// Blog · Podstawy

LLM: co to jest duży model językowy i jak działa

Aktualizacja: 21 października 2026 r. · czas czytania ok. 9 minut

Skrót LLM pojawia się dziś w każdej rozmowie o sztucznej inteligencji: w ofertach dostawców, w artykułach o ChatGPT, w przetargach i w dokumentach o dotacjach. Mało kto jednak tłumaczy, co dokładnie się za nim kryje i co z tego wynika dla firmy, która chce z AI po prostu skorzystać. Poniżej wyjaśniamy, czym jest duży model językowy, jak działa, jakie modele AI są dostępne i jak dobrać właściwy do zadania — bez wzorów i bez marketingowych obietnic.

LLM — co to jest? Definicja w jednym zdaniu

LLM (ang. Large Language Model, duży model językowy) to program wytrenowany na ogromnej ilości tekstu, który na podstawie otrzymanego polecenia przewiduje kolejne fragmenty odpowiedzi — i dzięki temu potrafi pisać, streszczać, tłumaczyć, odpowiadać na pytania i analizować dokumenty.

Słowo „duży” odnosi się do liczby parametrów, czyli wewnętrznych ustawień modelu, które dostraja się podczas treningu. W nowoczesnych modelach liczy się je w miliardach. „Językowy” oznacza, że podstawowym materiałem, na którym model pracuje, jest tekst — choć wiele współczesnych modeli rozumie też obrazy, dźwięk czy pliki PDF.

ChatGPT, Claude czy Gemini to aplikacje zbudowane na takich modelach. Kiedy więc mówimy „zapytałem ChatGPT”, w praktyce rozmawiamy z modelem językowym opakowanym w wygodny interfejs.

Jak działa duży model językowy

Nie trzeba znać matematyki, żeby rozumieć, skąd biorą się mocne i słabe strony LLM. Wystarczą trzy pojęcia.

Tokeny, czyli kawałki tekstu

Model nie czyta słów tak jak człowiek. Tekst jest dzielony na tokeny — krótkie fragmenty, często części wyrazów. Polskie słowo z końcówką fleksyjną bywa rozbite na dwa albo trzy tokeny. To ma znaczenie praktyczne: dostawcy modeli rozliczają się właśnie za tokeny, a limit tego, ile tekstu model może „mieć przed oczami” naraz, też jest podawany w tokenach.

Przewidywanie następnego fragmentu

Podstawowy mechanizm jest zaskakująco prosty: model patrzy na dotychczasowy tekst i oblicza, jaki token najprawdopodobniej powinien pojawić się dalej. Dopisuje go i powtarza ten krok setki razy, aż powstanie cała odpowiedź. Nowoczesne modele opierają się na architekturze transformer (opisanej przez badaczy Google w 2017 roku), która pozwala uwzględniać zależności między odległymi fragmentami tekstu — dlatego model „pamięta”, o czym była mowa trzy akapity wcześniej.

Okno kontekstu

Okno kontekstu to maksymalna ilość tekstu, którą model bierze pod uwagę w jednej rozmowie: Twoje polecenie, wklejone dokumenty, wcześniejsze wiadomości i jego własne odpowiedzi. Wszystko, co się w nim nie zmieści, dla modelu nie istnieje. Model nie uczy się też sam z rozmów z Tobą — po zamknięciu czatu wiedza z niego nie trafia do „mózgu” modelu, chyba że aplikacja ma osobny mechanizm pamięci.

Jak powstaje model: trening, dostrajanie i instrukcje

Budowa modelu językowego przebiega zwykle w kilku etapach:

1. Trening wstępny. Model uczy się na bardzo dużym zbiorze tekstów — stron internetowych, książek, kodu — przewidywać kolejne tokeny. Po tym etapie zna język i mnóstwo faktów, ale nie jest jeszcze pomocnym asystentem.
2. Dostrajanie do instrukcji. Na przykładach pytań i dobrych odpowiedzi model uczy się wykonywać polecenia, trzymać formatu i prowadzić rozmowę.
3. Uczenie z ocen ludzi. Ludzie (lub inne modele) oceniają odpowiedzi, a model jest korygowany tak, by częściej dawał te lepiej oceniane: pomocne, bezpieczne i zgodne z faktami.

