Jak pisać prompty do AI? 5 technik i przykłady [2026]

Napisałeś długi, szczegółowy prompt. Dokładnie opisałeś, czego potrzebujesz. A AI i tak zwróciło coś zupełnie innego, niż miałeś na myśli. Brzmi znajomo?

Większość poradników o promptach powtarza te same rady: bądź konkretny, dodaj kontekst, określ format odpowiedzi. Te wskazówki działają, ale są podstawowe. Każdy, kto spędził z ChatGPT czy Claude więcej niż tydzień, już je zna.

Zebraliśmy 5 technik, które naprawdę zmieniają jakość odpowiedzi AI. Każda z nich jest sprawdzona w praktyce i poparta badaniami. To metody, które stosujemy na naszych szkoleniach i które uczestnicy wdrażają od razu po warsztatach.

Co to jest prompt i czym jest promptowanie?

Prompt to polecenie przekazane modelowi AI. Może mieć jedno zdanie, kilka akapitów, załącznik albo zestaw danych. Promptowanie oznacza takie formułowanie poleceń i kontekstu, aby model rozumiał zadanie oraz oczekiwany rezultat.

To nie konkurs na najbardziej technicznie brzmiącą instrukcję. Prompt powinien działać jak dobry opis zadania dla kompetentnej osoby, która nie zna jeszcze Twojej firmy. Anthropic proponuje podobny test: pokaż polecenie współpracownikowi, który ma niewiele informacji o zadaniu. Jeśli nie wiedziałby, co zrobić, Claude również potrzebowałby dodatkowych wyjaśnień.

Słaby prompt:

Przeanalizuj wyniki sprzedaży i napisz raport.

Lepszy prompt:

Przeanalizuj załączone wyniki sprzedaży za lipiec.

Przygotuj notatkę dla zarządu. Wskaż dwa najważniejsze odchylenia od planu, ich możliwe przyczyny oraz decyzje, które trzeba podjąć przed końcem tygodnia.

Korzystaj wyłącznie z danych w pliku. Jeśli nie da się potwierdzić przyczyny, oznacz ją jako hipotezę. Na końcu wskaż rekomendowany następny krok.

Druga wersja jest lepsza, bo opisuje odbiorcę, rezultat, zakres danych, sposób obchodzenia się z niepewnością i format zakończenia.

Jeśli dopiero poznajesz modele językowe, zacznij od poradnika co to jest sztuczna inteligencja i jak działa. W tym tekście skupiamy się na praktycznej pracy z poleceniami.

Jak pisać dobre prompty: schemat, który działa w większości zadań

Przed wysłaniem polecenia odpowiedz sobie na sześć pytań:

1. Jaki konkretny rezultat ma powstać?

2. Kto będzie z niego korzystać?

3. Jakie informacje są potrzebne do wykonania zadania?

4. Po czym poznasz, że odpowiedź jest dobra?

5. Jakie ograniczenia i zasady muszą zostać zachowane?

6. Kiedy model powinien zadać pytanie, zgłosić brak danych lub zakończyć pracę?

Nie każdy prompt potrzebuje sześciu osobnych akapitów. Przy prostym zadaniu wystarczą dwa zdania. Przy analizie, planowaniu strategii albo pracy z dokumentami lepiej rozpisać elementy wyraźnie.

Ten schemat jest punktem wyjścia. Pięć technik poniżej pomoże Ci dostosować go do realnych zadań.

Technika 1: dziel złożone zadania na etapy z konkretnymi efektami

Zamiast prosić AI o wykonanie całego zadania w jednym prompcie, rozłóż pracę na mniejsze etapy. Każdy etap powinien mieć jasno określony, weryfikowalny rezultat.

Dlaczego AI lepiej radzi sobie z mniejszymi zadaniami?

Badania organizacji METR pokazują wyraźną zależność: im dłuższe zadanie, tym gorzej radzi sobie AI. Modele mają niemal 100% skuteczności przy zadaniach trwających dla człowieka poniżej 4 minut, ale większość z nich osiąga skuteczność poniżej 80% przy zadaniach dłuższych niż godzina. Wyjątkiem jest tu Claude Mythos / Fable 5, który (teoretycznie) jest w stanie pracować nad zadaniami, które trwają nawet do nieco ponad 3h.

