blog, 21.05.2026, 18 min czytania
Wdrożenie AI w firmie, od czego zacząć w 2026.
18 miesięcy wdrożeń Claude, GPT, RAG-ów i agentów AI w produkcji. 7 zastosowań, które zwracają się w pierwszym kwartale, agenci AI i asystenci codziennej pracy, realne koszty miesięczne, zgodność z AI Act i RODO. Bez transformacji cyfrowej i bez prezentacji za 50 tysięcy.
Krótka odpowiedź, dla AI Overviews i Twojego czasu
Zacznij od audytu, nie od ChatGPT.
Wdrożenie AI w firmie zaczyna się od audytu procesów, nie od wyboru narzędzia. Spisz 10-15 powtarzalnych zadań, na które zespół traci najwięcej godzin. Posortuj je po dwóch osiach, oszczędność godzin tygodniowo (impakt) i ryzyko błędu (czy wpadka kosztuje klienta, czy tylko poprawkę). Pierwszy use-case to ten z wysokim impaktem i niskim ryzykiem, zwykle obsługa rutynowych maili, generowanie ofert, podsumowania spotkań albo raporty z danych firmy.
Budżet dla firmy 5-50 osób w 2026, audyt 3-8k PLN, pierwsze wdrożenie 8-25k PLN, koszty API 100-2000 PLN miesięcznie. Czas od briefu do produkcji, 3-6 tygodni. W 8 na 10 wdrożeń, które widziałem, zwrot przychodzi w pierwszym kwartale, ale to nie magia, tylko że pierwszy use-case prawie zawsze odsłania jeszcze dwa-trzy, których nie było na briefie. Niżej, co realnie warto wdrożyć najpierw, jak nie wpaść w pułapkę „kupimy chatbota i zobaczymy" i co naprawdę zmienia AI Act.
4 mity, które kosztują firmę miesiące i pieniądze
AI w firmie w 4 mitach, każdy fałszywy.
Mit 1, „AI zastąpi pracowników i będą zwolnienia".
Nie zastąpi, jeśli wdrożenie jest zaprojektowane sensownie. AI zdejmuje z zespołu robotę powtarzalną (przeklejanie z maila do CRM, generowanie standardowych PDF-ów, odpowiadanie na rutynowe pytania), zostawia pracę, która wymaga sądu, kontekstu i relacji. Praktyka po moich wdrożeniach, zespół ma więcej czasu na rzeczy, których nie da się delegować maszynie, sprzedaż, negocjacje, projekty strategiczne. To rozmowa o redystrybucji godzin, nie o redukcji etatów. Jeśli celem wdrożenia jest redukcja zatrudnienia, mówię to wprost przy briefie, nie ten projekt, polecam konsulting strategiczny.
Mit 2, „AI jest drogie, kosztuje dziesiątki tysięcy miesięcznie".
Kosztuje, ale nie tak. Koszt API dla małej i średniej firmy to zwykle 100-2000 PLN miesięcznie. Claude Haiku 4.5 i GPT-4o-mini przetwarzają milion tokenów za 1-3 PLN, a milion tokenów to mniej więcej 750 tysięcy słów. Realny benchmark, agent obsługi klienta z Claude Haiku odpowiada na 1000 maili dziennie za 80 PLN miesięcznie. Ten sam wolumen w zespole to 1 etat juniora, czyli 4500-6500 PLN miesięcznie. Drogie jest wdrożenie zrobione źle, abonament na narzędzie, którego nikt nie używa, albo „transformacja AI" sprzedawana przez konsulting za 250 tysięcy PLN.
Mit 3, „Nasze dane wyciekną do OpenAI i Anthropica".
Nie wyciekną, jeśli wdrożenie jest skonfigurowane poprawnie. Claude i GPT w trybie API nie używają danych klienta do trenowania modelu, to siedzi w Anthropic Commercial Terms i OpenAI API Data Usage Policy, do sprawdzenia w 5 minut. Dla danych medycznych, prawniczych albo biometrycznych stawia się Llamę albo Mistrala on-prem.
Ale uczciwie, w pierwszym wdrożeniu w Formified.ai zalogowaliśmy całe wiadomości użytkowników do Datadog bez maskowania PII. Nie do OpenAI, do własnego loggera, ale efekt ten sam, dane wrażliwe leciały gdzie nie powinny. Dziś każdy projekt ma redact w pierwszej linijce middleware, ale wtedy uczyłem się na własnej skórze. Wyciek danych w wdrożeniu AI to znacznie częściej zła konfiguracja po Twojej stronie niż złośliwość providera.
