Jak wdrożyć AI w firmie: od chatbota do asystenta tworzącego oferty i protokoły

Wdrożenie AI w firmie nie powinno zaczynać się od pytania: „jaki model wybrać?”. Powinno zaczynać się od pytania: „jaki proces chcemy usprawnić i jaki konkretny efekt ma powstać na końcu?”.

W wielu firmach pierwsze skojarzenie z AI to chatbot. Użytkownik wpisuje pytanie, model odpowiada, rozmowa trwa. Taki model pracy może być przydatny, ale w biznesie znacznie większą wartość często daje coś bardziej konkretnego: asystent AI, który pomaga tworzyć powtarzalne dokumenty zgodnie z określonym wzorem.

Może to być generator ofert, protokołów odbioru prac, raportów rozbieżności, opisów zakresu usługi, notatek po spotkaniu, maili do klienta albo podsumowań wykonanych prac. Użytkownik podaje dane w prostym języku, a system zwraca gotowy dokument roboczy: uporządkowaną ofertę, protokół, raport albo wiadomość e-mail, które można od razu zweryfikować, poprawić, pobrać jako plik albo wysłać klientowi.

To nie jest „magiczne AI”. To połączenie analizy procesu, szablonów, reguł, modelu językowego i infrastruktury, która pozwala używać AI w powtarzalny i kontrolowany sposób.

AI w firmie to nie tylko chatbot

Sam chatbot bez dobrze opisanego procesu szybko staje się ciekawostką. Pracownicy mogą z niego korzystać, ale każdy robi to inaczej. Jeden prosi o ofertę, drugi o maila, trzeci o podsumowanie ustaleń, czwarty wkleja fragmenty dokumentów. Efekty są różne, styl bywa niespójny, a firma nie ma pełnej kontroli nad tym, co powstaje.

Wdrożenie AI w firmie powinno iść krok dalej. Zamiast ogólnego „porozmawiaj z botem” lepiej zaprojektować konkretne scenariusze:

• przygotuj ofertę handlową na podstawie danych klienta,
• przygotuj protokół odbioru prac na podstawie listy wykonanych zadań,
• przygotuj raport rozbieżności po kontroli obiektu,
• przygotuj opis zakresu usługi dla klienta,
• przygotuj notatkę po spotkaniu sprzedażowym,
• przygotuj mail podsumowujący ustalenia,
• przygotuj dokument przekazania prac do odbioru.

W takim podejściu AI nie zastępuje procesu. AI działa wewnątrz procesu.

Od danych wejściowych do gotowego dokumentu

Najprostszy scenariusz może wyglądać następująco. Pracownik wypełnia formularz albo wpisuje dane w panelu:

• kim jest klient,
• czego dotyczy zlecenie,
• jaki jest zakres prac,
• jakie są warunki realizacji,
• co zostało wykonane,
• co pozostaje otwarte,
• jakie są rozbieżności,
• jakie są dalsze kroki,
• jaki dokument ma powstać: oferta, protokół, raport, notatka albo e-mail.

Następnie aplikacja przekazuje te dane do modelu AI wraz z instrukcją systemową i szablonem dokumentu. Model nie ma pisać dowolnie. Ma przygotować dokument zgodny z określonym wzorem firmy.

Dla użytkownika końcowego efekt jest prosty: otrzymuje gotowy dokument roboczy. Może go przeczytać, poprawić, zatwierdzić, pobrać jako PDF lub DOCX, wkleić do wiadomości e-mail albo zapisać w firmowym repozytorium dokumentów.

Technicznie taki dokument może być najpierw generowany w formacie Markdown. To prosty format tekstowy, który bardzo dobrze nadaje się do automatycznego tworzenia uporządkowanych dokumentów z nagłówkami, listami i sekcjami. Użytkownik nie musi jednak znać tego formatu. W panelu może widzieć po prostu gotową ofertę, protokół albo raport.

