TTMS Blog
Świat okiem ekspertów IT
Wpisy autorstwa: Marcin Kapuściński
ChatGPT, zintegrowany LLM, SLM czy automatyzacja? Jak dobrać AI do procesu biznesowego
W 2025 roku sztucznej inteligencji używało 20% przedsiębiorstw w Unii Europejskiej, wobec 13,5% rok wcześniej. W Polsce odsetek ten wynosił 8,4%. Najczęstszym zastosowaniem była analiza języka pisanego, z której korzystało 11,8% firm objętych badaniem. Autorzy badania opublikowanego w 2026 roku w Organization Science opisali to zjawisko jako „jagged technological frontier”, czyli nierównomierną granicę możliwości AI: zadania o podobnym poziomie trudności dla człowieka mogą sprawiać modelowi zupełnie różne trudności. Kolejny etap wymaga odpowiedzi na bardziej precyzyjne pytanie: jaka forma AI pasuje do konkretnego zadania? W eksperymencie przeprowadzonym wśród 758 konsultantów osoby korzystające z GPT-4 wykonały 12,2% więcej zadań i ukończyły je średnio o 25,1% szybciej, gdy zadania mieściły się w zakresie możliwości modelu. Przy złożonym zadaniu wykraczającym poza ten zakres prawdopodobieństwo poprawnego rozwiązania spadło o 19 punktów procentowych. Autorzy badania opublikowanego w 2026 roku w Organization Science nazwali tę nieregularną granicę możliwości AI „jagged technological frontier”. Efektywność wynika więc z dopasowania technologii do zadania, danych, ryzyka i sposobu kontroli wyniku. Dla jednego procesu właściwym rozwiązaniem będzie firmowy asystent LLM. Drugi będzie wymagał aplikacji połączonej z CRM, bazą wiedzy i systemem uprawnień. W trzecim sprawdzi się niewielki model działający lokalnie. Operacje o jednoznacznych regułach można powierzyć kodowi, silnikom reguł lub robotyzacji procesów biznesowych (RPA). Klasyczne uczenie maszynowe sprawdza się między innymi w prognozowaniu i klasyfikacji danych. 1. LLM i SLM w firmie: wybór modelu, integracji i miejsca przetwarzania danych Określenia „LLM”, „wdrożony LLM” i „zamknięty SLM” łączą kilka warstw technologii. W praktyce biznesowej warto rozdzielić cztery decyzje: Sposób pracy: czy pracownik rozmawia z gotowym asystentem, czy proces uruchamia się automatycznie? Zakres integracji: czy rozwiązanie pracuje na materiałach przekazanych przez użytkownika, czy pobiera dane i wykonuje działania w systemach firmy? Klasa modelu: czy zadanie wymaga szerokich możliwości dużego modelu językowego, czy wystarczy wyspecjalizowany SLM? Miejsce przetwarzania: czy model działa jako usługa chmurowa, w wydzielonym środowisku, w prywatnej chmurze, lokalnie albo bezpośrednio na urządzeniu? Skrót SLM (Small Language Model) oznacza mały model językowy, zwykle wymagający mniej zasobów obliczeniowych. Określenie „system zamknięty” wymaga doprecyzowania: może odnosić się do ograniczonego dostępu, odizolowanego środowiska lub przetwarzania danych we własnej infrastrukturze. Duży LLM może działać w środowisku prywatnym, a SLM może być udostępniany przez publiczne API. Sama wielkość modelu nie określa warunków bezpieczeństwa danych. 2. Sześć sposobów wykorzystania AI w procesach biznesowych Wariant Jak działa Najlepsze dopasowanie Główny miernik Firmowy asystent LLM Pracownik zleca zadanie i sprawdza wynik w zatwierdzonym środowisku, np. ChatGPT Business lub Enterprise Analiza, redagowanie, podsumowanie, przygotowanie wariantów, praca ad hoc Oszczędność czasu na zadanie po uwzględnieniu weryfikacji i poprawek Zintegrowana aplikacja LLM lub RAG Model korzysta z firmowych źródeł, reguł, uprawnień i integracji Powtarzalne procesy oparte na dokumentach, wiedzy i danych z systemów Koszt poprawnie zakończonej sprawy Agent AI Rozwiązanie planuje kolejne kroki, wybiera narzędzia i realizuje cel w określonym zakresie Wieloetapowe procesy z wyjątkami i dynamiczną ścieżką Odsetek poprawnie wykonanych zadań SLM Mniejszy model obsługuje wąski zakres zadań w chmurze, na serwerze firmy, na edge albo na urządzeniu Duża liczba zadań, stały zakres tematyczny, krótki czas odpowiedzi, praca offline Jakość w porównaniu z LLM przy określonym koszcie i limicie czasu odpowiedzi p95 Prywatne lub lokalne wdrożenie LLM albo SLM działa w kontrolowanym środowisku, prywatnej chmurze, sieci firmy lub na urządzeniu Wymogi lokalizacji danych, ciągłości działania, łączności, infrastruktury lub polityki bezpieczeństwa Zgodność z wymaganiami, jakość, dostępność i całkowity koszt posiadania i użytkowania rozwiązania (TCO) Reguły, RPA lub klasyczne ML Przebieg procesu jest zapisany w kodzie, warunkach, modelu predykcyjnym lub maszynie stanów Obliczenia, transakcje, stałe ścieżki i jednoznaczne decyzje Dokładność, powtarzalność i kompletność śladu audytowego W dojrzałym wdrożeniu warianty te często współpracują. Model językowy interpretuje wiadomość, reguły sprawdzają warunki, aplikacja pobiera dane, człowiek zatwierdza działanie, a system transakcyjny zapisuje wynik. 3. Do jakich zadań wykorzystać ChatGPT lub innego asystenta LLM? Gotowy asystent LLM dobrze wspiera zadania, w których pracownik odpowiada za sprawdzenie i wykorzystanie wyniku. Użytkownik inicjuje pracę, przekazuje kontekst, ocenia odpowiedź i decyduje o jej wykorzystaniu. Wynik ma formę projektu, rekomendacji, analizy lub materiału roboczego. Do tej grupy należą między innymi: przygotowanie pierwszej wersji raportu, wiadomości, prezentacji lub artykułu, streszczenie dokumentów i korespondencji, porównanie kilku materiałów dostarczonych przez użytkownika, tworzenie pytań, scenariuszy i wariantów rozwiązania, tłumaczenie treści przeznaczonych do dalszej kontroli, eksploracyjna analiza danych i wyjaśnianie wyników, porządkowanie notatek ze spotkania, przygotowanie projektu procedury lub planu działania. Taki sposób pracy sprawdza się w procesach, gdy każda odpowiedź przechodzi kontrolę człowieka, rezultat można łatwo poprawić lub wycofać, a zadanie nie wymaga automatycznego zapisu w systemie krytycznym. Duża zmienność materiału i potrzeba pracy językowej dodatkowo zwiększają użyteczność LLM. Bezpieczeństwo zależy od zatwierdzonego produktu i konfiguracji. OpenAI deklaruje, że dane z ChatGPT Business, ChatGPT Enterprise i API nie są domyślnie wykorzystywane do trenowania modeli. Dokumentacja kontroli danych API opisuje również oddzielne zasady retencji, w tym standardowe rejestry służące monitorowaniu nadużyć oraz opcję Zero Data Retention dla klientów spełniających określone warunki. Przed rozpoczęciem pracy organizacja powinna sprawdzić klasyfikację danych, umowę, region przetwarzania, retencję, uprawnienia administratorów i zasady korzystania z połączonych aplikacji. Więcej przykładów takiej pracy zawiera zestawienie 15 integracji ChatGPT z aplikacjami biznesowymi. 3.1 Jak mierzyć oszczędność czasu i jakość pracy z LLM? Badanie pracowników wyłącznie za pomocą ankiety może zawyżać efekt. W eksperymencie METR doświadczeni programiści wykonywali badane zadania z narzędziami AI o 19% dłużej, a po eksperymencie nadal oceniali, że AI przyspieszyła ich pracę o 20%. Badanie obejmowało 16 osób i 246 rzeczywistych zadań w znanych im repozytoriach, więc jego wynik dotyczy tego konkretnego środowiska. Metodologiczny wniosek ma szersze zastosowanie: przed wdrożeniem trzeba zmierzyć rzeczywisty czas i jakość. Dla asystenta LLM warto monitorować medianę czasu wykonania zadania, udział wyników zaakceptowanych bez zmian, średni czas poprawek, jakość ocenianą według jednolitych kryteriów, częstotliwość użycia oraz liczbę przypadków, w których użytkownik wrócił do poprzedniej metody pracy. 4. Kiedy zintegrować LLM z systemami firmy, a kiedy wdrożyć agenta AI? Integracja staje się uzasadniona, gdy wartość procesu zależy od aktualnych danych firmy, powtarzalnego przebiegu i współpracy kilku systemów. Model otrzymuje wtedy kontrolowany dostęp do dokumentów, bazy wiedzy, CRM, ERP, systemu zgłoszeń albo poczty. Aplikacja weryfikuje tożsamość użytkownika, kontroluje zakres udostępnianych danych, ustala format odpowiedzi, sprawdza wyniki, rejestruje działania i kieruje wybrane operacje do zatwierdzenia. Typowa zintegrowana aplikacja AI obejmuje pięć warstw: Wejście: wiadomość, dokument, formularz, zdarzenie systemowe lub rekord. Kontekst: dane pobrane zgodnie z uprawnieniami, często z wykorzystaniem RAG. Model: LLM albo SLM dobrany do konkretnego etapu. Walidacja: reguły, kontrola kompletności, sprawdzenie źródeł, klasyfikacja ryzyka. Wynik: odpowiedź dla człowieka, projekt rekordu albo zatwierdzone działanie w systemie. Takiej architektury wymagają między innymi wyszukiwanie odpowiedzi w wewnętrznej bazie wiedzy, analiza umów według firmowej listy ryzyk, przygotowanie oferty na podstawie CRM i cennika, klasyfikowanie zgłoszeń, wdrażanie nowych pracowników, weryfikacja dokumentów zakupowych oraz tworzenie odpowiedzi na podstawie historii klienta. Mechanizm RAG pozwala pobierać aktualne fragmenty zatwierdzonych źródeł i dołączać je do kontekstu odpowiedzi. Agent AI jest kolejnym poziomem integracji. Otrzymuje cel, dobiera narzędzia i planuje sekwencję działań. Według aktualnych wytycznych Google Cloud dotyczących architektury agentowej agenci pasują do otwartych, wieloetapowych problemów wymagających użycia danych zewnętrznych i pewnego zakresu autonomii. Do przygotowania pojedynczego streszczenia lub tłumaczenia zwykle wystarcza aplikacja o z góry ustalonej sekwencji działań. Rolę zaawansowanego modelu jako warstwy wnioskowania połączonej z narzędziami, danymi i uprawnieniami szerzej opisujemy w artykule GPT-5.5 dla biznesu: nowa era agentów AI. Zakres samodzielnych działań agenta można rozszerzać, gdy wyniki testów potwierdzają wymaganą skuteczność i bezpieczeństwo. Uprawnienia agenta warto ograniczyć do funkcji potrzebnych w danym procesie, rozdzielić odczyt od zapisu i wprowadzić zatwierdzenie działań o istotnych skutkach dla firmy lub klienta. OWASP określa nadmierną funkcjonalność, zbyt szerokie uprawnienia i nadmierną autonomię jako trzy główne źródła ryzyka Excessive Agency. Zasada najmniejszych uprawnień ogranicza skutki błędnej interpretacji, wygenerowania nieprawdziwej informacji lub ataku polegającego na podsunięciu modelowi złośliwych instrukcji (prompt injection). 5. Do jakich procesów biznesowych sprawdzi się mały model językowy SLM? Small Language Model wykorzystuje mniej parametrów i zasobów obliczeniowych niż duży model językowy. Według Microsoft Azure sprzyja to krótszemu czasowi odpowiedzi, niższemu zapotrzebowaniu na infrastrukturę oraz przetwarzaniu danych blisko miejsca ich powstawania (edge computing), np. na urządzeniach przemysłowych. Wyspecjalizowany SLM może sprawdzić się w zadaniach o stałej tematyce, przewidywalnych danych wejściowych i jasno określonym wyniku. Warto przetestować SLM, gdy proces spełnia kilka z poniższych warunków: stały zestaw kategorii, intencji, pól albo typów odpowiedzi, wysoki i przewidywalny wolumen wywołań, krótki wymagany czas reakcji mierzony jako p95, czyli wartość, której nie przekracza 95% czasów odpowiedzi, ograniczone zasoby sprzętowe, potrzeba pracy offline lub bezpośrednio na urządzeniu, dostęp do danych z danego obszaru działalności oraz zestawu wzorcowych odpowiedzi, możliwość przekazywania trudnych przypadków do większego modelu lub człowieka. Przykładem może być klasyfikacja zgłoszeń według 30 stałych kategorii, rozpoznawanie intencji rozmówcy, odczytywanie wartości pól z jednego typu dokumentu, generowanie krótkich odpowiedzi w ściśle określonym zakresie tematycznym albo lokalna analiza komunikatów na urządzeniu przemysłowym. O wyborze decyduje wynik testu na danych firmy. SLM powinien osiągnąć wymagany poziom jakości, czasu odpowiedzi i kosztu poprawnie obsłużonej sprawy. Firma może przykładowo wymagać, aby mniejszy model utrzymywał co najmniej 98% jakości referencyjnego LLM, obniżał koszt poprawnego wyniku o co najmniej 20% i mieścił się w limicie p95. Są to przykładowe progi decyzyjne, które właściciel procesu ustala przed pilotażem. 5.1 Kiedy wdrożyć LLM lub SLM lokalnie albo w prywatnej chmurze? Prywatne lub lokalne wdrożenie może wynikać z wymagań dotyczących suwerenności danych, polityki bezpieczeństwa, ciągłości pracy, opóźnień sieciowych albo środowiska bez dostępu do internetu. Takie wdrożenie może wykorzystywać SLM lub większy model. Równocześnie firmowa aplikacja może korzystać z zarządzanego API z szyfrowaniem, kontrolą retencji, odpowiednim regionem i umową dotyczącą danych. Najbardziej efektywna bywa architektura kaskadowa. Microsoft opisuje model hybrydowy, w którym SLM obsługuje typowe zapytania i przekazuje bardziej złożone przypadki do LLM. W środowisku biznesowym do tej kaskady warto dodać trzecią ścieżkę: przekazanie sprawy pracownikowi, gdy wynik budzi wątpliwości, ryzyko jest wysokie lub brakuje wymaganych danych. 6. Które procesy zautomatyzować za pomocą reguł, RPA lub uczenia maszynowego? Procesy o stałych regułach wymagają jasno określonej kolejności działań i warunków ich wykonania. Dokumentacja AWS dotycząca orkiestracji rozdziela przepływy regułowe, w których kolejne stany i przejścia są jawnie zapisane, oraz orkiestrację agentową, w której model interpretuje cel i dynamicznie wybiera narzędzia. Obie warstwy mogą działać w jednej aplikacji. Proces Rekomendowany mechanizm Rola modelu językowego Naliczenie podatku, wynagrodzenia lub rabatu Kod i silnik reguł Wyjaśnienie wyniku lub interpretacja zapytania użytkownika Wykonanie płatności, zwrotu lub zmiany limitu Proces transakcyjny z kontrolą uprawnień Rozpoznanie intencji i przygotowanie danych do zatwierdzenia Nadanie lub odebranie uprawnień IAM, reguły ról i zatwierdzenia Obsługa zgłoszenia w języku naturalnym Sprawdzenie kompletności wymaganych pól Walidator schematu Ekstrakcja pól z nieustrukturyzowanego dokumentu Prognoza rezygnacji klienta lub popytu Klasyczne uczenie maszynowe Opis czynników i przygotowanie komunikacji Interpretacja dowolnie sformułowanej wiadomości LLM lub SLM Klasyfikacja intencji i przekazanie danych do kontrolowanego workflow W procesie finansowym LLM może odczytać wiadomość, rozpoznać żądanie i przygotować propozycję. Reguły sprawdzają saldo, limity, status klienta i wymagane zgody. System transakcyjny wykonuje operację po spełnieniu warunków. Każda warstwa realizuje zadanie, dla którego można określić jasne kryteria poprawności. 7. Jak dobrać AI do procesu? Cztery kryteria oceny Wstępną kwalifikację można przeprowadzić w czasie krótkiego warsztatu. Osoba odpowiedzialna za proces ocenia go w czterech obszarach, przyznając od 0 do 3 punktów w każdym z nich. Poszczególne oceny pomagają określić wymagania wobec modelu, integracji, zabezpieczeń i infrastruktury. Oś 0 1 2 3 Złożoność interpretacji treści Stałe pola i reguły Stały zestaw kategorii Interpretacja kontekstu Łączenie informacji i wnioskowanie na podstawie wielu źródeł Integracja i autonomia Brak dostępu do systemów Odczyt jednego źródła Odczyt wielu źródeł lub przygotowanie danych do zapisania w systemie Transakcje i dynamiczny wybór narzędzi Skutek błędu Łatwo odwracalny Ograniczony koszt operacyjny Istotny skutek finansowy, prawny lub wizerunkowy Skutek krytyczny, nieodwracalny lub dotyczący praw i bezpieczeństwa Wymagania dotyczące infrastruktury i danych Zarządzana chmura spełnia wymagania Wymagany region lub określona retencja Prywatna sieć albo ścisły limit opóźnienia Praca offline, w środowisku odizolowanym od sieci, na edge lub bezpośrednio na urządzeniu Wyniki można czytać w następujący sposób: Złożoność semantyczna 0-1 i stabilne reguły: kod, workflow, RPA albo klasyczne ML. Złożoność 2-3, integracja 0-1 i skutek błędu 0-1: firmowy asystent LLM z kontrolą użytkownika. Złożoność 2-3 oraz integracja 2-3: zintegrowana aplikacja LLM, RAG lub agent. Złożoność 1-2, wąska domena i presja infrastrukturalna 2-3: SLM jako rozwiązanie do uwzględnienia w testach porównawczych. Skutek błędu 2-3: zatwierdzenie przez uprawnioną osobę, zabezpieczenia oparte na z góry ustalonych regułach i pełny rejestr działań, niezależnie od klasy modelu. Tabela pomaga wybrać rozwiązania do pilotażu. Ostateczną decyzję podejmuje się po porównaniu ich wyników na tym samym zbiorze rzeczywistych przypadków. 