Ključni principi izrade učinkovitog upita (prompta)

1. Uvod

Svi znamo da način na koji postavimo pitanje izravno utječe na odgovor koji ćemo dobiti. Isto vrijedi i u radu s alatima i sustavima umjetne inteligencije (UI). Isti ne mogu „pogoditi” što želimo, ako naš zahtjev ne formuliramo jasno i precizno. Nerijetko se događa da korisnici dobiju nejasne, nepotpune ili preopćenite odgovore upravo zato što su njihovi upiti bili preširoko postavljeni ili nedovoljno određeni.

Kada savladate vještinu pravilnog oblikovanja upita, moći ćete:

• dobiti točne i relevantne informacije

• uštedjeti vrijeme

• lakše razumjeti i obraditi informacije

• kvalitetnije koristiti tehnologiju u nastavi i istraživanju.

Bez obzira na razinu sofisticiranosti alata umjetne inteligencije, kvaliteta njihovih odgovora u velikoj mjeri ovisi o načinu na koji postavljamo upit – odnosno o načinu na koji formuliramo tzv. prompt.

Pitanja za razmišljanje

• U kojoj se mjeri način na koji postavljamo upite (prompte) umjetnoj inteligenciji razlikuje od načina na koji postavljamo pitanja ljudima?
• Koje su ključne razlike i što one znače za našu komunikaciju s tehnologijom?
• Kako biste prilagodili svoje pitanje da biste u oba slučaja dobili što kvalitetniji odgovor?

2. Kako alati i sustavi umjetne inteligencije „razumiju" upite?

Kada nekom alatu umjetne inteligencije – bilo da se radi o sustavu za razgovor ili o alatu za stvaranje slika – postavite upit (tzv. prompt), on isti ne tumači na isti način kao čovjek. Takvi sustavi nemaju svijest, misli ni razumijevanje u ljudskom smislu. Umjesto toga, koriste napredne matematičke modele i statističke obrasce kako bi prepoznali što tražite i proizveli odgovor koji najbolje odgovara vašem upitu.

Evo kako to funkcionira:

• Pretvaranje u brojeve

  • Prvi korak je pretvaranje vašeg upita – bilo da se radi o tekstu, slici ili zvuku – u niz brojeva. To je način na koji računalo „prevodi” informacije na svoj jezik.
  • Ako je ulaz tekst, on se razlaže na manje jedinice (riječi ili njihove dijelove), pri čemu svaka dobiva brojčanu vrijednost koja odražava njezino značenje i povezanost s drugim riječima.
  • Ako je riječ o slici, podaci se pretvaraju u brojeve koji opisuju karakteristike njezinih piksela.

• Traženje uzoraka i veza

         Kada su sve informacije izražene brojevima, alat umjetne inteligencije započinje analizu. U tom procesu koristi golemo „znanje” stečeno tijekom obuke na milijardama primjera.

• • Prepoznavanje odnosa: Model uočava kako su različiti dijelovi vašeg upita međusobno povezani. Na primjer, u izrazu „pas koji leti” razumije da glagol „leti” opisuje imenicu „pas”.

  • Usmjeravanje na bitno: Poput čitatelja koji traži glavni smisao teksta, sustav prepoznaje koje su riječi ili dijelovi upita najvažniji i na njih usmjerava pozornost.

  • Usporedba s naučenim obrascima: Vaš se upit uspoređuje s onim što je model „naučio” tijekom treniranja na velikim skupovima podataka. Model ne pamti pojedinačne primjere, nego generalizira obrasce, strukturu jezika, činjenice i načine povezivanja informacija.

• Stvaranje odgovora

         Na temelju te analize alat umjetne inteligencije predviđa što bi mogao biti najvjerojatniji ili najprikladniji odgovor na vaš upit.

• • Za tekstualne upite: model predviđa sljedeću najvjerojatniju riječ, zatim iduću, i tako postupno gradi cijeli odgovor.

  • Za vizualne upite: iz brojčanih podataka postupno „crta” sliku, piksel po piksel, stvarajući prikaz koji odgovara opisu u upitu.