Markdown jest formatem roboczym dla systemu. Dla pracownika albo klienta końcowego efektem może być zwykły dokument: oferta, protokół, raport, PDF, DOCX albo wiadomość e-mail.

Przykładowy dokument wygenerowany przez asystenta może wyglądać tak:

# Protokół odbioru prac

## Klient
ABC Nieruchomości Sp. z o.o.

## Zakres wykonanych prac
- Przegląd instalacji klimatyzacji w części biurowej
- Czyszczenie filtrów w jednostkach wewnętrznych
- Kontrola drożności odpływu skroplin
- Sprawdzenie podstawowych parametrów pracy urządzeń
- Przygotowanie zaleceń eksploatacyjnych

## Elementy przekazane klientowi
- Lista urządzeń objętych przeglądem
- Zalecenia dotyczące dalszej eksploatacji
- Informacja o elementach wymagających ponownej kontroli

## Elementy wymagające dalszych decyzji
- Wymiana zużytych filtrów w dwóch jednostkach
- Decyzja dotycząca dodatkowego czyszczenia jednostek zewnętrznych
- Ustalenie terminu kolejnego przeglądu

## Uwagi
Prace wykonano zgodnie z ustalonym zakresem. Elementy otwarte wymagają decyzji po stronie klienta.

## Status
Do akceptacji klienta

Taki dokument nie powstaje „z niczego”. Powstaje na podstawie danych wejściowych, szablonu, reguł i instrukcji. Pracownik nie musi znać promptów, Markdowna ani technicznych szczegółów działania modelu. W praktyce widzi panel, wpisuje dane i otrzymuje dokument gotowy do sprawdzenia.

Przykład 1: generator oferty dla firmy usługowej

Pierwszym praktycznym zastosowaniem może być generator ofert handlowych. Dotyczy to nie tylko firm IT. Podobne oferty tworzą firmy sprzątające, serwisy techniczne, firmy remontowe, firmy utrzymania nieruchomości, agencje ochrony, biura rachunkowe, kancelarie, firmy szkoleniowe i wiele innych usługodawców.

W takich firmach zmienia się klient, lokalizacja, metraż, zakres prac, częstotliwość, wariant usługi i cena. Sama struktura oferty często pozostaje jednak bardzo podobna. To idealny przypadek dla asystenta AI.

Użytkownik może wpisać dane w takiej formie:

Typ dokumentu: oferta handlowa.
Branża: utrzymanie czystości.
Klient: firma produkcyjna z biurem i częścią socjalną.
Lokalizacja: Kraków.
Powierzchnia: 1200 m2.
Liczba pracowników klienta: około 80 osób.
Zakres: codzienne sprzątanie biur, sanitariatów, kuchni i części wspólnych.
Dodatkowo: mycie okien raz na kwartał, uzupełnianie środków higienicznych, odbiór odpadów z koszy.
Częstotliwość: 5 razy w tygodniu, od poniedziałku do piątku, po godzinie 17:00.
Termin rozpoczęcia: od 1 lipca.
Model rozliczenia: abonament miesięczny.
Uwagi: klient chce ograniczyć reklamacje pracowników dotyczące czystości części wspólnych.

Asystent AI może na tej podstawie przygotować uporządkowaną ofertę:

# Oferta utrzymania czystości powierzchni biurowej i socjalnej

## 1. Cel współpracy
Celem współpracy jest zapewnienie stałego utrzymania czystości w biurze, sanitariatach, kuchniach oraz częściach wspólnych obiektu klienta. Usługa ma poprawić komfort pracy pracowników oraz ograniczyć liczbę zgłoszeń dotyczących czystości przestrzeni wspólnych.

## 2. Informacje o obiekcie
- Lokalizacja: Kraków
- Powierzchnia objęta usługą: około 1200 m2
- Charakter obiektu: biuro oraz część socjalna firmy produkcyjnej
- Szacowana liczba użytkowników: około 80 osób

## 3. Zakres usługi
W ramach współpracy przewidziano:
- codzienne sprzątanie powierzchni biurowych,
- sprzątanie sanitariatów,
- sprzątanie kuchni i aneksów socjalnych,
- utrzymanie czystości części wspólnych,
- opróżnianie koszy,
- uzupełnianie środków higienicznych,
- bieżące zgłaszanie zauważonych usterek lub braków,
- kwartalne mycie okien.

