Dobre praktyki wdrożenia AI w firmie: co radzą wdrożeniowcy z czterech krajów i z czym się nie zgadzamy

Dobre praktyki wdrożenia AI: autor wskazuje pozycję na liście praktyk zebranej z czterech źródeł, jedna pozycja jest odrzucona.

Posłuchaj artykułu

Zanim opisaliśmy, jak sami wdrażamy AI w firmach, sprawdziliśmy, co na ten temat piszą inni. Przeczytaliśmy ponad osiemdziesiąt poradników, raportów, wzorów polityk i wytycznych regulatorów z lat 2024-2026, osobno po polsku, angielsku, francusku i hiszpańsku. Znalazły się wśród nich teksty ifirmy i EY, amerykańskich agencji, OWASP i dokumentacja Microsoftu, materiały francuskich instytucji CNIL i ANSSI oraz firmy Mistral, a także publikacje hiszpańskiej agencji ochrony danych, kancelarii z Madrytu i meksykańskich oddziałów HP. Interesowało nas, na co wdrożeniowcy kładą nacisk, jakie stawiają tezy, jak wybierają procesy i jakie podają przykłady. Najbardziej ciekawiło nas, co proponują zrobić z danymi, których nie wolno przekazać do czata, oraz o czym nie wspominają wcale.

Ten artykuł podsumowuje tę lekturę. Zebraliśmy dobre praktyki, które rynek powtarza zgodnie, spostrzeżenia obecne tylko u najlepszych autorów oraz miejsca, w których poszczególne rynki się różnią. Przy każdej praktyce piszemy, co z niej przejmujemy do własnej pracy, co uzupełniamy, na co zwracamy uwagę, chociaż inni tego nie robią, i z czym się nie zgadzamy. Naszej ścieżki wdrożenia tutaj nie znajdziesz. Etapy, które układają te praktyki w kolejność, od konta firmowego i anonimizacji danych, przez uprawnienia agentów i bramki decyzji, po firmę uczącą się z własnej pracy, opisujemy w osobnym artykule Wdrożenie AI w firmie: od czego zacząć na przykładzie jednej firmy, od wtorku rano do wtorku rok później. Ten tekst jest dla Ciebie, jeżeli chcesz wiedzieć, co radzi rynek, zanim zdecydujesz, komu zaufać.

Jak czytaliśmy rynek i kto na nim pisze

Postąpiliśmy tak, jak postąpiłaby firma szukająca wdrożeniowca. Wpisaliśmy w wyszukiwarkę frazy w rodzaju "wdrożenie AI w firmie od czego zacząć" oraz ich odpowiedniki w trzech językach. Otworzyliśmy teksty z najwyższych pozycji i te najbardziej merytoryczne, po czym zapisaliśmy, kto jest autorem, co radzi i na co się powołuje. Pracę wykonały cztery niezależne sesje badawcze, po jednej na język, aby obraz jednego rynku nie wpływał na ocenę drugiego.

Pierwsza obserwacja dotyczy autorów. Na żadnym z czterech rynków pierwszej strony wyników nie zajmuje firma, która na co dzień wdraża agentów. W Polsce na tę frazę odpowiadają dostawcy oprogramowania (ifirma, polskie wersje poradników OpenAI i Google, ClickUp, Opsio, TTMS) oraz wielkie firmy doradcze, głównie EY i KPMG. Po angielsku najwyższe pozycje należą do agencji i firm programistycznych z Indii i Teksasu, natomiast wielkie firmy konsultingowe nie pojawiają się tam wcale, chociaż wszyscy cytują ich liczby. We Francji pierwszą stronę zajmują blogi agencji i firm szkoleniowych, podczas gdy Capgemini i Sopra Steria publikują raporty, a nie poradniki. W Hiszpanii dominują HP, Slack, IBM i szkoły biznesu, a najbardziej merytoryczne teksty o danych piszą kancelarie. Praktyków z własną metodą jest niewielu. Po angielsku są to OWASP i firmy zajmujące się zarządzaniem tożsamością, we Francji firma doradcza Ethanolle i sam CNIL, w Hiszpanii barcelońska firma NeuralTrust i agencja ochrony danych.

Druga obserwacja dotyczy dowodów. Twarde liczby o efektach pochodzą prawie wyłącznie od dostawców piszących o własnych klientach. OpenAI opisuje Morgan Stanley, Klarnę i BBVA, Microsoft własne wdrożenia Copilota, Comarch agentów w swoim systemie ERP, a HP firmy Bimbo i Cemex. Niezależnego, zmierzonego przykładu z firmy produkcyjnej nie znaleźliśmy w żadnym języku. Najbardziej wiarygodne liczby na rynku to statystyki adopcji publikowane przez instytucje. Banque de France podał, że na początku 2026 roku sześćdziesiąt siedem procent francuskich firm zatrudniających co najmniej dwudziestu pracowników używało generatywnej AI, przeważnie powierzchownie. Polski Instytut Ekonomiczny szacował w 2025 roku udział polskich firm korzystających z AI na sześć do szesnastu procent, zależnie od metody, a GUS na niespełna sześć. Pozostałe liczby w poradnikach warto czytać z pytaniem, kto je policzył i w jakim celu.

Wniosek jest jeden i tłumaczy większość dalszych obserwacji. Rynek treści o wdrożeniu AI jest rynkiem sprzedawców licencji, szkoleń i godzin pracy, a nie rynkiem wdrożeniowców.

