Posłuchaj artykułu
Wtorek, kwadrans po ósmej. Handlowiec wkleił do ChatGPT umowę z nowym klientem, ponieważ chciał w dwie minuty wydobyć z niej terminy płatności i kary umowne. Skorzystał z prywatnego konta, bo firmowego nikt mu nie udostępnił. Piętro niżej księgowa przekazała do Gemini komplet faktur kosztowych, aby je opisać i przypisać do kont. W dziale planowania ktoś wkleił do Claude'a grafik zmian oraz stan magazynu i poprosił o ułożenie tygodnia. Wszystko zadziałało zgodnie z oczekiwaniami. Oferty, raporty i plany powstały szybciej niż rok wcześniej, a zarząd był umiarkowanie zadowolony. Pozostał jeden szczegół: wszyscy w firmie, od prezesa po stażystę, czuli, że coś wymknęło się spod kontroli. Nikt jednak nie wiedział, co z tym zrobić, więc na wszelki wypadek nikt nie robił nic.
Wtorek, kwadrans po ósmej: trzy ekrany, trzy prywatne konta
Handlowiec, księgowa i planista robią to, co działa. Dane firmy jadą na serwery dostawcy bez umowy
Tak wyglądał początek wdrożenia AI u jednego z naszych klientów, firmy produkcyjno-handlowej zatrudniającej sto dwadzieścia osób, z działem handlowym, księgowością, planowaniem produkcji i magazynem. Podobny obraz zastajemy u większości firm, do których trafiamy. Przykład uzupełniliśmy doświadczeniami z kilku wdrożeń i zmieniliśmy na tyle, że nikt się w nim nie rozpozna, choć wielu się w nim przejrzy. Jeśli nie wiesz jeszcze, czym agent różni się od asystenta i chatbota, zacznij od artykułu Agent AI, asystent czy chatbot?.
Uczmy się na cudzych błędach
W marcu 2023 roku dział półprzewodników Samsunga pozwolił inżynierom używać ChatGPT. Według koreańskiego tygodnika Economist Korea w ciągu około dwudziestu dni doszło do trzech incydentów: dwóch inżynierów wkleiło do ChatGPT kod źródłowy z prośbą o poprawki i optymalizację, a trzeci przekazał zapis wewnętrznego spotkania, aby otrzymać gotowy protokół. Samsung ostrzegł pracowników, że dane trafiły na zewnętrzne serwery i nie da się ich odzyskać, ograniczył długość promptu do 1024 bajtów, a w maju, jak podał Bloomberg, zakazał narzędzi generatywnych na sprzęcie firmowym. Pół roku później zaprezentował własny model do użytku wewnętrznego. Dane opuściły firmę, trafiły do dostawcy bez umowy o powierzeniu i według ówczesnych zasad mogły posłużyć do trenowania modelu. Samsung nie stracił konkretnego projektu. Stracił coś, czego żaden prezes nie chce stracić: pewność, co dzieje się z danymi jego firmy.
Skoro lider rynku z własnym działem bezpieczeństwa stracił tę pewność w trzy tygodnie, trudno zakładać, że firma zatrudniająca sto osób okaże się odporniejsza. Tym bardziej że od tamtej pory rozmowy z asystentami AI wyciekały wielokrotnie bez jakiegokolwiek udziału pracowników, wskutek zwykłych błędów i funkcji po stronie dostawców. W marcu 2023 błąd w bibliotece pamięci podręcznej ChatGPT pokazał części użytkowników tytuły rozmów innych osób, a niektórym także dane płatnicze. W styczniu 2025 badacze z firmy Wiz znaleźli otwartą, niezabezpieczoną hasłem bazę DeepSeeka z ponad milionem linii logów, w tym historią czatów. Pod koniec 2025 firma Koi Security wykazała, że rozszerzenie przeglądarki Urban VPN, z około sześcioma milionami użytkowników, przechwytywało rozmowy z ChatGPT, Claude'em, Gemini i Copilotem i wysyłało je do firmy powiązanej z brokerem danych. Pracownik nie musi popełnić żadnego błędu, aby wklejona przez niego umowa trafiła w niepowołane ręce. Wystarczy, że błąd popełni ktoś inny.
Pytanie do Ciebie nie brzmi więc, czy Twoi pracownicy używają ChatGPT, Gemini albo innych narzędzi AI. Odpowiedź znasz: używają, za Twoją zgodą albo bez niej. Właściwe pytanie brzmi: czy masz nad tym kontrolę? Badanie Cisco z 2024 roku, przeprowadzone wśród ponad dwóch i pół tysiąca specjalistów od bezpieczeństwa, pokazało, że prawie połowa firm przyznała, iż pracownicy wprowadzali do narzędzi generatywnych niepubliczne informacje firmy. W badaniu PagerDuty z 2026 roku, obejmującym ponad tysiąc pracowników dużych firm, dwie trzecie zadeklarowało, że używa AI wbrew polityce firmy, a co trzeci wklejał dane klientów do publicznych narzędzi. Liczby te pochodzą z dużych zagranicznych korporacji i nie opisują polskiego sektora MŚP, ale mechanizm jest ten sam. Czy wiesz zatem, gdzie znajdują się dziś Twoje umowy? I czy masz pewność, że do dostawców AI nie trafia to, co trafić nie powinno: szczegóły projektów, dane pracowników i klientów, warunki umów, parametry realizacji zleceń?
Dlaczego zakaz nie zadziała
Pierwszym odruchem zarządu po takiej lekturze jest zakaz. Samsung również od niego zaczął, a skończył na budowie własnego modelu, ponieważ zakaz nie usunął potrzeby pracowników, tylko przeniósł ją na prywatne konta i prywatne telefony. W tym samym badaniu Cisco ponad jedna czwarta firm przyznała, że przynajmniej czasowo zakazała narzędzi generatywnych, a dane mimo to opuszczały organizację. Ludzie korzystają z tego, co działa. Jeśli firma im tego nie zapewni, zapewnią to sobie sami, a zarząd dowie się o tym ostatni.
Warto też pamiętać, że asystent AI na koncie prywatnym i ten sam asystent na koncie firmowym to w praktyce dwa różne produkty. Na koncie prywatnym rozmowy mogą domyślnie służyć do trenowania modeli, chyba że właściciel konta wyłączy taką zgodę. Czy wszyscy Twoi pracownicy ją wyłączyli? Czy potrafisz to sprawdzić? Anthropic zmienił w ten sposób zasady dla kont konsumenckich w sierpniu 2025, z retencją do pięciu lat w przypadku zgody, a Google zastrzega, że rozmowy w konsumenckim Gemini mogą czytać ludzie i że przejrzane rozmowy są przechowywane do trzech lat. Na kontach firmowych, w planach Team, Enterprise i przez API, ci sami dostawcy domyślnie nie trenują modeli na Twoich danych, podpisują umowę o powierzeniu przetwarzania, dają kontrolę nad retencją i pozwalają centralnie zarządzać ustawieniami użytkowników. Problem nie leży więc w marce narzędzia. Leży w tym, przez jakie konto i na podstawie jakiej umowy pracownik z niego korzysta. Handlowiec z początku tego tekstu nie zrobił nic złego. Sięgnął po to, co było dostępne, ponieważ firma nie dała mu niczego lepszego.
