Jak zacząć z AI w małej firmie: od czego, jakim kosztem, bez przepłacania

W małej firmie nie masz budżetu na eksperymenty „bo wszyscy robią AI”. Masz konkretny czas ludzi, który ucieka na powtarzalną pracę, i pytanie, czy da się go odzyskać bez ryzyka i bez przepłacania. Jako niezależny ośrodek badawczy widzimy ten sam błąd raz po raz: firma kupuje narzędzie, zanim zdefiniuje problem. Ten przewodnik odwraca kolejność — najpierw proces i liczby, dopiero potem technologia.

Dobry pierwszy projekt spełnia trzy warunki naraz: jest powtarzalny, mierzalny i niskiego ryzyka. Powtarzalny — bo AI zwraca się na wolumenie, a nie na pojedynczym zadaniu. Mierzalny — bo bez liczby „przed” nie udowodnisz, że jest „po”. Niskiego ryzyka — bo pierwsza wpadka przy kliencie kosztuje więcej niż cały pilotaż.

Praktyczny test: jeśli proces robi się codziennie, ma jasne wejście i wyjście, a błąd da się wychwycić zanim trafi do klienta — to dobry kandydat. Klasyka na start to klasyfikacja i routing zgłoszeń, wstępne odpowiedzi w obsłudze klienta albo asystent na wewnętrznej bazie wiedzy. Unikaj na start procesów, w których model decyduje o pieniądzach, prawach klienta albo zdrowiu — tam wchodzi nadzór człowieka i poprzeczka jest znacznie wyżej.

Koszt AI nie jest jedną liczbą. Składa się z trzech części, a większość firm widzi tylko pierwszą. Podane niżej widełki to realne rzędy wielkości dla małej firmy w Polsce w 2026 — nie cennik, tylko punkt odniesienia do rozmowy. Pełniejszy rozkład opisaliśmy w tekście ile kosztuje agent AI.

Najmocniej na rachunek bieżący wpływa dobór modelu do zadania, a nie sam model. Mały, tani model do klasyfikacji i mocny tylko tam, gdzie naprawdę trzeba — to zwykle największa pojedyncza dźwignia kosztowa. Liczbą, którą warto śledzić, jest koszt jednego wykonanego zadania (obsłużenie jednego zgłoszenia, sklasyfikowanie jednego dokumentu), bo to ją porównujesz wprost z kosztem pracy człowieka.

Nie wdrażaj „od razu na produkcję”. Zrób wąski pilotaż na realnych, ale ograniczonych danych, z jasnym kryterium sukcesu ustalonym przed startem — na przykład „model poprawnie kieruje poniżej co dziesiątego zgłoszenia źle” albo „skraca czas pierwszej odpowiedzi o jedną trzecią”. Pilotaż ma odpowiedzieć na jedno pytanie: czy to działa wystarczająco dobrze, żeby skalować. Drogę z pilota do produkcji rozpisaliśmy osobno w tekście od pilota AI do produkcji.

Mała firma rzadko powinna budować od zera. Gotowe narzędzie wygrywa, gdy Twój proces jest standardowy (np. typowy chatbot FAQ), a dane nie są wrażliwe. Własne rozwiązanie ma sens, gdy proces jest specyficzny dla Twojej firmy, dane są poufne albo zależy Ci na pełnej kontroli i przewidywalnym koszcie jednostkowym przy większym wolumenie.

Trzeci wariant, najczęstszy u nas dla małych firm, to złożenie z gotowych, otwartych klocków — własna logika, ale na bazie sprawdzonych modeli i embeddingów, bez pisania wszystkiego od podstaw. Daje kontrolę bez kosztu pełnego R&D.

• Hype zamiast problemu. Jeśli nie umiesz nazwać procesu i liczby, którą poprawiasz, nie kupuj jeszcze niczego. AI to narzędzie do konkretnej pracy, nie cel sam w sobie.
• AI tam, gdzie nie trzeba. Część procesów lepiej naprawić regułą, szablonem albo porządkiem w danych. Jeśli prosta automatyzacja załatwia sprawę taniej i pewniej, model jest zbędnym ryzykiem.
• Vendor lock-in. Rozwiązanie, z którego nie wyjdziesz bez przepisywania wszystkiego, to ukryty koszt. Pytaj o eksport danych, otwarte formaty i możliwość zmiany modelu.
• Brak granic i kontroli. Model bez zabezpieczeń wejścia i wyjścia prędzej czy później powie klientowi coś, czego nie powinien. Granice, logowanie i nadzór nie są dodatkiem — są warunkiem uruchomienia.
• Pomijanie danych osobowych. Zanim wyślesz cokolwiek do modelu, ustal, jakie dane tam trafiają i czy mają prawo tam być. Temat rozwijamy w tekście o obowiązkach firm wg AI Act i RODO.

1. Wypisz 3 powtarzalne procesy i policz dla każdego: ile razy w miesiącu, ile czasu zajmuje, jaki jest koszt błędu.
2. Wybierz jeden — najbardziej powtarzalny, mierzalny i o najniższym ryzyku.
3. Ustal kryterium sukcesu liczbą, zanim zaczniesz (czas, dokładność, koszt na zadanie).
4. Zrób wąski pilotaż na ograniczonych danych, z nadzorem człowieka.
5. Zmierz i zdecyduj — skaluj, popraw albo odpuść. Każdy wynik jest informacją.

Od jednego procesu, który jest powtarzalny, mierzalny i niskiego ryzyka — na przykład sortowanie zgłoszeń albo asystent na wewnętrznej bazie wiedzy. Najpierw policz, ile razy w miesiącu się powtarza i ile kosztuje dziś, a dopiero potem dobieraj narzędzie.

Pierwszy pilotaż prostego procesu zwykle mieści się w widełkach od kilku do kilkunastu tysięcy złotych wdrożenia, plus niewielki koszt zmienny modelu rosnący z wolumenem. To rząd wielkości, nie cennik — ostateczna kwota zależy od liczby integracji i wymogów dotyczących danych.

Jeśli proces jest standardowy, a dane mało wrażliwe — kup gotowe. Jeśli proces jest specyficzny dla Twojej firmy albo dane są poufne, rozważ rozwiązanie własne, najlepiej złożone z otwartych, sprawdzonych klocków, żeby uniknąć vendor lock-in i nadmiernego kosztu R&D.

Zaczynaj od jednego wąskiego procesu, mierz koszt jednego wykonanego zadania i prowadź wszystkie wywołania przez warstwę dobierającą model do zadania — mały i tani tam, gdzie wystarcza. To zwykle największa oszczędność, większa niż negocjowanie samej ceny narzędzia.

Gdy nie potrafisz nazwać procesu i liczby, którą poprawiasz, albo gdy prosta reguła czy szablon załatwia sprawę taniej i pewniej. AI bywa zbędnym ryzykiem tam, gdzie wystarczy uporządkować dane lub zautomatyzować coś deterministycznie.