Ten tekst jest napisany tak, jak radzi Marcus Sheridan w książce „Co chce wiedzieć klient?” – najpierw pytania, które i tak już masz w głowie, potem konkretne odpowiedzi. Bez ukrywania wad i bez obietnic bez pokrycia.
Jeśli szukasz odpowiedzi na któreś z poniższych pytań, jesteś we właściwym miejscu:
- Czym właściwie jest ta „AI”, skoro wszyscy używają tego słowa na wyrost?
- Czym różnią się ChatGPT, Claude i Copilot – i co wybrać dla zespołu?
- Ile to kosztuje w skali roku – nie „od”, tylko rząd wielkości?
- Co może pójść nie tak (halucynacje, dane, brak przypisów do źródeł)?
- Od czego zacząć, żeby nie przepalić budżetu na początku?
Poniżej znajdziesz to wprost – z przykładami z życia firm usługowych i biur.
Czym jest sztuczna inteligencja – naprawdę, nie marketingowo?
Co tydzień 1 mail z konkretem
O AI, sprzedaży B2B i wdrożeniach. Bez spamu, wypisujesz się jednym klikiem.
Sztuczna inteligencja (AI) to szerokie pojęcie: programy, które naśladują elementy ludzkiej „inteligencji” – rozpoznają wzorce, rozumieją tekst, wspierają decyzje. Tak szerokie jak słowo „pojazd”: obejmuje i rower, i samolot.
Problem w tym, że dziś napis „z AI” widzisz na pralce, w filtrze spamu i w ChatGPT. To fundamentalnie różne technologie. Żeby sensownie porównywać oferty wdrożeniowe, musisz znać hierarchię pojęć.
Hierarchia: AI → uczenie maszynowe → deep learning → LLM
Wyobraź to sobie jak matrioszkę – każdy kolejny poziom jest podzbiorem poprzedniego:
Sztuczna inteligencja (AI)
└── Machine Learning (ML)
└── Deep learning
└── Duże modele językowe (LLM)
└── ChatGPT, Claude, Gemini…
AI – najszersza kategoria: od prostych reguł po złożone modele. Termin funkcjonuje od lat 50.
Machine Learning (ML) – systemy, które uczą się z danych, zamiast mieć każdą regułę wpisaną ręcznie. Np. model analizuje tysiące transakcji i sam wykrywa wzorce fraudu – nikt mu nie powiedział wprost: „jeśli kwota > 10 000, to oszustwo”.
Deep learning – podzbiór ML oparty na sieciach neuronowych. Stąd m.in. rozpoznawanie twarzy, tłumaczenia, wspomaganie autonomii.
LLM (large language models) – modele wytrenowane na ogromnej ilości tekstu. Rozumieją język naturalnego, piszą, streszczają, pomagają w analizie dokumentów. Za ChatGPT, Claude’em i Geminiem stoją właśnie LLM.
Dlaczego to ma znaczenie przy rozmowie z dostawcą?
Bo gdy ktoś mówi: „wdrożymy u was AI”, masz prawo doprecyzować: jaką AI. Rozpoznawanie skanów faktur to często klasyczny ML. Chatbot na pytania klientów – LLM. Przewidywanie popytu – zwykle ML, nie czat. Każdy wariant to inny budżet, czas i ryzyko.
Ten artykuł koncentruje się na LLM, bo o nich jest najgłośniej w kontekście „AI dla firmy” i biur (kancelarie, consulting, HR, finanse).
Co to jest ChatGPT, Claude, Gemini i Copilot?
To produkty komercyjne zbudowane na modelach językowych. Różnią się firmą, modelem i ekosystemem.
| Produkt | Firma | Model (przykład) | Po co go znajdziesz |
|---|---|---|---|
| ChatGPT | OpenAI | GPT-4o, o1 | Najszersza rozpoznawalność, szybki start |
| Claude | Anthropic | Claude 4 | Długie dokumenty, silny nacisk na bezpieczeństwo |
| Gemini | Gemini 2.5 | Integracja z Google Workspace | |
| Copilot | Microsoft | m.in. GPT-4o | Wbudowany w Word, Excel, Outlook, Teams |
| Llama | Meta | Llama 3 | Open source – możliwość hostowania u siebie |
Analogia: LLM to silnik; ChatGPT, Claude czy Gemini to auta różnych marek – wszystkie jadą, ale inaczej się prowadzą, inaczej kosztują i mają inne wyposażenie.