Dziesięć praktyk, które rynek powtarza zgodnie

Gdyby z poradników usunąć logo, trudno byłoby rozpoznać, czy napisała je warszawska firma programistyczna, agencja z Teksasu, firma doradcza z Quebecu czy szkoła biznesu z Barcelony. Trzon jest wspólny i mieści się w dziesięciu praktykach. Przy każdej podajemy, kto formułuje ją najlepiej, co z niej przejmujemy i w którym miejscu nasze stanowisko jest inne.

01Praktyka 1 z 10  /  Punkt wyjściaZacznij od problemu, nie od narzędzia

Jedyna rada, którą powtarza dosłownie każdy przeczytany tekst na czterech rynkach. Przejmujemy ją w całości i dodajemy jedno źródło problemów, którego rynek nie czyta: listę zadań, do których pracownicy już dziś nieoficjalnie używają czata.

Zacznij od problemu, nie od narzędzia

Francuski CNIL pisze o wychodzeniu od "konkretnej, zidentyfikowanej potrzeby". EY Polska jako pierwszy krok wskazuje "zrozum potrzebę swojego biznesu" i ostrzega przed naśladowaniem konkurencji. Hiszpański konsultant Mario Colomer zauważa, że firmy chcą zaczynać od narzędzia, a powinny zapytać, co chcą poprawić. Sebastian Kondracki, współtwórca polskiego modelu Bielik, podawał na konferencji SET Forum, że ponad osiemdziesiąt procent projektów AI kończy się niepowodzeniem z powodu źle dobranego przypadku użycia. Z samą praktyką nie ma powodu polemizować. Polemizujemy wyłącznie z tym, skąd brać problemy. Rynek proponuje warsztaty z zarządem, ankiety i macierze, a pomija najtańsze źródło, jakim firma dysponuje, czyli listę zadań, do których pracownicy używają dziś ChatGPT, Gemini czy Claude'a z prywatnych kont. Jeżeli ktoś był gotów zaryzykować wklejenie umowy do czata, aby skończyć pracę wcześniej, to właśnie wskazał proces z rzeczywistym popytem. Rynek traktuje shadow AIShadow AIUżywanie przez pracowników narzędzi AI poza wiedzą i kontrolą firmy, zwykle z prywatnych kont. Analogia do shadow IT, czyli nieautoryzowanego oprogramowania. wyłącznie jako zagrożenie. Jedynym źródłem, które radzi najpierw ustalić, jak i w jakim celu pracownicy używają AI, jest tekst firmy ESET. My idziemy o krok dalej i traktujemy tę listę jako gotową analizę potrzeb, za którą nikt nie wystawił faktury.

02Praktyka 2 z 10  /  Wybór procesówMacierz wartości i wykonalności, albo tydzień z kartką

Firmy konsultingowe mają macierz w czterech ćwiartkach, mali konsultanci tydzień notowania powtarzalnych zadań. Przejmujemy tę drugą metodę, od konsultantów zapożyczamy jedno prawo weta, a od BCG pytanie, czy to w ogóle zadanie dla agenta.

Macierz wartości i wykonalności, albo tydzień z kartką

Metoda wyboru procesów dzieli rynek na dwie szkoły. Pierwsza, konsultingowa, posługuje się macierzą wartości i wykonalności w czterech ćwiartkach. Niekiedy dodaje wagi (jedna z amerykańskich firm przypisuje trzydzieści pięć procent wartości, dwadzieścia pięć wykonalności, dwadzieścia pięć gotowości danych i piętnaście ryzyku), a niekiedy pięć wymiarów, jak kolumbijski oddział RSM, który pełny model udostępnia dopiero po wypełnieniu formularza. Druga szkoła, małych konsultantów z Hiszpanii i Francji, jest prostsza. Przez tydzień każdy pracownik notuje zadania, które powtarza częściej niż trzy razy dziennie albo które zajmują mu ponad godzinę, a następnie wypisuje trzy z nich na kartce. Kanadyjska firma doradcza radzi zacząć od jednego do trzech przypadków i podaje kryteria wyboru, czyli jasną potrzebę, szybki wynik, inwestycję proporcjonalną do korzyści, ograniczone ryzyko i poparcie zespołu. Belgijski profesor zarządzania Alain Vas dodaje, że problemem nie jest brak pomysłów, lecz ich selekcja, i proponuje najpierw rozszerzyć listę, a potem zdecydowanie ją zawęzić.

Korzystamy z drugiej szkoły, ponieważ w firmie zatrudniającej sto osób tydzień z kartką daje więcej niż warsztat z macierzą. Z pierwszej zapożyczamy jedno prawo weta, opisane przez amerykańską firmę GetWidget. Przypadek, w którym ryzyko jest nieodwracalne, a brakuje punktu kontroli człowieka, otrzymuje zero punktów i odpada, nawet jeżeli na papierze ma najwyższą wartość. W ich przykładzie autonomiczny agent cenowy w ubezpieczeniach uzyskał siedemdziesiąt siedem punktów i został odrzucony z powodu braku bramki. Od BCG przejmujemy pytanie, którego poradniki dla małych firm nie zadają, czyli czy to w ogóle jest zadanie dla agenta. Sztywne reguły obsłuży klasyczna automatyzacja, taniej i pewniej, natomiast agent jest potrzebny tam, gdzie środowisko jest złożone, a ryzyko daje się kontrolować. Anthropic ujmuje to jako zasadę najprostszego rozwiązania, w której złożoność zwiększa się tylko wtedy, gdy jest to konieczne. Jak policzyć, czy automatyzacja się opłaca, opisaliśmy w tekście Kiedy automatyzacja jest warta swojej ceny.