Ten sam czat, dwa różne produkty
Konto prywatne i konto firmowe tej samej marki różnią się wszystkim, co ma znaczenie dla danych firmy
Mapa popytu: od czego zacząć wdrożenie AI w firmie
Zarząd naszego klienta wybrał inną drogę niż zakaz. Zaprosił nas do współpracy i po ustaleniu szczegółów ogłosił dwie rzeczy. Po pierwsze, przez najbliższy tydzień każdy pracownik zapisuje zadania, które powtarza częściej niż trzy razy dziennie albo które zajmują mu ponad godzinę. Po drugie, zarząd pyta wprost i bez konsekwencji: kto i do czego używa dziś ChatGPT i podobnych narzędzi. Druga lista okazała się co najmniej tak ciekawa jak pierwsza.
Po tygodniu mieliśmy przed sobą kilkadziesiąt procesów z trzech działów. Wszyscy redagowali wiadomości i dokumenty oraz sprawdzali w nich błędy. Handlowcy wydobywali z umów terminy i kary, przygotowywali oferty na podstawie wcześniejszych ofert i aktualnych cenników, streszczali korespondencję z klientem przed spotkaniem i wyszukiwali w internecie informacje o swoich klientach. Księgowość opisywała i katalogowała faktury kosztowe, zestawiała je z zamówieniami i umowami, odpowiadała na pytania działów o budżet, pisała formuły w Excelu i sporządzała raporty dla zarządu. Planowanie układało tygodniowy plan produkcji na podstawie zamówień, stanów magazynowych, dostępności części i grafiku, po czym przeliczało go trzykrotnie, ponieważ zawsze coś się zmieniało. Potwierdziło się również to, co francuska firma doradcza Ethanolle policzyła u swoich klientów: większość działów produkcyjnych prowadzi obok głównego systemu arkusz kalkulacyjny. Planista naszego klienta także miał taki arkusz na pulpicie, ponieważ ERP nie potrafił policzyć tego, co on liczył w każdy poniedziałek, a ChatGPT pomagał mu ten arkusz uzupełniać i ulepszać.
Lista nieoficjalnych zastosowań AI pokrywała się z listą powtarzalnych zadań niemal jeden do jednego. To nie przypadek. Tam, gdzie pracownicy już dziś wklejają dokumenty do ChatGPT z prywatnego konta, zazwyczaj istnieje proces z rzeczywistym popytem, zmierzonym nie ankietą, lecz prawdziwymi zadaniami zlecanymi agentowi. Taki sposób badania popytu ma jednak swoją cenę: pracownicy samodzielnie podejmują ryzyko utraty danych firmy. Najczęściej w dobrej wierze, czasem po prostu po to, aby skończyć pracę wcześniej. W tej kalkulacji bezpieczeństwo danych regularnie przegrywa z wygodą i nie jest to zarzut, tylko obserwacja. Zjawisko shadow AIShadow AIUżywanie przez pracowników narzędzi AI poza wiedzą i kontrolą firmy, zwykle z prywatnych kont. Analogia do shadow IT, czyli nieautoryzowanego oprogramowania. zwykle traktuje się jako zagrożenie. My widzimy w nim najlepszą analizę potrzeb, jaką firma kiedykolwiek przeprowadziła, w dodatku bezpłatną.
Spośród kilkunastu procesów zarząd wybrał trzy, po jednym na dział: umowy u handlowców, faktury kosztowe w księgowości i plan produkcji u planisty. Kryteria były proste: wyraźna potrzeba, szybki wynik, inwestycja proporcjonalna do korzyści i poparcie osób, które będą z rozwiązania korzystać. Musieliśmy też odpowiedzieć na jedno pytanie: czy to w ogóle zadanie dla agenta, czy dla zwykłej automatyzacji? Sztywne reguły w rodzaju "każda faktura od tego dostawcy trafia na to konto" obsłuży tańsza i pewniejsza automatyzacja bez modelu językowego. Agent jest potrzebny tam, gdzie zadanie wymaga analizy i osądu, a ryzyko da się kontrolować. Jak policzyć, czy automatyzacja się opłaca, opisaliśmy w artykule Kiedy automatyzacja jest warta swojej ceny. Sebastian Kondracki, współtwórca polskiego modelu Bielik, mówił na konferencji SET Forum, że ponad osiemdziesiąt procent projektów AI kończy się niepowodzeniem z powodu źle dobranego przypadku użycia. Tydzień notowania kosztuje mniej niż jeden nieudany projekt.
Mapa popytu po tygodniu notowania
Lista zadań powtarzalnych i lista tego, do czego ludzie używają czata po cichu, pokrywają się prawie jeden do jednego
Dwie zasady, zanim ruszy pierwszy proces
Zanim u klienta zaczął pracować pierwszy agent, zarząd przyjął dwie zasady, które obowiązują we wszystkich pięciu warstwach opisanych dalej. Obie brzmią jak oczywistość i obie są w większości wdrożeń AI pomijane. Być może właśnie dlatego, że brzmią jak oczywistość.
Pierwsza: każdy proces ma właściciela z imienia i nazwiska. Nie "dział" i nie "IT", lecz konkretnego pracownika, który za ten proces odpowiada, ponieważ to on potrafi ocenić, czy agent podjął właściwą decyzję na podstawie danych i zadania, które otrzymał. Dział IT odpowiada za sprawne działanie systemu: za to, aby agent nie zajmował całej pamięci, nie zawieszał się i nie spowalniał komputerów, i wykonuje tę pracę codziennie, bez niczyjej prośby. Właściciel procesu nie odpowiada za błędy agenta. Odpowiada za to, aby je wychwycić, skorygować i zapisać, ponieważ każda korekta jest lekcją. Ma to większe znaczenie, niż się wydaje, bo w większości firm błędy AI nie mają właściciela. Sukces ma wielu ojców, a porażka jest sierotą, i z błędami agentów jest tak samo: bez przypisanej osoby nikt ich nie zbiera i nie koryguje, problemy narastają, a wdrożenie, które zaczęło się obiecująco, kończy się kosztownym rozczarowaniem.
Druga zasada to człowiek w pętliHuman in the loopZasada, według której wynik pracy agenta ogląda i zatwierdza człowiek, zanim wywoła skutek. Na początku wdrożenia dotyczy każdej akcji, potem kontrola jest luzowana w miarę spadku błędów.. Każdy proces, w którym pracuje agent, a zwłaszcza proces krytyczny, ma od pierwszego dnia wbudowane miejsce, w którym człowiek ogląda wynik, poprawia go albo odrzuca. Nie dlatego, że agentowi nie wolno ufać, lecz dlatego, że zbiór tych poprawek jest najcenniejszym materiałem całego wdrożenia: to z niego firma uczy się, jak agent ma pracować, do czego wrócimy w warstwie piątej. Zasada nie dotyczy prostych, deterministycznych zadań w rodzaju "przenieś plik do folderu z datą z nazwy", ponieważ to automatyzacja, a nie agent. Dotyczy zadań wymagających osądu, a te są na początku zatwierdzane bez wyjątku. Dopiero gdy odsetek błędów spadnie do poziomu, który właściciel procesu uzna za akceptowalny, kontrolę można stopniowo ograniczać: zastąpić zatwierdzanie kontrolą wyrywkową, sprawdzać rzadziej, powierzyć ją mniej doświadczonej osobie albo dobudować mechanizmy odciążające pracownika, który nadzoruje swoich agentów. Jak wygląda to w praktyce, przy ERP i prawdziwych decyzjach, pokazuje warstwa trzecia.