8. ChatGPT, zintegrowany LLM, SLM i automatyzacja: przykłady zastosowań w firmie Przykładowy proces Rekomendowana architektura Najważniejszy KPI Kontrola człowieka Pierwsza wersja treści marketingowej Firmowy asystent LLM Mediana oszczędności czasu i odsetek zaakceptowanych wyników Akceptacja każdej publikacji Podsumowanie spotkania i lista działań Firmowy asystent z dostępem do zatwierdzonego źródła Kompletność zadań i liczba korekt Weryfikacja właścicieli i terminów Odpowiedzi na pytania o procedury wewnętrzne Zintegrowany LLM z RAG i cytowaniem źródeł Odsetek odpowiedzi opartych na źródłach i poprawność odwołań do źródeł Eskalacja przy braku źródła Klasyfikacja zgłoszeń do stałych kolejek SLM lub klasyfikator, LLM dla wyjątków Macro-F1 i odsetek wykrytych zgłoszeń priorytetowych Weryfikacja przypadków budzących wątpliwości Analiza umów według firmowej listy ryzyk Zintegrowany LLM z RAG, regułami i logami Odsetek wykrytych oraz przeoczonych klauzul ryzykownych Decyzja prawnika Ekstrakcja pól z jednego typu faktury OCR, klasyczne ML lub SLM oraz walidator reguł Dokładność na poziomie pola i koszt przetworzenia dokumentu Kontrola wyjątków Przygotowanie oferty na podstawie CRM i cennika Zintegrowany LLM, RAG i pobieranie cen według z góry ustalonych reguł Czas przygotowania i odsetek korekt handlowych Akceptacja ceny i warunków Sprawdzenie prawa do zwrotu Reguły procesu Zgodność z polityką i czas decyzji Obsługa wyjątków Wykonanie zwrotu pieniędzy Workflow transakcyjny i autoryzacja 100% zgodności księgowej i pełny audyt Zależna od kwoty i ryzyka Lokalna analiza komunikatów maszyny SLM lub model specjalistyczny na edge Czas odpowiedzi p95, odsetek wykrytych alarmów i dostępność bez połączenia z internetem Eskalacja alarmów krytycznych Odebranie dostępu odchodzącemu pracownikowi IAM i deterministyczny workflow Kompletność odebranych uprawnień Zatwierdzenie według polityki Wieloetapowa obsługa sprawy klienta Agent AI z ograniczonym zestawem narzędzi Skuteczność realizacji zadań, poprawność użycia narzędzi i odsetek spraw przekazanych pracownikowi Punkty zatwierdzenia dla działań o wysokim wpływie 9. Jak mierzyć efekty wdrożenia AI? Wskaźniki jakości, czasu i kosztów Pomiar zaczyna się od obecnego procesu. Badanie Generative AI at Work, obejmujące 5 179 pracowników obsługi klienta, wykazało średni wzrost liczby rozwiązanych spraw na godzinę o 14%. Największą poprawę odnotowano u osób mniej doświadczonych. Tak zdefiniowana produktywność ma jasny licznik, mianownik i grupę odniesienia. Podobnej precyzji potrzebuje firmowy pilotaż. Obszar Wskaźnik Sposób pomiaru Skala Wolumen spraw Liczba przypadków miesięcznie, sezonowość i okresy największego obciążenia Czas Czas obsługi sprawy Średnia, mediana i p90 przed wdrożeniem oraz po nim Jakość Task success rate Odsetek przypadków spełniających wszystkie kryteria poprawnego wykonania zadania Użyteczność Odsetek wyników przyjętych bez zmian merytorycznych Odsetek wyników przyjętych bez zmiany merytorycznej Kontrola Odsetek decyzji AI zmienionych przez pracownika Odsetek decyzji lub propozycji zmienionych przez pracownika Ryzyko Częstotliwość błędów krytycznych Liczba błędów krytycznych na 1 000 lub 10 000 przypadków Klasyfikacja Precyzja, czułość i miara F1 Osobno dla każdej ważnej klasy, zwłaszcza rzadkich zdarzeń RAG Zgodność odpowiedzi ze źródłami Odsetek twierdzeń wspartych wskazanym, aktualnym źródłem Agent Poprawność wyboru narzędzi i przekazywanych parametrów Poprawny wybór narzędzia oraz poprawność przekazanych parametrów Automatyzacja Odsetek spraw obsłużonych w pełni automatycznie Odsetek spraw zakończonych bez ręcznej interwencji Wydajność Czas od rozpoczęcia zadania do uzyskania ostatecznego wyniku p50 i p95 od rozpoczęcia do ostatecznego wyniku Ekonomia Koszt poprawnie zakończonego zadania Pełny koszt podzielony przez liczbę poprawnych rezultatów Stabilność Zmiany jakości działania systemu w czasie Zmiana jakości według czasu, języka, kategorii i typu użytkownika Google Cloud wskazuje koszt poprawnie zakończonego zadania jako kluczowy miernik agentów AI działających w rzeczywistych procesach biznesowych. Model kosztujący 0,10 USD na uruchomienie i osiągający 50% skuteczności generuje sam koszt wywołań na poziomie 0,20 USD na poprawny wynik. Do rachunku dochodzą weryfikacja przez pracownika, ponowne próby, integracje, monitoring oraz koszt błędów. 10. Jak obliczyć ROI wdrożenia LLM lub SLM? Pełny koszt rozwiązania powinien obejmować budowę i integrację, model lub API, infrastrukturę, monitoring, aktualizacje, weryfikacja przez pracownika, poprawki oraz oczekiwaną stratę wynikającą z błędów. Koszt poprawnie zakończonego zadania: C_success = (koszt budowy przypisany do okresu + model/API + infrastruktura + monitoring + kontrola człowieka + poprawki + oczekiwana strata błędów) / liczba poprawnie zakończonych zadań Roczna korzyść: Korzyść = oszczędzony czas pracy + uniknięte poprawki i błędy + dodatkowa marża + uniknięte kary SLA ROI: ROI = (Korzyść - TCO rozwiązania AI) / TCO rozwiązania AI × 100% Załóżmy, że zespół klasyfikuje 20 000 zgłoszeń miesięcznie. Jedno zgłoszenie zajmuje średnio 4 minuty, a pełny koszt godziny pracy wynosi 120 zł. Miesięczny koszt ręcznej klasyfikacji wynosi około 160 000 zł. W pilotażu system osiąga 88% wyników zaakceptowanych bez korekty, weryfikacja jednego wyniku trwa średnio 45 sekund, poprawa pozostałych przypadków zajmuje 3 minuty, a miesięczne koszty modelu, infrastruktury, utrzymania i amortyzowanego wdrożenia wynoszą 51 000 zł. przegląd wszystkich przypadków: około 30 000 zł, poprawa 12% przypadków: około 14 400 zł, model, infrastruktura, utrzymanie i wdrożenie: 51 000 zł, łączny koszt procesu po wdrożeniu: około 95 400 zł, miesięczna różnica kosztu: około 64 600 zł, czyli 40,4%. To przykład metodologiczny z założonymi wartościami. W analizie opłacalności rzeczywistego wdrożenia trzeba uwzględnić zmianę kosztu błędów, sezonowość, czas przestojów, koszt obsługi wyjątków oraz tempo, w jakim pracownicy zaczynają korzystać z rozwiązania. Dla procesu generującego przychód rachunek powinien uwzględniać również zmianę marży, współczynnika konwersji albo wskaźnika utrzymania klientów 11. Jak przeprowadzić mierzalny pilotaż LLM lub SLM? Zapisz punkt odniesienia. Zmierz wolumen, czas, jakość, błędy, eskalacje i koszt obecnej metody przez co najmniej jeden pełny cykl biznesowy. Przygotuj zestaw przypadków testowych. Uwzględnij typowe zadania, trudne i rzadkie sytuacje, przypadki na granicy dopuszczalnych warunków oraz próby celowego wprowadzenia systemu w błąd. Google Cloud zaleca własny zbiór odzwierciedlający pełne spektrum użycia. Ustal progi przed testem. Zapisz minimalną jakość, maksymalny koszt, dopuszczalną latencję, limit błędów krytycznych i zasady eskalacji. Porównaj kilka wariantów. Uwzględnij obecny proces, mocny LLM, mniejszy model oraz architekturę hybrydową. Uruchom system w trybie obserwacyjnym (shadow mode). AI przygotowuje wyniki równolegle do dotychczasowego procesu. Decyzje i działania nadal przebiegają według obowiązujących zasad. Pozwala to wykryć błędy przed dopuszczeniem AI do obsługi rzeczywistych operacji. Uruchom system w ograniczonym zakresie. Rozpocznij od propozycji i zatwierdzeń. Zakres automatycznych działań rozszerzaj na podstawie wyników. Monitoruj jakość działania. Ponawiaj testy po zmianie modelu, instrukcji dla AI, narzędzi, źródeł danych, reguł lub rodzaju przetwarzanych materiałów. 11.1 Ile przypadków testowych potrzeba do oceny LLM lub SLM? Dla wskaźnika wyrażonego jako odsetek, przy poziomie ufności 95% i marginesie błędu +/-5 punktów procentowych, konserwatywna wielkość próby wynosi około 385 niezależnych przypadków. Margines +/-3 punkty procentowe wymaga około 1 068 przypadków. Próba reprezentatywna powinna zostać uzupełniona osobnym zestawem przypadków krytycznych i brzegowych. Przy rzadkich błędach istotna jest tak zwana reguła trzech. Jeżeli w 300 testach nie pojawi się żaden błąd krytyczny, przybliżona górna granica jego rzeczywistego prawdopodobieństwa na poziomie ufności 95% nadal wynosi około 1%. Zero błędów w 3 000 testów obniża tę granicę do około 0,1%. W procesach wysokiego ryzyka potrzebne są więc znacznie większe zbiory oraz testy ukierunkowane na konkretne zagrożenia. 11.2 Kiedy zakończyć pilotaż AI i uruchomić system w firmie? Przykładowe kryteria Proces Przykładowe kryteria przejścia do produkcji odsetek przypisań zmienionych przez pracownika do 8% Macro-F1 co najmniej 0,90; recall zgłoszeń priorytetowych co najmniej 0,99; override rate do 8%; p95 do 2 sekund Wewnętrzna baza wiedzy Acceptance rate co najmniej 85%; poprawność cytowań co najmniej 98%; brak niepopartych twierdzeń w zestawie krytycznym; p95 do 8 sekund Projekt oferty Mediana czasu niższa o co najmniej 30%; co najmniej 75% materiałów przyjętych z drobnymi zmianami; 100% cen pobranych z autoryzowanego źródła; zatwierdzenie człowieka dla każdej oferty Podane wartości są przykładem konstrukcji kryteriów. Właściciel procesu ustala progi zgodnie z kosztem błędu, wymaganą jakością i tolerancją ryzyka organizacji. 12. Jak dobrać zakres nadzoru człowieka do ryzyka związanego z AI? NIST definiuje ryzyko jako połączenie prawdopodobieństwa zdarzenia i skali jego konsekwencji. Ta zasada pozwala przełożyć ogólne obawy związane z AI na mierzalny model: częstotliwość błędów, wartość środków lub zasobów narażonych na stratę, możliwość cofnięcia działania, czas wykrycia błędu i koszt jego naprawy W skonsolidowanym tekście unijnego AI Act wymagania dla systemów wysokiego ryzyka obejmują ciągłe zarządzanie ryzykiem, odpowiedni poziom dokładności, odporności i cyberbezpieczeństwa oraz skuteczny nadzór człowieka. Środki nadzoru mają być proporcjonalne do ryzyka, poziomu autonomii i kontekstu użycia. Testy powinny korzystać z uprzednio zdefiniowanych metryk i progów właściwych dla zamierzonego zastosowania. W praktyce biznesowej oznacza to przypisanie konkretnej osoby do zatwierdzania, monitorowania i reagowania. Interfejs powinien pokazywać źródła, wykonane działania i poziom niepewności, a użytkownik musi mieć możliwość zatrzymania procesu. Ryzyko poważnych konsekwencji błędu uzasadnia ograniczenie uprawnień modelu, dodatkowe sprawdzanie wyników i dłuższe testy w trybie obserwacyjnym. Klasyfikację regulacyjną należy ustalić osobno dla zamierzonego zastosowania i roli organizacji. 13. Jak połączyć LLM, SLM i reguły w jednym procesie biznesowym? Połączenie kilku technologii pozwala dopasować sposób obsługi do poszczególnych etapów procesu. Przykładowo SLM rozpoznaje temat zgłoszenia klienta, a LLM przygotowuje odpowiedź na podstawie historii kontaktu i dokumentów pobranych przez RAG. Gdy sprawa dotyczy zwrotu pieniędzy, system sprawdza warunki i limity zgodnie z ustalonymi regułami, a następnie kieruje operację do realizacji lub zatwierdzenia przez uprawnionego pracownika. Tak zaprojektowana obsługa łączy automatyzację z kontrolą decyzji mających skutki finansowe. W TTMS pomożemy Ci ocenić, gdzie podobne rozwiązanie przyniesie największą korzyść. Zaczniemy od zadań, które pochłaniają najwięcej czasu: powtarzalnych czynności, wyszukiwania informacji czy poprawiania błędów. Podczas konsultacji przeanalizujemy przebieg pracy, dostępne dane i wykorzystywane systemy. Na tej podstawie zaproponujemy technologię i zakres pilotażu, a wspólnie z Tobą ustalimy oczekiwane efekty oraz sposób pomiaru jakości, czasu i kosztów. Chcesz wybrać pierwszy proces do usprawnienia? Umów się z nami na konsultację dotyczącą wdrożenia AI. Źródła Eurostat, 20% of EU enterprises use AI technologies, 11 grudnia 2025. Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality, Organization Science. Erik Brynjolfsson, Danielle Li, Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161, 2023. Joel Becker, Nate Rush, Beth Barnes, David Rein, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, METR, 10 lipca 2025. Microsoft Azure, What Are Small Language Models (SLMs)?. Microsoft Azure, Boost processing performance by combining AI models, 8 stycznia 2025. OpenAI, Enterprise privacy at OpenAI. Google Cloud, The KPIs that actually matter for production AI agents, 26 lutego 2026. NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, lipiec 2024. Unia Europejska, Rozporządzenie (UE) 2024/1689, tekst skonsolidowany z 27 lipca 2026. OWASP GenAI Security Project, LLM06:2025 Excessive Agency, 2025. FAQ Czy do pracy na danych firmowych trzeba uruchamiać własny model AI? Własny model jest jednym z dostępnych wariantów. Firmy mogą korzystać z zatwierdzonego środowiska biznesowego, zarządzanego API, prywatnej chmury, wydzielonej infrastruktury lub modelu działającego lokalnie. Wybór zależy od klasy danych, lokalizacji przetwarzania, retencji, szyfrowania, tożsamości użytkowników, wymogów branżowych i umowy z dostawcą. Przykładowo OpenAI deklaruje brak domyślnego trenowania na danych klientów biznesowych i oferuje dodatkowe mechanizmy kontroli retencji dla kwalifikujących się klientów API. Organizacja powinna udokumentować przepływ danych dla konkretnej konfiguracji, ponieważ nazwa modelu nie opisuje całej architektury bezpieczeństwa. Czy RAG może zastąpić fine-tuning modelu na danych firmy? RAG i fine-tuning rozwiązują różne problemy. RAG pobiera aktualne informacje z kontrolowanego źródła w momencie tworzenia odpowiedzi, dzięki czemu dobrze pasuje do baz wiedzy, procedur, dokumentacji i treści często aktualizowanych. Fine-tuning dostosowuje zachowanie modelu do przykładów, stylu, formatu albo wyspecjalizowanego zadania. Dokumentacja AWS porównująca RAG i fine-tuning rekomenduje rozpoczęcie systemu pytań i odpowiedzi na własnych dokumentach od RAG, zwłaszcza gdy ważne są aktualność i odwołania do źródeł. Oba mechanizmy mogą działać razem, jeśli proces wymaga zarówno aktualnej wiedzy, jak i stabilnego zachowania domenowego. Czy jeden proces może korzystać jednocześnie z LLM i SLM? Tak. Router może kierować typowe, dobrze rozpoznane sprawy do SLM, a przypadki złożone do większego LLM. Trzecia ścieżka prowadzi do człowieka, gdy system wykryje brak danych, niską pewność albo wysoki poziom ryzyka. Innym wariantem jest podział procesu według funkcji: SLM klasyfikuje dokument, LLM przygotowuje wyjaśnienie, kod oblicza wartości, a workflow zapisuje zatwierdzoną decyzję. Taki układ pozwala kontrolować koszty i czas reakcji przy zachowaniu dostępu do większych możliwości w trudniejszych sprawach. Ile przykładów potrzeba do pilotażu LLM lub SLM? Liczba zależy od oczekiwanej precyzji pomiaru i rzadkości błędów. Dla odsetka skutecznych odpowiedzi próba około 385 niezależnych przypadków daje przybliżony margines +/-5 punktów procentowych przy poziomie ufności 95% w wariancie konserwatywnym. Margines +/-3 punkty wymaga około 1 068 przypadków. Losowa próba powinna odzwierciedlać rzeczywisty wolumen, języki, kanały i typy użytkowników. Osobny zestaw powinien obejmować przypadki krytyczne, brzegowe, rzadkie oraz próby manipulacji systemem. Jak często trzeba ponownie testować aplikację opartą na modelu językowym? Pełna ewaluacja powinna zostać uruchomiona po zmianie modelu, wersji promptu, narzędzia, uprawnień, źródła danych, reguł biznesowych lub formatu wejścia. Produkcja wymaga również ciągłego monitorowania najważniejszych KPI oraz cyklicznego testu regresji. Częstotliwość zależy od ryzyka i tempa zmian procesu. Aplikacja obsługująca treści marketingowe może mieć inny harmonogram niż system wspierający decyzje finansowe. Praktycznym rozwiązaniem jest automatyczny test przy każdej zmianie technicznej, miesięczny przegląd trendów oraz kwartalna ewaluacja biznesowa, z krótszym cyklem dla zastosowań wysokiego ryzyka.