## 4. Częstotliwość realizacji
Usługa będzie realizowana 5 razy w tygodniu, od poniedziałku do piątku, po godzinie 17:00.

## 5. Założenia organizacyjne
Rozpoczęcie świadczenia usługi planowane jest od 1 lipca. Szczegółowy harmonogram oraz lista pomieszczeń zostaną potwierdzone przed startem współpracy.

## 6. Model rozliczenia
Proponowany model rozliczenia: abonament miesięczny.

## 7. Dalsze kroki
Po akceptacji oferty rekomendowane jest przeprowadzenie krótkiej wizji lokalnej oraz potwierdzenie listy pomieszczeń, częstotliwości prac dodatkowych i zasad zgłaszania uwag.

Dla właściciela albo kierownika firmy usługowej korzyść jest bardzo konkretna. Pracownik nie zaczyna oferty od pustej kartki. Wpisuje dane klienta, zakres prac i warunki realizacji, a asystent przygotowuje spójny dokument, który można poprawić, wycenić, pobrać jako PDF lub DOCX i wysłać klientowi.

To samo podejście można zastosować w innych branżach: przy ofertach na serwis klimatyzacji, obsługę BHP, szkolenia, usługi księgowe, remonty, ochronę obiektu, pielęgnację terenów zielonych albo stałą obsługę administracyjną.

Przykład 2: protokół odbioru prac serwisowych

Drugim bardzo praktycznym zastosowaniem jest protokół odbioru prac. Taki dokument powstaje nie tylko w projektach IT. Potrzebują go firmy serwisowe, techniczne, remontowe, instalacyjne, budowlane, porządkowe i utrzymaniowe.

Przykładowo firma zajmująca się klimatyzacją lub obsługą techniczną obiektów może po każdej wizycie przygotowywać protokół wykonanych prac. Ręczne pisanie takich dokumentów zajmuje czas, a jednocześnie dokument musi być jasny dla klienta i przydatny w przypadku reklamacji, dalszych ustaleń albo kolejnych zleceń.

Użytkownik może wpisać:

Typ dokumentu: protokół odbioru prac serwisowych.
Klient: zarządca biurowca.
Obiekt: budynek biurowy, 3 piętra.
Zakres wizyty:
- przegląd 18 jednostek klimatyzacji,
- czyszczenie filtrów,
- kontrola odpływu skroplin,
- sprawdzenie pracy jednostek zewnętrznych,
- kontrola temperatury nawiewu.
Wykonane prace:
- wyczyszczono filtry w 18 jednostkach,
- udrożniono odpływ skroplin w 2 urządzeniach,
- sprawdzono pracę jednostek zewnętrznych,
- wykonano test chłodzenia.
Elementy otwarte:
- 2 jednostki wymagają wymiany filtrów,
- jedna jednostka wymaga ponownej kontroli po 14 dniach.
Rozbieżności:
- klient zgłosił hałas w pomieszczeniu 204, ale podczas wizyty nie potwierdzono nieprawidłowej pracy urządzenia.
Status: prace wykonane, zalecana dodatkowa kontrola.

Asystent AI może wygenerować:

# Protokół odbioru prac serwisowych

## 1. Informacje ogólne
Dokument dotyczy wykonania prac serwisowych w budynku biurowym zarządzanym przez klienta. Zakres obejmował przegląd urządzeń klimatyzacyjnych na trzech piętrach obiektu.

## 2. Zakres wizyty
W ramach wizyty serwisowej wykonano:
- przegląd 18 jednostek klimatyzacji,
- czyszczenie filtrów,
- kontrolę odpływu skroplin,
- sprawdzenie pracy jednostek zewnętrznych,
- kontrolę temperatury nawiewu,
- test chłodzenia.

