Własny agent AI dla firmy — od czego zacząć | RIDOA

Agent AI to program, który ma dostęp do Twoich danych i uprawnienia do wykonania konkretnego działania. Nic więcej. Cała reszta to inżynieria: wybór procesu, przygotowanie danych, kontrola uprawnień i pomiar. Najczęstszy problem przy pierwszym wdrożeniu nie dotyczy modelu. Dotyczy tego, że nikt w firmie nie potrafi opisać procesu, który agent ma przejąć.

Czym różni się chatbot od RAG-u, a RAG od agenta AI?

Chatbot generuje odpowiedź z wiedzy zamkniętej w modelu. RAG dokłada wyszukiwanie w Twoich dokumentach — odpowiada na podstawie konkretnych fragmentów i podaje źródło. Agent idzie krok dalej: ma narzędzia i uprawnienia, więc coś realnie wykonuje. W praktyce różnica ujawnia się wtedy, gdy model się pomyli.

Wariant	Skąd bierze wiedzę	Co robi	Co się dzieje przy błędzie	Kiedy wystarczy
Chatbot	wiedza ogólna modelu	generuje tekst	zmyślona odpowiedź, brak śladu	pisanie szkiców, tłumaczenia, burza mózgów
RAG (asystent wiedzy)	Twoje dokumenty, indeks wektorowy	odpowiada i cytuje źródło	zły fragment, ale człowiek widzi link i weryfikuje	procedury, oferty, dokumentacja techniczna, wsparcie
Agent z narzędziami	dokumenty + API systemów firmy	zakłada zgłoszenie, uzupełnia rekord, wysyła wiadomość, generuje dokument	zmienia stan systemu — potrzebne uprawnienia, logi i możliwość cofnięcia	powtarzalne operacje z jasnym wejściem i wyjściem

Kolejność ma znaczenie. Większość firm potrzebuje najpierw RAG-u, a agenta dopiero wtedy, gdy asystent wiedzy udowodni na liczbach, że odpowiada poprawnie. Odwrotna kolejność daje system, który pewnym tonem wykonuje złe działania.

Jaki proces wybrać na pierwszego agenta AI w firmie?

Taki, który spełnia cztery warunki naraz: jest powtarzalny, kosztuje ludzi realny czas, ma jasne wejście i jasne wyjście, a błąd da się cofnąć. Gdy któregoś brakuje, projekt zwykle kończy się demem, którego po trzech tygodniach nikt nie używa.

Kryteria, które sprawdzamy przed startem

Powtarzalność. Proces musi występować co najmniej kilkadziesiąt razy w miesiącu. Przy pięciu razach nie ma z czego liczyć zwrotu ani z czego zbudować zestawu testowego.
Koszt czasu. Jedno wykonanie zajmuje człowiekowi kilkanaście minut lub więcej, a robi to osoba, której czas jest drogi.
Jasne wejście i wyjście. Da się napisać jednym zdaniem, co wchodzi (e-mail, PDF, zgłoszenie) i co ma wyjść (klasyfikacja, wypełniony formularz, odpowiedź z linkiem do źródła).
Odwracalność błędu. Zła klasyfikacja zgłoszenia to koszt minuty. Zły przelew albo wysłana do klienta oferta z błędną ceną to zupełnie inna kategoria ryzyka.
Właściciel po stronie firmy. Ktoś, kto zna proces, ma czas na przeglądy i prawo powiedzieć „ta odpowiedź jest zła”. Bez tej osoby nie ma czego poprawiać.

Co zwykle nadaje się na pierwszy raz

kwalifikacja i rozdzielanie przychodzących zapytań między zespoły,
wyciąganie danych z dokumentów o powtarzalnej strukturze (faktury, specyfikacje, protokoły),
odpowiedzi na pytania o produkt, procedurę lub konfigurację, oparte na wewnętrznej dokumentacji,
przygotowanie wstępnej wersji raportu, którą człowiek zatwierdza.

Skąd wziąć dane i dlaczego „mamy wszystko w SharePoincie” to jeszcze nie baza wiedzy?

