Granica wiedzy modelu AI (knowledge cutoff)

Granica wiedzy modelu AI, po angielsku knowledge cutoff, to data lub okres, do którego wiedza zapisana w parametrach modelu jest uznawana przez dostawcę za najbardziej rozległą i wiarygodną. Model nie sprawdza wtedy internetu w chwili odpowiedzi. Układa odpowiedź na podstawie wzorców poznanych podczas treningu oraz kontekstu, który dostaje w aktualnej rozmowie. To ważne rozróżnienie dla osoby budującej system AI: płynna, stanowcza odpowiedź nie jest dowodem, że informacja jest świeża, kompletna ani prawdziwa.

Nie należy mylić granicy wiedzy z oknem kontekstowym. Okno kontekstowe określa, ile treści można przekazać modelowi podczas jednego zadania, na przykład brief, plik z ofertą, transkrypcję rozmowy lub wyniki wyszukiwania. Granica wiedzy dotyczy natomiast tego, czego model nauczył się przed rozmową. Możesz dać modelowi dzisiejszy cennik albo aktualny regulamin nawet wtedy, gdy jego wbudowana wiedza jest starsza. Model może wtedy pracować na nowych danych, ale nadal trzeba sprawdzić, czy dokument jest właściwy i czy instrukcja mówi, że ma się go trzymać.

Dostawcy mogą rozróżniać reliable knowledge cutoff od training data cutoff. Anthropic opisuje pierwszy jako datę, do której wiedza modelu jest najbardziej rozległa i wiarygodna, a drugi jako szerszy zakres danych użytych do treningu. Nie wyciągaj z tego wniosku, że model pewnie wie wszystko sprzed tej daty albo nic po niej. To granica praktycznej wiarygodności, nie mechanizm weryfikacji faktów. Zmienia się też między modelami i wersjami, dlatego aktualną wartość sprawdzaj w dokumentacji konkretnego modelu zamiast wpisywać ją na stałe do promptu lub strony sprzedażowej.

Praktyczny przykład: ekspert chce, aby AI przygotowało odpowiedź na pytanie o aktualne zasady programu, cenę usługi i termin wydarzenia. Sam prompt typu „odpowiedz jako mój asystent” jest za słaby, nawet gdy model zna ogólną tematykę. Lepszy proces przekazuje aktualne źródło prawdy, na przykład zatwierdzony dokument oferty albo rekord CRM, wskazuje datę dokumentu i poleca cytować tylko dane z tego materiału. Jeżeli źródła brakuje, agent powinien oznaczyć brak danych, wykonać kontrolowane wyszukiwanie lub skierować sprawę do człowieka. To ogranicza ryzyko, że przekonująca odpowiedź utrwali nieaktualną informację.

Dostęp do wyszukiwania w sieci nie usuwa problemu granicy wiedzy automatycznie. Narzędzie może pobrać złą, nieoficjalną albo sprzeczną stronę, a model może źle połączyć jej treść z własną pamięcią. Dlatego przy faktach zmiennych w czasie projektuj trzy elementy: wyraźne źródło, datę lub wersję źródła oraz możliwość sprawdzenia cytatu przez człowieka. W sprawach o wysokiej stawce, takich jak cena, prawo, zdrowie, płatność czy decyzja klienta, sama odpowiedź modelu nie powinna być ostatnim krokiem procesu.

RAG, czyli generowanie wspomagane wyszukiwaniem, i firmowa baza wiedzy są sposobami na dostarczenie aktualniejszego kontekstu do konkretnego zadania. Nie aktualizują jednak wiedzy modelu w sensie treningowym. RAG może wyszukać właściwy fragment dokumentu, ale jakość wyniku zależy od aktualności bazy, podziału dokumentów, wyszukiwania i instrukcji dla modelu. Jeśli do bazy trafił stary PDF z ofertą, system może bardzo sprawnie przywołać właśnie jego. Zarządzanie granicą wiedzy oznacza więc także wersjonowanie materiałów, właściciela dokumentu i regułę wycofywania nieaktualnych źródeł.

Najczęstsze błędy to pytanie o bieżące dane bez źródła, traktowanie daty cutoff jako certyfikatu prawdy oraz mieszanie w jednym procesie pamięci modelu z dokumentami firmowymi bez wskazania priorytetu. Nie próbuj rozwiązać tego dopiskiem „nie halucynuj”. Zbuduj prostą zasadę operacyjną: informacje zmienne muszą pochodzić z narzędzia lub zatwierdzonego dokumentu, a odpowiedź ma ujawnić źródło albo brak danych. Przetestuj tę zasadę na pięciu pytaniach, które najczęściej padają od klientów. Jeśli agent nie umie wskazać aktualnego materiału, nie powinien publikować odpowiedzi bez kontroli.

Granica wiedzy jest szczególnie ważna w contentcie, sprzedaży wiedzy i automatyzacjach. Model może pomóc wyjaśnić znane pojęcie, zaproponować strukturę landing page albo przerobić Twoje notatki na szkic. Nie powinien natomiast samodzielnie ogłaszać aktualnego cennika, interpretować nowej regulacji czy polecać najnowszej funkcji narzędzia bez sprawdzenia źródła. Dobrze zaprojektowany system rozdziela pracę kreatywną od faktów operacyjnych. Wtedy AI przyspiesza przygotowanie materiału, a źródło prawdy chroni reputację eksperta i zaufanie odbiorcy.