Dlaczego tak się dzieje? Przy długich zadaniach błędy się kumulują. Jeden mały błąd w kroku 3 prowadzi do większego błędu w kroku 7, a w kroku 15 cały projekt jest już nie do uratowania. Gdy dzielisz pracę na etapy, weryfikujesz każdy z nich osobno i łapiesz problemy zanim się nawarstwiają.

Jak podzielić projekt na etapy?

Przyjmij zasadę bloków 4-godzinnych. Jeśli zadanie zajęłoby człowiekowi 4 godziny, to jeden etap dla AI. Dla zadań programistycznych skróć to do 2 godzin, bo kod wymaga większej precyzji.

Przykład dla marketingu - słaby prompt:

Napisz mi strategię marketingową na Q1 dla firmy sprzedającej oprogramowanie HR

Ten sam projekt rozbity na etapy:

Napisz mi strategię marketingową na Q1 dla firmy sprzedającej oprogramowanie HR.

Podziel tworzenie strategii na etapy, każdy trwający maksymalnie 4h wdrożenia.

NIE ZACZYNAJ WDROŻENIA - PRZYGOTUJ SAM PLAN

Po otrzymaniu planu kontynuujesz:

Wdróż etap 1. Po zakończeniu etapu, podaj mi jasny sposób weryfikacji jakości wdrożenia.

Nie kontynuuj, dopóki nie sprawdzę progresu i jasno nie wskażę, że przechodzimy do kolejnego etapu.

Po każdym etapie sprawdzasz progres, prosisz o kontynuację - i tak do skutku.

Jakie korzyści daje ta metoda?

Po pierwsze, mniej halucynacji. AI sprawdza swoje rozumowanie na każdym etapie, zamiast strzelać w ciemno. Po drugie, łatwiej wyłapujesz błędy. Jeśli AI źle zrozumiało Twój biznes w etapie 1, poprawiasz to od razu, nie po napisaniu całej strategii. Po trzecie, możesz przerwać i wrócić do projektu następnego dnia. Masz zapisane etapy, więc kontekst nie ginie.

Technika 2: Poproś AI o uzupełnienie kontekstu

Po napisaniu pierwszego promptu dodaj jedno zdanie:

Powiedz mi, jakich informacji potrzebujesz, żeby wykonać to zadanie lepiej? ZRÓB TO ZANIM ZACZNIESZ WYKONYWAĆ ZADANIE.

O co chodzi z tą taktyką?

Ta technika nazywa się “Flipped Interaction Pattern”, czyli odwrócony wzorzec interakcji. Zamiast zgadywać, jakie informacje są potrzebne AI, pozwalasz modelowi zapytać o brakujące dane.

To eliminuje największy problem promptów: niedostateczny kontekst. Ty nie wiesz, czego AI potrzebuje. AI wie, ale domyślnie nie pyta, tylko wymyśla brakujące informacje. Wynik? Halucynacje i nietrafione odpowiedzi.

Jak to działa w praktyce?

Dla copywritera:

Chcę napisać email do klienta z przeprosinami za opóźnienie w dostawie. Zanim napiszesz, powiedz mi jakich informacji potrzebujesz, żeby email był naprawdę dobry?

AI może zapytać: Jak duże było opóźnienie? Czy oferujesz rekompensatę? Jaki ton preferujesz? Jaka jest historia relacji z tym klientem?

Dla programisty:

Potrzebuję funkcji do walidacji formularza rejestracji. Zanim napiszesz kod, zapytaj mnie o wszystko, co musisz wiedzieć.

AI zapyta: Jaki framework? Jakie pola w formularzu? Jakie reguły walidacji? Gdzie wyświetlać błędy?

Dla managera:

Przygotuj agendę spotkania zespołu. Najpierw zadaj mi pytania, które pomogą Ci zrobić to dobrze.

AI zapyta: Jak długie spotkanie? Ilu uczestników? Jakie tematy do omówienia? Czy są decyzje do podjęcia?

Warianty tej frazy

Możesz używać różnych sformułowań w zależności od sytuacji:

• “Co jeszcze powinienem Ci powiedzieć?”

• “Jakich danych Ci brakuje do dobrego wykonania tego zadania?”

• “Zadaj mi pytania, zanim zaczniesz pisać”

• “Czego potrzebujesz, żeby zrobić to naprawdę dobrze?”

