O co firmy pytają nas w sprawie AI, według ról

AI jest już w codziennym użyciu: w badaniu Bitkom z 2026 roku korzysta z niej 57% firm zatrudniających 20 lub więcej osób. Ważniejsze od tego, czy zostaniesz w tyle, jest to, czy AI opłaca się w jednym z twoich procesów. Możesz to zmierzyć na własnych przypadkach, zanim zainwestujesz więcej.

Dla zarządu

Przede wszystkim mniej godzin na sprawę w rutynowej pracy z dokumentami, zapytaniami i zamówieniami oraz szybsze odpowiedzi dla klientów i pracowników. Do tego dochodzi praca, która dziś leży, bo brakuje ludzi. Co z tego dotyczy twojej firmy, zależy od procesów. Strony z zastosowaniami pokazują, co zmienia się w każdym dziale.

Zastosowania

Opłaca się, gdy proces powtarza się często, dziś kosztuje mierzalne godziny i z AI zachowuje jakość. Policz to dla jednego procesu: dzisiejszy koszt sprawy, koszty budowy, utrzymania i użycia, nakład na sprawdzanie i próg, który wynik musi osiągnąć. Jeśli liczby się nie zgadzają, zatrzymaj się, zanim cokolwiek zostanie zbudowane.

Business case dla AI

W badaniu Bitkom z 2026 roku firmy korzystające z AI wskazały jako główne bariery ochronę danych (66%), niepewność prawną (56%) i trudne do oszacowania koszty (54%). Własną gotowość najlepiej sprawdzić na jednym prawdziwym procesie: kompetencje, dane, systemy, zasady i ludzi w tym procesie, zamiast ogólnej oceny dojrzałości. Niektóre niemieckie izby przemysłowo-handlowe (IHK) oferują bezpłatne testy, a nasza 30-minutowa pierwsza rozmowa też jest bezpłatna.

Test gotowości na AI

Od jednego procesu z konkretną liczbą, na przykład godzinami pracy albo obsłużonymi sprawami, i jasnym kryterium sukcesu. Oceniaj kandydatów według liczby spraw, tego, jak szybko człowiek sprawdzi wynik, i dostępności danych. Strategia wyrasta potem z pierwszych dwóch albo trzech takich przypadków.

Wdrożenie AI w firmie

Krótkiej: które procesy w jakiej kolejności, jakie dane mogą trafić dokąd, kto odpowiada za każdy system i co ma on dostarczyć. Na końcu powinien być system działający na twoich danych. Zapytaj każdego partnera, czy dostaniesz PDF, czy coś, co działa.

Strategia i wdrożenie AI

Wybierz jeden proces, zmierz go dziś, zbuduj pilotaż na własnych przypadkach z kryteriami akceptacji, podłącz go do prawdziwych systemów i uruchom z wyznaczoną osobą odpowiedzialną. Proof of concept na czystych danych przykładowych niewiele dowodzi. Pilotaż na prawdziwych sprawach, z ludźmi, którzy potem będą sprawdzać wyniki, pokaże, czy inwestować dalej.

Wdrożenie AI w firmie

Kup, gdy produkt obejmuje proces i twoje zasady dotyczące danych. Buduj, gdy praca przechodzi przez twoje własne systemy albo żaden produkt nie spełnia wymagań co do danych.

AI: kupić czy zbudować

Na start nie potrzebujesz data scientista. Potrzebujesz osoby odpowiedzialnej za proces, osoby, która będzie utrzymywać system, i inżynierów, którzy już prowadzili AI na produkcji. Z partnerem, który buduje razem z twoimi ludźmi i przekazuje kod, testy i runbooki, możesz później przejść na własny zespół.

Agencja AI, doradztwo czy własny zespół

Proś o dowody: system, który partner utrzymuje na produkcji, sposób mierzenia jakości na twoich przypadkach, do kogo potem należy kod i kto jeszcze mu płaci, na przykład producenci narzędzi. Uważaj na każdego, kto obiecuje wyniki, zanim zobaczy twoje dane, albo nie potrafi powiedzieć, jak zatrzymałby nieudany projekt.

