Wdrożenie AI w firmie: audyt, pilot, produkcja. Start od 3 tys. zł

Wdrożenie AI w firmie zaczyna się u nas od 3 000 PLN netto za audyt z działającym prototypem i przebiega w trzech krokach: audyt procesów, pilot na Twoich danych, produkcja z mierzalnym celem. Bez prezentacji o rewolucji, bez licencji na „platformę AI”, której nikt nie używa. Na tej stronie pokazujemy, co AI realnie robi w małych i średnich firmach, ile to kosztuje z kosztami API włącznie, jak wygląda bezpieczeństwo danych i, uczciwie, czego AI nie zrobi.

Czego dowiesz się z tej strony

• które zastosowania AI zwracają się w MŚP najszybciej, z liczbami,
• jak wygląda proces wdrożenia od audytu po produkcję,
• ile kosztuje wdrożenie i ile kosztuje utrzymanie miesięcznie,
• Claude czy GPT, API czy self-hosted: jak wybieramy i dlaczego neutralnie,
• co z RODO, AI Act i bezpieczeństwem danych,
• czego AI nie zrobi i jak mierzyć zwrot, żeby nie oszukiwać samego siebie.

Co AI realnie robi w małych i średnich firmach

Pomijamy wizje. Oto zastosowania, które w MŚP faktycznie schodzą z kosztów, uporządkowane od najczęściej zwracających się:

Obsługa klienta

Agent AI odpowiada na powtarzalne zapytania (status zamówienia, zwroty, dostępność, warunki), a do człowieka trafia tylko to, co wymaga decyzji. Dobrze wdrożony agent nie kończy na odpowiedzi: sprawdza status w bazie, generuje korektę faktury, wysyła odpowiedź i loguje wynik w CRM. Realny punkt odniesienia z wdrożeń: jeden agent to około 0,6 etatu juniora w supporcie, przy koszcie API rzędu 80 PLN miesięcznie na 1000 wiadomości dziennie.

Ofertowanie i wyceny

AI składa pierwszą wersję oferty z cennika, historii podobnych zleceń i notatek handlowca. Człowiek poprawia i wysyła. Ofertowanie skraca się z godzin do minut, a handlowiec przestaje być copywriterem.

Praca z dokumentami

Wyciąganie danych z faktur, umów i formularzy, porównywanie wersji umów, podsumowania długich dokumentów, klasyfikacja poczty przychodzącej. To zadania, w których AI jest już dziś niezawodnym narzędziem, pod warunkiem walidacji wyników (o tym niżej).

Wewnętrzna baza wiedzy (RAG)

Zespół pyta w naturalnym języku: „jaka jest procedura reklamacji dla klienta B2B”, a system odpowiada na podstawie Twoich dokumentów, z cytowaniem źródła. Nowi pracownicy wdrażają się szybciej, a wiedza przestaje żyć wyłącznie w głowie najstarszego stażem pracownika.

Asystent codziennej pracy zespołu

Claude albo GPT podpięty do firmowej bazy wiedzy, kalendarza, mailboxa i CRM-a, dostępny w firmowym panelu, z Twoimi procedurami i tonem komunikacji. Planowanie dnia, podsumowania spotkań, drafty odpowiedzi, raporty. Średnia oszczędność z wdrożeń: 1-2 godziny dziennie na pracownika biurowego. Koszt wdrożenia dla zespołu 5-20 osób: 8-18 tys. PLN, plus API 50-300 PLN miesięcznie na użytkownika.

Automatyzacja treści

Opisy produktów, warianty postów, newslettery, dokumentacja: AI generuje wersje robocze w Twoim tonie, człowiek decyduje. Uwaga z praktyki: automatyzacja treści bez redakcji człowieka produkuje rozpoznawalny na kilometr AI-slop, który szkodzi marce. Ten proces projektujemy zawsze z człowiekiem w pętli, a jego efekty potrafią zasilać marketing i content pod pozycjonowanie stron.

Orientacyjna tabela zwrotu:

Liczby efektów to widełki z wdrożeń i benchmarków rynkowych, nie gwarancje: dlatego proces zaczyna się od audytu, który liczy Twój przypadek, nie średnią.

Proces wdrożenia: audyt, pilot, produkcja

Krok 1: audyt i mapa ROI (5-7 dni)

Wywiady z zespołem i przegląd procesów. Pytania są proste: ile godzin tygodniowo pochłania ręczna robota, które z tych zadań da się bezpiecznie oddać AI, co zwróci się w 90 dni. Wynik: lista 5-10 możliwych zastosowań z rankingiem po zwrocie i ryzyku, rekomendacją stacku i krótką analizą zgodności z AI Act.

Audyt jest samodzielnym produktem: dostajesz dokument, którym możesz podejmować decyzje, nawet jeśli dalej nie wdrażasz z nami. Zaczyna się od 3 000 PLN i nie zobowiązuje do niczego więcej.

