AI w małej firmie: gdzie ma sens i jak zacząć

AI traktuję jako narzędzie do wykonania określonego zadania, a nie jako osobny cel projektu. W małej firmie jest to szczególnie ważne, bo nowy system musi wejść w istniejący sposób pracy, korzystać z dostępnych danych i dawać rezultat, który da się ocenić. Sam dostęp do modelu językowego nie rozwiązuje problemu, jeśli nie wiadomo, co dokładnie ma się wydarzyć przed wysłaniem zapytania do modelu i co firma zrobi z otrzymaną odpowiedzią.

Dobrym punktem wyjścia są procesy powtarzalne, oparte na tekście albo dokumentach. Typowe przykłady to chatbot odpowiadający na częste pytania, przygotowywanie szkiców opisów oraz klasyfikacja wiadomości e-mail. W każdym z tych przypadków AI wykonuje ograniczone zadanie: wyszukuje lub porządkuje informacje, przygotowuje propozycję albo przypisuje treść do odpowiedniej kategorii. To łatwiejsze do kontrolowania niż pomysł, aby model samodzielnie obsługiwał cały proces biznesowy od początku do końca.

Nie zaczynałbym więc od pytania „jaki model AI wdrożyć?”. Najpierw sprawdziłbym, gdzie w firmie regularnie wraca ta sama praca i gdzie człowiek może szybko ocenić, czy wynik jest poprawny. Jeżeli przygotowany szkic opisu wymaga akceptacji przed publikacją, można zbudować kontrolę jakości. Jeżeli klasyfikowana wiadomość może zostać sprawdzona przed wykonaniem dalszej akcji, ryzyko błędu również łatwiej ograniczyć.

Znaczenie ma też skala wykorzystania AI w polskich firmach. Według Eurostatu w 2025 roku z technologii AI korzystało 20,0% przedsiębiorstw w Unii Europejskiej zatrudniających co najmniej 10 osób. W 2024 roku było to 13,5%. W Polsce odsetek wynosił 8,4%, podczas gdy w Danii 42,0%. Te dane pokazują poziom wykorzystania technologii, ale nie mówią, jaki projekt będzie właściwy dla konkretnej firmy. Tę decyzję trzeba oprzeć na jej procesach, danych i sposobie pracy.

Pierwszym krokiem powinno być opisanie zadania bez używania nazw modeli i dostawców. Zamiast „chcę AI do maili” lepiej określić, jakie wiadomości przychodzą, co dziś robi z nimi pracownik, jaka informacja jest potrzebna do podjęcia decyzji i w którym miejscu może pojawić się błąd. Dopiero na takim procesie można ocenić, czy model językowy faktycznie coś upraszcza. W praktyce przydatna jest prosta kolejność:

• wybierz jeden powtarzalny proces i opisz jego obecny przebieg,

• określ dane, do których system musi mieć dostęp,

• ustal, jaki wynik ma przygotować AI i kto go sprawdza,

• zapisz, co mierzysz przed uruchomieniem i po nim,

• przewidź ręczny sposób wykonania zadania, gdy model albo integracja nie zadziała.

Taki sposób podejścia ogranicza pokusę budowania rozbudowanego systemu przed sprawdzeniem podstawowego założenia. Jeżeli na początku nie da się powiedzieć, jaki wynik uznasz za prawidłowy, później trudno będzie również stwierdzić, czy rozwiązanie działa.

W małej firmie szczególnie istotny jest ostatni punkt. Proces nie powinien zatrzymywać się tylko dlatego, że odpowiedź modelu jest błędna albo usługa zewnętrzna jest chwilowo niedostępna. Od początku trzeba wiedzieć, co w takiej sytuacji robi człowiek i gdzie może przejąć zadanie. AI jest wtedy elementem procesu, a nie jego jedynym punktem podparcia.

Jeżeli po takim rozpoznaniu okazuje się, że potrzebna jest integracja modelu z systemami firmy, osobny interfejs albo automatyzacja przepływu danych, zakres techniczny można dopiero wtedy opisać dokładniej. Na stronie o wdrożeniach AI w firmie opisuję ten temat od strony usługi, a tutaj najważniejsza jest sama decyzja, czy konkretny proces w ogóle nadaje się do wykorzystania AI.

Koszt nie sprowadza się do opłaty za dostęp do modelu. Samo API jest tylko jednym składnikiem całego rozwiązania. Cena korzystania z niego zależy od wybranego modelu i liczby zapytań, a cenniki dostawców się zmieniają, dlatego nie ma sensu wpisywać do takiego artykułu stałej kwoty i traktować jej jako uniwersalnego kosztu. Na całkowity koszt wpływają przede wszystkim elementy potrzebne do połączenia modelu z procesem firmy.

W prostym scenariuszu model przygotowuje szkic na podstawie informacji przekazanej przez użytkownika. W bardziej rozbudowanym trzeba pobrać dane z innych systemów, przekształcić je, wysłać odpowiedni fragment do modelu, odebrać wynik i przekazać go do kolejnego etapu. Im więcej zależności, tym większą część pracy stanowi integracja, a nie samo AI.

Podobnie wygląda przygotowanie danych. Model nie naprawia automatycznie niespójnych informacji znajdujących się w kilku miejscach. Jeżeli odpowiedź zależy od danych firmowych, trzeba ustalić, które źródło jest właściwe i jakie informacje mogą zostać wykorzystane. Przy danych wrażliwych dochodzą zasady ich ograniczania oraz ochrony.

