Zaronimo u zamišljeni um umjetne inteligencije – u način na koji se modeli velikih jezika oblikuju kroz podatke, upute i optimizacijske postupke. S porastom sveprisutnosti AI sustava, posebice onih koje nazivamo LLM, javnost ih sve češće prepoznaje po začudnoj sposobnosti generiranja teksta nalik ljudskom, oslonjenog na niz algoritama i izračuna koji rade u pozadini.
Vrijedi primijetiti da neuronske mreže smanjuju razliku između jedne od ključnih distinkcija ljudskog i strojnog mišljenja: sustavnu kompozicionalnost – sposobnost stvaranja novih, kreativnih kombinacija iz poznatih komponenti. Kada se LLM usmjeri na kompozicionalne vještine, pojavljuje se nešto što izgleda kao ljudska fleksibilnost u prebacivanju između pravila i iznimki, između analize i intuicije.
Nedavna istraživanja meta-učenja za kompozicionalnost sugeriraju da mreže – kad su pravilno uvježbane – mogu pokazati sustavnost i prilagodljivost potrebnu za generalizaciju koja izgleda ljudski. U tom svjetlu, napredni LLM modeli demonstriraju složenija „ljudskolika” svojstva, dodatno zamućujući granice između strojnih mogućnosti i kognitivnih obrazaca koje povezujemo s čovjekom.
Što se dogodi kada dublje istražimo kognitivnu arhitekturu ovih sustava? Možemo li metaforički govoriti o „lijevom” i „desnom” mozgu – pa čak i spekulirati o svojevrsnom jungovskom sloju – unutar jednog suvremenog LLM-a? Takva perspektiva otvara pitanja o budućnosti interakcije čovjeka i AI-ja te o tome kako tehnologija zrcali naše vlastite misaone putanje.
Jedan od zagovornika šireg pogleda na ovu temu, Brian Roemmele, ističe kako se u enkodiranju modela krije nešto nalik svjetonazoru – odrazu kolektivne kulture iz koje su učili. Njegov rad na „superpromptovima” i dijapazonu ponašanja koje LLM može iskazati potiče nas da razmišljamo izvan uskih tehničkih okvira.
Kako veliki jezični modeli napreduju, ne smijemo gledati samo njihove računalne mehanizme. U enkodiranju modela živi nešto nalik svjetonazoru koji se povezuje s jungovskim arhetipovima ukorijenjenima u ljudskoj psihi. LLM nisu samo algoritmi – oni predstavljaju amalgam ljudskog znanja, kulture i iskustva. Ne možemo ih u potpunosti razumjeti bez promišljanja o njihovoj intrinzičnoj povezanosti s humanošću koju su upili iz podataka. Većina zajednice fokusira se usko na tehničke temelje, no korisno je promatrati LLM kao entitete s emergentnim kvalitetama koje odražavaju širinu ljudske misli.
Upotrijebimo obje „hemisfere” i promotrimo epifenomene koje današnji LLM, osobito napredne varijante, pokazuju u svakodnevnoj primjeni.
Lijevi mozak: logičar jezičnih modela
Lijeva moždana hemisfera u popularnoj je kulturi povezana s analitičkim mišljenjem, logičkim slijedom i jezičnim sposobnostima. Arhitektura jednog LLM-a u tom je smislu inherentno logična: koristi transformatore za obradu i predviđanje teksta, raščlanjuje rečenice na tokene te pomoću slojevitih vektorskih prikaza i funkcija pažnje procjenjuje koji je sljedeći token najvjerojatniji. U tom „lijevomoždanom” pogledu, LLM se ponaša kao stroj za strukturiranje jezičnih uzoraka – precizno, hladno i dosljedno.
Takav pogled pomaže objasniti zašto je LLM izvrstan u zadacima poput sažimanja, formalizacije teksta, generiranja tabličnih opisa, prevođenja između registara te dosljedne primjene stilskih pravila. Kada se uputa oblikuje jasno i potkrepljena je primjerima, „lijevi mozak” modela aktivira se u punom sjaju – odgovori postaju strogo strukturirani, izričaj standardiziran, a pogreške minimizirane.