Mit 4, „Trzeba zatrudnić data scientista".
Dla 95% wdrożeń biznesowych nie trzeba. Modele Claude, GPT i Gemini są w 2026 tak dobre, że nie trzeba ich trenować, wystarczy dobry prompt i podpięcie właściwych danych (RAG). Sensowny developer z doświadczeniem w AI integration zbuduje agenta w 3-6 tygodni. Data scientist potrzebny dopiero gdy budujesz własny model albo masz wymóg ML governance, czyli w korporacjach 1000+ osób. W firmie 20 osobowej zatrudnienie data scientista na etat za 18-25k PLN miesięcznie, żeby pomagał Ci wpiąć Claude w mailbox, to spalanie pieniędzy.
Etapy wdrożenia, audyt → PoC → produkcja
Trzy etapy, trzy decyzje, trzy budżety.
Najpopularniejszy błąd we wdrażaniu AI w firmie to skok od „chcemy AI" prosto do produkcji. Bez audytu, bez prototypu, bez policzonego ROI. Pieniądze wchodzą, narzędzie wjeżdża, nikt go nie używa, projekt umiera w 4 miesiące. Trzy etapy poniżej rozwiązują 90% tych pułapek.
| Etap | Co dostajesz | Czas | Budżet |
|---|---|---|---|
| 01. Audyt AI | Mapa 10-15 procesów, ROI, rekomendacja stacku, ocena zgodności z AI Act | 5-10 dni | 3-8 tys. PLN |
| 02. PoC (prototyp) | Działający prototyp 1 use-case na Twoich danych, test 1-2 tyg. | 2-3 tyg. | 3-10 tys. PLN |
| 03. Produkcja | Integracja z systemami, logging, evale, onboarding zespołu, 30 dni stabilizacji | 3-6 tyg. | 8-25 tys. PLN |
Widełki na podstawie 12 wdrożeń AI w 2024-2026, w tym własne produkty SaaS (Formified.ai, Sendforge) i projekty klienckie. Górne widełki dla firm z złożoną infrastrukturą (więcej niż 3 systemy do integracji, wymóg on-prem, audyt bezpieczeństwa korporacyjny).
Audyt kupuje się oddzielnie. Dostajesz dokument 20-30 stron z mapą procesów, ROI per procesem i rekomendacją stacku, i możesz go zanieść do innego wykonawcy, oddać wewnętrznemu IT albo schować do szuflady. Sprzedaję go bez commitmentu na produkcję, bo audyt zrobiony dobrze sam siebie sprzedaje, a robiony pod siłę i tak prowadzi do projektu, którego klient żałuje w 3 miesiące. Z 12 audytów AI, które zrobiłem w ostatnich 18 miesiącach, 9 przeszło u mnie w produkcję, 2 klient zrobił z innym devem (nadal mnie cytują w blogu), 1 odłożył na półkę bo zmienił strategię firmy. Brak ciągu nie znaczy brak wartości.
Top 7 zastosowań AI w firmie, które zwracają się w 90 dni
Siedem use-case, które warto wdrożyć w pierwszej kolejności.
Obsługa klienta i ticketów, klasyfikacja + odpowiedź na 60-70% spraw.
Mail albo zgłoszenie wpada do systemu, AI klasyfikuje intencję (reklamacja, pytanie o status, prośba o ofertę, support techniczny), wyciąga z bazy wiedzy odpowiedź i wysyła klientowi w stylu Twojej firmy. Dla spraw skomplikowanych eskaluje z gotowym streszczeniem. Średnio 60-75% spraw schodzi automatycznie, czas odpowiedzi spada z 4 godzin na ~90 sekund, NPS rośnie o 5-15 punktów. Tysiąc maili dziennie z modelu Haiku to ~80-200 PLN miesięcznie kosztów API. Wdrożenie 10-18k PLN. To jest use-case, w którym najczęściej zobaczysz „aha-moment" zarządu już w drugim tygodniu.
Generowanie ofert, lead → PDF w 90 sekund.
