Zbudowanie efektownego demo AI zajmuje popołudnie. Utrzymanie systemu, który działa codziennie na prawdziwych danych i bierze odpowiedzialność za wynik, to zupełnie inna liga. Pokazujemy, co naprawdę oznacza „AI na produkcji” i dlaczego w praktyce widujemy to rzadko.

Demo robi wrażenie. Produkcja 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.

System produkcyjny 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 produkcją. 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. Na produkcji 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 produkcyjny 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.

Kto odpowiada za decyzję

To pytanie, które w demie w ogóle się nie pojawia, a na produkcji jest kluczowe. Jeśli AI poleca coś błędnie, kto za to odpowiada — dostawca modelu, firma wdrażająca, czy nikt? W systemie produkcyjnym odpowiedź musi być jasna z góry, a nie ustalana po fakcie.

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. Produkcja wymaga czegoś innego: 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 na produkcji 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 na produkcji w teorii, pokazujemy to na własnym przykładzie — wszystkie trzy nasze produkty używają Claude w warstwie produkcyjnej, nie tylko w demo.

W Qkwit, księgowości z AI dla jednoosobowych działalności gospodarczych, Claude 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, koszykowej porównywarce cen leków działającej w dziewięciu krajach, funkcja Apteczkomat wykorzystuje AI do rozpoznawania zawartości koszyka, prowadzenia czatu z użytkownikiem i planowania zapasów. To codzienna, produkcyjna funkcja, nie demonstracja na konferencję.

W Brokik, platformie do zarządzania najmem dostępnej w 25 krajach, AI wspiera dostosowywanie dokumentów najmu i wycenę — w środowisku, gdzie każdy rynek ma inne prawo najmu i inne szablony umów, więc automatyzacja musi być odporna na różnorodność, a nie działać tylko na jednym, wyidealizowanym przypadku.

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 produkcyjne AI to 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 „mądry”. 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 na produkcję. Dlatego uważamy, że wdrożenie AI, które realnie działa na produkcji, to wciąż mniejszość — nie dlatego, że modele są słabe, tylko dlatego, że rzadko buduje się wokół nich pełny system.

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.

W praktyce oznacza to pytania w rodzaju: kto zobaczy komunikat o błędzie, gdy model się pomyli; jak szybko rośnie miesięczny koszt zapytań wraz z liczbą klientów; i czy proces da się cofnąć do wersji sprzed automatyzacji, jeśli coś pójdzie nie tak. Odpowiedzi na te pytania warto znać, zanim padnie decyzja o wdrożeniu — nie po jego uruchomieniu.

Najczęstsze pytania

Czym różni się demo AI od systemu produkcyjnego? Demo pokazuje jeden, wybrany przypadek. System produkcyjny 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 na produkcję? 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 na produkcji? 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 na produkcji oznacza wyższe koszty 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.

Chcesz sprawdzić, jak to wygląda w Waszym przypadku?

Jeśli zastanawiacie się, czy Wasz proces nadaje się do wdrożenia AI, które realnie zadziała na produkcji — napiszcie do nas. Chętnie porozmawiamy o konkretnym przypadku, bez zobowiązań.