Demo robi wrażenie. Codzienne użycie musi działać

Demo AI ma jedno zadanie: zadziałać raz, na wybranym przykładzie, przed publicznością, która chce zobaczyć „wow”. Nikt nie pyta wtedy, co się stanie, gdy dokument będzie nieczytelny, model odpowie z opóźnieniem albo dane wejściowe będą inne niż te przygotowane na pokaz. To naturalne — demo ma przekonać, nie wytrzymać starcie z rzeczywistością.

System w codziennym użyciu musi odpowiadać na te pytania każdego dnia, dla każdego użytkownika, bez wyjątku. Różnica nie leży w samym modelu — ten sam model językowy stoi za demem i za wdrożeniem. Różnica leży w tym, co budujemy wokół niego.

Monitoring i obserwowalność

W demo nikt nie sprawdza, czy odpowiedź była poprawna — widać to gołym okiem, bo przykład jest jeden. W codziennym użyciu potrzeba mechanizmu, który mierzy jakość odpowiedzi w skali: ile razy model odmówił, ile razy wynik wymagał interwencji człowieka, gdzie pojawiają się nietypowe przypadki. Bez tego nie wiadomo, czy system zaczyna się psuć, dopóki nie zepsuje się widocznie — czyli za późno.

Koszty w skali

Zapytanie do modelu językowego kosztuje niewiele, kiedy pokazujemy je raz. Pomnożone przez tysiące dokumentów, zapytań czy transakcji dziennie, staje się realną pozycją w budżecie, którą trzeba świadomie projektować — od wyboru, które zadania w ogóle wymagają modelu, po to, jak długi kontekst mu podajemy.

Degradacja i błędy modelu

Modele językowe czasem się mylą, a czasem zmieniają się między wersjami dostawcy. System po wdrożeniu musi to zakładać z góry: mieć sposób na wykrycie błędnej odpowiedzi, zanim trafi ona do klienta czy do księgowości, i mieć plan na to, co się dzieje, gdy model nie jest pewny. W praktyce oznacza to też regularne porównywanie odpowiedzi modelu z wynikiem, który uznajemy za prawidłowy — nie jednorazowo przy starcie, ale w sposób ciągły, przez cały czas działania systemu.

Kto odpowiada za decyzję

To pytanie, które w demie w ogóle się nie pojawia, a w działającym systemie jest kluczowe. Jeśli AI poleca coś błędnie, kto za to odpowiada — dostawca modelu, firma wdrażająca, czy nikt? Odpowiedź musi być jasna z góry, a nie ustalana po fakcie. Zespoły, które odkładają tę rozmowę na później, zwykle mierzą się z nią dopiero w momencie, gdy klient już zgłosił reklamację — a to najgorszy moment na ustalanie zasad odpowiedzialności od zera.

Integracja z tym, co firma już ma

Demo działa zwykle w izolacji — na przygotowanym zestawie danych, bez połączenia z prawdziwym systemem księgowym, CRM-em czy bazą klientów. Po wdrożeniu jest inaczej: AI musi wymieniać dane z systemami, które firma już ma, bez oczekiwania, że zespół wymieni je na nowe tylko dlatego, że wdraża AI. To dodatkowa warstwa pracy, która w demie w ogóle nie istnieje, a po wdrożeniu potrafi zająć więcej czasu niż sam model.

Nasza zasada: AI proponuje, kod decyduje

W praktyce wdrożeń, które prowadzimy, trzymamy się jednej zasady: AI czyta, klasyfikuje i proponuje, natomiast to, co dotyczy pieniędzy i decyzji krytycznych, liczy deterministyczny kod. Model językowy jest świetny w rozumieniu nieustrukturyzowanych danych — dokumentu, wiadomości, obrazu koszyka zakupowego. Nie jest jednak narzędziem, któremu powierza się ostateczne obliczenie podatku czy autoryzację płatności.

Ten podział ról jest, naszym zdaniem, jednym z powodów, dla których większość projektów AI zatrzymuje się na etapie pilotażu — brakuje w nich jasnej granicy między tym, co proponuje model, a tym, co rozstrzyga system.

