Wdrożenia AI
Chatbot który odpowiada z Twojej wiedzy (RAG), a nie zmyśla. Klasyfikacja maili i leadów. Czytanie faktur i dokumentów. Budujemy na Twoich danych, hostujemy tam gdzie chcesz, pokazujemy działający prototyp zanim zapłacisz drugą ratę.
Jeśli rozpoznajesz przynajmniej dwa, rozmowa o wdrożeniu AI ma sens.
01
Handlowiec nie wie, czy ten produkt pasuje do tej maszyny, więc dzwoni do technologa. Wdrożenie nowej osoby trwa miesiące, bo wiedzy nie ma w jednym miejscu. Asystent RAG odpowiada z Twoich dokumentów w sekundy, z linkiem do źródła, nie ze zmyślenia.
02
Skrzynka kontakt@ to worek: zapytanie ofertowe, reklamacja, faktura, spam. Ktoś to czyta i rozsyła. Klasyfikacja AI oznacza i kieruje zgłoszenie do właściwej osoby albo do automatu od razu, bez czekania na poranny przegląd skrzynki.
03
Faktury, zamówienia, specyfikacje, umowy. Ktoś otwiera PDF i przepisuje dane do systemu. AI czyta dokument, wyciąga pola (NIP, kwoty, pozycje), oddaje do walidacji człowiekowi tylko gdy nie jest pewne. Mniej przepisywania, mniej literówek.
04
Gotowy chatbot nie zna Twojego cennika, procedur ani historii klienta, więc pewnym tonem podaje nieprawdę. RAG podpina model do Twojej bazy wiedzy: odpowiada tylko z tego, co masz, a gdy nie wie, mówi że nie wie.
Działający prototyp na Twoich danych zanim napiszemy linijkę kodu produkcyjnego. Płatność rozłożona na cztery raty.
Tydzień 1
Co ma robić AI, na jakich danych, gdzie te dane są (PDF, baza, CRM, maile). Definiujemy jeden konkretny przypadek użycia do MVP, resztę odkładamy. Sprawdzamy wymagania RODO i czy dane mogą wyjść poza Twój serwer. Zaliczka: 30%.
Tydzień 2-3
Wybór modelu (chmura albo własny serwer), architektura RAG, sposób pomiaru jakości odpowiedzi. Klikalny prototyp na próbce Twoich realnych dokumentów. Widzisz jak odpowiada, zanim zdecydujesz o pełnej budowie.
Koniec tygodnia 3
Ty oceniasz jakość odpowiedzi na realnych pytaniach. Bez akceptacji nie ruszamy z budową MVP. Po akceptacji: kolejne 30%.
Tydzień 4-7
Pełen proces: przygotowanie danych, indeksowanie, kontrola halucynacji, panel albo integracja z Twoim systemem. Testy na Twoich danych z pomiarem trafności. Co tydzień pokaz działającej wersji. Po wydaniu MVP: kolejne 30%.
Tydzień 8
Migracja na produkcję, monitoring jakości i kosztów (ile zapytań, ile kosztują, gdzie model się myli). Dokumentacja po polsku i przekazanie zespołowi. Po wdrożeniu: ostatnie 10%.
Nowy handlowiec pyta asystenta zamiast przerywać technologowi. Klient dostaje odpowiedź w czacie zamiast czekać na maila. Wiedza firmy przestaje być uwięziona w głowach trzech osób, które akurat są na urlopie.
RAG nie zmyśla. Każda odpowiedź wskazuje dokument, z którego pochodzi, więc możesz ją zweryfikować. Gdy model nie ma podstawy w Twoich danych, mówi że nie wie, zamiast pewnie podać nieprawdę.
Faktury, zamówienia i maile czytane automatycznie, dane wyciągane do systemu, człowiek wkracza tylko przy niepewnych przypadkach. Przy tej samej obsadzie przerobisz większy wolumen.
Widzisz ile zapytań i ile kosztują. Model na Twoim serwerze, gdy dane nie mogą wyjść poza firmę. Bez uzależnienia od jednego dostawcy, gdy ceny albo polityka się zmienią, przepinamy się na inny model.
Cursor i Claude w developmencie, AI w pipelinie treści, klasyfikacji leadów i kontroli jakości. Nie sprzedajemy czegoś, czego sami nie używamy na co dzień.
JSON Crew · własne procesy
AI-first
Kod piszemy w Cursor i Claude, generujemy i kontrolujemy jakość treści, klasyfikujemy i oceniamy leady, prowadzimy rozpoznanie. Wiemy gdzie AI realnie skraca pracę, a gdzie tylko wygląda efektownie na slajdzie. Tę wiedzę przenosimy na Twój przypadek.