Alati umjetne inteligencije ne razmišljaju niti razumiju svijet kao ljudi. Stoga je njihova snaga u prepoznavanju složenih uzoraka i statističkom predviđanju. Upravo zato mogu stvarati iznimno uvjerljive i korisne odgovore – zahvaljujući sofisticiranoj obradi podataka i prepoznavanju veza koje su im ljudi, tijekom procesa učenja, omogućili.

Što je prompt inženjering?

Prompt inženjering (engl. prompt engineering) označava vještinu i proces oblikovanja učinkovitih upita za alate umjetne inteligencije.

Riječ je o novoj vrsti digitalne pismenosti koja podrazumijeva razumijevanje načina na koji sustavi umjetne inteligencije „razmišljaju” i reagiraju na različite formulacije zahtjeva.

Cilj prompt inženjeringa jest maksimalno iskoristiti mogućnosti umjetne inteligencije jasno definiranim, kontekstualno preciznim i svrhovito strukturiranim upitima. U praksi to znači da korisnik promišljeno bira:

• ulogu (Role) – iz koje perspektive alat treba odgovoriti

• zadatak (Task) – što točno treba učiniti

• oblik (Format) – u kojem obliku treba prikazati rezultat

• ograničenja (Restrict) – pravila, ton ili granice odgovora.

Primjer upita:

„Ti si nastavnik matematike. Pripremi kratak plan sata o linearnim jednadžbama za učenike trećeg razreda srednje škole. Prikaži plan u tabličnom obliku i koristi jednostavan, jasan jezik.”

Ovakav pristup omogućuje korisniku da precizno usmjeri rad umjetne inteligencije, poveća relevantnost odgovora i razvije svjesnost o tome kako digitalni alati procesuiraju informacije.

U obrazovnom kontekstu, prompt inženjering postaje važna kompetencija nastavnika i studenata, jer omogućuje svjesno i odgovorno korištenje umjetne inteligencije u učenju, istraživanju i stvaranju sadržaja.

Stvaranje različitih vrsta sadržaja (npr. tekstualnih, vizualnih ili zvučnih) često zahtijeva različite alate umjetne inteligencije, ali i različite strategije oblikovanja upita.
Drugim riječima, način na koji formuliramo prompt ovisi o tome što želimo proizvesti: tekst, sliku, zvuk ili multimedijalni prikaz.

Za svaki tip sadržaja vrijede specifična pravila i pristupi.
Pogledajmo na što treba obratiti pozornost kod pojedinih vrsta upita:

Tekstualni sadržaji – zahtijevaju jasno definiran ton, cilj i strukturu. Dobro je odrediti kome je tekst namijenjen, u kojem stilu treba biti napisan (npr. formalno, popularno, edukativno) i što točno želite da sadrži (npr. sažetak, objašnjenje, usporedbu).

Vizualni sadržaji – traže precizne opise elemenata slike, stila, kompozicije i raspoloženja. Kod ovih upita vrijedi pravilo: što detaljniji opis, to precizniji rezultat.

Zvučni i audiovizualni sadržaji – uključuju dodatne dimenzije poput tona glasa, ritma, emocije ili atmosfere, pa su i upiti složeniji.

Multimodalni sadržaji – kombiniraju tekst, sliku i zvuk i traže pažljivo usklađene upute kako bi alat pravilno povezao sve komponente.

Razumijevanje ovih razlika pomaže korisnicima izbore odgovarajućih alata umjetne inteligencije i načina komunikacije s njim – čime povećavaju točnost, kreativnost i učinkovitost rezultata.

Dodatno: Za one koji žele dublje razumjeti strategije i tehnike prompt inženjeringa u radu s velikim jezičnim modelima, preporučuje se vodič Prompt Engineering Guide koji je razvio OpenAI.
Vodič nudi primjere, praktične savjete i napredne pristupe oblikovanju upita s ciljem poboljšanja kvalitete i dosljednosti odgovora generativnih modela.

Napomena: Prikazani model oblikovanja upita (Role–Task–Format–Restrict) temelji se na pedagoškim smjernicama za razvoj digitalne i UI pismenosti koje koriste brojni sveučilišni vodiči, poput onih s Australian Catholic University (ACU) (2024). Iako nije formaliziran kao teorijski model u znanstvenoj literaturi, ovaj pristup služi kao praktičan okvir za osposobljavanje korisnika u učinkovitoj komunikaciji s alatima umjetne inteligencije.