Agencja AI, doradztwo czy własny zespół

Mniej od modelu, a bardziej od dostępu do danych i systemów, tempa zatwierdzeń i liczby systemów, których dotyczy proces. Zakres i stałą cenę każdego etapu uzgadniamy na piśmie, więc po każdym etapie decydujesz, czy kontynuować.

Jak pracujemy

Firma pozostaje odpowiedzialna za to, co robi z AI. Podział odpowiedzialności w umowie ocenią twoi prawnicy, a to nie jest porada prawna. Zaprojektować można kontrolę: agent przygotowuje, człowiek zatwierdza płatności, księgowania i wszystko, co trafia do klienta, a każdy krok jest logowany, więc błąd da się prześledzić i poprawić.

Dla zarządu

To decyzja zarządu. AI przejmuje zadania, a ty decydujesz, czy uwolnione godziny pójdą na większy wolumen, nadrobienie zaległości, inną pracę, czy oznaczają mniej etatów. Zdecyduj o tym przed wdrożeniem, wcześnie poinformuj zespół i radę zakładową i raportuj wyniki tylko na poziomie zespołów.

Zarządzanie zmianą przy AI

Mierz koszt na zaakceptowany wynik, a nie na token, i przypisz każde narzędzie i zespół do pracy, którą wykonuje. Wstrzymaj tylko projekty bez punktu odniesienia albo bez osoby odpowiedzialnej. Pierwszym krokiem może być nasz bezpłatny jednostronicowy przegląd wykorzystania.

Bezpłatny przegląd wykorzystania AI

Sprawdzanie: dopasowanie pozycji faktur do zamówień i przyjęć towaru, porównanie cen z umowami, wykrywanie duplikatów i propozycja dekretacji. Zwolnienie płatności, zmienione dane bankowe, odchylenia powyżej twojej tolerancji i kwestie podatkowe zostają u człowieka. E-faktura usuwa etap odczytu, ale sprawdzanie zostaje.

Kontrola faktur i księgowość

Nie ma uczciwej ogólnej liczby, więc zmierz własną. Oszczędność to głównie nakład pracy kupca na ofertę i potwierdzenie zamówienia oraz odchylenia od zamówień, których już się nie przeoczy. Zapisz jedno i drugie przed i po, na własnych dokumentach.

Zakupy i zaopatrzenie

Opłaty za model to często mniejsza część: w badaniu Bitkom z 2026 roku firmy znacznie częściej wskazywały jako koszty AI infrastrukturę (51%), przygotowanie danych (50%) i integrację (41%) niż tokeny (8%), a do tego dochodzą ludzie, którzy sprawdzają i poprawiają wyniki. Licz wszystko na zaakceptowany wynik. Podajemy stałą cenę za każdy etap, uzgodnioną na piśmie po pierwszej rozmowie.

Pełny koszt procesu z AI

Wynika to z czterech wartości, które mierzysz: kosztu budowy, kosztu utrzymania, dzisiejszego kosztu sprawy i kosztu sprawy z AI, pomnożonych przez twój wolumen. Business case dla AI potrzebuje też progu jakości, nakładu na sprawdzanie i kryteriów przerwania, których ogólne szablony nie mają.

Business case dla AI

Mierz jeden proces osobno: koszt obsłużonej sprawy, godziny na sprawę, sprawy na osobę, odsetek błędów i poprawek oraz udział spraw bez poprawek, przed i po, na tym samym rodzaju spraw. Liczba licencji i logowań sama niewiele mówi.

Dla CFO i finansów

Czasem. Programy często się zmieniają, a niektóre finansują tylko doradztwo, inne także wdrożenie. Twoja izba przemysłowo-handlowa (w Niemczech IHK) powie ci, które dotyczą dziś twojej firmy. Potwierdź warunki, zanim zaczniesz na nich planować.

