Sztuczna inteligencja a język polski: dlaczego AI nadal myli przypadki, rodzaje i aspekt czasownika

Sztuczna inteligencja a język polski to połączenie, które w 2026 roku działa znacznie lepiej niż jeszcze kilka lat temu, ale nawet zaawansowane modele językowe potrafią wygenerować zdanie brzmiące płynnie i jednocześnie popełnić błąd w doborze przypadku, rodzaju albo aspektu czasownika, informuje redakcja TopFlop. Problem nie sprowadza się do tego, że polski jest po prostu „trudnym językiem”. Dla modelu kluczowe znaczenie mają struktura danych treningowych, sposób tokenizacji, reprezentacja kontekstu i to, jak często konkretne konstrukcje występowały w materiałach, na których był uczony.

Skala problemu jest na tyle konkretna, że w ogłoszonym we wrześniu PolEval 2026 znalazł się osobny benchmark diagnostyczny dla polskich dużych modeli językowych. Organizatorzy wskazują wprost na fleksję, zgodność gramatyczną, przypadek, rodzaj, referencję, negację i wieloznaczność jako zjawiska, na których można ujawniać różnice między modelami. To istotna zmiana: badacze nie pytają już wyłącznie, czy AI potrafi wygenerować poprawnie wyglądający akapit, lecz sprawdzają, w jakich dokładnie miejscach rozpada się jego znajomość polskiej gramatyki.

Dlaczego polski sprawia modelom językowym więcej problemów niż może się wydawać?

Duży model językowy nie uczy się odmiany rzeczowników i czasowników w taki sposób jak uczeń, który poznaje tabelę przypadków, reguły zgodności i pary aspektowe. Podczas treningu przetwarza ogromne zbiory tekstu i na ich podstawie przewiduje najbardziej prawdopodobną kontynuację sekwencji.

W praktyce oznacza to, że może bardzo dobrze odtwarzać często spotykane konstrukcje, a równocześnie gorzej radzić sobie z rzadkim nazwiskiem, nietypową liczbą mnogą albo zdaniem, w którym kilka elementów wymusza zgodę gramatyczną na dużej odległości.

Polski jest językiem silnie fleksyjnym. Końcówka słowa może zmienić się w zależności od przypadku, liczby, rodzaju, osoby czy czasu, a sama forma nie zawsze wystarcza do jednoznacznego ustalenia funkcji wyrazu. W literaturze językoznawczej polski opisuje się jako język z rozbudowanym systemem rodzaju i przypadków, przy czym rzeczywiste reguły zgodności są bardziej złożone niż proste rozróżnienie „męski–żeński–nijaki”.

To właśnie dlatego błędy AI często wyglądają dziwnie z perspektywy człowieka. Model potrafi stworzyć logiczny, wielozdaniowy wywód, a chwilę później połączyć przymiotnik z rzeczownikiem w niewłaściwym rodzaju albo wybrać biernik tam, gdzie konstrukcja wymaga dopełniacza.

Jeden rzeczownik, wiele możliwych form

W języku angielskim słowo „computer” pozostaje w większości kontekstów niemal niezmienne. Polski „komputer” może pojawić się jako:

• komputer,
• komputera,
• komputerowi,
• komputerem,
• komputerze,
• komputery,
• komputerów,
• komputerom,
• komputerami,
• komputerach.

To tylko jeden leksem. Model musi jeszcze rozpoznać, dlaczego w zdaniu „nie mam komputera” pojawia się dopełniacz, a w „widzę komputer” — biernik.

Jeszcze trudniej robi się wtedy, gdy gramatyka zależy nie od sąsiedniego słowa, ale od konstrukcji całego zdania.

Zjawisko	Co musi rozpoznać model	Typowy punkt ryzyka
przypadek	funkcję rzeczownika w zdaniu i wymagania czasownika lub przyimka	błędna końcówka
rodzaj	rodzaj rzeczownika i form zależnych	zła forma przymiotnika lub czasownika
liczba	pojedynczą lub mnogą oraz typ grupy	błędna zgoda
osoba	podmiot jawny albo domyślny	niewłaściwa końcówka czasownika
aspekt	czy czynność jest zakończona, trwająca, powtarzalna	wybór złego czasownika
rekcja	jakiego przypadku wymaga konkretny czasownik, rzeczownik lub przyimek	konstrukcja brzmiąca obco

Problemy te nie są nowym odkryciem w polskim NLP. Już PolEval 2020 miał zadanie dotyczące znakowania morfosyntaktycznego polszczyzny, obejmujące materiał z kilku stuleci rozwoju języka. Organizatorzy przypominali wtedy, że morfosyntaktyczna dezambiguacja należy do klasycznych problemów przetwarzania języka polskiego.