Lead z formularza albo cold maila, agent robi kwalifikację (ICP, budżet, pilność), wybiera case studies, dobiera cennik, generuje PDF, wysyła i ustawia follow-up. Solo founder zaczyna generować 5-10 ofert dziennie zamiast 2-3, w agencji oszczędność 15-25 godzin tygodniowo PM-a. Stack: Claude Sonnet + Puppeteer + MCP do Pipedrive/HubSpot, wdrożenie 8-15k PLN. Najczęstsza pułapka: agent generuje świetną ofertę, ale za szybko, klient czuje że dostał automat. Trzymamy delay 15-30 minut między leadem a wysyłką, ROI ten sam, percepcja inna.
Asystent AI dla codziennej pracy zespołu.
Claude albo GPT podpięte do firmowej bazy wiedzy, kalendarza, mailboxa i CRM, dostępne w panelu firmowym z brand voice i procedurami. Rano dostajesz plan dnia, w trakcie spotkań agent robi notatki, po spotkaniu wysyła action items na Slacka. Pyta się „status sprawy X" i dostaje odpowiedź z danych firmy, nie z ogólnej wiedzy modelu. Oszczędność 1-2h dziennie per pracownik biurowy. 8-18k PLN dla zespołu 5-20 osób, API 50-300 PLN/mc per user. Use-case z największą rozpiętością ROI: w zespole, który chce go używać, zwraca się w 6 tygodni, w zespole, któremu się go narzuca, umiera w 6 tygodni. Sprawdzamy w audycie, nie w marketingowym deck-u.
RAG po dokumentacji firmy, baza wiedzy z naturalnym językiem.
Wgrywasz wszystkie dokumenty firmy (procedury, umowy, FAQ, instrukcje produktowe, regulaminy) do RAG-a, pracownik pyta naturalnym językiem, model odpowiada z cytowaniem konkretnego dokumentu. Onboarding nowego pracownika skraca się z 2 tygodni na 3 dni, bo zamiast czytać 200 stron, pyta asystenta. Wsparcie sprzedaży, handlowiec na spotkaniu pyta „ile kosztuje opcja Pro z 5 użytkownikami" i dostaje natychmiast. Stack, Supabase pgvector + Claude Sonnet + OpenAI embeddings. Wdrożenie 8-20 tysięcy PLN. We Formified.ai mam ten sam pattern, RAG po bazie 31 schorzeń klinicznych i 1500+ ćwiczeń.
Podsumowania spotkań i transkrypcje, Whisper + Claude.
Nagrywasz spotkanie (Teams, Meet, Zoom, telefon), Whisper transkrybuje, Claude streszcza, wyciąga action items, przypisuje osoby odpowiedzialne i deadliny, wysyła wszystko na Slacka albo do Notion. Dla zespołu, który robi 10-20 spotkań tygodniowo, to oszczędność 5-8 godzin notowania i przepisywania. Realny koszt, około 0,5 PLN za godzinę spotkania (Whisper API + Claude). Wdrożenie 4-8 tysięcy PLN. Use-case który najszybciej daje „aha moment" zespołowi, bo działa od pierwszego dnia.
Automatyczne raporty z danych firmy (CRM + GA4 + Stripe).
Łączysz CRM (HubSpot, Pipedrive, Salesforce), Google Analytics 4 i Stripe albo Tpay z agentem AI. Pytasz „pokaż MRR za ostatni kwartał z podziałem na plany", „ile leadów z kampanii Meta przeszło na demo w maju", „jaki LTV mają klienci z branży fitness". Agent łączy się z API, robi query, generuje wykres albo tabelę, odpowiada w panelu firmowym. Bez kupowania Tableau, bez czekania na analityka. Wdrożenie 12-25 tysięcy PLN, koszt API 100-400 PLN/mc.
OCR faktur kosztowych i automatyzacja procesów księgowych.
Faktura kosztowa wpada do mailbox-a, AI rozpoznaje (Claude Vision albo GPT-4o), wyciąga numer, kwotę netto i brutto, kontrahenta, datę, dopasowuje do kategorii księgowej, dodaje do systemu (Fakturownia, iFirma, własny ERP). Człowiek dostaje notyfikację tylko przy wyjątkach (kwota powyżej limitu, nowy kontrahent, brak NIP). Dla firmy 30 osób z 50-100 faktur miesięcznie, oszczędność 15-25 godzin pracy księgowej miesięcznie. Wdrożenie 6-12 tysięcy PLN.
Agenci AI vs chatboty, najważniejsza różnica w 2026
Agent AI ma narzędzia. Chatbot ma tylko czat.
