Wiele firm IT mówi dziś, że „robi AI”. Trudniej sprawdzić, czy to prawda — bo najlepszym dowodem nie jest oferta w PDF-ie ani slajd z logo modelu językowego, tylko własny produkt, który firma sama utrzymuje na produkcji, na własnym ryzyku, dla realnych użytkowników.

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 albo pilotażem, odbiorem, czasem wdrożeniem produkcyjnym — ale ryzyko operacyjne (błędy modelu, koszty zapytań, zmiany po stronie dostawcy AI, aktualizacje) 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 na etapie prezentacji, tylko miesiąc po miesiącu, dla użytkowników, którzy nie wybaczą awarii. To jest „AI na produkcji” w sensie dosłownym: system działa, kiedy nikt nie patrzy, i musi działać poprawnie za każdym razem.

Różnica nie jest kosmetyczna. Firma z drugiej kategorii wie z pierwszej ręki, gdzie AI się myli, ile kosztuje utrzymanie modelu w praktyce 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 produkcie na produkcji trzeba mierzyć się z pytaniami, które rzadko pojawiają się w ofercie wdrożeniowej: co się dzieje, gdy model błędnie odczyta dokument? Jak wygląda proces, gdy dostawca AI zmienia wersję modelu? 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 (kwoty, podatki, dopasowania prawne) liczy zawsze zwykły, przewidywalny kod. To rozróżnienie nie jest teorią z artykułu. To jest architektura, którą musieliśmy zbudować, bo inaczej nasze własne produkty by nie działały.

Zespół, który nigdy nie utrzymywał AI na produkcji, nie ma z czego wyciągnąć tej wiedzy. Może ją sobie wyobrazić. My znamy ją z praktyki.

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. To zadanie, które nie ma daty zakończenia — użytkownicy stale przynoszą nowe warianty problemu, których nie było w żadnym teście przeprowadzonym przed startem.

Trzy produkty, jeden wzorzec: jak to wygląda w WebET

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

Qkwit — księgowość z AI dla jednoosobowych działalności gospodarczych. AI czyta i klasyfikuje dokumenty księgowe (ekstrakcja danych z faktur, paragonów, potwierdzeń), a podatki i składki liczy deterministyczny silnik, nie model językowy. Ten mechanizm opisujemy szerzej w artykule o AI w księgowości JDG.

Taniej po Lek — koszykowa porównywarka cen leków działająca w dziewięciu krajach. Element AI to Apteczkomat: rozpoznawanie zawartości koszyka, czat pomagający dobrać zamienniki, planowanie zapasów. To nie demo — to funkcja, z której realnie korzystają użytkownicy porównywarki.

Brokik — platforma SaaS do zarządzania najmem dla właścicieli i najemców, dostępna w 25 krajach. AI odpowiada tam za dostosowywanie dokumentów najmu do lokalnego prawa oraz wycenę — obszary, w których błąd nie jest abstrakcyjny, tylko od razu widoczny dla użytkownika w innym kraju, z innym prawem najmu.

Trzy różne branże, trzy różne zastosowania AI, jeden wspólny mianownik: Claude na produkcji, 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. Firma, która nigdy nie płaciła rachunku za zapytania do modelu przy prawdziwym wolumenie, łatwo nie doszacuje kosztów utrzymania. My wiemy, ile to kosztuje, bo płacimy to sami — dla trzech produktów jednocześnie.

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, bo inaczej nasze własne produkty by zawiodły.

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

Po czwarte — znajomość przypadków granicznych. Trzy produkty w trzech różnych branżach oznaczają setki nietypowych dokumentów, sformułowań i sytuacji, które trzeba było obsłużyć poprawnie, zanim jakikolwiek użytkownik je zgłosił jako problem. Ta wiedza przekłada się wprost na to, jak projektujemy mechanizmy kontrolne u klienta — zawczasu, a nie po pierwszym incydencie.

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 na produkcji, bez przerw”. Odpowiedź na to pytanie mówi zwykle więcej niż jakakolwiek oferta wdrożeniowa.

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 na produkcji przynosi tę wiedzę gotową.

Dlaczego „AI na produkcji” to więcej niż demo albo PoC? Bo demo działa na wybranych przykładach, a produkcja 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. Więcej o wyborze partnera piszemy w artykule o wyborze partnera do wdrożenia AI.

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. Więcej na stronie oferty wdrożeń AI.

Porozmawiajmy o Waszym wdrożeniu

Jeśli zastanawiacie się nad wdrożeniem AI i chcecie rozmawiać z zespołem, który sam na co dzień utrzymuje AI na produkcji — napiszcie do nas.