Wdrożenie AI w firmie

Prace projektowe wyceniamy jako stałą cenę za każdy etap, uzgodnioną na piśmie po pierwszej rozmowie. Porównując oferty, sprawdź, czy każda podaje zakres, kryteria akceptacji, osobne kwoty na budowę, utrzymanie i zużycie modeli oraz kto na końcu jest właścicielem kodu, testów i runbooków.

Jak pracujemy

Trzymaj kod, prompty, zestawy testów i dane we własnych repozytoriach, postaw bramę między aplikacjami a modelami, żeby model dało się zmienić, i zapisz w umowie, że może to przejąć twój zespół albo inny partner. Zaplanuj wyjście, zanim podpiszesz umowę.

Plan wyjścia od dostawcy AI

Że system osiąga uzgodnioną jakość na prawdziwej pracy, przy akceptowalnym koszcie na zaakceptowany wynik, i że ktoś przejmie za niego odpowiedzialność po pilotażu.

Kryteria sukcesu pilotażu AI

Częsta praca z jasnym poprawnym wynikiem, który człowiek szybko sprawdzi: faktury przychodzące, potwierdzenia zamówień, e-maile od klientów, wewnętrzne pytania o regulaminy albo instrukcje. Rzadkie przypadki, niejasne wyniki i nieodwracalne działania zostaw na później albo ludziom.

Kierownicy działów i operacji

Chatbot odpowiada na pytania. Agent wykonuje kroki w twoich systemach, na przykład czyta zamówienie i przygotowuje księgowanie, a wynik przedstawia do zatwierdzenia. W badaniu Bitkom z 2026 roku 29% firm planuje używać agentów, a 31% o tym dyskutuje. Zacznij tam, gdzie kroki są jasne, a człowiek zatwierdza, zanim cokolwiek zostanie zaksięgowane albo wysłane.

Agenci AI i automatyzacja procesów

Zacznij od pytań, które ludzie zadają na co dzień, zanim ktoś zaplanuje nowe wiki. Podłącz kilka źródeł, które na nie odpowiadają, takich jak SharePoint, dyski sieciowe i zgłoszenia, z ich uprawnieniami i pokazuj źródło przy każdej odpowiedzi. Pytania, na które asystent nie umie odpowiedzieć, stają się listą do rozmów z ekspertami.

Asystent wiedzy firmowej

Posortuj, odczytaj, potem sprawdź: system klasyfikuje każdy dokument, wyciąga pola potrzebne dla danego typu, sprawdza je z danymi podstawowymi i przekazuje poprawne do SAP albo twojego ERP. Niepewne trafiają do kolejki do sprawdzenia. Tak samo można przygotować przegląd umów według twojego playbooka, a decyzję podejmuje prawnik.

Przetwarzanie dokumentów

Wolumen i powtarzalność liczą się bardziej niż wielkość. Opłaca się, gdy wiele zapytań się powtarza, a udokumentowana wiedza na nie odpowiada: asystent przygotowuje odpowiedzi z zatwierdzonych źródeł, sortuje zgłoszenia i przekazuje sprawę człowiekowi tam, gdzie to ważne. Policz to na próbce własnych zgłoszeń, zanim zaczniesz budować.

AI w obsłudze klienta

Głównie po to, by szybciej wysyłać oferty i wprowadzać zamówienia z e-maili bez przepisywania. Asystent tworzy szkice na podstawie cen w ERP, danych produktów i wcześniejszych ofert, każda cena pochodzi wprost z ERP, a powyżej ustalonych przez ciebie progów zatwierdza człowiek.

AI w sprzedaży

To zależy od czujników i danych, które dają maszyny, i jest to specjalistyczna dziedzina, której nie budujemy. Budujemy stronę wiedzy: technicy dostają odpowiedzi z instrukcji, raportów serwisowych i danych części ze wskazaniem strony źródłowej, a raport serwisowy jest dla nich przygotowywany.