## 3. Wykonane prace
Podczas wizyty:
- wyczyszczono filtry w 18 jednostkach,
- udrożniono odpływ skroplin w 2 urządzeniach,
- sprawdzono pracę jednostek zewnętrznych,
- wykonano test chłodzenia.

## 4. Elementy wymagające dalszych działań
Do dalszej decyzji lub realizacji pozostają:
- wymiana filtrów w 2 jednostkach,
- ponowna kontrola jednej jednostki po 14 dniach.

## 5. Rozbieżności i uwagi
Klient zgłosił hałas w pomieszczeniu 204. Podczas wizyty serwisowej nie potwierdzono nieprawidłowej pracy urządzenia. Zaleca się ponowną obserwację oraz dodatkową kontrolę, jeżeli problem wystąpi ponownie.

## 6. Status
Prace serwisowe zostały wykonane. Zalecana jest dodatkowa kontrola wskazanej jednostki w uzgodnionym terminie.

Taki dokument jest od razu uporządkowany i gotowy do dalszej edycji. Co ważne, może być przygotowany w standardzie firmy, a nie za każdym razem pisany innym stylem przez innego pracownika.

Przykład 3: raport rozbieżności po kontroli obiektu

AI może pomóc również przy raportach kontrolnych. To przydatne na przykład w firmach sprzątających, ochroniarskich, technicznych, administrujących nieruchomościami albo obsługujących sieci placówek.

Przykładowo kierownik obiektu po kontroli może wpisać krótkie notatki:

Typ dokumentu: raport rozbieżności po kontroli obiektu.
Obiekt: biuro klienta, Kraków.
Data kontroli: 12 czerwca.
Zakres kontroli: czystość części wspólnych, sanitariaty, kuchnie, uzupełnienie środków higienicznych.
Ustalenia:
- w kuchni na 2 piętrze brak ręczników papierowych,
- w sanitariacie przy recepcji zabrudzona podłoga,
- w sali konferencyjnej pozostawione naczynia po spotkaniu,
- kosze w części open space opróżnione prawidłowo,
- recepcja bez zastrzeżeń.
Działania:
- uzupełniono ręczniki papierowe,
- zgłoszono potrzebę dodatkowego mycia podłogi,
- poinformowano zespół sprzątający o sali konferencyjnej.
Status: wymagane działania korygujące.

Asystent może przygotować raport:

# Raport rozbieżności po kontroli obiektu

## 1. Informacje ogólne
- Obiekt: biuro klienta, Kraków
- Data kontroli: 12 czerwca
- Zakres kontroli: części wspólne, sanitariaty, kuchnie, środki higieniczne

## 2. Obszary bez zastrzeżeń
Podczas kontroli nie stwierdzono nieprawidłowości w następujących obszarach:
- recepcja,
- opróżnienie koszy w części open space.

## 3. Stwierdzone rozbieżności
Podczas kontroli odnotowano:
- brak ręczników papierowych w kuchni na 2 piętrze,
- zabrudzoną podłogę w sanitariacie przy recepcji,
- pozostawione naczynia w sali konferencyjnej po spotkaniu.

## 4. Podjęte działania
W ramach działań bieżących:
- uzupełniono ręczniki papierowe,
- zgłoszono potrzebę dodatkowego mycia podłogi,
- poinformowano zespół sprzątający o konieczności sprawdzenia sali konferencyjnej po spotkaniach.

## 5. Rekomendacje
Zaleca się:
- dodatkową kontrolę sanitariatu przy recepcji podczas kolejnego obchodu,
- przypomnienie zasad kontroli sal konferencyjnych po zakończonych spotkaniach,
- monitorowanie dostępności środków higienicznych w kuchniach.

