Jak wykorzystać sztuczną inteligencję do stworzenia biznesu

Największy błąd przy budowaniu biznesu opartego na sztucznej inteligencji pojawia się jeszcze przed napisaniem pierwszej linijki kodu. Przedsiębiorca zaczyna od narzędzia, a nie od problemu. Kupuje subskrypcje, testuje modele, tworzy efektowne demonstracje, po czym odkrywa, że klienci nie chcą płacić za „AI”. Chcą szybciej odpowiadać na zapytania, taniej przetwarzać dokumenty, ograniczyć liczbę reklamacji albo odzyskać kilka godzin pracy tygodniowo.

Dlatego sztuczna inteligencja nie powinna być produktem samym w sobie. Powinna być mechanizmem, który pozwala dostarczyć mierzalny rezultat taniej, szybciej lub dokładniej niż dotychczas. Tak można zbudować firmę usługową, mikro-SaaS, wyspecjalizowaną agencję albo narzędzie wdrażane wewnątrz przedsiębiorstw. Nie trzeba zaczynać od dużego zespołu ani finansowania zewnętrznego. Potrzebne są natomiast trzy rzeczy: dobrze wybrany problem, ręcznie zweryfikowany proces oraz kontrola kosztów i ryzyka.

Najpierw problem, za który ktoś już dziś płaci

Dobry pomysł na biznes AI nie zaczyna się od pytania: „Co potrafi najnowszy model?”. Lepsze pytanie brzmi: za jaką powtarzalną pracę firma już płaci i dlaczego ta praca nadal zajmuje tyle czasu?

Najłatwiej automatyzuje się procesy, które:

• występują przynajmniej kilkadziesiąt razy w miesiącu,
• opierają się głównie na tekście, dokumentach, zdjęciach lub nagraniach,
• mają wyraźny początek i oczekiwany rezultat,
• można sprawdzić według konkretnych kryteriów,
• kosztują firmę więcej, niż wyniesie obsługa rozwiązania,
• nie wymagają za każdym razem całkowicie nowej decyzji eksperckiej.

Praktyczne przykłady to klasyfikowanie wiadomości, przygotowywanie projektów odpowiedzi, przepisywanie danych z faktur i umów, porównywanie dokumentów, tworzenie opisów produktów, analiza rozmów sprzedażowych czy wyszukiwanie informacji w firmowej bazie wiedzy.

Największy potencjał często nie znajduje się w efektownych generatorach obrazów, lecz w nudnych zadaniach administracyjnych. Biuro rachunkowe może chcieć automatycznie rozpoznawać braki w dokumentach od klientów. Zarządca nieruchomości — klasyfikować zgłoszenia lokatorów i kierować je do właściwego wykonawcy. Hurtownia — przygotowywać opisy tysięcy produktów na podstawie kart technicznych. Kancelaria — wyszukiwać różnice między wersjami umów, ale bez oddawania modelowi prawa do podejmowania decyzji prawnych.

Pomysł trzeba ocenić liczbowo. Załóżmy, że pracownik otrzymuje miesięcznie 600 zgłoszeń, a obsługa jednego zajmuje średnio sześć minut. To 60 godzin pracy. Jeżeli pełny koszt godziny pracownika wynosi 50–80 zł, proces kosztuje firmę około 3000–4800 zł miesięcznie. System, który skróci obsługę do dwóch minut i będzie kosztował 700 zł miesięcznie, może uwolnić około 40 godzin pracy. Powstaje konkretna wartość, z której można wyprowadzić cenę.

Nie należy jednak obiecywać całej wartości klientowi. Automatyzacja rzadko usuwa sto procent pracy. Trzeba uwzględnić kontrolę wyników, błędne klasyfikacje, nietypowe przypadki i czas potrzebny na utrzymanie systemu. W praktyce rozsądny cel pierwszego wdrożenia to ograniczenie czasu procesu o 30–60 procent, a nie pełne zastąpienie człowieka.

