AI w małej firmie — gdzie realnie da się oszczędzić czas

Złe pytanie, dobre pytanie

Co jakiś czas ktoś pyta „jak wdrożyć AI w firmie?”. To złe pytanie. Dobre brzmi: „która robota zjada nam co tydzień kilka godzin i da się ją opisać regułami?”. AI nie jest celem — jest narzędziem do tego, żeby jedną konkretną rzecz robić szybciej i bez przepisywania w kółko tego samego.

Poniżej trzy koncepty automatyzacji, które w małej firmie realnie da się zbudować. Dla każdego opisuję to samo:

• Kształt problemu — po czym poznać, że nadaje się pod automat.
• Z czego się składa — jakie klocki trzeba spiąć.
• Co musi być prawdą — warunki, bez których to nie zadziała.
• Gdzie się to wykłada — typowe grabie.

Koncept 1: triage zapytań z formularza kontaktowego

Kształt problemu: skrzynka, którą ktoś codziennie sortuje ręcznie

Do firmowej skrzynki wpada mieszanka:

• realne zapytania ofertowe,
• cold mailing,
• faktury od dostawców,
• pytania obecnych klientów.

Ktoś to codziennie przegląda i ręcznie decyduje, co jest ważne. Robota jest powtarzalna, decyzja daje się opisać regułami, a koszt pomyłki jest niski i odwracalny. To podręcznikowy kandydat na automat.

Z czego się składa triage

• Wyzwalacz — nowa wiadomość w skrzynce albo webhook z formularza na stronie.
• Silnik przepływu — n8n (self-hosted albo w chmurze) lub zwykła funkcja bezserwerowa.
• Model językowy — przez API (Claude, OpenAI), z jednym, wąskim promptem klasyfikującym.
• Miejsce docelowe — Notion, Trello, arkusz: cokolwiek zespół i tak otwiera codziennie.
• Powiadomienie — jeden dzienny przegląd zamiast pingu przy każdej wiadomości.

Prompt w takim koncepcie jest krótki i celowo nie zostawia modelowi swobody:

Zaklasyfikuj wiadomość do jednej z kategorii:
zapytanie_ofertowe | obecny_klient | dostawca | spam
Zwróć wyłącznie JSON w formacie:
{"kategoria": "...", "pilnosc": 1-3, "budzet": "jeśli podany"}
Nie dopisuj nic poza JSON-em.

Co musi być prawdą przy triage

• Kategorie muszą być rozłączne i dać się wytłumaczyć nowej osobie w dwóch zdaniach. Jeżeli Ty nie umiesz ich rozdzielić, model też nie umie.
• Musi istnieć jasna ścieżka odwoławcza — człowiek widzi pełną listę wiadomości, nie tylko to, co automat uznał za ważne.

Gdzie triage się wykłada

• Prompt bez przykładów. Najczęstsza grabia to polecenie w stylu „zaklasyfikuj to”, bez ani jednego przykładu. Model dostaje wtedy zadanie zgadywania Twoich intencji i po cichu skleja własną taksonomię. Lekarstwem jest kilka realnych wiadomości wklejonych wprost w prompt jako wzorce oraz wymuszony format odpowiedzi.
• Kasowanie spamu automatem. Nie warto — automat ma sortować, a nie usuwać.

Koncept 2: draft oferty na bazie poprzednich wycen

Kształt problemu: wycena składana z poprzednich ofert

Wycena w małej firmie rzadko powstaje od zera. Ktoś otwiera dokument, kopiuje akapity z kilku podobnych ofert, podmienia zakres i dopasowuje cenę.

To jest w istocie wyszukiwanie po własnych dokumentach plus złożenie ich w nowy tekst — czyli dokładnie to, w czym dobre jest RAG, czyli odpowiadanie wyłącznie na podstawie własnych plików.

Z czego się składa draft oferty

• Zbiór poprzednich wycen — w jednym miejscu i w formie tekstowej.
• Indeks wektorowy nad tym zbiorem, żeby model dostawał tylko oferty podobne, a nie wszystkie.
• Model językowy składający draft, nigdy nie wersję końcową.
• Szablon dokumentu z polami do uzupełnienia, żeby wyjście miało zawsze tę samą strukturę.
• Człowiek na końcu — czyta, poprawia, akceptuje cenę i wysyła.

Co musi być prawdą przy draftach

• Uporządkowany zbiór poprzednich wycen. Bez tego nie ma z czego korzystać, a model zacznie improwizować.
• Cena nie wychodzi z modelu. Model składa tekst i zakres; widełki podstawia Twoja tabela albo Ty.

Gdzie draft oferty się wykłada

Modele bardzo chętnie uśredniają. Jeżeli puścisz przez model także cenę, dostaniesz średnią z historii — czyli po cichu zeszłoroczny cennik zamiast dzisiejszego.

Dlatego w tym koncepcie cena jest twardo poza modelem: liczy ją reguła albo człowiek, a AI odpowiada wyłącznie za tekst i strukturę dokumentu.