Pięć warstw wdrożenia AI w firmie
Dopiero z mapą popytu, właścicielami procesów i zasadą człowieka w pętli zaczyna się właściwe wdrożenie AI w firmie. Składa się ono z pięciu warstw układanych po kolei, ponieważ każda następna opiera się na poprzedniej. Poniżej wszystkie pięć w skrócie, a dalej każda z osobna, na przykładzie naszego klienta.
Zamiast zakazu firma daje lepsze narzędzie niż to, z którego pracownicy korzystali nieoficjalnie. Konto firmowe z umową, jedna strona zasad z czterema poziomami danych, czempion w każdym dziale i agent, który pracuje na komputerze pracownika albo na jego własnej maszynie w infrastrukturze firmy, a nie w zakładce przeglądarki.
Kontrahenci, kwoty, adresy, numery PESEL i NIP są podmieniane na zastępniki, zanim dokument opuści firmę. Model pracuje na treści, odpowiedź wraca z prawdziwymi danymi, a klucz do podmiany nigdy nie wychodzi z firmy. To warstwa, o której powinien mówić każdy wdrożeniowiec, a nie mówi prawie nikt.
Agent podpięty do ERP, CRM czy magazynu widzi dokładnie to, co widzi jego opiekun, i nic więcej. Czyta i proponuje bez pytania, a każda zmiana z realnym skutkiem przechodzi przez bramkę z podpisem człowieka. Halucynacja jest cechą modelu, nie wadą, i właśnie dlatego bramka jest obowiązkowa.
Nie kurs o generatywnej AI i generowaniu obrazków, lecz warsztat na fakturach, umowach i planach, które pracownicy znają, z jasnym wytłumaczeniem, co model potrafi, czego nie potrafi i jakie ma cechy. Potem pracownicy sami składają narzędzia, które trafiają do wspólnego katalogu po przeglądzie i teście. Shadow AI z zagrożenia zmienia się w źródło pomysłów.
Korekty planisty i księgowej są zapisywane i zamieniane w reguły. Reguły lokalne zostają na stanowisku, globalne przechodzą przegląd i trafiają do wszystkich agentów. System uczy się z całej firmy, ale na wzorcach, nie na danych, i każda zmiana jego zachowania też ma bramkę.
Pięć warstw wdrożenia AI w jednej firmie
Każda następna warstwa stoi na poprzedniej. Poza firmę wychodzi tylko treść z zastępnikami
Warstwa pierwsza: ludzie, zasady i miejsce agenta
Pierwsza warstwa jest najtańsza i najszybsza, a mimo to większość firm ją pomija, ponieważ wydaje się zbyt prosta, aby mogła mieć znaczenie. Składa się z trzech decyzji organizacyjnych i jednej architektonicznej.
Pierwsza decyzja to konto firmowe z umową. Każdy, kto dziś używa w pracy ChatGPT, Gemini czy Claude'a, otrzymuje konto w planie firmowym, z umową o powierzeniu przetwarzania danych i z wyłączonym trenowaniem. Dla handlowca zmienia się jedno kliknięcie przy logowaniu. Dla firmy zmienia się wszystko, ponieważ od tej chwili wie, gdzie znajdują się jej dane i na jakich warunkach są przetwarzane. To jedyna zmiana w całym wdrożeniu, którą można przeprowadzić w jeden dzień. Nawet jeśli firma poprzestanie wyłącznie na niej, znajdzie się w lepszym położeniu niż Samsung w marcu 2023.
Druga to polityka AI na jedną stronę. Nie dwanaście sekcji z klauzulami, których nikt nie przeczyta, lecz cztery poziomy danych (jawne, wewnętrzne, poufne, regulowane), lista tego, czego nie wkleja się nigdzie poza narzędziami z warstwy drugiej (dane osobowe klientów i pracowników, niepublikowane finanse, kod, wszystko objęte tajemnicą zawodową), lista dozwolonych i zakazanych zastosowań oraz jedno zdanie o decyzjach: żadna decyzja o zatrudnieniu, wynagrodzeniu, kredycie kupieckim czy reklamacji nie jest podejmowana wyłącznie na podstawie wyniku AI. Ten dokument ma również skutek prawny: tajemnica przedsiębiorstwa chroni tylko te informacje, wobec których firma podjęła działania służące utrzymaniu ich w poufności, a firmie bez zasad korzystania z AI trudniej będzie to wykazać w razie sporu.
Trzecia to czempion w każdym dziale. Nie etat, lecz rola: jedna osoba w dziale handlowym, jedna w księgowości i jedna w planowaniu, która jako pierwsza otrzymuje nowe narzędzie, zbiera pytania współpracowników i jest łącznikiem z osobą prowadzącą wdrożenie. Francuski ubezpieczyciel MAIF przed wdrożeniem AI zwołał konwencję trzydziestu losowo wybranych pracowników, którzy przygotowali rekomendacje dla zarządu, a sąd w Nanterre zawiesił w 2025 roku wdrożenie, które pominęło obowiązkową we Francji konsultację z radą pracowników. W Polsce nie jest to obowiązek, lecz dobry zwyczaj, i zdecydowanie tańszy niż opór całego zespołu.
Gdzie pracuje agent, a gdzie model
Czwarta decyzja jest architektoniczna i rzadko się o niej pisze: agent ma pracować u pracownika, a nie w zakładce przeglądarki. "U pracownika" oznacza jego komputer albo jego własną, wydzieloną maszynę: niedrogi mini PC za kilkaset złotych ustawiony obok biurka, maszynę wirtualną w infrastrukturze firmy albo serwer wynajęty u dostawcy chmury. Taka maszyna pracuje całą dobę, przechowuje dane potrzebne agentowi i nie obciąża laptopa. Pracownik może go zamknąć i zabrać do domu, a jego agenci pracują dalej, bez nadgodzin i bez urlopu.
Słowo "lokalny" jest przy tym nadużywane, ponieważ dotyczy dwóch różnych rzeczy: miejsca, w którym działa agent, i miejsca, w którym działa model. Stąd trzy warianty. W pierwszym agent i pliki są u pracownika, a model jest w chmurze, dostępny przez konto firmowe z umową. To dziś wariant najczęstszy i najrozsądniejszy, ponieważ agent widzi foldery, pocztę i dokumenty tak, jak widzi je pracownik, a do chmury wysyła tylko to, co niezbędne. W drugim zarówno agent, jak i model działają w firmie, i tu rachunek wymaga rzetelności. Małe modele, na przykład polskiego Bielika, uruchomisz na skromnym serwerze, ale ich ograniczenia wobec modeli z najlepszych laboratoriów będą widoczne w codziennej pracy. Duże modele otwarte, takie jak Kimi, Qwen czy DeepSeek, jakością zbliżają się do czołówki, ale wymagają serwerów z wieloma kartami graficznymi za setki tysięcy złotych oraz zespołu, który je utrzyma. Mimo to są firmy, którym ten wariant się opłaca, ponieważ przy dużej skali własny model okazuje się tańszy niż rachunek za tokeny. W trzecim wariancie wszystko jest u dostawcy, czyli czat w przeglądarce, i właśnie od tego wariantu nasz klient odchodził. Francuski regulator CNIL już w 2024 roku zalecał firmom systemy lokalne, zabezpieczone i wyspecjalizowane, ale wybór między wariantem pierwszym i drugim zależy od tego, jak wrażliwe dane przetwarzasz, ile ich jest i ile jesteś gotów zapłacić za sprzęt.
