Wiele zespołów już dziś otwiera ChatGPT obok skrzynki mailowej i wkleja fragment dokumentu, żeby dostać szybką odpowiedź. To wygodne, ale ma granice: model publiczny nie zna Waszych procedur, nie widzi wewnętrznych systemów i nie odróżnia pytania stażysty od pytania dyrektora finansowego. Asystent AI zbudowany na danych firmy to inna kategoria narzędzia — i to różnica, która decyduje o tym, czy AI można bezpiecznie wpuścić do codziennej pracy.

Czym właściwie jest „asystent AI na danych firmy”

W uproszczeniu: to często ten sam rodzaj modelu językowego, z którym rozmawiacie w publicznym czacie, ale osadzony w innym środowisku. Zamiast odpowiadać wyłącznie na podstawie tego, czego nauczył się podczas treningu, asystent ma dostęp do wskazanych zasobów firmy — dokumentacji, procedur, baz wiedzy, czasem wybranych systemów wewnętrznych — i odpowiada w oparciu o nie, a nie o ogólną wiedzę z internetu.

To oznacza dwie rzeczy naraz. Po pierwsze, odpowiedzi są konkretne i aktualne względem tego, jak faktycznie działa Wasza firma, a nie jak działają firmy „w ogóle”. Po drugie — i to jest część, o której często się zapomina — dostęp do tych danych trzeba świadomie zaprojektować: kto może pytać o co, co model widzi, a czego nie powinien nigdy zobaczyć.

Kontekst, którego zwykły chatbot nie ma

Publiczny czat nie wie, że macie własny szablon umowy najmu dla rynku niemieckiego, inny próg akceptacji faktury niż konkurencja, albo że dział księgowości od trzech miesięcy stosuje nową procedurę rozliczania zaliczek. Asystent osadzony w danych firmy zna te rzeczy, bo ma do nich dostęp — nie dlatego, że został „douczony” raz na zawsze, ale dlatego, że sięga po aktualne źródła w momencie pytania.

W praktyce widzimy to w naszych własnych produktach. W Brokiku AI dostosowuje dokumenty i wycenę do lokalnego prawa najmu w każdym z 25 krajów, w których działa platforma — bo zna kontekst konkretnego rynku, a nie ogólną wiedzę o „najmie w Europie”. To nie jest odpowiedź, jaką dałby ogólny chatbot bez dostępu do tych reguł.

Bezpieczeństwo danych i uprawnienia

To największa różnica praktyczna. Kiedy pracownik wkleja fragment umowy czy dane klienta do publicznego czatu, te dane opuszczają firmę i trafiają do zewnętrznego serwisu, nad którym nie macie kontroli — nie wiecie, jak są przechowywane ani kto może mieć do nich dostęp. Asystent na danych firmy działa odwrotnie: dane zostają w środowisku, które sami kontrolujecie, a dostęp do poszczególnych zasobów jest przypisany do ról i uprawnień, dokładnie tak jak w każdym innym systemie firmowym.

To oznacza, że asystent może odpowiadać inną treścią działowi HR, a inną działowi sprzedaży — nie dlatego, że „wie lepiej”, tylko dlatego, że ma dostęp wyłącznie do tego, do czego dany użytkownik ma dostęp. Warto też mieć ślad tego, kto o co pytał — nie po to, żeby kogoś kontrolować, ale żeby móc odtworzyć, skąd wzięła się dana odpowiedź, jeśli ktoś kiedyś zapyta.

Aktualność wiedzy

Model publiczny ma wiedzę zamrożoną na dzień treningu — nie wie, że zmieniliście cennik w zeszłym tygodniu ani że dwa dni temu zaktualizowaliście procedurę reklamacyjną. Asystent osadzony w danych firmy sięga po źródła na bieżąco, więc odpowiada zgodnie ze stanem faktycznym, a nie z tym, co było prawdą w momencie, gdy ktoś ostatnio trenował duży model językowy.

To wymaga jednej rzeczy po stronie firmy: dokumenty i procedury muszą być w miejscu, do którego asystent ma dostęp, i muszą być aktualizowane — inaczej asystent równie dobrze może odpowiadać na podstawie nieaktualnej wersji instrukcji leżącej w firmowym dysku od dwóch lat. Jakość odpowiedzi asystenta jest wprost pochodną porządku w źródłach, z których korzysta — to nie jest coś, co „samo się naprawi” po wdrożeniu.

Integracja z systemami, nie tylko z dokumentami

Najprostsza wersja takiego asystenta to dostęp do dokumentacji i baz wiedzy. Bardziej zaawansowana integruje się z systemami, w których firma faktycznie pracuje — CRM-em, systemem księgowym, wewnętrznym helpdeskiem. Wtedy asystent nie tylko odpowiada na pytania, ale może też sprawdzić status zamówienia, wyciągnąć dane faktury czy przygotować szkic odpowiedzi na podstawie historii kontaktu z klientem.