Podobne wyzwania pojawiały się wcześniej przy lematyzacji i tagowaniu części mowy. W PolEval 2017 system musiał nie tylko określić część mowy, lecz także wybrać właściwy lemat i interpretację morfosyntaktyczną.

Rodzaj gramatyczny nie kończy się na „on, ona, ono”

Dla użytkownika języka rodzaj często działa automatycznie. Człowiek natychmiast zauważy różnicę między „nowy samochód”, „nowa książka” i „nowe okno”. Model musi natomiast odtworzyć sieć zależności między rzeczownikiem a zaimkami, liczebnikami, przymiotnikami i formami czasownika.

Szczególnie wymagająca jest liczba mnoga.

Porównajmy:

• studenci przyszli,
• studentki przyszły,
• dzieci przyszły,
• lekarze przyszli,
• lekarki przyszły.

Zmienia się nie tylko forma rzeczownika, ale również forma orzeczenia.

Do tego dochodzą rzeczowniki nietypowe pod względem budowy. Końcówka „-a” często kojarzy się z rodzajem żeńskim, lecz „mężczyzna”, „kierowca” czy „kolega” są rodzaju męskiego. System bazujący na statystycznych wzorcach musi uwzględnić takie wyjątki oraz kontekst.

W 2025 roku PolEval przeprowadził nawet osobne zadanie dotyczące generowania form uwzględniających rodzaj. Wykorzystano w nim ręcznie anotowany Inclusive Polish Instruction Set, a uczestnicy mierzyli się m.in. z korektą tekstu i tłumaczeniem polsko-angielskim, w którym informacja o rodzaju musi zostać właściwie zachowana lub odtworzona. Do konkursu zgłoszono sześć systemów — po trzy w każdym z dwóch podzadań.

To pokazuje, że problem nie jest kosmetyczny. Rodzaj w języku polskim przenosi informację przez całe zdanie i potrafi ujawnić błąd dopiero kilka słów dalej.

Dlaczego aspekt czasownika jest tak zdradliwy?

Jeszcze bardziej subtelny jest aspekt czasownika. Polski regularnie rozróżnia czynność niedokonaną i dokonaną:

• pisać — napisać,
• robić — zrobić,
• czytać — przeczytać,
• kupować — kupić,
• otwierać — otworzyć.

Nie jest to zwykła różnica między czasem teraźniejszym i przeszłym. Aspekt mówi między innymi o tym, czy czynność przedstawiana jest jako zakończona, trwająca, powtarzalna albo rozpatrywana jako proces.

Zdanie „wczoraj czytałem książkę” nie oznacza tego samego co „wczoraj przeczytałem książkę”. W drugim przypadku naturalnie pojawia się informacja o zakończeniu czynności.

Dla modelu problem pogłębia się dlatego, że pary aspektowe nie zawsze powstają według jednej przewidywalnej reguły. Czasem zmienia się prefiks, czasem rdzeń, a czasem dwa czasowniki są formalnie bardzo różne.

Model może więc dobrać słowo semantycznie bliskie, lecz pragmatycznie niewłaściwe.

Skąd dokładnie biorą się błędy AI i co pokazują polskie benchmarki?

Najprostsze wyjaśnienie brzmi: model generuje język probabilistycznie, a nie przez mechaniczne stosowanie szkolnej gramatyki. Nie oznacza to jednak, że duże modele językowe „nie znają zasad”. W ich parametrach mogą zostać zakodowane bardzo rozbudowane zależności gramatyczne.

Problem pojawia się wtedy, gdy kilka możliwych wzorców konkuruje ze sobą, kontekst jest niejednoznaczny, przykład należy do rzadkiej kategorii albo dane treningowe zawierały niewiele podobnych konstrukcji.