Każda z tych wersji uruchamia ten sam mechanizm: AI przechodzi z trybu “zgaduj i halucynuj jak czegoś nie wiesz” w tryb “zbierz informacje, potem działaj na podstawie faktów”.

Technika 3: Jeden plik kontekstowy dla całej firmy

Przygotuj dokument z kluczowymi informacjami o firmie, który wklejasz na początek każdej rozmowy z AI. Ten sam plik może być używany przez cały zespół i w różnych narzędziach.

Czym jest context engineering

Anthropic uważa context engineering za jeden z najważniejszych elementów pracy z AI. Firmy przechodzą od optymalizacji pojedynczych promptów do systematycznego zarządzania kontekstem.

Różnica jest taka: prompt engineering to szlifowanie pytania. Context engineering to przygotowanie całego tła, zanim jeszcze zadasz pytanie. Jeden dobrze przygotowany kontekst jest wart więcej niż 100 świetnie napisanych promptów, bo każdy prompt korzysta z tego samego, solidnego fundamentu.

Co powinien zawierać plik kontekstowy?

Plik kontekstowy to DNA Twojej firmy w formie, którą AI może zrozumieć. Powinien zawierać:

Profil idealnego klienta - kto kupuje Twoje produkty lub usługi, jakie ma problemy, czego szuka. Im dokładniej opiszesz, tym lepiej AI dopasuje komunikację.

Zastosowania - jak klienci korzystają z Twojego produktu. Jakie problemy rozwiązują? Jakie efekty osiągają?

Unikalne wyróżniki - co wyróżnia Twoją firmę. Dlaczego klienci wybierają Ciebie, a nie konkurencję?

Ton komunikacji - jak mówicie jako marka. Formalnie czy swobodnie? Z humorem czy poważnie? Jakich słów używacie, a jakich unikacie?

Zasady i ograniczenia - czego AI ma unikać. Może nie wolno porównywać się z konkurencją? Może są tematy, których nie poruszacie?

Przykładowy szablon pliku kontekstowego - pusty

KONTEKST FIRMY: [Nazwa firmy]
---

KIM JESTEŚMY:
[2-3 zdania o firmie i jej misji]

NASI KLIENCI:
[Opis idealnego klienta: stanowisko, branża, wielkość firmy, główne problemy]

CO OFERUJEMY:
[Krótki opis produktu/usługi i głównych korzyści]

NASZ TON KOMUNIKACJI:
[Jak mówimy: formalnie/swobodnie, z humorem/poważnie, przykłady fraz które używamy]

CZEGO UNIKAMY:
[Tematy, słowa, porównania których nie stosujemy]

---

Przykład wypełniony - fikcyjna firma

KONTEKST FIRMY: DataFlow Analytics
---

KIM JESTEŚMY:
Polska firma tworząca oprogramowanie do analizy danych sprzedażowych dla e-commerce. Pomagamy sklepom internetowym zrozumieć, co kupują ich klienci i dlaczego.

NASI KLIENCI:
Właściciele i managerowie sklepów internetowych w Polsce. Obroty 500 tys. - 10 mln PLN rocznie. Główne problemy: nie wiedzą które produkty promować, tracą klientów i nie wiedzą dlaczego, podejmują decyzje "na czuja" zamiast na danych.

CO OFERUJEMY:
Dashboard analityczny + automatyczne raporty tygodniowe + alerty o anomaliach. Główna korzyść: decyzje oparte na danych zamiast intuicji. Średni wzrost sprzedaży u klientów: 23% w pierwszym roku.

NASZ TON KOMUNIKACJI:
Swobodny, ale kompetentny. Mówimy "Ty" do klienta. Unikamy żargonu technicznego. Zamiast "implementacja rozwiązania" mówimy "wdrożenie". Używamy konkretnych liczb i przykładów.

CZEGO UNIKAMY:
Nie porównujemy się do Google Analytics (inny segment). Nie obiecujemy "rewolucji" ani "transformacji". Nie używamy słów: innowacyjny, nowoczesny, kompleksowy, holistyczny.

---

Jak wdrożyć to w firmie

Krok 1: Wyznacz właściciela. Powinna to być osoba, która dobrze zna markę i ma czas na aktualizacje. W mniejszych firmach to często founder lub szef marketingu. W większych: brand manager lub content lead.

