Jak pisać prompty do AI video, przewodnik 2026

Prompt do AI video to instrukcja tekstowa, na podstawie której model (Sora 2, Veo 3.1, Runway Gen-4, Kling 3) generuje 5-30 sekundowy klip. Dobry prompt zawiera 5 elementów: podmiot, akcję, otoczenie, styl i ruch kamery. Zły prompt to "kot biega po ulicy", dobry prompt to "Czarny kot przebiega powoli przez ulicę nocą w deszczu, neony odbijają się w mokrym asfalcie, kamera handheld z poziomu ziemi śledzi kota, cinematic noir style, slow motion". Różnica w jakości wyniku to nie procent, to liga. W tym przewodniku pokazuję pełną metodykę prompt engineeringu dla AI video, wypracowaną przez 18 miesięcy testów na realnych projektach klientów. Aktualizacja: maj 2026.

Co to jest prompt do AI video i czemu jest ważny

Prompt do AI video to opis tekstowy sceny, którą chcesz wygenerować. Wpisujesz go w okno narzędzia (Sora 2, Veo 3.1, Runway, Kling), klikasz Generate i po 30-180 sekundach dostajesz gotowy klip 5-30 sekund w MP4. Wygląda banalnie, w praktyce 90% jakości finalnego klipu zależy od promptu, nie od narzędzia.

Wnioski z 18 miesięcy testów: ten sam prompt wrzucony do Sora 2 i Kling 3 daje porównywalne wyniki, jeśli prompt jest dobrze napisany. Ten sam scenariusz opisany dwoma różnymi promptami w jednym narzędziu daje wyniki, które wyglądają jakby pochodziły z dwóch różnych modeli. Prompt to nie jest "dodatek do narzędzia", to jest 90% Twojej pracy jako twórcy AI video.

Dlaczego prompt engineering jest ważny dla biznesu? Bo różnica między klipem, który zarabia (klient klika "kup teraz") a klipem, który ląduje w koszu, to często jeden szczegół w prompcie, np. brak informacji o świetle albo źle dobrana akcja podmiotu. Prompt engineering to umiejętność, którą nabywasz w pierwszych 50-100 generacjach, dalej już tylko poprawiasz i optymalizujesz pod konkretne use case'y.

W tym artykule pokazuję metodykę 5 elementów, kompromis polski vs angielski, workflow z ChatGPT jako prompt engineerem, 10 najczęstszych błędów, sposób adaptacji promptu pod konkretne narzędzie, strategię re-rolli i metodę budowania własnej biblioteki. Jeśli dopiero zaczynasz z AI video, najpierw zerknij do tutorialu dla początkujących, który pokazuje cały workflow od zera do pierwszego klipu w 30 minut.

Anatomia idealnego promptu, 5 elementów

Każdy dobry prompt do AI video zawiera pięć podstawowych elementów. Brak któregokolwiek to ryzyko niskiej jakości wyniku. Trzymanie się tej struktury daje powtarzalność, czyli kluczową rzecz w profesjonalnej pracy z AI video.

1. Podmiot, kto lub co

Pierwszy element: kto albo co jest w kadrze. Konkretny, opisany szczegółami. "Człowiek" to za mało, "Mężczyzna w czarnym garniturze, około 40 lat, krótkie ciemne włosy" jest dobre. "Pies" to słabo, "Czarny labrador biegnie powoli po piaszczystej plaży" jest mocne. Reguła: jeśli mógłbyś podmiot pomylić z dziesiątkami innych podobnych obiektów, dodaj więcej szczegółów.

Klasyczne błędy w opisie podmiotu: zbyt ogólne ("kobieta", "samochód"), wielokrotne podmioty ("trzy osoby w pięciu różnych pozach"), niemożliwa fizyka ("kot z sześcioma nogami"). Im prostszy podmiot, tym większe szanse na sensowny wynik, modele AI video mają wciąż problemy z dłońmi, twarzami i złożoną anatomią.

