Co to jest LLM? Prosty przewodnik po dużych modelach językowych
Kilka lat temu słowo "LLM" nie istniało w codziennym języku. Dziś pojawia się w artykułach prasowych, prezentacjach zarządów i rozmowach przy kawie. Problem w tym, że większość osób używa go zamiennie z "ChatGPT", "sztuczną inteligencją" i "botami", jakby to były synonimy. Nie są. W tym artykule wyjaśniam, czym dokładnie jest LLM, jak działa w praktyce i dlaczego warto to rozumieć, szczególnie jeśli prowadzisz firmę lub kancelarię.
Skąd nagle tyle hałasu wokół AI?
Modele językowe nie powstały z dnia na dzień. Badania nad nimi trwały od dekad, ale przez długi czas pozostawały domeną laboratoriów i akademii. Przełom nastąpił pod koniec 2022 roku, gdy OpenAI udostępniło ChatGPT szerokiej publiczności. W ciągu kilku dni narzędzie zdobyło miliony użytkowników, nie dlatego, że było pierwszym tego rodzaju systemem, ale dlatego, że po raz pierwszy można było z nim porozmawiać tak naturalnie jak z człowiekiem.
Od tamtej pory co kilka miesięcy pojawiają się nowe modele, nowe narzędzia i nowe przepisy próbujące za nimi nadążyć. W mojej pracy, zarówno jako prawnik obsługujący firmy, jak i jako użytkownik tych narzędzi na co dzień, widzę, że główną barierą nie jest dostęp do technologii, ale zrozumienie, czym ona właściwie jest. I od tego zacznijmy.
Czym jest duży model językowy?
LLM to skrót od angielskiego Large Language Model, czyli duży model językowy. Najprościej rzecz ujmując, jest to program komputerowy wytrenowany na ogromnych ilościach tekstu, czyli książkach, artykułach, stronach internetowych, kodzie i dokumentach, po to, żeby nauczyć się, jak język działa. Nie uczy się reguł gramatyki jak ze szkolnego podręcznika. Uczy się wzorców: jakie słowa i zdania pojawiają się obok siebie, w jakich kontekstach, z jaką częstotliwością.
Efekt tego treningu jest zaskakujący. Model, który nauczył się wystarczająco dużo tekstu, potrafi pisać, tłumaczyć, streszczać, odpowiadać na pytania i prowadzić rozmowę, nie dlatego, że "rozumie" jak człowiek, ale dlatego, że nauczył się bardzo dobrze przewidywać, jaka odpowiedź w danym kontekście ma sens.
Przymiotnik "duży" w nazwie nie jest przypadkowy. Współczesne modele mają miliardy, a nawet setki miliardów parametrów, czyli liczb wewnętrznych, które model modyfikuje podczas trenowania, żeby coraz lepiej przewidywać tekst. Im więcej parametrów i im więcej danych treningowych, tym model generalnie bardziej "zdolny", ale też droższy w utrzymaniu i wymagający więcej zasobów obliczeniowych.
Jak to działa, czyli tokeny i okno kontekstu
Żeby dobrze korzystać z LLM, warto znać dwa pojęcia: token i okno kontekstu. Brzmią technicznie, ale są proste.
Token to podstawowa jednostka, w której model "widzi" tekst. Nie jest to litera ani całe słowo, lecz kawałek słowa, najczęściej od jednej do kilku liter. Dokumentacja OpenAI podaje jako regułę kciuka, że jeden token to około 4 znaki lub 0,75 słowa w języku angielskim. W polskim stosunek ten jest nieco gorszy, bo język polski ma dłuższe i bardziej złożone formy, więc to samo zdanie może wymagać więcej tokenów niż jego angielski odpowiednik. Strona tekstu to zazwyczaj kilkaset tokenów, ale dokładna liczba zależy od konkretnego modelu, jego tokenizera i formatu dokumentu. Tokeny mają znaczenie praktyczne: modele mają limity tego, ile mogą jednorazowo przetworzyć, a użycie API jest rozliczane właśnie w tokenach.