03Praktyka 3 z 10  /  PilotMały pilot z miernikiem, potem skalowanie

Cztery do sześciu tygodni u Slacka, sześćdziesiąt do dziewięćdziesięciu dni u amerykańskich agencji, jeden dział i pięciu do piętnastu ochotników we Francji. Zgadzamy się, ale rynek sam przyznaje, że większość pilotaży nie przynosi efektu, i nie wyjaśnia dlaczego.

Mały pilot z miernikiem, potem skalowanie

Pilotaż jest drugą najczęstszą radą i jedyną, co do której rynek sam dostarcza dowodów, że nie działa zgodnie z obietnicą. Sopra Steria Next podaje, że mniej niż jedna trzecia projektów generatywnej AI osiąga stabilną produkcję, i nazywa to zjawisko cmentarzem pilotaży. Capgemini pisze, że zaledwie dwa procent firm wdrożyło agentów na dużą skalę, a zaufanie do w pełni autonomicznych agentów spadło w ciągu roku z czterdziestu trzech do dwudziestu siedmiu procent. Badacze z MIT, którzy w 2025 roku przeanalizowali trzysta publicznie opisanych wdrożeń i rozmawiali z przedstawicielami kilkudziesięciu organizacji, podali, że dziewięćdziesiąt pięć procent pilotaży generatywnej AI nie przyniosło mierzalnego wpływu na wynik firmy. Te liczby cytują wszyscy, zwykle w pierwszym akapicie, po czym radzą przeprowadzić pilotaż.

Zgadzamy się z samym pilotażem i nie zgadzamy się z prawie niczym, co rynek mówi o nim dalej. Diagnoza MIT jest ciekawsza od samej liczby. Główną przyczyną niepowodzeń jest luka w uczeniu. Narzędzia nie zapamiętują poprawek, więc po pół roku popełniają te same błędy co pierwszego dnia, a pracownicy wracają do czata na prywatnym koncie. Drugą przyczynę podaje KPMG, według którego sześćdziesiąt dwa procent firm po wdrożeniu AI nie mierzy efektów. Trzecią wskazuje polska firma Zowie. Model rzadko jest problemem, wdrożenia zawodzą na integracji i procesach, a wartość powstaje dzięki ciągłej optymalizacji po uruchomieniu, którą ktoś musi wykonywać. Rynek nie wyciąga z tego wniosku, więc zrobimy to za niego. Pilotaż, po którym nikt nie przegląda poprawek i nie mierzy jednej metryki biznesowej po trzydziestu i dziewięćdziesięciu dniach, od pierwszego dnia ma zarezerwowane miejsce na wspomnianym cmentarzu. Francuska Ethanolle jako jedna z nielicznych podaje te dwa terminy pomiaru. Przejmujemy je, a resztę, czyli pętlę uczenia jako etap wdrożenia, dobudowujemy sami.

04Praktyka 4 z 10  /  LudzieSiedemdziesiąt procent wysiłku to ludzie i procesy

Reguła BCG cytowana po polsku, angielsku i hiszpańsku. Przejmujemy lidera zmiany w dziale, kierowników liniowych zamiast centralnego zespołu oraz konsultację z pracownikami. Uzupełniamy ją szkoleniem na rzeczywistych zadaniach, a nie o AI w ogóle.

Siedemdziesiąt procent wysiłku to ludzie i procesy

Reguła BCG, według której dziesięć procent wysiłku przypada na algorytmy, dwadzieścia na technologię i dane, a siedemdziesiąt na ludzi i procesy, pojawia się u amerykańskich agencji oraz w chilijskim oddziale BCG, który nazywa ją modelem góry lodowej. Rodrigo Durán z chilijskiego centrum badań nad AI mówi wprost, że bez pełnego przeprojektowania organizacji nie da się uzyskać wartości, a pierwszy rok to głównie przygotowanie. Badacze z MIT dodają, że inicjatywa powinna należeć do kierowników liniowych, a nie do centralnego zespołu AI. We Francji jest to wątek najsilniejszy ze wszystkich. Szkolenie nazywa się tam "pierwszym czynnikiem sukcesu" i finansuje ze środków publicznych, ubezpieczyciel MAIF przed wdrożeniem zwołał konwencję trzydziestu losowo wybranych pracowników, a sąd w Nanterre zawiesił w 2025 roku wdrożenie AI, przy którym pominięto konsultację z radą pracowników. Hiszpańska Alcatech streszcza to w trzech słowach: szkolić przed licencjonowaniem.

Przejmujemy to wszystko, ponieważ jest to najlepiej udokumentowana część rynku. Uzupełniamy dwie rzeczy. Po pierwsze, szkolenie powinno odbywać się na rzeczywistych zadaniach pracownika, na jego fakturach i umowach, a nie na wykładzie o sztucznej inteligencji. Według Ipsos tylko co piąty francuski pracownik używający AI przeszedł jakiekolwiek szkolenie, a czterech na dziesięciu korzysta z konta prywatnego. Szkolenie z narzędzia, do którego nie wolno wklejać umów, uczy przede wszystkim omijania zasad. Po drugie, istnieje argument prawny, który podaje tylko szwedzkie Opsio i kilka kancelarii. Artykuł 4 rozporządzenia o sztucznej inteligencji od lutego 2025 roku nakłada na firmy obowiązek dbania o kompetencje pracowników w zakresie AI. Osobnej kary za jego naruszenie nie przewidziano, ale na zarząd działa on skuteczniej niż hasło o siedemdziesięciu procentach.