2. Akcja, co robi

Drugi element: co robi podmiot. Czasownik, najlepiej w czasie teraźniejszym, opisany dynamicznie. "Stoi" to akcja, ale słaba (modele AI uwielbiają ruch). "Biegnie", "tańczy", "obraca się", "opada powoli" to akcje, które dają dynamiczne klipy. Dobra praktyka: jedna główna akcja na klip 5-10 sekundowy. Próbowanie zmieszczenia dwóch akcji ("podchodzi i pije kawę, potem otwiera laptop") skutkuje chaotycznym wynikiem.

Modyfikator szybkości pomaga modelowi zrozumieć tempo: "powoli", "dynamicznie", "w slow motion", "tempo realistyczne". Polecam zawsze dodawać tempo, bo bez tego model zgaduje (i często przyspiesza nienaturalnie).

3. Otoczenie, gdzie

Trzeci element: gdzie dzieje się scena. Lokacja + kontekst + detale tła. "W kawiarni" to za mało, "W przytulnej kawiarni z drewnianymi stołami, ekspres do kawy w tle, kilka rozmytych postaci siedzi z laptopami" jest bogate. Dobre otoczenie sprawia, że klip wygląda profesjonalnie, jak ze zdjęć stockowych premium.

Pora dnia i pogoda to fragmenty otoczenia, które najmocniej wpływają na klimat. "O zachodzie słońca", "w deszczową noc", "w jasne popołudnie" zmienia całą paletę kolorów i nastrój. Eksperymentuj z tymi parametrami, ten sam podmiot i akcja przy różnej porze dnia to cztery różne klipy.

4. Styl i lighting, jak wygląda

Czwarty element: styl wizualny i światło. Tutaj decyduje się, czy klip wygląda jak amatorska rolka, czy jak reklama Apple. Słowa kluczowe stylu: "cinematic", "commercial product photography", "documentary style", "minimalist aesthetic", "vintage 80s look", "color grading warm tones".

Lighting to drugi element tego punktu, równie ważny. "Miękkie poranne światło z prawej strony", "ostre studyjne światło z góry", "neony purpurowe z lewej", "naturalne światło dzienne z lewej przez okno". Profesjonalny operator filmowy spędza godziny na ustawianiu światła, w AI video robisz to jednym zdaniem. To największa dźwignia jakości.

5. Ruch kamery, jak filmujemy

Piąty element, najczęściej pomijany przez początkujących, ruch kamery. Statyczne ujęcie ("kamera nieruchoma") wygląda nudno. Ruch kamery dodaje życia: "kamera robi powolny dolly in", "drone shot z góry zbliża się powoli", "kamera handheld śledzi postać z lewej do prawej", "obrót 360 stopni wokół obiektu", "tilt up od stóp do twarzy".

Słownik ruchów kamery, których używam najczęściej: dolly in/out (zbliżanie/oddalanie po torze), pan left/right (obrót w lewo/prawo), tilt up/down (góra/dół), tracking shot (śledzenie), crane shot (z góry), low angle (z dołu), drone shot (z powietrza), 360 spin (obrót wokół). Dla cinematic look: "slow motion" + "shallow depth of field" + "cinematic camera movement" to combo, które działa na 90% scen.

Polski vs angielski, w którym języku pisać

Pytanie zadawane mi najczęściej: czy prompt po polsku jest gorszy niż po angielsku? Moja odpowiedź po 500+ testach: zależy od typu sceny. Modele AI video (Sora 2, Veo 3.1, Runway Gen-4, Kling 3) trenowane są głównie na danych anglojęzycznych. Polski język rozumieją, ale słowa kluczowe filmowe ("dolly in", "shallow depth of field", "color grading") działają lepiej po angielsku.

Z moich testów: 70-80% promptów po polsku daje dobry wynik dla scen branżowych (restauracja, beauty, nieruchomości), social media (Reels, TikTok), produktów na białym tle. Dla cinematic reklam premium, ujęć z precyzyjną kontrolą kamery i scen z subtelnym oświetleniem angielski daje wyraźnie lepsze wyniki. Różnica nie jest dramatyczna (15-25% w jakości), ale przy projektach komercyjnych wystarczająca, by tłumaczyć.