Przed budową produktu warto przeprowadzić od 10 do 20 rozmów z osobami wykonującymi dane zadanie. Nie z dyrektorem, który widzi jedynie raport końcowy, lecz z pracownikiem faktycznie kopiującym dane, odpowiadającym klientom albo sprawdzającym dokumenty. Podczas rozmowy trzeba ustalić:

• ile przypadków pojawia się tygodniowo lub miesięcznie,
• ile trwa przypadek typowy i trudny,
• jakie dane są dostępne na wejściu,
• po czym poznaje się poprawny wynik,
• jakie błędy są dopuszczalne,
• który błąd powoduje stratę finansową lub prawną,
• kto zatwierdza rezultat,
• z jakimi systemami rozwiązanie musi się połączyć.

Sygnałem ostrzegawczym jest proces występujący kilka razy w miesiącu albo taki, którego nikt nie potrafi spójnie opisać. Automatyzowanie chaosu zwykle daje tylko szybszy chaos. Najpierw trzeba ujednolicić procedurę, nazwy pól i reguły postępowania.

Na początku lepiej wybrać wąską grupę klientów. „Asystent AI dla firm” jest propozycją zbyt szeroką. „System przygotowujący projekty odpowiedzi na reklamacje dla polskich sklepów internetowych obsługujących co najmniej 500 zamówień miesięcznie” daje już określonego odbiorcę, dane wejściowe, język, skalę oraz mierzalny rezultat.

Pierwszą wersję usługi można wykonać częściowo ręcznie. Klient przesyła dokumenty, przedsiębiorca uruchamia przygotowany proces, sprawdza wynik i oddaje gotowy materiał. Takie rozwiązanie nie jest jeszcze skalowalne, ale pozwala ustalić, czy klient rzeczywiście zapłaci, zanim powstanie panel, integracje i automatyczne rozliczenia.

Produkt trzeba policzyć przed jego automatyzacją

Koszt modelu językowego bywa zaskakująco niski, ale nie jest jedynym kosztem biznesu. Do rachunku trzeba doliczyć przechowywanie danych, integracje, monitoring, obsługę błędów, płatności, wsparcie klienta oraz pracę człowieka sprawdzającego wyniki.

Dostawcy API rozliczają modele przede wszystkim za tokeny, czyli fragmenty tekstu przetwarzane na wejściu i generowane na wyjściu. W połowie 2026 roku koszt miliona tokenów wejściowych w popularnych modelach wynosi od ułamka dolara w wariantach ekonomicznych do kilku lub kilkunastu dolarów w modelach przeznaczonych do trudniejszych zadań. Milion tokenów to orientacyjnie kilkaset tysięcy słów, zależnie od języka i rodzaju treści.

Przykład: jedna analiza dokumentu zużywa 8000 tokenów wejściowych i 2000 wyjściowych. Przy modelu kosztującym 1 dolara za milion tokenów wejściowych i 6 dolarów za milion wyjściowych pojedyncze wywołanie kosztuje około 0,02 dolara. Tysiąc takich analiz to około 20 dolarów, czyli zwykle mniej niż 100 zł przed doliczeniem podatków, kursu walutowego i pozostałej infrastruktury.

Ten rachunek może jednak gwałtownie wzrosnąć, gdy aplikacja:

• wielokrotnie wysyła ten sam długi dokument,
• generuje rozbudowane odpowiedzi zamiast krótkiego wyniku strukturalnego,
• używa najdroższego modelu do prostych zadań,
• ponawia nieudane zapytania bez limitu,
• dołącza do każdego wywołania całą historię rozmowy,
• korzysta z płatnego wyszukiwania internetowego przy każdym zapytaniu.

W praktycznym produkcie warto stosować kaskadę modeli. Tani model wykonuje klasyfikację, ekstrakcję danych i proste odpowiedzi. Droższy model uruchamia się tylko wtedy, gdy wynik ma niską pewność, dokument jest nietypowy albo trzeba rozwiązać wieloetapowy problem. Pozwala to ograniczyć rachunek bez zauważalnego pogorszenia jakości.