Krok 2: Napisz pierwszą wersję. Nie musi być idealna. 30 minut wystarczy na solidny szkic. Lepiej mieć coś i iterować, niż czekać na perfekcję.

Krok 3: Przetestuj z zespołem. Poproś 2-3 osoby, żeby użyły pliku przez tydzień i zebrały feedback. Co działa? Czego brakuje? Co AI źle interpretuje?

Krok 4: Udostępnij wszystkim. Google Drive, Notion, SharePoint, Confluence. Ważne, żeby każdy wiedział, gdzie jest plik i jak go używać.

Krok 5: Cyklicznie aktualizuj. Twoja firma się zmienia, kontekst też powinien. Wrzuć reminder do kalendarza.

Ten sam plik działa w ChatGPT, Claude, Gemini i innych narzędziach. Raz napisany, wielokrotnie używany. To skalowanie jakości w całej organizacji.

Jaki format pliku kontekstowego zastosować?

Markdown jest najbardziej efektywnym formatem. Pozwala zmniejszyć liczbę tokenów, zostawiając więcej zasobów modelowi AI na dostarczenie najlepszej możliwej odpowiedzi.

Jeżeli nie wiesz jak stworzyć plik .md - wrzuć zwykły plik .docx do ChataGPT i poproś, żeby przerobił Ci go na zaoptymalizowany pod kątem wykorzystania tokenów plik.md.

Technika 4: Opisuj rezultat i kryteria jakości, zamiast sterować każdym ruchem

To największa zmiana w w przypadku obecnych modeli. GPT-5.6 czy Opus 5 lepiej rozpoznają zamiar użytkownika i często same dobierają sposób wykonania zadania. Nadal potrzebuje jednak kontekstu dziedzinowego, ograniczeń, granic samodzielności oraz kryteriów sukcesu.

Zamiast pisać:

Najpierw przeczytaj dokument. Potem wypisz problemy. Następnie oceń każdy problem. Później ułóż je według ważności. Na końcu napisz rekomendację.

napisz:

Przeanalizuj załączony opis procesu reklamacji i przygotuj rekomendację dla dyrektora operacyjnego.

Dobre wykonanie oznacza, że odpowiedź:
- wskazuje miejsca, w których klient czeka najdłużej, i porządkuje problemy według wpływu na czas obsługi,
- oddziela potwierdzone problemy od hipotez,
- proponuje jeden wariant poprawy na najbliższe 30 dni,
- wymienia dane potrzebne do sprawdzenia efektu.

Zachowaj nazwy etapów użyte w dokumencie. Nie wymyślaj czasów ani kosztów, których nie ma w danych. Jeśli materiały nie pozwalają wskazać przyczyny, napisz, czego brakuje.

Drugi prompt pozostawia modelowi wybór sposobu analizy, ale jasno opisuje granice oraz gotowy rezultat. To lepsze połączenie samodzielności i kontroli.

Oddziel ton od sposobu współpracy

Ton mówi, jak ma brzmieć odpowiedź. Sposób współpracy określa, czy model ma pytać, szukać źródeł, przyjmować założenia, zgłaszać niepewność albo czekać na zgodę przed działaniem.

Ton: bezpośredni, rzeczowy, bez żargonu. Pisz do zarządu, który ma pięć minut na przeczytanie notatki.

Sposób współpracy: samodzielnie przeanalizuj dostarczone dane. Zapytaj tylko wtedy, gdy brak informacji uniemożliwia wybór rekomendacji. Nie wykonuj działań poza analizą bez mojej zgody.

Rola powinna wnosić konkretną perspektywę. Samo określenie modelu jako światowej klasy eksperta jest zbyt szerokie. Lepiej określić perspektywę decyzji:

Pracujesz jako analityk operacyjny wspierający dyrektora produkcji. Oceniasz propozycje pod kątem czasu wdrożenia, wpływu na jakość i obciążenia zespołu.

Powiedz, co ma zostać zachowane

Przy redagowaniu dokumentu nie ograniczaj polecenia do ogólnego zalecenia poprawy tekstu. Nazwij elementy, których model nie może naruszyć.

Zredaguj dokument dla zarządu.