Izvor slike: Shutterstock

3. Preciznost i jasnoća upita

U komunikaciji s alatima umjetne inteligencije (UI) ključnu ulogu ima način na koji oblikujemo upit, odnosno prompt.
To je uputa, pitanje ili zahtjev koji korisnik upućuje sustavu umjetne inteligencije kako bi generirao odgovor, sadržaj ili izvršio određenu radnju. Drugim riječima, prompt je ulazna informacija koja usmjerava rad umjetne inteligencije i oblikuje kvalitetu rezultata koji će nastati.

Zašto su preciznost i jasnoća važni?

Kao i u komunikaciji među ljudima, nejasne ili preopćenite upute mogu dovesti do pogrešnih ili površnih odgovora.
Ako upit nije dovoljno jasan, umjetna inteligencija može „pogrešno shvatiti” kontekst, izostaviti bitne informacije ili ponuditi nepotpun rezultat.
Suprotno tome, precizno i jasno formulirani upiti omogućuju alatu da točnije razumije što tražimo i da generira sadržaj koji je relevantniji, strukturiraniji i korisniji.

Razmislite o upitu kao o uputi koju dajete osobi:

• Ako su upute nejasne, velika je vjerojatnost da će rezultat biti nepotpun.
• Isto vrijedi i za umjetnu inteligenciju – preciznost povećava točnost.

Savjeti za jasno i precizno oblikovanje upita:

• koristite konkretne pojmove i izbjegavajte dvosmislene riječi

• Ne postavljajte preširoka pitanja

• Budite specifični u opsegu i kontekstu onoga što tražite

• Kada je moguće, odredite oblik odgovora (npr. „u obliku popisa”, „u dvije rečenice”, „s primjerom”).

Primjer:

Prilikom oblikovanja upita važno je izbjegavati neodređene izraze poput:

„Recite mi nešto o linearnoj matematici "

Umjesto toga, koristite konkretne i usmjerene formulacije, primjerice:

„Objasnite osnovne pojmove linearne algebre i navedite primjere njihove primjene.”

Na taj način precizno usmjeravate alat umjetne inteligencije prema željenom cilju i povećavate kvalitetu dobivenog odgovora.

Preciznost i jasnoća nisu samo tehnički aspekti, nego i dio digitalne pismenosti koja omogućuje učinkovitiju i smisleniju komunikaciju s umjetnom inteligencijom.
Jasno definiran upit temelj je dobre suradnje između korisnika i alata – on određuje smjer, ton i razinu složenosti odgovora koji UI može pružiti.

Ova tema čini osnovu šire vještine poznate kao prompt inženjering – promišljenog oblikovanja upita kojim korisnik svjesno utječe na kvalitetu i relevantnost odgovora umjetne inteligencije.

4. Strukturiranje zahtjeva u male korake

Kada oblikujete upite za alate umjetne inteligencije, korisno je složene zahtjeve razložiti na više manjih i jasnijih dijelova. Takav pristup naziva se podjela zadatka na male korake (task decomposition).

Zašto je to važno? 

Veliki i složeni upiti često mogu zbuniti sustave umjetne inteligencije, što dovodi do nepotpunih, površnih ili nelogičnih odgovora.
Razlaganjem upita u nekoliko jednostavnijih koraka modelu omogućujete da preciznije razumije svaki dio te da postupno izgradi točniji i smisleniji rezultat.

Kako to učiniti?

• Umjesto da tražite sve odjednom, razdijelite upit na manje cjeline.

• Najprije zatražite objašnjenje osnovnih pojmova.

• Zatim zatražite primjere koji pojašnjavaju kontekst.

• Na kraju tražite primjenu, usporedbu ili prijedlog rješenja.

Primjer:

Umjesto jednog upita:
„Objasni teoriju, povijest i primjenu računalnih mreža u obrazovanju i izradi plan predavanja o tome.”

bolje je postaviti niz manjih, povezanih upita:

• „Objasni osnovne pojmove računalnih mreža.”
• „Navedi kratku povijest razvoja računalnih mreža.”
• „Kako se računalne mreže koriste u obrazovanju?”
• „Predloži plan predavanja o računalnim mrežama za studente.”

Takav pristup povećava preciznost, jasnoću i kvalitetu dobivenih odgovora, a ujedno omogućuje da postupno gradite složeniji rezultat na temelju točnih i provjerenih dijelova.

