40/60 to nie wynik żadnego badania rynkowego ani cytat z raportu branżowego. To obserwacja z własnej praktyki produktowej — z tego, ile realnie czasu i uwagi pochłania opieka nad systemami AI, które sami uruchomiliśmy i którymi zajmujemy się miesiąc po miesiącu w Qkwicie, Brokiku i Taniej po Lek.

Skąd bierze się proporcja 40/60

Traktujemy tę proporcję jako punkt wyjścia do rozmowy o budżecie, nie jako twardą normę do podstawienia w arkusz kalkulacyjny. Widzimy ją konsekwentnie od pierwszego dnia, kiedy model zaczyna czytać prawdziwe dokumenty albo odpowiadać prawdziwym użytkownikom, aż po miesiące późniejszej, mniej widocznej pracy.

Monitorowanie jakości i dryf danych

Model, który dobrze radzi sobie z dokumentami w dniu startu, nie gwarantuje, że będzie radził sobie równie dobrze trzy miesiące później. Potrzebna jest stała obserwacja: czy ekstrakcja danych wciąż jest trafna, czy liczba przypadków wymagających poprawki ręcznej rośnie czy maleje. W praktyce oznacza to regularne próbkowanie wyników i porównywanie ich z tym, co zrobiłby człowiek, oraz prosty sygnał alarmowy, kiedy odsetek poprawek zaczyna rosnąć. Bez tej warstwy firma dowiaduje się o pogorszeniu jakości dopiero wtedy, gdy zgłosi to klient — czyli najpóźniej, jak to możliwe.

Dokumenty, na których pracuje system, nie stoją w miejscu. Wystawcy faktur zmieniają szablony, formularze urzędowe się aktualizują, paragony z nowych systemów kasowych wyglądają inaczej niż te sprzed roku. System, który świetnie czytał jeden format, może zacząć się mylić, kiedy pojawi się wariant, którego wcześniej nie widział. W Qkwicie, gdzie AI czyta dokumenty księgowe, a deterministyczny silnik liczy na tej podstawie podatki i ZUS, ten dryf trzeba wyłapywać zanim wpłynie na liczby, nie po fakcie.

Aktualizacje modeli i obsługa wyjątków

Modele językowe, na których opiera się AI w codziennym użyciu, same się zmieniają — pojawiają się nowe wersje, zachowanie na tych samych promptach potrafi się subtelnie przesunąć. To wymaga regularnego retestowania promptów i pilnowania, żeby zmiana pod spodem nie zepsuła cichcem tego, co wcześniej działało dobrze. Pisaliśmy szerzej o rozdzieleniu ról między AI a kodem w tekście AI proponuje, kod liczy — to rozdzielenie ułatwia też bezpieczne aktualizowanie warstwy AI bez ryzyka dla warstwy liczącej.

Każdy system AI po wdrożeniu prędzej czy później trafia na przypadek, którego nie przewidziano: dokument w nietypowym formacie, zapytanie spoza zakresu, sytuację wymagającą oceny, a nie tylko klasyfikacji. Utrzymanie oznacza budowanie i pilnowanie ścieżki eskalacji do człowieka dla takich przypadków, nie tylko raz przy starcie, ale jako stały element działania systemu — pisaliśmy o tym modelu w artykule automatyzacja decyzji z eskalacją do człowieka.

Kto jest potrzebny i co to znaczy dla budżetu

Utrzymanie systemu AI nie może być wyłącznie zadaniem dostawcy, który go wdrożył. Po stronie firmy potrzebny jest właściciel procesu — ktoś, kto regularnie patrzy na przypadki eskalowane do człowieka i traktuje je jako informację zwrotną. Bez jawnie przypisanej odpowiedzialności sygnały z monitoringu jakości łatwo giną, a rosnący odsetek eskalacji zauważa się dopiero wtedy, gdy szkoda jest już zrobiona.

Konsekwencja tej proporcji jest praktyczna: budżet na wdrożenie AI, który kończy się na dniu startu, jest budżetem na 40% projektu. Pozostałe 60% — monitoring, obsługa dryfu, aktualizacje modeli, ścieżki eskalacji — trzeba zaplanować i wycenić od początku, nie traktować jako niespodziankę odkrywaną po miesiącu działania. Pisaliśmy o samym koszcie startowym w tekście ile realnie kosztuje wdrożenie AI w 2026 roku — dopiero suma obu artykułów daje pełny obraz budżetu.

Jak to wygląda w naszych produktach

W Qkwicie AI czyta dokumenty księgowe, a deterministyczny silnik liczy na tej podstawie podatki i ZUS — warstwa AI wymaga stałego monitorowania jakości odczytu i dostosowywania do nowych formatów dokumentów. W Taniej po Lek AI rozpoznaje zawartość koszyka ze zdjęcia albo tekstu i podsuwa zamienniki — ta funkcja wymaga podobnej opieki, kiedy zmieniają się opakowania albo sposób, w jaki użytkownicy formułują pytania. W Brokiku AI dostosowuje dokumenty najmu do polecenia w wolnym tekście na wielu rynkach jednocześnie, a każdy rynek to osobna powierzchnia, na której jakość trzeba pilnować z osobna.

W skrócie

Budżet, który kończy się na dniu startu, pokrywa tylko 40% pracy. Pozostałe 60% — monitoring, dryf, aktualizacje, eskalacje — trzeba zaplanować od pierwszego dnia rozmowy o projekcie. Więcej o naszym podejściu do takich wdrożeń piszemy na stronie oferty AI.

Najczęstsze pytania

Czy proporcja 40/60 to wynik badania rynkowego?

Nie. To nasza własna obserwacja z prowadzenia produktów AI w codziennym użyciu, a nie cytat z badania czy raportu branżowego. Traktujemy ją jako punkt wyjścia do rozmowy o budżecie, nie jako sztywną normę.

Co dokładnie wchodzi w koszty utrzymania AI?

Przede wszystkim monitorowanie jakości działania na bieżąco, reagowanie na dryf danych i formatów dokumentów, aktualizacje modeli i promptów oraz utrzymanie ścieżek eskalacji do człowieka dla przypadków wykraczających poza automatyzację.

Czy da się przewidzieć koszt utrzymania przed startem projektu?

Częściowo. Dobry audyt procesu na starcie pomaga oszacować, jak zmienne będą dane wejściowe — ale pełny obraz kosztu utrzymania pokazuje się dopiero po kilku miesiącach pracy po wdrożeniu.

Czy każdy proces wymaga tyle samo utrzymania?

Nie. Proces oparty na danych, które rzadko się zmieniają, będzie wymagał mniej uwagi niż proces, w którym formaty dokumentów czy zapytania użytkowników zmieniają się często. Zmienność danych wejściowych to jeden z lepszych wskaźników przyszłego kosztu utrzymania.

Czy koszty utrzymania maleją z czasem?

Zwykle tak, jeśli proces jest stabilny — zespół uczy się typowych wyjątków i dopracowuje prompty tak, że coraz mniej przypadków trafia do ręcznej korekty. Ale nigdy nie spadają do zera, bo dane wejściowe i modele, na których działa system, wciąż się zmieniają.