05Praktyka 5 z 10  /  Dane i systemyPorządek w danych i systemach przed AI

"System informatyczny przed sztuczną inteligencją" u Ethanolle, "więcej niż trzy systemy bez połączenia, najpierw to napraw" u Neorg. Zgadzamy się i dodajemy to, o czym pisze tylko Microsoft, czyli porządek w uprawnieniach, ponieważ agent dziedziczy także ich nieuporządkowanie.

Porządek w danych i systemach przed AI

EY pisze, że jakość danych jest ważniejsza od ich ilości, Polski Instytut Ekonomiczny, że AI stanowi naturalne uzupełnienie wcześniejszej cyfryzacji, a Capgemini, że cztery firmy na pięć nie mają przygotowanych danych. Hiszpański Arsys radzi likwidować silosy, a Neorg podaje regułę praktyczną. Jeżeli kluczowe dane znajdują się w więcej niż trzech systemach bez połączenia, najpierw trzeba to naprawić. Francuska Ethanolle, która prowadzi statystykę spotkań z klientami, podaje, że w stu siedemdziesięciu siedmiu z czterystu czterdziestu siedmiu rozmów tematem był arkusz kalkulacyjny prowadzony obok głównego systemu. Firma Develop Argentina dodaje tezę, pod którą się podpisujemy. Projekty kończą się niepowodzeniem, ponieważ firmy automatyzują wadliwe procesy, zamiast je przeprojektować.

Z tej praktyki przejmujemy wszystko i zwracamy uwagę na jedną rzecz, którą w całym przeglądzie podaje wyłącznie dokumentacja Microsoftu o Copilocie, czyli porządek w uprawnieniach. Copilot korzysta tylko z danych, do których użytkownik ma już dostęp, dlatego pierwszym krokiem wdrożenia jest u Microsoftu uporządkowanie nadmiernych udostępnień. Agent dziedziczy uprawnienia razem z całym ich nieuporządkowaniem i korzysta z nich znacznie szybciej niż człowiek. Rynek pisze o jakości danych, a prawie nikt nie pisze o tym, kto te dane widzi. Dla nas jest to warunek wstępny każdego agenta podłączonego do systemów firmy.

06Praktyka 6 z 10  /  PolitykaPolityka AI zamiast zakazu

Rynek czterech krajów zgodnie twierdzi, że zakazy nie działają. Przejmujemy klasyfikację danych i konto firmowe. Nie zgadzamy się co do długości: polityka ma mieć jedną stronę, a nie dwanaście sekcji.

Polityka AI zamiast zakazu

W tej praktyce rynek jest najbardziej zgodny i dysponuje najlepszymi danymi. Badanie Cisco z 2024 roku, przeprowadzone wśród ponad dwóch i pół tysiąca specjalistów od bezpieczeństwa, pokazało, że ponad jedna czwarta firm przynajmniej czasowo zakazała narzędzi generatywnych, a prawie połowa badanych przyznała, że pracownicy i tak wprowadzali do nich informacje niepubliczne. PagerDuty podał w 2026 roku, na podstawie ankiety wśród ponad tysiąca pracowników dużych firm w czterech krajach, że dwie trzecie z nich używa AI wbrew polityce, a co trzeci wklejał dane klientów do publicznych narzędzi. Polski serwis XYZ, hiszpański ESET, francuski IT-Connect i amerykańscy dostawcy rozwiązań bezpieczeństwa formułują tę samą receptę, czyli zatwierdzone narzędzie w miejsce zakazu, klasyfikację danych, szkolenia i monitorowanie. Samsung, którego inżynierowie w 2023 roku trzy razy w ciągu kilku tygodni wkleili do ChatGPT kod źródłowy i zapis spotkania, wprowadził zakaz, a ostatecznie zbudował własny model, ponieważ potrzeba nie zniknęła.

Przejmujemy stąd klasyfikację danych na czterech poziomach (jawne, wewnętrzne, poufne, regulowane), którą proponuje XYZ, listę zakazanych danych wejściowych, którą rozpisuje Opsio, i przede wszystkim konto firmowe z umową jako pierwszy krok. Ten sam czat na koncie prywatnym i firmowym to dwa różne produkty. Na koncie prywatnym rozmowy mogą domyślnie służyć do trenowania modelu, na firmowym domyślnie nie służą, a dostawca podpisuje umowę o powierzeniu. Hiszpański regulator radzi wprost, aby korzystać wyłącznie z wersji dla przedsiębiorstw. Nie zgadzamy się natomiast co do formy. Najpopularniejszy na rynku wzór polityki ma dwanaście sekcji z klauzulami i listą pytań. Polityka, której nikt nie przeczyta, niczego nie chroni, chociaż trzeba przyznać, że dobrze wygląda w segregatorze. Nasza mieści się na jednej stronie i zawiera cztery poziomy danych, wykaz informacji, których nie wkleja się nigdzie poza narzędziami z anonimizacją, dozwolone i zakazane zastosowania oraz zdanie o decyzjach kadrowych i kredytowych, które zawsze podejmuje człowiek. Zwracamy też uwagę na skutek prawny, o którym pisze tylko kilka kancelarii. Tajemnica przedsiębiorstwa chroni wyłącznie informacje, wobec których firma podjęła działania w celu zachowania ich poufności. Firmie bez zasad korzystania z AI trudniej będzie zatem wykazać, że chroniła swoje umowy.