Savjet:

Ova se tehnika posebno preporučuje u obrazovnim okruženjima kada umjetnu inteligenciju koristite za planiranje nastave, izradu nastavnih materijala ili istraživačke analize – jer pomaže modelu da „razmišlja korak po korak” i smanji mogućnost pogreške.

5. Postavljanje dodatnog konteksta

Davanje dodatnih informacija pomaže alatu umjetne inteligencije da bolje razumije vaše potrebe i prilagodi odgovor vašem cilju.
Kontekst usmjerava način na koji će alat generirati sadržaj i povećava vjerojatnost da rezultat bude relevantan, jasan i upotrebljiv.

Što možete uključiti u kontekst?

• svrhu – zašto vam treba odgovor (npr. za nastavu, prezentaciju, istraživanje)
• publiku – kome je sadržaj namijenjen (studentima, nastavnicima, stručnoj javnosti)
• stil pisanja – kakav ton i jezik želite (npr. stručni, popularni, sažeti, neformalni)
• format odgovora – u kojem obliku želite rezultat (npr. popis, tablica, esej, plan).

Zašto je to važno?
Bez jasno definiranog konteksta, umjetna inteligencija može pretpostaviti okolnosti koje nisu u skladu s vašim očekivanjima.
Kontekst pomaže sustavu da „razumije” vašu namjeru i generira odgovor koji je prilagođen situaciji, publici i svrsi.

Primjer:

„Napiši sažetak znanstvenog članka o digitalnoj pedagogiji, prilagođen studentima prve godine."

U ovom primjeru kontekst obuhvaća vrstu sadržaja (sažetak), temu (digitalna pedagogija) i publiku (studenti prve godine).
Zahvaljujući tim informacijama, alat umjetne inteligencije moći će stvoriti odgovor koji je primjeren razini znanja publike i usmjeren na obrazovni cilj.

Savjet: Što više relevantnih informacija uključite u svoj upit, to će alat umjetne inteligencije preciznije „shvatiti” što vam je potrebno. Dobro definiran kontekst ne ograničava kreativnost modela – naprotiv, pomaže mu da bude fokusiraniji i korisniji.

Pitanja za razmišljanje:

1. Možete li se prisjetiti situacije u kojoj ste dobili nerelevantan odgovor od UI alata? Koji je dio konteksta tada možda nedostajao?
2. Kako biste preoblikovali svoj dosadašnji najčešće korišteni upit tako da uključuje jasniji kontekst (svrhu, publiku, stil ili oblik)?

6. Tehnika „Chain-of-Thought" - Lanac razmišljanja

Pojam lanac razmišljanja (Chain-of-Thought, CoT) odnosi se na pristup u kojem se od sustava umjetne inteligencije (UI) ne traži samo konačan odgovor, već i da objasni kako je do tog odgovora došao.
Drugim riječima, korisnik u svom upitu uključuje zahtjev da UI razradi svoj misaoni postupak kroz niz logičnih i međusobno povezanih koraka.
Takav način komunikacije ne donosi samo informaciju, nego otvara uvid u proces – u „razmišljanje“ modela – što rezultira dubljim, argumentiranijim i pedagoški korisnijim odgovorima.

Uobičajeno je da sustavi umjetne inteligencije na jednostavne upite odgovaraju prekratko ili površno, nudeći gotove zaključke bez dodatnog objašnjenja.
Zamolimo li ih, međutim, da svoj odgovor izlože korak po korak, oni će češće proizvesti sadržaj koji pokazuje tijek analize, uzročno-posljedične veze i logičko obrazloženje.
U kontekstu obrazovanja to je osobito vrijedno jer omogućuje studentima da razumiju ne samo rezultat, nego i put do rješenja – što potiče refleksiju i razvoj kritičkog mišljenja.

Kako potaknuti lanac razmišljanja?

Ključ je u formulaciji upita.
Umjesto da od alata tražimo jednostavan odgovor, korisno je eksplicitno naglasiti da želimo obrazloženje procesa zaključivanja.
To možemo učiniti rečenicama poput:

„Objasni svoj postupak korak po korak.”
„Analiziraj problem, pa predloži rješenja i obrazloži njihovu učinkovitost.”