## 6. Status
Wymagane działania korygujące.

Taki raport może powstać z krótkich notatek kierownika albo pracownika terenowego. Dzięki temu firma szybciej przygotowuje dokument dla klienta, a jednocześnie zachowuje spójny styl i jasny podział na ustalenia, działania oraz rekomendacje.

Co widzi użytkownik w praktyce?

Z perspektywy pracownika albo właściciela firmy nie musi to wyglądać jak narzędzie techniczne. Użytkownik nie musi wiedzieć, czym jest model językowy, prompt systemowy, Markdown albo API.

W praktyce może widzieć prosty panel:

• wybierz typ dokumentu: oferta, protokół, raport, mail,
• wpisz dane klienta,
• wpisz zakres prac albo notatki z wizyty,
• kliknij „wygeneruj dokument”,
• sprawdź treść,
• pobierz PDF lub DOCX,
• wyślij dokument do klienta albo zapisz go w firmowym repozytorium.

Dzięki temu AI staje się normalnym narzędziem pracy, a nie eksperymentem technologicznym. Pracownik nie „rozmawia z modelem”, tylko szybciej przygotowuje dokument, który i tak musiałby stworzyć ręcznie.

Architektura rozwiązania AI

Rozwiązanie tego typu można wdrożyć na kilka sposobów. Nie zawsze trzeba od razu budować własny panel użytkownika od zera. W pierwszym etapie można wykorzystać gotowe narzędzie, takie jak Open WebUI, czyli samo-hostowany interfejs webowy do pracy z modelami językowymi.

Open WebUI może pełnić rolę gotowego panelu do testów, prototypowania i pracy wewnętrznej z modelem. Pozwala szybciej sprawdzić, czy wybrane scenariusze mają sens: generowanie ofert, protokołów, raportów, notatek albo maili. Dopiero później, gdy proces jest już dobrze opisany, można zbudować dedykowany panel firmowy z formularzami, uprawnieniami, historią dokumentów, statusem akceptacji i eksportem do PDF lub DOCX.

W praktyce można więc zastosować dwa podejścia:

• gotowy panel Open WebUI — dobry do szybkiego uruchomienia, testów i pracy wewnętrznej,
• dedykowany panel firmowy — dobry wtedy, gdy proces ma być zautomatyzowany, kontrolowany i powiązany z dokumentami, klientami, statusami oraz uprawnieniami.

W bardziej rozbudowanym wariancie najważniejsze elementy rozwiązania to:

• Open WebUI jako gotowy interfejs do modelu albo dedykowany panel WWW,
• backend aplikacji,
• baza szablonów dokumentów,
• baza wiedzy lub zestaw instrukcji firmowych,
• model językowy uruchomiony lokalnie przez Ollama albo dostępny przez OpenAI API,
• warstwa walidacji wyniku,
• utworzenie dokumentu roboczego w uporządkowanym formacie,
• eksport do PDF, DOCX, HTML, Markdown albo wiadomości e-mail,
• mechanizm zapisu dokumentu w repozytorium firmowym.

W prostym modelu przepływ może wyglądać następująco:

Użytkownik → Open WebUI lub panel firmowy → model AI → dokument roboczy → weryfikacja człowieka → PDF / DOCX / e-mail / zapis w systemie

To bardzo ważne: człowiek nadal powinien weryfikować wynik. AI przygotowuje szkic, porządkuje treść i przyspiesza pracę, ale odpowiedzialność za dokument biznesowy pozostaje po stronie użytkownika lub firmy.

OpenAI API albo lokalny model przez Ollama

Wdrożenie można oprzeć na modelu dostępnym przez API, na przykład OpenAI API, albo na lokalnym modelu uruchamianym w środowisku firmy, na przykład przez Ollama.

W wariancie lokalnym Open WebUI może być praktycznym interfejsem użytkownika dla modeli uruchomionych przez Ollama. Dzięki temu firma może szybko uruchomić wewnętrzny panel AI bez projektowania całego frontendu od zera. W późniejszym etapie taki prototyp można rozbudować albo zastąpić dedykowaną aplikacją dopasowaną do procesu firmy.