Tu wraca zasada, którą stosujemy we wszystkich naszych wdrożeniach: model językowy dobrze radzi sobie z czytaniem, klasyfikowaniem i proponowaniem treści, ale ostateczne decyzje liczbowe i krytyczne operacje powinien wykonywać deterministyczny kod, a nie sam model. Pisaliśmy o tym szerzej w tekście o tym, dlaczego AI proponuje, a kod liczy — ta sama zasada dotyczy asystentów na danych firmy: model pomaga znaleźć i sformułować odpowiedź, ale nie powinien być jedynym miejscem, w którym zapada decyzja wpływająca na pieniądze czy zobowiązania firmy.

Gdzie to już działa w praktyce

Wszystkie trzy nasze własne produkty korzystają z Claude na produkcji, więc mamy praktyczne rozeznanie, jak to wygląda od środka, a nie tylko w teorii. W Qkwicie AI czyta dokumenty księgowe i faktury, ale to deterministyczny silnik liczy podatki i składki ZUS — model nie zgaduje liczb, tylko dostarcza dane wejściowe do obliczeń wykonywanych przez kod. W Apteczkomacie, części Taniej po Lek, AI rozpoznaje zawartość koszyka zakupowego i prowadzi czat z klientem, wspierając też plan zapasów. W Brokiku model dostosowuje dokumenty i wycenę do lokalnych przepisów najmu w każdym z obsługiwanych krajów.

To samo podejście przenosimy do wdrożeń u klientów: nasza oferta wdrożeń AI opiera się na tej samej zasadzie — asystent ma dostęp do kontekstu firmy, ale decyzje krytyczne zostają po stronie deterministycznego kodu. Jeśli chcecie zobaczyć, jak to wygląda w konkretnym produkcie księgowym, zerknijcie na Qkwita.

Od czego zacząć, jeśli rozważacie taki asystent

W praktyce dobrze zacząć od małego, dobrze wyznaczonego zakresu — na przykład dokumentacji jednego działu albo jednej powtarzalnej kategorii pytań — zamiast od razu próbować podłączyć wszystkie systemy naraz. To pozwala sprawdzić, czy źródła danych są wystarczająco uporządkowane, zanim zainwestuje się czas w integrację z bardziej złożonymi systemami. Dopiero gdy taki pilotaż działa dobrze, ma sens rozszerzanie zakresu o kolejne działy czy systemy.

Warto też od początku ustalić, kto odpowiada za aktualność źródeł, z których korzysta asystent. Asystent jest tak dobry, jak dane, do których ma dostęp — jeśli nikt nie dba o to, żeby dokumentacja była aktualna, jakość odpowiedzi będzie się z czasem pogarszać, niezależnie od tego, jak dobry jest sam model.

Najczęstsze pytania

Czy asystent AI od razu zna wszystkie procedury firmy? Nie automatycznie — trzeba mu wskazać, do jakich zasobów ma dostęp (dokumentacja, bazy wiedzy, wybrane systemy). Im lepiej te zasoby są uporządkowane i aktualne, tym trafniejsze odpowiedzi.

Czy dane firmy trafiają do zewnętrznego modelu tak jak w publicznym czacie? Nie w ten sam sposób — asystent działa w środowisku kontrolowanym przez firmę, z dostępem przypisanym do ról i uprawnień, a nie w otwartym oknie czatu bez kontroli nad tym, co dzieje się z wklejonymi danymi.

Czy to zastępuje pracowników działu obsługi czy dokumentacji? Nie taki jest cel — asystent odciąża od szukania informacji i odpowiadania na powtarzalne pytania, ale decyzje i kontakt z klientem w trudniejszych sprawach nadal zostają po stronie ludzi.

Ile trwa wdrożenie takiego asystenta? Zależy od tego, ile źródeł trzeba podłączyć i jak bardzo są uporządkowane — prosty asystent na dokumentacji to co innego niż integracja z kilkoma systemami wewnętrznymi. Zaczynamy od audytu, żeby to oszacować realistycznie.

Czy taki asystent może się mylić? Tak, jak każdy model językowy — dlatego krytyczne obliczenia i decyzje projektujemy tak, żeby wykonywał je deterministyczny kod, a nie sam model, o czym piszemy przy okazji tekstu o rozdzieleniu ról AI i kodu.

Chcecie sprawdzić, czy to ma sens u Was?

Jeśli zastanawiacie się, czy asystent na danych firmy miałby realną wartość w Waszej organizacji, chętnie porozmawiamy o konkretnym przypadku — napiszcie do nas.