Pytanie „czy robicie AI” słyszymy przy każdej pierwszej rozmowie. Ciekawsze pytanie brzmi inaczej: na czym sami tego AI używacie i jak długo to już działa bez przerw, dla realnych użytkowników, którzy nie wybaczą awarii.

Dwa rodzaje firm, które mówią, że „robią AI”

W praktyce widzimy dwa różne podejścia, które z zewnątrz wyglądają podobnie, a w środku działają zupełnie inaczej. Pierwsze: firma wdraża AI wyłącznie u klientów. Projekt kończy się demo, pilotażem albo wdrożeniem produkcyjnym — ale ryzyko operacyjne (błędy modelu, koszty zapytań, zmiany po stronie dostawcy AI) zostaje po stronie klienta albo znika razem z zespołem po zakończeniu projektu.

Drugie: firma sama buduje i utrzymuje produkt, w którym AI jest częścią działania na co dzień, nie tylko na etapie prezentacji, ale miesiąc po miesiącu, dla użytkowników, którzy nie wybaczą awarii. To właśnie znaczy, że AI działa w codziennym użyciu w sensie dosłownym: system musi działać poprawnie za każdym razem, kiedy nikt nie patrzy. Różnica nie jest kosmetyczna — firma z drugiej kategorii wie z pierwszej ręki, gdzie AI się myli i jakie mechanizmy kontrolne są naprawdę potrzebne, bo sama je zbudowała i sama za nie odpowiada.

Co się zmienia, kiedy AI trzeba utrzymać, a nie tylko wdrożyć

Wdrożenie kończy się w dniu odbioru. Utrzymanie zaczyna się dzień później i nie ma daty końcowej. W działającym produkcie trzeba mierzyć się z pytaniami, które rzadko pojawiają się w ofercie wdrożeniowej: co się dzieje, gdy model błędnie odczyta dokument? Ile kosztuje pojedyncze zapytanie przy realnym wolumenie, nie w teście na dziesięciu przykładach? Gdzie dokładnie kończy się rola AI, a zaczyna deterministyczna logika, która nie może się pomylić losowo?

To są pytania, które opisywaliśmy już przy okazji rozdzielania roli AI od roli kodu — u nas AI proponuje i klasyfikuje, a decyzje krytyczne liczy zawsze zwykły, przewidywalny kod. To rozróżnienie nie jest teorią z artykułu — to architektura, którą musieliśmy zbudować, bo inaczej nasze własne produkty by nie działały. Do tego dochodzi codzienna, cicha praca w tle: monitoring odpowiedzi modelu, oznaczanie przypadków granicznych, aktualizacja reguł klasyfikacji, kiedy pojawia się nowy typ dokumentu albo nowy rynek — zadanie bez daty zakończenia.

Trzy produkty, jeden wzorzec

WebET to firma IT i AI: nie wdrażamy AI wyłącznie u klientów — sami budujemy i utrzymujemy trzy produkty, w których model AI pracuje każdego dnia, a doświadczenie z ich utrzymania przenosimy wprost do dedykowanych wdrożeń dla innych firm.

  • Qkwit. Księgowość i kadry z AI dla firm w Polsce, dziś w czterech segmentach: JDG, spółki, kadry i płace, biura rachunkowe. AI czyta i klasyfikuje dokumenty, a podatki, VAT i składki liczy deterministyczny silnik, nigdy model językowy.
  • Taniej po Lek. Koszykowa porównywarka cen leków w 11 krajach. AI rozpoznaje zawartość koszyka ze zdjęcia albo wklejonego tekstu i podsuwa tańsze zamienniki z wcześniej odfiltrowanej listy kandydatów, a sumy i ceny liczy zawsze deterministyczny silnik.
  • Brokik. Platforma SaaS do zarządzania najmem dla właścicieli i najemców w 25 krajach. AI dostosowuje istniejący dokument najmu albo protokół do polecenia w wolnym tekście, a asystent konfiguracyjny przygotowuje wpisy nieruchomości i najemców, które użytkownik zatwierdza.

Trzy różne branże, trzy różne zastosowania AI, jeden wspólny mianownik: AI w działającym systemie, nie na slajdzie. Te same lekcje — gdzie AI się myli, jak monitorować jakość odpowiedzi, kiedy eskalować decyzję do człowieka — przenosimy też do dedykowanych wdrożeń poza własnymi produktami, w tym do firm z motoryzacji i sektora finansowego.

Co ta różnica oznacza dla klienta zamawiającego wdrożenie

Kiedy zespół sam utrzymuje produkty oparte na AI, konsekwencje tej wiedzy przekładają się bezpośrednio na jakość wdrożenia u klienta. Po pierwsze — realistyczna wycena kosztów: firma, która nigdy nie płaciła rachunku za zapytania do modelu przy prawdziwym wolumenie, łatwo nie doszacuje kosztów utrzymania. Po drugie — architektura z dnia pierwszego zakłada kontrolę, a nie tylko funkcjonalność: rozdzielenie „AI proponuje, kod decyduje” nie jest dodatkiem na żądanie klienta, to domyślny sposób, w jaki budujemy.

Po trzecie — realistyczny harmonogram: wiemy z własnego doświadczenia, że wdrożenie wymaga starannego audytu procesu, zanim w ogóle zacznie się kodowanie, bo sami przechodzimy przez ten etap regularnie, w trzech różnych produktach.

Dla klienta, który wybiera partnera do wdrożenia AI, to praktyczna wskazówka: warto pytać nie „czy robicie AI”, tylko „na czym sami go używacie i jak długo to już działa bez przerw”. Odpowiedź na to pytanie mówi zwykle więcej niż jakakolwiek oferta wdrożeniowa.

W skrócie

Firma, która sama utrzymuje produkty oparte na AI, wie z praktyki to, czego inny zespół może się tylko domyślać: ile kosztuje utrzymanie w skali, gdzie system się myli i jakie mechanizmy kontrolne są naprawdę potrzebne. Więcej o naszym podejściu do wdrożeń AI znajdziecie na stronie oferty.

Najczęstsze pytania

Czym różni się „wdrażanie AI dla klientów” od „budowania własnych produktów z AI”?

Wdrożenie kończy się odbiorem projektu. Własny produkt na AI firma utrzymuje bez końca — na własny koszt i własne ryzyko, co wymusza dojrzalsze podejście do kontroli błędów i kosztów.

Czy zespół bez własnego produktu AI może dobrze wdrożyć AI u klienta?

Może, ale musi tę wiedzę zdobyć na projekcie klienta, często metodą prób i błędów. Zespół z własnymi produktami w codziennym użyciu przynosi tę wiedzę gotową.

Dlaczego AI w codziennym użyciu to więcej niż demo albo PoC?

Bo demo działa na wybranych przykładach, a codzienne użycie musi działać na wszystkich przypadkach, łącznie z tymi nieprzewidzianymi, przez lata, przy realnym wolumenie i realnym koszcie.

Jak sprawdzić, czy zespół faktycznie używa AI, a nie tylko o nim mówi?

Zapytać wprost o konkretny, działający produkt, nie o listę technologii w ofercie — i o to, jak dawno ten produkt działa bez przerw.

Czy WebET wdraża AI też w branżach innych niż księgowość, wynajem czy porównywarki cen?

Tak — pracujemy też z firmami z motoryzacji i sektora finansowego, stosując ten sam wzorzec: AI czyta i proponuje, kod decyduje. Doświadczenie z utrzymania własnych produktów przenosimy bezpośrednio na te wdrożenia.