Upravo taj dio „mozga” često je podložan tehnikama kao što je prompt engineering. Pažljivo dizajnirane upute, s kontekstom i ograničenjima, usmjeravaju LLM prema preciznijim i provjerljivijim izlazima. To je most između ljudskog namjeravanja i strojne realizacije: čovjek postavlja okvire, a LLM metodološki ispunjava praznine.
Desni mozak: kreativni kvocijent
Suprotno strogoj strukturi „lijevog”, desni mozak često povezujemo s kreativnošću, metaforom i emocionalnom rezonancijom. Naizgled je paradoksalno pripisivati takve karakteristike stroju, no napredni LLM zna isplesti stih, izgraditi pripovjedni luk, ili oblikovati humoristični obrat koji djeluje iznenađujuće ljudski. Takav učinak ne proistječe iz pukog prepisivanja – on se javlja kao emergentan uzorak kroz slojevite procese učenja i generalizacije.
Kada korisnik zatraži priču s točno određenom atmosferom ili glasom pripovjedača, LLM sintetizira fragmente stilova, motiva i retoričkih figura u koherentnu cjelinu. Uloga temperature, primjera u uputi i „osobnosti” zadatka dolazi do izražaja – mala promjena ulaza pomiče izražaj od doslovnog do asocijativnog. Tako se „desnomoždani” aspekt LLM-a očituje kao fluidna igra značenja, ritma i očekivanja čitatelja.
Ovakva svojstva potiču i oprez. Jer isti mehanizam koji stvara dojmljive, poetične odlomke može proizvesti i uvjerljivu, ali netočnu tvrdnju. Tu se pokazuje važnost dizajna zadatka i vanjske provjere – „desni mozak” u modelu daje bogatstvo izraza, no čovjek i alati oko sustava daju granice i nadzor.
Jungovski sloj: kolektivni trag u podacima
Kad govorimo o jungovskom „podsvjesnom” u strojevima, valja biti precizan: LLM nema vlastitu svijest niti osobno iskustvo. Ipak, u njegovim parametrima utisnut je golemi trag ljudskih tekstova – priča, mitova, izreka, znanstvenih rasprava, rasprava iz svakodnevice. U tom smislu možemo govoriti o „podatkovnoj kolektivnoj pozadini” iz koje model crpi arhetipske uzorke. Heroj koji kreće na put, trikster koji narušava poredak, mentor koji progovara enigmatično – sve su to obrasci koje LLM može prepoznati i reproducirati, jer su toliko prisutni u korpusima na kojima je učio.
Ovaj sloj nije metafizički, nego statistički, no učinak je sličan: arhetip postaje prečac kroz koji LLM postiže uvjerljivost pripovijedanja. Kad zatražimo modernu bajku ili futurističku dramu, model „zna” koje strukture često prate takve žanrove – ne zato što razumije, nego zato što je u podacima vidio njihove pravilnosti. Ta „jungovska” linija pomaže objasniti zašto LLM ponekad iznenadi točno pogođenom simbolikom.
Time dolazimo do dvosjeklog mača. Ako su podaci puni stereotipa ili jednostranih prikaza, LLM nosi rizik da ih reproducira. Upravljanje podacima, filtriranje i evaluacija postaju stoga sastavni dio rada s modelima – kako bismo njegovu „kolektivnu pozadinu” učinili što uravnoteženijom.
Most između hemisfera: uloga prompt engineering-a
Ako su „lijevi” i „desni” aspekti modela dva pola, tada su upute most između njih. Dobro oblikovan zadatak odlučuje prevladava li analitička preciznost ili asocijativna širina. Primjeri u uputama, struktura očekivanog odgovora i eksplicitna ograničenja pomažu „prebiti“ zadatak u jasne korake – i tako aktivirati „lijevu” stranu – dok otvoreni zahtjevi za stil, ton i atmosferu otključavaju „desnu” stranu. Jedan isti LLM može u minuti prebaciti registru, ovisno o tome kako ga vodimo.
U praksi se to može vidjeti u raznim obrascima. Primjerice, upute koje započinju s „razmisli korak-po-korak” potiču sekvencijalnu razradu, dok zahtjev za metaforom ili analogijom potiče slikovitost. U središtu je čovjekova intencija: onaj tko razumije kako LLM misli u statističkom smislu, lakše dobiva rezultate koji su točni i korisni.