Bo katalog plików to nie baza wiedzy. Baza wiedzy to zbiór dokumentów, o których wiadomo, który jest aktualny, kto za niego odpowiada i do kiedy obowiązuje. Typowy firmowy dysk zawiera trzy wersje tej samej procedury, skany bez warstwy tekstowej i ustalenia, które żyją wyłącznie na czacie.

Porządkowanie danych to w normalnym projekcie większa część pracy niż podłączenie modelu. Kolejność, którą stosujemy:

Inwentaryzacja źródeł. Lista miejsc, w których naprawdę jest wiedza: repozytorium plików, system ticketowy, CRM, skrzynki, wiki, arkusze.
Jedna wersja prawdy. Dla każdego tematu wskazujemy dokument obowiązujący, resztę oznaczamy jako archiwum. To decyzja biznesowa, nie techniczna — musi ją podjąć człowiek z firmy.
Czyszczenie. OCR dla skanów, usunięcie duplikatów, rozbicie 200-stronicowych plików na sensowne fragmenty.
Metadane. Data, właściciel, dział, ważność. Dzięki nim agent może odpowiadać „według procedury z marca”, a nie z losowej wersji sprzed dwóch lat.
Uprawnienia w indeksie. Agent musi widzieć dokładnie to, co użytkownik zadający pytanie. Inaczej asystent wiedzy staje się najszybszym w firmie wyciekiem danych kadrowych.

Zasada, od której nie odchodzimy: agent zawsze podaje źródło. Odpowiedź bez linku do dokumentu jest bezwartościowa, bo nikt nie może jej sprawdzić.

Co realnie znaczy „dane nie wychodzą z firmy”?

Pod tym hasłem sprzedaje się trzy różne rzeczy: model dostawcy w chmurze z umową powierzenia, model uruchomiony w Twojej własnej infrastrukturze chmurowej i model otwarty na serwerze w Twojej serwerowni. RODO nie zakazuje chmury. Wymaga podstawy prawnej, umowy powierzenia i kontroli nad tym, co dzieje się z danymi.

Kiedy wystarczy model chmurowy

przetwarzasz dane firmowe i kontrahenckie B2B, bez szczególnych kategorii danych,
dostawca podpisuje umowę powierzenia, deklaruje przetwarzanie w regionie UE i nie trenuje modeli na Twoich danych,
retencja promptów jest ustawiona na zero lub na krótki, znany okres,
umowy z Twoimi klientami nie zawierają zakazu przekazywania ich danych podmiotom trzecim.

Kiedy sięgamy po model lokalny

w grę wchodzą dane szczególnych kategorii (zdrowie, dane biometryczne) albo tajemnica przedsiębiorstwa o wysokiej wartości: dokumentacja konstrukcyjna, receptury, kod źródłowy klienta,
klient lub regulator wprost wymaga przetwarzania we własnej infrastrukturze,
system ma działać w sieci odciętej od internetu — na hali produkcyjnej, na budowie, na jednostce pływającej.

Brak faktury od dostawcy modelu nie znaczy, że model lokalny jest darmowy. Trzeba kupić i utrzymać sprzęt z GPU, aktualizować model, monitorować wydajność i mieć kogoś, kto to robi. Do klasyfikacji, ekstrakcji danych i odpowiadania na pytania z dokumentów modele otwarte w praktyce wystarczają. Przy złożonym rozumowaniu na długim kontekście różnica na korzyść modeli komercyjnych bywa jeszcze wyraźna.

Niezależnie od wariantu: logi promptów podlegają tym samym zasadom co reszta systemu, jeśli trafiają do nich dane osobowe. Warto od początku ustawić retencję, pseudonimizować dane w treści zapytań tam, gdzie to możliwe, i uwzględnić agenta w rejestrze czynności przetwarzania. Obowiązki wynikające z AI Act zależą od zastosowania — wewnętrzny asystent wiedzy to inna kategoria niż system, który ocenia kandydatów do pracy albo wpływa na dostęp do usług.

Jak zmierzyć, czy agent AI działa?

Zamiast „wrażenia, że pomaga” mierzymy cztery rzeczy: pokrycie, jakość, czas i koszt jednostkowy. Jest jeden warunek wstępny — punkt odniesienia trzeba zebrać przed wdrożeniem. Po uruchomieniu agenta nikt już nie pamięta, ile naprawdę trwała obsługa jednego zgłoszenia.