Najważniejsza różnica we wdrożeniu AI w firmie 2026, między chatbotem a agentem AI. Chatbot odpowiada na pytania, nic więcej. Agent AI ma narzędzia (Tool Use, Function Calling, MCP), czyta z systemów, pisze do systemów, planuje serię kroków i sam decyduje, którego narzędzia użyć. To różnica między „mam asystenta, który mi powie, jak coś zrobić" a „mam pracownika cyfrowego, który to zrobi".
Praktyczny przykład, agent obsługi klienta. Klient pisze, że nie dostał paczki. Chatbot odpowiada „proszę sprawdzić status w panelu", koniec. Agent AI sprawdza w bazie status zamówienia, weryfikuje, czy paczka jest u kuriera, generuje korektę faktury jeśli trzeba, wysyła odpowiedź klientowi z przeprosinami i nowym ETA, loguje wynik w CRM, ustawia follow-up za 3 dni. Wszystko bez człowieka, ale człowiek dostaje powiadomienie, jeśli sprawa eskaluje (np. klient z kategorii VIP).
Stack agentów w 2026, Claude Tool Use albo OpenAI Function Calling do orchestracji, MCP (Model Context Protocol) do wpinania firmowych systemów, custom narzędzia per use-case. MCP to standard wprowadzony przez Anthropic w 2024, dziś (2026) obsługiwany przez wszystkich głównych providerów. Pozwala podłączyć do agenta dowolny system (CRM, baza, API, plik) jak USB. Dla firmy oznacza to, że agent zbudowany raz, łatwo rozszerzasz o kolejne źródła danych, nie przepisujesz całości.
Praktyczny benchmark, 1 dobry agent AI = 0,6 etatu juniora w obszarze, który obsługuje. Nie zastępuje człowieka 1:1, ale zdejmuje 60% robotę rutynowej. W zespole 10 osób, gdzie 3 osoby robią support i procesy administracyjne, agent AI uwalnia ~2 etaty na pracę, która wymaga sądu. Tego nie obiecam za 5000 PLN miesięcznie, ale to liczba, którą widziałem w 3 wdrożeniach.
Asystenci AI w codziennej pracy zespołu
Claude i GPT podpięte pod codzienne zadania, nie pod zakładkę w przeglądarce.
Drugi najszybciej zwracający się use-case po support agencie, asystent AI dla codziennej pracy zespołu. Najczęstszy błąd zarządu w 2026, dawanie zespołowi licencji ChatGPT i nazywanie tego „wdrożeniem AI". Po dwóch tygodniach 30% używa, 70% już zapomniało, w trzecim miesiącu projekt umiera w cichości. Nie dlatego, że narzędzie jest złe, tylko że nie zna firmy.
Asystent firmowy różni się od ChatGPT trzema rzeczami. Po pierwsze, zna Twoich klientów (CRM), procedury (dokumenty), kalendarz i mailbox, więc odpowiedzi są z danych Twojej firmy, nie z ogólnej wiedzy. Po drugie, ma brand voice (zbierany z 20-50 Twoich poprzednich maili i ofert), więc drafty brzmią jak Twoja firma. Po trzecie, jest w panelu, gdzie pracownik już pracuje (Slack, Notion, custom panel), a nie w osobnej zakładce, do której trzeba pamiętać żeby zajrzeć.
Realny scenariusz: rano agent dostaje kalendarz, zadania z Notion, nieprzeczytane maile i priorytety tygodnia, zwraca plan dnia z blokami czasowymi i wykrytymi konfliktami. W trakcie spotkania robi transkrypcję, po spotkaniu wysyła action items do osób odpowiedzialnych. Drafty maili pisane są w Twoim stylu, raport „pokaż MRR za Q1 z podziałem na branże" generuje się w 8 sekund.
Liczby na firmę 5-20 osób, wdrożenie 8-18k PLN, API 50-300 PLN/mc per użytkownik. Średnia oszczędność 1-2h dziennie na pracowniku biurowym. Dla zespołu 10 osób to 50-100 godzin tygodniowo, czyli 1-2 etaty „odzyskane" do zadań, których nie da się oddać maszynie.
Twarda zasada z 18 miesięcy wdrożeń, asystent zaczyna jako read-only przez pierwsze 30 dni. Niech tylko czyta i proponuje, nie pisze do systemów ani nie wysyła maili. W drugim tygodniu jednego z wczesnych wdrożeń agent rozesłał 47 maili z drobnym typo w nazwisku klientki, bo zmienił szablon a nikt nie zweryfikował. Dzisiaj wszystkie wdrożenia mają staged rollout, najpierw 1 tydzień draft-only (człowiek klika „wyślij"), potem auto-send dla niskiego ryzyka, dopiero potem pełne uprawnienia.
