Kalifornia była wyspą przez sto lat. Twój chatbot ma to samo
W 1622 roku na europejskich mapach Ameryki Północnej pojawia się coś nowego. Półwysep Kalifornijski, wcześniej rysowany jako część lądu, zaczyna być przedstawiany jako oddzielona wyspa — długi, marchewkowaty kawałek ziemi, odcięty od kontynentu wąskim pasem wody. Błąd rozchodzi się po całej Europie i trzyma się kartografii przez następne sto kilkadziesiąt lat.
Hiszpanie wiedzieli lepiej już wcześniej. W 1539 roku ekspedycja Francisca de Ulloi popłynęła wzdłuż wybrzeża i potwierdziła, że Kalifornia jest przyklejona do lądu. Ale osiemdziesiąt lat później hiszpański zakonnik Antonio de la Ascensión, który sam płynął tamtędy w latach 1602–1603, zaczął twierdzić co innego — podobno po to, żeby podważyć angielskie roszczenia Francisa Drake’a do tego wybrzeża. Jego wersja trafiła na mapę, tę mapę przerysował ktoś inny, potem jeszcze ktoś inny. Nikt nie płynął tam ponownie, żeby sprawdzić. Kopiowano źródło, nie teren.
Błąd był tak trwały, że jego naprawa wymagała interwencji na najwyższym szczeblu. Jezuita Eusebio Kino przekonywał już na początku XVIII wieku, że to pomyłka — nikt mu nie uwierzył. Dopiero w 1747 roku król Hiszpanii Ferdynand VI wydał dekret, w którym oficjalnie stwierdził: Kalifornia nie jest wyspą. To nie wystarczyło. Jeszcze w 1865 roku, sto osiemnaście lat po dekrecie, japońska mapa pokazywała Kalifornię otoczoną wodą ze wszystkich stron. Stanfordzka kolekcja Glena McLaughlina liczy dziś blisko 750 map z tym samym błędem — kolekcjoner zbierał je czterdzieści lat, bo każda kolejna okazywała się kopią poprzedniej, nie nowym pomiarem.
To samo dzieje się, gdy pytasz chatbota o cenę
Kartografowie z XVII wieku nie kłamali. Rysowali to, co widzieli na innej mapie, z pełnym przekonaniem, że to fakt. Chatbot bez własnej bazy wiedzy robi identycznie. Zapytany o Twoją politykę zwrotów, nie mówi „nie wiem” — odpowiada z tego, co model widział podczas treningu: uśrednioną wersją tego, jak zwykle wyglądają zwroty w e-commerce. Brzmi pewnie, brzmi konkretnie i najczęściej jest nieprawdziwe dla Twojej firmy.
Co dokładnie się psuje
Trzy rzeczy, w kolejności od najbardziej widocznej do najdroższej.
Bot podaje liczby, których nie ma w żadnym Twoim dokumencie. Cenę usługi, czas dostawy, warunki gwarancji. Model językowy nie ma dostępu do Twojego cennika, więc generuje coś, co statystycznie pasuje do pytania — liczbę, która brzmi jak cena, nie cenę.
Klient traktuje odpowiedź jak wiążącą. To jest różnica między chatbotem a człowiekiem, który się myli. Człowiek powie „sprawdzę i wrócę do Pani”. Bot mówi z tą samą pewnością siebie niezależnie od tego, czy cytuje Twój regulamin, czy zmyśla. Klient nie ma jak odróżnić jednego od drugiego, bo forma odpowiedzi jest identyczna.
Firma dowiaduje się z reklamacji, nie z testu. Ktoś zgłasza się z pretensją „bot obiecał mi zwrot pieniędzy w 24 godziny”, zespół sprawdza regulamin i regulaminu takiego zapisu nie ma. Teraz trzeba decydować: honorować obietnicę bota czy tłumaczyć klientowi, że maszyna się pomyliła. Obie opcje kosztują, a żadna nie była zaplanowana.
Dlaczego chatbot w ogóle zmyśla
To nie jest usterka, którą można wyłączyć jednym przełącznikiem. To konsekwencja tego, jak działa duży model językowy — i warto rozumieć mechanizm, żeby wiedzieć, co faktycznie leczy problem, a co go tylko maskuje.
Skąd bot bierze odpowiedź, jeśli nie z Twoich dokumentów?
Model językowy nie ma bazy faktów o Twojej firmie. Ma statystyczny wzorzec tego, jak zwykle wygląda tekst na dany temat, wyuczony na ogromnym zbiorze tekstów z internetu. Zapytany o coś konkretnego, czego nie ma w treningu — Twój aktualny cennik, na przykład — nie zwraca błędu. Dokańcza zdanie tak, jak dokańczałby je najbardziej prawdopodobny ciąg słów. To jest cała mechanika halucynacji: model nie ma trybu „nie wiem”, ma tylko tryb „najbardziej prawdopodobne dokończenie”.
