Kilka dni temu Anthropic wypuścił nowy model Claude Fable 5, który szybko trafił na pierwsze strony serwisów technologicznych - ale nie z powodów, jakich firma by sobie życzyła. Okazało się, że model odmawia odpowiedzi na podstawowe pytania biologiczne. Pytania w stylu "ile nóg ma pająk?" czy "czy wieloryb to ssak?" spotykają się z odmową lub wymijającą odpowiedzią. Brzmi absurdalnie? Trochę tak, ale ta sytuacja niesie ze sobą bardzo praktyczne wnioski dla każdego, kto używa AI w biznesie.
Dla polskich małych i średnich firm, które coraz śmielej wdrażają narzędzia oparte na sztucznej inteligencji, to ważny sygnał ostrzegawczy. Nie dlatego, że AI jest bezużyteczne - wręcz przeciwnie. Ale dlatego, że ślepe zaufanie do jednego modelu lub jednego dostawcy może prowadzić do realnych problemów operacyjnych. Przyjrzyjmy się, co dokładnie się stało, dlaczego to się stało i jak wyciągnąć z tego praktyczne wnioski dla swojej firmy.
Zanim przejdziemy dalej, warto zaznaczyć jedno: Claude od Anthropica to jeden z najlepszych modeli językowych na rynku. Wersja Claude 4 Sonnet i Claude 4 Opus są świetne do wielu zadań biznesowych. Problem z Fable 5 nie przekreśla całej rodziny modeli - ale doskonale ilustruje ryzyko, o którym zbyt rzadko się mówi.
Co dokładnie się stało z Claude Fable 5?
Anthropic od początku pozycjonuje się jako firma stawiająca bezpieczeństwo AI na pierwszym miejscu. To podejście ma wiele zalet - ich modele są mniej skłonne do generowania szkodliwych treści niż konkurencja. Problem pojawia się wtedy, gdy mechanizmy bezpieczeństwa stają się zbyt agresywne i zaczynają blokować zupełnie niewinne zapytania.
Dokładnie to przydarzyło się modelowi Fable 5. Użytkownicy zaczęli raportować, że model odmawia odpowiedzi na elementarne pytania z zakresu biologii. Pytania o budowę ciała zwierząt, podstawowe fakty przyrodnicze czy proste klasyfikacje taksonomiczne spotykały się z odpowiedziami w stylu "nie mogę udzielić odpowiedzi na to pytanie" lub z długimi, niepotrzebnymi zastrzeżeniami. Model traktował neutralne pytania edukacyjne tak, jakby kryło się za nimi jakieś zagrożenie.
To zjawisko ma swoją nazwę w branży: "nadmierna odmowa" (ang. over-refusal). Systemy bezpieczeństwa AI działają trochę jak filtry antyspamowe w poczcie - czasem blokują ważne wiadomości, bo algorytm uznał je za podejrzane. Różnica jest taka, że w przypadku modelu językowego ta nadgorliwość może sparaliżować cały obieg pracy oparty na AI.
Anthropic przyznał, że problem istnieje, i pracuje nad jego rozwiązaniem. To uczciwe podejście, ale dla firm, które już zintegrowały Claude'a ze swoimi procesami, kilka dni przestoju lub nieprzewidywalnych odpowiedzi to realne koszty. Według danych Anthropica, Claude obsługuje dziennie miliony zapytań od firm na całym świecie - każda taka wpadka ma więc skalę, której nie można bagatelizować.
Dlaczego to ma znaczenie dla polskiej firmy?
Możesz pomyśleć: "Moja firma nie pyta AI o nogi pająka, więc mnie to nie dotyczy." I tu pojawia się pułapka. Problem z Fable 5 nie polega na tym, że akurat pytania biologiczne są blokowane. Problem polega na tym, że nie wiesz z góry, które pytania zostaną zablokowane po kolejnej aktualizacji modelu.