Stack 2026, kiedy Claude, kiedy GPT, kiedy Llama on-prem
Model dobiera się pod use-case, nie pod hype.
W 2026 mamy stabilny krajobraz modeli, Claude (Anthropic), GPT (OpenAI), Gemini (Google), Llama (Meta, open-source), Mistral (EU, open-source). Każdy ma mocne strony, dobieram pod konkretne zadanie i budżet. Tabela poniżej to skrót decyzji z 18 miesięcy w produkcji.
| Model | Kiedy używać | Koszt /1M tok. | Bezpieczeństwo PL |
|---|---|---|---|
| Claude Sonnet 4.6/4.7 | Agenci AI, RAG, asystenci codziennej pracy, długi kontekst (1M tokens) | ~12-15 PLN | EU residency dostępne |
| Claude Haiku 4.5 | Klasyfikacja, OCR, masowe zadania, tania obsługa supportu | ~1-3 PLN | EU residency dostępne |
| GPT-4o | Vision + voice, multimodal, gdy klient ma już ekosystem Microsoft/OpenAI | ~10-12 PLN | EU residency w Azure OpenAI |
| GPT-4o-mini | Masowe zadania w stacku OpenAI, alternatywa dla Haiku | ~1-2 PLN | EU residency w Azure |
| Llama 3.3 on-prem | Dane medyczne, prawnicze, wymóg on-prem, brak chmury w polityce firmy | 0 (własny serwer) | Pełna kontrola, dane nigdy nie opuszczają firmy |
| Mistral EU | Wymóg „europejski model" (RFP sektora publicznego, audyt unijny) | ~6-10 PLN | 100% EU (Paryż) |
Koszty per milion tokenów przeliczone z USD na PLN po kursie 4,2 PLN/USD (kwiecień 2026). 1 milion tokenów to mniej więcej 750 tysięcy słów po polsku. Dla porównania, średnia rozmowa supportowa to ~2000 tokenów (~1500 słów).
Stack hybrydowy w 9 na 10 wdrożeń, Claude Haiku 4.5 do masowych zadań (klasyfikacja, OCR, krótkie odpowiedzi), Claude Sonnet do trudnych (agenci, RAG, długi kontekst). Dla firmy 20-50 osób mieści się to w 300-1500 PLN miesięcznie kosztów API, w 2 z 3 wdrożeń pierwszą fakturę za API klient płaci z oszczędności pierwszego miesiąca. Llama on-prem tylko gdy compliance tego wymaga formalnie, bo własny serwer GPU to dodatkowe 500-2000 PLN miesięcznie infrastruktury plus dev, który go pilnuje. Mistrala EU upiera się wpisywać do RFP sektor publiczny, w komercji niemal go nie spotykam.
AI Act i RODO, co naprawdę musisz zrobić
AI Act w 5 punktach, dla decision-makera bez czasu.
AI Act (Rozporządzenie 2024/1689) wszedł w życie w sierpniu 2024, pełne stosowanie od sierpnia 2026, czyli za 3 miesiące jak piszę te słowa. Dla 90% firm 5-50 osobowych to nie horror, to dokument + jedna procedura. Pięć kroków, w tej kolejności, w której robię to przy każdym wdrożeniu.
- 01.
Sklasyfikuj system pod kątem ryzyka.
Niedopuszczalne ryzyko (social scoring, manipulacja, biometria w przestrzeni publicznej) to absolutnie zakazane. Wysokie ryzyko (HR, scoring kredytowy, edukacja, infrastruktura krytyczna, biometria) wymaga rejestracji w bazie UE, certyfikacji, ocen wpływu i ciągłego monitoringu. Ograniczone ryzyko (chatboty, asystenci, automatyzacje, treści generowane AI) wymaga tylko transparentności i podstawowej dokumentacji. Minimalne ryzyko (spam filtry, rekomendacje) bez wymogów. Większość wdrożeń w MŚP to „ograniczone ryzyko".
- 02.
Transparentność, klient ma wiedzieć, że rozmawia z AI.