Serwis i utrzymanie ruchu

Odpowiadanie na powtarzające się pytania na podstawie zatwierdzonych regulaminów i porozumień z radą zakładową, prowadzenie nowych osób przez onboarding i przygotowywanie standardowych dokumentów do sprawdzenia przez HR. Ryzyka to dyskryminacja, monitorowanie pracowników i nieaktualne odpowiedzi, dlatego decyzje o ludziach zostają u ludzi, a my nie budujemy systemów, które filtrują, szeregują albo oceniają kandydatów czy pracowników.

HR i kadry

Gdy proces powtarza się często, zależy od dokumentów i wiedzy ekspertów i i tak sprawdza go człowiek: oferty, przyjmowanie zamówień, pytania serwisowe i dokumentacja. Pilotaże wchodzą do codziennego użytku, gdy asystent działa w procesie w ERP, ma osobę odpowiedzialną i zmierzony odsetek poprawnych wyników. Dane konstrukcyjne i cenowe mogą przy tym zostać na własnych serwerach.

AI w produkcji

Głównie te, w których tekst staje się rekordem: zlecenia transportowe trafiają do TMS, zapytania stają się ofertami, pytania o status odpowiedziami, a faktury przewoźników sprawdzonymi pozycjami. Pilotaże utykają, gdy działają obok TMS, a nie w samym procesie. Dyspozytorzy ufają sugestiom, których źródło widzą i które mogą odrzucić.

AI w logistyce

Tak, jeśli zaczniesz od jednego procesu, który powtarza się często i i tak sprawdza go człowiek, na przykład skrzynki obsługi klienta albo formularzy odczytów liczników. Wolumen liczy się bardziej niż wielkość. AI działająca jako element bezpieczeństwa w sterowaniu siecią lub instalacjami jest według AI Act systemem wysokiego ryzyka. Asystentów do obsługi klienta, dokumentów rozliczeniowych i instrukcji ten przepis nie obejmuje.

AI w energetyce i spółkach komunalnych

Głównie do przygotowania, a nie do decyzji: sortowanie poczty przychodzącej, odczyt danych szkody albo wniosku, sprawdzanie kompletności i duplikatów oraz zakładanie wstępnie wypełnionej sprawy. Ocena zdolności kredytowej to według AI Act zastosowanie wysokiego ryzyka z obowiązkami dla podmiotu stosującego, takimi jak nadzór człowieka, więc scoring i decyzje o ochronie i kredycie zostają u twoich pracowników i w istniejących modelach.

AI dla banków i ubezpieczycieli

Mogą, jeśli dane klientów pozostają pod kontrolą kancelarii, a łańcuch umów jest właściwy. Decyduje kancelaria, doradzana przez własnych prawników. Technicznie najbezpieczniejsze są własne serwery, bo wtedy żadne dane klientów nie opuszczają kancelarii. Wyszukiwanie, projekty pism i przegląd umów działają na twoich dokumentach, a każde cytowanie jest sprawdzane.

AI dla kancelarii i firm audytorskich

W większości branż pierwsze korzyści dają te same rodzaje pracy: dokumenty, zapytania klientów, oferty i wiedza wewnętrzna. Nasze strony branżowe obejmują produkcję, energetykę i spółki komunalne, logistykę, banki i ubezpieczycieli oraz kancelarie i firmy audytorskie. W innych branżach zacznij od zastosowań w twoich działach.

Branże

Tak. Najpierw podłącz kilka źródeł, których potrzebuje pierwsze zastosowanie, z ich uprawnieniami, osobą odpowiedzialną i działającym dostępem. Data lake ani projekt danych dla całej firmy nie są do tego potrzebne. Sprawdź źródła pierwszego procesu na reprezentatywnych przypadkach.

Gotowość danych do projektu AI

Każde działanie, które zmienia dane, wydaje pieniądze albo trafia do klientów, zatwierdza człowiek. Czytać i przygotowywać agenci mogą bez zatwierdzenia. Luzuj to dla danego działania dopiero wtedy, gdy testy i zalogowane uruchomienia pokażą, że agent działa poprawnie.