07Praktyka 7 z 10  /  Dane wrażliweNie wysyłaj danych wrażliwych do AI

Jedyna praktyka, z którą nie zgadzamy się w całości. Rynek radzi wyłączyć z AI faktury, umowy i dane klientów. My pokazujemy, jak na nich pracować bez przekazywania prawdziwych danych, a tego nie opisuje nikt.

Nie wysyłaj danych wrażliwych do AI

Tutaj rynek jest zgodny i tutaj mamy odmienne zdanie. Francuski CNIL radzi nie przekazywać danych osobowych, ANSSI zaleca, aby nie używać internetowych narzędzi generatywnych do danych wrażliwych, a hiszpańska agencja ochrony danych pisze o mechanizmach blokujących wprowadzanie danych osobowych do nieautoryzowanych systemów. Szkoły biznesu radzą wybierać do AI zadania bez danych wrażliwych, a polskie i hiszpańskie wzory polityk umieszczają PESEL, dane klientów i dane finansowe na liście zakazanej. We wszystkich przeczytanych poradnikach z cyklu "od czego zacząć" bezpieczeństwo danych zajmuje od jednego zdania do dwóch akapitów. Szczegóły istnieją, ale w osobnych tekstach regulatorów, firm zajmujących się bezpieczeństwem i kancelarii. Te dwa światy nie spotykają się w jednym artykule.

Problem polega na tym, że rada "nie wysyłaj" wyklucza akurat te procesy, które dają firmie najwięcej, czyli faktury, umowy, reklamacje, korespondencję z klientami i plan produkcji z nazwiskami w grafiku. Rynek stawia firmę przed wyborem między wartością a bezpieczeństwem, doradza bezpieczeństwo, po czym sprzedaje licencję na czat, do którego pracownicy i tak wklejają umowy. Istnieje mechanizm, który ten wybór znosi. Rynek go zna, tylko nie w poradnikach. Jest nim 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. Zanim dokument opuści komputer, program zamienia nazwy kontrahentów, kwoty, adresy i identyfikatory na zastępniki. Model pracuje na treści, a odpowiedź wraca z prawdziwymi danymi podstawionymi z klucza, który nigdy nie opuścił firmy. Austriacka firma wavect rozpisuje ten proces na siedem kroków, amerykański Kiteworks pisze o odwracalnych tokenach przechowywanych w sejfie, otwarte oprogramowanie Presidio ma tryb szyfrowania wykrytych danych, a praca opublikowana w serwisie arXiv w 2025 roku opisuje kompletną architekturę. W Polsce znaleźliśmy jedynie działającą bez połączenia z siecią wtyczkę, która rozpoznaje PESEL, NIP, REGON i KRS, oraz opis ręcznego maskowania umów aliasami w arkuszu u jednego konsultanta zakupowego. Żaden wdrożeniowiec na żadnym rynku nie opisuje tego mechanizmu jako etapu wdrożenia. To największa luka, jaką znaleźliśmy, i wokół niej zbudowaliśmy drugą warstwę naszej ścieżki.

Uczciwie dodajemy zastrzeżenia, które źródła techniczne podają zgodnie. Dane pseudonimizowane pozostają w rozumieniu RODO danymi osobowymi, dopóki istnieje klucz. Mechanizm realizuje zasadę minimalizacji i zmniejsza ryzyko, ale nie wyłącza stosowania RODO ani nie zwalnia z zawarcia umowy o powierzeniu. Trybunał Sprawiedliwości UE orzekł we wrześniu 2025 roku, że dla odbiorcy, który nie ma klucza, takie dane mogą nie być danymi osobowymi. Jest to argument za taką architekturą, a nie dowód, że problem zniknął. Detektor jest czujnikiem, a nie granicą bezpieczeństwa, jak ujął to autor z wavect. Wreszcie narzędzia zza oceanu nie znają polskich danych. Nie rozpoznają numeru PESEL ani NIP, a filtr prywatności jednego z dużych dostawców sam przyznaje, że poza językiem angielskim działa słabiej.

08Praktyka 8 z 10  /  AgenciNajmniejsze uprawnienia i człowiek w pętli

Najlepiej opisana część rynku, ale wyłącznie w tekstach dla inżynierów i w wytycznych regulatorów. Przejmujemy wszystko. Nie zgadzamy się z tym, że nadzór człowieka jest etapem przejściowym, ani z tym, że halucynacja jest wadą.