Drugim czynnikiem jest proporcja danych. Globalne modele są trenowane wielojęzycznie, ale języki nie muszą być reprezentowane równomiernie. Polski konkuruje w takim zbiorze z angielskim i innymi językami obecnymi w internecie w znacznie większej liczbie dokumentów. Ministerstwo Cyfryzacji wskazywało w 2025 roku, że wiele popularnych modeli było trenowanych przede wszystkim na danych anglojęzycznych, dlatego lokalne modele są rozwijane właśnie po to, by lepiej reprezentować fleksję, lokalny kontekst i styl polszczyzny. Gov.pl

Rozwój transformatorów, które obecnie stanowią fundament współczesnych LLM-ów, można szerzej prześledzić w materiale o historii sztucznej inteligencji — od klasycznych algorytmów do generatywnych sieci i modeli językowych. Ta ewolucja tłumaczy, dlaczego współczesne systemy potrafią utrzymywać znacznie szerszy kontekst niż starsze narzędzia NLP, lecz nie eliminuje automatycznie wszystkich problemów językowych.

Tokenizacja: jedno polskie słowo nie zawsze jest jednym elementem dla modelu

Model językowy nie musi widzieć słowa dokładnie tak jak użytkownik. Tekst jest wcześniej dzielony na tokeny — całe wyrazy, fragmenty wyrazów albo inne jednostki zależne od użytego tokenizera.

W języku fleksyjnym wiele form jednego leksemu może więc zostać rozłożonych inaczej.

Jeżeli model często spotyka „samochód”, ale rzadziej „samochodami”, ta druga forma może mieć mniej stabilną reprezentację statystyczną. Nie oznacza to automatycznie błędu, lecz zwiększa znaczenie danych i kontekstu.

Podobny problem dotyczy:

1. rzadkich nazw własnych;
2. nazwisk odmienianych według nietypowych wzorców;
3. neologizmów;
4. terminów specjalistycznych;
5. potocznych form zapisywanych na wiele sposobów;
6. nowych zapożyczeń;
7. tekstów łączących język polski i angielski.

Właśnie dlatego testowanie LLM-u na zwykłym pytaniu encyklopedycznym nie wystarcza do oceny jego polszczyzny.

Benchmark KLEJ został stworzony jako zestaw dziewięciu różnych zadań dotyczących rozumienia języka polskiego. Obejmuje między innymi rozpoznawanie nazw własnych, wnioskowanie tekstowe, analizę sentymentu oraz zadania pytanie–odpowiedź. Autorzy benchmarku podkreślali, że różne modele osiągały najlepsze wyniki w różnych zadaniach i nie istniał jeden system zdecydowanie najlepszy we wszystkim.

To ważny wniosek także dla zwykłego użytkownika. Model świetnie piszący streszczenia może nie być najlepszym wyborem do korekty morfosyntaktycznej, a system dobrze radzący sobie z faktami może popełniać więcej błędów stylistycznych.

PolEval 2026 uderza dokładnie w te słabe punkty

Ogłoszony 17 września 2026 roku Reverse PolEval ma inne założenie niż klasyczne konkursy. To uczestnicy tworzą przykłady diagnostyczne, których zadaniem jest ujawnienie różnic między LLM-ami.

Organizatorzy wymieniają wprost:

• fleksję;
• zgodę gramatyczną;
• przypadek;
• rodzaj;
• referencję;
• negację;
• wieloznaczność leksykalną.

Przygotowane przykłady mają mieć jednoznaczną krótką odpowiedź i nie powinny być jedynie „trudnymi zagadkami”. Powinny rozdzielać modele według rzeczywistych kompetencji językowych.

To jedna z najbardziej konkretnych odpowiedzi na pytanie, dlaczego w 2026 roku nadal można zobaczyć źle odmienione zdanie wygenerowane przez bardzo zaawansowany system.

Płynność wypowiedzi i poprawność morfosyntaktyczna nie są tym samym testem.

Podobną zasadę można zastosować przy ocenie treści wizualnych generowanych przez AI. Sam fakt, że obraz wygląda realistycznie, nie oznacza jeszcze, że wszystkie jego elementy są logicznie spójne — praktyczne przykłady opisano w materiale o rozpoznawaniu obrazów tworzonych przez sztuczną inteligencję.

Dlaczego lokalne modele mogą pomagać?

Polska odpowiedź na problem niedostatecznej reprezentacji języka to między innymi PLLuM — rodzina otwartych modeli językowych rozwijanych przez krajowe jednostki naukowe i instytucje publiczne.