Akceptacja człowieka w workflow agentów

Uzgodnij kryteria akceptacji z góry, przetestuj od 100 do 200 przypadków z własnej pracy i odbieraj system na podstawie zmierzonego odsetka zaliczeń z przedziałem ufności. Wyniki da się prześledzić dzięki źródłom pokazywanym przy każdym wyniku i logowi każdego uruchomienia.

Testowanie systemów AI

Zwykle dlatego, że nikt nie uzgodnił, co znaczy wystarczająco dobrze, kto potem utrzymuje system i jak łączy się on z systemami, w których odbywa się praca. Przed startem potrzebujesz testów regresji, wersjonowania i wycofywania zmian, monitoringu, osoby odpowiedzialnej i przekazania, a potem wdrożenia etapami.

Od pilotażu AI do produkcji

Zwykle dlatego, że nie pasuje do ich pracy, boją się o swoje miejsca pracy albo ich prywatne narzędzia są lepsze. Angażuj od początku ludzi, którzy wykonują pracę, powiedz, na co pójdą uwolnione godziny, i szkol na ich własnych zadaniach z narzędziami, których będą używać. Nie każdy musi zostać ekspertem od AI. Kilka osób potrzebuje głębszej wiedzy, żeby utrzymywać systemy.

Zarządzanie zmianą przy AI

Decyduj na podstawie zmierzonej jakości i kosztu sprawy, w odniesieniu do progów uzgodnionych na początku. Jeśli projekt ich nie osiąga, zawęź zakres, przejdź na prostsze rozwiązanie albo go zatrzymaj. Zatrzymanie na podstawie dowodów jest tańsze niż system, z którego nikt nie korzysta.

Kiedy zatrzymać projekt AI

Wprowadź zatwierdzoną alternatywę, bo sam zakaz przenosi użycie na prywatne telefony. Według IW Köln (2026) 29,1% pracowników korzystających z AI w pracy używa narzędzi, których nie udostępnił im pracodawca. Wewnętrzny asystent z logowaniem jednokrotnym, dobrymi modelami i wiedzą firmy daje powód do zmiany, a brama pokazuje użycie według zespołu, nigdy według osoby.

Shadow AI: zakaz czy alternatywa

Własne serwery pasują do danych, które nie mogą opuścić sieci, i do dużego, równego użycia. Konto w chmurze pod twoją kontrolą pasuje do szybkiego startu i zmiennego obciążenia. Wiele firm korzysta z obu za jedną bramą.

AI on-premise

Copilot pasuje, gdy praca i dane są w Microsoft 365, a licencje na użytkownika się opłacają. Własny asystent pasuje, gdy ważne dane są w SAP, systemie DMS albo innych systemach, gdy musi działać na własnych serwerach albo gdy przy wielu okazjonalnych użytkownikach tańsze jest rozliczenie za użycie. W obu przypadkach najpierw uprawnienia.

Copilot czy własny asystent AI

Brama daje każdej aplikacji jedno API przed wszystkimi modelami, z kluczem, budżetem i logami dla każdego zespołu. Potrzebujesz jej, gdy tylko kilka zespołów albo narzędzi korzysta z modeli.

Co robi brama LLM

Tak. Określa, które narzędzia są zatwierdzone, jakie dane mogą trafić dokąd, kto zatwierdza nowe narzędzia i jak użycie jest logowane. Polityka na papierze zakłada, że wszyscy o niej pamiętają, a zasady egzekwowane przez platformę, takie jak zatwierdzone modele, zablokowane klasy danych i budżety zespołów, działają także wtedy, gdy ktoś zapomni.

Shadow AI: zakaz czy alternatywa

Zależy od typu wdrożenia: wdrożenia globalne mogą przetwarzać zapytania poza UE, a wdrożenia w strefie danych UE i profile wnioskowania UE utrzymują przetwarzanie w UE.