Najmniejsze uprawnienia i człowiek w pętli

Gdy poradniki przechodzą do agentów, czyli programów, które nie tylko odpowiadają, ale również działają w systemach firmy, rynek anglojęzyczny i regulatorzy dostarczają najlepszych praktyk w całym przeglądzie. Nigdy jednak nie robią tego w poradniku dla firmy. OWASP w liście ryzyk dla aplikacji z modelami językowymi nazywa problem "nadmierną sprawczością" i radzi uruchamiać rozszerzenia w kontekście użytkownika, wymagać zgody człowieka oraz sprawdzać uprawnienia w systemie docelowym, zamiast polegać na tym, że model sam "zdecyduje", czy akcja jest dozwolona. Radiant Logic, firma zajmująca się zarządzaniem tożsamością, pisze, że agent nigdy nie otrzymuje kluczy na własność, lecz pożycza tyle uprawnień, ile wymaga dobrze zdefiniowane zadanie. Jeżeli handlowiec nie potrzebuje prawa do edycji danych każdego klienta, jego agent również go nie potrzebuje. Okta ostrzega, że agent zarejestrowany jak aplikacja serwisowa otrzymuje więcej uprawnień niż człowiek, którego reprezentuje. Mistral reklamuje wersję firmową "ścisłym przestrzeganiem list dostępu". Polski Comarch, wprowadzając agentów do swojego systemu ERP, deklaruje, że system wyłącznie sugeruje, a użytkownik zatwierdza każdą operację. Barcelońska NeuralTrust opisuje pięć poziomów ryzyka akcji, od odczytu bez zatwierdzenia po akcje zakazane, i ostrzega przed zmęczeniem zatwierdzaniem, ponieważ użytkownicy akceptują ponad dziewięćdziesiąt procent próśb o uprawnienia bez czytania. Hiszpańska agencja ochrony danych wydała w 2026 roku najbardziej konkretne wytyczne regulatora o agentach, jakie znaleźliśmy, z regułą dwóch z trzech. Agent nie może mieć jednocześnie niekontrolowanych danych wejściowych, dostępu do danych wrażliwych i możliwości wykonania akcji z rzeczywistym skutkiem. Ataki EchoLeak na Microsoft 365 Copilot i ShadowLeak na agenta badawczego ChatGPT z 2025 roku powiodły się właśnie dlatego, że agent miał wszystkie trzy.

Przejmujemy to w całości i składamy w jedną zasadę: agent ma dokładnie takie uprawnienia jak pracownik, dla którego pracuje, i proponuje, a człowiek zatwierdza. Nie zgadzamy się w dwóch miejscach. Po pierwsze, Deloitte Digital i znaczna część rynku opisują nadzór człowieka jako etap przejściowy, który przestanie być potrzebny, gdy agenci osiągną dziewięćdziesiąt procent trafności. Uważamy, że potrzebny pozostanie, ponieważ jest to stały element architektury, a nie rozwiązanie tymczasowe na czas dojrzewania modeli. Klarna ogłosiła w 2024 roku, że jej asystent wykonuje pracę siedmiuset osób, a w maju 2025 roku jej prezes przyznał, że firma ponownie zatrudnia ludzi, ponieważ pełne przejście na AI w obsłudze klienta obniżyło jakość. Tego kontrprzykładu nie przytacza żaden poradnik. Po drugie, cały rynek traktuje halucynacjęHallucinationOdpowiedź 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. jako wadę do wyeliminowania. My uważamy ją za cechę. Ta sama zdolność, dzięki której agent proponuje rozwiązanie spoza instrukcji, pozwala mu zaproponować absurd. Model nie odróżnia jednego od drugiego, a człowiek potrzebuje na to trzech sekund. Najbliższe tej tezie jest zdanie z Radiant Logic, że najgroźniejsze systemy AI to nie te, które halucynują, lecz te, które działają. Wynika z tego praktyka: zostaw agentowi kreatywność, a przycisk "zapisz" zachowaj dla człowieka. Gdy jeden agent przestaje wystarczać i do pracy potrzebny jest zespół, te same zasady obejmują wszystkich jego członków, co opisaliśmy w artykule o orkiestracji agentów AI.

09Praktyka 9 z 10  /  NarzędziaZacznij od gotowego asystenta, nie od data science

Rynek zgodnie radzi ChatGPT Enterprise, Copilota albo Gemini na początek. Zgadzamy się, ale zwracamy uwagę na dwa braki: n8n i Make'a nie ma w żadnym poradniku, a "lokalny" oznacza u każdego autora coś innego.

Zacznij od gotowego asystenta, nie od data science

Dominująca rada dla małych i średnich firm brzmi na wszystkich rynkach tak samo. Zacznij od gotowego asystenta w planie firmowym, czyli ChatGPT Team albo Enterprise, Microsoft 365 Copilot lub Gemini w Workspace, a we Francji także Mistral Le Chat i Claude Team, i nie buduj własnych modeli. Kolejnym krokiem są platformy agentowe (Copilot Studio, Agentforce, francuski Dust z trzema tysiącami klientów oraz platformy bez kodu dla pracowników tworzących własne narzędzia), a u najlepszych autorów własni agenci korzystający z API i wyszukiwania w dokumentach firmy. Hiszpański bank BBVA po udostępnieniu ChatGPT pracownikom odnotował w ciągu pięciu miesięcy ponad dwa tysiące dziewięćset własnych narzędzi zbudowanych przez pracowników przy udziale działu prawnego i działu bezpieczeństwa. Rynek hiszpański i tamtejszy regulator opisują podobne zjawisko pod hasłem "przynieś własnego agenta", wyłącznie jako zagrożenie.