Czytaj
GPT-6 Astra w Microsoft 365 Copilot: dostęp, zadania i koszty Cowork
Masz w firmie Copilota i chcesz wypróbować GPT-6 Astra? Model OpenAI jest dostępny także w Copilot Cowork. Możesz więc sprawdzić go przy pracy z dokumentami, pocztą i kalendarzem w środowisku Microsoftu. Dostęp do Astry zależy od licencji i ustawień organizacji, a wykonywanie zadań w Cowork wiąże się z rozliczaniem zużycia kredytów. Co musi włączyć administrator? Jakie zadania powierzysz Astrze w Cowork, a jak wygląda ich wykonanie w ChatGPT Work? Poniżej znajdziesz warunki dostępu, różnice w pracy na plikach i zasady naliczania opłat. Kwestię wyboru asystenta dla organizacji omawiamy w naszym porównaniu Microsoft Copilot i ChatGPT dla firm. 1. Co GPT-6 Astra wnosi do Copilot Cowork? Microsoft wymienia GPT-6 Astra na liście modeli Copilot Cowork. Użytkownik wybiera model z listy udostępnionej przez organizację. Domyślne ustawienie Auto pozwala Cowork dobrać model do zadania; oznaczenie przy odpowiedzi pokazuje, którego użyto. Wybór Astry dotyczy pracy w Cowork. Dostępność konkretnego modelu w pozostałych funkcjach Copilota trzeba sprawdzać osobno. GPT-6 Astra jest kolejnym modelem, któremu możesz powierzyć zadanie w Cowork. Sam Cowork zapewnia narzędzia do wyszukiwania materiałów, tworzenia plików i wykonywania czynności w Microsoft 365. Wybór modelu może wpłynąć na sposób analizy, szczegółowość odpowiedzi i czas pracy. Przy ocenie Astry warto więc sprawdzić, czy lepiej radzi sobie z zadaniem, które już wykonujesz: poprawniej łączy ustalenia, uwzględnia wyjątki i przygotowuje wynik wymagający mniej poprawek. Work IQ zapewnia Cowork dostęp do kontekstu firmowej pracy. Przy przygotowaniu podsumowania projektu potrzebne informacje mogą znajdować się w dokumentach, korespondencji i materiałach ze spotkań. Cowork może wyszukiwać firmowe zasoby potrzebne do zadania. Dlatego przed próbą warto sprawdzić, czy konto pracownika ma dostęp do właściwych materiałów i czy znajdują się wśród nich aktualne ustalenia. Od tego zależy, na jakich informacjach Astra oprze wynik. Wyniki testów modelu i przykłady jego wykorzystania opisujemy w artykule GPT-6 Astra: imponujące osiągnięcia, nowe możliwości dla biznesu. 2. Jak uzyskać dostęp do Astry w Copilot Cowork? Dla użytkowników biznesowych Microsoft opisuje Cowork jako usługę wymagającą licencji Microsoft 365 Copilot oraz rozliczania wykonywanych zadań według zużycia. Administrator musi następnie skonfigurować dostęp pracowników. W konfiguracji są dwa osobne ustawienia: Dostęp do Cowork. Pracownik musi należeć do grupy objętej zasadą wydatków, która uwzględnia Cowork. Administrator ustawia ją w centrum administracyjnym Microsoft 365, w obszarze Copilot, Cost Management, Configuration. To tutaj określa użytkowników, budżet i sposób rozliczenia. Dostęp do modeli obsługiwanych przez OpenAI. W ustawieniach Copilota administrator określa, którzy użytkownicy mogą korzystać z OpenAI jako podwykonawcy Microsoftu. Po uzyskaniu dostępu otwórz Cowork i wybierz Astrę z listy modeli. Przy pierwszym zadaniu sprawdź oznaczenie modelu przy odpowiedzi. Jeżeli pracownik widzi Cowork, ale brakuje mu Astry, administrator powinien sprawdzić ustawienia dostawcy modeli. Aby udostępnić Cowork wybranemu zespołowi, administrator musi objąć dostępem właściwą grupę użytkowników. Niski limit kredytów ogranicza wydatki, ale nadal pozwala objętemu nim pracownikowi rozpocząć pracę. 3. Astra w Cowork i ChatGPT Work: różnice przy wykonywaniu zadania Przy przygotowaniu raportu trzeba dotrzeć do aktualnych danych, opracować je i zapisać wynik w miejscu dostępnym dla zespołu. Na każdym z tych etapów znaczenie mają narzędzia udostępnione modelowi. Poniższe zestawienie pokazuje, jak oba środowiska pracują z materiałami potrzebnymi do zadania. Praca z materiałami w Copilot Cowork i ChatGPT Work Element zadania Copilot Cowork ChatGPT Work Odnalezienie materiałów Wyszukiwanie w zasobach Microsoft 365 dostępnych użytkownikowi, w tym w poczcie i plikach. Wtyczki mogą udostępniać kolejne źródła. Pliki przekazane do zadania oraz informacje pobrane przez włączone aplikacje i autoryzowane konta. Opracowanie dokumentów Tworzenie i zmiana dokumentów, arkuszy i prezentacji. Pliki wynikowe trafiają do obszaru pracy w OneDrive lub SharePoint. Tworzenie i edycja plików. Przekazanie ich do innego systemu zależy od operacji dostępnych w połączeniu z tym systemem. Pliki na dysku komputera Można przesłać plik do sesji. Cowork nie edytuje plików bezpośrednio na dysku użytkownika. Work w obsługiwanej aplikacji komputerowej może korzystać z lokalnych plików po udzieleniu odpowiedniego dostępu. Obsługa programu przez przeglądarkę Lokalna przeglądarka Edge korzysta z istniejącego logowania pracownika. Funkcja wymaga włączenia przez administratora. Dostęp zależy od wybranego narzędzia przeglądarkowego i udzielonych zgód. Zadanie w chmurze wymaga osobnej autoryzacji do firmowych zasobów. Przy pracy w przeglądarce trzeba uwzględnić miejsce uruchomienia zadania. Cowork obsługuje lokalną przeglądarkę w swojej wersji webowej otwartej w Edge. Ta funkcja nie działa obecnie w aplikacji komputerowej Copilota ani na urządzeniach mobilnych. Potrzebne jest też to samo konto służbowe w Cowork i Edge. Uśpienie komputera może wstrzymać czynności wymagające lokalnej przeglądarki. W ChatGPT Work podczas zadania lokalnego model może korzystać z udostępnionych plików i aplikacji komputera. Zadanie uruchomione w chmurze działa w osobnym środowisku. Jeśli potrzebne materiały znajdują się wyłącznie na dysku pracownika lub są dostępne przez firmowy VPN, trzeba udostępnić je temu środowisku w obsługiwany sposób. Podczas pracy Cowork pokazuje kolejne etapy zadania. Możesz przerwać sesję, doprecyzować polecenie lub dostarczyć brakujące informacje. Przed ważnymi działaniami, takimi jak wysłanie wiadomości czy zaplanowanie spotkania, Cowork prosi o zatwierdzenie. Zakres kolejnych pytań zależy również od udzielonych wcześniej zgód. Do pierwszej próby wybierz zadanie, którego materiały i miejsce zapisu wyniku możesz jednoznacznie wskazać. Przykłady obowiązków w sprzedaży, HR, finansach i innych działach znajdziesz w naszym zestawieniu 10 praktycznych zastosowań Microsoft Copilot w organizacji. 4. Ile kosztuje korzystanie z Astry w Cowork i ChatGPT Work? W budżecie trzeba uwzględnić abonament oraz wykorzystanie narzędzi do wykonywania zadań. W firmie, która ma już odpowiednie licencje, uruchomienie Cowork oznacza przede wszystkim zaplanowanie opłat za jego użycie. Poniżej podajemy publiczne ceny wybranych planów biznesowych. Ceny abonamentów. Opłaty za wykonywanie zadań opisujemy poniżej. Plan Cena za osobę miesięcznie Warunki Microsoft 365 Copilot Business 18,20 EUR; obecnie 15,60 EUR w promocji Płatność roczna, ceny netto. Potrzebna osobna, kwalifikująca się licencja Microsoft 365. Oferta dla maksymalnie 300 użytkowników. Microsoft 365 Copilot w ofercie dla przedsiębiorstw 26 EUR Płatność roczna, cena netto. Potrzebna osobna, kwalifikująca się licencja Microsoft 365. ChatGPT Business 20 USD przy płatności rocznej lub 25 USD przy miesięcznej Minimum dwóch użytkowników. Publiczna cena w USD; końcowa kwota zależy m.in. od podatków i rynku zakupu. ChatGPT Enterprise Wycena indywidualna Limity i rozliczenie wykorzystania określa umowa. Promocja Copilot Business obejmuje pierwszy rok przy zobowiązaniu rocznym i obowiązuje od 1 lipca do 31 grudnia 2026 r. 4.1 Jak naliczane są opłaty za zadania Cowork? Cowork rozlicza m.in. użycie modelu, pobieranie kontekstu, wywołania narzędzi i czas działania. Zużycie jest przeliczane na Copilot Credits; w opublikowanej ofercie pay-as-you-go jeden kredyt kosztuje 0,01 USD. Tysiąc kredytów oznacza więc 10 USD. Koszt pojedynczego zadania zależy od liczby zużytych kredytów. Na zużycie wpływa również wybrany poziom rozumowania. W Cowork dostępne są ustawienia Light, Medium, High, Extra High i Max. Wyższy poziom może wydłużyć zadanie i zwiększyć zużycie kredytów. Przy powtarzalnej pracy sprawdź, czy podniesienie tego ustawienia poprawia rezultat na tyle, by uzasadnić koszt. 4.2 Co oznacza zużycie kredytów w ChatGPT Work? ChatGPT Work korzysta z limitów i zasad rozliczania właściwych dla planu. W umowach opartych na wspólnej puli kredytów zadania zmniejszają dostępne saldo. Wykorzystanie kredytów już opłaconych w umowie jest pokryte tą opłatą. Dodatkowy koszt może powstać po ich wyczerpaniu, jeżeli umowa i ustawienia pozwalają kontynuować pracę. Przy porównywaniu kosztów użyj tej samej grupy zadań i wymagań dotyczących wyniku. Zapisz zużycie, liczbę ponownych prób oraz zakres poprawek. Przeliczenie wydatków na poprawnie ukończone zadanie pokaże, ile kosztuje wynik, z którego zespół może korzystać. Liczbę kredytów każdej usługi trzeba najpierw przeliczyć według jej własnego cennika. 5. Jakie zasady ochrony danych dotyczą Astry w Cowork? W Copilot Cowork Astra jest obsługiwana przez OpenAI jako podwykonawcę Microsoftu. Według dokumentacji do tego sposobu korzystania z modelu stosuje się warunki Microsoftu i jego dodatek dotyczący ochrony danych, z określonymi wyłączeniami. Usługi te są objęte EU Data Boundary z opisanymi wyjątkami. Microsoft wyłącza je obecnie z zobowiązań dotyczących przetwarzania w konkretnym kraju. Ten szczegół ma znaczenie dla organizacji wymagających np. przetwarzania wyłącznie w Polsce. Przy uruchomieniu Astry administrator powinien więc uwzględnić zasady dostawcy modelu oraz dostęp do materiałów używanych w zadaniu. W ChatGPT Work dodatkowo znaczenie ma lokalny lub chmurowy sposób pracy. Podczas zadania lokalnego fragmenty plików, zrzuty ekranu i wyniki narzędzi mogą być przesyłane do OpenAI. Firmowe zasady korzystania z AI powinny uwzględniać również ten sposób przekazywania informacji. 6. Od jakiego zadania zacząć korzystanie z Astry? Zacznij od obowiązku, przy którym pracownik regularnie zbiera informacje i przygotowuje materiał dla innych osób. Taki przebieg pracy pozwala sprawdzić zarówno analizę Astry, jak i dostępne w Cowork lub Work narzędzia. Przykładem może być cotygodniowe podsumowanie projektu. Przykład polecenia do własnej próby: Na podstawie folderu projektu [link] i korespondencji dotyczącej tego projektu z ostatnich siedmiu dni przygotuj raport dla kierownika. Wymień zmienione terminy, otwarte decyzje i osoby odpowiedzialne za kolejne działania. Przy każdym ustaleniu podaj źródło i datę. Jeśli materiały zawierają sprzeczne informacje, pokaż rozbieżność i wskaż, czego potrzebujesz do jej rozstrzygnięcia. Zapisz raport jako DOCX według załączonego szablonu w folderze [link]. Przygotuj szkic wiadomości do [odbiorcy] z linkiem do raportu. Wysyłkę pozostaw do mojego zatwierdzenia. Sprawdź, czy raport uwzględnia najnowsze ustalenia, podaje ich źródła i daty, wskazuje sprzeczne informacje oraz poprawnie przypisuje odpowiedzialność. Oceń też zgodność z szablonem i sprawdź, czy plik zapisano w folderze dostępnym dla odbiorców. Po udanej próbie można rozważyć regularne uruchamianie zadania. Cowork obsługuje harmonogramy oraz zadania wyzwalane m.in. wiadomością e-mail lub wpisem w Teams. Domyślnie zadania wyzwalane zdarzeniem przygotowują działania do zatwierdzenia. Projektowanie całego procesu omawiamy w przewodniku po automatyzacji procesów biznesowych z Copilotem. 7. Przygotuj z TTMS pierwsze zadania dla Astry W ramach konsultingu AI pomagamy ustalić, jakie dane będą potrzebne do zadania, które narzędzia trzeba udostępnić i jak sprawdzić rezultat. Analizujemy także wymagane licencje oraz sposób rozliczania wykorzystania. Łączymy doradztwo z projektowaniem rozwiązań AI i integracją firmowych systemów. TTMS jako pierwsza firma w Polsce uzyskała akredytowaną certyfikację ISO/IEC 42001 dla systemu zarządzania sztuczną inteligencją. Audyt TÜV Nord Poland objął zasady projektowania i wykorzystywania AI, w tym zarządzanie ryzykiem i dokumentowanie projektów. Powiedz nam, jakie zadanie chcesz powierzyć Astrze i z jakich programów korzysta Twój zespół. Porozmawiaj z TTMS o konsultingu AI dla Twojej firmy. GPT-6 Astra w Copilot Cowork: najczęstsze pytania Czy wybór Astry w Cowork zmienia model we wszystkich aplikacjach Copilota? Wybór dotyczy pracy w Cowork. Microsoft opisuje osobny wybór modelu w tym środowisku. Model obsługujący konkretną funkcję w Wordzie, Excelu lub Teams wymaga sprawdzenia w dokumentacji tej funkcji. Przy sprawdzaniu zadania Cowork można odczytać oznaczenie użytego modelu przy odpowiedzi. Czy ten sam model da identyczną odpowiedź w Copilocie i ChatGPT? Wynik może być różny. Model pracuje na informacjach udostępnionych przez dany produkt i korzysta z jego narzędzi, instrukcji oraz ustawień rozumowania. Przy porównaniu trzeba więc sprawdzić, jakie materiały otrzymał i jakie czynności mógł wykonać. Dopiero wtedy można sensownie ocenić różnicę w rezultatach. Dlaczego widzę Cowork, ale nie mogę wybrać GPT-6 Astra? Dostęp do Cowork i dostęp do modeli OpenAI mają osobne ustawienia. Administrator powinien potwierdzić, że Twoje konto może korzystać z modeli obsługiwanych przez OpenAI jako podwykonawcę Microsoftu. Lista modeli widoczna w Cowork odzwierciedla dostęp przyznany przez organizację. Czy abonament Microsoft 365 Copilot obejmuje wszystkie zadania Cowork? Zadania Cowork podlegają dodatkowo rozliczeniu według wykorzystania. Na zużycie Copilot Credits wpływają m.in. model, pobieranie informacji i narzędzia. Administrator może ustalać zasady wydatków dla użytkowników i grup. Przy planowaniu budżetu trzeba uwzględnić abonament oraz przewidywane użycie Cowork. Czy Astra w Cowork może edytować dokument zapisany na moim komputerze? Możesz przesłać dokument do sesji Cowork. Według aktualnego FAQ usługa nie otwiera ani nie edytuje plików bezpośrednio na lokalnym dysku. Cowork pracuje na przekazanych materiałach oraz plikach dostępnych w OneDrive i SharePoint. Obsługa przeglądarki Edge jest osobną funkcją. Czy ten sam model Astra zapewni taki sam wynik w Cowork i ChatGPT Work? Na wynik wpływają także dostępne dane, instrukcje, narzędzia i ustawienia rozumowania. Dlatego zadanie wykonane z tym samym modelem może przebiegać inaczej w obu środowiskach. Porównanie na tych samych materiałach pokaże, gdzie pojawiają się różnice w kompletności wyniku i wykonanych czynnościach.
Czytaj
GPT-6 Astra: imponujące osiągnięcia, nowe możliwości dla biznesu
3 września 2026 r. OpenAI zaprezentowało GPT-6 Astra, a pierwsze wyniki badań i relacje użytkowników pokazują, dlaczego ta premiera wzbudza tyle emocji. Nowy model znalazł rozwiązania problemów matematycznych, z którymi w tym samym teście nie poradziły sobie poprzednie wersje GPT, jak również konkurencja. Użytkownicy sprawdzili już GPT-6 w różnych zastosowaniach: od przebudowy procesu sprzedaży w CRM, przez stworzenie szczegółowego modelu parowozu, po analizę ponad 500-stronicowej powieści. Co dokładnie udało się osiągnąć i co z tych możliwości może wykorzystać biznes? 1. Pierwsze osiągnięcia GPT-6 Astra robią wrażenie Pierwsze testy i relacje użytkowników pokazują, jak Astra radzi sobie ze złożonymi zadaniami. Są wśród nich wyniki testu przeprowadzonego przez Epoch AI oraz doświadczenia osób, które powierzyły modelowi własne projekty. 1.1 Rozwiązanie dwóch dotąd nierozstrzygniętych problemów matematycznych Epoch AI zleciło pięciu modelom rozwiązanie 68 problemów Erdősa, zapewniając każdemu takie same limity czasu i budżetu. Tylko przedpremierowa wersja Astry rozwiązała dwa z nich i zapisała rozwiązania w formie, która przeszła automatyczną weryfikację matematyczną. GPT-5.6 Sol, GPT-5.5, Claude Fable 5.1 i Claude Fable 5 nie rozwiązały w tym teście żadnego problemu. To zresztą nie pierwsze matematyczne osiągnięcia Astry. Jeszcze przed premierą OpenAI przedstawiło dziesięć innych wyników modelu dotyczących problemów z matematyki i informatyki teoretycznej. Opisaliśmy je w artykule „Astra, przyszły GPT-6: nowy model od OpenAI?”. 1.2 Model 3D parowozu z 3295 edytowalnych elementów Tom Krcha, projektant i twórca narzędzia Pencil do pracy nad interfejsami z pomocą AI, przekazał Astrze stary rysunek parowozu. Model miał na jego podstawie odtworzyć maszynę w Blenderze, programie służącym do tworzenia modeli, animacji i scen 3D. Po kilku minutach powstała konstrukcja obejmująca 3295 osobnych obiektów. Koła, osie, elementy kotła i pozostałe części można zaznaczać, przesuwać oraz modyfikować niezależnie. Astra musiała zinterpretować płaski rysunek, odtworzyć przestrzenną budowę maszyny i zachować zależności między tysiącami elementów. Według Krchy robiła to głównie przez pisanie skryptów w Pythonie, które tworzyły geometrię część po części. Tak przygotowany model może posłużyć jako baza do animacji lub projektu gry. 1.3 Przebudowa procesu sprzedaży bezpośrednio w CRM Claire Vo, twórczyni platformy ChatPRD, udostępniła Astrze używany przez siebie system zarządzania relacjami z klientami, czyli CRM. Model działał za pośrednictwem Codex i miał zmienić sposób obsługi nowych kontaktów sprzedażowych. Musiał zrozumieć istniejący schemat, znaleźć odpowiednie ustawienia i przebudować reguły działające w wizualnym edytorze. Po zmianach system sam kierował kontakty do Claire lub Zacha, wstawiał do wiadomości link umożliwiający rezerwację spotkania z odpowiednią osobą, a gotowy szkic przesyłał do komunikatora Slack do akceptacji. Nowe reguły miały obowiązywać również przy obsłudze kolejnych kontaktów. 1.4 Nowe funkcje głośnika Bluetooth dzięki Astrze Claire Vo wykorzystała model również do eksperymentu z niewielkim głośnikiem Divoom wyposażonym w ekran z kolorowych pikseli. Chciała wyświetlać na nim własne obrazy i komunikaty. Według jej relacji urządzenie nie udostępniało publicznego API, czyli interfejsu pozwalającego innym programom nim sterować. Trzeba było rozpracować sposób komunikacji ze sprzętem. Astra przygotowała aplikację, dzięki której rysunek tworzony myszą na komputerze pojawiał się na ekranie głośnika. Następnie Astra przygotowała narzędzie do sterowania głośnikiem. Wyszukała też informacje o najnowszym odcinku podcastu, po czym przesłała na ekran urządzenia przewijany tekst i animowaną grafikę. Vo podkreśla, że wcześniejsze próby z innymi modelami pozwalały jej zaledwie wyświetlić prosty komunikat powitalny. Tym razem otrzymała własne oprogramowanie do sterowania urządzeniem, które mogła rozwijać zgodnie ze swoimi pomysłami. 