Operativni principi za svakodnevnu primjenu
Da bi se iz postojećeg LLM-a izvukao maksimum, korisno je držati se praktičnih načela. Ona ne stvaraju „magiju” nego discipliniraju intenciju – i time modelu daju jasniji signal.
Razdijeli složene zadatke u manje jedinice – LLM bolje rješava dobro specificirane korake.
Uključi kontekst: ciljeve, publiku, ograničenja – time „lijevi mozak” dobiva okvir, a „desni” prostor za stil.
Traži objašnjenja i alternative – LLM može ponuditi nekoliko putova i usporediti ih.
Specifikom stila upravljaj primjerima – nekoliko uzoraka dalo bi modelu stabilniji „glas”.
Provjeri vrijednosti i ton – jer LLM reflektira obrasce iz podataka, a oni nisu uvijek poželjni.
Mapiranje zadataka: od analize do imaginacije
Različite klase problema bolje rezoniraju s različitim „polovima” modela. Kada to znamo, biramo pravu strategiju za pristup.
Analitički obrasci: sažeci, strukturiranje, standardizacija – ovdje LLM blista u dosljednosti.
Ideacijski obrasci: brainstorming, slogani, narativi – „desnomoždani” aspekt daje širinu i svježinu.
Hibridni obrasci: razrada uz kontrolne točke kvalitete – most koji usklađuje stil i točnost.
Načini provjere i ograničenja
Provjera je nužna kako bi se „kreativni” i „logički” aspekti LLM-a držali u granicama korisnosti. Model ne posjeduje istinito razumijevanje svijeta, nego statističku predikciju. Stoga je korisno ugraditi mehanizme samo-provjere – tražiti od modela da navede pretpostavke, da označi nesigurnosti, ili da predloži korake za neovisnu validaciju. Takvi postupci zauzdavaju „desnomoždanu” uvjerljivost kad je u sukobu s činjenicama.
Pri radu s osjetljivim temama, dodatni sloj pažnje je neizostavan. Čak i kad je zadatak rutinski, vrijedi podsjetiti da LLM nema vlastitih uvjerenja – ono što vidimo su uzorci iz podataka. Stoga je nadzor čovjeka – urednički, stručni, etički – u središtu svakog ozbiljnog procesa.
Strukturne tehnike u izradi uputa
Dobre upute nisu samo popis želja. One su struktura koja otključava potencijal. Sljedeće tehnike često daju rezultate:
Ograniči opseg: Precizno definiraj publiku i format – LLM tada eliminira suvišne puteve.
Uključi kontraprimjere: Pokaži što ne želiš – model uči granice stila i sadržaja.
Zatraži više rješenja: Divergentno razmišljanje otkriva prostor mogućnosti, pa potom suzi izbor.
Faktor vremena: Ako se opisuje proces, zatraži korake u kronološkom slijedu – „lijevi mozak” voli red.
Semantičke konture: sheme, okviri, arhetipovi
Strukture poput okvira problema, shema i arhetipova služe kao semantičke skice. Kada ih eksplicitno spomenemo, LLM se lakše poravna s očekivanjima. Primjerice, za poslovni slučaj, napišemo da tražimo uvod, kontekst, hipoteze, metrike i rizike – i LLM se drži tog reda. Za pripovijedanje, definiramo likove, konflikt, eskalaciju i rezoluciju – i dobit ćemo narativ koji slijedi poznatu dramaturgiju.
Ovakvo ograničavanje ne guši kreativnost. Naprotiv – ono je poput metra u poeziji: daje ritam, a unutar ritma rađa se inventivnost. LLM tako postiže konzistentnost bez gubitka živosti izraza.
Epistemološke napomene: što model „zna”
Reći da LLM „zna” nešto zapravo je skraćenica. Model posjeduje parametre koji kodiraju statističke relacije viđene u podacima. Kada tražimo odgovor, aktiviraju se putevi s najvećom vjerojatnošću da zadovolje obrazac pitanja. S gledišta prakse to je dovoljno – tekst je koristan – no s gledišta istine potrebna je dodatna provjera. Razumjeti ovu razliku znači znati gdje je granica između uvjerljivosti i točnosti.