Pierwszy agent handlowca u klienta działał w wariancie pierwszym i wykonywał tylko dwie czynności: czytał i streszczał. Otrzymywał folder z umowami klienta i korespondencją, przygotowywał notatkę przed spotkaniem, wydobywał terminy i kary. Nie wysyłał wiadomości, nie zmieniał niczego w CRM, nie ingerował w cennik. Było to celowe, ponieważ agent, który wyłącznie czyta, nie może wyrządzić szkody, a firma uczy się na nim, zanim powierzy mu narzędzia z warstwy trzeciej. Pozostawał jeden problem: umowa, którą agent czyta, zawiera nazwę klienta, kwoty, adres i numer NIP, a wszystko to trafia do chmury. Z konta firmowego bezpieczniej niż z prywatnego, ale nadal trafia. Dlatego potrzebna jest warstwa druga.
Warstwa druga: do modelu trafia sama treść
To warstwa, od której zaczyna się poważne wdrożenie AI w firmie, i zarazem ta, o której doradcy mówią najmniej. Przeanalizowaliśmy to, co o wdrażaniu AI piszą doradcy i regulatorzy po polsku, angielsku, francusku i hiszpańsku. Rada dotycząca danych wrażliwych jest wszędzie ta sama: nie wysyłaj ich. Jest w niej pewna przewrotność, ponieważ wyklucza dokładnie te procesy, które dają firmie najwięcej: faktury, umowy, reklamacje, listy klientów. U naszego klienta wszystkie trzy wybrane procesy były pełne danych wrażliwych. Firma ma więc dwa wyjścia: zrezygnować z wartości albo zbudować warstwę, która pozwala pracować na prawdziwych dokumentach bez wysyłania prawdziwych danych.
Ta warstwa to pseudonimizacjaPseudonymizationZastąpienie danych identyfikujących zastępnikami w taki sposób, że bez osobno przechowywanego klucza nie da się ich przypisać do osoby ani firmy. W RODO dane pseudonimizowane nadal są danymi osobowymi. z przywracaniem. Działa następująco. Zanim umowa opuści firmę, program (nie model językowy, lecz zwykły, deterministyczny program) wykrywa w niej nazwy kontrahentów, kwoty, adresy, numery NIP, PESEL, REGON, KRS i numery kont, po czym zamienia je na zastępniki: KONTRAHENT_1, KWOTA_3, ADRES_2. Tabela, z której wynika, że KONTRAHENT_1 to konkretna spółka z Radomia, pozostaje w systemach firmy, w ERP, CRM albo na jej serwerze, z którymi narzędzie pseudonimizacji jest połączone, zaszyfrowana i poza zasięgiem modelu. Do chmury wysyłana jest umowa, w której widać strukturę, warunki, ryzyka, kary i terminy, ale nie widać, kogo dotyczy ani o jakie kwoty chodzi. Model wykonuje swoją pracę na tej treści. Odpowiedź wraca z zastępnikami, a program podstawia z powrotem prawdziwe dane, osobno dla tej jednej umowy. Handlowiec widzi notatkę z nazwą klienta i kwotami. Model nigdy ich nie zobaczył.
Do modelu trafia treść, dane zostają w firmie
Pseudonimizacja z przywracaniem: zastępniki w drodze do chmury, prawdziwe dane w drodze powrotnej
Co odróżnia tę warstwę od rozwiązania pozornego
Trzy rzeczy. Po pierwsze, klucz pozostaje w firmie i tylko firma potrafi powiązać zastępniki z prawdziwymi kontrahentami i procesami. Chmurowe usługi wykrywające dane osobowe wymagają przesłania im surowego tekstu, czyli przenoszą problem do kolejnego dostawcy. Anonimizacja musi odbywać się w firmie i tylko wtedy ma sens. Po drugie, przywracanie jest przypisane do dokumentu i do uprawnień. Tabela zastępników dla umowy numer 1174 służy wyłącznie do tej umowy i wyłącznie osobom, które mają prawo ją widzieć. Księgowa, która otrzyma od agenta raport z tego samego zestawu dokumentów, zobaczy w nim prawdziwe kwoty, ponieważ ma do nich prawo, ale nie zobaczy danych kadrowych, ponieważ takiego prawa nie ma. Ten mechanizm łączy warstwę drugą z trzecią. Po trzecie, kwestia praktyczna: narzędzia projektowane za oceanem nie znają polskich danych. Nie rozpoznają numeru PESEL ani NIP, mają trudności z polskimi adresami i odmianą nazw spółek, a filtr prywatności jednego z dużych dostawców sam zastrzega, że poza językiem angielskim działa słabiej. Dla polskiej firmy oznacza to własne narzędzie, przynajmniej w warstwie wykrywania.
Uczciwe zastrzeżenia
Ci, którzy opisują tę warstwę od strony technicznej, formułują trzy zastrzeżenia i mają rację. Pierwsze: dane pseudonimizowane są w rozumieniu RODO nadal danymi osobowymi, dopóki istnieje klucz, który pozwala je odtworzyć. Warstwa realizuje zasadę minimalizacji i radykalnie zmniejsza ryzyko, ale nie wyprowadza firmy poza RODO i nie zwalnia z umowy o powierzeniu z dostawcą modelu, ponieważ treść nadal do niego trafia. Trybunał Sprawiedliwości UE orzekł we wrześniu 2025, że dla odbiorcy bez klucza dane pseudonimizowane mogą nie być danymi osobowymi, co jest argumentem za architekturą "klucz pozostaje w firmie", a nie za tym, że problem znika. Drugie: detektor to czujnik, a nie mur. Żaden program nie wykryje wszystkiego, a kontekst potrafi zdradzić tożsamość nawet po zamianie nazw, ponieważ "producent okien z Radomia, który w zeszłym roku kupił halę w Pionkach" to jedna firma, choć w zdaniu nie pada żadna nazwa. Dlatego warstwa druga nie zastępuje klasyfikacji danych i konta firmowego z warstwy pierwszej, lecz się na nich opiera. Trzecie: trzeba rejestrować przypadki, w których model zmienił albo pominął zastępnik w odpowiedzi, ponieważ to najczęstszy sposób, w jaki ta warstwa zawodzi.
Warstwa trzecia: agent dotyka systemów firmy
Przez pierwsze tygodnie agenci u klienta wyłącznie czytali. Handlowiec otrzymywał notatki, księgowa propozycje opisu faktur, planista streszczenia zamówień. Potem nadszedł moment, w którym planista powiedział: "Dobrze, że streszczasz, ale ja potrzebuję planu". To chwila, w której agent musi uzyskać dostęp do systemów firmy, czyli ERP, magazynu i grafiku. W tym miejscu większość wdrożeń albo zatrzymuje się z ostrożności, albo z entuzjazmu obejmuje zbyt wiele naraz. Warstwa trzecia opiera się na dwóch zasadach, które pozwalają przejść ten etap spokojnie.