Weźmy konkretny przykład. Firma produkująca suplementy diety z okolic Krakowa używa Claude'a do generowania opisów produktów i odpowiadania na pytania klientów przez czat na stronie. Jeśli model zaczyna odmówić odpowiedzi na pytania o składniki pochodzenia zwierzęcego, o działanie substancji biologicznie czynnych czy o interakcje z organizmem - cały system obsługi klienta staje się bezużyteczny. Klient pyta "czy ten suplement zawiera składniki pochodzenia zwierzęcego?", a AI odpowiada wymijająco lub odmawia. Efekt? Stracona sprzedaż i sfrustrowany klient.
Inny scenariusz: biuro rachunkowe z Wrocławia, które automatyzuje wstępną analizę dokumentów przy pomocy API Claude'a. Wystarczy, że nowa wersja modelu zacznie inaczej interpretować zapytania zawierające dane liczbowe lub nazwy firm, i nagle automatyzacja, która oszczędzała 15 godzin tygodniowo, zaczyna generować błędy. Według raportu McKinsey z 2024 roku, aż 44% firm, które wdrożyły generatywne AI, doświadczyło nieoczekiwanych zmian w zachowaniu modeli po aktualizacjach. To nie marginalny problem.
Polskie MŚP są szczególnie narażone z jednego prostego powodu: rzadko mają dedykowany zespół techniczny, który monitoruje zmiany w modelach AI na bieżąco. Duża korporacja ma inżynierów, którzy testują nowe wersje przed wdrożeniem. Mała firma z reguły korzysta z najnowszej dostępnej wersji automatycznie - i dowiaduje się o problemie dopiero wtedy, gdy klient lub pracownik zgłosi błąd.
Jak się zabezpieczyć? Praktyczne kroki
Sytuacja z Fable 5 to doskonała lekcja na temat tego, jak odpowiedzialnie wdrażać AI w firmie. Oto konkretne kroki, które każda polska firma może podjąć już dziś:
- Nie polegaj na jednym modelu. To najważniejsza zasada. Jeśli Twoja firma korzysta z Claude'a, przygotuj plan B z użyciem GPT-4o od OpenAI lub Gemini od Google'a. Przełączenie między modelami przez API to zwykle kwestia zmiany jednego parametru w kodzie. Koszt utrzymania drugiego dostawcy jest minimalny w porównaniu z ryzykiem przestoju.
- Testuj przed wdrożeniem nowych wersji. Jeśli korzystasz z API, możesz "przypiąć" konkretną wersję modelu zamiast automatycznie przechodzić na najnowszą. Anthropic umożliwia to przez parametr wersji w zapytaniach API. To daje Ci czas na przetestowanie nowej wersji na zestawie typowych zapytań z Twojej firmy.
- Stwórz zestaw testowy. Przygotuj 20-30 pytań, które Twoi klienci lub pracownicy zadają najczęściej. Po każdej aktualizacji modelu przepuść te pytania przez system i sprawdź, czy odpowiedzi są nadal poprawne. To zajmuje 30 minut, a może uchronić przed dniami problemów.
- Miej plan awaryjny bez AI. Brzmi staromodnie, ale jeśli Twój czat obsługi klienta opiera się w 100% na AI, powinieneś mieć możliwość szybkiego przełączenia na obsługę ludzką. Nawet jeśli to oznacza wolniejsze odpowiedzi, lepsze to niż brak odpowiedzi lub odpowiedzi błędne.
- Monitoruj logi. Sprawdzaj regularnie, ile zapytań kończy się odmową odpowiedzi. Nagły skok odmów to sygnał, że coś się zmieniło w modelu. Narzędzia takie jak Langfuse czy Helicone pozwalają monitorować jakość odpowiedzi AI w czasie rzeczywistym i kosztują od zera (wersje open source) do kilkudziesięciu dolarów miesięcznie.
Dodam od siebie, że w projektach, które realizuję z klientami, zawsze konfiguruję system z co najmniej dwoma modelami jako zapleczem. To nie jest paranoja - to standardowa praktyka inżynieryjna. Tak samo jak masz zapasowe źródło zasilania dla serwera, potrzebujesz zapasowego modelu AI.