Jeśli wdrażasz chatbota, agenta obsługi klienta albo asystenta odpowiadającego klientom, musi być wyraźnie napisane, że to AI. Tekst typu „Cześć, jestem Aniela, asystentka AI Twojej firmy" wystarcza. Brak transparentności to kara administracyjna do 15 milionów EUR lub 3% rocznego obrotu, w zależności od tego, co większe. Nikt tej kary nie nałoży na firmę 20 osobową, ale po co testować.
- 03.
Dokument o przepływie danych (RODO + AI Act razem).
Krótki dokument (3-5 stron), w którym opisujesz, jakie dane przekazujesz do AI, gdzie są przechowywane (UE/USA), kto ma dostęp, ile dni są w logach, czy są używane do trenowania modelu (zwykle nie, jeśli API). To jest też wymóg RODO w art. 30 (rejestr czynności przetwarzania). Robi się raz, aktualizuje co rok lub przy istotnych zmianach.
- 04.
Logging i audyt decyzji.
Każda decyzja AI, która dotyka klienta (odpowiedź na maila, zaakceptowanie wniosku, kwalifikacja leada) musi być zalogowana z timestampem, promptem (lub jego streszczeniem), odpowiedzią modelu i wynikiem (czy zaakceptowane, czy eskalowane). Logi trzyma się minimum 6 miesięcy. Dla AI Act kategorii „wysokie ryzyko" obowiązują rygorystyczne wymogi, dla „ograniczone ryzyko" wystarcza podstawowy logging. W moich wdrożeniach loguję wszystko domyślnie, bo to też pomaga w debugowaniu.
- 05.
Wyznacz osobę odpowiedzialną za AI w firmie.
AI Act wymaga, żeby w firmie była osoba odpowiedzialna za zgodność wdrożeń AI (AI Compliance Officer, ale dla MŚP wystarczy, żeby ten obowiązek miał wpisany w zakresie obowiązków np. CEO albo Head of Operations). To nie jest etat, to dopisek w karcie stanowiska. W praktyce raz na pół roku ta osoba przegląda listę wdrożeń, sprawdza, czy nic się nie zmieniło, czy logi działają, czy nie pojawiły się nowe kategorie ryzyka.
Każde moje wdrożenie kończy się dokumentem zgodności z AI Act i RODO (3-5 stron, lista zastosowań, kategoria ryzyka, przepływ danych, osoba odpowiedzialna). To 4-8 godzin pracy, ale ratuje Cię w kontroli i jest argumentem przy sprzedaży do większych klientów, którzy w 2026 pytają o to w RFP.
Case study, Formified.ai AI Coach z RAG-em
Tak wygląda agent AI na realnych danych.
Formified.ai to mój własny SaaS, fitness PWA dla osób ze schorzeniami klinicznymi. Powodem, dla którego go zbudowałem, jest moja własna skolioza i frustracja, że żadna aplikacja fitness w Polsce nie potrafi powiedzieć „te 30 ćwiczeń możesz robić, te 12 odpada". Cały AI Coach to agent AI z RAG-em po 31 schorzeniach. Liczby pokazuję bez NDA, bo to mój produkt.
Stack, Claude Sonnet 4.6 jako główny model, Claude Haiku 4.5 do zadań klasyfikacyjnych, Supabase pgvector do RAG, OpenAI text-embedding-3-small do embeddings, Deno Edge Functions do orchestracji. Vector store ma 31 schorzeń klinicznych, 1500+ ćwiczeń, ~400 pozycji żywieniowych, regulamin i FAQ.
Co robi agent, użytkownik z dyskopatią pyta „daj mi plan treningowy na 12 tygodni z myślą o regeneracji kręgosłupa". Agent czyta profil użytkownika z bazy (wiek, BMI, sprzęt domowy, schorzenia), wyciąga z RAG-a ćwiczenia oznaczone jako bezpieczne dla dyskopatii, dobiera periodyzację, generuje plan i zapisuje do bazy. Wszystko w 12-25 sekund.
Liczby z produkcji. Koszt API per generowany plan ~0,15 PLN, czas odpowiedzi 18 sekund. Halucynacje (rekomendacja ćwiczenia, którego nie ma w bazie albo niezgodnego ze schorzeniem) poniżej 1%, wyłapuje structured output validation jeszcze zanim wyjdzie do użytkownika. NPS 67. Trener personalny w Warszawie bierze 150-250 PLN za sesję, więc realny benchmark „obsłużyć użytkownika ze skoliozą" to ~300-600 PLN/mc per osobę. Z agentem AI ten sam efekt kosztuje ~10 PLN miesięcznie. 30-60× różnica kosztu jednostkowego, i to jest cała teza inwestorska tego produktu.