Z tą praktyką się zgadzamy i zwracamy uwagę na dwa braki. Pierwszy dotyczy narzędzi automatyzacji w rodzaju n8n, Make'a czy Zapiera, które nie występują w żadnym przeczytanym poradniku na żadnym rynku i pojawiają się wyłącznie w ofertach freelancerów. To zaskakujące, ponieważ dla połowy procesów zapisanych w tygodniu z kartką zwykła automatyzacja bez modelu językowego jest lepszą odpowiedzią niż agent. Tę lukę zamkniemy osobnym tekstem. Drugi brak dotyczy słowa "lokalny", które u każdego autora oznacza coś innego. CNIL radzi wybierać systemy lokalne, zabezpieczone i wyspecjalizowane, hiszpański regulator pisze o systemach wewnętrznych, polskie źródła o Bieliku na serwerze firmy, francuskie o Mistralu i LightOnie w odizolowanej sieci, a amerykańskie o modelach na laptopach. Doniesienia o agentach na komputerze pracownika są z kolei sprzeczne co do tego, czy ich sesje wykonują się lokalnie, czy zdalnie. Porządkujemy to trzema nazwanymi poziomami. Na pierwszym agent i pliki znajdują się na komputerze pracownika, a model w chmurze, dostępny przez konto firmowe. Na drugim agent i model działają lokalnie na serwerze firmy. Na trzecim wszystko odbywa się u dostawcy, w przeglądarce. Większości firm wystarcza pierwszy poziom, pod warunkiem zastosowania anonimizacji z praktyki siódmej. Żaden integrator nie traktuje agenta na komputerze pracownika jako etapu wdrożenia. My tak.

10Praktyka 10 z 10  /  PomiarMierz efekty i dostosowuj

Rynek radzi mierzyć, rzadko wyjaśnia jak i prawie nigdy nie wskazuje, kto ma to robić po pilotażu. Przejmujemy dwa terminy pomiaru i jeden dowód Microsoftu, a resztę, czyli pętlę uczenia jako etap, dobudowujemy sami.

Mierz efekty i dostosowuj

Ostatnia praktyka jest wymieniana najczęściej i opisywana najrzadziej. Rynek radzi "mierzyć ROI" i "dostosowywać w sposób ciągły", po czym KPMG podaje, że sześćdziesiąt dwa procent firm po wdrożeniu AI nie mierzy efektów, a amerykańskie agencje piszą o zwrocie od trzech do dziesięciu razy bez wskazania źródła. Konkretów jest kilka. Ethanolle zaleca pomiar po trzydziestu i dziewięćdziesięciu dniach. Zowie przypomina, że po uruchomieniu ktoś musi przeglądać rozmowy agenta. BCG proponuje zestaw testów i iteracje sterowane ewaluacjami, czyli początek od najprostszego agenta i dodawanie złożoności dopiero wtedy, gdy testy wykażą problem. OpenAI radzi zacząć od ewaluacji i przed wdrożeniem produkcyjnym porównywać odpowiedzi modelu z odpowiedziami ekspertów. Jest też jeden dowód, że pętla uczenia działa, opublikowany przez Microsoft w 2026 roku. Na zbiorze stu faktur przetwarzanych dziesięć razy z rzędu, przy zapisywaniu korekt użytkowników jako pamięci agenta, odsetek pól wymagających ręcznej poprawki spadł z sześćdziesięciu czterech do czterdziestu ośmiu procent, bez zmiany modelu i bez udziału programisty.

Przejmujemy terminy pomiaru, ewaluacje jako warunek dopuszczenia do produkcji oraz mechanizm Microsoftu. Zwracamy uwagę na trzy rzeczy, których rynek nie robi. Metryką powinna być jedna liczba biznesowa na proces, na przykład czas przygotowania planu albo liczba faktur bez poprawki, a nie liczba użytkowników, ponieważ adopcja nie jest wynikiem. Pętla uczenia powinna mieć właściciela, który poświęca jej godzinę w tygodniu, ponieważ uczenie się firmy nie jest funkcją oprogramowania, lecz nawykiem. Mamy też jedno zastrzeżenie wobec Microsoftu, u którego nowa wersja instrukcji agenta zaczyna obowiązywać automatycznie po teście statystycznym. Uważamy, że zmiana zachowania agenta pracującego dla całej firmy powinna przechodzić przez tę samą bramkę co każda inna akcja z rzeczywistym skutkiem. Agent, który bez nadzoru zmienia własne zasady, stanowi ten sam problem co agent z pełnym dostępem, tylko rozłożony w czasie. Regulatorzy piszący o agentach zgodnie akcentują ograniczanie ich pamięci, a uczenie na wzorcach zamiast na danych pozwala pogodzić pętlę z tą zasadą.

Czego nie mówi nikt

Na koniec lista, dla której warto było przeczytać osiemdziesiąt tekstów. Składa się z pięciu rzeczy, których nie znaleźliśmy w żadnym poradniku na żadnym rynku i które tworzą naszą ścieżkę wdrożenia opisaną w artykule o etapach.

Nikt nie opisuje warstwy anonimizacji z przywracaniem danych jako etapu wdrożenia. Wzorzec jest znany technicznie, biznesowo nie istnieje, a polskich typów danych nie rozpoznaje żadne narzędzie. Nikt nie traktuje agenta pracującego na komputerze pracownika jako kroku ścieżki, mimo rady CNIL. Nikt nie pisze, że halucynacja jest cechą, wokół której projektuje się proces z bramką, a nie wadą do wyeliminowania. Nikt nie opisuje pracownika budującego własne narzędzia jako celu, a nie zagrożenia, pod warunkiem prowadzenia katalogu, nadania tożsamości i przeprowadzenia testu. Nikt wreszcie nie opisuje pętli uczenia się firmy z własnych poprawek jako etapu wdrożenia z właścicielem i bramką, chociaż badacze z MIT wskazali brak uczenia jako główną przyczynę niepowodzeń pilotaży. Z tego, co rynek robi dobrze, przejmujemy prawie wszystko. Te pięć rzeczy dopisujemy sami. W ten sposób budujemy agentów AI dla firm.