Czym się różnią w praktyce (szczerze)?
| Cecha | ChatGPT | Claude | Gemini | Copilot |
|---|---|---|---|---|
| Analiza dokumentów | Dobry | Bardzo dobry (długie pliki) | Dobry | Bardzo dobry (w Office) |
| Pisanie tekstów | Bardzo dobry | Bardzo dobry | Dobry | Dobry |
| Mniej „dopowiadania z niczego” | Dobry | Bardzo dobry | Średni | Dobry |
| Integracja z pracą | Słabsza | Słabsza | Google Workspace | Microsoft 365 |
| Cena (biznes, rząd wielkości) | ~20–30 EUR/os./mies. | ~20–25 EUR/os./mies. | ~20–30 EUR/os./mies. | ~25–30 EUR/os./mies. |
Nie ma jednego „najlepszego”. Zależy od tego, na czym pracuje zespół i jakie pytania musi zadawać narzędziu najczęściej.
Słownik – żebyś wiedział, o czym mowa w umowie
Prompt
Prompt = to, co wpisujesz do modelu – pytanie, polecenie, kontekst. Od jakości promptu zależy jakość odpowiedzi: im jaśniejszy cel, tym mniej poprawek.
Token
Token to jednostka rozliczeniowa – fragment tekstu (często ok. 1–2 tokeny na słowo). Płacisz za tokeny – dłuższe pytania, dłuższe odpowiedzi, wielkie pliki = wyższy rachunek. Pojedyncza rozmowa to zwykle setki–tysiące tokenów; analiza grubego PDF-a może wejść w dziesiątki tysięcy.
Halucynacja
Halucynacja = model „dopowiada” fakty, których nie ma. Brzmi wiarygodnie, wygląda profesjonalnie – a jest nieprawdą. Np. podaje sygnaturę orzeczenia, którego nie ma w bazach. Model nie „kłamie” jak człowiek – generuje statystycznie prawdopodobny tekst, niekoniecznie prawdziwy. W prawie, medycynie i finansach zawsze zostaje weryfikacja przez człowieka.
SaaS
Software as a Service – płacisz subskrypcję, logujesz się przez przeglądarkę lub aplikację. ChatGPT Teams czy Microsoft 365 to SaaS. Przeciwieństwo to on-premise – oprogramowanie u Ciebie na serwerze.
RAG (Retrieval-Augmented Generation)
RAG = model najpierw szuka w Twoich dokumentach, potem odpowiada na tej podstawie, z możliwością wskazania źródeł. To typowa ścieżka, gdy pytanie brzmi: „czy model zna nasze umowy, nie tylko internet z 2023 roku?”.
Agent AI
Agent to nie tylko odpowiedź w czacie, ale łańcuch działań – np. znajdź umowę, policz odsetki, złóż szablon pisma, przygotuj plik. Różnica jak między infolinią a asystentem, który realnie coś załatwia.
Trzy drogi wdrożenia AI w firmie (od najprostszej)
Droga 1: Gotowe narzędzia (SaaS)
Na czym polega: kupujesz licencje i zaczynasz. Bez projektu wdrożeniowego i bez zespołu deweloperskiego „pod spodem”.
| Narzędzie | Co robisz z nim w pracy | Rząd ceny | Jak zacząć |
|---|---|---|---|
| ChatGPT Teams | Pytania, wklejanie fragmentów dokumentów, pisanie | ~25–30 EUR/os./mies. | openai.com |
| Microsoft Copilot | Pomoc w Wordzie, Excelu, Outlooku, Teams | ~25–30 EUR/os./mies. | Licencje w Microsoft 365 |
| Claude Pro | Długie dokumenty, analiza | ~20–25 EUR/os./mies. | claude.ai |
| Google Gemini | Gmail, Docs, Sheets | ~20–25 EUR/os./mies. | Google Workspace |
Przykład: wklejasz fragment umowy i prosisz: „Wypisz klauzule o karach umownych w punktach.” Dostajesz szkic odpowiedzi w kilkadziesiąt sekund.
Plusy: start od zaraz, niski próg wejścia, przewidywalny koszt miesięczny.
Minusy (mówimy wprost): model nie zna całego archiwum – dostaje tylko to, co wkleisz. Brak centralnej bazy „wszystkich naszych dokumentów” z przypisami. Dane i tak trafiają do chmury dostawcy (w planach biznesowych zwykle nie służą do trenowania modelu – ale to musisz mieć w umowie / DPA).
Dla kogo: małe zespoły, pierwsze miesiące, nauka pracy z LLM, proste zadania tekstowe i analiza pojedynczych plików.
Z perspektywy „co chce wiedzieć klient”: zanim powiesz klientowi „mamy AI”, ustal wewnętrznie, jakie pytania zespół zadaje najczęściej i czy wystarczy mu czat. To ten sam mechanizm, który stoi za dobrym cyfrowym ofertowaniem i kalkulacjami – uporządkowane odpowiedzi na powtarzalne pytania, zamiast chaosu w mailach.