1.5 Sprawdzanie spójności fabuły w ponad 500-stronicowej powieści Jakub Szczęsny z Antywebu przekazał Astrze obszerny szkic własnej książki. Model miał sprawdzić chronologię wydarzeń, logikę fabuły oraz wątki zapowiedziane w jednej części tekstu i rozwinięte wiele rozdziałów później. W tak długim materiale trzeba jednocześnie śledzić losy bohaterów, kolejność zdarzeń, motywacje postaci i konsekwencje wcześniejszych decyzji. Astra porządkowała te zależności i wskazywała miejsca wymagające dopracowania, konsekwentnie sprawdzając cały tekst pod kątem wskazanych problemów. Szczęsny szczególnie docenił jej umiejętność łączenia informacji rozsianych po setkach stron. Podobna umiejętność przydaje się przy czytaniu umów, dokumentacji projektowej i raportów, w których ustalenia z jednej części wpływają na interpretację pozostałych. 1.6 Ukończenie całej gry Portal przez agenta AI Twórca publikujący jako CozyBlaze połączył Astrę z Portalem, przestrzenną grą logiczną, w której gracz tworzy przejścia między odległymi miejscami i wykorzystuje zasady fizyki do pokonywania przeszkód. Model otrzymywał zrzuty ekranu oraz informacje o położeniu postaci i kierunku, w którym była zwrócona. Na tej podstawie planował ruchy, wykonywał je i sprawdzał rezultat. Po około 23 godzinach i 43 minutach, wliczając oczekiwanie oraz przerwy techniczne, dotarł do napisów końcowych. Autor przygotował specjalne sterowanie i ustawienia ułatwiające precyzyjne poruszanie się; gra zatrzymywała się na czas obliczeń. Wznawiał też sesję po problemach z dostępnością usługi, a decyzje dotyczące rozgrywki podejmował agent. Ukończenie gry wymagało rozpoznawania sytuacji na ekranie, orientacji w przestrzeni oraz wielogodzinnego planowania ruchów i sprawdzania ich skutków. Te przykłady pokazują, skąd entuzjazm wokół Astry. Model analizuje problem, wykonuje kolejne czynności i wykorzystuje ich wyniki do dalszego działania. Dla firm otwiera to możliwość powierzania AI bardziej złożonych zadań, wymagających pracy z informacjami i aplikacjami. Porównania z GPT-5.6 pozwalają sprawdzić, gdzie wzrosła skuteczność i jakie może mieć to znaczenie dla biznesu. 2. GPT-6 Astra w biznesie: co większa skuteczność zmienia dla firm? Firma korzystająca z AI ponosi także koszt sprawdzania odpowiedzi, poprawiania błędów i interweniowania, gdy model nie potrafi dokończyć zadania. Dlatego większa skuteczność kolejnej generacji może sprawić, że więcej zadań będzie opłacało się powierzać AI. Wyniki Astry dają podstawę, by ponownie przyjrzeć się podziałowi obowiązków, wykorzystaniu firmowych systemów i czasowi poświęcanemu na kontrolę rezultatów. GPT-6 Astra a GPT-5.6 Sol: wyniki testów i znaczenie dla biznesu Badana umiejętność GPT-6 Astra GPT-5.6 Sol Znaczenie dla firmy Poprawne zakończenie zadania obejmującego kilka aplikacji, AutomationBench 41,4% 28,77% Podstawa do sprawdzenia, czy AI może samodzielnie wykonywać większy fragment procesu. Wskazywanie właściwych elementów na ekranie, ScreenSpot-Pro 92,7% 76,9% Większa precyzja przy obsłudze firmowych programów przez AI. Wykrywanie błędów wymagających analizy kilku plików, trudniejszy podzbiór CodeRabbit 57,1% 47,6% Lepsze wyniki przy analizie złożonych zależności w oprogramowaniu. Wyniki pochodzą z różnych testów i mierzą odrębne umiejętności. AutomationBench: ranking Zapiera z 9 września 2026 r., oba modele w ustawieniu Max. ScreenSpot-Pro: porównanie OpenAI. CodeRabbit: trudniejszy podzbiór przeglądów kodu. Wnioski biznesowe są interpretacją wyników, a oszczędności wymagają sprawdzenia w konkretnym procesie firmy. 2.1 Większy zakres zadań, które można delegować Im więcej etapów obejmuje zadanie, tym więcej okazji do pomyłki. Trzeba odnaleźć informacje, zastosować właściwe zasady, wykonać czynności w odpowiedniej kolejności i zachować spójność ustaleń. Właśnie takie wymagania stawia modelom AutomationBench, test firmowych procesów przygotowany przez Zapier. W rankingu z 9 września 2026 r. Astra poprawnie ukończyła 41,4% zadań, a GPT-5.6 Sol 28,77%, przy najwyższym ustawieniu rozumowania obu modeli. Zadanie zaliczano po spełnieniu wszystkich wymaganych warunków. To około 13 poprawnie zakończonych zadań więcej na każde 100. Dla biznesu oznacza to możliwość sprawdzenia, czy AI wykona więcej etapów bez pomocy pracownika. Warto przyjrzeć się obowiązkom, przy których pracownik stale podpowiada modelowi następny krok, dostarcza kolejne dane lub przenosi wynik do innego programu. Każda taka interwencja zajmuje czas i ogranicza korzyść z automatyzacji. Astra daje powód, by sprawdzić, które z tych etapów potrafi już połączyć. Wynik 41,4% pokazuje też, jak wymagające pozostają te zadania. Zakres samodzielności trzeba ustalić na podstawie rezultatów osiąganych w konkretnym procesie firmy. 2.2 Automatyzacja kolejnych czynności w firmowych programach Firmy korzystają z wielu programów wdrażanych na różnych etapach rozwoju. Dostęp AI do tych zasobów ma duże znaczenie dla jego użyteczności. Gdy model potrafi sprawnie obsługiwać aplikację za pomocą jej interfejsu, można rozważyć jego udział również w czynnościach wykonywanych przez pracowników za pomocą formularzy, przycisków i menu. W ScreenSpot-Pro, teście wskazywania elementów na zrzutach ekranu, Astra osiągnęła 92,7% skuteczności wobec 76,9% GPT-5.6 Sol. Badanie obejmuje rozbudowane programy z gęsto rozmieszczonymi narzędziami. Wynik dotyczy jednej konkretnej umiejętności potrzebnej do obsługi aplikacji. Dzięki tej poprawie warto rozważyć automatyzację kolejnych czynności w programach, z których firma już korzysta. Przy planowaniu automatyzacji warto uwzględnić zadania, które dziś wymagają ręcznego poruszania się po programach. Lepsze rozpoznawanie interfejsu może ułatwić ich wykonanie przez AI wyposażone w odpowiednie narzędzia i uprawnienia. O opłacalności zdecyduje skuteczność całej operacji, wraz z odczytaniem danych, wprowadzeniem zmian i sprawdzeniem wyniku. Precyzyjne wskazanie przycisku jest jednym z warunków jej powodzenia. 2.3 Wykrywanie błędów wymagających połączenia informacji z kilku miejsc W firmowych zadaniach trudność często wynika z powiązań między informacjami. Zmiana jednego ustalenia wpływa na kolejne decyzje, dokumenty i działania zespołu. Osoba odpowiedzialna za całość musi dostrzec te zależności i sprawdzić ich konsekwencje. W badaniu CodeRabbit przewaga Astry była szczególnie widoczna przy analizie błędów wymagających prześledzenia kilku plików kodu. Model wykrył 57,1% oznaczonych błędów wobec 47,6% GPT-5.6 Sol. W całym badaniu różnica była mniejsza: 61,3% wobec 59,0%. Największa poprawa dotyczyła więc trudniejszych przypadków. Dla osób zarządzających wykorzystaniem AI płynie z tego ważna wskazówka: warto oceniać nową generację na zadaniach, przy których wcześniejszy model przeoczał powiązania między informacjami lub wymagał wielu poprawek. Przy prostych poleceniach różnica między modelami może być niewielka. Więcej o przydatności Astry powiedzą materiały z wyjątkami, wzajemnie zależnymi warunkami i informacjami rozproszonymi w kilku miejscach. CodeRabbit dokumentuje tę poprawę w analizie oprogramowania. Sprawdzenie podobnej przewagi w dokumentacji, raportach czy uzgodnieniach biznesowych wymaga prób na własnych materiałach. To dobry kierunek oceny modelu dla firm, w których dużo czasu zajmuje właśnie ustalanie, jak poszczególne informacje wpływają na siebie. 2.4 Kiedy większa skuteczność AI oznacza oszczędności? Nawet niewielka poprawa jakości może mieć znaczenie przy zadaniu powtarzanym setki razy w miesiącu. Jeżeli pracownicy rzadziej poprawiają wynik i rzadziej pomagają AI dokończyć zadanie, zespół odzyskuje czas. Skala tej korzyści zależy od częstotliwości błędów, czasu potrzebnego na ich usunięcie oraz konsekwencji pomyłek. Wyniki Astry uzasadniają ponowną ocenę zastosowań, które wcześniej okazały się zbyt zawodne lub wymagały zbyt dużego nadzoru. Firma może wrócić do odłożonego pomysłu i sprawdzić go na zestawie rzeczywistych spraw, obejmującym także trudniejsze przypadki. W takiej ocenie liczą się trzy rzeczy: odsetek poprawnie zakończonych zadań, czas pracownika poświęcony na kontrolę i poprawki oraz łączny koszt obsługi sprawy. Te wskaźniki pozwalają ustalić, czy większa skuteczność modelu przynosi korzyść całemu zespołowi. Postęp Astry może więc sprawić, że automatyzacja wcześniej zbyt kosztownych zadań zacznie się opłacać. Zadania wymagające dotąd ciągłego wsparcia człowieka zasługują na ponowne sprawdzenie, zwłaszcza gdy są częste, czasochłonne i mają jasno określony wynik. Jak wykorzystać możliwości GPT-6 Astra w Twojej firmie? W ramach konsultingu AI pomagamy wybrać zadania, których usprawnienie przyniesie firmie największą korzyść, i zaplanować wdrożenie. W TTMS wspólnie z klientem analizujemy proces, określamy potrzebne dane i integracje oraz ustalamy, jak ocenić efekty. Łączymy doradztwo z projektowaniem rozwiązań AI i ich integracją z firmowymi systemami. Jako pierwsza firma w Polsce uzyskaliśmy akredytowaną certyfikację ISO/IEC 42001 dla systemu zarządzania sztuczną inteligencją. Dla klientów to potwierdzenie, że stosujemy sprawdzone przez niezależnych audytorów zasady oceny ryzyka, dokumentowania projektów i nadzoru nad AI. Opisz nam zadanie, które chcesz usprawnić. Wspólnie sprawdzimy, jak można wykorzystać w nim AI i od czego zacząć. Porozmawiaj z TTMS o konsultingu AI dla Twojej firmy. GPT-6 Astra w biznesie: najczęstsze pytania Co GPT-6 Astra zmienia dla firm, które już korzystają z AI? GPT-6 Astra daje podstawę do sprawdzenia, czy AI może przejąć większą część zadania i rzadziej wymagać pomocy pracownika. Porównania z GPT-5.6 Sol pokazują poprawę w wykonywaniu czynności obejmujących kilka aplikacji, wskazywaniu elementów ekranu i analizie zależności w kodzie. Warto więc wrócić do procesów, w których zespół często poprawia wyniki lub prowadzi model krok po kroku. Korzyść pojawi się wtedy, gdy większa skuteczność ograniczy nakład pracy potrzebny do uzyskania poprawnego rezultatu. Czy GPT-6 Astra może pracować w firmowych systemach bez budowania nowej integracji? W niektórych przypadkach tak, jeśli środowisko udostępnia Astrze narzędzia do obsługi przeglądarki lub komputera. Model może wtedy wykonywać czynności przez formularze, menu i przyciski aplikacji. Potrzebuje odpowiednich uprawnień oraz dostępu do systemu. Możliwość wykorzystania tego sposobu zależy od konkretnego programu i zadania. Przy częstych, powtarzalnych operacjach warto porównać go z integracją przez API, czyli interfejs umożliwiający bezpośrednią wymianę danych między programami. Które zadania warto ponownie powierzyć AI, jeśli wcześniejsze próby automatyzacji się nie sprawdziły? W pierwszej kolejności te, przy których wcześniejszy model gubił kolejne kroki, mylił elementy interfejsu lub przeoczał zależności między informacjami. To obszary, w których opisane testy pokazują postęp Astry. Do ponownej próby warto wykorzystać te same materiały i kryteria oceny, zachowując także przypadki, które wcześniej sprawiały trudność. Jeżeli przyczyną niepowodzenia były nieaktualne dane, sprzeczne instrukcje lub brak dostępu do aplikacji, te problemy również trzeba rozwiązać. Jak ustalić, co GPT-6 Astra może wykonywać samodzielnie, a co wymaga zatwierdzenia przez pracownika? Zakres samodzielności powinien zależeć od skutków pomyłki, możliwości cofnięcia działania i wyników prób na firmowych danych. Przygotowanie szkicu dokumentu czy uporządkowanie kopii danych pozwala łatwo sprawdzić rezultat przed jego wykorzystaniem. Wysłanie oferty, zmiana warunków handlowych lub usunięcie rekordów może wymagać wcześniejszej akceptacji. W instrukcji procesu warto jasno określić, kiedy AI wykonuje zadanie, kiedy prosi o decyzję i kiedy zatrzymuje się z powodu brakujących informacji. Jak sprawdzić, czy wykorzystanie GPT-6 Astra przynosi firmie oszczędności po uwzględnieniu kontroli i poprawek? Porównaj łączny koszt wykonania tej samej grupy zadań przed zastosowaniem Astry i z jej udziałem. Uwzględnij przygotowanie danych, obsługę narzędzi, sprawdzanie rezultatów, poprawki oraz przypadki wymagające ponownego wykonania przez pracownika. Przydatnym wskaźnikiem jest koszt jednej poprawnie zakończonej sprawy przy zachowaniu wymaganej jakości. Ocenę oprzyj na reprezentatywnym zestawie zadań, obejmującym również wyjątki. Pozwoli to ustalić, czy oszczędności powtarzają się w codziennej pracy.
Czytaj
Ograniczenia AI w oprogramowaniu dla prawników: ryzyko błędnej porady, pisma i terminu
Prawdziwa sygnatura, za którą kryje się zmyślona teza, to jedna z najbardziej niebezpiecznych halucynacji prawniczych. W czerwcu 2026 roku Naczelny Sąd Administracyjny opisał pismo, w którym zawodowy pełnomocnik powołał trzy istniejące orzeczenia. Problem polegał na tym, że dotyczyły innych zagadnień i nie zawierały przypisanych im tez. Pismo wyglądało wiarygodnie, dopóki ktoś nie otworzył źródeł. Ten przykład dobrze pokazuje praktyczne ograniczenia AI w oprogramowaniu prawniczym. Błąd może wpłynąć na argumentację, ocenę dowodów, termin, poradę dla klienta lub treść pisma procesowego. Za ostateczną treść porady, opinii lub pisma odpowiada prawnik, który je zatwierdza. Ewentualną odpowiedzialność odszkodowawczą ocenia się przez pryzmat należytej staranności zawodowej, zakresu zlecenia oraz okoliczności konkretnej sprawy. W artykule przeczytasz o: najczęstszych błędach AI w pracy prawników, halucynacjach dotyczących przepisów, orzeczeń i sygnatur, konsekwencjach wykorzystania błędnych treści w piśmie procesowym, odpowiedzialności prawnika za poradę przygotowaną z pomocą AI, zasadach bezpiecznego wdrażania oprogramowania AI w kancelarii. Szersze omówienie zgodności, poufności, dostawców i klasyfikacji ryzyka znajdziesz w artykule AI dla prawników w Europie i Wielkiej Brytanii: kluczowe ryzyka i ograniczenia. Tutaj skupiamy się na tym, co może pójść źle w konkretnej sprawie prowadzonej na gruncie polskiego prawa i jak zaprojektować proces, który pomaga wykryć błąd przed wysłaniem porady lub pisma. Prawdziwa sygnatura, fałszywa teza: czego uczy postanowienie NSA I FZ 104/26 W postanowieniu z 23 czerwca 2026 r., I FZ 104/26, NSA rozpoznawał zażalenie na postanowienie odmawiające wstrzymania wykonania decyzji podatkowej. Skarżący powinien był uprawdopodobnić przesłanki określone w art. 61 § 3 p.p.s.a., w szczególności niebezpieczeństwo wyrządzenia znacznej szkody lub spowodowania trudnych do odwrócenia skutków. Pełnomocnik wskazał trzy orzeczenia wraz z rzekomymi tezami. Sąd ustalił, że wskazane orzeczenia dotyczyły innych zagadnień, a ich uzasadnienia nie zawierały przypisanych im tez. Nieprawidłowe były również daty wydania tych rozstrzygnięć. NSA zwrócił też uwagę na inny problem: pismo miało ogólnikowy charakter i nie zawierało konkretnych danych ani dokumentów, które pozwoliłyby ocenić sytuację majątkową strony. Zażalenie zostało oddalone. Sąd krytycznie ocenił bezrefleksyjne użycie AI przez zawodowego pełnomocnika i podkreślił, że klient ma prawo oczekiwać profesjonalizmu. Rozstrzygnięcie pokazuje trzy realne skutki wadliwego procesu pracy: argument prawny może stracić oparcie w źródle, w piśmie może zabraknąć faktów i dowodów decydujących dla rozstrzygnięcia, sąd może zakwestionować rzetelność pracy zawodowego pełnomocnika. Rzetelna weryfikacja orzeczenia obejmuje sprawdzenie sądu, daty, sygnatury i rodzaju rozstrzygnięcia, a następnie lekturę pełnej treści uzasadnienia. Prawnik powinien ocenić kontekst faktyczny, podstawę prawną, znaczenie przywołanego fragmentu, dostępne informacje o prawomocności oraz późniejsze orzecznictwo dotyczące tej samej kwestii. Siedem ograniczeń AI, które mogą zmienić wynik sprawy 1. Prawdziwemu źródłu można przypisać zmyśloną tezę Model może podać prawdziwą sygnaturę sprawy, artykuł ustawy albo tytuł publikacji, a następnie przypisać źródłu treść, której ono nie zawiera. Taki błąd jest groźniejszy od całkowicie zmyślonej sygnatury, ponieważ może pozostać niewykryty podczas pobieżnej kontroli. System powinien prowadzić użytkownika bezpośrednio do konkretnego fragmentu źródła. Nadal konieczna jest weryfikacja przez prawnika. Badanie Stanford RegLab dotyczące amerykańskich narzędzi prawniczych łączących wyszukiwanie w bazach z generowaniem odpowiedzi wykazało halucynacje w 17-33% odpowiedzi. Badanie obejmowało produkty i pytania z rynku USA, więc nie mierzy jakości polskich systemów. Podłączenie modelu do bazy prawnej ogranicza ryzyko. Dalsza kontrola poprawności wymaga dodatkowych zabezpieczeń. 2. Model może zastosować nieaktualny lub niewłaściwy przepis Odpowiedź może brzmieć sensownie i opierać się na przepisie, który został zmieniony, jeszcze nie obowiązuje albo dotyczy innej jurysdykcji. W sprawie transgranicznej model może pomylić prawo właściwe, właściwość sądu i zasady postępowania. System AI dla prawników powinien przy każdym wniosku wskazywać właściwy porządek prawny oraz datę, na którą ustalono stan prawny. Użytkownik musi widzieć wersję aktu, datę wejścia w życie zmiany i źródło urzędowe. Sam napis „aktualne” w interfejsie ma niewielką wartość bez informacji, kiedy i na podstawie czego aktualność została sprawdzona. 3. Model analizuje ograniczony zakres akt Akta mogą być niekompletne, załącznik może nie zostać poprawnie odczytany, a istotny fakt może znajdować się w tabeli, skanie lub wiadomości, której nie dodano do analizy. Model formułuje odpowiedź na podstawie otrzymanego materiału i nie ma pełnej wiedzy o dokumentach, których nie przekazano do analizy. W efekcie stanowczo brzmiąca odpowiedź może powstać na podstawie niepełnego obrazu sprawy. Przed analizą system powinien pokazać listę wykorzystanych plików, błędy odczytu i zakres pominiętego materiału. W sprawach wymagających ustalenia faktów przydatne jest osobne zestawienie twierdzeń, dowodów i brakujących materiałów. Dzięki temu prawnik może zauważyć, że wniosek powstał bez kluczowego dokumentu. 