Modelu nie wybiera się na podstawie jednego atrakcyjnego przykładu. Potrzebny jest zestaw testowy zawierający co najmniej 50–100 rzeczywistych przypadków, w tym błędne pliki, literówki, niepełne dane i sytuacje graniczne. Dla każdego przypadku należy wcześniej ustalić poprawny rezultat. Następnie porównuje się modele według czterech wskaźników:

• skuteczności, czyli odsetka poprawnych odpowiedzi,
• kosztu jednego przypadku,
• czasu odpowiedzi,
• stabilności, czyli powtarzalności wyniku przy podobnych danych.

Jeżeli błąd może spowodować przelew na niewłaściwe konto, błędną poradę medyczną, odrzucenie kandydata albo naruszenie umowy, sama średnia skuteczność nie wystarczy. Trzeba mierzyć osobno błędy krytyczne i projektować proces tak, aby system nie mógł samodzielnie wykonać nieodwracalnej operacji.

Budżet początkowy zależy od sposobu budowy. Prototyp oparty na formularzu, arkuszu, automatyzacji no-code i API można uruchomić za około 300–1500 zł miesięcznie, nie licząc własnej pracy. Prosty produkt internetowy wykonany samodzielnie może zamknąć się w kilku tysiącach złotych kosztów technicznych. Zlecenie aplikacji z logowaniem, płatnościami, panelem klienta i integracją z systemem zewnętrznym zazwyczaj oznacza wydatek od 20 000 do 80 000 zł. Rozbudowany system dla firmy, obejmujący uprawnienia, historię operacji, audyt i wdrożenie w jej środowisku, może kosztować ponad 100 000 zł.

Dlatego pierwszym produktem nie powinien być rozbudowany SaaS. Bezpieczniejsza kolejność wygląda tak:

1. płatna usługa wykonywana częściowo ręcznie,
2. wewnętrzne narzędzie przyspieszające realizację usługi,
3. panel udostępniony kilku klientom,
4. dopiero później produkt abonamentowy dostępny szerzej.

Cena powinna wynikać z wartości procesu, a nie z rachunku za API. Jeżeli system oszczędza klientowi 4000 zł miesięcznie, abonament na poziomie 800–1500 zł może być uzasadniony. Sprzedaż tego samego rozwiązania za 99 zł sprawi, że jedna trudniejsza rozmowa z klientem zje cały zysk.

Trzeba też wybrać model rozliczenia. Abonament sprawdza się przy regularnym użyciu i przewidywalnym wolumenie. Opłata za dokument, minutę nagrania lub obsłużoną sprawę jest uczciwsza, gdy obciążenie mocno się zmienia. Opłata wdrożeniowa pokrywa konfigurację, integracje i przygotowanie danych. W usługach B2B rozsądna konstrukcja to często 3000–15 000 zł za wdrożenie oraz 500–5000 zł miesięcznie, zależnie od liczby użytkowników, wolumenu i odpowiedzialności dostawcy.

Nie należy oferować nielimitowanego wykorzystania bez zabezpieczeń. Jeden klient może przesłać kilkaset tysięcy stron albo uruchomić błędną automatyzację. Umowa i system powinny zawierać limit dokumentów, tokenów, zapytań lub czasu przetwarzania oraz stawkę za przekroczenie pakietu.

Sprzedaż, dane i odpowiedzialność decydują o trwałości firmy

Klient biznesowy rzadko kupuje dostęp do modelu. Kupuje wdrożenie w konkretny proces, odpowiedzialność za działanie systemu i wsparcie wtedy, gdy pojawi się problem. To ważne, ponieważ sam dostęp do modeli mają również jego pracownicy i konkurenci.

Przewaga firmy nie powinna opierać się wyłącznie na dobrym poleceniu tekstowym. Prompt można skopiować w kilka minut. Trudniej skopiować:

• zestaw danych testowych z danej branży,
• integrację z używanym przez klientów systemem,
• procedurę kontroli jakości,
• wiedzę o wyjątkach i nietypowych przypadkach,
• historię poprawek wynikających z realnych wdrożeń,
• kanał sprzedaży zapewniający stały dopływ klientów.