Kiedy AI warto stosować, a kiedy lepiej odpuścić?
Przypadek Fable 5 otwiera szerszą dyskusję o tym, gdzie AI naprawdę pomaga, a gdzie wprowadza niepotrzebne ryzyko. Na podstawie kilkudziesięciu wdrożeń w polskich firmach mogę powiedzieć, że istnieją wyraźne wzorce.
AI działa świetnie w zadaniach, gdzie błąd nie jest krytyczny i człowiek weryfikuje wynik. Generowanie pierwszych wersji tekstów marketingowych, podsumowywanie długich dokumentów, wstępna kategoryzacja maili od klientów, tłumaczenia robocze - w tych obszarach nawet niedoskonały model daje ogromne oszczędności czasu. Polska firma e-commerce, z którą współpracowałem, skróciła czas tworzenia opisów produktów z 25 minut do 4 minut na produkt, używając Claude'a Sonnet do generowania pierwszych wersji, które potem redaktor poprawiał. Przy katalogu 500 produktów to oszczędność ponad 170 godzin pracy.
AI wymaga ostrożności w zadaniach, gdzie odpowiedź trafia bezpośrednio do klienta bez weryfikacji. Czatboty obsługi klienta, automatyczne odpowiedzi na reklamacje, generowanie ofert handlowych - tu każda "halucynacja" lub odmowa odpowiedzi to potencjalny problem wizerunkowy. Nie oznacza to, że nie warto tego robić, ale trzeba wbudować mechanizmy kontrolne. Na przykład: jeśli model odmawia odpowiedzi lub jego pewność jest niska, zapytanie powinno automatycznie trafiać do człowieka.
AI lepiej nie stosować (jeszcze) w zadaniach, gdzie konsekwencje błędu są poważne i nieodwracalne. Automatyczne podejmowanie decyzji prawnych, samodzielne zarządzanie finansami firmy, diagnostyka medyczna bez nadzoru lekarza. W tych obszarach AI może wspierać człowieka, ale nie powinien go zastępować. Przypadek Fable 5 pokazuje, że nawet najlepsi dostawcy AI nie są w stanie zagwarantować stabilności zachowania modelu w czasie.
Badanie przeprowadzone przez Stanford HAI w 2024 roku wykazało, że wydajność modeli GPT-4 i Claude na tych samych zadaniach potrafiła się różnić o 10-15% między kolejnymi wersjami - czasem na lepsze, czasem na gorsze. To oznacza, że system, który działał doskonale w styczniu, może działać zauważalnie gorzej w marcu, bez żadnej zmiany po Twojej stronie.
Podsumowanie: AI to narzędzie, nie magiczna różdżka
Historia z Claude Fable 5 to zdrowa dawka realizmu w świecie, który czasem zbyt entuzjastycznie podchodzi do sztucznej inteligencji. Nie chodzi o to, żeby bać się AI lub rezygnować z wdrożeń. Chodzi o to, żeby wdrażać mądrze.
Dla polskich małych i średnich firm kluczowe wnioski są trzy. Po pierwsze: dywersyfikacja dostawców AI to nie luksus, tylko konieczność. Po drugie: testowanie nowych wersji modeli przed wpuszczeniem ich na produkcję powinno być standardem, nawet jeśli zajmuje dodatkowe pół godziny. Po trzecie: zawsze miej plan na sytuację, gdy AI zawiedzie - bo prędzej czy później to się zdarzy.
Sztuczna inteligencja w 2025 roku to potężne narzędzie, które realnie oszczędza czas i pieniądze. Ale jak każde narzędzie, wymaga umiejętnego obchodzenia się z nim. Młotek jest świetny do wbijania gwoździ, ale nie chciałbyś, żeby nagle, po aktualizacji firmware'u, zaczął odmawiać wbijania gwoździ o parzystych numerach. A właśnie coś takiego przydarzyło się Claude'owi Fable 5 - i lepiej być na to przygotowanym, niż dowiedzieć się o tym od wściekłego klienta.
Źródło: The Verge - Fable won't answer basic biology questions