ile z tego, co Twoja firma ma dziś na Drive, jest jeszcze prawdą? Nie wiesz. Nikt tego nie wie i to jest właściwy punkt startu, bo odpowiedź nie leży w wyborze narzędzia.

  1. Wybierz jeden temat. Jeden proces albo jednego klienta. Nie „całą firmę”.
  2. Spisz, co jest prawdą dziś. Z datą i z „dlaczego”. Wszystko, czego nie da się tak spisać, nie jest sygnałem.
  3. Zabierz agentowi resztę z zasięgu. Zanim dostanie dostęp do czegokolwiek, dostaje dostęp do tej jednej spisanej prawdy. Zasięg rozszerzasz dopiero wtedy, gdy kolejny temat jest posprzątany.

Dopiero po tym ma sens rozmowa o tym, który model i który agent. Kolejność odwrotna kończy się agentem, który szybko i pewnie opowiada o firmie, której już nie ma.


Chcesz wiedzieć, co Twój przyszły agent przeczytałby pierwszego dnia? Napisz do mnie, zrobimy krótki przegląd kontekstu: gdzie jest sygnał, gdzie szum i od czego zacząć.

Najczęstsze pytania

Czym jest context engineering?

Context engineering to dobór i utrzymanie tego, co agent AI widzi w danym momencie: dokumentów, reguł, historii i narzędzi, z których składa odpowiedź. Celem jest kontekst treściwy, ale ciasny. Im więcej nieaktualnych lub zdublowanych treści dostaje model, tym pewniej się myli.

Czym różni się context engineering od prompt engineeringu?

Prompt engineering dotyczy tego, co agentowi mówisz w poleceniu. Context engineering dotyczy tego, co agent widzi: pamięci, dokumentów i danych, do których ma dostęp. Prompt poprawisz w godzinę. Kontekst firmy trzeba wyprodukować i utrzymywać, bo z czasem sam zamienia się w szum.

Czy agent AI sam odfiltruje szum z danych firmy?

Nie. Modele językowe tracą skuteczność wraz ze wzrostem ilości kontekstu, a treści podobne do szukanej, ale nieaktualne, mylą je najbardziej. Agent nie odróżni prawdy sprzed roku od prawdy dzisiejszej, jeśli obie leżą obok siebie bez daty i uzasadnienia. Filtrowanie to praca ludzi przed wdrożeniem.

Ile danych potrzebuje agent AI z pamięcią?

Mniej, niż zakłada większość firm. Lepiej działa mały, czysty kontekst z jednym źródłem prawdy na temat niż dostęp do całego Drive'a. Zasada least context, czyli agent widzi tylko to, czego potrzebuje do zadania, poprawia jakość odpowiedzi i jednocześnie ogranicza ryzyko wycieku danych.