Dlatego porównywanie projektów wyłącznie na podstawie ceny API może prowadzić do złych wniosków. Tania pojedyncza odpowiedź modelu nie oznacza taniego systemu, jeśli przed nią trzeba wykonać wiele operacji na danych, a po niej przeprowadzić kontrolę jakości i obsłużyć wynik.

Przed wysłaniem danych do modelu trzeba wiedzieć, jakie informacje rzeczywiście są mu potrzebne. Jedną z podstawowych zasad jest minimalizacja danych: do modelu powinien trafiać taki zakres informacji, który jest potrzebny do wykonania zadania, zamiast całego dostępnego zbioru.

Tam, gdzie to możliwe, dane można anonimizować albo pseudonimizować. Celem jest ograniczenie ilości informacji pozwalających powiązać treść z konkretną osobą. Nie jest to dodatek wykonywany po ukończeniu integracji. Sposób przekazywania danych wpływa na architekturę rozwiązania i trzeba go uwzględnić podczas projektowania procesu.

Kolejna kwestia to relacja z dostawcą usługi. Przy przetwarzaniu danych osobowych trzeba uwzględnić umowę powierzenia oraz warunki transferu danych poza Europejski Obszar Gospodarczy. Wybór narzędzia nie powinien więc sprowadzać się wyłącznie do jakości odpowiedzi modelu. Liczą się również zasady przetwarzania informacji i warunki, na których dostawca świadczy usługę.

W praktyce trzeba rozdzielić dwa pytania. Pierwsze brzmi: czy AI potrafi wykonać dane zadanie wystarczająco dobrze? Drugie: czy można przekazywać mu informacje potrzebne do tego zadania w sposób zgodny z zasadami obowiązującymi firmę? Pozytywna odpowiedź na pierwsze pytanie nie daje automatycznie pozytywnej odpowiedzi na drugie. Im wcześniej przepływ danych zostanie opisany, tym mniej zmian trzeba wykonywać później.

Przy planowaniu rozwiązania trzeba również uwzględnić unijny AI Act, czyli rozporządzenie 2024/1689. Od 2 sierpnia 2026 roku stosuje się art. 50. W przypadku chatbota użytkownik powinien być poinformowany, że rozmawia z AI, chyba że jest to oczywiste. Treści typu deepfake wymagają oznaczenia.

Ma to praktyczne znaczenie nawet dla stosunkowo prostego chatbota na stronie. Projekt interfejsu nie powinien sugerować, że po drugiej stronie znajduje się człowiek, jeżeli odpowiedzi generuje system AI. Informacja o charakterze rozmowy staje się częścią sposobu działania produktu, a nie wyłącznie treścią regulaminu.

Obowiązki dotyczące systemów wysokiego ryzyka zostały przesunięte w czasie przez pakiet Digital Omnibus z 2026 roku. Typowe zastosowania w małej firmie, takie jak chatbot FAQ, przygotowywanie szkiców opisów czy klasyfikowanie wiadomości, zwykle nie należą do systemów wysokiego ryzyka, ale kwalifikację konkretnego rozwiązania trzeba sprawdzić.

Nie można więc zakładać, że każda automatyzacja wykorzystująca AI podlega dokładnie tym samym wymaganiom. Znaczenie ma zastosowanie systemu. Ten sam model językowy może być używany w różnych procesach, a obowiązki rozpatruje się w kontekście tego, do czego rozwiązanie faktycznie służy. Jeżeli wiadomo, jakie zadanie wykonuje system, jakie dane otrzymuje, komu pokazuje wynik i czy wynik prowadzi do dalszej decyzji, łatwiej ustalić, jakie wymagania prawne trzeba sprawdzić.

Najbardziej użyteczne pytanie po wdrożeniu nie brzmi „czy AI działa?”, tylko „czy konkretny proces działa lepiej niż wcześniej?”. Model może generować poprawne odpowiedzi, a mimo to nie przynosić korzyści, jeśli pracownik musi poświęcić dużo czasu na ich poprawianie albo jeśli rozwiązanie komplikuje prostą wcześniej czynność.

Dlatego punkt odniesienia ustalam przed zmianą procesu. Trzeba wiedzieć, jak zadanie wygląda bez AI, a następnie mierzyć ten sam element po uruchomieniu rozwiązania. W zależności od procesu może chodzić o czas potrzebny na przygotowanie materiału, liczbę treści wymagających poprawek albo udział wyników, które przechodzą kontrolę jakości.

Ważna jest też kontrola poprawności. AI może wesprzeć research albo przygotować roboczą odpowiedź, ale wynik nie musi być automatycznie traktowany jako fakt. Widać to w moim własnym projekcie cojestpolskie.pl. Przy researchu właścicieli ponad 900 marek korzystałem z AI, ale wyniki sprawdzałem następnie w KRS i CRBR. Projekt obejmuje ponad 1700 podstron.

Ten przykład dobrze pokazuje rolę, którą AI może pełnić w procesie opartym na informacjach. Model pomaga w jednym z etapów pracy, ale nie staje się ostatecznym źródłem prawdy. Gdy ważna jest poprawność danych, potrzebne jest źródło pozwalające wynik zweryfikować. Tę samą zasadę można zastosować do innych procesów: szkic może wymagać akceptacji przed publikacją, klasyfikacja wiadomości może być sprawdzana przed wykonaniem działania, a odpowiedź chatbota można ograniczyć do zakresu, dla którego przygotowano dane i zasady kontroli.