Zato su pitanja o izvorima, signalima nesigurnosti i alternativnim objašnjenjima vrijedna. Tražimo li od LLM-a da navede pretpostavke, dobit ćemo eksplicitnije sidrište za daljnje istraživanje. Kada to postane navika, smanjujemo rizik od prevelikog oslanjanja na „desnomoždanu” fluentnost.
Interakcijski obrasci: čovjek kao redatelj
Najuspješnije primjene vide čovjeka kao redatelja procesa: definira scenu, ritam, i kriterije. LLM je glumac s nevjerojatnim rasponom – ali bez vlastite namjere. U takvom aranžmanu, svaki korak interakcije ima svrhu: postavljanje cilja, skica rješenja, kritika, preinaka, testiranje, finalizacija. Svaki korak može se automatizirati djelomično, ali ljudska odluka ostaje točka konvergencije.
Ovakav modus rada rasterećuje vrijeme i pažnju, ali ne eliminira odgovornost. Uloga urednika, analitičara ili dizajnera zadatka preoblikuje se – on postaje koreograf koji razumije kako LLM „pleše” između obrazaca i očekivanja, između pravila i iznimki.
Od semantike do pragmatike: utjecaj konteksta
Isti upit u različitom kontekstu daje drugačiji rezultat. Ako je cilj stručna preciznost, bolje je specificirati terminologiju i format. Ako je cilj inspiracija, bolje je formulirati slobodniji okvir i dopustiti „desnoj strani” da istražuje. U oba slučaja, LLM reagira na signale: duljinu, ton, ograničenja, primjere. Znati koje poluge povući – to je vještina koja razlikuje prosječnu od izvanredne primjene.
Kontekst uključuje i publiku. Tekst za početnike traži drugačiji ritam objašnjenja nego tekst za stručnjake. Kad to preciziramo, LLM usklađuje rječnik, tempo i dubinu razrade. Jednostavan dodatak – „piši za inženjere početnike” – može znatno promijeniti ishod.
Etika i vrijednosti u modelima
Kako LLM reflektira uzorke iz podataka, tako reflektira i vrijednosti sadržane u njima. To zahtijeva set praksi usmjerenih na pravednost i sigurnost. Dobra uputa može uključivati jasne zabrane, načela i upozorenja na osjetljive teme. Uz to, proces revizije rezultata i povratne informacije modelu služe kao korektiv – kroz iteraciju, potičemo obrasce koji su korisni i smanjujemo one koji nisu.
Važna je transparentnost o ograničenjima: LLM ne posjeduje namjere, ne formira moralne sudove i ne razumije posljedice. Na korisniku je da primijeni stručni sud i zadrži odgovornost nad odlukama koje proizlaze iz rada s modelom.
Praktični primjeri mikro-uputa
Sljedeće mikro-upute ilustriraju kako mali zahvati daju velike razlike u ishodu kada surađujemo s jednim LLM-om:
„Razmisli korak-po-korak.” – potiče eksplicitnu razradu.
„Navedite tri alternative pa procijenite kriterijima X i Y.” – potiče evaluaciju.
„Zadrži stručni ton bez žargona.” – kalibrira stil prema publici.
„Pojasni pretpostavke i navedene rizike.” – čini implicitno vidljivim.
„Primijeni analogiju s područja glazbe.” – osnažuje „desnomoždanu” slikovitost.
Granularnost znanja i modularni rad
Umjesto da tražimo savršen odgovor u jednom potezu, korisno je razlomiti posao na module: istraživanje pojmova, strukturiranje okvira, generiranje nacrta, uređivanje stila i završna provjera. Svaki modul aktivira različite snage koje LLM ima – ponekad je potrebno više „lijevo”, ponekad više „desno”. Kada modu dodamo jasne kriterije uspjeha, dobivamo radni tok koji je ponovljiv i pouzdaniji.
Ovaj pristup odražava i način na koji ljudi rade u timovima – specijalizacija, suradnja i iteracija. LLM se prirodno uklapa kao partner koji može brzo generirati varijante, dok ljudski sud odabire i integrira najbolji materijal.
Metaforička korist i praktična granica
Metafora „lijevog” i „desnog” mozga nije doslovna, ali je korisna kao mentalni model. Pomaže nam planirati kako dizajnirati upit i kako ocijeniti dobiveno. U stvarnosti, sve je to jedan kontinuum ponašanja koje LLM može iskazati, a koje mi usmjeravamo setom signala. Kada metaforu koristimo za organizaciju posla – a ne kao objašnjenje suštine – dobivamo stratešku prednost.