KG Elektronik · producent kotłów
12 000
Backend telemetrii: 12 000 urządzeń wysyła dane, system agreguje i alarmuje. To nie RAG, ale dowód, że umiemy ujarzmić dane w skali i utrzymać to na produkcji od 18 miesięcy. AI siada na takiej warstwie danych.
Zobacz pełen caseAutomatyzacje · powiązana usługa
n8n + AI
Często AI to jeden element większego procesu: klasyfikacja maila, a potem automat kieruje go dalej. Jeśli głównym celem jest automatyzacja powtarzalnych zadań, zacznij od automatyzacji, AI dołożymy tam, gdzie ma sens.
Zobacz automatyzacjeDwie ścieżki, dwa różne profile firmy.
Gotowy chatbot / SaaS AI
Dedykowany RAG na własnym serwerze
Gotowy chatbot wystarczy do prostego FAQ. Dedykowane wdrożenie robi się gdy odpowiedzi muszą być oparte na Twojej wiedzy, dane są wrażliwe, albo AI ma być częścią procesu, a nie widżetem w rogu strony.
Co dzieje się po wdrożeniu i kim jesteśmy.
Po wdrożeniu
Pakiety opcjonalne. Szczegóły omawiamy na rozmowie po wdrożeniu.
Sprawdź też
30 sekund o JSON Crew
Software house z niszą w cyfrowej transformacji sprzedaży B2B. Konfiguratory produktowe, panele, automatyzacje i AI pod proces sprzedaży i operacje. Trzy główne case studies (Akpil, Knieja, wewnętrzna platforma JSON Hub) i wdrożenia portfolio (KG Elektronik, Blachodach, centrum rekuperacji, domki modułowe).
RAG (Retrieval-Augmented Generation) podpina model językowy do Twojej bazy wiedzy. Zamiast odpowiadać z ogólnej wiedzy z internetu, model najpierw wyszukuje w Twoich dokumentach, a potem odpowiada tylko na ich podstawie, z linkiem do źródła. Dzięki temu zna Twój cennik i procedury, a gdy nie ma podstawy w danych, mówi że nie wie, zamiast zmyślać.
Halucynacji nie da się wyzerować, ale da się je ograniczyć i wyłapywać. Stosujemy RAG (odpowiedzi oparte na źródłach), wymuszamy cytowanie dokumentu, mierzymy trafność na Twoich realnych pytaniach i ustawiamy próg, poniżej którego model mówi że nie wie zamiast zgadywać. Jakość oceniasz na prototypie zanim zapłacisz za pełną budowę.
Zależy od wymagań. Gdy dane są wrażliwe (RODO, dane osobowe, finanse), stawiamy model na Twoim serwerze i dane nie wychodzą na zewnątrz. Gdy nie ma takich ograniczeń, korzystamy z modeli w chmurze, co jest tańsze i szybsze. Decyzję podejmujemy w pierwszym etapie, umowa powierzenia danych podpisywana przed startem.
Dobieramy pod zadanie, budżet i wymagania RODO, nie odwrotnie. Modele w chmurze (np. Claude, GPT) gdy liczy się jakość i nie ma ograniczeń co do danych. Modele otwarte (open source), stawiane na Twoim serwerze, gdy dane muszą zostać u Ciebie albo wolumen jest duży. Architektura jest tak zbudowana, żeby dało się przepiąć model, gdy ceny albo polityka dostawcy się zmienią.
Wycena indywidualna po określeniu zakresu w pierwszym etapie. Cena stała po zdefiniowaniu przypadku użycia, harmonogram 30 / 30 / 30 / 10. Prosty asystent FAQ na gotowych dokumentach wyceniamy osobno, taniej niż pełne wdrożenie z integracją do systemu. Do tego dochodzi koszt zapytań do modelu, który pokazujemy z góry i monitorujemy po wdrożeniu.
To normalna sytuacja, nie przeszkoda. Pierwszy etap to właśnie przegląd danych: co macie, w jakim stanie, co trzeba uporządkować przed indeksowaniem. Czasem wystarczy próbka kluczowych dokumentów do MVP, a resztę dokładamy później. Jeśli danych jest za mało, żeby AI miało sens, powiemy to wprost zamiast brać projekt na siłę.
Opisz co chcesz, żeby AI robiło i na jakich danych ma działać. Odpowiemy w najbliższym dniu roboczym.