Agent ma dokładnie uprawnienia swojego opiekuna, czyli pracownika, który za niego odpowiada
Planista produkcji ma w ERP dostęp do zamówień, stanów magazynowych, dostępności części, zleceń serwisowych i grafiku pracowników. Nie ma dostępu do księgowości, kadr ani cennika. Jego agent ma dokładnie to samo. Ani jednego uprawnienia więcej. Nie otrzymuje osobnego konta serwisowego "dla AI" ze zbiorczymi uprawnieniami, ponieważ takie konto jest sumą uprawnień wszystkich, którzy z niego korzystają, i najkrótszą drogą do tego, aby planista za pośrednictwem agenta zobaczył listę płac. Agent działa w kontekście swojego użytkownika, z krótkotrwałym tokenem na konkretne zadanie, a o tym, czy może coś odczytać albo zapisać, decyduje ERP, a nie model językowy. Model można przekonać, wprowadzić w błąd albo zmylić. Z systemem uprawnień jest to znacznie trudniejsze.
To nie nasz pomysł. Tę samą zasadę opisują OWASP w liście ryzyk dla aplikacji z modelami językowymi oraz dokumentacja Microsoftu o Copilocie, która mówi wprost, że agent korzysta tylko z danych, do których użytkownik już ma dostęp, a pierwszym krokiem wdrożenia jest uporządkowanie nadmiernych udostępnień, ponieważ agent dziedziczy nieporządek w uprawnieniach razem z uprawnieniami. U naszego klienta miało to praktyczną konsekwencję: zanim planista otrzymał agenta z dostępem do ERP, ktoś musiał sprawdzić, czy planista nie ma przypadkiem dostępu do zasobów, których mieć nie powinien, ponieważ od tej chwili korzystałby z nich znacznie szybciej.
Agent ma dokładnie uprawnienia swojego pracownika
Planista widzi produkcję, nie widzi księgowości. Jego agent dokładnie tak samo, z krótkotrwałym tokenem na zadanie
Agent proponuje, człowiek zatwierdza
Planista poprosił agenta o symulację planu produkcji na przyszły tydzień. Agent przeczytał zamówienia, sprawdził magazyn, dostępność części i serwisów, uwzględnił grafik i zaproponował trzy warianty. Pierwszy minimalizował przestoje. Drugi odciążał najbardziej obłożoną linię. Trzeci był najciekawszy, ponieważ agent zauważył, że przesunięcie dwóch zleceń o jeden dzień pozwala uniknąć przezbrojenia, czego planista wcześniej nie dostrzegł. Był też wariant czwarty, wygenerowany w jednym z eksperymentalnych scenariuszy: linia odciążona w stu procentach, zero nadgodzin, pracownicy bez obciążenia. Osiągnięty przez usunięcie całej kolejki zleceń z produkcji. Z punktu widzenia funkcji celu "odciążyć linię" plan był idealny. Produkcji wprawdzie już nie było, ale o nią nikt nie pytał.
W tym miejscu trzeba przypomnieć cechę modeli językowych, o której powinien wiedzieć każdy, kto decyduje o wdrożeniu AI w swojej firmie. HalucynacjaHallucinationOdpowiedź modelu językowego, która jest płynna i pewna siebie, ale niezgodna z faktami albo z sensem zadania. Nie da się jej całkowicie usunąć, bo wynika ze sposobu, w jaki model generuje tekst. nie jest wadą agenta, którą da się usunąć lepszym promptem. Jest jego cechą i funkcją. Ta sama zdolność do wygenerowania rozwiązania, którego nie ma w żadnej instrukcji, znalazła wariant trzeci, którego planista nie dostrzegł przez dziesięć lat, i wariant czwarty, który zlikwidowałby produkcję. Model nie odróżnia jednego od drugiego, ponieważ oba spełniają cel. Odróżnił je planista, w trzy sekundy, ponieważ zna firmę. Dlatego agent proponuje, a człowiek zatwierdza, i nie jest to etap przejściowy, który minie, gdy modele staną się lepsze. To stała architektura. Halucynacje trzeba ograniczać, co do tego nie ma sporu. My dodajemy drugą stronę: korzystaj z odmiennego spojrzenia agenta, kieruj jego kreatywność tam, gdzie sam zdecydujesz, ale odbierz mu przycisk "zapisz".
Poziomy ryzyka i próg błędu
Odebranie przycisku "zapisz" nie oznacza, że agent pozostaje bezczynny. Oznacza, że każda jego akcja ma przypisany poziom ryzyka, a od poziomu zależy, kto i w jaki sposób ją zatwierdza. Poziom zero to odczyt danych i przygotowanie propozycji, bez żadnego zatwierdzania, w przeciwnym razie agent byłby bezużyteczny. Poziom pierwszy to zapis odwracalny wewnątrz firmy, na przykład roboczy plan w osobnym widoku ERP, zatwierdzany jednym kliknięciem. Poziom drugi to akcja ze skutkiem zewnętrznym albo finansowym, czyli wiadomość do klienta, zamówienie u dostawcy albo zmiana obowiązującego planu produkcji, która wymaga zatwierdzenia przez konkretną, wskazaną z nazwiska osobę. Poziom trzeci to akcja nieodwracalna albo masowa, na przykład usunięcie zleceń albo zmiana cen dla wszystkich klientów, z drugim recenzentem. Poziom czwarty to decyzje o zatrudnieniu, wynagrodzeniu i kredycie kupieckim: agent może przygotować materiał, ale nie może podjąć decyzji.
Hiszpański regulator ochrony danych sformułował w 2026 roku jeszcze prostszą regułę dla agentów: agent nie może mieć jednocześnie trzech rzeczy, czyli niekontrolowanego wejścia (wiadomości od obcych, dokumenty od klientów, strony internetowe), dostępu do danych wrażliwych i możliwości wykonania akcji z realnym skutkiem. Dwie z trzech tak, trzy nigdy. Agent handlowca, który czyta wiadomości od klientów i ma dostęp do umów, nie może więc samodzielnie wysyłać wiadomości. Dwa głośne ataki z 2025 roku powiodły się właśnie dlatego, że ktoś przyznał agentowi wszystkie trzy. W EchoLeak jedna spreparowana wiadomość wystarczyła, aby Microsoft 365 Copilot wyprowadził dane użytkownika bez żadnego kliknięcia, a w ShadowLeak ukryte instrukcje w wiadomości skłoniły agenta badawczego ChatGPT do wysłania danych ze skrzynki Gmail.
Zostaw agentowi kreatywność, zabierz mu klawisz zapisz
Pięć poziomów ryzyka akcji i reguła dwóch z trzech. Zatwierdzanie tylko tam, gdzie skutek jest realny
Poziom ryzyka akcji to jedna oś. Druga to próg błędu, który właściciel procesu uznaje za akceptowalny, i ten próg jest parametrem swobody agenta. Dział handlowy może uznać, że przy ofertach skuteczność na poziomie dziewięćdziesięciu dziewięciu procent wystarcza, aby agent wysyłał je samodzielnie, ponieważ jedna błędna oferta na sto jest stratą, ale nie katastrofą. Przy umowach ten sam odsetek jest nie do przyjęcia, ponieważ jedna błędnie zawarta umowa potrafi zagrozić istnieniu całej organizacji. Inaczej jest, gdy umowa opiewa na kilkaset złotych, a firma zawiera ich dziesiątki tysięcy, jak operator telekomunikacyjny: wówczas pół procenta błędów nie zagraża firmie, a jedynie wymaga staranniejszego nadzoru nad tą automatyzacją. Próg nie jest więc jedną liczbą dla całej firmy. Wynika z ceny pojedynczego błędu i ze skali.