Primjer upita:

„Objasni kako bi pristupio rješavanju problema motivacije studenata u online nastavi.
Najprije navedi moguće uzroke niske motivacije, zatim predloži pedagoške intervencije, a na kraju objasni zašto bi ta rješenja mogla biti učinkovita.”

U ovom primjeru instruktor definira i temu (motivacija polaznika) i strukturu odgovora (uzroci → prijedlozi → obrazloženje).
Na taj način model dobiva jasan okvir i generira promišljen, logički povezan tekst koji podsjeća na analitički esej.

Struktura odgovora koji slijedi lanac razmišljanja

Odgovor dobiven na ovaj način obično uključuje nekoliko jasno razdvojenih dijelova:

• identifikaciju problema – prepoznavanje ključnog izazova
• analizu uzroka – objašnjenje zašto do problema dolazi
• prijedloge rješenja – konkretne korake ili strategije
• obrazloženje učinkovitosti – argument zašto bi predloženi pristupi mogli djelovati u praksi.

Takva struktura ne samo da poboljšava kvalitetu samog odgovora, već olakšava korisniku da razumije tok razmišljanja i da ga usporedi s vlastitim zaključcima.
U obrazovnom kontekstu to omogućuje primjenu UI alata kao partnera u procesu učenja – ne kao izvora gotovih informacija, nego kao surogata dijaloga i misaone razmjene.

Primjena u nastavi

Nastavnici ovu tehniku mogu koristiti na dva načina.
Prvo, kao alat za planiranje i refleksiju, na primjer, prilikom pripreme nastave, analize problema u poučavanju ili oblikovanja strategija vrednovanja.
Drugo, kao nastavnu aktivnost u kojoj studenti uče kako strukturirano razmišljati, argumentirati i procjenjivati rješenja.

Primjer zadatka za studente:

„Zatražite od UI alata da objasni korak po korak rješenje nekog pedagoškog problema.
Zatim analizirajte svaki korak: što biste zadržali, što biste izmijenili i zašto?”

Takva aktivnost razvija sposobnost samoprocjene, kritičkog promišljanja i argumentiranog donošenja odluka.

Pedagoški značaj

Lanac razmišljanja ne treba shvaćati kao tehniku koja automatski povećava točnost odgovora, nego kao didaktički alat koji modelu daje strukturu, a korisniku mogućnost uvida u logiku zaključivanja.
Iako UI ponekad može proizvesti uvjerljivo, ali netočno obrazloženje, upravo ta pogrešivost čini ga korisnim za obrazovne svrhe – potiče raspravu, uspoređivanje i evaluaciju.
Drugim riječima, lanac razmišljanja nije jamstvo istine, nego prilika za učenje kroz misaoni proces.

Pitanja za refleksiju:

• Odaberite jedan izazov iz vlastite nastavne prakse (npr. neaktivnost studenata, kašnjenje s predajom zadataka ili pad motivacije).
• Kako biste formulirali upit umjetnoj inteligenciji tako da potakne „lanac razmišljanja” – odnosno da analizira uzroke, predloži rješenja i objasni njihovu moguću učinkovitost?

Preporučeni izvor:
Learn Prompting (2024) Chain-of-Thought Prompting

7. Dodatni savjeti za učinkovitije upite

• Provjeravajte rezultate

  • Odgovor koji dobijete od alata umjetne inteligencije nije nužno konačan. Ako prvi odgovor nije dovoljno precizan, nije dovoljno dubok ili promašuje ono što vam je uistinu potrebno, vrijedi preformulirati upit.
    Drugim riječima, umjesto da prihvatite prvi rezultat „takav kakav jest”, možete jasno naznačiti što želite drugačije, na primjer:

    • „Daj više konkretnih primjera iz visokoškolskog obrazovanja.”

    • „Objasni sažetije i u jednostavnijem jeziku, za studente prve godine.”
      Na taj način gradite razgovor s alatom, umjesto da očekujete savršen odgovor iz prvog pokušaja.

• Koristite primjere u upitu kako biste jasno pokazali što točno želite i olakšali razumijevanje zahtjeva.