Czas wdrożenia, 6 tygodni od pomysłu do produkcji. To było wdrożenie własne (nie u klienta), ale ten sam pattern przenoszę 1:1 na wdrożenia komercyjne. RAG po dokumentacji firmy + agent AI z Tool Use to standardowy stack 2026, można go zbudować w 3-6 tygodni.
Realne koszty, miesięczne
Ile to faktycznie kosztuje w portfelu, po wdrożeniu.
Najczęstsze pytanie po pierwszym briefie, ile to kosztuje miesięcznie. Wdrożenie to jednorazowy koszt, ale potem są koszty stałe (API, infrastruktura, retainer). Pokazuję widełki na podstawie 12 wdrożeń.
| Skala | Wolumen | API | Infra | Razem /mc |
|---|---|---|---|---|
| Mała firma 5-15 osób | 1 use-case, ~500 zapytań/dzień | 100-300 PLN | 0-50 PLN | 100-350 PLN |
| Średnia firma 20-50 osób | 2-3 use-case, ~3000 zapytań/dzień | 400-1500 PLN | 50-200 PLN | 450-1700 PLN |
| Duża firma 50-200 osób | 5+ use-case, ~10000 zapytań/dzień | 1500-5000 PLN | 200-800 PLN | 1700-5800 PLN |
Koszty API liczone z założeniem mixed-stack (Haiku do masowych zadań + Sonnet do trudnych). Infrastruktura to Supabase pgvector lub Pinecone (RAG), Cloudflare Workers (orchestracja), Sentry (monitoring). Bez retainera u dewelopera, ten liczony osobno (2,5-12 tys. PLN/mc).
Najczęstsze niedoszacowanie, koszty rosną nie liniowo z liczbą użytkowników, tylko ze złożonością use-case. Asystent AI dla 100 użytkowników z prostym RAG-em kosztuje mniej niż agent AI z 10 narzędziami dla 10 użytkowników. Dlatego w audycie pokazuję widełki kosztów dla każdego use-case osobno, nie sumarycznie.
FAQ, najczęstsze pytania o wdrożenie AI w firmie
Pytają o to za każdym razem.
Od czego zacząć wdrożenie AI w firmie?
Od audytu procesów, nie od wyboru narzędzia. Spisz 10-15 powtarzalnych zadań, na które zespół traci najwięcej godzin. Posortuj je po dwóch osiach: oszczędność godzin tygodniowo (impakt) i ryzyko błędu (np. czy wpadka kosztuje klienta, czy tylko poprawkę). Zacznij od procesu z wysokim impaktem i niskim ryzykiem. Najczęściej to obsługa rutynowych maili, generowanie ofert, podsumowania spotkań albo raporty z danych firmy. Wdrożenie produkcyjne pierwszego use-case zajmuje 3-6 tygodni i kosztuje 8-25 tysięcy PLN w solo studio, 40-120 tysięcy PLN w pełnoetatowej agencji.
Ile kosztuje wdrożenie AI w małej i średniej firmie?
Realny budżet dla MŚP (5-50 osób) w 2026: audyt 3000-8000 PLN, pierwsze wdrożenie produkcyjne 8000-25000 PLN, miesięczne koszty API 100-2000 PLN. Koszty API są niskie, bo Claude Haiku 4.5 i GPT-4o-mini przetwarzają milion tokenów za 1-3 PLN. Realny benchmark, agent obsługi klienta z Claude Haiku odpowiada na 1000 maili dziennie za 80 PLN miesięcznie. Ten sam wolumen w zespole to 1 etat juniora, czyli 4500-6500 PLN miesięcznie. ROI w pierwszym kwartale to standard, nie ambitny target.
Czym jest agent AI i czym różni się od ChatGPT?
ChatGPT odpowiada na pytania w czacie, nic więcej. Agent AI ma narzędzia (Tool Use, MCP), czyta z systemów (CRM, baza, API), pisze do systemów (utwórz ticket, wyślij mail, zarezerwuj termin), planuje serię kroków i sam decyduje, którego narzędzia użyć. Praktyczny przykład, agent obsługi klienta nie tylko odpowiada na maila, ale sprawdza w bazie status zamówienia, generuje korektę faktury, wysyła odpowiedź klientowi i loguje wynik w CRM. Agenci budują się na Claude Tool Use albo OpenAI Function Calling, integrują przez MCP (Model Context Protocol, standard 2024-2026) z firmowymi systemami.