Jak wygląda bramka w praktyce
Dwie uwagi praktyczne. Pierwsza: projektuj akcje tak, aby cofnięcie było tańsze niż zatwierdzanie. Roboczy plan w osobnym widoku, który można odrzucić, jest lepszy niż pytanie o zgodę przy każdym kroku. Druga: ludzie klikają "zatwierdź" bez czytania, jeśli pytasz ich zbyt często. Badanie narzędzi agentowych dla programistów pokazało, że użytkownicy akceptują ponad dziewięćdziesiąt procent próśb o uprawnienia. Dlatego poziom zero i pierwszy nie pytają, a bramka stoi tylko tam, gdzie błąd rzeczywiście kosztuje. Nadzór, który zamienia się w kolejkę do zatwierdzeń, przestaje być nadzorem i staje się rytuałem.
Roboczy widok, w którym człowiek ogląda propozycję, zanim cokolwiek zostanie zapisane, można zbudować na dwa sposoby. Jeśli ERP albo CRM ma własny mechanizm zadań roboczych i uprawnień, agent przygotowuje w nim zadanie, a pracownik, jako jego przełożony, zatwierdza je i wykonuje w systemie, na podstawie uprawnień systemu, a nie modelu. Wiele systemów tego jednak nie potrafi i każdy zapis trafia od razu do bazy, bez możliwości cofnięcia. Wtedy umieszczamy przed systemem własną warstwę: agent zapisuje w niej to, co zamierza zrobić, a pracownik otrzymuje czytelny raport dotyczący tego jednego zadania, czyli stronę, która zwykłym językiem wyjaśnia, jakie dane i jakie operacje mają trafić do ERP czy CRM. Po zatwierdzeniu wykonuje je nie model, lecz deterministyczny skrypt przygotowany wcześniej przez agenta: te same kroki, za każdym razem tak samo, bez miejsca na kolejną halucynację między "tak" a zapisem. Każda propozycja, każda poprawka człowieka i każdy wynik są przy tym rejestrowane, i to nie tylko na potrzeby audytu. Te zapisy są paliwem warstwy piątej.
Jest jeszcze jedna lekcja, której nie znajdziesz w poradnikach. Klarna, szwedzka firma płatnicza, ogłosiła w 2024 roku, że jej asystent AI wykonuje pracę siedmiuset pracowników obsługi klienta. W maju 2025 jej prezes powiedział Bloombergowi, że firma ponownie zatrudnia ludzi, ponieważ pełne przejście na AI obniżyło jakość obsługi. Klarna nadal stawia na AI. Zmieniła jedynie to, kto zatwierdza. Gdy jeden agent przestaje wystarczać i do pracy potrzebny jest zespół agentów z nadzorcą, zasady z tej warstwy nie znikają, lecz obejmują wszystkich członków zespołu. Opisaliśmy to w artykule o orkiestracji agentów AI.
Warstwa czwarta: ludzie budują własne narzędzia
Trzy procesy działały. Handlowiec miał notatki, księgowa opisane faktury do zatwierdzenia, planista trzy warianty planu w każdy poniedziałek. I wtedy wydarzyło się coś, na co zarząd nie był przygotowany: reszta firmy chciała tego samego. Magazynier pytał, czy agent mógłby sprawdzać kompletność dostaw. Dział reklamacji prosił o streszczenia zgłoszeń. Asystentka zarządu chciała protokołów ze spotkań. Warstwa czwarta jest odpowiedzią na ten popyt i składa się z dwóch części.
Pierwsza to szkolenie, ale nie kurs o generatywnej AI, tworzeniu obrazków i pisaniu piosenek. Pracownik nie potrzebuje całej wiedzy o AI ani jej ogólników. Potrzebuje starannie dobranych podstaw, czyli wiedzy o tym, co model potrafi, czego nie potrafi i jakie ma cechy, z halucynacją na czele, a następnie warsztatu na własnych fakturach, umowach i planach, z narzędziami z warstwy pierwszej i drugiej. Francuski Ipsos policzył, że tylko co piąty pracownik używający AI przeszedł jakiekolwiek szkolenie, a czterech na dziesięciu korzysta z konta prywatnego. W Polsce nie mamy takich liczb, ale mamy argument prawny, który przemawia do każdego zarządu: artykuł 4 rozporządzenia o sztucznej inteligencji nakłada od lutego 2025 na firmy obowiązek dbania o kompetencje pracowników w zakresie AI. Nie przewidziano za jego naruszenie osobnej kary, ale pozostaje obowiązkiem, a warsztat na prawdziwych zadaniach wypełnia go lepiej niż certyfikat z kursu.
Druga część jest ciekawsza: pracownicy budują własne narzędzia. Księgowa, która przez miesiąc zatwierdzała propozycje opisu faktur, wiedziała już, czego agentowi brakuje. Wspólnie z czempionem przygotowała narzędzie, które sprawdza faktury kosztowe pod kątem jej własnej listy pułapek: brak numeru zamówienia, kwota niezgodna z umową ramową, dostawca, który zmienił numer konta. Nie programowała. Opisała procedurę zwykłym tekstem, krok po kroku, tak jak tłumaczyłaby ją nowej koleżance. Hiszpański bank BBVA po wdrożeniu ChatGPT dla pracowników odnotował w pięć miesięcy ponad dwa tysiące dziewięćset narzędzi zbudowanych przez pracowników, przy udziale działu prawnego, zgodności i bezpieczeństwa. Ten ostatni element jest kluczowy. Narzędzie księgowej nie trafia do reszty działu w załączniku do wiadomości, lecz do wewnętrznego katalogu, otrzymuje własną tożsamość i uprawnienia jak każdy agent w warstwie trzeciej i przechodzi test na kilkudziesięciu fakturach z odpowiedziami, które księgowa uznała za poprawne. Dopiero wtedy korzysta z niego cały dział. Zjawisko to ma już nazwę, "pracownik przynosi własnego agenta", i opisuje się je niemal wyłącznie jako zagrożenie. Jest zagrożeniem, jeśli brakuje warstw od pierwszej do trzeciej. Jeśli one istnieją, jest najtańszym działem rozwoju, jaki firma kiedykolwiek miała.
Nie wszyscy muszą budować. W praktyce w firmie funkcjonują trzy poziomy: większość korzysta z gotowych narzędzi, kilka osób je tworzy, a jedna lub dwie opiekują się procesem i katalogiem. Shadow AI, które na początku było listą wstydu, staje się listą pomysłów.
