Dlaczego twój asystent AI nie rozumie, że w pracy jesteś inną osobą niż w domu

Poprosiłeś asystenta AI o zaplanowanie dnia. Podałeś mu wszystkie informacje: budżet, czas, preferencje. A on i tak zaproponował kolację w restauracji, na którą cię nie stać, bo pamiętał twój wakacyjny rozmach, a nie domową oszczędność. Nowe badanie pokazuje, że problem nie leży w braku danych o tobie, ale w formacie, w jakim te dane są przechowywane. To jak próba odczytania nut z listy zakupów – informacje są, ale niegrają ze sobą.

Dlaczego agentom AI mylą się twoje konteksty

Wyobraź sobie, że w pracy jesteś szefem działu z budżetem na konferencje i delegacje. W domu jesteś ojcem, który szuka sposobu na tanie wakacje dla czteroosobowej rodziny. Twój asystent AI, poproszony o znalezienie hotelu, łączy oba konteksty i proponuje coś, co jest zbyt drogie na rodzinny wyjazd, ale zbyt skromne na firmową konferencję. To nie jest rzadki błąd. To fundamentalna wada dzisiejszych systemów personalizacji.

Chirag Shah w swojej pracy 'SIMGUIDE' nazywa to problemem reprezentacji. Agenci AI mają dostęp do ogromnej ilości informacji o użytkowniku – jego preferencjach, historii decyzji, ograniczeniach. Ale te dane są przechowywane w jednym, płaskim worku. Kiedy przychodzi co do czego, agent nie wie, które z tych preferencji są aktywne w danym momencie. I zgaduje. Często źle.

Simsy, czyli jak posegregować swoje życie na bloki

Shah proponuje metodę o nazwie SIMGUIDE. Zamiast jednego, uniwersalnego profilu użytkownika, tworzy ona tak zwane Simsy – typowane, domenowe bloki. Każdy blok reprezentuje jeden kontekst życia: praca, dom, hobby, zdrowie. Do każdego bloku przypisane są konkretne ograniczenia i preferencje, które obowiązują tylko wtedy, gdy ten kontekst jest aktywny.

Sam podział na bloki to jednak za mało. Badanie pokazało, że samo deklaratywne opisanie ograniczeń w Simsach nie działa lepiej niż tradycyjne metody wyszukiwania informacji o użytkowniku (RAG). Potrzebny jest drugi element: proceduralne przykłady. Chodzi o to, by do każdego ograniczenia dołączyć konkretną historię decyzji – 'ostatnim razem w tym kontekście wybrałeś X, bo Y było za drogie'. To właśnie te przykłady sprawiają, że agent przestaje zgadywać i zaczyna rozumieć.

Podstawowym problemem nie jest to, że agentom brakuje informacji o użytkownikach; chodzi o to, że format reprezentacji użytkownika decyduje o tym, czy agent w ogóle może na podstawie tych informacji działać.

Chirag Shah

arXiv:2608.24888

Liczby, które robią różnicę

Aby przetestować swoje pomysły, autorzy zbudowali SIMBENCH – zestaw 47 zadań planistycznych, w których poprawna odpowiedź zależy od aktywnego kontekstu użytkownika. To pierwszy tego typu test. Wcześniejsze benchmarki nie sprawdzały, czy agent potrafi przełączać się między różnymi rolami tej samej osoby.

Wyniki są jednoznaczne. Na modelu GPT-4o, proceduralnie ugruntowane Simsy poprawiły zgodność z preferencjami użytkownika o 7.9 punktu w porównaniu do RAG. To statystycznie istotna różnica (p = 0.013). Co ważne, przewaga ta powtórzyła się na 100 zadaniach z innego zestawu testowego (τ-bench) i na innym modelu – Claude Sonnet 4.5. To nie jest jednorazowy fuks.

Na poziomie samego modelu, dostrojenie go do konkretnego zadania za pomocą LoRA dało wzrost o 12.8 punktów ROUGE-L. A kiedy dodano inteligentny routing – kierowanie zapytania do adaptera dopasowanego do typu Simsa, a nie do tożsamości użytkownika – zysk wzrósł o kolejne 7.3 punktu. Co ciekawe, system był odporny na błędy routingu aż do 28%.

Format, nie treść

Kluczowy wniosek z pracy Shaha jest przewrotny. Wszyscy skupiają się na tym, jakie informacje o użytkowniku zebrać. Tymczasem badanie pokazuje, że to format reprezentacji – nie jej zawartość – jest główną zmienną projektową. Możesz mieć najbogatszy profil użytkownika na świecie, ale jeśli jest on przechowywany w jednym, niezróżnicowanym bloku, agent i tak będzie popełniał błędy przy przełączaniu kontekstów.

Shah pisze wprost: 'Podstawowym problemem nie jest to, że agentom brakuje informacji o użytkownikach; chodzi o to, że format reprezentacji użytkownika decyduje o tym, czy agent w ogóle może na podstawie tych informacji działać'. To zdanie powinno wisieć nad biurkiem każdego, kto projektuje systemy personalizacji.

• SIMBENCH to pierwszy benchmark, który testuje zdolność agenta do przełączania się między różnymi kontekstami życia tego samego użytkownika (np. praca vs. dom).
• Proceduralnie ugruntowane Simsy poprawiają zgodność z preferencjami użytkownika o 7.9 punktu w porównaniu do tradycyjnego RAG na GPT-4o.
• Dostrojenie modelu do konkretnego typu Simsa (a nie do konkretnego użytkownika) jest skuteczniejsze i bardziej odporne na błędy routingu.

Praktyczne zastosowania

Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:

Wielokontekstowy doradca finansowy: jak AI rozdziela cele, zamiast je mieszać

Pracujesz w banku nad nową funkcją planowania budżetu. Klient od dwóch lat oszczędza agresywnie na w

Spersonalizowany coach zdrowia: kontekst życiowy zmienia plan leczenia

Pacjent z cukrzycą wraca z delegacji i okazuje się, że przez trzy dni nie brał leków o właściwych po

Inteligentny asystent zakupowy: dlaczego twój koszyk powinien zmieniać się w zależności od roli

Kupujesz słuchawki dla siebie, potem krem dla żony, a na koniec ekspres do biura. System rekomendacj

Dom, który wie, kiedy jesteś szefem, a kiedy tatą

Większość systemów smart home działa tak, jakbyś miał jedną osobowość i jeden zestaw preferencji na

Podsumowanie

SIMGUIDE to nie tylko ciekawostka akademicka. W praktyce może zmienić sposób, w jaki projektujemy asystentów AI w aplikacjach bankowych (gdzie ten sam użytkownik ma osobne budżety na cele osobiste, firmowe i inwestycyjne), w systemach rekomendacji treści (gdzie preferencje zawodowe i prywatne często są sprzeczne) oraz w asystentach zdrowotnych (gdzie kontekst 'profilaktyka' rządzi się innymi prawami niż 'ostry epizod chorobowy'). Wszędzie tam, gdzie jeden człowiek gra wiele ról, SIMGUIDE może być brakującym ogniwem między gromadzeniem danych a ich sensownym wykorzystaniem.

Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.