4. Obliczanie terminów procesowych wymaga zdefiniowanych reguł Obliczenie terminu zależy między innymi od rodzaju postępowania, sposobu doręczenia, daty zdarzenia, przepisów przejściowych, dni wolnych oraz wyjątków dotyczących konkretnej czynności. Model językowy może pominąć jeden z warunków albo błędnie odczytać datę ze skanu. Do obliczania terminów należy wykorzystywać kontrolowany mechanizm regułowy z jawnymi danymi wejściowymi. Model może odczytać daty z dokumentów i zasugerować ich znaczenie. Ostateczne wyliczenie wymaga wskazania podstawy prawnej, pokazania sposobu obliczenia oraz zatwierdzenia wyniku przez prawnika prowadzącego sprawę. Terminy, których uchybienie może wywołać skutki procesowe, wymagają niezależnego obliczenia i ponownej weryfikacji. 5. Twierdzenia faktyczne w piśmie przygotowanym z pomocą AI wymagają właściwych dowodów Według prasowych omówień wyroku Sądu Okręgowego we Wrocławiu z 27 listopada 2025 r., X GC 455/25, powód posłużył się ChatGPT przy przygotowaniu pozwu. Podstawą oddalenia powództwa było niespełnienie warunków formalnych zapytania ofertowego. Sąd odniósł się również do treści przygotowanych przy użyciu AI i do wartości przedstawionych materiałów. Wydruki obejmujące wygenerowaną argumentację, analizę prawną i ocenę szans powodzenia nie stanowiły dowodu na fakty istotne dla rozstrzygnięcia sprawy. Mogły zostać potraktowane jako element argumentacji strony. System dla prawników powinien wyraźnie oddzielać twierdzenia, podstawy prawne i materiał dowodowy. Brakująca umowa, korespondencja, potwierdzenie doręczenia lub dokument finansowy pozostają luką dowodową niezależnie od jakości wygenerowanego uzasadnienia. 6. Model może utwierdzać klienta w jego ocenie sprawy Klient często opisuje sprawę jednostronnie i oczekuje potwierdzenia swojej oceny. Model może przyjąć założenia klienta i pominąć argumenty drugiej strony. W poradzie prawnej powstaje wtedy ryzyko, że klient podejmie decyzję bez poznania słabych punktów sprawy. Analiza powinna uwzględniać perspektywę drugiej strony: brakujące fakty, możliwe zarzuty drugiej strony, przeszkody procesowe, alternatywne kwalifikacje prawne i poziom pewności. W komunikacji kierowanej bezpośrednio do klienta użytkownik powinien mieć możliwość przekazania pytania prawnikowi, szczególnie gdy pytanie dotyczy terminu, roszczenia, odpowiedzialności karnej, zwolnienia pracownika albo istotnej decyzji finansowej. 7. Przekonujący styl może ukrywać błędy i niepewność Model generuje odpowiedź słowo po słowie i może zachować ten sam profesjonalny ton przy wniosku trafnym oraz błędnym. Ocena użytkownika oparta na stylu jest więc zawodna. Wskaźnik pewności wyrażony w procentach również może tworzyć pozór precyzji, jeśli wynik nie został skalibrowany dla danego zastosowania. Dobrze zaprojektowany system wskazuje źródła, braki danych, warunki zmieniające odpowiedź i sytuacje, w których system powstrzymuje się od sformułowania jednoznacznej odpowiedzi. System powinien również przewidywać odmowę udzielenia odpowiedzi oraz przekazanie sprawy prawnikowi. Czy klient może twierdzić, że przegrał przez AI? Klient może podnieść taki zarzut. Ocena odpowiedzialności zależy jednak od sposobu wykonania usługi i okoliczności konkretnej sprawy. W relacji umownej zastosowanie znajdują przede wszystkim zasady określone w Kodeksie cywilnym. Zgodnie z art. 355 § 2 k.c. przy ocenie należytej staranności uwzględnia się zawodowy charakter działalności dłużnika. Art. 471 k.c. określa natomiast zasady odpowiedzialności za niewykonanie lub nienależyte wykonanie zobowiązania. Niekorzystne rozstrzygnięcie nie przesądza o nienależytym wykonaniu umowy o świadczenie pomocy prawnej. Ocenie podlega dochowanie należytej staranności zawodowej, prawidłowość ustalenia stanu faktycznego i prawnego oraz adekwatność podjętych czynności. W sporze dotyczącym odpowiedzialności kontraktowej klient powinien wykazać: istnienie i treść zobowiązania, niewykonanie albo nienależyte wykonanie zobowiązania, powstanie szkody, adekwatny związek przyczynowy między uchybieniem a szkodą. Art. 471 k.c. przewiduje domniemanie, że niewykonanie lub nienależyte wykonanie zobowiązania wynika z okoliczności, za które odpowiada dłużnik. Możliwość uwolnienia się od odpowiedzialności wymaga oceny okoliczności konkretnej sprawy. Na ocenę odpowiedzialności może wpływać sposób wykorzystania AI, w szczególności weryfikacja źródeł, uwzględnienie kompletu akt, zastosowanie aktualnego prawa oraz zachowanie kontroli nad ostateczną treścią porady. Znaczenie awarii lub błędu po stronie dostawcy będzie oceniane łącznie z wyborem narzędzia, warunkami umowy, zakresem przeprowadzonych testów oraz sposobem weryfikacji wyników przez prawnika. Przykładowe sytuacje obejmują: uchybienie terminowi wskutek błędnego ustalenia daty doręczenia, odradzenie środka prawnego na podstawie nieaktualnego przepisu, złożenie pisma z cytatem, który nie występuje w powołanym orzeczeniu, zalecenie zawarcia ugody oparte na niepełnych aktach lub błędnym obliczeniu skutków finansowych, udzielenie klientowi stanowczej odpowiedzi przez chatbot bez przekazania sprawy prawnikowi. Opisane sytuacje mają charakter przykładowy. Ocena odpowiedzialności wymaga każdorazowo ustalenia zakresu zlecenia, standardu należytej staranności, szkody oraz związku przyczynowego. Odrębnie mogą zostać ocenione przesłanki odpowiedzialności dyscyplinarnej. Prawo o adwokaturze i ustawa o radcach prawnych przewidują również obowiązek posiadania ubezpieczenia odpowiedzialności cywilnej. Obowiązkowe ubezpieczenie OC nie przesądza o objęciu ochroną każdej szkody związanej z użyciem AI. Zakres odpowiedzialności ubezpieczyciela zależy od warunków ubezpieczenia oraz okoliczności konkretnego zdarzenia. Jakie skutki procesowe może wywołać błędne pismo przygotowane przy użyciu AI? Skutki zależą od rodzaju uchybienia oraz przepisów właściwej procedury. Błąd wynikający z użycia AI jest oceniany tak samo jak każdy inny błąd w piśmie procesowym. Znaczenie ma jego wpływ na spełnienie wymogów formalnych, wykazanie faktów, uzasadnienie żądania oraz dochowanie terminu. W zależności od rodzaju uchybienia konsekwencją może być w szczególności: zwrot pisma, jeżeli nie uzupełniono jego braków formalnych, odrzucenie pozwu lub środka zaskarżenia, gdy zachodzą przesłanki określone we właściwej procedurze, pominięcie wniosku dowodowego albo dowodu, uznanie istotnego faktu za niewykazany, nieuwzględnienie argumentacji opartej na źródle, które nie potwierdza przywołanej tezy, oddalenie wniosku, środka zaskarżenia lub powództwa z powodu niewykazania wymaganych przesłanek, obciążenie strony kosztami postępowania lub zastosowanie sankcji procesowej, jeżeli przewidują ją właściwe przepisy. W sprawie I FZ 104/26 NSA oddalił zażalenie, ponieważ skarżący nie uprawdopodobnił przesłanek wstrzymania wykonania decyzji określonych w art. 61 § 3 p.p.s.a. Ogólnikowa argumentacja i brak dokumentów miały znaczenie dla tej oceny. Błędne odwołania do orzecznictwa były dodatkowym elementem krytycznej oceny sposobu sporządzenia pisma. Ewentualna odpowiedzialność odszkodowawcza pełnomocnika jest rozpatrywana w odrębnym postępowaniu. Odpowiedzialność dyscyplinarna podlega ocenie właściwych organów samorządu zawodowego. Co w 2026 roku wynika z zasad zawodowych i AI Act? 15 czerwca 2026 r. Naczelna Rada Adwokacka poinformowała o podjęciu uchwały zmieniającej Zbiór Zasad Etyki Adwokackiej i Godności Zawodu poprzez dodanie § 23e. Zgodnie z informacją NRA, narzędzia technologiczne powinny pełnić funkcję pomocniczą. Korzystanie z takich narzędzi musi respektować tajemnicę zawodową, samodzielność adwokata i jego osobistą rolę w prowadzeniu sprawy. Rezultat działania narzędzia wymaga własnej oceny i weryfikacji przez adwokata. W odniesieniu do radców prawnych punktem odniesienia są między innymi rekomendacje Krajowej Izby Radców Prawnych dotyczące korzystania z AI. Mają one charakter praktycznych wytycznych i obejmują między innymi odpowiedzialność zawodową, poufność, weryfikację wyników oraz nadzór człowieka. Na poziomie europejskim od 2 lutego 2025 r. stosuje się art. 4 AI Act. Przepis zobowiązuje dostawców i podmioty stosujące systemy AI do podejmowania działań wspierających rozwój kompetencji personelu w zakresie AI. Dobór tych działań powinien uwzględniać wiedzę techniczną, doświadczenie, wykształcenie i szkolenie personelu, a także kontekst, w którym system jest wykorzystywany, oraz osoby, wobec których ma być stosowany. Komisja Europejska wyjaśnia, że sposób wykonania tego obowiązku zależy od roli organizacji i ryzyka związanego z konkretnym zastosowaniem AI. Od 2 sierpnia 2026 r. właściwe organy sprawują nadzór nad wykonywaniem tego obowiązku. Klasyfikacja systemu AI zależy od jego zamierzonego zastosowania. Do systemów wysokiego ryzyka mogą należeć rozwiązania przeznaczone do stosowania przez organ wymiaru sprawiedliwości lub w jego imieniu w celu wspierania tego organu w badaniu i interpretacji faktów i prawa oraz stosowaniu prawa do konkretnego stanu faktycznego. Ocena obejmuje rzeczywistą funkcję systemu, jego przeznaczenie określone przez dostawcę oraz sposób wykorzystania przez podmiot stosujący. Narzędzia kancelaryjne służące do wyszukiwania dokumentów, redagowania tekstu lub przygotowywania streszczeń wymagają indywidualnej klasyfikacji. Samo wykorzystanie systemu w kancelarii lub dziale prawnym nie przesądza o zaliczeniu go do kategorii wysokiego ryzyka. Po zmianach przyjętych w 2026 r. obowiązki dotyczące systemów wymienionych w załączniku III mają być stosowane od 2 grudnia 2027 r. W zależności od funkcji systemu, rodzaju danych i sposobu jego wykorzystania zastosowanie mogą mieć również RODO, przepisy chroniące tajemnicę zawodową, przepisy właściwej procedury oraz zasady odpowiedzialności cywilnej i dyscyplinarnej. Jak projektować system AI dla prawników, aby ograniczać ryzyko? Dobre wdrożenie powinno ułatwiać wykrywanie pomyłek, ograniczać ich wpływ na prowadzoną sprawę i dokumentować wykonanie wymaganej kontroli. Ryzyko Kontrola w produkcie lub procesie Dokumentacja kontroli Fałszywa teza lub cytat Link do pełnej treści źródła i konkretnego fragmentu, podgląd kontekstu oraz obowiązek zatwierdzenia przed eksportem Sąd, data, sygnatura, rodzaj orzeczenia, źródło, wersja dokumentu i osoba zatwierdzająca Nieaktualny stan prawny Metadane jurysdykcji i daty, wersjonowanie aktów oraz sygnalizacja zmian Data, na którą ustalono stan prawny, i wykorzystana wersja przepisu Niekompletne akta Lista przeanalizowanych plików, komunikaty o błędach OCR i wykaz brakujących danych Wykaz dokumentów oraz raport z ich odczytu Błędne obliczenie terminu Mechanizm oparty na zdefiniowanych regułach, jawne dane wejściowe i ponowna kontrola przez człowieka Podstawa prawna, dane wejściowe, przebieg obliczenia i osoba zatwierdzająca Zbyt kategoryczna porada Pytania o brakujące fakty, warunki przekazania sprawy prawnikowi i możliwość odmowy udzielenia odpowiedzi Powód przekazania sprawy i podjęte dalsze działania Ujawnienie informacji objętych tajemnicą zawodową Uprawnienia na poziomie sprawy, kontrola dostępu dostawcy i jego podwykonawców, określone miejsce przetwarzania, zasady retencji i usuwania danych oraz wyłączenie wykorzystywania danych klienta do trenowania modeli Rejestr dostępu, konfiguracja dostawcy, okres przechowywania, informacje o podwykonawcach i dokumentacja incydentów Zmiana jakości po aktualizacji systemu Testy na reprezentatywnych sprawach przed wdrożeniem i po zmianie modelu Wyniki testów, wersja modelu i decyzja o dopuszczeniu nowej wersji Zakres dokumentowania powinien być proporcjonalny do ryzyka. Rejestry audytowe, w tym historia promptów i wyników, mogą zawierać informacje objęte tajemnicą zawodową. Organizacja powinna określić zakres zapisywanych danych, krąg osób uprawnionych do dostępu, okres przechowywania, zasady usuwania oraz sposób zabezpieczenia rejestrów. Pełna historia pracy z systemem nie musi być przechowywana, jeżeli do wykazania wykonanej kontroli wystarczy węższy zakres informacji. Do opisanego wcześniej przypadku pisma z błędnymi odwołaniami do orzecznictwa wraca Natalia Lener-Bobek, partner w Kancelarii Prawnej Sawaryn i Partnerzy. Zwraca uwagę na decyzje podejmowane jeszcze przed rozpoczęciem pracy z AI: wybór narzędzia i warunki umowy z jego dostawcą. „Ten przykład pokazuje błąd użytkownika. Ryzyko powstaje już wcześniej, przy wyborze samego narzędzia. Kancelarie sprawdzają, czy model dobrze odpowiada, i pomijają umowę, na podstawie której z niego korzystają. Rejestr promptów i wyników, o którym mowa w artykule, istnieje tylko wtedy, gdy dostawca zobowiązał się go prowadzić i udostępniać na żądanie – to zapis w umowie, nie funkcja, którą się zakłada. Przed wdrożeniem sprawdzam z klientami trzy rzeczy: czy umowa wskazuje, kto odpowiada za błędny wynik systemu, czy dostawca gwarantuje dostęp do logów zapytań przez okres wystarczający na obronę w ewentualnym sporze, i czy dane objęte tajemnicą zawodową w ogóle mogą trafiać do tego narzędzia zgodnie z warunkami przetwarzania. Bez odpowiedzi na te trzy pytania obowiązek szkolenia personelu z art. 4 AI Act i tak nie ma na czym się oprzeć” Natalia Lener-Bobek Partner w Kancelarii Prawnej Sawaryn i Partnerzy Bezpieczny podział pracy między systemem a prawnikiem Przydział zadań warto uzależnić od możliwej szkody oraz łatwości wykrycia błędu. Zadanie Rola AI Wymagana kontrola Streszczenie długiego dokumentu Przygotowanie roboczego skrótu z odwołaniami do stron Kontrola fragmentów istotnych dla decyzji Porównanie wersji umowy Wykrycie i uporządkowanie zmian Ocena znaczenia prawnego przez prawnika Wyszukiwanie i analiza orzecznictwa Wyszukanie potencjalnie istotnych orzeczeń i zebranie odpowiednich fragmentów Lektura pełnej treści orzeczenia oraz ocena jego kontekstu faktycznego i prawnego Pismo procesowe Przygotowanie projektu struktury, redakcja i kontrola spójności Pełna weryfikacja faktów, dowodów, żądań, podstaw prawnych i załączników Termin procesowy Odczytanie dat i wskazanie potencjalnie właściwych reguł obliczania terminu Ustalenie zdarzenia rozpoczynającego bieg terminu, podstawy prawnej, sposobu obliczenia i skutków uchybienia terminowi Termin materialnoprawny Uporządkowanie dat i wskazanie przepisów wymagających analizy Ustalenie charakteru terminu, początku i końca jego biegu oraz skutków upływu Przedawnienie Uporządkowanie zdarzeń mogących wpływać na bieg przedawnienia Ocena początku biegu, jego zawieszenia lub przerwania oraz daty upływu terminu przedawnienia Ostateczna porada dla klienta Przygotowanie materiałów roboczych i wariantów analizy Osobista ocena, zatwierdzenie i komunikacja prawnika Takie podejście jest zgodne z praktycznym kierunkiem wskazanym przez CCBE w przewodniku dla prawników: prawnik pozostaje odpowiedzialny za swoją pracę, poradę i oświadczenia, a wynik działania generatywnej AI wymaga kontroli przed wykorzystaniem. Bezpieczne wdrożenie AI w kancelarii zaczyna się od analizy procesu Pierwszym krokiem jest wskazanie, gdzie wynik wygenerowany przez AI może wpłynąć na poradę dla klienta, pismo procesowe, ocenę dokumentu lub obliczenie terminu. Na tej podstawie można określić właściwe źródła danych, zakres uprawnień, zasady weryfikacji oraz osoby odpowiedzialne za zatwierdzanie wyników. Jeżeli planujesz wykorzystać AI do analizy akt, pracy z dokumentami lub przygotowywania umów, poznaj rozwiązanie AI4Legal. Pomagamy kancelariom i działom prawnym zaprojektować narzędzia dopasowane do ich sposobu pracy, wymagań bezpieczeństwa i zakresu odpowiedzialności prawników. Źródła Naczelny Sąd Administracyjny, postanowienie z 23 czerwca 2026 r., I FZ 104/26. Prawo o postępowaniu przed sądami administracyjnymi, tekst jednolity, Dz.U. z 2026 r. poz. 143. Kodeks cywilny, tekst jednolity. Ustawa Prawo o adwokaturze, tekst jednolity. Ustawa o radcach prawnych, tekst jednolity. Naczelna Rada Adwokacka, zmiany zasad etyki dotyczące AI, 15 czerwca 2026 r.. Krajowa Izba Radców Prawnych, rekomendacje dotyczące korzystania z AI. CCBE, Guide on the use of generative AI for lawyers, 2 października 2025 r.. Komisja Europejska, ramy regulacyjne AI Act oraz wyjaśnienia dotyczące AI literacy. Rozporządzenie (UE) 2026/1744 zmieniające harmonogram stosowania części AI Act. Stanford RegLab, Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Dziennik Gazeta Prawna, omówienie wyroku SO we Wrocławiu X GC 455/25, 7 stycznia 2026 r.. Dziennik Gazeta Prawna, wywiad dotyczący podstaw oddalenia powództwa w sprawie X GC 455/25. Stan prawny i źródłowy: 1 września 2026 r. Materiał ma charakter informacyjny i nie stanowi porady prawnej. FAQ: ograniczenia AI w oprogramowaniu prawniczym Czy klient może żądać odszkodowania, jeśli błędna porada powstała z użyciem AI? Takie roszczenie jest możliwe. Odpowiedzialność zależy od sposobu wykonania usługi, powstałej szkody i związku przyczynowego. Kluczowe są nienależyte wykonanie usługi, szkoda i związek przyczynowy. Ocenie podlega też zawodowa należyta staranność, w tym sposób weryfikacji wyniku narzędzia. Czy sąd odrzuci pismo tylko dlatego, że przygotowano je z AI? Nie ma ogólnej polskiej zasady nakazującej odrzucenie pisma z tego powodu. Sąd ocenia wymagania formalne, terminowość, argumenty i dowody według właściwej procedury. Błędne cytaty, brak dowodów lub wadliwe żądanie mogą jednak wywołać zwykłe skutki procesowe. Czy AI może samodzielnie pilnować terminów procesowych? Dla terminów krytycznych AI powinno działać jako element szerszego procesu obejmującego kontrolowane reguły i zatwierdzenie człowieka. Bezpieczniejszy proces wykorzystuje kontrolowane reguły, jawne daty wejściowe, podstawę prawną, zatwierdzenie człowieka i niezależne przypomnienie. Jak sprawdzić, czy orzeczenie rzeczywiście wspiera tezę wygenerowaną przez AI? Trzeba otworzyć pełną treść w urzędowej lub wiarygodnej bazie, odnaleźć wskazany fragment, przeczytać jego kontekst i sprawdzić datę, skład, rodzaj rozstrzygnięcia oraz stan prawny. Sama zgodność sygnatury i nazwy sądu nie potwierdza tezy. Czy trzeba zachowywać wszystkie prompty i odpowiedzi AI w aktach sprawy? Nie istnieje jeden ogólny obowiązek przechowywania pełnej historii każdej interakcji. Zakres dokumentowania powinien wynikać z ryzyka, zasad kancelarii, tajemnicy zawodowej, ochrony danych i potrzeb audytowych. W sprawach o większym znaczeniu warto zachować źródła, wersję systemu, zakres kontroli i informację o osobie zatwierdzającej.
Czytaj
Co potrafi GPT w 2026 roku, czego nie umiał w 2025?