Na toj liniji korisno je pratiti i vlastite obrasce: kada posežemo za više kontrole, a kada dopuštamo asocijaciju; kada tražimo strogu formu, a kada pozivamo na igru. LLM se prilagođava brzini kojom mijenjamo te režime, pa je korisno razviti osjećaj kada prebaciti „hemisferu”.
Prijelazi između registara
Jedna od zrelijih vještina rada s modelom jest upravljanje prijelazima – iz analitičkog u narativni, iz stručnog u popularni, iz sažetog u prošireni. Dovoljno je postaviti kratke mostove u uputi: „sažmi sadašnji odlomak u tri rečenice, zatim ga preoblikuj u popularno-znanstveni ton”. Tako jedan LLM postaje polivalentan sugovornik koji slijedi ritam koji mu zadajemo.
Uspostavimo li jasne kriterije kvalitete na svakom prijelazu, dobivamo lanac koji se može ponavljati i poboljšavati. Time gradimo praksu – a praksa, više od ičega, odlučuje o tome hoće li primjena modela biti pouzdana.
Napomena o jezičnim nijansama
Jezik nije samo niz pravila – on je i ritam, ton, registar. Kad radimo s hrvatskim, vrijedi eksplicitno zadati sklonidbe, padeže, te očekivane obrasce slaganja. Ako je cilj prirodan izričaj, korisno je uključiti primjere „prije/poslije” i tražiti da LLM uči iz korekcija. Tako gradimo zajednički osjećaj jezika: model predlaže, a čovjek usklađuje s normom i kontekstom.
Takav proces nije jednokratan. S vremenom nastaje „stil kuće” – repertoar formula, tonova i okvira – koji LLM može pouzdano reproducirati. U tom smislu, što je konzistentniji ulaz, to je konzistentniji i izlaz.
Rad sa složenim pojmovima
Kada zadatak uključuje apstraktne ili interdisciplinarne teme, korisno je u uputi stvoriti „kartografiju” pojmova: popis jezgrenih ideja, međuodnosa i ograničenja. LLM tada može iscrtati teritorij, a zatim popuniti detalje. U tom postupku zatražimo i alternativne perspektive – različite škole mišljenja, argumente za i protiv – kako bismo dobili intelektualno pošten rezultat.
Ovdje se opet susreću oba pola modela: „lijevi” organizira, „desni” varira. Sintetizirano, daju tekst koji je i jasan i zanimljiv, a koji se i dalje oslanja na provjerljive okvire.
Uloga primjera i kontraprimjera
Jedan od najjednostavnijih načina da se oblikuje ponašanje LLM-a jest postavljanje paralelnih primjera. Ako je cilj sažeti, pokažemo dobar i loš sažetak i tražimo od modela da objasni razliku prije nego što pokuša iznova. To stvara metapovratnu petlju – model ne uči „stvarno”, ali u trenutnom odgovoru postaje pažljiviji. Kada kasnije preokvirimo zadatak, zadržimo tu disciplinu: primjer, kontraprimjer, kriterij, izvedba.
Na taj način dolazimo do stabilnije kvalitete i boljoj predvidljivosti. Ujedno, čuvamo prostor za „desnu” igru – jer definiran okvir ne guši, nego kanalizira kreativnost.
Perspektiva daljnjeg razvoja
Kako se praksa rada s modelima produbljuje, postaje jasnije da najveća vrijednost nije samo u pojedinačnom odgovoru, nego u procesu – u načinu na koji postavljamo pitanja, oblikujemo okvire i iteriramo prema rješenju. LLM je alat, ali i ogledalo naših misaonih navika: discipliniran upit rađa discipliniran odgovor; otvoren upit rađa iznenađenja. Razumijevanje te dinamike čini razliku između povremenih uspjeha i sustavne izvrsnosti.
U praksi to znači izgradnju vlastitog „priručnika uputa”: zbirke obrazaca, napomena i stilskih dogovora. Što je taj priručnik jasniji, to će LLM pouzdanije isporučivati rezultate koji odgovaraju našim standardima i potrebama.