Wariant z OpenAI API

W tym wariancie aplikacja firmowa wysyła dane wejściowe do modelu przez API i odbiera odpowiedź. To rozwiązanie może być korzystne, gdy firmie zależy na wysokiej jakości generowanych treści, szybkim wdrożeniu i możliwości korzystania z nowoczesnych modeli bez utrzymywania własnej infrastruktury modelowej.

W takim wariancie szczególnie ważne jest ustalenie:

• jakie dane można wysyłać do modelu,
• czy dane zawierają informacje poufne,
• jak anonimizować lub ograniczać dane wejściowe,
• jak logować zapytania,
• kto ma dostęp do historii dokumentów,
• jakie są zasady zatwierdzania wyniku.

Wariant lokalny z Ollama i Open WebUI

W drugim wariancie model językowy działa lokalnie, na przykład na serwerze firmy albo w wydzielonym środowisku. Ollama może zostać uruchomiona w kontenerze Docker i udostępnia lokalne API, z którego korzysta Open WebUI albo dedykowana aplikacja firmowa.

Taki wariant może być atrakcyjny, gdy firma chce większej kontroli nad środowiskiem, testuje zastosowania AI lokalnie albo chce zbudować prototyp bez wysyłania danych do zewnętrznego API.

Przykładowa architektura kontenerowa może obejmować:

• kontener z Open WebUI jako gotowym panelem AI,
• kontener z Ollama i modelem językowym,
• kontener z dedykowanym backendem aplikacji, jeżeli proces wymaga formularzy, statusów i historii,
• kontener z bazą wiedzy,
• kontener z bazą danych lub historią dokumentów,
• opcjonalny kontener do konwersji dokumentów do DOCX lub PDF.

Takie podejście jest bliskie klasycznemu wdrożeniu aplikacji firmowej: mamy usługi, kontenery, porty, dane, backup, konfigurację i kontrolę dostępu.

Docker jako element uporządkowanego wdrożenia

Docker nie jest celem samym w sobie. Jest sposobem uporządkowania infrastruktury. W przypadku firmowego asystenta AI można rozdzielić poszczególne elementy rozwiązania:

• Open WebUI jako gotowy panel użytkownika,
• dedykowany frontend, jeżeli firma potrzebuje własnych formularzy i procesu akceptacji,
• backend, czyli logikę aplikacji,
• model AI,
• bazę szablonów,
• bazę wiedzy,
• historię wygenerowanych dokumentów,
• mechanizm eksportu plików.

Dzięki temu łatwiej rozwijać rozwiązanie, testować je i utrzymywać. Można osobno aktualizować model, osobno rozwijać panel użytkownika, osobno zmieniać szablony dokumentów i osobno zarządzać historią wygenerowanych treści.

W małej firmie taki system może działać jako prosty wewnętrzny panel. W większej organizacji może być elementem szerszej architektury: z logowaniem użytkowników, uprawnieniami, integracją z repozytorium dokumentów i kontrolą dostępu.

Dlaczego prompt to za mało?

Wiele osób zaczyna pracę z AI od przygotowania jednego dobrego promptu. To naturalny początek, ale w firmie sam prompt nie wystarczy.

Wdrożenie wymaga odpowiedzi na pytania:

• jakie dokumenty mają być generowane,
• jakie dane wejściowe są wymagane,
• które pola są obowiązkowe,
• jaki ma być format wyniku,
• czy wynik ma być w Markdown,
• czy później ma być konwertowany do DOCX lub PDF,
• czy użytkownik może edytować wynik,
• kto zatwierdza dokument,
• gdzie dokument jest zapisywany,
• jak oznaczać wersje,
• jak obsługiwać błędy i braki danych,
• jak ograniczyć ryzyko nieprawidłowych treści,
• jak zapewnić spójny styl firmy.

Prompt jest jednym z elementów. Obok niego potrzebne są szablony, reguły, przykłady, walidacje, scenariusze użycia i kontrola człowieka.