Okno kontekstu to z kolei ilość tekstu, którą model "pamięta" w trakcie jednej rozmowy. Wyobraź sobie, że piszesz do kogoś przez komunikator, ale ta osoba pamięta tylko ostatnie N wiadomości, a wszystko wcześniejsze przestaje dla niej istnieć. Modele działają podobnie. Nowsze generacje mają bardzo duże okna kontekstu: Claude od Anthropic i niektóre modele OpenAI obsługują do miliona tokenów, Gemini 1.5 Pro od Google osiągał dwa miliony tokenów. To oznacza, że można wkleić setki stron dokumentów i poprosić o ich analizę w jednym zapytaniu. Starsze modele miały okna rzędu 4 000 lub 32 000 tokenów i przy długich dokumentach zaczynały "zapominać" początki.
W praktyce wygląda to tak: wklejam projekt umowy, dodaję kilka pytań i model analizuje dokument w kontekście moich pytań. Jeśli umowa jest krótka, działa świetnie. Jeśli mam kilkadziesiąt stron, muszę pamiętać o limicie i ewentualnie podzielić pracę na części albo wybrać model z większym oknem kontekstu.
LLM a ChatGPT, czyli to nie to samo
To jedna z najczęstszych nieścisłości. ChatGPT to aplikacja, interfejs, z którym rozmawiasz przez przeglądarkę lub telefon. Pod spodem działa model językowy, w przypadku ChatGPT są to modele z rodziny GPT tworzone przez firmę OpenAI; najnowszy dostępny w momencie pisania tego tekstu to GPT-5.5. Relacja między nimi jest jak między samochodem a silnikiem: możesz nie wiedzieć nic o silniku i jeździć całkiem sprawnie, ale gdy chcesz wybrać odpowiedni pojazd do swoich potrzeb albo coś się psuje, wiedza o silniku zaczyna mieć znaczenie.
Na tym samym modelu bazowym mogą działać różne aplikacje z różnymi interfejsami, funkcjami i politykami bezpieczeństwa. Firma może zbudować własne narzędzie oparte o ten sam model i skonfigurować je pod swoje potrzeby, na przykład tak, żeby dane użytkowników nie trafiały do dalszego trenowania. Ta różnica jest istotna prawnie i organizacyjnie, szczególnie gdy mówimy o przetwarzaniu danych klientów.
Największe modele dostępne dziś na rynku to między innymi GPT-5.5 od OpenAI, Claude 4 od Anthropic, Gemini od Google, Copilot w ekosystemie Microsoft oraz modele open-source jak Llama od Meta czy Mistral. Każdy z nich ma inne mocne strony, inne limity i inne warunki użytkowania. W kolejnych artykułach tej serii omawiam każdy z nich oddzielnie, wraz z konkretnymi zastosowaniami w kancelarii i firmie.
Do czego LLM przydaje się w praktyce prawniczej i biznesowej
W mojej codziennej pracy LLM przydaje się przede wszystkim tam, gdzie pojawia się duża ilość tekstu do przetworzenia lub napisania. Streszczanie długich dokumentów, pierwsza analiza umowy pod kątem niestandardowych klauzul, przygotowanie szkicu pisma, research pojęć w obcym systemie prawnym, to zadania, które model wykonuje sprawnie i szybko.
Firmy coraz częściej sięgają po LLM do tworzenia pierwszych wersji dokumentów, odpowiadania na powtarzalne zapytania klientów, analizowania dużych zbiorów danych tekstowych i automatyzowania raportowania. Nie chodzi o zastąpienie ludzi, ale o przyspieszenie tych etapów pracy, które są powtarzalne i żmudne.
Kluczowe słowo to jednak "pierwsza wersja" albo "wstępna analiza". Model językowy nie ponosi odpowiedzialności za błędy, nie zna Twojej konkretnej sytuacji i nie ma dostępu do aktualnego stanu prawnego, chyba że zostanie do tego specjalnie skonfigurowany lub połączony z zewnętrznymi źródłami. Każdy output wymaga weryfikacji przez człowieka.
Czego LLM nie robi, czyli ważne ograniczenia
Rozumienie ograniczeń jest równie ważne jak rozumienie możliwości.
Po pierwsze, model nie "wie", on przewiduje. Jeśli zapytasz go o aktualny stan prawa albo niedawną zmianę przepisów, może odpowiedzieć pewnym tonem, ale jego wiedza ma datę graniczną i nie aktualizuje się automatycznie. Modele mają tzw. datę odcięcia wiedzy, po której nie posiadają informacji o tym, co wydarzyło się w świecie.