Krok 2: pilot na Twoich danych (tygodnie 2-3)

Bierzemy zastosowanie, które zwraca się najszybciej, i budujemy działający prototyp na Twoich prawdziwych danych: agent dla supportu, asystent, RAG po dokumentacji albo automatyzacja konkretnego procesu. Pilot ma jeden cel: sprawdzić na faktach, czy jakość jest wystarczająca. Jeśli nie jest, kasujemy temat i nie przechodzisz do kosztów produkcyjnych. To najtańszy moment na powiedzenie „nie”.

Krok 3: produkcja i integracja (tygodnie 3-6)

Integracja z Twoimi systemami: CRM, Slack, panel, mailbox, kalendarz. Logging, testy jakości odpowiedzi (evale), alerty gdy jakość zaczyna spadać, limity kosztów per użytkownik. Onboarding zespołu z jasną instrukcją: co AI robi, czego nie robi, kiedy eskalować do człowieka. Bez efektu „działało na demo, na produkcji nie wiadomo”.

Krok 4: iteracje i kolejne wdrożenia (opcjonalny retainer)

Co miesiąc przegląd metryk, dostrajanie promptów, aktualizacje modeli, kolejne zastosowania, jeśli ROI je uzasadnia. I zasada, którą traktujemy serio: stop, jeśli przestaje się zwracać. Nie ciągniemy projektu dla projektu.

Ile kosztuje wdrożenie AI w firmie

Do tego koszty API: dla typowego MŚP 100-2000 PLN miesięcznie. Tanie modele (klasa Claude Haiku, GPT-4o-mini) są na tyle ekonomiczne, że wdrożenia zwracają się zwykle w pierwszym kwartale. Zestawienie wszystkich naszych usług i widełek: cennik.

Claude czy GPT: jak wybieramy model

Neutralnie, bo nie bierzemy ślubu z żadnym dostawcą. W praktyce:

• Claude (Anthropic) wybieramy często do agentów z narzędziami (Tool Use, MCP), pracy na długich dokumentach i zadań, gdzie liczy się trzymanie instrukcji.
• GPT (OpenAI) sprawdza się w szerokim spektrum zadań ogólnych i tam, gdzie zespół już pracuje w ekosystemie OpenAI.
• Modele otwarte (Llama) i europejskie (Mistral) wchodzą do gry przy wymogach self-hosted albo rezydencji danych w EU.

Decyzję podejmujemy po teście na Twoich danych: bierzemy próbkę realnych zadań, porównujemy jakość i koszt na kilku modelach, wybieramy najtańszy, który spełnia próg jakości. Do klasyfikacji maili nie potrzebujesz najdroższego modelu na rynku; do analizy umów tani model może kosztować Cię więcej w błędach, niż oszczędza w API. Architekturę budujemy tak, żeby wymiana modelu była konfiguracją, nie przebudową: modele zmieniają się co kilka miesięcy i Twoje wdrożenie ma na tym korzystać, nie cierpieć.

API czy self-hosted: gdzie mają mieszkać Twoje modele

API (Claude, GPT przez API) to domyślny wybór dla zdecydowanej większości MŚP: zero kosztów infrastruktury, zawsze aktualne modele, płacisz za użycie. Dostawcy w trybie API nie trenują modeli na Twoich danych, co jest zapisane w ich warunkach komercyjnych.

Self-hosted (Llama na własnym serwerze) ma sens w trzech przypadkach: dane, które regulacyjnie nie mogą opuścić Twojej infrastruktury, bardzo duży wolumen, przy którym własny serwer GPU wychodzi taniej niż API, albo twarde wymagania klientów korporacyjnych. Koszt wejścia jest istotnie wyższy (sprzęt albo wynajem GPU, utrzymanie, aktualizacje), a jakość modeli otwartych jest zwykle niższa niż topowych modeli API, więc tę drogę rekomendujemy z kalkulatorem w ręku, nie z ideologią.

Rozwiązanie pośrednie: modele przez API z gwarancją przetwarzania w EU (np. Mistral, opcje EU residency u dużych dostawców). Dla wielu firm to wystarczający kompromis między jakością a wymogami prawnymi.

Bezpieczeństwo danych, RODO i AI Act

Każde nasze wdrożenie ma warstwę zgodności w standardzie, nie jako dopłatę:

• Przepływ danych na papierze: dokument opisujący, jakie dane trafiają do modelu, gdzie są przetwarzane i jak długo przechowywane. To podstawa rozmowy z Twoim prawnikiem i wypełnienia obowiązków RODO.
• Minimalizacja i redakcja: dane osobowe flagujemy i redagujemy z logów, do modelu trafia tylko to, co potrzebne do zadania.
• Guardraile: zabezpieczenia przed prompt injection, limity per użytkownik, human-in-the-loop dla akcji wrażliwych.
• AI Act: klasyfikacja Twoich zastosowań według kategorii ryzyka i dokument zgodności. Dla większości wdrożeń MŚP (asystenci, agenci obsługi, RAG) oznacza to obowiązek transparentności i podstawową dokumentację. Zastosowań wysokiego ryzyka (HR, scoring, biometria) nie dotykamy bez prawnika i mówimy to wprost.