ChatGPT w 2025 roku przeszukiwał internet, analizował dokumenty, tworzył świetnie wyglądające grafiki i pomagał w pisaniu kodu. Swoją drogą, już wtedy tempo rozwoju było zawrotne: w ciągu roku OpenAI wypuściło aż pięć dużych odsłon GPT – od GPT-4.5 do GPT-5.2. Część z nas – użytkowników jednego z najpopularniejszych modeli językowych – nie bardzo potrafiła już wskazać, co jeszcze można w nim wyraźnie poprawić. Ten artykuł jest dla tych pozostałych – tych, którym brakowało: możliwości powierzania ChatGPT całego zadania swobodnego działania w aplikacjach i na komputerze doprowadzania pracy do gotowego rezultatu bez prowadzenia modelu za rękę na każdym etapie. I właśnie te brakujące elementy zaczęły pojawiać się w 2026 roku. Poniżej zebrałem kilkanaście nowych umiejętności ChatGPT (o kilku do tej pory nawet nie słyszałem), które najlepiej pokazują, jak bardzo zmienił się sposób pracy z tym narzędziem. Nie wszystkie opisane niżej możliwości są cechami samego modelu GPT-5.6. Część należy do ChatGPT Work, Codexa, aplikacji desktopowej lub Responses API, czyli narzędzi, za pomocą których model wykonuje pracę. Zainteresowanych ewolucją GPT w poprzednich latach odsyłam do artykułu Ewolucja AI: Od GPT-1 do GPT-4o. Już w 2025 roku użytkownik mógł wybierać modele przeznaczone do bardziej wymagającego rozumowania. GPT-5.6 daje nad tym większą kontrolę: poziom Max zwiększa ilość zasobów przeznaczonych na analizę, a tryb Pro pozwala modelowi wykonać dodatkową pracę przed przedstawieniem jednej końcowej odpowiedzi. Oba ustawienia można łączyć przy zadaniach, w których znaczenie decyzji uzasadnia dłuższy czas oczekiwania i większe zużycie tokenów – na przykład podczas wyboru technologii, oceny ryzyka lub porównywania kilku scenariuszy biznesowych. Więcej o tym, jak zarządzać tym „suwakiem” i odpowiednio dopasowywać tryby GPT do zadania, napisałem w artykule GPT-5.6 od OpenAI – co się zmieniło? Ceny, możliwości i zastosowania w biznesie. 1. ChatGPT może obsługiwać komputer za Ciebie Za tym nieco clickbaitowym nagłówkiem kryje się sytuacja, w której chciałbyś sprawdzić coś, czego strona nie opisuje wprost (przez co model językowy nie może informacji tak po prostu „sczytać”). Zwykle musisz otworzyć stronę i przejść przez jej interfejs. Dzięki umiejętności „Computer Use” ChatGPT może zrobić to za Ciebie: uruchomić przeglądarkę lub aplikację, kliknąć gdzie trzeba, wpisywać dane i obserwować rezultat kolejnych działań. Ty określasz zakres zadania, zatwierdzasz dostęp do strony lub programu i zachowujesz kontrolę nad działaniami wymagającymi potwierdzenia. Pierwsze takie możliwości pojawiły się już w 2025 roku wraz z Operatorem, a później agentem ChatGPT. W 2026 roku zostały rozszerzone na pracę w aplikacjach działających na komputerach z macOS i Windows, lokalne sesje przeglądarki oraz szerszą współpracę z ChatGPT Work i Codexem. Niedawno sprawdziłem to na bardzo prostym przykładzie. Chciałem dowiedzieć się, czy darmowa wersja jednego z serwisów VOD przerywa konkretny film reklamami, na co musiałbym przeznaczyć co najmniej kilka minut. Zleciłem to GPT, który – po uzyskaniu mojej zgody – otworzył stronę, uruchomił film, przewinął go sobie w całości i uspokoił mnie, że przerw reklamowych w filmie nie ma. Całość trwała półtorej minuty i działa się zupełnie w tle. Od sierpnia 2026 roku ChatGPT Work może kontynuować zadanie również na obsługiwanej stronie wymagającej zalogowania. Gdy trafia na ekran logowania, przekazuje użytkownikowi bezpieczny formularz do wpisania loginu, hasła i kodu 2FA. Według OpenAI model nie widzi ani nie przechowuje tych danych. Po zalogowaniu wraca do zadania, a sesja może pozostać aktywna przy kolejnych poleceniach. Możesz więc poprosić ChatGPT o odnalezienie faktury w panelu klienta, sprawdzenie rachunku albo porównanie planów widocznych dopiero po zalogowaniu. Więcej na ten temat znajdziesz w oficjalnej dokumentacji przeglądarki ChatGPT. 2. ChatGPT może połączyć informacje z kilku firmowych aplikacji Spotkanie z klientem rozpoczyna się za godzinę, a ty potrzebujesz zajrzeć do ostatnich ustaleń mailowych, ważnych wiadomości ze Slacka, aktualnej oferty z firmowego dysku i statusu szansy sprzedażowej w CRM. Ręczne zebranie tych informacji oznacza otwieranie kolejnych zakładek, odtwarzanie historii projektu, a także niepotrzebny stres przed rozmową. ChatGPT może przejść przez zatwierdzone źródła, wybrać informacje dotyczące klienta i przygotować jednokartkowy brief, w którym zawrze: bieżącą sytuację, otwarte tematy, ryzyka i proponowane następne kroki. Jeśli ma odpowiednie uprawnienia, może też zapisać notatkę w CRM albo przygotować zadania do zatwierdzenia. W 2025 roku ChatGPT potrafił już wyszukiwać i zestawiać informacje z podłączonych aplikacji. W 2026 roku ChatGPT Work może zebrać informacje z kilku źródeł, przygotować z nich gotowy materiał, a następnie wykonać działania, na które otrzymał zgodę. Dostęp do każdej aplikacji oraz możliwość zapisu zależą od zainstalowanych integracji, przyznanych uprawnień i ustawień obszaru roboczego. 3. Możesz stworzyć agenta do konkretnego procesu w firmie Wyobraź sobie agenta przypisanego do obsługi najważniejszych klientów. Nowe zgłoszenie może automatycznie uruchomić jego pracę. Agent zbiera wcześniejszą korespondencję, sprawdza podobne przypadki i odnajduje właściwą procedurę w firmowej dokumentacji. Następnie przygotowuje odpowiedź i, jeśli ma odpowiednie uprawnienia, zakłada zadanie dla właściwego zespołu. Wiadomość do klienta czeka na akceptację pracownika. W 2025 roku podobnego asystenta można było zbudować jako niestandardowy GPT wyposażony w instrukcje, wiedzę i integracje. Workspace Agents wprowadzone w 2026 roku rozszerzają ten pomysł o zapisany proces obejmujący źródła danych, działania w aplikacjach, wymagane zgody i format gotowego materiału. Agenta można udostępnić zespołowi, uruchamiać ręcznie, według harmonogramu albo przez sygnał wysłany z firmowego systemu. Podczas konfiguracji określasz, z jakich aplikacji i źródeł agent może korzystać, jakie działania wolno mu wykonać oraz w którym momencie powinien zatrzymać pracę i poprosić człowieka o decyzję. Dzięki temu ten sam proces może być realizowany według wspólnych zasad przy każdym kolejnym zgłoszeniu. 4. ChatGPT może nauczyć się procesu, obserwując Twoją pracę Nie każdą procedurę łatwo opisać. Czasami dokładnie wiesz, gdzie kliknąć i co poprawić, ale rozpisanie wszystkich kroków zajęłoby więcej czasu niż ponowne wykonanie zadania. Dobrym przykładem jest comiesięczny raport przygotowywany w starszym systemie: wybierasz odpowiednie filtry, eksportujesz dane, porządkujesz arkusz i zapisujesz plik we właściwym folderze. Wprowadzona w 2026 roku funkcja Record & Replay pozwala przeprowadzić ten proces raz przy włączonym nagrywaniu. ChatGPT lub Codex obserwuje potrzebne działania i na ich podstawie przygotowuje umiejętność opisującą przebieg pracy, zmienne dane oraz sposób sprawdzenia wyniku. Możesz ją przejrzeć, poprawić, uzupełnić o swoje zasady, a następnie wykorzystać przy kolejnym raporcie. To szczególnie przydatne tam, gdzie wiedza o procesie znajduje się głównie w głowach pracowników, a porządna instrukcja nigdy nie powstała. Sam nie mogę się doczekać, aż wypróbuję tę funkcję podczas montażu filmu w DaVinci Resolve – pokażę ChatGPT, jak usuwam nieudane fragmenty wypowiedzi, porządkuję ścieżkę dźwiękową i maskuję widoczne cięcia krótkim zoom-inem. Jestem ciekaw, jak dużą część tej powtarzalnej pracy uda się zamienić w umiejętność do wykorzystania przy kolejnych nagraniach. 5. ChatGPT może pomóc Ci wrócić do przerwanej pracy Pamięć ludzka jest zawodna. To było chyba we wtorek, po rozmowie z przełożonym, poprawiałeś wtedy ważny arkusz. Nie pamiętasz jednak jego nazwy, lokalizacji ani nawet tego, czy był otwarty w desktopowej wersji Excela, czy w przeglądarce. Zwykłe wyszukiwanie plików na niewiele się zdaje. Tu przyjść z pomocą może funkcja Computer History, dzięki której możesz poprosić ChatGPT na przykład: „Znajdź arkusz, który poprawiałem po rozmowie z Krzysztofem”. Historia aktywności może powiązać kolejność otwieranych aplikacji, wykonywane działania i dostępny kontekst, a następnie wskazać materiał, o który prawdopodobnie Ci chodzi. Jeżeli ChatGPT ma dostęp do właściwego źródła, może też bezpośrednio otworzyć odnaleziony plik. Możesz również zapytać, czym zajmowałeś się przed przerwą, poprosić o podsumowanie wczorajszej pracy albo sprawdzić, które czynności regularnie się powtarzają i warto zamienić je w umiejętność lub automatyzację. Sam wybierasz aplikacje i strony uwzględniane w historii, a zbieranie danych możesz w dowolnym momencie zatrzymać. Computer History rejestruje m.in. kliknięcia, wpisywany tekst, skróty klawiaturowe, zmiany aplikacji oraz kontekst udostępniany przez macOS. Tymczasowe dane o zdarzeniach są usuwane po maksymalnie 48 godzinach, natomiast utworzone na ich podstawie lokalne wspomnienia pozostają do chwili ich usunięcia przez użytkownika. Funkcja działa obecnie w aplikacji ChatGPT na macOS, wymaga włączonej pamięci i jest domyślnie wyłączona. W obszarach roboczych Business i Enterprise dostęp musi najpierw przyznać administrator, a następnie każdy pracownik sam decyduje, czy chce ją uruchomić. 6. ChatGPT może zaprojektować, przetestować i opublikować aplikację webową Jak wiele dobrych pomysłów utknęło w kolejce do działu IT, bo zawsze znajdowało się coś pilniejszego? Przypuśćmy, że administracja potrzebuje prostego narzędzia do zgłaszania usterek: formularza, listy spraw, statusów i widoku dla osoby zajmującej się naprawami. Dzięki Sites możesz opisać takie narzędzie własnymi słowami oraz przekazać przykładowe dane, firmowe materiały lub zrzut ekranu podobnego systemu. GPT-5.6 przygotuje działający prototyp, a Ty możesz poprosić o uproszczenie formularza, dodanie filtrów czy dostosowanie wyglądu do identyfikacji marki. ChatGPT lub Codex może następnie przetestować aplikację w przeglądarce, poprawić zauważone błędy i opublikować gotową wersję pod wskazanym adresem. Strony i proste aplikacje powstawały z pomocą GPT na długo przed 2026 rokiem. Tegoroczna zmiana dotyczy całego procesu: GPT-5.6 lepiej projektuje użyteczne interfejsy, a Sites pozwala w jednym miejscu uruchomić prototyp, nanosić poprawki, zapisywać kolejne wersje i opublikować gotową aplikację. W ten sposób mogą powstawać również kalkulatory, dashboardy i niewielkie narzędzia wewnętrzne. Przed ich rzeczywistym wdrożeniem nadal trzeba sprawdzić bezpieczeństwo, uprawnienia, sposób przechowywania danych i zgodność z przepisami. 7. ChatGPT może pracować bezpośrednio w Excelu i Google Sheets Spójrzmy na prosty przykład. Otwierasz arkusz z wynikami kampanii i widzisz, że część formuł jest nieaktualna, kilka komórek pozostaje pustych, a koszt pozyskania leada w dwóch kampaniach nagle wzrósł. Zamiast sprawdzać wszystko po kolei, prosisz ChatGPT o przeanalizowanie danych, uzupełnienie obliczeń, wskazanie nietypowych wyników i przygotowanie wykresu do miesięcznego podsumowania. ChatGPT wykonuje tę pracę bezpośrednio w Excelu lub Google Sheets. Widzisz wprowadzane zmiany, możesz sprawdzić formuły i od razu poprosić o kolejną poprawkę, na przykład zmianę zakresu wykresu, dodanie porównania z poprzednim miesiącem albo wyróżnienie kampanii przekraczających założony koszt. W 2025 roku podobna analiza wymagała zwykle przesłania arkusza do ChatGPT, a następnie pobrania zmodyfikowanego pliku. Wprowadzona w maju 2026 roku funkcja ChatGPT for Excel and Google Sheets pozwala pracować na arkuszu w miejscu, w którym znajdują się dane i w którym później będziesz z nich korzystać. Dzięki temu rozmowa z modelem staje się częścią pracy nad dokumentem, a nie osobnym etapem odbywającym się poza nim. 8. ChatGPT może tworzyć i poprawiać materiał w docelowym formacie Do spotkania zarządu został jeden dzień, a informacje potrzebne do przygotowania prezentacji są rozrzucone między protokołem ze spotkania, arkuszem z wynikami i kilkoma dokumentami projektowymi. Jest jeszcze firmowy szablon, którego trzeba się trzymać. ChatGPT Work może zebrać te materiały, ułożyć z nich spójną historię, przygotować slajdy, dodać wykresy i wskazać liczby lub wnioski, które nie znajdują potwierdzenia w danych źródłowych. Otrzymujesz edytowalną prezentację PowerPoint albo Google Slides, która może zachować strukturę, styl wizualny i elementy identyfikacji z przekazanego szablonu. W 2025 roku GPT potrafił już wygenerować edytowalny plik PowerPoint, Word lub Excel. W 2026 roku ChatGPT Work połączył tworzenie dokumentu z jego podglądem, punktowym nanoszeniem poprawek, korzystaniem z zapisanych szablonów oraz sprawdzaniem gotowego materiału. Cały proces można więc prowadzić w jednej rozmowie, od zebrania źródeł po kolejne wersje dokumentu. 9. Codex może prowadzić długą pracę jako trwały cel Masz przed sobą duży audyt strony firmowej. Do przejrzenia są setki podstron, nieaktualne informacje, uszkodzone linki i różnice między wersjami językowymi. Na końcu wszystkie problemy trzeba jeszcze pogrupować i zamienić w listę konkretnych zmian. Codex wykonywał zadania w tle już w 2025 roku. W 2026 pojawił się tryb celów, który pozwala powierzyć mu znacznie dłuższą pracę i prowadzić ją przez kolejne etapy. Postęp możesz sprawdzać na bieżąco, w razie potrzeby zmienić kierunek działania, a do aktywnego projektu zajrzeć również z telefonu. Kilka takich prac może toczyć się równolegle, podczas gdy Ty wracasz do nich w momentach wymagających decyzji. 10. Możesz rozmawiać z ChatGPT, kiedy pracuje na ekranie Głosówki stały się codziennością, a asystenci tacy jak Siri czy Google Assistant przyzwyczaili nas, że technologią można kierować głosem („Hej, Siri”, „OK Google”). Tego samego coraz częściej oczekujemy od narzędzi używanych w pracy – zwłaszcza gdy mamy przed sobą dashboard, dokument albo aplikację i łatwiej coś wskazać niż szczegółowo opisywać. Nie muszę dodawać, że OpenAI poszło z duchem czasu. Wyobraź sobie, że (hipotetycznie!) na twoim ekranie wyświetla się dashboard sprzedaży z wyraźnym spadkiem wyniku w jednym z regionów. Wystarczy powiedzieć: „Sprawdź, co się wydarzyło”. ChatGPT widzi raport, porównuje okresy, a jeśli ma dostęp do danych źródłowych, może poszukać przyczyny i przygotować komentarz do prezentacji wyników. Rozmowa głosowa i udostępnianie ekranu były dostępne już w 2025 roku. Dopiero jednak w 2026 roku głos stał się sposobem kierowania pracą wykonywaną przez ChatGPT Work. Polecenia takie jak „porównaj te dwa okresy”, „sprawdź dane w aplikacji” czy „popraw ten fragment” odnoszą się bezpośrednio do widocznego materiału. Część zadania może być później kontynuowana w tle. 11. Cykliczny raport może powstawać bez ponawiania polecenia Wyobraź sobie, że w Twojej firmie każdy poniedziałek zaczyna się od przygotowania raportu sprzedażowego. Za każdym razem trzeba pobrać aktualne wyniki, porównać je z planem, znaleźć największe odchylenia i przełożyć je na krótkie podsumowanie dla kierownictwa. Już w 2025 roku ChatGPT potrafił uruchamiać proste zadania o określonej porze. W 2026 roku harmonogramem można objąć cały powtarzalny proces. Raz skonfigurowane zadanie sięga do wskazanych i dostępnych źródeł, przeprowadza analizę, a gotowy raport zostawia do Twojej oceny. W ten sam sposób może powstawać poranny briefing, przegląd nowych zgłoszeń, zestawienie zmian w dokumentach albo regularny monitoring konkurencji. Każde wykonanie ma własny status i historię, więc możesz sprawdzić rezultat, poprawić instrukcję i dopracowywać proces na podstawie kolejnych raportów. 12. Firmowe umiejętności i narzędzia możesz zebrać w jednym pluginie Wyobraź sobie, że kilka zespołów regularnie przygotowuje materiały dla klientów. Za każdym razem powinny korzystać z aktualnych opisów usług, zatwierdzonych case studies, firmowych szablonów i tych samych zasad komunikacji. Potrzebują też dostępu do systemu zarządzania treścią, biblioteki materiałów oraz narzędzia, w którym dokument trafia do akceptacji. Agent Plugin pozwala zebrać te elementy w jeden pakiet udostępniany w firmowym obszarze roboczym. Po jego zainstalowaniu ChatGPT może korzystać z właściwych instrukcji, źródeł i dozwolonych operacji podczas przygotowywania prezentacji, oferty, opisu usługi czy treści na stronę. Gdy zmieni się firmowy szablon albo sposób zatwierdzania materiałów, wystarczy zaktualizować plugin, zamiast poprawiać osobno konfigurację każdego agenta. W 2025 roku podobne rozwiązanie wymagało łączenia niestandardowych GPTs, instrukcji i integracji konfigurowanych oddzielnie. Wprowadzone w 2026 roku Agent Plugins pozwalają udostępnić je jako jeden instalowany zestaw. Plugin nie jest osobnym agentem i sam nie rozpoczyna pracy. Rozszerza możliwości ChatGPT, Codexa lub Workspace Agenta o firmową wiedzę, zasady i narzędzia potrzebne do wykonania zadania. 13. GPT-5.6 może rozdzielić zadanie między kilku agentów Rozważasz wejście na jeden z zagranicznych rynków, co wymaga wieloaspektowej analizy. Trzeba poznać konkurencję, porównać ceny, oszacować koszty, sprawdzić zainteresowanie oferowanymi usługami i przygotować wstępną listę potencjalnych partnerów. GPT-5.6 może rozdzielić te obszary między kilku subagentów. Każdy z nich zajmuje się własną częścią analizy, a prace mogą toczyć się równolegle. Główny agent zbiera wyniki, porównuje wnioski i przygotowuje z nich jedną rekomendację wraz ze źródłami oraz listą kwestii wymagających dalszej weryfikacji. Rozwiązania wieloagentowe powstawały już w 2025 roku, ale wymagały samodzielnego zaprojektowania takiego systemu. W GPT-5.6 mechanizm podziału pracy został wbudowany w Responses API i jest obecnie udostępniany jako funkcja beta. Najlepiej sprawdza się tam, gdzie zadanie można podzielić na niezależne części oceniane według wspólnych kryteriów. Warto nadmienić, że równoległa praca kilku agentów może skrócić czas analizy, ale zwykle zwiększa zużycie tokenów. 14. GPT-5.6 może połączyć wiele operacji w jeden program Rozpatrzmy hipotetyczny scenariusz: do migracji CRM zostało kilka tygodni, a wcześniej trzeba sprawdzić 800 rekordów, odnaleźć brakujące informacje i wskazać dane wymagające poprawienia. GPT-5.6 może napisać program w JavaScript, który pobiera kolejne rekordy za pomocą udostępnionego narzędzia, sprawdza wymagane pola, porównuje dane z ustalonymi kryteriami i tworzy listę braków. Pętle, warunki i przetwarzanie wyników odbywają się w środowisku uruchomieniowym, więc model nie musi analizować osobno każdego z 800 rekordów. Wywoływanie narzędzi było możliwe już w 2025 roku, ale kolejne operacje zwykle wymagały ponownego przekazywania wyników do modelu albo napisania odpowiedniej logiki po stronie aplikacji. Programmatic Tool Calling pozwala GPT-5.6 samodzielnie przygotować kod łączący wiele przewidywalnych operacji. Może to skrócić czas wykonania procesu i ograniczyć zużycie tokenów. To firma decyduje, do jakich narzędzi i danych taki program otrzyma dostęp oraz które działania będą wymagały zatwierdzenia. Funkcja działa w ramach API, dlatego trzeba ją wdrożyć w firmowej aplikacji lub procesie. Nie jest opcją dostępną bezpośrednio w oknie ChatGPT. 