Zachowaj sens, wszystkie liczby, nazwy produktów, wnioski i zbliżoną długość. Popraw jasność oraz kolejność argumentów. Nie dodawaj nowych faktów. Przed zakończeniem porównaj wersję poprawioną z oryginałem i sprawdź, czy żadna liczba nie uległa zmianie.

Ustal zasady pracy ze źródłami i warunek zakończenia

Przy analizie lub wyszukiwaniu informacji dopisz:

Potwierdź informacje, które wpływają na rekomendację, w źródłach pierwotnych. Przy każdej takiej informacji podaj link.

Oddziel fakty od wniosków. Jeśli źródła są sprzeczne, opisz rozbieżność i nie wybieraj wersji bez uzasadnienia. Jeśli nie znajdziesz danych po sprawdzeniu źródeł pierwotnych, nazwij brak zamiast zgadywać.

Zakończ pracę, gdy odpowiedź spełni wszystkie kryteria jakości i każdy wniosek będzie miał wskazaną podstawę.

Tak sformułowane zakończenie ogranicza dwa problemy: zbyt wczesne przerwanie pracy i rozwijanie odpowiedzi po osiągnięciu celu.

Technika 5: Pokazuj przykłady, które uczą konkretnego wzorca

Przykłady są szczególnie przydatne wtedy, gdy trudno opisać słowami ton, układ albo granicę między odpowiedzią dobrą a nieprzydatną. W nauczymycie.ai uznajemy je za jedną z najbardziej niezawodnych metod określania formatu i zaleca, aby były trafne, zróżnicowane oraz wyraźnie oddzielone od instrukcji.

Pamiętaj: usuń przykłady, które nie zmieniają zachowania modelu. Zostaw te, które pokazują wymaganie biznesowe, pożądany wzorzec albo błąd występujący w Twoich testach.

Przykład dla notatki decyzyjnej:

Przygotuj notatkę dla zarządu na podstawie danych poniżej.

Pożądany wzorzec:
Decyzja: uruchomić pilotaż w dwóch oddziałach.
Uzasadnienie: dane z sześciu tygodni pokazują krótszy czas obsługi, ale próba nie obejmuje największego oddziału.
Ryzyko: wynik może nie powtórzyć się przy większej liczbie spraw.
Następny krok: porównać pilotaż z oddziałem kontrolnym przez cztery tygodnie.

Wzorzec niepożądany:
Rozwiązanie wygląda obiecująco i może przynieść wiele korzyści. Firma powinna rozważyć dalsze działania.

Zachowaj układ pierwszego przykładu. Unikaj ogólnych ocen z drugiego. Nie kopiuj faktów ani decyzji z przykładów do nowej notatki.

Ten prompt pokazuje różnicę między użyteczną rekomendacją a pustym komentarzem.

Przy wielu dokumentach oddziel instrukcje, materiały i przykłady nagłówkami albo znacznikami XML. Jest to szczególnie pomocne w pracy z Claude, ponieważ dokumentacja Anthropic zaleca wyraźne oznaczanie takich części. Nie musisz stosować XML w każdym krótkim prompcie.

<cel>
Przygotuj porównanie ofert dla dyrektora finansowego.
</cel>

<kryteria>
Uwzględnij cenę, zakres, czas wdrożenia i warunki rezygnacji.
</kryteria>

<dokumenty>
[Wklej lub dołącz oferty]
</dokumenty>

<format>
Tabela porównawcza, rekomendacja, ryzyka i brakujące informacje.
</format>

Gotowy szablon dobrego promptu

Skopiuj poniższy schemat i usuń pola, które nie są potrzebne w Twoim zadaniu.

Rola i perspektywa:
[Kim ma być model i z czyjej perspektywy ma oceniać zadanie]

Rezultat:
[Co konkretnie ma powstać i dla kogo]

Kontekst i dane:
[Informacje o firmie, odbiorcy, zadaniu i dostępnych materiałach]

Kryteria jakości:
[Co musi zawierać dobra odpowiedź]

Ograniczenia:
[Czego nie wolno zmieniać, wymyślać lub pomijać]

Sposób współpracy:
[Kiedy model pyta, jakie założenia może przyjąć, co wymaga zgody]

Format:
[Układ, długość, tabela, lista, dokument lub inne wymaganie]

Zakończenie i kontrola:
[Kiedy zadanie jest skończone i co model ma sprawdzić]

To szablon do złożonych zadań, a nie obowiązkowy formularz. Przy prostym poleceniu wystarczy:

Przygotuj [konkretny rezultat] dla [odbiorcy].
Zależy mi na [kryteriach jakości].
Korzystaj z [danych lub źródeł].
Zachowaj [elementy, których nie wolno zmienić].
Nie dodawaj [zakazanych elementów].
Przed zakończeniem sprawdź [warunek jakości].