Dowód: trzy produkty, jeden wyróżnik

Zamiast opowiadać o AI w codziennym użyciu w teorii, pokazujemy to na własnym przykładzie — wszystkie trzy nasze produkty używają AI w warstwie, która działa na co dzień, nie tylko w demo.

W Qkwit, naszej księgowości z AI, model czyta i ekstrahuje dane z dokumentów księgowych, a wynik trafia do deterministycznego silnika, który liczy podatki i składki ZUS. Model rozumie dokument — kod liczy zobowiązania.

W Taniej po Lek, naszej koszykowej porównywarce cen leków działającej w 11 krajach, AI rozpoznaje zawartość koszyka ze zdjęcia albo z opisu tekstowego i podsuwa tańsze zamienniki — a łączną cenę koszyka liczy zawsze deterministyczny silnik.

W Brokik, platformie do zarządzania najmem dostępnej w 25 krajach, AI dostosowuje istniejący dokument najmu do zwykłego opisu sytuacji, a asystent konfiguracji przygotowuje wersje robocze rekordów nieruchomości i najemców, które użytkownik zatwierdza. To codzienna funkcja, nie demonstracja na konferencję.

Te trzy przykłady łączy jedno: AI pracuje tam każdego dnia, na realnych danych, z monitoringiem i planem na błąd — nie tylko raz, na pokazie.

Dlaczego to wciąż rzadkość

Wiele projektów AI, z którymi się stykamy, kończy na etapie działającego prototypu. Powód zwykle nie leży w samym modelu, tylko w tym, co dzieje się dookoła niego: brak monitoringu, brak jasnego podziału odpowiedzialności, brak planu na koszty w skali, brak odpowiedzi na pytanie „co robimy, gdy model się myli”.

To są kwestie inżynierskie i organizacyjne, nie kwestie tego, czy model jest wystarczająco dobry. Widzimy to szczególnie tam, gdzie zespół wdrażający zna się dobrze na samym modelu, ale słabiej na tym, jak zaprojektować system wokół niego — kolejkowanie zadań, obsługę błędów, limity kosztowe. To właśnie te elementy, a nie jakość modelu, najczęściej decydują o tym, czy projekt zostaje demem na zawsze, czy trafia do codziennego użycia.

Co to oznacza dla Twojej firmy

Jeśli rozważacie wdrożenie AI, warto od początku pytać nie „czy to zadziała raz”, ale „co się stanie, gdy to będzie działać codziennie, na tysiącu przypadków, z inną osobą po drugiej stronie”. To pytanie prowadzi do zupełnie innych decyzji projektowych — dotyczących monitoringu, kosztów, podziału ról między AI a kodem i odpowiedzialności za wynik. Więcej o tym, jak podchodzimy do takich wdrożeń, piszemy na stronie wdrożeń AI.

Najczęstsze pytania

Czym różni się demo AI od systemu w codziennym użyciu?

Demo pokazuje jeden, wybrany przypadek. System w codziennym użyciu musi radzić sobie z każdym przypadkiem, każdego dnia, z monitoringiem jakości i planem na błędy — bez wyjątków i bez przygotowanego wcześniej scenariusza.

Czy AI może samodzielnie podejmować decyzje finansowe?

W naszych wdrożeniach nie. AI czyta, klasyfikuje i proponuje, natomiast obliczenia dotyczące pieniędzy i decyzje krytyczne wykonuje deterministyczny kod — to zasada, którą stosujemy we wszystkich własnych produktach.

Dlaczego tak mało wdrożeń AI trafia do codziennego użycia?

Najczęściej brakuje elementów wokół samego modelu: monitoringu, planu na koszty w skali i jasnego podziału odpowiedzialności za wynik. To zwykle kwestie inżynierskie, a nie ograniczenia modelu.

Jak sprawdzić, czy dostawca faktycznie ma doświadczenie z AI w codziennym użyciu?

Warto zapytać o konkretne, działające produkty, a nie tylko o zrealizowane projekty demo — i o to, jak wygląda w nich monitoring oraz podział odpowiedzialności między AI a systemem.

Czy AI w codziennym użyciu kosztuje więcej niż demo?

Tak, bo koszty rosną wraz ze skalą — dlatego dobrze zaprojektowane wdrożenie z góry określa, które zadania faktycznie wymagają modelu językowego, a które da się rozwiązać prościej.