Droga 2: AI na dokumentach firmy (RAG)
Na czym polega: system indeksuje Twoje pliki i odpowiada w oparciu o nie, z odwołaniami do fragmentów źródeł.
Przykład pytania: „Jakie kary umowne mamy w umowach z klientem ABC?”
Przykład odpowiedzi (schemat):
„W umowie z 15.01.2024 kara wynosi 10% wartości zamówienia [1]. W aneksie z marca 2024 podniesiono ją do 15% [2].”
[1] Umowa_ABC_2024.pdf, str. 8
[2] Aneks_ABC_03_2024.pdf, str. 2
Różnica względem Drogi 1: nie musisz pamiętać, w którym pliku było „to zdanie o karach” – system przeszukuje repozytorium. Możesz też rozdzielić dostęp (role, „obszary” dokumentów).
| Sposób | Co to jest | Koszt (rząd wielkości) | Czas | Dla kogo |
|---|---|---|---|---|
| Platforma (np. Azure AI Studio, AWS Bedrock) | Konfiguracja gotowej usługi pod Twoje dane | ok. 1 000–5 000 EUR start + 100–500 EUR/mies. | 1–4 tyg. | Firma z ludźmi od IT |
| System na zamówienie | Aplikacja pod Twoje procesy i politykę bezpieczeństwa | ok. 15 000–60 000+ EUR + 500–2 000 EUR/mies. | 6–16 tyg. | Dane poufne, wiele ról, audyt |
Plusy: odpowiedzi „z Waszych dokumentów”, przypisy, skalowanie wiedzy wraz z archiwum.
Minusy: koszt i czas, jakość = jakość dokumentów na wejściu, błędy nadal możliwe – weryfikacja zostaje.
Dla kogo: większe zespoły, dużo umów / procedur, branże regulowane.
Droga 3: Agenci AI (automatyzacja wielokrokowa)
Na czym polega: jedno polecenie uruchamia sekwencję – wyszukanie umów, policzenie odsetek, dobór szablonu, wygenerowanie pliku DOCX itd.
Różnica vs RAG: RAG głównie odpowiada. Agent wykonuje łańcuch zadań w Twoim imieniu (w granicach, które zdefiniujesz).
Plusy: oszczędność czasu na powtarzalnych scenariuszach.
Minusy: najwyższy koszt i złożoność, błąd agenta może mieć większe konsekwencje niż błąd samego czatu – trzeba jasno określić, czego wolno mu nie robić.
Dla kogo: zwykle etap po RAG, nie pierwszy dzień z AI.
Tu krzyżuje się temat procesu w firmie: jeśli sprzedaż czy obsługa klienta wciąż stoją na „ręcznym przerzucaniu” zadań, sam agent niewiele naprawi. Warto spojrzeć na to jak na wąskie gardła w procesie sprzedaży B2B – najpierw porządek w przepływie pracy, potem automatyzacja.
Tabela porównawcza – trzy drogi obok siebie
| Cecha | Gotowe narzędzia | RAG | Agenci AI |
|---|---|---|---|
| Zna dokumenty firmy | Nie (tylko to, co wkleisz) | Tak (repozytorium) | Tak |
| Wskazuje źródła | Nie | Tak | Tak |
| Wykonuje wielokrokowe działania | Nie | Nie | Tak |
| Kontrola dostępu | Ograniczona | Tak (role, obszary) | Tak |
| Bezpieczeństwo danych | „Standard chmury” | Do skonfigurowania | Do skonfigurowania |
| Koszt startu | ok. 0 EUR (poza licencjami) | ok. 1 000–60 000+ EUR | ok. 30 000–80 000+ EUR |
| Koszt miesięczny / osobę (orientacyjnie) | 20–30 EUR | 10–70 EUR* | 20–100 EUR* |
| Czas do startu | ok. 1 dzień | 1–16 tygodni | 3–6 miesięcy |
| Złożoność | Niska | Średnia | Wysoka |
*Zależy od liczby użytkowników i wolumenu zapytań.
Jaką ścieżkę wybrać – bez planowania na trzy lata naprzód
Większość organizacji sensownie idzie tak:
Etap 1: Gotowe narzędzia (od teraz)
- Licencje dla zespołu (ChatGPT Teams lub Copilot – wg ekosystemu Office/Google).
- Obserwacja: do czego ludzie faktycznie używają AI? czego im brakuje?
- Koszt: rząd 20–30 EUR/osobę/miesiąc. Start: jeden dzień.
To jest dokładnie logika małego, weryfikowalnego kroku zanim podejmiesz duży wydatek – podobnie jak w podejściu MVP w projektach IT: najpierw sprawdzasz hipotezę niskim kosztem, potem skalujesz.