Praktyczny kompromis, którego sam używam: piszę prompt po polsku do szybkich iteracji (modyfikuję, testuję, dopracowuję strukturę), potem przed finalnym renderem tłumaczę na angielski przez ChatGPT (jedna komenda, 3 sekundy). To workflow, który daje najlepszy stosunek jakości do czasu. Polski na 80% pracy, angielski na finalny render.

Wyjątek od reguły: prompty do generowania scen kulturowo polskich (np. "tradycyjny polski rynek miejski", "kościół wiejski z czerwonej cegły") działają lepiej po polsku, bo model rozumie kontekst geograficzny. Próba opisania tego po angielsku skutkuje generycznym europejskim skrzyżowaniem. Tutaj polski wygrywa.

Workflow z LLM (ChatGPT/Claude jako prompt engineer)

Najwięksi prompt engineerzy AI video, których znam, nie piszą promptów sami. Używają LLM (ChatGPT od OpenAI lub Claude od Anthropic) jako pośrednika. Workflow wygląda tak: opisujesz scenę w 1-2 zdaniach po polsku, LLM zwraca gotowy prompt z 5 elementami w wersji PL i EN. Skraca pracę o 80%.

Mój standardowy meta-prompt do ChatGPT (kopiuj-wklej):

Przykład użycia: wpisuję "restauracja, talerz z sushi obraca się, slow motion". ChatGPT zwraca gotowy prompt PL: "Talerz z trzema rolkami sushi maki i wasabi obraca się powoli na czarnym kamiennym blacie restauracji, w tle rozmyte sylwetki gości, miękkie ciepłe światło lampy z prawej strony, kamera robi powolny dolly in od ujęcia całego stołu do close-up rolek, cinematic food photography style, slow motion, warm color grading". I drugą wersję EN obok.

Dlaczego to działa lepiej niż pisanie samemu? Bo LLM zna konwencje filmowe lepiej niż większość początkujących. Wie, że "shallow depth of field" + "warm tones" + "slow motion" to combo, które daje cinematic look. Twoim zadaniem jest tylko opisać, co chcesz zobaczyć, resztą zajmuje się LLM. Workflow ChatGPT → prompt → AI video to obecnie standard branżowy.

Ekstra trick: poproś ChatGPT o 3 warianty tego samego promptu z różnym lightingiem (rano, południe, wieczór). Generujesz wszystkie trzy w Sora 2, wybierasz najlepszy. To 5 minut pracy, a daje 3 różne klipy do A/B testów na social media. W kursie KursVideoAI mam zaawansowaną wersję tego meta-promptu z automatyczną adaptacją pod 4 narzędzia.

10 najczęstszych błędów początkujących

Po przeanalizowaniu 200+ promptów moich kursantów wyłoniły się powtarzające się błędy. Oto dziesięć najczęstszych, które kosztują najwięcej czasu i kredytów na re-rolle.

1. Za ogólne prompty

"Kobieta tańczy" zwraca generyczną tańczącą sylwetkę, bo model musi sam zgadnąć podmiot, akcję, otoczenie, styl i kamerę. Dobry prompt powinien mieć minimum 40 słów. Zasada: jeśli Twój prompt ma mniej niż 30 słów, prawie na pewno jest za ogólny.

2. Brak ruchu kamery

Najczęściej pomijany element. Bez instrukcji ruchu kamery model wybiera statyczne ujęcie (nudne) albo losowy ruch (chaotyczny). Zawsze dodawaj "kamera robi X" lub "drone shot", "dolly in", "tracking shot". To największa dźwignia jakości po lightingu.

3. Zbyt długie prompty

Promyty powyżej 120 słów to próba upakowania zbyt dużo. Model gubi się, ignoruje połowę instrukcji. Reguła: jedno zdanie na każdy z 5 elementów, całość 40-80 słów. Jeśli musisz napisać więcej, prawdopodobnie próbujesz zmieścić dwa różne klipy w jednym.

4. Mieszanie stylów

"Cinematic + cartoon + anime + realistic" daje wynik, który nie jest żadnym z tych stylów. Wybierz jeden styl główny ("cinematic", "anime", "3D render", "documentary"), trzymaj się go. Mieszanie stylów to droga do generic-looking wyników.