Z tego procesu wynika ważna cecha: wiedza modelu kończy się w momencie zebrania danych treningowych. Model nie zna Twojego cennika, regulaminu ani wczorajszych zamówień. Żeby odpowiadał na podstawie dokumentów firmy, stosuje się RAG — wyszukiwanie we własnej bazie wiedzy, którego wyniki trafiają do okna kontekstu razem z pytaniem.

Modele AI na rynku — przegląd

Modele językowe można podzielić na dwie grupy: dostępne wyłącznie w chmurze dostawcy i takie, których wagi (czyli sam wytrenowany model) są publicznie udostępnione i można je uruchomić na własnym serwerze.

Modele komercyjne w chmurze

• GPT od OpenAI — modele, na których działa ChatGPT.
• Claude od Anthropic — popularny przy pracy z długimi dokumentami i kodem.
• Gemini od Google — zintegrowany z usługami Google Workspace.

Korzystasz z nich przez aplikację albo przez API, płacąc za zużyte tokeny lub abonament. To najszybszy start i zwykle najwyższa jakość odpowiedzi, ale dane trafiają na serwery dostawcy — trzeba więc sprawdzić warunki przetwarzania i zawrzeć umowę powierzenia, jeśli w grę wchodzą dane osobowe.

Modele otwarte

• Llama od Meta, Mistral od francuskiej firmy Mistral AI, Qwen od Alibaby, gpt-oss od OpenAI — modele, które można pobrać i uruchomić samodzielnie (każdy na własnej licencji, którą trzeba sprawdzić przed użyciem komercyjnym).
• Bielik — polski model rozwijany przez społeczność SpeakLeash we współpracy z ACK Cyfronet AGH, trenowany z naciskiem na język polski.
• PLLuM — rodzina polskich modeli przygotowana przez konsorcjum instytucji naukowych na zlecenie Ministerstwa Cyfryzacji.

Modele otwarte są zwykle mniejsze od czołowych modeli chmurowych, ale do wielu zadań firmowych — klasyfikacji maili, wyciągania danych z faktur, odpowiedzi z bazy wiedzy — w zupełności wystarczają. Ich największa zaleta: dane nie muszą opuszczać firmy.

LLM w chmurze czy lokalny model?

To jedna z pierwszych decyzji przy każdym wdrożeniu. Najprościej rozstrzygnąć ją pytaniem: jakie dane model będzie widział?

• Chmura sprawdza się, gdy dane nie są wrażliwe albo dostawca daje wystarczające gwarancje (serwery w UE, brak trenowania na Twoich danych, umowa powierzenia). Zaleta: brak inwestycji w sprzęt, najlepsze modele od pierwszego dnia, płacisz za faktyczne użycie.
• Model lokalny ma sens tam, gdzie obowiązuje tajemnica zawodowa albo dane są szczególnie wrażliwe: kancelarie, gabinety, biura rachunkowe, firmy z know-how, którego nie chcą wysyłać poza biuro. Model działa na serwerze lub komputerze w sieci firmy, często bez dostępu do internetu. Koszt to sprzęt i konfiguracja, za to bez opłat za tokeny.
• Rozwiązanie mieszane — wrażliwe dokumenty przetwarza model lokalny, a zadania ogólne (np. szkice tekstów marketingowych) model w chmurze. W praktyce to częsty kompromis.

Do czego firma może użyć LLM — przykłady z MŚP

Sam model językowy to silnik. Wartość dla firmy pojawia się dopiero wtedy, gdy podłączy się go do konkretnego procesu. Przykłady, które w polskich firmach z sektora MŚP mają sens już dziś:

