Wdrożenie AI, które kończy się w dniu odpalenia na produkcji, tak naprawdę dopiero zaczyna swoje życie. Widzimy to w praktyce przy własnych produktach — Qkwicie, Brokiku i Taniej po Lek — od pierwszego dnia, kiedy model zaczyna czytać prawdziwe dokumenty albo odpowiadać prawdziwym użytkownikom. Nasza teza z tej praktyki jest prosta: zbudowanie systemu to około 40% całej pracy. Pozostałe 60% to utrzymanie go w formie, miesiąc po miesiącu.

Skąd bierze się proporcja 40/60 — nasza teza, nie badanie

Zanim pójdziemy dalej: 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 utrzymanie systemów AI, które sami uruchomiliśmy i którymi się opiekujemy na co dzień. Traktujemy to jako punkt wyjścia do rozmowy o budżecie, nie jako twardą normę do podstawienia w arkusz kalkulacyjny.

Monitorowanie jakości — to nie jest „wdrożyliśmy i zapomnieliśmy”

Model, który dobrze radzi sobie z dokumentami czy zapytaniami w dniu startu, nie gwarantuje, że będzie radził sobie równie dobrze trzy miesiące później. Potrzebna jest stała obserwacja jakości — czy ekstrakcja danych z dokumentów wciąż jest trafna, czy odpowiedzi generowane dla użytkowników wciąż trzymają się faktów, czy liczba przypadków wymagających poprawki ręcznej rośnie czy maleje. Bez tej warstwy obserwacji firma dowiaduje się o pogorszeniu jakości dopiero wtedy, gdy zgłosi to klient albo księgowość — czyli najpóźniej, jak to możliwe.

W praktyce oznacza to konkretne nawyki: regularne próbkowanie wyników i porównywanie ich z tym, co zrobiłby człowiek, śledzenie w czasie odsetka przypadków wymagających ręcznej korekty oraz prosty sygnał alarmowy, kiedy ten odsetek zaczyna rosnąć. Nie potrzeba do tego skomplikowanego dashboardu — wystarczy, że ktoś regularnie patrzy na te liczby i traktuje wzrost liczby poprawek jako sygnał do sprawdzenia, co się zmieniło, zanim błędy dotrą do klienta.

Trzy sygnały warto traktować jako stałe punkty kontrolne od pierwszego dnia po starcie: jakość samego wyniku (czy ekstrakcja czy odpowiedź wciąż jest trafna na próbce porównywanej z pracą człowieka), odsetek eskalacji do człowieka (czy rośnie, czy maleje w czasie) oraz dryf formatów dokumentów (czy napływające faktury, formularze czy zapytania wciąż wyglądają tak jak w dniu testów). Żaden z tych sygnałów osobno nie daje pełnego obrazu, ale razem pozwalają zauważyć problem, zanim zgłosi go klient.

Dryf danych i formatów

Dokumenty, na których uczy się i 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 podatki i ZUS na podstawie tego odczytu, ten dryf trzeba wyłapywać zanim wpłynie na liczby, a nie po fakcie.

W praktyce dryf rzadko przychodzi z zapowiedzią. Dostawca oprogramowania księgowego zmienia układ faktury, urząd aktualizuje formularz, sieć sklepów wprowadza nowy format paragonu — i nagle system, który wcześniej radził sobie bezbłędnie, zaczyna się mylić na konkretnym typie dokumentu. Zespół, który utrzymuje taki system, musi mieć sposób, żeby to zauważyć szybko, zanim błędne dane trafią do rozliczenia.