5. Brak lighting

Drugi najczęściej pomijany element po ruchu kamery. Bez instrukcji świetlnej model używa flat lighting (płaskie, nudne). Dodaj jedno zdanie: "miękkie poranne światło z prawej", "neony purpurowe z tyłu", "studyjne reflektory z góry". To zmienia klip z amatorskiego na profesjonalny.

6. Ignorowanie aspect ratio

Wpisywanie "aspect ratio 9:16" do promptu nie działa, format ustawia się w UI narzędzia. W prompcie możesz dodać wskazówkę kompozycji ("vertical composition", "wide horizontal frame"), ale realne ratio musi być wybrane w panelu Sora, Veo, Runway lub Kling.

7. Wymaganie znanych osób

Sora 2, Veo 3.1, Runway i Kling blokują generowanie celebrytów, polityków, postaci znanych publicznie. Próba wpisania nazwiska skutkuje błędem lub generycznym wynikiem. Dodatkowo w Polsce obowiązuje prawo do wizerunku, ryzyko prawne wysokie. Pisz opisem ("kobieta około 30 lat, blond włosy"), nie nazwiskiem.

8. Niemożliwa fizyka

"Kot z 6 nogami biegnie pod wodą trzymając parasol" daje chaotyczny wynik. Modele AI lepiej rozumieją realistyczne sceny niż surrealistyczne. Trzymaj się fizyki świata rzeczywistego, surrealizm zostaw na zaawansowane techniki (image-to-video + lora).

9. Wielokrotne podmioty

"Trzy osoby w pięciu pozach grają w karty siedząc i stojąc jednocześnie" prowadzi do duplikatów, znikających kończyn, ogólnego bałaganu. Jeden główny podmiot na klip 5-10 sekundowy. Jeśli potrzebujesz większej sceny, użyj long shot z rozmytymi sylwetkami w tle.

10. Brak iteracji

Najgorszy błąd: jeden prompt, jedna generacja, frustracja. Modele AI video mają wbudowaną losowość. Pierwsza generacja rzadko jest perfekcyjna. Plan: 3-5 re-rolli na każdy prompt plus 2-3 warianty promptu z drobnymi zmianami. To 9-15 generacji na finalne ujęcie. Brzmi dużo? To 30 minut pracy i 5 zł kosztu, w porównaniu z 5000 zł ekipy filmowej to nadal okazja.

Adaptacja promptu do narzędzia (Sora vs Veo vs Runway vs Kling)

Ten sam prompt zachowuje się różnie w różnych narzędziach. Każdy z czterech głównych generatorów ma swoje mocne i słabe strony, dobry prompt engineer wie, które narzędzie wybrać pod konkretną scenę.

Sora 2 (OpenAI), mocne strony i adaptacja

Sora 2 od OpenAI najlepiej radzi sobie z fizyką (woda, ogień, dym, tkaniny), audio (natywne generowanie dźwięku), realistycznymi scenami z ludźmi. Słabsze: precyzyjna kontrola kamery (dolly, crane). Adaptacja promptu: dodaj akcent na fizykę ("krople wody spadają powoli", "płomień świecy migocze", "tkanina sukienki faluje na wietrze"). Sora 2 to mój go-to dla food photography, beauty, nieruchomości. Szczegóły w poradniku Sora 2.

Veo 3.1 (Google DeepMind), mocne strony i adaptacja

Veo 3.1 od Google DeepMind najlepiej radzi sobie z dłuższymi klipami (do 30 sekund), aerial shots (drone), sceniami krajobrazowymi. Słabsze: detale anatomiczne. Adaptacja promptu: skup się na otoczeniu i ruchu kamery przez przestrzeń ("drone shot przelatuje nad lasem", "tracking shot przez 5 sekundową scenę miejską"). Veo to mój wybór dla real estate, travel content, B2B reklam. Szczegóły w tutorialu Veo 3.1.

Runway Gen-4, mocne strony i adaptacja

Runway Gen-4 daje największą kontrolę kamery (Motion Brush, Director Mode), referencje obrazu, integrację z workflow agencyjnym. Słabsze: czas renderowania, cena. Adaptacja promptu: użyj precyzyjnych instrukcji kamery ("camera dolly in 3 seconds, then pan right 2 seconds, finally hold for 5 seconds"). Runway to wybór dla cinematic ads, post-produkcji, agencji.