Czego AI nie zrobi: uczciwa lista

Ta sekcja filtruje projekty, które nie powinny się wydarzyć, więc traktujemy ją poważnie:

• Nie naprawi chaotycznego procesu. Automatyzacja bałaganu daje szybszy bałagan. Jeśli proces nie ma właściciela i reguł, najpierw go porządkujemy, potem automatyzujemy.
• Nie zastąpi wiedzy, której nie ma w danych. RAG odpowiada na podstawie Twoich dokumentów. Jeśli procedury istnieją tylko w głowach, najpierw trzeba je spisać (w tym też pomagamy, ale to praca, nie magia).
• Nie będzie bezbłędne. Modele mylą się i halucynują. Dlatego projektujemy walidację, cytowanie źródeł i człowieka w pętli tam, gdzie błąd kosztuje. Wdrożenie bez obsługi błędów to nie wdrożenie, to demo.
• Nie podejmie za Ciebie decyzji wrażliwych. Zwolnienia, kredyty, diagnozy, spory prawne: tu AI może przygotować materiał, decyzja należy do człowieka, także z powodów prawnych.
• Nie zwróci się wszędzie. Procesy rzadkie, nieregularne i tanie w ręcznej obsłudze nie uzasadniają kosztów wdrożenia. Audyt istnieje po to, żeby to wyszło przed wydaniem budżetu, nie po.

Jak mierzyć zwrot z wdrożenia AI

Zasada domowa: bez liczb projekt nie idzie do produkcji. Każde wdrożenie ma cel ilościowy ustalony przed startem, na przykład minus 30% czasu obsługi zgłoszeń, minus 50% kosztu produkcji treści, oferta w 15 minut zamiast 2 godzin. Mierzymy:

• Bazę przed wdrożeniem: ile czasu i pieniędzy kosztuje proces dziś. Bez bazy każdy wynik da się „udowodnić”.
• Efekt po 30 dniach: raport porównujący bazę z rzeczywistością, z kosztami API włącznie.
• Jakość w czasie: odsetek odpowiedzi wymagających poprawki człowieka, poziom halucynacji (target poniżej 2%), satysfakcja zespołu i klientów.

Prosty rachunek zwrotu: oszczędzone godziny razy koszt godziny pracy, minus koszt API i utrzymania. Jeśli wynik jest ujemny po kwartale, rozmawiamy o zmianie podejścia albo o wyłączeniu wdrożenia. Tak, zdarza się i to też jest wynik audytu.

Szkolenia zespołu: bez adopcji nie ma zwrotu

Najczęstszy powód porażek wdrożeń AI to nie technologia, tylko to, że zespół nie używa narzędzia. Dlatego w każdym wdrożeniu jest:

• onboarding zespołu (2-4 godziny): jak korzystać, jak pisać polecenia, kiedy ufać wynikom, kiedy eskalować,
• instrukcja „co AI robi i czego nie robi” pisana ludzkim językiem, nie żargonem,
• wyznaczony po Twojej stronie opiekun wdrożenia: jedna osoba, która zbiera uwagi zespołu,
• przegląd po 30 dniach: co działa, co blokuje, co dostroić.

Komunikację o AI w zespole prowadzimy od pierwszego dnia audytu, bo obawa „AI mnie zastąpi” jest realna, a zignorowana potrafi położyć projekt skuteczniej niż każdy błąd techniczny.

Dla kogo to jest, a dla kogo nie

Wdrożenie AI ma sens, gdy: masz powtarzalne procesy pochłaniające godziny zespołu, dane i procedury są przynajmniej częściowo ucyfrowione, a właściciel procesu chce zmiany. Firma 5-50 osób z działem obsługi, handlu albo dużą ilością dokumentów to nasz typowy klient.

Odradzamy, gdy: szukasz „czegoś z AI”, bo konkurencja ogłosiła coś na LinkedIn (to projekt wizerunkowy, nie biznesowy), proces jest rzadki i tani w ręcznej obsłudze, albo firma nie ma nikogo, kto zaopiekuje się narzędziem po wdrożeniu. W każdym z tych przypadków audyt powie to czarno na białym i taniej jest usłyszeć to po tygodniu niż po kwartale.

Nasze doświadczenie: produkty, nie slajdy

Nie uczymy się AI na projektach klientów. Formified.ai, nasz własny SaaS, ma AI Coacha na RAG-u: vector search w Supabase pgvector po bazie 31 schorzeń klinicznych, 1500+ ćwiczeń i bazie żywieniowej, z planem treningowym generowanym poniżej 8 sekund. Sendforge, nasz drugi produkt, używa agenta AI do wykrywania i klasyfikacji odpowiedzi w kampaniach mailowych. Wzorce na agentów z Tool Use, serwery MCP, function calling i structured output mamy przetestowane na własnych produktach i własnym budżecie.

Następny krok: 60-minutowy brief, na którym opowiadasz o procesach, a my wskazujemy, gdzie AI ma szansę się zwrócić, a gdzie nie ma czego szukać. Bezpłatnie, konkretnie, bez prezentacji o rewolucji.