Azure OpenAI i Bedrock: dane w UE

Uruchom model open-weight z silnikiem takim jak vLLM na własnych serwerach GPU, postaw przed nim bramę do kluczy i logów, podłącz dokumenty z ich uprawnieniami i przetestuj odpowiedzi przed startem.

LLM on-premise w firmie

Zależy od liczby równoczesnych zapytań, długości danych wejściowych i odpowiedzi, rozmiaru modelu i wymaganych czasów odpowiedzi. Zmierz to na wynajętych albo istniejących GPU z własnymi promptami, zanim kupisz.

vLLM na Kubernetes

Od uprawnień. Asystent pokazuje każdemu wszystko, co ta osoba już może otworzyć, więc zbyt szeroko udostępnione witryny i foldery pojawiają się w odpowiedziach. Znajdź i zamknij otwarte udostępnienia w źródłach, które będzie czytał, a potem sprawdź na prawdziwych kontach, że zastrzeżone dokumenty pozostają ukryte.

Integracja danych dla AI

Traktuj go jak każdy system z dostępem do twoich danych, z jednym nowym ryzykiem: dokumenty i e-maile czytane przez model mogą zawierać instrukcje, tak zwany prompt injection. Daj każdemu agentowi jak najwęższe uprawnienia, wymagaj zatwierdzenia działań zmieniających dane, trzymaj punkty końcowe poza siecią publiczną i loguj każde wywołanie. Dodaj proces obsługi incydentów AI: w badaniu BSI i TÜV-Verband z 2026 roku miało go tylko 11% firm, które używają AI albo to planują.

Granice wobec prompt injection

Traktuj każdy jak API z dostępem do twoich systemów: właściciel, inwentarz, uwierzytelnianie powiązane z użytkownikiem, jak najwęższe uprawnienia dla każdego narzędzia, logi i zatwierdzanie przed każdym narzędziem, które zmienia dane. Usuń te, za które nikt nie odpowiada.

Dostęp agentów do systemów (MCP)

Tak, jeśli zachowasz ostrożność: przypinaj i weryfikuj obrazy przez digest, aktualizuj etapami z testami, trzymaj punkty końcowe administracji i MCP poza siecią publiczną, a klucze dostawców przechowuj tak, żeby dało się je szybko wymienić. LiteLLM miało w 2026 roku trzy incydenty, wszystkie naprawione.

LiteLLM na produkcji

Zbuduj drugi system na elementach pierwszego: jedna platforma z bramą, zatwierdzone modele, tożsamość i uprawnienia, wspólne logowanie i ten sam proces testów. Każde nowe zastosowanie dodaje wtedy swoje dane i proces, a nie nowy zestaw technologii, a koszty pozostają widoczne dla każdego zespołu.

AI dla firm

Ustal to przed budową. Ktoś musi odpowiadać za aktualizacje modeli i wersji, testy przed każdą zmianą, monitoring, koszty i pytania użytkowników. Może to być twój zespół z instrukcjami operacyjnymi i przekazaniem albo my w ramach stałej współpracy.

Odpowiedzialność za system AI

Technicznie tak, a dane nie muszą trafić do chmury. Ustal dla każdej klasy danych, które modele mogą je widzieć: ogólne teksty w regionie UE usługi chmurowej, dane poufne na własnym koncie w chmurze albo na własnych serwerach. Inspektor ochrony danych dostaje opis techniczny potrzebny do oceny skutków (DPIA). Firma decyduje razem z nim i swoimi prawnikami, a to nie jest porada prawna.

Inspektorzy ochrony danych

Nie na prywatnych kontach, które nie dają firmie umowy powierzenia ani kontroli. Plany firmowe, własne konto w chmurze i własne serwery zatrzymują w firmie coraz więcej. Przy każdej opcji zapytaj, gdzie dane są przetwarzane, jak długo są przechowywane, kto u dostawcy może je widzieć i czy służą do trenowania.