15. ChatGPT może zamienić dane w interaktywną wizualizację Przed spotkaniem otrzymujesz tabelę z wynikami ankiety pracowników. Zwykły wykres pokazuje średnie oceny, ale nie pozwala swobodnie sprawdzić, jak odpowiedzi różnią się między działami, lokalizacjami i grupami stażowymi. ChatGPT może przygotować interaktywną wizualizację, w której sam wybierasz interesujące Cię kryteria, zmieniasz zakres danych i obserwujesz, jak wpływa to na wynik. W 2025 roku GPT potrafił już tworzyć wykresy i analizować dane. Wprowadzona w sierpniu 2026 roku funkcja Visualize pozwala budować bezpośrednio w rozmowie interaktywne diagramy, mapy, osie czasu, symulacje i narzędzia do eksplorowania informacji. Gotową wizualizację można filtrować, zmieniać jej zakres i wykorzystać do samodzielnego sprawdzania kolejnych pytań pojawiających się podczas analizy. Funkcje GPT i ChatGPT w 2026 roku: tabela dostępności według planu i urządzenia Poniżej tabela zbiorcza obejmująca funkcje opisane w artykule. Stan na 31 sierpnia 2026 r. Funkcja Free / Go Plus / Pro Business / Enterprise / Edu Gdzie działa? Najważniejsze ograniczenia GPT-5.6 Tak, GPT-5.6 Luna jest modelem domyślnym Tak, dostęp do rodziny Sol, Terra i Luna Tak, zależnie od ustawień workspace’u Web, aplikacja desktopowa, Codex, iOS; także API Limity i wybór wariantu modelu zależą od planu oraz środowiska. ChatGPT Work Tak, z niższymi limitami Tak Tak, z dodatkowymi kontrolami administratora Web i aplikacja desktopowa; część możliwości także mobilnie Korzysta ze wspólnego limitu z Codexem. Dostęp do narzędzi zależy od planu, regionu i ustawień. Computer Use Brak jednoznacznego potwierdzenia pełnej dostępności Tak, w obsługiwanych regionach Tak, jeśli pozwalają na to ustawienia workspace’u Aplikacja desktopowa na macOS i Windows Na iOS można zdalnie nadzorować pracę uruchomioną na komputerze. Linux nie obsługuje jeszcze tej funkcji. Przeglądarka i obsługa stron internetowych Dostępność ograniczona Tak Tak, ale część funkcji może zostać wyłączona przez administratora Web, aplikacja desktopowa i częściowo mobile Logowanie do stron w przeglądarce chmurowej jest dostępne na Plus i Pro, ale obecnie nie w Enterprise i Edu. Pluginy, skills i integracje z aplikacjami Zależnie od konkretnego pluginu Tak Tak, po zatwierdzeniu przez administratora Web, desktop, iOS i Android; również Codex CLI Pluginy nie działają w rozszerzeniu Codex do IDE. Dostępność konkretnej integracji może zależeć od planu i regionu. Workspace Agents Nie Nie Tak, w planach Business, Enterprise i Edu Firmowy workspace ChatGPT Administrator musi włączyć agentów oraz nadać uprawnienia do ich tworzenia, publikowania i korzystania z aplikacji. Computer History Nie Tylko Pro Tak, w Business i Enterprise Wyłącznie aplikacja desktopowa na macOS Funkcja jest domyślnie wyłączona, wymaga Memories i zgody administratora w firmowym workspace’ie. Jest już dostępna w EOG, Szwajcarii i Wielkiej Brytanii. Tworzenie dokumentów, arkuszy i prezentacji Tak, z niższymi limitami Tak Tak ChatGPT Work na webie i w aplikacji desktopowej Zakres edycji zależy od formatu, dostępnych pluginów i uprawnień do źródłowych plików. ChatGPT for Excel i Google Sheets Brak potwierdzonej dostępności Tak Tak Bezpośrednio w obsługiwanym arkuszu Funkcja korzysta z limitów ChatGPT Work. Nie jest oferowana przez samo logowanie kluczem API. Sites Nie Tak Tak ChatGPT na webie i w aplikacji desktopowej Funkcja pozostaje w publicznej becie. Limity zależą od planu, a pełne zarządzanie Sites nie jest opisane jako funkcja aplikacji mobilnej. Długie zadania i Goal Mode Zakres zależy od limitów planu Tak Tak ChatGPT Work na webie, aplikacja desktopowa, Codex CLI i rozszerzenie IDE Zadania pracujące na lokalnych plikach wymagają uruchomionej aplikacji i dostępnego komputera. Sterowanie pracą głosem Nie w opisanym wariancie ChatGPT Work Tak Tak Aplikacja desktopowa; na iOS przez Remote po połączeniu z komputerem Limity rozmowy głosowej zależą od planu. Zadania uruchomione głosem korzystają również z limitu Codexa. Zadania cykliczne i automatyzacje Dostępność zależy od konta Tak Tak, jeśli administrator je włączy Web i aplikacja desktopowa; wyzwalacze zdarzeń także na iOS i Androidzie Wyzwalacze mogą reagować na obsługiwane zdarzenia w Gmailu, Slacku i GitHubie. Subagenci i tryb Ultra Brak potwierdzonego pełnego dostępu Tak, zależnie od dostępnego modelu i poziomu rozumowania Tak ChatGPT Work, aplikacja desktopowa i Codex CLI W większości trybów trzeba poprosić o delegowanie pracy. Ultra może uruchamiać subagentów automatycznie i zużywa więcej limitu. Interaktywne wizualizacje Zależnie od wdrożenia funkcji na koncie Tak, na obsługiwanych kontach Tak, jeśli workspace pozwala na użycie pluginu Web; desktop i mobile w trakcie wdrażania Wizualizacje nie są renderowane w Codex CLI ani w rozszerzeniu IDE. Programmatic Tool Calling Nie jako funkcja interfejsu ChatGPT Dostępne przez płatne użycie API Dostępne przez API Responses API To funkcja dla twórców własnych aplikacji. Pozwala GPT-5.6 koordynować narzędzia za pomocą wykonywanego kodu JavaScript. Persisted Reasoning oraz tryby Pro i Max Nie jako samodzielne ustawienia dla użytkownika Free Częściowo w interfejsie; pełna konfiguracja przez API Zależnie od ustawień workspace’u; pełna konfiguracja przez API Responses API oraz wybrane powierzchnie ChatGPT i Codexa GPT-5.6 może zachowywać zgodne elementy rozumowania między kolejnymi wywołaniami. Tryb Pro zwiększa jakość kosztem czasu i tokenów. Dostępność funkcji OpenAI zmienia się wraz z kolejnymi aktualizacjami. Może zależeć nie tylko od planu, ale również od regionu, systemu operacyjnego, wersji aplikacji, wybranego modelu oraz uprawnień nadanych przez administratora firmowego obszaru roboczego. Czego nie zrobi ChatGPT, a co zrobi firma wdrożeniowa? Piętnaście przykładów wystarczy, żeby zobaczyć skalę zmiany. W firmie pozostają jednak najważniejsze decyzje: który proces warto powierzyć GPT, z jakich danych może korzystać, jakie działania wolno mu wykonać i w którym momencie potrzebna jest zgoda człowieka. W TTMS zaczynamy właśnie od tych pytań. Poznajemy proces, jego cel, wykorzystywane systemy i akceptowalny poziom ryzyka. Następnie dobieramy odpowiednie rozwiązanie – ChatGPT Work, Codex albo integrację przez OpenAI API – projektujemy uprawnienia i łączymy GPT z firmowymi aplikacjami. Gotowe rozwiązanie sprawdzamy na rzeczywistych przypadkach, mierzymy jego jakość i koszty, a po uruchomieniu zapewniamy monitoring, utrzymanie i dalszy rozwój. Mamy za sobą takie projekty. Dla Stäubli zintegrowaliśmy ChatGPT z Adobe Experience Manager, a dla Takedy stworzyliśmy rozwiązanie AI wspierające analizę dokumentacji w Salesforce. Za tym doświadczeniem stoi ponad 800 specjalistów TTMS oraz podejście do zarządzania AI i bezpieczeństwa potwierdzone certyfikatami ISO/IEC 42001 i ISO/IEC 27001. Chcesz sprawdzić, w którym procesie GPT może przynieść realną wartość Twojej firmie? Omów go z ekspertami TTMS. Czy wszystkie nowe funkcje GPT są dostępne dla każdego użytkownika? Dostępność poszczególnych funkcji może zależeć od planu, regionu, systemu operacyjnego oraz ustawień firmowego obszaru roboczego. Niektóre rozwiązania są najpierw udostępniane wybranym użytkownikom albo wymagają zgody administratora. W firmie znaczenie mają również nadane uprawnienia i dostęp do konkretnych aplikacji. Przed zaplanowaniem procesu warto więc sprawdzić, które możliwości są dostępne w używanym środowisku. Jak rozpoznać proces, który warto powierzyć GPT? Dobrym kandydatem jest proces wykonywany regularnie, oparty na danych cyfrowych i przebiegający według możliwych do opisania zasad. Warto zacząć od zadań czasochłonnych, takich jak zbieranie informacji z kilku źródeł, przygotowywanie raportów, porównywanie dokumentów czy uzupełnianie danych. Proces powinien mieć także jasno określony rezultat, dzięki któremu można ocenić jakość pracy GPT, oszczędność czasu i liczbę błędów. Czy GPT-5.6 może bezpiecznie pracować z firmowymi danymi? Może, jeśli dostęp do danych zostanie odpowiednio zaprojektowany i kontrolowany. Trzeba określić, z których źródeł model może korzystać, jakie działania wolno mu wykonywać oraz kiedy potrzebna jest akceptacja człowieka. Istotne są również zasady przechowywania danych, zarządzanie uprawnieniami, monitoring i zgodność z regulacjami. W procesach wykorzystujących informacje poufne lub dane osobowe konfiguracja bezpieczeństwa powinna być częścią wdrożenia od samego początku. Jak mierzyć korzyści z wdrożenia GPT w firmie? Najlepiej porównać wyniki procesu przed wdrożeniem i po jego uruchomieniu. Można mierzyć czas wykonania zadania, koszt obsługi, liczbę błędów, odsetek spraw wymagających ręcznej poprawy oraz jakość gotowych rezultatów. Warto też sprawdzić, czy pracownicy faktycznie korzystają z rozwiązania i czy skraca ono drogę do wykonania ich codziennych zadań. Pilotaż przeprowadzony na ograniczonej liczbie przypadków pozwala ocenić te efekty przed rozszerzeniem wdrożenia.
Czytaj
15 integracji ChatGPT z aplikacjami biznesowymi w 2026 roku
W jaki sposób integracje ChatGPT z aplikacjami biznesowymi mogą ułatwić codzienną pracę w 2026 roku? Oto prosty przykład: klient wysyła nam maila z zapytaniem o status projektu. W tym momencie czeka nas pół godziny „przeklikiwania” się między Google Drive, Slackiem, Asaną i systemem CRM. A gdyby ChatGPT mógł zebrać informacje z tych wszystkich źródeł w jednej rozmowie i od razu przygotować podsumowanie, odpowiedź lub plan kolejnych działań? W tym artykule: przyjrzymy się 15 integracjom ChatGPT z popularnymi aplikacjami biznesowymi, dzięki którym powyższy scenariusz może stać się częścią codziennej pracy firmy, wyjaśnimy, czym różnią się aplikacje, integracje, pluginy, GPTs i serwery MCP, pokażemy konkretne zastosowania biznesowe oraz zaznaczymy, co warto sprawdzić przed wdrożeniem (zakres uprawnień, bezpieczeństwo danych, dostępność i koszty). Jak integracje z aplikacjami biznesowymi rozszerzają możliwości ChatGPT? Z wyżej wymienionym zapytaniem od klienta odpowiedni zestaw integracji poradziłby sobie następująco: ChatGPT odnalazłby dokumenty w Google Drive, podsumował rozmowy w Slacku, sprawdził status zadań w Asanie i przeanalizował dane klienta w systemie CRM. Poszczególne integracje mogą być dostępne w ChatGPT jako aplikacje, connectory lub rozwiązania oparte na MCP. Pozwalają one korzystać z danych i wybranych funkcji zewnętrznych usług bez opuszczania rozmowy, a następnie przygotować aktualne podsumowanie, odpowiedź dla klienta lub plan dalszych działań. Zakres możliwości zależy oczywiście od konkretnego rozwiązania, bo np. część integracji ma charakter bardziej „pasywny” i służy głównie do wyszukiwania i odczytu. Z kolei te bardziej „aktywne” obsługują tworzenie, aktualizowanie i wysyłanie danych. GPTs, apps, connectors, plugins i MCP – jak rozróżniać te pojęcia? Terminologia związana z rozszerzeniami ChatGPT obejmuje kilka powiązanych pojęć. W naszym wcześniejszym artykule opisaliśmy ekosystem najbardziej przydatnych wtyczek do ChatGPT. W tym zestawieniu używamy określenia „integracje ChatGPT” jako nazwy nadrzędnej dla różnych sposobów łączenia ChatGPT z aplikacjami biznesowymi, ich danymi i funkcjami. Pojęcie Proponowana definicja Integracja ChatGPT Nadrzędne określenie połączenia ChatGPT z zewnętrzną aplikacją, jej danymi lub funkcjami. Integracja może być realizowana jako aplikacja, connector, plugin, serwer MCP lub GPT Action. App Funkcja zewnętrznej usługi dostępna bezpośrednio w ChatGPT, czasami również z interaktywnym interfejsem. Connector Gotowe połączenie umożliwiające ChatGPT dostęp do danych lub funkcji określonej usługi. Zależnie od rozwiązania może obsługiwać wyszukiwanie, synchronizację albo działania. MCP server Warstwa udostępniająca ChatGPT określone narzędzia, dane i operacje zewnętrznego systemu zgodnie ze standardem Model Context Protocol. Plugin Instalowany pakiet rozszerzający ChatGPT lub Codex, który może obejmować instrukcje, skills, połączenie MCP oraz opcjonalny interfejs. Pojęcia te opisują różne elementy tego samego ekosystemu i nie zawsze są od siebie całkowicie oddzielone. Integracja jest nadrzędnym określeniem połączenia ChatGPT z zewnętrzną usługą. Może być dostępna jako aplikacja, wykorzystywać connector lub serwer MCP, a plugin może łączyć kilka takich elementów w gotowy sposób realizacji zadania. Jak połączyć aplikację z ChatGPT krok po kroku? Określ zadanie, które ma wykonywać integracja. Otwórz katalog aplikacji lub pluginów w ChatGPT. Wybierz właściwą usługę i rozpocznij połączenie. Zaloguj się do zewnętrznej aplikacji i zaakceptuj wymagane uprawnienia. Otwórz nową rozmowę i wybierz połączoną aplikację. Przeprowadź test na ograniczonym zestawie danych przed wdrożeniem dla całego zespołu. Jak wybraliśmy 15 integracji ChatGPT z aplikacjami biznesowymi? Zestawienie obejmuje integracje wspierające regularne procesy biznesowe, dostępne bezpośrednio w ChatGPT lub za pośrednictwem udokumentowanych rozwiązań opartych na MCP. Przy wyborze uwzględniliśmy pięć kryteriów: Częstotliwość zastosowania: narzędzie przechowuje dane lub obsługuje zadania wykonywane przez zespoły każdego dnia. Wartość kontekstu: połączenie daje ChatGPT dostęp do informacji, które istotnie poprawiają jakość wyniku. Zakres działań: integracja wspiera wyszukiwanie, analizę, tworzenie lub aktualizowanie danych. Kontrola dostępu: dostawca opisuje uwierzytelnianie, uprawnienia użytkowników lub funkcje administracyjne. Przydatność dla wielu ról: rozwiązanie może wspierać sprzedaż, marketing, operacje, IT, rozwój produktu albo zarządzanie wiedzą. Dostępność poszczególnych funkcji zależy od planu ChatGPT, planu usługi zewnętrznej, kraju, ustawień workspace’u i decyzji administratora. Katalog oraz zakres uprawnień warto sprawdzić bezpośrednio przed wdrożeniem. 15 integracji ChatGPT z aplikacjami biznesowymi w 2026 roku 1. Integracja Google Drive z ChatGPT – wyszukiwanie i analiza firmowych dokumentów Integracja Google Drive z ChatGPT umożliwia pracę z materiałami przechowywanymi w Drive, Docs, Sheets i Slides. Użytkownik może wyszukiwać pliki, zestawiać informacje z kilku dokumentów, analizować arkusze oraz wykorzystywać istniejące materiały jako źródło nowego raportu, briefu lub prezentacji. Największą wartość przynosi zespołom, które mają uporządkowane foldery i spójne nazwy dokumentów. ChatGPT szybciej odnajduje wtedy właściwe wersje ofert, raportów, notatek ze spotkań i materiałów projektowych. Najlepsze zastosowanie: przygotowanie podsumowania projektu na podstawie dokumentów, arkusza wyników i prezentacji statusowej. Przykładowe polecenie: „Znajdź w Google Drive materiały dotyczące projektu X z ostatnich 30 dni i przygotuj podsumowanie decyzji, ryzyk oraz kolejnych kroków”. Film pokazuje, jak połączyć Google Drive z ChatGPT, a następnie utworzyć wpis blogowy zoptymalizowany pod SEO i zapisać go jako dokument na Dysku Google. Materiał podkreśla także znaczenie precyzyjnych promptów dla jakości generowanych treści. 2. Integracja SharePoint z ChatGPT – dostęp do wiedzy, procedur i plików organizacji SharePoint jest naturalnym źródłem dla organizacji korzystających z Microsoft 365. Przechowuje dokumenty, strony intranetowe, procedury, polityki i materiały projektowe. Integracja SharePoint z ChatGPT pozwala odnajdywać te zasoby i wykorzystywać je podczas przygotowywania odpowiedzi lub dokumentów. Jest to szczególnie użyteczne w większych organizacjach, w których wiedza jest rozproszona między witrynami, bibliotekami dokumentów i zespołami. Struktura uprawnień SharePoint nadal wyznacza zakres informacji dostępnych dla konkretnego pracownika. Najlepsze zastosowanie: wyszukiwanie aktualnych polityk, instrukcji, szablonów i dokumentacji projektowej. Przykładowe polecenie: „Na podstawie aktualnych procedur z SharePoint przygotuj checklistę onboardingu nowego dostawcy”. 3. Integracja Box z ChatGPT – bezpieczna analiza firmowych dokumentów Box łączy zarządzanie treścią z kontrolą dostępu i jest często wykorzystywany przez organizacje pracujące z poufnymi dokumentami. Integracja Box z ChatGPT może pobierać dane na żądanie lub korzystać z synchronizacji wybranych treści. Dostęp na żądanie pozwala pobrać potrzebne informacje podczas realizacji polecenia, natomiast synchronizacja wcześniej indeksuje zatwierdzone zasoby i przyspiesza przeszukiwanie dużych repozytoriów. Wybór trybu powinien uwzględniać klasyfikację danych, wymagania dotyczące retencji oraz oczekiwany czas odpowiedzi. Najlepsze zastosowanie: analiza umów, materiałów projektowych, dokumentacji klienta i zatwierdzonych zasobów firmowych. Przykładowe polecenie: „Znajdź w Box aktualne wersje dokumentów dla klienta X i wskaż rozbieżności w zakresie projektu”. 4. Integracja Gmaila z ChatGPT – podsumowanie korespondencji i przygotowanie odpowiedzi Integracja Gmaila z ChatGPT pozwala wyszukiwać wiadomości, podsumowywać długie wątki i przygotowywać projekty odpowiedzi na podstawie historii korespondencji. Gmail w ChatGPT sprawdza się w sprzedaży, obsłudze klienta, rekrutacji i codziennej koordynacji pracy, gdy istotne ustalenia są rozproszone między wieloma wiadomościami. Aby connector Gmail zwrócił precyzyjny wynik, warto wskazać okres, nadawców, temat korespondencji oraz oczekiwany rezultat. ChatGPT może wtedy odnaleźć właściwe wiadomości i przekształcić je w podsumowanie, listę ustaleń lub gotowy projekt odpowiedzi. Najlepsze zastosowanie: podsumowanie wątku, przygotowanie follow-upu i zebranie zobowiązań stron. Przykładowe polecenie: „Podsumuj korespondencję z firmą X z ostatnich dwóch tygodni. Wypisz uzgodnione działania, terminy i pytania wymagające odpowiedzi”. Film pokazuje krok po kroku, jak połączyć Gmail z ChatGPT za pomocą oficjalnej aplikacji. Po skonfigurowaniu integracji Gmaila z ChatGPT można wyszukiwać wiadomości, podsumowywać długie wątki, odnajdywać ważne informacje i przygotowywać projekty odpowiedzi bezpośrednio w rozmowie. 5. Integracja Outlook Email z ChatGPT – analiza wiadomości w Microsoft 365 Integracja Outlook Email z ChatGPT pozwala odnajdywać wiadomości, analizować długie wątki i przygotowywać odpowiedzi uwzględniające historię korespondencji. Outlook w ChatGPT jest szczególnie przydatny dla organizacji korzystających z Microsoft 365. Jeżeli ChatGPT zostanie połączony również z SharePoint i Microsoft Teams, może zestawiać ustalenia z poczty z dokumentami oraz rozmowami zespołu. Integracja Outlook Email działa wyłącznie w zakresie źródeł zatwierdzonych przez organizację i dostępnych dla danego użytkownika. Najlepsze zastosowanie: przygotowanie odpowiedzi dla klienta na podstawie historii maili i bieżących materiałów projektowych. Przykładowe polecenie: „Znajdź najnowszy wątek dotyczący przedłużenia umowy z firmą X i przygotuj projekt odpowiedzi uwzględniający otwarte kwestie”. 6. Integracja Slacka z ChatGPT – podsumowanie rozmów, decyzji i działań zespołu Integracja Slacka z ChatGPT udostępnia modelowi kontekst z wiadomości, plików, kanałów i profili członków zespołu. Slack w ChatGPT pomaga odtworzyć historię decyzji, przygotować status projektu i zidentyfikować problemy powtarzające się w rozmowach zespołu. Serwer MCP Slacka obsługuje również wybrane działania, takie jak wysyłanie wiadomości oraz tworzenie i przeglądanie dokumentów Canvas. Integracja Slacka z ChatGPT korzysta wyłącznie z kanałów dostępnych dla uwierzytelnionego użytkownika i działa zgodnie z zasadami skonfigurowanymi przez administratora. Najlepsze zastosowanie: cotygodniowy status obejmujący decyzje, blokery, właścicieli i otwarte pytania. Przykładowe polecenie: „Przejrzyj kanał projektu od poniedziałku i przygotuj status: ukończone działania, ryzyka, decyzje i zadania na kolejny tydzień”. 