Pokrycie. Jaki procent przypadków agent obsługuje bez eskalacji do człowieka. Rosnące pokrycie przy stałej jakości to jedyny sensowny dowód, że system dojrzewa.
Jakość. Odsetek odpowiedzi zaakceptowanych bez poprawki oraz odsetek odpowiedzi niepopartych źródłem, liczony ręcznie na losowej próbce.
Czas. Mediana czasu obsługi przed i po. Mediana, nie średnia — pojedyncze patologiczne przypadki zaburzają obraz.
Koszt na przypadek. Koszt wywołań modelu plus utrzymanie, podzielone przez liczbę obsłużonych spraw. Ta liczba mówi, czy skalowanie ma sens.

Do tego zestaw testowy: 50–100 realnych pytań z zatwierdzonymi odpowiedziami, uruchamiany po każdej zmianie promptu, modelu lub bazy wiedzy. Bez niego nie wiadomo, czy zmiana coś poprawiła, czy właśnie zepsuła obszar, którego nikt nie sprawdził.

Kiedy agent AI to zły pomysł?

Kiedy da się to zrobić taniej i pewniej bez modelu. Poniżej sytuacje, w których odradzamy start — także wtedy, gdy klient jest już zdecydowany.

Proces nie istnieje na papierze. Jeśli pięć osób wykonuje go na pięć sposobów, agent utrwali jeden z nich, przypadkowy. Najpierw opis procesu, potem automatyzacja.
Zadanie jest deterministyczne. Walidacja formatu, przepisanie pola między systemami, wyliczenie stawki z tabeli — do tego wystarczy integracja API albo reguła. Model tylko dokłada niepewność i koszt.
Wymagana jest stuprocentowa powtarzalność. Rozliczenia, dokumenty prawne, sterowanie maszyną. Model językowy jest z natury probabilistyczny.
Decyzja jest nieodwracalna. Przelewy, wypowiedzenia, wiążące oferty. Tu agent może co najwyżej przygotować projekt do zatwierdzenia przez człowieka.
Nikt nie chce uporządkować danych. Wdrożenie na bałaganie daje szybkie demo i trwałe rozczarowanie.

Czasem najlepszym „wdrożeniem AI” jest integracja dwóch systemów, po której pytanie do agenta w ogóle przestaje powstawać. Mówimy o tym klientom wprost, bo utrzymywanie zbędnego systemu kosztuje obie strony.

Od czego zacząć w praktyce?

Od jednego procesu, jednego zestawu danych i jednej metryki. Kolejność, którą polecamy: tydzień na wybór procesu i zebranie punktu odniesienia, potem asystent wiedzy na realnych dokumentach, dopiero na końcu uprawnienia do wykonywania działań — nadawane po jednym, z logiem i możliwością cofnięcia.

Wybierz proces według czterech kryteriów powyżej i zmierz, ile dziś kosztuje czasu.
Zbierz i uporządkuj dokumenty dla tego jednego procesu. Nie dla całej firmy.
Zdecyduj o modelu wdrożenia: chmura z umową powierzenia albo instalacja lokalna. Decyzja wynika z rodzaju danych, nie z mody.
Uruchom wersję, w której agent proponuje, a człowiek zatwierdza. Zbieraj odrzucenia — to najcenniejszy materiał do poprawek.
Rozszerzaj uprawnienia dopiero wtedy, gdy liczby to uzasadniają.

W RIDOA budujemy takie systemy tak samo, jak własne produkty — platformę BIM/CDE BARVEA, urządzenie IoT ClimaBox czy asystenta trymu autoPolar — czyli z myślą o tym, kto to będzie utrzymywał za rok. Zakres prac opisaliśmy w ofercie, a konkretne wdrożenia w projektach.

Nie robimy stron z szablonu, samego hostingu bez projektu ani wynajmu programistów do cudzego zespołu. Jeśli masz proces, który wygląda na kandydata do automatyzacji, napisz do nas — po rozmowie wracamy z wyceną w jeden dzień roboczy.