Warstwa piąta: firma, która uczy się z własnej pracy
Większość wdrożeń kończy się na warstwie trzeciej, w najlepszym razie czwartej, i po roku wygasa. Badacze z MIT, którzy w 2025 roku przeanalizowali trzysta publicznych wdrożeń, podali, że dziewięćdziesiąt pięć procent pilotaży generatywnej AI nie przyniosło mierzalnego wpływu na wynik firmy. Główną przyczyną jest luka w uczeniu: narzędzia nie zapamiętują poprawek i po pół roku potrafią tyle, co pierwszego dnia, więc pracownicy wracają do ChatGPT na prywatnym koncie, który ma przynajmniej tę zaletę, że jest dostępny od ręki. Francuska Sopra Steria nazwała to cmentarzem pilotów. Warstwa piąta jest odpowiedzią na ten cmentarz.
Zasada jest prosta: każda poprawka człowieka jest lekcją. Gdy planista odrzuca wariant czwarty i dopisuje "nigdy nie usuwaj zleceń z kolejki, przesuwaj je", to zdanie trafia do reguł jego agenta. Gdy księgowa po raz trzeci poprawia opis faktury od tego samego dostawcy, agent otrzymuje regułę dotyczącą tego dostawcy. Zapisy z warstwy trzeciej, czyli propozycja, poprawka i wynik, są surowcem, z którego program wyprowadza reguły. Microsoft pokazał w 2026 roku, jak to działa: na zbiorze stu faktur przetwarzanych dziesięć razy z rzędu, z korektami użytkowników zapisywanymi jako pamięć agenta, odsetek pól wymagających ręcznej poprawki spadł z sześćdziesięciu czterech do czterdziestu ośmiu procent. Nie cud, lecz jedna czwarta mniej pracy po dziesięciu przebiegach, bez zmiany modelu i bez programisty.
Trzy reguły naszej pętli
Nasza warstwa piąta różni się od typowej trzema regułami. Pierwsza to dwa poziomy reguł. Reguła planisty o nieusuwaniu zleceń dotyczy planowania i pozostaje na jego stanowisku. Natomiast reguła księgowej o dostawcy, który zmienił numer konta, dotyczy wszystkich, którzy z tym dostawcą pracują, czyli także zakupów i handlowców. Takie reguły przechodzą przegląd właściciela procesu i trafiają do wszystkich agentów w firmie. System uczy się lokalnie i globalnie, ale to człowiek decyduje, która reguła jest którą. Druga to bramka na samym uczeniu. U Microsoftu nowa wersja instrukcji agenta wchodzi w życie automatycznie, po teście statystycznym. U nas zmiana zachowania agenta, który pracuje dla całej firmy, jest akcją poziomu drugiego z warstwy trzeciej: ktoś ją zatwierdza, ponieważ może dotyczyć wszystkich. Agent, który bez nadzoru zmienia własne zasady, to ten sam problem co agent, który samodzielnie usuwa kolejkę zleceń, tylko rozłożony w czasie.
Pętla, w której firma uczy się z własnej pracy
Propozycja, poprawka, log, reguła. Lokalne reguły zostają na stanowisku, globalne przechodzą przegląd i bramkę
Trzecia reguła łączy warstwę piątą z drugą: system uczy się na wzorcach, a nie na danych. Reguła brzmi "przy fakturach od dostawców, którzy zmienili numer konta w ciągu ostatnich trzydziestu dni, wstrzymaj płatność do potwierdzenia telefonicznego", a nie "dostawca X zmienił konto na Y". Pamięć agentów nie jest archiwum dokumentów firmy. Jest zbiorem lekcji, które można by odczytać na głos w firmowej kuchni, nie naruszając niczyjej prywatności. Regulatorzy zgodnie podkreślają potrzebę ograniczania pamięci agentów i rozdzielania jej między użytkowników, a uczenie na wzorcach pozwala pogodzić ten wymóg z pętlą uczenia.
Z poprawek rodzi się procedura
Najważniejsze, co po kilku miesiącach wyłania się z pracy z agentami, to procedura. Historia poprawek planisty, czytana od początku, jest procedurą planowania produkcji w tej konkretnej firmie. Nikt jej wcześniej nie spisał, ponieważ istniała w głowie planisty i w jego arkuszu obok ERP. Teraz znajduje się w pliku tekstowym, krok po kroku, z regułami i wyjątkami. Taki plik można przekazać agentowi, który wykona go punkt po punkcie, w każdy poniedziałek, z bramką przy każdym punkcie, który dotyczy produkcji. Automatyzacja procesu okazuje się spisaniem procedury, a nie programowaniem. Mechanizm, w którym z procedury powstaje plan dla orkiestratora, opisaliśmy w artykule o orkiestracji agentów, a przykład z marketingu, w którym taka pętla sama się poprawia, w tekście o agencie, który dostał pięć procent budżetu reklamowego.
Warstwa piąta ma też dwa prozaiczne elementy, bez których nie działa: pomiar i czas właściciela. Pomiar to jedna metryka biznesowa na proces, mierzona po trzydziestu i po dziewięćdziesięciu dniach: czas przygotowania planu, liczba faktur opisanych bez poprawki, czas od zapytania klienta do oferty. Nie "liczba użytkowników", ponieważ adopcja nie jest wynikiem. KPMG podaje, że sześćdziesiąt dwa procent firm, które wdrożyły AI, nie mierzy efektów, i to druga przyczyna cmentarza pilotów. Właściciel procesu otrzymuje godzinę w tygodniu na przegląd zapisów i reguł. Bez tej godziny warstwa piąta nie istnieje, ponieważ uczenie się firmy nie jest funkcją oprogramowania. Jest nawykiem.
Ten sam wtorek, rok później
Wtorek, kwadrans po ósmej. Handlowiec otwiera na komputerze folder nowego klienta i prosi agenta o notatkę przed spotkaniem. Agent czyta umowę, korespondencję i trzy poprzednie oferty, wydobywa terminy, kary i otwarte wątki. Nazwa klienta, kwoty i NIP nie opuściły firmy: do chmury trafiła treść z zastępnikami, a odpowiedź wróciła z prawdziwymi danymi. Piętro niżej księgowa zatwierdza jednym kliknięciem dwadzieścia opisanych faktur, a przy dwudziestej pierwszej agent zatrzymuje się sam, ponieważ dostawca zmienił numer konta. To reguła, którą ona sama napisała w marcu. W dziale planowania na ekranie widać trzy warianty planu na przyszły tydzień i żaden z nich nie usuwa kolejki zleceń, ponieważ agent nauczył się tego po pierwszym tygodniu. Planista wybiera drugi i dopisuje jedną uwagę, a ta uwaga za chwilę stanie się regułą.
Ten sam wtorek, rok później
Ci sami ludzie, te same modele. Między ekranem a chmurą stoi anonimizacja, a przy każdej zmianie człowiek
Z zewnątrz wygląda to niemal tak samo jak rok wcześniej. Ci sami ludzie wykonują te same zadania z pomocą tych samych modeli. Różnica tkwi w tym, czego nie widać. Dane nie wyciekły. Każdy agent ma dokładnie uprawnienia swojego opiekuna. Każda zmiana w systemach ma podpis. Firma wie o własnych procesach więcej niż rok temu, ponieważ po raz pierwszy ktoś je spisał, i nie zrobił tego konsultant, lecz jej własni pracownicy, poprawka po poprawce. A prezes, zapytany o to, gdzie znajdują się umowy jego firmy, potrafi odpowiedzieć. Samsung w marcu 2023 nie potrafił.