7. Integracja Microsoft Teams z ChatGPT – analiza rozmów, spotkań i zadań Integracja Microsoft Teams z ChatGPT pozwala wyszukiwać i analizować wiadomości z czatów indywidualnych, grupowych oraz kanałów dostępnych dla użytkownika. Microsoft Teams w ChatGPT może również współpracować z planami i zadaniami Microsoft Planner, a po włączeniu odpowiednich działań tworzyć czaty i kanały oraz wysyłać wiadomości i odpowiedzi. W planie Enterprise integracja może również pobierać treść transkrypcji zaplanowanych spotkań, jeśli użytkownik ma odpowiednie uprawnienia. Pliki udostępniane w kanałach Teams są zwykle przechowywane w SharePoint, dlatego ich analiza wymaga dodatkowego połączenia ChatGPT z SharePoint. Najlepsze zastosowanie: odnajdywanie ustaleń w rozmowach zespołu i przekształcanie ich w podsumowania, zadania oraz materiały statusowe. Przykładowe polecenie: „Przejrzyj rozmowy w kanale projektu z ostatnich pięciu dni i przygotuj listę podjętych decyzji, otwartych pytań, odpowiedzialnych osób i terminów”. 8. Integracja Notion z ChatGPT – tworzenie i aktualizowanie firmowej wiedzy Integracja Notion z ChatGPT pozwala czytać, tworzyć i aktualizować treści na stronach Notion bezpośrednio z poziomu rozmowy. Notion w ChatGPT może wspierać prowadzenie dokumentacji produktu, planów kampanii, baz wiedzy, specyfikacji funkcji i checklist wdrożeniowych. Serwer MCP Notion działa w zakresie uprawnień zalogowanego użytkownika. Osoba mająca szeroki dostęp do przestrzeni roboczej udostępnia integracji równie szeroki zakres danych i operacji, dlatego wdrożenie warto rozpocząć od ograniczonych przypadków użycia oraz kont z odpowiednio dobranymi rolami. Najlepsze zastosowanie: przekształcanie notatek i wyników analizy w uporządkowane strony, bazy oraz plany działań. Przykładowe polecenie: „Utwórz w Notion specyfikację funkcji na podstawie tych notatek. Dodaj cele, wymagania, kryteria akceptacji, ryzyka i pytania otwarte”. Film pokazuje, jak połączyć Notion z ChatGPT i pracować z treściami zapisanymi w przestrzeni roboczej. Integracja Notion z ChatGPT umożliwia wyszukiwanie informacji oraz tworzenie i aktualizowanie stron bezpośrednio z poziomu rozmowy. 9. Integracja Atlassian Rovo z ChatGPT – obsługa Jira, Confluence i Bitbucket Integracja Atlassian Rovo z ChatGPT łączy model z Jira, Jira Service Management, Confluence i Bitbucket. Jira i Confluence w ChatGPT mogą być przeszukiwane i podsumowywane, a użytkownik może również tworzyć oraz aktualizować zadania, zgłoszenia i strony za pomocą poleceń w języku naturalnym. Serwer MCP Atlassian Rovo wspiera procesy rozwoju oprogramowania, obsługi zgłoszeń, zarządzania zmianą i prowadzenia dokumentacji. Uwierzytelnianie OAuth 2.1 zachowuje istniejące role i uprawnienia użytkownika, a działania wpływające na dane powinny podlegać zatwierdzaniu i monitorowaniu. Najlepsze zastosowanie: tworzenie zgłoszeń z notatek ze spotkania, aktualizacja statusów i zestawianie dokumentacji z Confluence z zadaniami Jira. Przykładowe polecenie: „Na podstawie tej specyfikacji utwórz pięć zadań Jira z opisem, kryteriami akceptacji i priorytetem. Pokaż mi propozycję przed zapisaniem”. 10. Integracja Asany z ChatGPT – tworzenie zadań i zarządzanie projektami Integracja Asany z ChatGPT udostępnia informacje o projektach i portfelach oraz pozwala tworzyć i przypisywać zadania, zakładać nowe projekty i sprawdzać postęp pracy. Asana w ChatGPT może przekształcić ustalenia z rozmowy w uporządkowany plan zapisany bezpośrednio w systemie zarządzania pracą. Integracja Asany z ChatGPT sprawdza się podczas planowania kampanii, wdrożeń, premier produktów i działań międzydziałowych. Integracja Asany z ChatGPT działa najdokładniej, gdy projekty, właściciele i pola niestandardowe mają jednoznaczne i spójne nazwy. Najlepsze zastosowanie: tworzenie planu projektu oraz przekształcanie ustaleń w przypisane zadania. Przykładowe polecenie: „Utwórz w Asanie plan wdrożenia nowej strony produktowej. Podziel pracę na etapy, zadania, zależności i osoby odpowiedzialne. Najpierw pokaż mi strukturę do akceptacji”. 11. Integracja HubSpota z ChatGPT – analiza CRM i aktualizacja rekordów Integracja HubSpota z ChatGPT udostępnia informacje o kontaktach, firmach, szansach sprzedażowych, zgłoszeniach i historii interakcji z klientami. HubSpot w ChatGPT pozwala analizować lejek sprzedażowy, wyniki kampanii oraz aktywność klientów, a także tworzyć i aktualizować wybrane rekordy oraz rejestrować działania. Integracja HubSpota z ChatGPT należy do najbardziej rozbudowanych rozwiązań dla zespołów sprzedaży i marketingu. Jakość uzyskiwanych wyników zależy od kompletności danych CRM, spójnie zdefiniowanych etapów lejka i prawidłowo przypisanych uprawnień. Najlepsze zastosowanie: przygotowanie account briefu, analiza pipeline’u, aktualizacja szansy i utworzenie follow-upu. Przykładowe polecenie: „Przeanalizuj szanse sprzedażowe w HubSpot, które pozostają bez aktywności od 14 dni. Wskaż priorytety i przygotuj plan kolejnego kontaktu”. 12. Integracja Salesforce Agentforce Sales z ChatGPT – analiza szans i obsługa CRM Integracja Salesforce Agentforce Sales z ChatGPT łączy informacje o klientach, szansach sprzedażowych i lejku z funkcjami analizy oraz planowania. Salesforce w ChatGPT pozwala sprzedawcom priorytetyzować szanse, przygotowywać plany kont, aktualizować rekordy i uruchamiać działania Agentforce bezpośrednio z poziomu rozmowy. Aplikacja Agentforce Sales dla ChatGPT jest obecnie dostępna w ramach programu Open Beta dla uprawnionych klientów korzystających z odpowiednich dodatków Agentforce. Przed wdrożeniem należy zweryfikować posiadaną edycję Salesforce, warunki dostępu oraz dostępność rozwiązania w danym regionie. Najlepsze zastosowanie: przygotowanie sprzedawcy do spotkania, priorytetyzacja szans i aktualizacja CRM po rozmowie z klientem. Przykładowe polecenie: „Pokaż pięć szans Salesforce wymagających uwagi w tym tygodniu. Uwzględnij wartość, etap, ostatnią aktywność, ryzyko i rekomendowany następny krok”. 13. Integracja GitHuba z ChatGPT – analiza kodu, zgłoszeń i zmian w projekcie Integracja GitHuba z ChatGPT daje modelowi dostęp do kontekstu z repozytoriów, kodu, zgłoszeń, propozycji zmian oraz wyników automatycznych testów. GitHub w ChatGPT może pomagać w analizowaniu zmian w kodzie, porządkowaniu zgłoszeń, przygotowywaniu dokumentacji i odnajdywaniu zależności między elementami projektu. Administratorzy mogą określić, do których repozytoriów integracja GitHuba z ChatGPT ma dostęp i jakie operacje może wykonywać. Dzięki temu integrację można najpierw przetestować na kilku wybranych projektach, a następnie stopniowo udostępniać kolejnym zespołom. Najlepsze zastosowanie: analiza proponowanych zmian w kodzie, porządkowanie zgłoszeń, sprawdzanie wyników automatycznych testów i tworzenie dokumentacji zmian. Przykładowe polecenie: „Przejrzyj otwarte pull requesty w repozytorium aplikacji mobilnej. Wskaż ryzyko, brakujące testy i elementy blokujące wydanie”. Film pokazuje, jak połączyć GitHub z ChatGPT i nadać integracji dostęp do wybranych repozytoriów. Integracja GitHuba z ChatGPT umożliwia przeglądanie struktury projektów, analizowanie kodu i dokumentacji oraz podsumowywanie zmian, commitów i pull requestów bezpośrednio w rozmowie. 14. Integracja Canvy z ChatGPT – tworzenie i edytowanie materiałów wizualnych Integracja Canvy z ChatGPT pozwala wyszukiwać i podsumowywać istniejące materiały, a także tworzyć, edytować i wyświetlać projekty bezpośrednio w rozmowie. Canva w ChatGPT sprawdza się podczas przygotowywania prezentacji, postów, dokumentów i innych materiałów wizualnych. Projekty utworzone przez aplikację Canva dla ChatGPT pozostają edytowalne w Canvie, dzięki czemu zespół może dalej dopracować ich treść i wygląd. Najlepsze rezultaty można uzyskać, podając odbiorcę, cel, format, materiały źródłowe oraz wymagania dotyczące marki. Najlepsze zastosowanie: prezentacje, materiały social media, dokumenty sprzedażowe i wizualne podsumowania. Przykładowe polecenie: „Utwórz w Canva prezentację dla zarządu na podstawie tego raportu. Zastosuj osiem slajdów, krótkie wnioski i jeden wykres na slajdzie z wynikami”. 15. Integracja Adobe z ChatGPT – edycja zdjęć, filmów, grafik i dokumentów PDF Adobe for ChatGPT to pakiet skupiający funkcje aplikacji Adobe, między innymi Photoshop, Premiere, Firefly, Express i Acrobat. Obsługuje edycję zdjęć, seryjne ujednolicanie materiałów, przygotowanie formatów social media, skracanie wideo, pracę z dokumentami PDF oraz wyszukiwanie zasobów Creative Cloud. To rozwiązanie odpowiada na procesy, w których efektem ma być gotowy plik. Przykładowy workflow może rozpocząć się od zestawu zdjęć pracowników, objąć korektę światła i spójne kadrowanie, a zakończyć eksportem materiałów przygotowanych do publikacji. Najlepsze zastosowanie: powtarzalna obróbka zdjęć, adaptacja materiałów do kanałów, praca z dokumentami PDF i szybkie projekty z szablonów. Przykładowe polecenie: „Wyrównaj światło i kolorystykę tych zdjęć, zastosuj spójny kadr oraz przygotuj wersje do profili pracowników na stronie internetowej”. 15 integracji ChatGPT z aplikacjami biznesowymi – tabela porównawcza Nr Integracja z ChatGPT Obszar Najlepsze zastosowanie Główny rodzaj pracy 1 Google Drive Dokumenty i wiedza Analiza plików z Drive, Docs, Sheets i Slides Wyszukiwanie, odczyt i analiza 2 Microsoft SharePoint Wiedza organizacyjna Praca na kontrolowanych zasobach Microsoft 365 Wyszukiwanie, odczyt i analiza 3 Box Zarządzanie treścią Bezpieczna praca na firmowych plikach i folderach Dostęp na żądanie lub synchronizacja 4 Gmail Poczta Podsumowania korespondencji i przygotowanie odpowiedzi Wyszukiwanie, analiza i redagowanie 5 Outlook Email Poczta Microsoft 365 Analiza skrzynki w środowisku firmowym Wyszukiwanie, analiza i redagowanie 6 Slack Komunikacja zespołowa Odnajdywanie decyzji, podsumowania kanałów i wiadomości Wyszukiwanie, odczyt i działania 7 Microsoft Teams Współpraca Analiza rozmów, spotkań i kontekstu zespołów Wyszukiwanie i podsumowania 8 Notion Wiedza i dokumentacja Tworzenie i aktualizacja stron, baz oraz planów Odczyt i zapis w czasie rzeczywistym 9 Atlassian Rovo Projekty i IT Praca z Jira, Confluence, Jira Service Management i Bitbucket Wyszukiwanie, tworzenie i aktualizacja 10 Asana Zarządzanie pracą Kontrola portfela projektów oraz tworzenie zadań Analiza i działania projektowe 11 HubSpot CRM, marketing i sprzedaż Analiza klientów, lejka i historii kontaktów Analiza, tworzenie i aktualizacja rekordów 12 Salesforce Agentforce Sales Sprzedaż enterprise Priorytetyzacja szans, planowanie kont i aktualizacja CRM Analiza i działania sprzedażowe 13 GitHub Rozwój oprogramowania Praca z repozytoriami, zgłoszeniami, propozycjami zmian i automatycznymi testami Wyszukiwanie, analiza i porządkowanie zgłoszeń 14 Canva Design i komunikacja Tworzenie edytowalnych prezentacji i materiałów marketingowych Wyszukiwanie, generowanie i edycja 15 Adobe Kreacja i dokumenty Zdjęcia, wideo, social media, pliki PDF i zasoby Creative Cloud Wyszukiwanie, generowanie, edycja i eksport Bezpieczeństwo integracji ChatGPT w firmie Bezpieczna integracja ChatGPT z systemami firmy wymaga właściwego zarządzania uprawnieniami, oddzielenia odczytu od zapisu, wyboru sposobu dostępu do danych, zatwierdzania działań oraz prowadzenia logów. Należy również sprawdzić warunki przetwarzania danych, zakresy OAuth, retencję i lokalizację danych dla każdej połączonej usługi. W planach ChatGPT Business, Enterprise i Edu dane pobierane przez integracje nie są wykorzystywane do trenowania modeli OpenAI. Kiedy warto zbudować własną integrację ChatGPT? Gotowe integracje ChatGPT obejmują popularne aplikacje biznesowe i typowe scenariusze. Własna integracja staje się uzasadniona, gdy kluczowe dane znajdują się w systemie wewnętrznym, proces wymaga specyficznej logiki albo organizacja potrzebuje większej kontroli nad architekturą i przepływem informacji. Najczęstsze przesłanki to: prywatne API, system legacy, wewnętrzna baza danych lub rozwiązanie działające on-premise; workflow obejmujący kilka systemów i reguły charakterystyczne dla organizacji; wymagania dotyczące lokalizacji danych, audytowalności i zatwierdzania operacji; potrzeba połączenia wyszukiwania RAG, logiki biznesowej oraz działań w systemach; środowisko regulowane wymagające oceny ryzyka, dokumentacji i kontrolowanego wdrożenia; duża skala, przy której własna integracja upraszcza zarządzanie dostępem i kosztami. Takie rozwiązanie może wykorzystywać dedykowaną integrację, serwer MCP, GPT Actions, warstwę API lub architekturę łączącą kilka podejść. Punkt wyjścia stanowi konkretny proces, właściciel danych i oczekiwany rezultat biznesowy. Integracje ChatGPT jako część bezpiecznego ekosystemu AI w firmie Największa wartość integracji ChatGPT pojawia się wtedy, gdy połączenie odpowiada rzeczywistemu procesowi, respektuje role użytkowników i prowadzi do rezultatu gotowego do wykorzystania. Dla jednej organizacji będzie to szybsze wyszukiwanie wiedzy, dla innej aktualizacja CRM, automatyzacja dokumentów lub kontrolowany proces obejmujący kilka systemów. Transition Technologies MS projektuje i wdraża rozwiązania AI dla biznesu dopasowane do danych, architektury, wymagań bezpieczeństwa i sposobu działania organizacji. Zakres projektu może obejmować integracje API i MCP, rozwiązania RAG, automatyzację działań oraz model zarządzania dostępem, ryzykiem i odpowiedzialnością. Nasze podejście do AI zostało potwierdzone certyfikacją ISO/IEC 42001 dla systemu zarządzania sztuczną inteligencją (AIMS). TTMS jako pierwsza firma w Polsce uzyskała akredytowaną certyfikację zgodności z tym standardem i należy do grona pierwszych organizacji w Europie działających w jego ramach. Oznacza to, że projekty AI realizujemy według uporządkowanych zasad dotyczących bezpieczeństwa, odpowiedzialności, dokumentacji i zarządzania ryzykiem. Doświadczenie TTMS obejmuje również rozwój własnych produktów AI wspierających konkretne procesy biznesowe: AI4Content analizuje dokumenty i tworzy uporządkowane raporty; AI4Knowledge ułatwia pracownikom korzystanie z firmowej wiedzy; AI4E-learning przekształca materiały źródłowe w edytowalne szkolenia online; AI4Localisation wspiera tłumaczenie i dostosowywanie treści do różnych rynków; AI4Legal automatyzuje analizę dokumentacji i wybrane procesy prawne; AML Track wspiera weryfikację klientów, monitoring ryzyka i realizację obowiązków AML; AI4Hire porządkuje analizę aplikacji i wspiera wstępną ocenę kandydatów; QATANA wykorzystuje AI do tworzenia przypadków testowych i zarządzania procesem testowania. Takie zaplecze pozwala nam łączyć doświadczenie integracyjne, produktowe i regulacyjne. Możemy pomóc zarówno w uruchomieniu pojedynczego połączenia z firmowym źródłem danych, jak i w zaprojektowaniu rozwiązania obejmującego kilka systemów, kontrolę dostępu oraz automatyzację całego procesu. FAQ: Najczęściej zadawane pytania o integracje ChatGPT Czy ChatGPT może korzystać z kilku aplikacji i integracji w jednym zadaniu? Tak, obsługiwane środowiska ChatGPT mogą wykorzystywać kilka zatwierdzonych źródeł podczas jednego zadania. Przykładowy workflow może zebrać ustalenia ze Slacka, odczytać raport z Google Drive i przygotować plan w Asanie. Dostępność zależy od planu, aktywnej powierzchni ChatGPT i konfiguracji workspace’u. W poleceniu warto jednoznacznie wskazać źródła, rezultat i moment, w którym ChatGPT ma poprosić o akceptację. Organizacja powinna także określić, które dane mogą być łączone w jednym wyniku. Czy integracja daje ChatGPT dostęp do wszystkich danych użytkownika? Zakres dostępu wynika z uprawnień przyznanych integracji oraz roli użytkownika w systemie źródłowym. Wiele integracji respektuje istniejące prawa do folderów, kanałów, repozytoriów i rekordów CRM. Szerokie konto administracyjne może więc udostępnić znacznie więcej danych niż konto pracownika przypisane do konkretnego zespołu. Podczas konfiguracji należy przejrzeć zakresy OAuth, role i możliwość ograniczenia połączenia do wybranych zasobów. Pilotaż najlepiej prowadzić na koncie z uprawnieniami odpowiadającymi docelowej roli. Czy ChatGPT może wysyłać wiadomości i zmieniać dane w zewnętrznych aplikacjach? Wybrane aplikacje, integracje i serwery MCP obsługują działania zapisu, takie jak wysłanie wiadomości, utworzenie zadania, aktualizacja rekordu CRM albo dodanie strony. Zakres różni się między dostawcami, planami i wersjami integracji. Część narzędzi pokazuje proponowaną zmianę oraz prosi o potwierdzenie. Administrator może również ograniczyć połączenie do odczytu albo dopuścić tylko wybrane operacje. Działania wpływające na klientów, dane finansowe, publikacje i procesy regulowane powinny mieć jasno zdefiniowaną akceptację człowieka. Czy do korzystania z integracji potrzebny jest płatny plan ChatGPT? Nie zawsze. Ograniczony zestaw aplikacji jest dostępny również w bezpłatnym planie ChatGPT, jednak funkcje wyszukiwania i analizy mogą mieć niższe limity. Pełniejszy dostęp, w tym synchronizacja danych i własne integracje oparte na MCP, wymaga zazwyczaj planu Plus, Pro, Business, Enterprise lub Edu. Dostępność konkretnej aplikacji zależy również od regionu, ustawień administratora oraz planu wykupionego w zewnętrznej usłudze. Aktualny zakres funkcji najlepiej sprawdzić bezpośrednio w katalogu aplikacji ChatGPT. Czy można połączyć ChatGPT z własnym systemem firmowym? Tak. Organizacja może zbudować własny serwer MCP, dedykowaną integrację lub połączenie API udostępniające ChatGPT wybrane dane i działania. Prywatny system może pozostać za zaporą lub działać on-premise, jeżeli architektura wykorzystuje bezpieczny tunel i kontrolowane uwierzytelnianie. Projekt powinien określić schemat narzędzi, role, logowanie, zatwierdzanie operacji, obsługę błędów i ochronę przed prompt injection. Przed wdrożeniem produkcyjnym potrzebny jest zestaw testów obejmujący poprawne polecenia, przypadki graniczne oraz zadania, których integracja powinna odmówić. Jak połączyć aplikację z ChatGPT? Aby połączyć aplikację z ChatGPT, najpierw określ zadanie, które ma realizować integracja, oraz dane potrzebne do jego wykonania. Następnie otwórz katalog aplikacji lub pluginów w ChatGPT, wybierz odpowiednią usługę i rozpocznij konfigurację. Zaloguj się do konta w zewnętrznej aplikacji, uważnie sprawdź wymagane uprawnienia i zaakceptuj tylko niezbędny zakres dostępu. Po zakończeniu konfiguracji otwórz nową rozmowę, wybierz połączoną aplikację i przeprowadź test na ograniczonym zestawie danych. W środowisku firmowym warto rozpocząć od pilotażu dla niewielkiej grupy użytkowników, zanim integracja zostanie udostępniona całemu zespołowi. Czy administrator firmy może ograniczyć dostęp do aplikacji w ChatGPT? Tak. Administrator workspace’u może decydować, które aplikacje i pluginy są dostępne w organizacji, kto może z nich korzystać oraz jakie działania mogą wykonywać. Może na przykład zezwolić wyłącznie na odczyt danych, a zablokować wysyłanie wiadomości lub aktualizowanie rekordów. W planach Enterprise i Edu dostęp można dodatkowo przypisywać do określonych ról i grup użytkowników. Integracje zachowują również uprawnienia obowiązujące w systemie źródłowym, dlatego użytkownik nie powinien uzyskać przez ChatGPT dostępu do danych, których nie może zobaczyć w danej aplikacji. Czy ChatGPT przechowuje kopie danych pobieranych z połączonych systemów? To zależy od sposobu działania integracji. W trybie dostępu na żądanie dane są pobierane podczas realizacji konkretnego polecenia i nie są wcześniej indeksowane. Integracje korzystające z synchronizacji mogą natomiast tworzyć indeksowaną kopię wybranych treści, aby przyspieszyć wyszukiwanie i poprawić jakość odpowiedzi. Odłączenie aplikacji zatrzymuje dalszy dostęp, a zsynchronizowany indeks jest przeznaczony do usunięcia z systemów OpenAI, zazwyczaj w ciągu 30 dni. Dane wykorzystane wcześniej w rozmowach mogą pozostać zapisane wraz z historią czatu, dlatego ich usunięcie wymaga również usunięcia odpowiednich rozmów i zapisanych elementów pamięci.
Czytaj