• Obsługa klienta. Chatbot na stronie lub w Messengerze odpowiada na pytania o ofertę, dostawę i zwroty na podstawie cennika i regulaminu, a trudniejsze sprawy przekazuje pracownikowi.
• Skrzynka mailowa. Model czyta przychodzące wiadomości, rozpoznaje, czy to zapytanie ofertowe, reklamacja czy faktura, i kieruje je do właściwej osoby z gotowym szkicem odpowiedzi.
• Dokumenty i faktury. Wyciąganie danych z faktur, umów i zamówień do arkusza albo systemu — człowiek zatwierdza, zamiast przepisywać.
• Wiedza wewnętrzna. Pracownik pyta własnymi słowami o procedurę czy wcześniejsze ustalenia, a model odpowiada na podstawie dokumentów firmy i wskazuje źródło.
• Treści w sklepie internetowym. Opisy produktów, tłumaczenia na inne języki, odpowiedzi na opinie klientów — przygotowane przez model, sprawdzone przez człowieka.
• Działania w systemach. Gdy model nie tylko odpowiada, ale też rezerwuje terminy, zapisuje dane w CRM czy wysyła wiadomości, mówimy już o agencie AI.

Ograniczenia, o których warto wiedzieć

Duże modele językowe są imponujące, ale mają cechy, które trzeba uwzględnić przy projektowaniu każdego wdrożenia:

• Halucynacje. Model przewiduje prawdopodobny tekst, a nie sprawdza faktów. Potrafi więc z pełnym przekonaniem podać nieistniejący przepis, cenę czy numer zamówienia. Ograniczamy to, każąc mu odpowiadać tylko na podstawie dostarczonych dokumentów i przyznawać się do niewiedzy.
• Nieaktualna wiedza. Bez dostępu do Twoich danych model nie wie, co zmieniło się po jego treningu.
• Zmienność odpowiedzi. To samo pytanie może dać dwie różne odpowiedzi. Tam, gdzie liczy się powtarzalność (np. dane do księgowania), wynik modelu powinien przechodzić przez reguły walidacji.
• Koszt przy dużej skali. Pojedyncze zapytanie kosztuje grosze, ale tysiące dziennie z długimi dokumentami potrafią złożyć się na zauważalny rachunek. Warto policzyć to przed startem — o tym piszemy w tekście ile kosztuje wdrożenie AI.
• Dane osobowe i przepisy. Przetwarzanie danych klientów przez model podlega RODO, a systemy oparte na LLM — obowiązkom z AI Act, choćby informowaniu, że klient rozmawia z AI.

Jak wybrać model językowy dla firmy

Nie istnieje „najlepszy LLM” w oderwaniu od zadania. Zamiast porównywać rankingi, lepiej odpowiedzieć na kilka pytań:

1. Jakie dane zobaczy model? Od tego zależy wybór między chmurą, modelem lokalnym a rozwiązaniem mieszanym.
2. W jakim języku pracuje? Jeśli klienci piszą po polsku, trzeba sprawdzić jakość odpowiedzi właśnie po polsku — na własnych przykładach, nie na deklaracjach dostawcy.
3. Jak trudne jest zadanie? Do klasyfikacji maili wystarczy mały, tani model. Analiza długich umów czy planowanie wieloetapowych działań wymaga mocniejszego.
4. Ile zapytań dziennie? Przy dużym wolumenie różnica w cenie za token między modelami ma większe znaczenie niż drobne różnice w jakości.
5. Czy da się go wymienić? Modele zmieniają się co kilka miesięcy. Dobrze zaprojektowane wdrożenie pozwala podmienić model bez przebudowy całego systemu.

Najpewniejszy sposób to krótki test: kilkadziesiąt prawdziwych przykładów z Twojej firmy, dwa–trzy modele i porównanie wyników. Tak zaczynamy każde wdrożenie AI w firmie — dobór modelu jest wynikiem testu, a nie przyzwyczajeń.

Podsumowanie

LLM to duży model językowy, który na podstawie wytrenowanych wzorców przewiduje kolejne fragmenty tekstu — i dzięki temu pisze, streszcza, klasyfikuje i odpowiada na pytania. Sam w sobie nie zna Twojej firmy i bywa pewny siebie bez powodu, dlatego w praktyce łączy się go z bazą wiedzy (RAG), regułami i systemami firmy. Wybór między modelem w chmurze a lokalnym zależy przede wszystkim od danych, a wybór konkretnego modelu — od testu na Twoich przykładach. Jeśli chcesz sprawdzić, gdzie model językowy da w Twojej firmie najszybszy efekt, zacznij od jednego procesu albo od audytu AI.