Pierwsza faza projektu zgromadziła po czyszczeniu i deduplikacji około 150 miliardów tokenów danych, przede wszystkim polskojęzycznych. Zespół stworzył również około 40 tys. ręcznie przygotowanych instrukcji, w tym niemal 3,5 tys. przykładów wieloturowych.

W kolejnej fazie HIVE rozwijano korpus obejmujący około 7 mln polskich tekstów. Ministerstwo Cyfryzacji podało w maju 2026 roku, że powstało około 17,5 tys. nowych instrukcji organicznych, w tym ponad 6 tys. dialogów wieloturowych, a wraz z materiałem z wcześniejszego projektu łączna liczba ręcznie tworzonych instrukcji sięgała około 80 tys.

„PLLuM jest rozwijany na polskich danych, przez polskie zespoły i z myślą o polskich użytkownikach.” — Dariusz Standerski, Ministerstwo Cyfryzacji, 21 lipca 2025 r.

W maju 2026 roku udostępniono 11 kolejnych modeli z rodziny PLLuM. Według resortu zostały one przygotowane m.in. do pracy z ponad 20 typami tekstów administracyjnych, a dostępne warianty obejmują modele 8B, 12B i 70B.

„PLLuM odnajduje się w polskim kontekście prawnym i kulturowym, precyzyjniej niż modele zagraniczne.” — Dariusz Standerski, 21 maja 2026 r.

Samo stworzenie polskiego modelu nie oznacza jednak, że gramatyczne problemy znikają. Model nadal pozostaje systemem statystycznym. Różnica polega na jakości i strukturze danych, dostrojeniu, testowaniu oraz tym, ile uwagi poświęcono lokalnym konstrukcjom.

Aktualna strona projektu pokazuje już kilkadziesiąt udostępnionych wariantów, między innymi modele 8B, 12B i 70B w wersjach bazowych, instrukcyjnych i dialogowych.

Co użytkownik może zrobić, żeby AI pisała po polsku dokładniej?

Największy błąd polega na wydawaniu bardzo ogólnego polecenia typu „napisz poprawny tekst po polsku” i zakładaniu, że model sam ustali wszystkie wymagania.

Lepszy prompt precyzuje zadanie.

Zamiast:

„Popraw tekst”.

można napisać:

„Sprawdź tekst wyłącznie pod kątem fleksji, rekcji, zgodności rodzaju i liczby oraz aspektu czasowników. Nie zmieniaj stylu. Przy każdej zmianie wskaż formę oryginalną i poprawioną”.

Przy trudniejszych tekstach warto rozdzielić kontrolę na etapy:

1. najpierw sprawdzić przypadki i rekcję;
2. następnie zgodność rodzaju oraz liczby;
3. osobno przeanalizować aspekt czasownika;
4. dopiero później poprawiać styl;
5. na końcu przeprowadzić drugą korektę bez przepisywania całego tekstu.

Pomaga również podanie modelowi zdania referencyjnego.

Jeżeli AI ma odmienić nazwisko, nazwę miejscowości albo specjalistyczny termin, warto dostarczyć poprawny przykład użycia. W zadaniach redakcyjnych sprawdza się też polecenie, by model nie zmieniał formy, jeśli nie jest jej pewien, lecz oznaczył fragment do ręcznej weryfikacji.

To szczególnie istotne w treściach urzędowych, prawnych, medycznych i publikowanych bezpośrednio w CMS.

Praktyczne znaczenie lokalnego dostrojenia dobrze pokazuje wdrożenie PLLuM w aplikacji mObywatel. Od końca 2025 roku działa tam Wirtualny asystent, który wyszukuje informacje w oficjalnych źródłach państwowych i odpowiada na pytania użytkowników w języku polskim.

„To czatbot oparty na polskim modelu językowym PLLuM, dzięki temu dobrze rozumie nasz język i sprawnie go przetwarza.” — Dariusz Standerski, 30 grudnia 2025 r.

Rozwój takich narzędzi nie oznacza końca korekty językowej. Przeciwnie — im częściej AI tworzy treści trafiające do urzędów, szkół, sklepów internetowych i redakcji, tym większe znaczenie ma testowanie błędów trudnych do wychwycenia przez automatyczny spellchecker.

