Nie GPT, nie Gemini. Własny model

Przez ostatnie dwa lata polskie firmy przechodziły przez coś, co można by nazwać fazą eksperymentu. ChatGPT, Gemini, Copilot — narzędzia były dostępne, często darmowe lub prawie darmowe, i każdy mógł sprawdzić, co z tego wynika. Wynikało całkiem sporo. Dość, żeby chcieć więcej. Za mało, żeby zaufać bezwarunkowo.

Dziś wiemy, gdzie ta faza prowadzi.

Siedemdziesiąt jeden procent to nie jest niszowy eksperyment

Z badania WPP Media i Uniwersytetu Warszawskiego wynika, że już 71% pracujących Polaków korzysta z narzędzi wspieranych przez AI. W dużych miastach, wśród pracowników biurowych, ten odsetek wynosi 81%. Co czwarty używa AI co najmniej kilka razy w tygodniu. Dla porównania: jeszcze trzy lata temu rozmowa o AI w polskiej firmie zaczynała się zazwyczaj od pytania, czy to w ogóle do czegoś służy.

Równolegle zmieniła się natura obaw. Strach przed utratą pracy — przez długi czas centralny temat debaty o AI — zszedł na margines. Dziś deklaruje go zaledwie 13% badanych. Na jego miejscu pojawiły się obawy bardziej operacyjne: błędy generowane przez AI (44%), wyciek danych (31%), zanik kompetencji (25%).

To nie jest przypadkowy kierunek. To jest logika każdej technologii, która przeszła z fazy nowości do fazy użytkowania. Gdy coś przestaje być ciekawostką, a staje się narzędziem pracy, zaczynamy je rozliczać z efektów — nie zachwycać się potencjałem.

Problem z modelem ogólnym

Duże modele językowe są imponujące w skali. Wiedzą dużo, odpowiadają płynnie, obsługują dziesiątki języków i tematów. Ale ta rozległość ma swoją cenę.

Model ogólny nie zna specyfiki polskiego prawa podatkowego w zakresie klasyfikacji kosztów. Nie wie, jakie są aktualne stawki VAT dla konkretnych kategorii usług. Nie rozumie, że dokument wystawiony przez kontrahenta ze Słowacji wymaga innego obiegu niż faktura od polskiego dostawcy. Może udzielić odpowiedzi wyglądającej wiarygodnie — i właśnie na tym polega ryzyko.

W branżach o wysokiej tolerancji na błędy (copywriting, burzą mózgów, drafty e-maili) to ograniczenie rzadko gryzie. Ale w obszarach, gdzie błąd ma konsekwencje prawne lub finansowe, granica między „przybliżona odpowiedź” a „błędna odpowiedź” bywa cienka i bardzo kosztowna.

— Ogólnodostępne duże modele językowe nie zawsze odpowiadają wymaganiom związanym z bezpieczeństwem danych, zgodnością procesów czy przewidywalnością działania — mówi Patryk Oleszczuk, ekspert technologiczny SaldeoSMART. — Coraz większą rolę odgrywają systemy oparte na zweryfikowanych źródłach danych i projektowane pod kątem konkretnych zastosowań biznesowych.

Księgowość jako papierek lakmusowy

Trudno o lepszy przykład niż finanse i księgowość. Branża, która z definicji nie toleruje błędów, bo błąd jest albo korektą, albo karą, albo postępowaniem.

Z raportu Wolters Kluwer wynika, że 79% przedstawicieli działów księgowych i kadrowych postrzega AI jako narzędzie wspierające specjalistów, a 63% spodziewa się wzrostu efektywności. Jednocześnie 83% wskazuje ryzyko błędów i odpowiedzialność prawną jako główne obawy, a ponad połowa — kwestie bezpieczeństwa danych.

To nie jest sprzeczność. To jest dojrzałość.

Entuzjazm wobec AI nie zniknął, ale nabrał kształtu. Przestał być ogólny („AI to świetna rzecz”), a stał się warunkowy („AI jest użyteczna, jeśli wiemy, do czego jej używamy i jakie dane przetwarza”). W praktyce oznacza to coraz częstsze sięganie po narzędzia dedykowane — takie, które działają na zamkniętych zbiorach danych firmowych, są skrojone pod konkretne procesy i nie wysyłają wrażliwych informacji do zewnętrznych serwerów.

Mały znaczy precyzyjny

Specjalizowane narzędzia AI — czytaj: mniejsze modele wytrenowane na danych z konkretnej branży lub procesu — oferują coś, czego GPT nie da: przewidywalność.

Wiedzą, że faktura kosztowa trafia do kategorii X. Wiedzą, że dokument bez numeru NIP wymaga ręcznej weryfikacji. Działają według reguł biznesowych, które ktoś wcześniej zdefiniował i zatwierdził. Nie improwizują. I właśnie dlatego mogą przejąć to, co w pracy biurowej pochłania najwięcej czasu: odczytywanie danych z dokumentów, klasyfikację, przypisywanie kategorii, uzupełnianie pól, kierowanie do właściwych osób.

Dla specjalisty ds. kadr czy księgowego to oznacza jedno: mniej klikania w powtarzalne dane, więcej czasu na zadania, do których faktycznie potrzebna jest ludzka ocena.

— W przeciwieństwie do narzędzi ogólnego przeznaczenia, rozwiązania specjalizowane są tworzone w oparciu o specyfikę danego biznesu, działają na zweryfikowanych danych i łatwiej wpisują się w istniejące procedury — mówi Oleszczuk.

Gdzie to wszystko zmierza

Polski rynek robi coś rzadkiego: przechodzi od fazy eksperymentu do fazy wdrożenia bez szczególnego rozgłosu. Nie ma wielkich ogłoszeń. Są za to zmiany w codziennej pracy — nowe narzędzia w oprogramowaniu, które już się używa, nowe kroki w procesach, które i tak trzeba wykonywać.

To dobry znak. Technologie, które wchodzą cicho i zostają na stałe, to zazwyczaj te, które faktycznie coś rozwiązują.

Ogólne modele językowe nie znikną. Będą używane tam, gdzie sprawdzają się dobrze: do pisania, streszczania, tłumaczenia, burzy mózgów. Ale obok nich — i coraz częściej zamiast nich w środowiskach firmowych — będą rosły systemy wyspecjalizowane. Mniejsze, skrojone pod konkretne zadania, działające na danych, które rozumieją.

I może właśnie to jest prawdziwy przełom. Nie moment, w którym AI stała się możliwa. Moment, w którym firmy zaczęły wiedzieć, której AI naprawdę potrzebują.