ChatGPT w firmie a ochrona danych

Firma korzystająca z AI jest według AI Act podmiotem stosującym: musi podjąć działania na rzecz kompetencji AI pracowników i informować o użyciu AI, a przy zastosowaniach wysokiego ryzyka, takich jak selekcja CV czy ocena zdolności kredytowej, ma dodatkowe obowiązki, w tym nadzór człowieka i przechowywanie logów. W Niemczech AI Act nadzoruje Bundesnetzagentur, która prowadzi punkt pomocy w sprawie klas ryzyka. Dla firm finansowych właściwy pozostaje BaFin. Digital Omnibus przesunął kilka terminów. Aktualne podaje nasza lista kontrolna, a twoi prawnicy potwierdzają, co dotyczy twojej firmy.

AI Act: obowiązki podmiotów stosujących

Tak: uruchamiając modele open-weight na własnych serwerach albo u dostawcy z UE. Region w UE amerykańskiego dostawcy decyduje o miejscu przetwarzania danych, a nie o prawie, któremu podlega dostawca.

AI on-premise

Tam, gdzie zdecydujesz: na własnych serwerach nic nie trafia do dostawcy modelu, a na własnym koncie w chmurze Microsoft i AWS deklarują, że prompty w Azure OpenAI i Amazon Bedrock nie służą do trenowania. Gdy dostawca przetwarza dla ciebie dane osobowe, potrzebujesz umowy powierzenia i warto sprawdzić aktualne warunki każdego dostawcy.

Azure OpenAI i Bedrock

W Niemczech często tak: współdecydowanie obowiązuje, gdy system obiektywnie nadaje się do monitorowania wyników lub zachowania pracowników, a logi zwykle to umożliwiają. Uzgodnij, co jest zapisywane i kto to widzi, i raportuj według zespołu, a nie osoby. To nie jest porada prawna.

Rada zakładowa a logi AI

Wcześnie, gdy jeszcze planujesz, bo informacja tuż przed wdrożeniem zwykle przychodzi za późno. Porozumienie opisuje cel, logowane pola, identyfikację, role dostępu, poziom agregacji, okres przechowywania, punkty zatwierdzania i sposób obsługi zmian. Gdy projekt utknął, pomaga pokazanie radzie zakładowej konkretnej konfiguracji.

Rady zakładowe

Jest dozwolona, ale regulowana: systemy, które filtrują aplikacje albo oceniają kandydatów, są według AI Act systemami wysokiego ryzyka z obowiązkami dla podmiotu stosującego, takimi jak nadzór człowieka. Zgodnie z art. 22 RODO odmów nie wolno w pełni automatyzować, a rada zakładowa ma prawo współdecydowania. Nie budujemy takich systemów: decyduje człowiek, a twoi prawnicy doradzają przy każdym rozważanym produkcie.

HR i kadry

AI Act nie wymaga pełnomocnika ds. AI porównywalnego z inspektorem ochrony danych. Jego art. 4 wymaga działań budujących kompetencje AI. Wiele firm i tak go wyznacza, czasem jest nim inspektor ochrony danych, żeby prowadził inwentarz, listę zatwierdzonych narzędzi i plan szkoleń, a każdy system AI potrzebuje dodatkowo własnej osoby odpowiedzialnej. Decyduje twoja firma, doradzana przez prawników.

Szefowie cyfryzacji i pełnomocnicy ds. AI

W praktyce tak, bo działania na rzecz kompetencji AI i informacje muszą obejmować AI używaną w twojej firmie, zatwierdzoną czy nie. Licencje i konta API widać w eksportach rozliczeń i użycia, które czyta nasz bezpłatny przegląd wykorzystania, w podziale na zespoły. Prywatnych narzędzi na prywatnych urządzeniach tam nie widać, więc zapytaj zespoły i zaproponuj zatwierdzoną alternatywę.

Bezpłatny przegląd wykorzystania AI

W przypadku chatbota, który rozmawia bezpośrednio z klientami, zwykle tak: art. 50 AI Act wymaga informowania ludzi, że rozmawiają z systemem AI, chyba że jest to oczywiste. Wbuduj tę informację w każdy kanał, w którym asystent odpowiada samodzielnie. Czy szkice sprawdzane i wysyłane przez pracownika jej wymagają, rozstrzygną twoi prawnicy.