Jeśli chcesz szybko przejść do praktyki, wybierz gotowy przykład w bazie promptów biznesowych i dostosuj go do swojej firmy. Gotowy prompt ma ułatwić rozpoczęcie pracy, nie zastąpić kontekstu.

Najczęstsze błędy przy pisaniu promptów

Najwięcej problemów powodują cztery nawyki:

• ogólny rezultat, którego nie da się ocenić,

• brak danych wejściowych lub informacji o odbiorcy,

• sprzeczne instrukcje powtarzane w kilku miejscach,

• oczekiwanie, że wyższy poziom rozumowania naprawi niejasne polecenie.

Do tego dochodzi brak sprawdzania rezultatów. Dobry prompt nie zwalnia człowieka z oceny liczb, źródeł i decyzji. Przy powtarzalnych zadaniach zapisz kilka przykładów poprawnych odpowiedzi i porównuj z nimi kolejne wyniki.

Jeśli Twoje prompty zrobiły się bardzo długie, sprawdź poradnik o tym, jak zmniejszyć koszt AI i liczbę zużywanych tokenów. Zacznij od usunięcia powtórzeń, zbędnych przykładów i zasad, które nie zmieniają odpowiedzi.

Najczęściej zadawane pytania o prompty

Jak długi powinien być dobry prompt?

Tak długi, jak wymaga tego zadanie. Proste polecenie może mieć dwa zdania. Analiza dokumentów potrzebuje opisu rezultatu, źródeł, kryteriów i formatu. Długość nie jest miernikiem jakości.

Czy warto nadawać AI rolę?

Tak, jeśli rola wnosi perspektywę potrzebną do decyzji. Analityk finansowy ocenia inne ryzyka niż kierownik sprzedaży. Samo określenie modelu jako światowej klasy eksperta zwykle nie wyjaśnia, czego oczekujesz.

Czy te same prompty działają w ChatGPT, Claude i Gemini?

Podstawowe zasady są wspólne: jasny rezultat, kontekst, kryteria, ograniczenia i format. Poszczególne modele różnią się tym, jak reagują na przykłady, strukturę promptu i poziom szczegółowości. Przetestuj ważny prompt na modelu, którego zespół używa na co dzień.

Kiedy AI powinno zadać pytanie?

Gdy brakująca informacja zmienia rezultat, rekomendację albo poziom ryzyka. Przy drobnej niejasności model powinien przyjąć rozsądne założenie i wyraźnie je wskazać.

Czy gotowe prompty z bazy wystarczą?

Są dobrym początkiem. Najlepszy efekt uzyskasz po dodaniu informacji o firmie, odbiorcy, dostępnych danych i sposobie oceny odpowiedzi. Gotowy prompt bez kontekstu nadal zmusza model do zgadywania.

Jak sprawdzić, czy prompt jest dobry?

Uruchom go na kilku reprezentatywnych zadaniach. Sprawdź, czy odpowiedź zawiera wymagane elementy, nie zmienia chronionych danych i radzi sobie z brakami. Poprawiaj instrukcję na podstawie powtarzalnych błędów, nie pojedynczej odpowiedzi.

Ostatnia wskazówka: przestań dopisywać instrukcje, zacznij oceniać rezultaty

Zacznij od jednego powtarzalnego zadania w firmie. Opisz rezultat, kontekst, kryteria jakości i granice samodzielności. Przetestuj prompt na kilku realnych materiałach, zapisz błędy i popraw tylko te instrukcje, które zmieniają wynik.

Jeśli każdy w Twoim zespole pracuje z AI inaczej, kolejny gotowy prompt nie rozwiąże problemu. Potrzebujecie wspólnego kontekstu, kryteriów jakości i sposobu sprawdzania odpowiedzi. Na szkoleniu AI dla zespołów biznesowych budujemy te zasady, pracując na zadaniach uczestników. Dla zespołu liczącego co najmniej 10 osób zacznij od bezpłatnej konsultacji.