Szerszy wpływ generatywnej AI na zawody związane z tekstem i analizą informacji opisuje również materiał o sztucznej inteligencji na rynku pracy w 2026 roku. W przypadku redakcji problem nie sprowadza się już do tego, czy AI może wygenerować artykuł. Pytanie brzmi, które warstwy tekstu nadal wymagają ludzkiej kontroli.

Najczęstsze pytania o AI i polską gramatykę

Błędy modeli językowych nie powinny być interpretowane jako dowód, że system „nie zna polskiego”. Współczesne LLM-y potrafią wykonywać złożone zadania semantyczne, streszczać tekst, prowadzić dialog i poprawnie używać tysięcy konstrukcji gramatycznych. Jednocześnie ich działanie pozostaje probabilistyczne, dlatego rzadkie lub niejednoznaczne formy mogą prowadzić do błędnego wyboru. Benchmarki takie jak KLEJ i PolEval rozdzielają te kompetencje na mniejsze zadania, dzięki czemu można sprawdzać konkretne słabości zamiast opierać ocenę na pojedynczej rozmowie. W 2026 roku badanie polskich LLM-ów coraz wyraźniej przesuwa się właśnie w stronę takich diagnostycznych testów.

Czy AI naprawdę robi więcej błędów po polsku niż po angielsku?

Nie da się tego uczciwie stwierdzić dla wszystkich modeli jednym procentem. Wynik zależy od modelu, zadania, danych treningowych i benchmarku. Modele trenowane głównie na większych zasobach anglojęzycznych mogą mieć mniej przykładów niektórych polskich konstrukcji, dlatego rozwijane są systemy specjalizowane w polszczyźnie.

Dlaczego AI potrafi poprawnie odmienić trudne słowo, a pomylić bardzo proste?

Decyduje kontekst i rozkład danych. Częste połączenie wyrazów może być reprezentowane bardzo mocno, podczas gdy pozornie prosty rzeczownik w nietypowej konstrukcji składniowej wymaga wyboru spośród kilku konkurencyjnych form.

Czy większy model zawsze lepiej zna polską gramatykę?

Nie. Większa liczba parametrów zwykle zwiększa możliwości modelu, ale nie gwarantuje najlepszego wyniku w każdym zadaniu. Już autorzy KLEJ wykazali, że różne systemy osiągały najlepsze rezultaty w różnych testach.

Czy polski model PLLuM nie popełnia błędów językowych?

Może je popełniać. PLLuM został zaprojektowany specjalnie z myślą o polskim języku i kontekście oraz trenowany na dużych polskich zasobach, ale pozostaje modelem językowym, a nie bezbłędnym systemem reguł gramatycznych. Projekt jest rozwijany i ewaluowany właśnie po to, aby ograniczać takie problemy.

Jak sprawdzić, czy tekst AI ma poprawne przypadki i rodzaje?

Najskuteczniej oddzielić korektę gramatyczną od stylistycznej. Najpierw należy sprawdzić rekcję, przypadki i zgodę, potem aspekt czasowników, a dopiero na końcu płynność wypowiedzi. W tekstach specjalistycznych warto dodatkowo porównać formy z wiarygodnym słownikiem lub źródłem branżowym.

Czy problem polskiej gramatyki w AI zostanie całkowicie rozwiązany?

Benchmarki pokazują stały rozwój, ale nie ma podstaw, by zakładać szybkie osiągnięcie absolutnej bezbłędności. Sam fakt, że PolEval 2026 uruchomił osobne zadanie diagnostyczne dotyczące fleksji, przypadku, rodzaju i zgodności, pokazuje, że te zjawiska nadal pozostają aktywnym obszarem badań.

Polski jest dla modeli językowych wymagający nie dlatego, że zawiera jedną wyjątkowo skomplikowaną regułę, lecz dlatego, że wiele informacji gramatycznych działa jednocześnie. Przypadek zależy od funkcji wyrazu, rodzaj wpływa na sąsiednie i odległe elementy zdania, a aspekt czasownika zmienia sposób interpretowania całej czynności.

Warto przeczytać także nasz kolejny materiał, w którym szerzej wyjaśniamy podobny temat:  Bomby lotnicze po 80 latach nadal wychodzą z polskiej ziemi. Dlaczego trafia się na nie na polach