Aktualizacje modeli i promptów

Modele językowe, na których opiera się produkcyjne AI, same się zmieniają — pojawiają się nowe wersje, stare bywają wycofywane, zachowanie modelu na tych samych promptach potrafi się subtelnie przesunąć. To oznacza konieczność regularnego retestowania promptów, aktualizowania ich pod nowe wersje modeli i pilnowania, żeby zmiana pod spodem nie zepsuła cichcem tego, co wcześniej działało dobrze. To osobna, ciągła praca — nie jednorazowe „napisaliśmy prompt i mamy to z głowy”. Pisaliśmy szerzej o rozdzieleniu ról między AI a kodem w tekście AI proponuje, kod liczy: dlaczego rozdzielamy te role — to rozdzielenie jest też tym, co ułatwia bezpieczne aktualizowanie warstwy AI bez ryzyka dla warstwy liczącej.

W praktyce to wygląda jak osobny, powtarzalny cykl wydawniczy dla warstwy AI: nowa wersja modelu najpierw przechodzi przez stały zestaw testowych dokumentów i zapytań, wyniki porównujemy z wersją produkcyjną, a dopiero po przejrzeniu różnic decydujemy o przełączeniu. To samo dotyczy zmian w promptach — nawet drobna korekta wraca przez ten sam zestaw testów regresyjnych, zanim trafi na produkcję.

Obsługa wyjątków — gdzie kończy się automatyzacja

Każdy system AI na produkcji 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 — bezpieczniejszy model: im dojrzalszy proces, tym lepiej wie, kiedy sam sobie nie poradzi.

Kto po stronie firmy jest potrzebny do utrzymania

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, a nie tylko listę zadań do odklikania. Nie musi to być osobne stanowisko — często tę rolę pełni osoba, która już zna dany proces, uzupełniona o stały kontakt z zespołem utrzymującym warstwę AI. Bez jawnie przypisanej odpowiedzialności sygnały z monitoringu jakości łatwo giną, a dryf formatów czy rosnący odsetek eskalacji zauważa się dopiero wtedy, gdy szkoda jest już zrobiona.

Co to oznacza dla budżetu i planowania wdrożenia

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 i promptów, ścieżki eskalacji — trzeba zaplanować i wycenić od początku, a nie traktować jako niespodziankę odkrywaną po miesiącu działania na produkcji. Pisaliśmy o samym koszcie startowym w tekście Ile realnie kosztuje wdrożenie AI w firmie w 2026 roku — ten artykuł warto czytać razem z niniejszym, bo dopiero suma obu daje pełny obraz budżetu.

W praktyce oznacza to też inny rytm pracy zespołu: o ile budowa systemu ma wyraźny początek i koniec, o tyle utrzymanie jest ciągłe i nie znika po zamknięciu projektu. Firmy, które planują to z wyprzedzeniem, rezerwują stały, mniejszy budżet na comiesięczną opiekę nad systemem, zamiast wracać do rozmowy o pieniądzach dopiero wtedy, gdy coś przestaje działać.

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 Apteczkomat (rozpoznawanie koszyka, czat, plan zapasów) wymaga podobnej opieki, kiedy zmieniają się opakowania czy sposób, w jaki użytkownicy formułują pytania. W Brokiku AI wspiera dostosowywanie dokumentów i wycenę na 25 rynkach jednocześnie — a każdy rynek to osobna powierzchnia, na której jakość trzeba pilnować z osobna. Więcej o naszym podejściu do takich wdrożeń piszemy na stronie oferty AI oraz przy okazji samego Qkwita.

Najczęstsze pytania

Czy proporcja 40/60 to wynik badania rynkowego? Nie. To nasza własna obserwacja z prowadzenia produktów AI na produkcji, 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 i jak często będzie trzeba wracać do promptów i szablonów — ale pełny obraz kosztu utrzymania pokazuje się dopiero po kilku miesiącach pracy na produkcji.

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.

Jak zaczyna się współpraca nad wdrożeniem AI, które od początku uwzględnia utrzymanie? Zaczynamy od rozmowy o samym procesie i o tym, jak zmienne są jego dane wejściowe — a nie tylko o samej technologii. Napisz do nas, a przejdziemy przez to razem.