AI Act: obowiązki podmiotów stosujących

AI Act wiąże obowiązki z rolami i zastosowaniami, a nie z wielkością firmy: art. 4 wymaga od każdego podmiotu stosującego działań, dzięki którym pracownicy mają wystarczające kompetencje AI. Nie wymienia certyfikatu, kursu ani liczby godzin. Możesz pokazać zapis, kto czego się nauczył o którym narzędziu, powiązany z rolą i aktualizowany, gdy narzędzia się zmieniają.

AI Act: obowiązki podmiotów stosujących

Nie, jeśli uprawnienia z systemów źródłowych są zapisane przy każdym dokumencie i stosowane przy każdym wyszukiwaniu, a przed startem zostało to przetestowane.

Uprawnienia w RAG

Traktuj to jak inżynierię produktu: określ zadanie i kryteria zaliczenia, zbuduj ewaluacje (powtarzalne testy na stałych przypadkach) z prawdziwych przypadków użytkowników, dobierz model do zadania za bramą i zaplanuj opóźnienia, koszt zapytania i monitoring przed startem. Funkcja jest potem wdrażana i zmieniana jak reszta kodu, z testami przy każdej zmianie.

Inżynieria i architektura AI

Mierz efekty na porównywalnej pracy, a nie odsetek akceptacji czy samoocenę: czas realizacji, nakład na review, poprawki i błędy w zmianach z narzędziem i bez niego oraz koszt zmergowanej zmiany. Uzgodnij metryki przed pilotażem, żeby wynik mógł zdecydować o wdrożeniu.

Metryki pilotażu GitHub Copilot

Dzięki wspólnej konfiguracji, instrukcjom i kontrolom dla każdego repozytorium, szkoleniu na prawdziwych zgłoszeniach i pomiarom nakładu na review i poprawki przed i po.

Wdrażanie agentów kodujących

Claude Code i narzędzia, które przyjmują własny punkt końcowy, mogą. Narzędzia działające przez serwery swojego dostawcy nie dotrą do bramy wewnętrznej, więc trzeba sprawdzić każde narzędzie. Za bramą decydujesz, z których modeli może korzystać każdy zespół, i ustalasz budżet dla każdego zespołu.

Agenci kodujący przez bramę LLM

Do punktu końcowego, który skonfigurowano w narzędziu, a niektóre narzędzia najpierw przechodzą przez serwery swojego dostawcy. Sprawdź warunki dotyczące danych i retencji dla każdego narzędzia i tam, gdzie narzędzie na to pozwala, kieruj je przez własną bramę do modelu na twoim koncie w chmurze.

Agenci kodujący przez bramę LLM

Rozbij wydatki według zespołu, narzędzia, modelu i zadania, a potem według zmergowanej zmiany. Typowe przyczyny to drogie modele do prostych zadań, duże konteksty i ponowienia.

Optymalizacja kosztów LLM

Odtwórz zmiany, które zespół już zmergował, w starej i nowej konfiguracji i porównaj koszty, nakład na review i poprawki na tej samej pracy.

Ewaluacje na twoich repozytoriach

Utrzymuj stały zestaw prawdziwych przypadków z uzgodnionymi kryteriami, uruchom go na obecnej i nowej wersji i zmieniaj tylko wtedy, gdy nowa nie jest gorsza w ważnych przypadkach. Ten sam zestaw uruchamiaj przy każdej zmianie, jak testy regresji.

Testy regresji aplikacji LLM

Oceniaj wyszukiwanie i odpowiedzi osobno, na prawdziwych pytaniach użytkowników: czy wyszukiwanie znalazło właściwy fragment, czy odpowiedź trzyma się tego źródła i je cytuje, i czy ukryto to, czego dana osoba nie może zobaczyć.

Ewaluacja systemów RAG