Rola analizy przed wdrożeniem AI

Tak jak w klasycznych wdrożeniach IT, również przy AI najważniejsza jest analiza procesu. Zanim firma wdroży asystenta AI, warto ustalić:

• jakie dokumenty są tworzone najczęściej,
• kto je tworzy,
• ile czasu zajmuje ich przygotowanie,
• jakie dane są potrzebne,
• które informacje są powtarzalne,
• które informacje wymagają decyzji człowieka,
• jakie szablony już istnieją,
• jaki format dokumentu jest używany,
• kto zatwierdza dokument,
• gdzie dokument trafia po przygotowaniu,
• jakie błędy są niedopuszczalne,
• które dane są poufne,
• czy potrzebna jest integracja z CRM, ERP, e-mailem, dyskiem firmowym albo systemem zadań.

Dopiero po takiej analizie można sensownie zdecydować, czy lepszy będzie wariant z OpenAI API, lokalny model przez Ollama i Open WebUI, czy rozwiązanie mieszane z dedykowanym panelem firmowym.

„`html id=”k9h2xq”

W czym może pomóc LISNET?

W LISNET mogę pomóc firmie przejść od ogólnego pomysłu „chcemy używać AI” do konkretnego, uporządkowanego rozwiązania wspierającego codzienną pracę.

Zakres wsparcia może mieć dwa poziomy.

Pierwszy poziom to mały prototyp lub praktyczne wdrożenie AI. W takim wariancie można uruchomić prostego asystenta dokumentacyjnego, który działa na gotowym modelu językowym, korzysta z instrukcji, szablonów i danych podanych przez użytkownika, a następnie generuje dokument w ustalonej strukturze. Takie rozwiązanie może działać lokalnie w oparciu o Ollama, Open WebUI i Docker albo korzystać z modelu dostępnego przez API.

Drugi poziom to analiza i przygotowanie większego projektu AI. W takim przypadku nie chodzi od razu o samą konfigurację narzędzia, ale o uporządkowanie procesu, danych, odpowiedzialności, integracji, ryzyk i wymagań przed rozpoczęciem właściwego wdrożenia. Taka analiza może być podstawą dla zespołu IT, software house’u albo wykonawcy, który będzie budował większe rozwiązanie.

W praktyce mogę wesprzeć firmę w takich obszarach jak:

• analiza procesu tworzenia ofert, protokołów, raportów lub maili do klienta,
• wybór pierwszego realnego scenariusza użycia AI w firmie,
• opis danych wejściowych potrzebnych do wygenerowania dokumentu,
• przygotowanie szablonów dokumentów, na przykład ofert, protokołów odbioru lub raportów rozbieżności,
• przygotowanie instrukcji systemowych i reguł działania asystenta AI,
• uruchomienie prostego prototypu asystenta dokumentacyjnego, który na podstawie podanego wsadu generuje uporządkowany dokument według ustalonego wzoru,
• konfiguracja lokalnego środowiska opartego o Ollama, Open WebUI i Docker,
• konfiguracja wariantu opartego o API, jeżeli firma woli korzystać z modelu dostępnego przez usługę zewnętrzną,
• porównanie wariantu lokalnego z wariantem opartym o API,
• analiza większego projektu AI przed jego wdrożeniem,
• opis wymagań funkcjonalnych i niefunkcjonalnych dla rozwiązania AI,
• przygotowanie założeń dla dedykowanego panelu firmowego, jeżeli firma potrzebuje formularzy, akceptacji, historii dokumentów i eksportu do PDF lub DOCX,
• opis integracji z CRM, ERP, repozytorium dokumentów, pocztą albo innymi systemami firmowymi,
• przygotowanie dokumentacji dla wykonawcy albo zespołu IT, który będzie rozwijał rozwiązanie dalej,
• wsparcie firmy w testach, doprecyzowaniu szablonów i ocenie jakości generowanych dokumentów.