Najczęstsze pytania o dobre praktyki wdrożenia AI

Jakie są dobre praktyki wdrożenia AI w firmie, co do których zgadzają się wszyscy?

Jest ich dziesięć. Zacznij od problemu, a nie od narzędzia. Wybieraj procesy macierzą albo tygodniem notowania zadań. Przeprowadź mały pilotaż z miernikiem. Siedemdziesiąt procent wysiłku przeznacz na ludzi i procesy. Uporządkuj dane i systemy przed wdrożeniem AI. Wprowadź politykę AI zamiast zakazu. Zachowaj ostrożność wobec danych wrażliwych. Nadaj agentom najmniejsze możliwe uprawnienia i pozostaw człowieka w pętli. Zacznij od gotowego asystenta. Mierz efekty i dostosowuj. Zgadzamy się z dziewięcioma i pół.

Z którą praktyką rynku MTZN się nie zgadza?

Z radą "nie wysyłaj danych wrażliwych do AI", ponieważ wyklucza ona faktury, umowy i dane klientów, czyli procesy o największej wartości. Stosujemy w zamian pseudonimizację z przywracaniem, w której do modelu trafia treść z zastępnikami, a klucz pozostaje w firmie. Nie zgadzamy się również z tym, że nadzór człowieka nad agentem jest etapem przejściowym, ani z tym, że halucynacja jest wadą do wyeliminowania.

Czym różnią się rady wdrożeniowców w Polsce, USA, Francji i Hiszpanii?

Trzon jest wspólny. Polska dodaje własne modele językowe i obszerną grupę tekstów o shadow AI. Rynek anglojęzyczny ma najlepsze praktyki techniczne dotyczące uprawnień agentów, ale w tekstach dla inżynierów. Francja dodaje kartę AI, konsultację z radą pracowników i suwerenność danych. Hiszpański regulator wydał w 2026 roku najbardziej konkretne wytyczne o agentach, z regułą dwóch z trzech.

Komu wierzyć w liczbach o efektach AI?

Twarde liczby o efektach pochodzą prawie wyłącznie od dostawców piszących o własnych klientach, a zwroty "od trzech do dziesięciu razy" w poradnikach agencji zwykle nie mają źródła. Najbardziej wiarygodne są statystyki adopcji publikowane przez instytucje (Banque de France, Polski Instytut Ekonomiczny, GUS) oraz badania z opisaną metodologią (MIT, Cisco, PagerDuty). Niezależnego, zmierzonego przykładu z firmy produkcyjnej nie znaleźliśmy w żadnym języku.

Czy zakaz ChatGPT w firmie ma sens?

Według danych z czterech rynków nie ma. Cisco podało, że ponad jedna czwarta firm zakazała narzędzi generatywnych, a prawie połowa badanych przyznała, że pracownicy i tak wprowadzali do nich informacje firmowe. Zakaz przenosi problem na prywatny telefon. Skuteczniejsze są konto firmowe z umową, klasyfikacja danych i potraktowanie listy nieoficjalnych zastosowań jako mapy procesów do wdrożenia.

Dlaczego pilotaże AI kończą się niepowodzeniem?

Rynek sam to policzył. Według MIT dziewięćdziesiąt pięć procent pilotaży generatywnej AI nie przyniosło mierzalnego wpływu na wynik, głównie dlatego, że narzędzia nie uczą się z poprawek. Według KPMG sześćdziesiąt dwa procent firm nie mierzy efektów, a według Zowie wdrożenia zawodzą na integracji i procesach, a nie na modelu. Odpowiedzią są właściciel po pilotażu, jedna metryka biznesowa mierzona po trzydziestu i dziewięćdziesięciu dniach oraz pętla uczenia z bramką.

Gdzie szukać dobrych praktyk dla agentów AI w firmie?

W źródłach, których poradniki nie cytują. Należą do nich lista ryzyk OWASP dla aplikacji z modelami językowymi, dokumentacja Microsoftu o przygotowaniu uprawnień pod Copilota, wytyczne hiszpańskiej agencji ochrony danych o agentach z 2026 roku, teksty firm zajmujących się zarządzaniem tożsamością o uprawnieniach agentów oraz polski Comarch jako przykład zasady "system sugeruje, użytkownik zatwierdza".

Gdzie przeczytać o etapach wdrożenia, które układają te praktyki w kolejność?

W naszym artykule Wdrożenie AI w firmie: od czego zacząć, w którym na przykładzie jednej firmy produkcyjno-handlowej pokazujemy pięć warstw: konto firmowe i agenta na komputerze pracownika, anonimizację danych, uprawnienia i bramki dla agentów, szkolenie i własne narzędzia oraz firmę, która uczy się z własnej pracy.

Zaproszenie do rozmowy

Od czego zacząć wdrożenie AI w Twojej firmie? Ustalimy to razem na bezpłatnej konsultacji

Opowiesz nam, do czego Twoi ludzie używają dziś czata, a my pokażemy, który proces wziąć pierwszy, 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.

Umów konsultację
Zobacz, jak budujemy agentów AI dla firm

Dawid Grabanowski

Dawid Grabanowski, założyciel MTZN. Projektuje i wdraża rozwiązania AI dla firm: agenty SI, uczenie maszynowe, automatyzacje procesów i aplikacje dedykowane. Specjalizuje się w architekturze serverless i optymalizacji kosztów wdrożeń. https://mtzn.pl