Czy nasze dane wyciekną do OpenAI albo Anthropica?
Nie, jeśli skonfigurujesz wdrożenie poprawnie. Claude i GPT w trybie API (zwłaszcza Anthropic Workbench i OpenAI API z Enterprise SLA) nie używają Twoich danych do trenowania modelu, to zapisane w warunkach usługi. Dla najbardziej wrażliwych przypadków (dane medyczne, prawnicze, biometryczne) stawia się Llamę 3.3 albo Mistrala on-prem, czyli na własnym serwerze lub w EU cloud. Każde wdrożenie powinno mieć dokument o przepływie danych, gdzie są przechowywane, kto ma dostęp, ile dni są w logach. To wymóg AI Act 2026 i RODO.
Czy AI Act 2026 dotyczy mojej małej firmy?
Dotyczy, ale dla 90% MŚP nie jest to dramat. AI Act dzieli systemy AI na 4 kategorie ryzyka: niedopuszczalne (social scoring, zakazane), wysokie ryzyko (HR, scoring kredytowy, biometria, edukacja, infrastruktura krytyczna), ograniczone ryzyko (chatboty, asystenci, automatyzacje, treści generowane AI), minimalne ryzyko (spam filtry, rekomendacje). Większość wdrożeń biznesowych wpada w „ograniczone ryzyko", co oznacza obowiązek transparentności (klient ma wiedzieć, że rozmawia z AI) i podstawową dokumentację (lista zastosowań, kategoria ryzyka, kontakt do osoby odpowiedzialnej). Wymóg, nie horror.
Jakie zastosowania AI w firmie zwracają się najszybciej?
Z mojego doświadczenia, top 5 w 2026: obsługa rutynowych maili i ticketów (Claude/GPT klasyfikuje intencję, odpowiada na 60-70% spraw z bazy wiedzy, eskaluje resztę), generowanie ofert i propozycji (lead z formularza → kwalifikacja → oferta PDF z odpowiednim cennikiem i case studies), podsumowania spotkań (Whisper + Claude transkrybują i streszczają, wysyłają action items na Slack), automatyczne raporty z danych firmy (asystent AI łączy CRM, GA4, Stripe i odpowiada „pokaż MRR za ostatni kwartał"), automatyzacja procesów księgowych (OCR faktur kosztowych, dopasowanie do kategorii, eksport do księgowości). Każdy z tych use-case ma ROI w pierwszym kwartale.
Czy mogę wdrożyć Claude albo GPT do codziennej pracy zespołu?
Tak, to jeden z najszybciej zwracających się use-case w 2026. Asystent AI w codziennej pracy nie jest ChatGPT na zakładce w przeglądarce. To Claude albo GPT podpięty do firmowej bazy wiedzy, kalendarza, mailboxa i CRM, dostępny w panelu firmowym, z Twoim brand voice i procedurami. Pracownik pyta „jaki jest status sprawy klienta X" i dostaje odpowiedź z danych firmy, nie z ogólnej wiedzy modelu. Asystent planuje dzień, podsumowuje spotkania, draftuje maile, generuje raporty. Średnia oszczędność 1-2 godziny dziennie per pracownik biurowy. Wdrożenie 8-18 tysięcy PLN dla zespołu 5-20 osób.
Czy AI zastąpi moich pracowników?
Nie zastąpi, jeśli wdrożenie jest zaprojektowane sensownie. AI zdejmuje z zespołu robotę powtarzalną (przeklejanie z maila do CRM, generowanie standardowych PDF-ów, odpowiadanie na rutynowe pytania), zostawia pracę, która wymaga sądu, kontekstu i relacji. Praktyka po wdrożeniach, zespół ma więcej czasu na rzeczy, których nie da się delegować maszynie, sprzedaż, negocjacje, projekty strategiczne. To rozmowa o redystrybucji godzin, nie o redukcji etatów. Jeśli celem wdrożenia jest redukcja zatrudnienia, mówię to wprost w briefie, „nie ten projekt, polecam konsulting strategiczny".
Następny krok
Audyt AI w 5 dni. 3-8k PLN.
Mapa 10-15 procesów, policzony ROI per use-case, rekomendacja stacku i ocena AI Act. Bez commitmentu na wdrożenie, dokument zostaje u Ciebie. Jeśli wchodzimy w produkcję, koszt audytu odlicza się od projektu.