  • Vrlo je korisno pokazati modelu što točno očekujete. Ako u upit uključite primjer željenog tona, razine detalja ili strukture, povećavate šansu da ćete dobiti odgovor koji je odmah upotrebljiv.
    Primjer:

    • Umjesto samo „Napiši plan predavanja o digitalnoj pismenosti”, bolje je:
      „Napiši plan predavanja o digitalnoj pismenosti za prvu godinu preddiplomskog studija. Uključi: ishode učenja, aktivnosti na satu i prijedlog zadatka za samostalni rad.”
      Dakle, ne tražite „bilo kakav plan”, nego oblik koji vama didaktički odgovara.

• Ograničite opseg upita

  • Izbjegavajte predugačke upite koji sadrže previše informacija odjednom jer to može zbuniti UI-ja i utjecati na kvalitetu odgovora.

  • Izbjegavajte predugačke upite u kojima odjednom tražite previše različitih stvari. Takvi upiti često dovode do odgovora koji su površni i stilom neujednačeni.
    Bolje je složeniji zahtjev razložiti u nekoliko manjih koraka. Umjesto da odjednom pitate za povijest teme, analizu problema, rješenja i pedagoški plan, tražite to u fazama. Time pomažete modelu da ostane fokusiran i precizan u svakom dijelu.

• Budite spremni eksperimentirati 

  • često je potrebno nekoliko pokušaja i različitih formulacija da biste dobili najbolji mogući rezultat.

  • Rad s umjetnom inteligencijom je proces, a ne jednokratni upit. Često je potrebno nekoliko pokušaja, ponovnih formulacija i dodatnih pojašnjenja da biste dobili rezultat koji je doista koristan za vašu nastavu ili istraživanje.
    Praktično gledano: pristup „pitaj – procijeni – doradi – pitaj ponovno” daleko je učinkovitiji od pristupa „pitaj jednom i iskopiraj odgovor”.

8. Zaključak

Izrada učinkovitih upita predstavlja vještinu koja značajno doprinosi uspješnom korištenju umjetne inteligencije i digitalnih alata u obrazovanju. Mnogi alati i sustavi umjetne inteligencije imaju funkcionalnost zadavanja upita od strane korisnika pri stvaranju multimedijalnih sadržaja (tekst, slika, grafika, video, audiozapisi...). 
Preciznost izraza, jasnoća formulacije, logično strukturiranje zahtjeva, dodavanje konteksta i primjena tehnike lanca razmišljanja (Chain-of-Thought) ključni su elementi koji omogućuju dobivanje relevantnih, razumljivih i primjenjivih informacija.

Međutim, ni najnapredniji sustavi umjetne inteligencije ne mogu zamijeniti ljudsko znanje, prosudbu i iskustvo.
U visokoškolskom obrazovanju osobito je važno naglašavati da kvalitetan upit – odnosno dobar prompt – proizlazi iz dubokog razumijevanja sadržaja, pedagoških ciljeva i konteksta u kojem se alat koristi.
Umjetna inteligencija može analizirati, sintetizirati i predlagati rješenja, ali ne razumije svrhu učenja ni specifične potrebe studenata. Upravo zato ljudska stručnost ostaje središnji element u svakom obliku primjene umjetne inteligencije u poučavanju i istraživanju.

Istodobno, potrebno je zadržati kritički odnos prema rezultatima.
Sustavi umjetne inteligencije ponekad mogu tzv. halucinirati – generirati netočne, nepotpune ili izmišljene informacije koje djeluju uvjerljivo.
Stoga je nužno provjeravati činjenice, potvrđivati izvore i promišljeno vrednovati dobivene odgovore prije njihove primjene u nastavnom ili istraživačkom radu.

Drugim riječima, učinkovito korištenje umjetne inteligencije temelji se na spoju ljudske stručnosti, digitalne kompetencije i kritičkog mišljenja.
Upravo ta kombinacija omogućuje da tehnologija postane stvarni saveznik u obrazovanju – alat koji proširuje, ali ne zamjenjuje, ljudsko razumijevanje i profesionalnu odgovornost.

Pitanja za razmišljanje:

• Na koji način vaše stručno znanje, iskustvo i pedagoška prosudba utječu na kvalitetu upita koje oblikujete za alate umjetne inteligencije?
• Razmislite o tome kako razumijevanje teme, ciljeva učenja i potreba studenata oblikuje način na koji postavljate pitanja i interpretirate odgovore.

Izvor slike: Shutterstock

9. Literatura