Prompts – VITRONIC MACHINE VISION POLSKA

CRIMINAL Iteration: 1 Cost: $0.003976 In: 24363 tok Out: 536 tok 2026-03-12T07:57:28

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**VITRONIC MACHINE VISION POLSKA**
Kontekst pomocniczy: VITRONIC MACHINE VISION POLSKA SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ, podmiot powiązany przez KELLNEROVÁ RENÁTA of INPOST,  (Dane: NIP: 1990099669, KRS: 0000364117, country: PL, description: Podmiot powiązany przez beneficjenta, role: podmiot powiązany przez KELLNEROVÁ RENÁTA)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be 0.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla VITRONIC MACHINE VISION POLSKA w kategorii: "Sprawy karne i postępowania prokuratorskie
Uwzględniaj tylko informacje dotyczące:
- postępowań karnych
- śledztw lub dochodzeń prowadzonych przez prokuraturę lub organy ścigania
- zarzutów karnych, aktu oskarżenia, zatrzymań, aresztowań
- przestępstw lub podejrzeń popełnienia przestępstwa

Nie uwzględniaj informacji dotyczących:
- kar administracyjnych
- decyzji regulatorów (np. GIIF, KNF, UOKiK, organy nadzorcze)
- postępowań administracyjnych
- sporów cywilnych lub gospodarczych
- kontroli regulatora bez zarzutów karnych

Jeśli sprawa dotyczy wyłącznie sankcji administracyjnej lub naruszenia regulacyjnego, pomiń ją." "

Iteracja: 1
Dotychczas sprawdzone kategorie: brak

1. Skup się na podmiocie VITRONIC MACHINE VISION POLSKA i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["url1", "url2"],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

CORRUPTION Iteration: 2 Cost: $0.006872 In: 43371 tok Out: 611 tok 2026-03-12T07:57:35

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**VITRONIC MACHINE VISION POLSKA**
Kontekst pomocniczy: VITRONIC MACHINE VISION POLSKA SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ, podmiot powiązany przez KELLNEROVÁ RENÁTA of INPOST,  (Dane: NIP: 1990099669, KRS: 0000364117, country: PL, description: Podmiot powiązany przez beneficjenta, role: podmiot powiązany przez KELLNEROVÁ RENÁTA)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be 0.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla VITRONIC MACHINE VISION POLSKA w kategorii: "Korupcja, łapownictwo i przestępstwa korupcyjne.

Uwzględniaj tylko informacje, które wskazują na:

* podejrzenie korupcji lub łapownictwa w spółce,
* śledztwo lub dochodzenie dotyczące korupcji prowadzone przez prokuraturę lub organy ścigania,
* postawienie zarzutów korupcyjnych osobie powiązanej ze spółką (np. członkowi zarządu, pracownikowi, właścicielowi),
* akt oskarżenia, zatrzymanie lub skazanie w sprawie korupcyjnej.

Nie uwzględniaj informacji dotyczących:

* kar administracyjnych lub sankcji regulatorów (np. GIIF, KNF, UOKiK),
* postępowań administracyjnych lub naruszeń regulacyjnych,
* kar finansowych nałożonych przez organy nadzorcze,
* ogólnych nieprawidłowości lub sporów biznesowych, które nie dotyczą korupcji.

Dodawaj wynik tylko wtedy, gdy artykuł jasno wskazuje na **korupcję lub zarzuty korupcyjne**, a nie jedynie na naruszenie przepisów lub sankcję administracyjną.
"

Iteracja: 2
Dotychczas sprawdzone kategorie: CRIMINAL

1. Skup się na podmiocie VITRONIC MACHINE VISION POLSKA i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["url1", "url2"],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

GOVERNANCE Iteration: 3 Cost: $0.004588 In: 24078 tok Out: 1628 tok 2026-03-12T07:57:42

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**VITRONIC MACHINE VISION POLSKA**
Kontekst pomocniczy: VITRONIC MACHINE VISION POLSKA SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ, podmiot powiązany przez KELLNEROVÁ RENÁTA of INPOST,  (Dane: NIP: 1990099669, KRS: 0000364117, country: PL, description: Podmiot powiązany przez beneficjenta, role: podmiot powiązany przez KELLNEROVÁ RENÁTA)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be 0.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla VITRONIC MACHINE VISION POLSKA w kategorii: "Audyty, nieprawidłowości zarządcze i governance"