Etap 2: RAG (gdy pojawi się sygnał)
Sygnalizuje go zdanie w stylu: „Fajnie, ale szkoda, że to nie przeszukuje wszystkich naszych umów.”
Wtedy: jeden dział, jeden obszar dokumentów, pilotaż, dopiero potem pełne wdrożenie.
Etap 3: Agenci (opcjonalnie, później)
Gdy słyszysz: „Chcę jednym kliknięciem dostać gotowe pismo z liczbami z naszych systemów.” – to już temat agentów, często na fundamencie RAG.
Nie musisz z góry planować wszystkich etapów. Zacznij od Etapu 1 – zobaczysz realne potrzeby w ciągu tygodni, nie lat.
Ile to kosztuje? Szacunek na 12 miesięcy (firma ~10 osób)
| Rozwiązanie | Co dostajesz | Rok 1 (szacunek) | Rok 2+ |
|---|---|---|---|
| ChatGPT Teams | Czat, praca na pojedynczych dokumentach | ~3 000 EUR | ~3 000 EUR |
| Copilot M365 | AI w pakiecie Office | ~3 500 EUR | ~3 500 EUR |
| RAG (platforma) | Indeks dokumentów, przypisy | 5 000–15 000 EUR | 2 000–8 000 EUR |
| RAG (custom) | Jak wyżej + role, audyt, pełna kontrola | 25 000–80 000+ EUR | 6 000–25 000 EUR |
| RAG + agenci | Generowanie dokumentów w procesie | 40 000–120 000+ EUR | 8 000–30 000 EUR |
Pytanie w stylu Sheridana: ile godzin tygodniowo zespół marnuje na szukanie odpowiedzi w starych mailach i plikach? Pomnóż przez koszt godziny pracy. Jeśli wychodzi więcej niż utrzymanie narzędzia – masz argument biznesowy, nie „modę na AI”.
Dziesięć pytań do dostawcy wdrożenia AI (żeby odrócić marketing od merytoryki)
Jeśli prowadzisz rozmowy z firmami wdrożeniowymi, zadaj je wprost:
- Gdzie fizycznie przetwarzane są moje dane? (Dobra odpowiedź: konkretny region, np. UE / Frankfurt – nie „gdzieś w chmurze”.)
- Czy dane trafią do trenowania modelu? (Dobra odpowiedź: nie, plus zapis w umowie / DPA.)
- Co jeśli model poda złą informację? (Dobra odpowiedź: źródła, logi, procedura weryfikacji – nie „nie zdarza się”.)
- Jak wygląda kontrola dostępu? (Role, obszary, ewentualnie audyt.)
- Jakiego modelu używacie i dlaczego akurat tego?
- Czy zrobicie PoC na naszych dokumentach? (Za zamkniętym NDA.)
- Jak wygląda wyjście od was – eksport danych, formaty?
- Jaki jest stały koszt po wdrożeniu – liczba, nie tylko „zależy”?
- Kto utrzymuje system po starcie – SLA, kontakt, eskalacje?
- Czy możemy zacząć od małego zakresu i rozwinąć? (Tak = zdrowy podejście; „tylko pełny pakiet od razu” = czerwona flaga.)
Podsumowanie – co wybrać, jeśli nie chcesz się zgubić
| Jeśli… | Rozważ… |
|---|---|
| Chcesz szybko i tanio zacząć | ChatGPT Teams lub Copilot (20–30 EUR/os./mies.) |
| Chcesz, żeby model „znał Wasze” umowy i procedury | RAG – platforma lub rozwiązanie dedykowane |
| Masz wysokie wymagania co do poufności i audytu | RAG „na zamówienie” + hosting zgodny z polityką (np. UE) |
| Chcesz automatycznie składać dokumenty w procesie | RAG + agenci – zwykle późniejszy etap |
| Nie wiesz jeszcze, czego potrzebujesz | Etap 1 + obserwacja przez 4–8 tygodni |
Technologia jest na tyle dojrzała, że pytanie nie brzmi „czy”, tylko „od czego zacząć, żeby nie przepłacić i nie narazić firmy na błędne odpowiedzi bez kontroli”.
A co z klientem końcowym, który sam chce odpowiedzi?
Część pytań – cennik, konfiguracja, dostępność opcji – nie musi iść do handlowca. Dobrze zaprojektowane konfiguratory i prezentacje online albo spójny katalog z logiką oferty robią to samo, co dobry artykuł: odpowiadają wcześnie, zanim ktoś odejdzie na stronę konkurencji.
Chcesz dopasować ścieżkę do swojej firmy? Napisz lub umów rozmowę – przejdziemy przez Twoją sytuację bez technicznego żargonu i bez narzucania gotowca.