Pierwszych odbiorców najłatwiej zdobyć przez bezpośredni kontakt. Zamiast oferować „automatyzację AI”, lepiej przedstawić konkretny audyt: przeanalizować jeden proces, zmierzyć liczbę przypadków i przygotować próbkę na rzeczywistych danych. Dobrze działa oferta pilotażu trwającego od dwóch do sześciu tygodni, obejmującego jeden proces, ustalony wolumen oraz dwa lub trzy wskaźniki sukcesu.

Przykładowe warunki pilotażu mogą wyglądać następująco:

• do 500 dokumentów lub zgłoszeń,
• jedna integracja albo ręczne przekazywanie plików,
• obowiązkowa kontrola wyników przez pracownika klienta,
• skuteczność mierzona na uzgodnionym zestawie przypadków,
• koszt 3000–10 000 zł,
• decyzja o dalszym wdrożeniu po zakończeniu testu.

Darmowy pilotaż ma sens tylko wtedy, gdy firma otrzymuje coś wartościowego w zamian: dostęp do reprezentatywnych danych, zgodę na opis wdrożenia albo kontakt do kolejnych klientów. Bezpłatny, nieograniczony test często kończy się miesiącami zmian i brakiem decyzji zakupowej.

Szczególnej uwagi wymagają dane osobowe i informacje poufne. Do publicznego czatu nie powinny trafiać umowy, listy klientów, dokumentacja medyczna, dane pracowników czy tajemnice przedsiębiorstwa, jeżeli firma nie sprawdziła warunków przetwarzania danych. Przed wdrożeniem trzeba ustalić:

• gdzie fizycznie przetwarzane są dane,
• czy dostawca wykorzystuje je do trenowania modeli,
• jak długo przechowuje treść zapytań,
• czy podpisuje umowę powierzenia przetwarzania danych,
• czy pozwala wyłączyć zapisywanie treści,
• kto ma dostęp do logów,
• jak usuwa się dane po zakończeniu współpracy.

W wielu prostych projektach wystarczy ograniczyć zakres przesyłanych informacji i zastąpić dane identyfikujące klienta numerem sprawy. Nie zawsze trzeba wysyłać cały dokument. Do sklasyfikowania zgłoszenia może wystarczyć jego treść bez imienia, adresu i numeru telefonu.

Unijny AI Act nie traktuje wszystkich zastosowań jednakowo. Prosty generator opisów produktów niesie inne obowiązki niż system wpływający na zatrudnienie, ocenę zdolności kredytowej czy dostęp do świadczeń. Pierwsze przepisy, obejmujące między innymi zakazane praktyki oraz obowiązek zapewniania odpowiedniego poziomu kompetencji w zakresie AI, stosuje się od 2 lutego 2025 roku. Większość regulacji zaczyna być stosowana od 2 sierpnia 2026 roku, z wyjątkami przewidzianymi dla części obowiązków.

Nie oznacza to, że każdy mały biznes musi zatrudnić kancelarię przed uruchomieniem prostego narzędzia. Oznacza jednak, że przed wejściem w rekrutację, kredyty, ubezpieczenia, medycynę, edukację lub usługi publiczne trzeba dokładnie sklasyfikować zastosowanie. W tych obszarach błędna decyzja projektowa może stworzyć znacznie większy koszt niż samo opracowanie produktu.

Najbardziej irytującym ograniczeniem modeli jest ich pewny ton przy błędnej odpowiedzi. System potrafi stworzyć nieistniejący przepis, produkt, cytat lub warunek umowy i przedstawić go bez widocznego wahania. Dlatego w zastosowaniach opartych na faktach model powinien korzystać z kontrolowanej bazy dokumentów, wskazywać wykorzystane fragmenty oraz mieć możliwość zwrócenia odpowiedzi „brak wystarczających danych”.