Czy każdy model AI ma ten problem?
Tak, w różnym stopniu, niezależnie od tego, jak duży i drogi jest model. Większa skala poprawia płynność i ogólną wiedzę, nie usuwa mechanizmu. Model bez dostępu do Twoich danych zawsze będzie miał lukę między tym, co wie, a tym, o co pytasz — i zawsze będzie tę lukę czymś wypełniał, bo to robi z definicji.
Czy sam lepszy prompt to naprawia?
Częściowo, i tylko do pewnego momentu. Instrukcja „odpowiadaj tylko na podstawie faktów, których jesteś pewien” zmniejsza liczbę halucynacji, ale nie usuwa przyczyny — model nadal nie ma dostępu do Twojego cennika, tylko teraz częściej mówi „nie wiem” zamiast zgadywać. To poprawa, nie rozwiązanie. Chatbot, który na połowę pytań o cenę odpowiada „nie wiem, proszę o kontakt z działem sprzedaży”, jest bezpieczniejszy, ale też mało użyteczny.
Co faktycznie zamyka lukę
Jedyny sposób, żeby model odpowiadał faktami zamiast wzorcem statystycznym, to dać mu dostęp do faktów w momencie, gdy odpowiada — nie podczas treningu, tylko przy każdym pytaniu. Technicznie nazywa się to RAG, retrieval-augmented generation: system najpierw znajduje fragmenty Twoich dokumentów pasujące do pytania, potem dokleja je do promptu i dopiero wtedy model generuje odpowiedź. Model wciąż nie „wie” nic na pewno, ale ma przed sobą właściwy fragment tekstu, z którego może cytować, zamiast zgadywać z pamięci.
Czego baza wiedzy nie naprawi
Żeby było uczciwie: podłączenie dokumentów do bota nie zamyka tematu halucynacji do zera.
Jeśli Twoje dokumenty są sprzeczne ze sobą — stary cennik leży obok nowego, nikt nie usunął starego — bot dostanie do wyboru dwa fragmenty i może wybrać niewłaściwy. Baza wiedzy jest tak dobra, jak dokumenty, które w niej leżą, i tak aktualna, jak często ktoś je aktualizuje.
Nie naprawi też pytań, na które w ogóle nie masz odpowiedzi spisanej. Jeśli klient pyta o coś, czego nie ma w żadnym dokumencie, dobrze skonfigurowany bot powie „nie wiem, sprawdzę” zamiast zmyślać — ale to wciąż oznacza, że ktoś musi tę lukę uzupełnić ręcznie, przynajmniej raz.
Co z tym zrobić
Dwie rzeczy możesz sprawdzić w tym tygodniu, zanim w ogóle pomyślisz o zmianie narzędzia.
1. Zadaj botowi dziesięć pytań, na które znasz poprawną odpowiedź. Cena, czas dostawy, warunki zwrotu, dane kontaktowe. Zapisz, ile odpowiedzi się zgadza. To najprostszy audyt halucynacji, jaki istnieje, i większość firm nigdy go nie zrobiła.
2. Sprawdź, czy Twoje własne dokumenty są ze sobą spójne. Zanim oskarżysz model o zmyślanie, upewnij się, że cennik na stronie i cennik w PDF-ie do pobrania mówią to samo. Często się okazuje, że bot nie halucynuje — cytuje wiernie dokument, który sam jest nieaktualny.
Jak to wygląda u nas
W Chatmerce bot odpowiada na podstawie bazy wiedzy, którą wgrywasz sam — PDF-y, strony URL, zwykły tekst. Ta sama baza karmi każdy kanał i każdego agenta, więc nie ma osobnej wersji „prawdy” dla widgetu i osobnej dla RCS. Kontrolujesz to, co bot wie, edytując dokumenty źródłowe — bez promptowania, bez fine-tuningu.
To nie eliminuje potrzeby porządku w dokumentach. Eliminuje za to sytuację, w której bot odpowiada z ogólnej wiedzy modelu, bo nie ma nic innego, z czego mógłby czerpać.
Jeśli podejrzewasz, że Twój bot zmyśla, a nie wiesz, ile to kosztuje — napisz do nas, przejdziemy razem przez te dziesięć pytań na Twoim koncie. Więcej o tym, jak trzymać kanały spójne: Ferrari, szpital i dwie różne odpowiedzi dla tego samego klienta.
Źródła historii kartograficznej: Public Domain Review, Maps Showing California as an Island; kolekcja Glena McLaughlina, Stanford University Libraries (blisko 750 map, dekret Ferdynanda VI z 1747 roku, japońska mapa z 1865 roku jako ostatni znany przykład błędu). Stan tekstu: wrzesień 2026.