Iteracja: 3
Dotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION

1. Skup się na podmiocie VITRONIC MACHINE VISION POLSKA i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["url1", "url2"],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

REPUTATIONAL Iteration: 4 Cost: $0.002342 In: 11234 tok Out: 1095 tok 2026-03-12T07:57:51

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**VITRONIC MACHINE VISION POLSKA**
Kontekst pomocniczy: VITRONIC MACHINE VISION POLSKA SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ, podmiot powiązany przez KELLNEROVÁ RENÁTA of INPOST,  (Dane: NIP: 1990099669, KRS: 0000364117, country: PL, description: Podmiot powiązany przez beneficjenta, role: podmiot powiązany przez KELLNEROVÁ RENÁTA)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be 0.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla VITRONIC MACHINE VISION POLSKA w kategorii: "Ryzyko reputacyjne oraz wpływ na media i opinię publiczną"

Iteracja: 4
Dotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION, GOVERNANCE

1. Skup się na podmiocie VITRONIC MACHINE VISION POLSKA i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["url1", "url2"],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

POLITICAL EXPOSURE Iteration: 5 Cost: $0.001944 In: 11523 tok Out: 359 tok 2026-03-12T07:57:58

⬆ Prompt (editable)

Przeprowadź screning adverse media dla podmiotu:
**VITRONIC MACHINE VISION POLSKA**
Kontekst pomocniczy: VITRONIC MACHINE VISION POLSKA SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ, podmiot powiązany przez KELLNEROVÁ RENÁTA of INPOST,  (Dane: NIP: 1990099669, KRS: 0000364117, country: PL, description: Podmiot powiązany przez beneficjenta, role: podmiot powiązany przez KELLNEROVÁ RENÁTA)

Dla każdrgo etapu postępuj zgodnie z regułami:
- Match entity names EXACTLY as provided.
- Do NOT return phonetic, similar, or misspelled names.
- Do NOT infer alternative spellings.
- Do NOT normalize or autocorrect names.
- Levenshtein distance must be 0.
- If no exact match exists, return an empty result.
- Do NOT suggest similar entities.
- Use Kontekst pomocniczy to validate reasult.
- Nie wnioskuj sam o podmiotach powiąznych. Powiązane podmioty są tylko "Kontekst pomocniczy"

Chcę mieć:
ETAPY:
Szukaj adverse media dla VITRONIC MACHINE VISION POLSKA w kategorii: "Ekspozycja polityczna i wpływ państwa"

Iteracja: 5
Dotychczas sprawdzone kategorie: CRIMINAL, CORRUPTION, GOVERNANCE, REPUTATIONAL

1. Skup się na podmiocie VITRONIC MACHINE VISION POLSKA i powiązanych osobach/firmach.
2. Znajdź konkretne fakty, daty, kwoty, numery spraw.

WYMAGANY FORMAT ODPOWIEDZI (JSON):
{
  "findings": [
    {
      "title": "Krótki tytuł znaleziska (10-15 słów)",
      "description": "Szczegółowy opis oparty na źródłach (3-5 zdań)",
      "severity": "HIGH|MEDIUM|LOW|NEUTRAL",
      "date": "YYYY-MM-DD lub null",
      "status": "ongoing|resolved|alleged|pending",
      "source_urls": ["url1", "url2"],
      "raw_text": "Dokładny cytat ze źródła potwierdzający znalezisko",
      "context": {"birthDate":"data urodzenia","secondName":"drugie imię","PESEL":"numer PESEL","NIP":"numer NIP","KRS":"numer KRS","REGON":"numer REGON"}
    }
  ],
  "no_findings_reason": "Jeśli brak wyników, wyjaśnij dlaczego"
}

ZASADY:
- Każde znalezisko MUSI być poparte cytatem ze źródła
- NIE generuj informacji bez potwierdzenia w źródłach
- NIE podsumowuj, NIE oceniaj ryzyka – to zrobi inny system
- Podaj tylko FAKTY i ŹRÓDŁA
- Jeżeli znajdziesz w artykule takie dane identyfikacyjne jak: data urodzenia, drugie imię, PESEL, NIP, KRS, REGON, zwróć je w sekcji context

⬇ Response

Plain Text

Markdown

JSON

🔍 Multilevel Screening Review

Prompts for: VITRONIC MACHINE VISION POLSKA