Nie wolno też uzależniać całej firmy od jednego dostawcy. Modele są wycofywane, limity się zmieniają, a ceny i regulaminy mogą zostać zaktualizowane. Warstwę aplikacji warto zaprojektować tak, aby przełączenie na inny model nie wymagało przebudowy całego produktu. Trzeba również zapisywać wersję modelu, treść instrukcji i wynik operacji — bez tego trudno odtworzyć reklamację zgłoszoną trzy miesiące później.

Dodatkowe informacje na: x.com/HDbizne

FAQ

Czy można stworzyć biznes AI bez umiejętności programowania?
Tak, zwłaszcza w modelu usługowym. Formularze, arkusze, Make, n8n, Zapier i gotowe API pozwalają zbudować pierwszą wersję procesu bez klasycznej aplikacji. Programista staje się potrzebny, gdy rośnie liczba klientów, pojawiają się niestandardowe integracje, dane wrażliwe albo wymagania dotyczące niezawodności.

Ile pieniędzy potrzeba na start?
Prototyp usługowy można uruchomić za kilkaset złotych miesięcznie. Budżet 300–1500 zł miesięcznie zwykle wystarcza na podstawowe narzędzia, API, prostą automatyzację, domenę i hosting. Największym kosztem na początku jest czas potrzebny na rozmowy z klientami, testowanie przypadków i poprawianie procesu.

Czy trzeba tworzyć własny model AI?
W większości nowych firm nie. Trenowanie modelu od podstaw jest drogie i zwykle niepotrzebne. Najpierw należy sprawdzić gotowe modele, wyszukiwanie w bazie dokumentów, dobre instrukcje i klasyczne reguły programistyczne. Dostosowywanie modelu ma sens dopiero wtedy, gdy firma posiada dużą liczbę poprawnie opisanych przykładów oraz potrafi wykazać, że prostsze metody nie osiągają wymaganej jakości.

Jak szybko można zdobyć pierwszego płacącego klienta?
Wąską usługę można sprzedać przed zbudowaniem pełnej aplikacji. Realnym celem jest przeprowadzenie 10–20 rozmów w ciągu dwóch tygodni, przygotowanie ręcznego prototypu i zaoferowanie płatnego pilotażu na kolejne dwa–sześć tygodni. Jeżeli po kilkudziesięciu rozmowach nikt nie chce udostępnić danych ani zapłacić za test, problem prawdopodobnie nie jest wystarczająco pilny.

Jak mierzyć, czy rozwiązanie działa?
Przed testem trzeba zapisać wynik bazowy: czas obsługi, koszt jednego przypadku, liczbę błędów oraz odsetek spraw wymagających poprawki. Po wdrożeniu mierzy się te same wartości. Liczba wygenerowanych tekstów czy uruchomień modelu nie jest wynikiem biznesowym.

Czy AI może całkowicie zastąpić pracownika?
W niektórych wąskich zadaniach może przejąć większość operacji, ale pełna autonomia jest ryzykowna, gdy konsekwencją błędu jest strata pieniędzy, naruszenie prawa lub szkoda dla klienta. Lepszym celem pierwszego wdrożenia jest skrócenie procesu i przesunięcie pracownika z pracy mechanicznej do obsługi wyjątków.

Jaki model biznesowy jest najbezpieczniejszy na początku?
Usługa wspomagana przez AI. Pozwala pobierać pieniądze za rezultat, ręcznie kontrolować jakość i poznawać wyjątki bez kosztownego budowania platformy. SaaS warto tworzyć dopiero wtedy, gdy ten sam proces został płatnie wykonany dla kilku klientów i nie wymaga za każdym razem całkowicie innej konfiguracji.

Pierwszym działaniem nie powinien być zakup kolejnej subskrypcji ani budowa aplikacji. Trzeba wybrać jedną branżę, znaleźć proces wykonywany co najmniej kilkadziesiąt razy w miesiącu i policzyć jego obecny koszt. Następnie należy ręcznie przetestować rozwiązanie na 50 rzeczywistych przypadkach. Jeżeli nie da się zmierzyć oszczędności, błędów i czasu obsługi, trzeba usunąć właśnie ten problem — brak mierzalnego rezultatu — zanim powstanie produkt.