Koncept 3: cotygodniowy raport ze sprzedaży

Kształt problemu: eksport i tabela przestawna co tydzień

Dane siedzą w sklepie albo w systemie sprzedażowym, a raz w tygodniu ktoś eksportuje je do arkusza, robi kilka tabel przestawnych i pisze podsumowanie „co się wydarzyło”.

Eksport i liczenie to czysta mechanika. Ciekawy jest dopiero komentarz — i to jest ta część, którą model potrafi przygotować.

Z czego się składa raport

• Webhook albo cykliczny eksport z systemu (na przykład z WooCommerce) do arkusza.
• Metryki policzone po stronie arkusza lub bazy — nie przez model.
• Model językowy opisujący wyłącznie policzone liczby, z twardym limitem długości.
• Wysyłka mailem o stałej porze i w stałym formacie.

Co musi być prawdą przy raporcie

Liczby muszą być policzone deterministycznie, poza AI. Model dostaje gotowy zestaw i ma go opisać — nigdy nie liczy sam.

To jest granica, za którą raport przestaje być wiarygodny, bo nikt już nie umie odtworzyć, skąd wzięła się liczba.

Gdzie raport się wykłada

Pierwsze wersje takich raportów bywają nudne i przegadane: model chce pokazać, że pracował, więc wypisuje wszystko, co widzi. Ratuje twardy limit w promcie:

• maksymalnie pięć punktów,
• tylko anomalie i skrajności,
• a jeżeli nic ciekawego się nie wydarzyło — ma to napisać wprost.

Raport, który raz na jakiś czas mówi „nic ciekawego”, jest wart więcej niż taki, który zawsze ma pięć punktów.

Gdzie AI jest złym narzędziem

Nie każdy proces nadaje się pod automat, a najdroższe są te projekty, które nie powinny były się w ogóle zacząć. Trzy miejsca, w których regularnie odradzam:

Rozmowa z klientem, w której coś jest do ugrania

Bot obsłuży pytanie o status zamówienia. Ale kiedy klient negocjuje warunki, ma realne zastrzeżenie albo szuka konkretnego specjalisty — automat go zniechęca. W B2B kontakt po sprzedaży zostaw człowiekowi.

Decyzje strategiczne

Model potrafi podsumować dane sprzedażowe za rok. Nie powinien decydować, czy wchodzić w nową kategorię produktową. Pierwsze to analiza, drugie to kontekst rynkowy, relacje i odpowiedzialność — a tego w liczbach nie ma.

Treść, która idzie do publikacji bez redakcji

AI napisze pierwszą wersję szybciej, niż zrobisz to sam. Ale tekst puszczony wprost z modelu czytelnik rozpoznaje, a zaufanie spada wtedy szybciej, niż rośnie liczba opublikowanych wpisów. Człowiek zostaje redaktorem i nie jest to opcja do wyłączenia.

Ile to kosztuje i ile trwa

Uczciwie: dokładnej ceny nie da się podać z artykułu, bo zależy od liczby integracji i od tego, w jakim stanie są Twoje dane. Widełki, w których się poruszam:

• Pojedyncza automatyzacja — od 6 tys. zł netto. Typowo takie projekty mieszczą się w przedziale 8–25 tys. zł netto; rozbudowane workflowy i RAG to raczej górna połowa tego zakresu. Do każdej kwoty dochodzi 23% VAT.
• Koszty API modelu doliczane są osobno, według zużycia — i pokazuję je wprost, zanim zaczniemy. Możesz je też rozliczać na własnym koncie u dostawcy; wtedy widzisz każdą złotówkę u siebie.
• Czas: od kilku dni do około 3 tygodni — dokładny termin po ustaleniu zakresu.

Jak sprawdzić, czy u Ciebie to ma sens

Zanim zapytasz kogokolwiek o wycenę, zrób ten rachunek sam. Zajmuje kwadrans i oszczędza kilka rozmów:

1. Wypisz czynności powtarzalne. Wszystko, co ktoś w firmie robi co tydzień w ten sam sposób.
2. Wykreśl te, których nie umiesz opisać regułami. Jeżeli nie potrafisz wytłumaczyć zasady nowej osobie, automat też jej nie odgadnie.
3. Z reszty wybierz jedną. Tę, którą najłatwiej sprawdzić — bo tylko wtedy po miesiącu będziesz wiedzieć, czy zmiana faktycznie pomogła.
4. Zostaw człowieka w pętli na starcie. Najpierw ktoś przegląda każdą decyzję automatu, potem próbki, na końcu tylko wyniki.

Trzy zasady, które przy tym trzymam:

• Zaczynaj od problemu, nie od narzędzia.
• Sprawdzaj efekt zamiast zakładać, że jest.
• Traktuj automat jak stażystę, któremu na początku patrzy się na ręce.

Jeżeli po tym ćwiczeniu masz jeden konkretny proces i chcesz sprawdzić, czy da się go zautomatyzować — napisz. Powiem wprost także wtedy, gdy AI będzie do tego złym narzędziem. Odpowiadam do następnego dnia roboczego. Więcej o tym, co da się tu zbudować, jest po stronie AI i automatyzacja.