Kling 3, mocne strony i adaptacja

Kling 3 najlepiej radzi sobie z ruchem postaci (taniec, akcja, gesty), jest też najtańszy (40 zł/mc). Słabsze: spójność długich klipów. Adaptacja promptu: skup się na akcji postaci ("kobieta tańczy salsę dynamicznie", "biegacz przyspiesza", "model robi obrót w pozie"). Kling to wybór dla fitness, fashion, dance content, content beginnerów.

Re-roll strategy, ile prób na ujęcie

Re-roll to ponowne wygenerowanie tego samego promptu, by uzyskać inny wynik. Modele AI video mają wbudowaną losowość (seed), każda generacja jest unikalna nawet przy identycznym prompcie. To nie jest bug, to feature, daje Ci wybór z kilku wariantów.

Moja strategia re-rolli, sprawdzona na 500+ generacjach: 2-3 re-rolle dla projektów hobbystycznych (social media, własne reels), 5-7 generacji dla projektów komercyjnych (reklamy klientów, kampanie). Jeśli po 5 próbach prompt wciąż nie daje sensownego wyniku, to znak, że trzeba zmienić jedną z trzech rzeczy: prompt (uproszczenie, inny opis), narzędzie (np. ze Sora na Kling dla ruchu postaci) lub scenę (może zbyt skomplikowana dla AI w 2026).

Praktyczna kalkulacja kosztów: re-roll w Sora 2 Plus to ułamek dziennego limitu, w Kling Standard kilka groszy. Plan 5 re-rolli na ujęcie + 10 ujęć w klipie = 50 generacji = około 20-50 zł kosztów. To znacznie taniej niż jeden dzień pracy operatora filmowego (1500 zł).

Trick na efektywne re-rolle: zmieniaj drobne detale między próbami (lighting, kąt kamery, pora dnia) zamiast generować dokładnie ten sam prompt 5 razy. Daje to bardziej różnorodne warianty i większą szansę na trafienie.

Jak budować własną bibliotekę promptów

Po 50-100 wygenerowanych klipach naturalnie zbierasz bibliotekę promptów, które działają w Twojej branży. To największa wartość prompt engineeringu, nie kopiowanie cudzych promptów, ale budowanie własnej kolekcji sprawdzonych szablonów dopasowanych pod Twoich klientów.

Moja metoda budowania biblioteki: po każdej udanej generacji zapisuję prompt w prostym pliku tekstowym (Notion, Obsidian, plik .md) z tagami (branża, typ ujęcia, narzędzie, ocena 1-5). Po 3 miesiącach mam 100-200 promptów posegregowanych, mogę je modyfikować pod nowe projekty w 2 minuty zamiast pisać od zera. Inwestycja czasu: 30 sekund na zapisanie udanego promptu. Zwrot: godziny zaoszczędzonego czasu w kolejnych projektach.

Struktura wpisu w bibliotece (mój standard):

• Tag branża: restauracja / beauty / nieruchomości / e-commerce / inne
• Tag typ ujęcia: hero shot / product close-up / lifestyle / explainer
• Tag narzędzie: Sora 2 / Veo 3.1 / Runway / Kling 3
• Aspect ratio i długość: 9:16 / 16:9 / 1:1, 5s / 10s / 30s
• Wersja PL i EN obok siebie
• Ocena 1-5 (subiektywna jakość po pierwszej generacji)
• Notatka, ile re-rolli było potrzebnych

Po 6 miesiącach taka biblioteka to potężna przewaga konkurencyjna nad freelancerami, którzy zaczynają każdy projekt od zera. Pełen system budowania biblioteki, z meta-promptem do automatycznej adaptacji pod nowe branże, jest częścią kursu KursVideoAI (249 zł jednorazowo, dożywotni dostęp + Discord kursantów wymieniających się promptami). Zacznij od publicznej biblioteki 50 promptów AI video po polsku i 15 stron branżowych pod /prompty/, to fundament do budowy własnej kolekcji.

FAQ, jak pisać prompty do AI video