Po drugie, model halucynuje. To techniczny termin na zjawisko, w którym model generuje treść brzmiącą wiarygodnie, ale faktycznie nieprawdziwą: zmyśla cytaty, numery spraw, daty, przepisy. Im mniej informacji ma w oknie kontekstu, tym większe ryzyko. Dlatego przy pracy z dokumentami prawnymi zawsze dostarczam modelowi źródło i nie polegam na jego "pamięci".
Po trzecie, model nie zachowuje poufności w domyślnym trybie. Dane wpisywane do publicznych interfejsów mogą być używane do dalszego trenowania modeli lub analizowane przez dostawców. To ma bezpośrednie znaczenie dla pracy z danymi klientów. Temu zagadnieniu poświęcam cały kolejny artykuł, bo zasługuje na osobną, szczegółową analizę.
FAQ
Czy LLM to to samo co AI? Nie. AI, czyli sztuczna inteligencja, to szerokie pojęcie obejmujące wiele różnych technologii, od systemów rozpoznawania obrazu po algorytmy rekomendacyjne w serwisach streamingowych. LLM to jeden konkretny typ AI, skupiony na rozumieniu i generowaniu tekstu.
Czy muszę umieć programować, żeby korzystać z LLM? Absolutnie nie. Większość narzędzi opartych na LLM ma interfejs tekstowy, piszesz pytanie lub polecenie, model odpowiada. Programowanie przydaje się dopiero gdy chcesz integrować model z własnymi systemami lub budować własne aplikacje.
Czy LLM może zastąpić prawnika? Nie, i nie tylko z powodów prawnych. Model nie ponosi odpowiedzialności zawodowej, nie zna wszystkich okoliczności sprawy i może się mylić w sposób trudny do wykrycia bez wiedzy eksperckiej. Przydaje się jako narzędzie wspomagające pracę prawnika, nie jako jego substytut.
Skąd model wie, jak odpowiadać po polsku? Został wytrenowany również na polskich tekstach. Jakość odpowiedzi po polsku jest zazwyczaj nieco niższa niż po angielsku, bo anglojęzycznych danych treningowych było wielokrotnie więcej, ale najnowsze modele radzą sobie z polskim bardzo dobrze.
Chcesz wiedzieć, co zrobić z tym dalej?
Rozumienie czym jest LLM to dobry punkt wyjścia. Ale większość firm, z którymi rozmawiam, stoi przed bardziej konkretnym pytaniem: jak zacząć używać AI w sposób, który faktycznie przyspiesza pracę, nie naraża na ryzyko prawne i nie wymaga zatrudnienia działu IT?
W ramach kancelarii pomagam firmom przejść przez cały ten proces: od oceny, które narzędzia pasują do konkretnych procesów w danej organizacji, przez wdrożenie elektronicznego obiegu dokumentów i podpisów elektronicznych, po przygotowanie polityk używania AI zgodnych z RODO i AI Act. Pracuję z firmami, które chcą wdrożyć AI świadomie, a nie tylko dlatego, że wszyscy o tym mówią.
Jeśli chcesz wiedzieć, od czego zacząć w swojej firmie, napisz do mnie. Powiem Ci wprost, czy i jak to ma sens w Twoim przypadku.
Jeśli interesuje Cię najpierw kwestia bezpieczeństwa danych, zapraszam do kolejnego artykułu: Co się dzieje z danymi w LLM? RODO, bezpieczeństwo i bezpieczne użycie w firmie.
Tekst ma charakter informacyjny i nie zastępuje indywidualnej porady prawnej.
Jeśli chcesz to przełożyć na swoją sytuację, zobacz wdrożenia AI i AI Act albo napisz do mnie.
Źródła
OpenAI - reguła kciuka dla tokenów: 1 token = ok. 4 znaki, 1 akapit = ok. 100 tokenów. help.openai.com
Anthropic - dokumentacja modeli Claude, okna kontekstu do 1M tokenów. docs.anthropic.com
Google - Gemini 1.5 Pro, okno kontekstu 2M tokenów. ai.google.dev
OpenAI - aktualna lista modeli GPT. platform.openai.com/docs/models