Nie chodzi tu wyłącznie o uruchomienie modelu. W małym projekcie wartością może być szybki prototyp, który pokazuje realną korzyść biznesową. W większym projekcie wartością może być analiza, która porządkuje potrzeby firmy, zanim powstaną koszty, umowy i prace wdrożeniowe.

Dzięki temu AI nie jest przypadkowym chatbotem, ale narzędziem osadzonym w pracy firmy: pomaga szybciej przygotować ofertę, protokół, raport albo wiadomość, a przy większych projektach pozwala lepiej zaplanować zakres, dane, integracje i odpowiedzialności.

Dla kogo jest takie rozwiązanie?

Tego typu asystent AI lub analiza wdrożenia AI może być przydatna szczególnie dla firm i zespołów, które regularnie tworzą podobne dokumenty albo planują uporządkować powtarzalne procesy z wykorzystaniem modeli językowych.

Dotyczy to między innymi:

• firm usługowych,
• firm sprzątających i utrzymania czystości,
• firm serwisowych i technicznych,
• firm remontowych i instalacyjnych,
• zarządców nieruchomości,
• działów obsługi klienta,
• działów sprzedaży,
• firm konsultingowych,
• software house’ów i zespołów IT, które potrzebują wsparcia analitycznego przed wdrożeniem AI,
• firm, które tworzą dużo podobnych dokumentów,
• organizacji, które chcą uporządkować wiedzę, dokumentację i procesy przed wdrożeniem AI.

Jeżeli firma regularnie przygotowuje oferty, protokoły, raporty, notatki, opisy zakresu prac albo dokumentację dla klientów, AI może znacząco przyspieszyć ten proces. Jeżeli natomiast firma planuje większe wdrożenie AI, analiza może pomóc lepiej określić zakres, dane, odpowiedzialności, integracje i ryzyka jeszcze przed rozpoczęciem prac wykonawczych.

Co trzeba zrobić, żeby to miało sens?

Wdrożenie AI warto potraktować jak projekt IT, a nie jak eksperyment z pojedynczym promptem.

Najpierw trzeba ustalić proces. Potem dane wejściowe. Następnie format wyjścia. Dopiero później wybierać model, infrastrukturę i sposób integracji.

Praktyczny plan może wyglądać tak:

1. wybór jednego typu dokumentu albo jednego procesu do usprawnienia,
2. analiza obecnego sposobu pracy,
3. przygotowanie szablonu dokumentu lub opisu procesu,
4. opis danych wejściowych,
5. przygotowanie instrukcji dla modelu,
6. uruchomienie prototypu, na przykład w Open WebUI,
7. testy na realnych przykładach,
8. poprawa szablonu i reguł,
9. ustalenie zasad weryfikacji wyniku przez człowieka,
10. decyzja, czy wystarczy prosty prototyp, czy potrzebny jest większy projekt wdrożeniowy.

Takie podejście ogranicza ryzyko i pozwala szybko zobaczyć, czy AI rzeczywiście pomaga w pracy.

Podsumowanie

AI w firmie nie powinno być wdrażane jako ogólny chatbot bez celu. Znacznie większą wartość daje asystent zaprojektowany pod konkretny proces: tworzenie ofert, protokołów odbioru, raportów rozbieżności, opisów zakresu usługi albo maili do klienta.

Taki asystent może działać w oparciu o model dostępny przez API albo lokalny model uruchomiony przez Ollama w środowisku Docker. W szybkim wariancie można wykorzystać Open WebUI jako gotowy panel do pracy z modelem. W bardziej rozbudowanym wariancie można przygotować założenia dla dedykowanego panelu firmowego z formularzami, historią dokumentów, akceptacją i eksportem do PDF lub DOCX.

Najważniejsze jest jednak to, żeby zacząć od procesu, a nie od modelu.

Model językowy jest narzędziem. Dopiero analiza, szablony, reguły, infrastruktura i kontrola człowieka sprawiają, że narzędzie zaczyna przynosić realną wartość w firmie.