Od czego zacząć w poniedziałek
Jeśli masz przeczytać z tego artykułu tylko jedną sekcję, niech będzie to ta. Wdrożenie AI w firmie nie zaczyna się od wyboru narzędzia ani od strategii na trzydzieści stron. Zaczyna się od pięciu działań, które można przeprowadzić w pierwszym miesiącu, bez budżetu na konsultantów.
Pierwszego dnia przenieś wszystkich, którzy używają w pracy ChatGPT i podobnych narzędzi, na konta firmowe z umową o powierzeniu i wyłączonym trenowaniem. W pierwszym tygodniu poproś pracowników o notowanie powtarzalnych zadań i zapytaj bez konsekwencji, kto i do czego używa dziś AI. W drugim tygodniu wybierz jeden proces, nie trzy, z wyraźną potrzebą, z właścicielem z imienia i nazwiska oraz z odpowiedzią na pytanie, czy to zadanie dla agenta, czy dla zwykłej automatyzacji. W trzecim tygodniu uruchom warstwę anonimizacji, choćby w najprostszej wersji, która wykrywa nazwy kontrahentów, kwoty i numery identyfikacyjne, i zacznij pracować na prawdziwych dokumentach. W czwartym tygodniu wprowadź pierwszą bramkę: agent czyta i proponuje, a jedna wskazana osoba zatwierdza. Resztę, czyli podłączenie do systemów, szkolenia, własne narzędzia i pętlę uczenia, dobuduj w kolejnych miesiącach na tym fundamencie.
I jeden sprawdzian na rozmowę z firmą wdrożeniową. Zapytaj, co proponuje zrobić z fakturami i umowami, które są pełne danych osobowych. Jeśli odpowiedź brzmi "nie wklejać ich do AI", rozmawiasz ze sprzedawcą licencji. Jeśli odpowiedź zaczyna się od słowa "anonimizacja", a kończy na tym, kto zatwierdza wynik, rozmawiasz z kimś, kto naprawdę wdrażał. Tak budujemy agentów AI dla firm i tak wyglądałoby wdrożenie u Ciebie.
Ten tekst jest filarem naszej serii o agentach AI. Czym agent różni się od asystenta i chatbota, wyjaśniamy w artykule Agent AI, asystent czy chatbot?. Jak kilku agentów pracuje razem nad jednym zadaniem, pokazuje tekst Orkiestracja agentów AI.
Najczęstsze pytania o wdrożenie AI w firmie
Od czego zacząć wdrożenie AI w firmie?
Od tego, co już się dzieje. Przenieś pracowników używających ChatGPT i podobnych narzędzi na konta firmowe z umową o powierzeniu danych, przez tydzień zbieraj powtarzalne zadania oraz listę tego, do czego pracownicy używają AI nieoficjalnie, a następnie wybierz jeden proces z właścicielem. Narzędzie wybiera się na końcu, a nie na początku.
Czy ChatGPT, Gemini i Claude trenują na danych mojej firmy?
Na kontach prywatnych domyślnie mogą, chyba że użytkownik to wyłączy. Anthropic zmienił tak zasady dla kont konsumenckich w sierpniu 2025, Google zastrzega recenzję części rozmów przez ludzi. Na kontach firmowych, w planach Team i Enterprise oraz przez API, ci sami dostawcy domyślnie nie trenują na danych klienta i podpisują umowę o powierzeniu. To samo narzędzie to dwa różne produkty zależnie od konta.
Co to jest shadow AI i czy trzeba go zakazać?
Shadow AI to używanie narzędzi AI przez pracowników poza wiedzą firmy, zwykle z prywatnych kont. Zakaz zazwyczaj nie działa, ponieważ przenosi problem na prywatny telefon. Skuteczniejsze jest udostępnienie pracownikom zatwierdzonego narzędzia na koncie firmowym, krótka polityka z klasyfikacją danych i potraktowanie listy nieoficjalnych zastosowań jako mapy procesów, które warto wdrożyć w pierwszej kolejności.
Czy anonimizacja dokumentów przed wysłaniem do AI zwalnia z RODO?
Nie. Dane pseudonimizowane, które da się odtworzyć kluczem, są w rozumieniu RODO nadal danymi osobowymi. Warstwa anonimizacji realizuje zasadę minimalizacji i radykalnie ogranicza, co trafia do dostawcy modelu, ale umowa o powierzeniu przetwarzania i klasyfikacja danych są nadal potrzebne. Ważne, żeby anonimizacja odbywała się w firmie, a klucz do podmiany nie opuszczał jej systemów.
Czy agent AI może sam zmieniać dane w ERP albo CRM?
Może czytać i proponować bez pytania. Każda zmiana z realnym skutkiem, czyli zapis w systemie, wiadomość do klienta, zamówienie czy zmiana planu, powinna przechodzić przez zatwierdzenie nazwanej osoby, a akcje nieodwracalne przez drugiego recenzenta. Agent powinien mieć dokładnie takie uprawnienia jak pracownik, który za niego odpowiada, i nigdy osobnego konta ze zbiorczymi uprawnieniami.
Jak długo trwa wdrożenie AI w firmie?
Pierwsza warstwa, czyli konta firmowe i polityka, to jeden dzień do tygodnia. Pierwszy proces z anonimizacją i bramką to zwykle cztery do ośmiu tygodni. Podpięcie agentów do systemów, szkolenia i własne narzędzia pracowników to kolejne miesiące, a pętla uczenia nie kończy się nigdy, bo to nawyk firmy, nie projekt. Większość nieudanych wdrożeń to pilotaże, które nie miały właściciela ani pomiaru po pilotażu.
Czy lepiej wybrać model lokalny, czy chmurowy?
To zależy od danych, skali i budżetu. Agent na komputerze albo własnej maszynie pracownika, z modelem w chmurze przez konto firmowe i z warstwą anonimizacji, wystarcza większości firm. Model we własnej infrastrukturze, od polskiego Bielika po duże modele otwarte, daje pełną kontrolę za cenę sprzętu i, przy małych modelach, słabszej jakości, i ma sens przy danych szczególnie wrażliwych, wymaganiach regulacyjnych albo skali, w której rachunek za tokeny przerasta koszt własnych serwerów. W obu wariantach zasady uprawnień i bramek są te same.
Ile kosztuje wdrożenie AI w firmie?
Pierwsza warstwa kosztuje tyle, co licencje firmowe na ChatGPT czy innego asystenta. Warstwa anonimizacji i pierwszy agent z bramką to projekt wdrożeniowy, którego koszt zależy od liczby systemów do podpięcia i od tego, czy proces nadaje się dla agenta, czy dla tańszej automatyzacji. Największy koszt, o którym oferty zwykle milczą, to godzina tygodniowo właściciela procesu na przegląd poprawek i reguł. Bez niej każde wdrożenie wraca po roku do punktu wyjścia.
Zaproszenie do rozmowy
Od czego zacząć wdrożenie AI w Twojej firmie? Ustalimy to razem na bezpłatnej konsultacji
Opowiesz nam, do czego Twoi pracownicy używają dziś czatu, a my pokażemy, od którego procesu zacząć, jak pracować na prawdziwych umowach i fakturach bez wysyłania prawdziwych danych i kto ma zatwierdzać wynik. Bez slajdów i bez agenta tam, gdzie wystarczy zwykła automatyzacja.
