AI w firmie bez chaosu

Zacznijcie od spisu używanych narzędzi i danych, a potem ustalcie zasady ich wykorzystania. Plan na 90 dni, podany dalej, pokazuje proponowaną kolejność; uwzględnijcie w nim także czas pracowników i potrzebne wsparcie specjalistów.

1. Jeden właściciel tematu. Nie komitet, nie „wszyscy odpowiadają". Jedna osoba, która ma prawo powiedzieć „to narzędzie nie wchodzi" i obowiązek odpowiedzieć na pytanie „czy mogę tego użyć". W firmie do 50 osób bywa to właściciel albo dyrektor operacyjny, w większej CIO. Ta osoba nie musi znać się na modelach językowych. Musi znać dane firmy i mieć dostęp do zarządu.

2. Spis tego, co już działa. Zanim cokolwiek zakażecie, sprawdźcie, czego ludzie używają. Anonimowa ankieta na pięć pytań (jakie narzędzia, do jakich zadań, jakie dane, konto prywatne czy firmowe, co chcielibyście móc robić) wystarczy na start. Bez spisu i polityki nie wiadomo, co jest w użyciu. Raport IBM z 2025 roku pokazuje, jak często tak bywa w organizacjach po naruszeniu: 63% organizacji, w których doszło do naruszenia, nie miało polityki zarządzania AI albo dopiero ją opracowywało. Wśród tych, które politykę mają, tylko 34% regularnie sprawdza, czy pracownicy nie używają niezatwierdzonych narzędzi.

3. Trzy klasy danych. Pracownik nie będzie czytał regulaminu na dwadzieścia stron, ale zapamięta prostą regułę. Proponuję taką (to moja propozycja, nie wynik badań):

• zielone: treści publiczne, w tym opublikowane materiały marketingowe, o ile nie należą do klasy wyższego ryzyka; można używać zatwierdzonych narzędzi;
• żółte: dokumenty wewnętrzne bez danych osobowych, tylko konta firmowe zatwierdzonych narzędzi;
• czerwone: dane osobowe klientów i pracowników, tajemnice handlowe, kod źródłowy, umowy z klientami, dane finansowe. Do narzędzia AI tylko po decyzji właściciela tematu i ocenie ryzyka.

Gdy materiał pasuje do kilku klas, obowiązuje klasa wyższego ryzyka: czerwona przed żółtą, żółta przed zieloną.

4. Lista zatwierdzonych narzędzi i konta firmowe. Sprawdźcie, czy firma może zarządzać dostępem, odebrać go po odejściu pracownika i ustalić, co dostawca robi z danymi. Od odpowiedzi uzależnijcie dopuszczenie narzędzia i wybór kont. Wybierzcie jedno-dwa narzędzia, kupcie licencje firmowe i sprawdźcie w umowie, czy dostawca używa waszych danych do trenowania modeli, gdzie je przechowuje i jak długo. Pytania do dostawcy są w materiałach do pobrania.

5. Człowiek odpowiada za wynik. Ktoś, kto wysyła tekst, liczbę czy odpowiedź do klienta, odpowiada za to, co wysłał, niezależnie od tego, kto to napisał. Wpiszcie to wprost do polityki. Jak to wygląda w praktyce, pokazuje sprawa Air Canada, opisana w części o ryzykach.

6. Kompetencje AI: obowiązek i sposób realizacji. Artykuł 4 AI Act obowiązuje od 2 lutego 2025 roku i dotyczy firm, które używają systemów AI, nie tylko ich producentów. Zmieniony rozporządzeniem 2026/1744 (opisuję je w sekcji o prawie) art. 4 wymaga środków wspierających rozwój kompetencji w zakresie AI, bez gwarantowania określonego poziomu każdej osobie. Szkolenie na przykładach z waszej firmy proponuję jako jedno z takich działań; przy okazji zmniejsza ono ryzyko wycieku. Czy samo szkolenie wystarczy, zależy od tego, jak szeroko używacie AI, więc zapytajcie prawnika. Zachowajcie listę uczestników.

Przed pilotażem ustalcie, jakie obowiązki dotyczą waszego zastosowania AI. Daty i zakres przepisów opisuję dalej, w sekcji „Prawo: co obowiązuje, a co przesunięto".

Jak wybrać pierwsze zadanie

Poniższe kryteria to moje, nie z badań. Dobre pierwsze zadanie spełnia cztery warunki naraz: wykonywane jest często (co najmniej kilkanaście razy w tygodniu), dane są zielone lub żółte, wynik zawsze sprawdza człowiek przed wysłaniem, a czas lub jakość da się zmierzyć przed pilotażem i po nim.

Takie zadania zwykle mieszczą się w obszarach, w których firmy w Eurostacie stosują AI najczęściej: sprzedaż, marketing i administracja. Przykłady do rozważenia: przygotowanie szkicu odpowiedzi na typowe zapytania ofertowe, streszczenia notatek ze spotkań i wątków mailowych, pierwsza wersja opisów produktów lub ogłoszeń, porządkowanie i kategoryzowanie zgłoszeń.

Nie zaczynajcie od: oceny kandydatów lub pracowników (w AI Act to obszar wysokiego ryzyka, a UODO podaje rekrutację jako przykład zastosowania o innym profilu ryzyka niż teksty marketingowe), chatbota odpowiadającego klientom bez przekazania do człowieka (patrz Air Canada) i agenta z uprawnieniami do zapisu w księgowości lub bankowości.

Jak zaprojektować pilotaż

Znów moja propozycja, ale każdy element wynika z błędów opisanych wyżej:

• jedno zadanie, 5–15 użytkowników, 6–8 tygodni;
• pomiar przed startem: ile trwa zadanie, ile poprawek, ile reklamacji. Bez tego po pilotażu zostaną wrażenia;
• limit budżetu ustalony na początku, razem z czasem ludzi;
• kryteria „idziemy dalej / kończymy" spisane przed startem, nie po wynikach;
• właściciel tematu przegląda przypadki, w których narzędzie się pomyliło, i dopisuje je do instrukcji.

Przykład hipotetyczny: firma 40-osobowa, dział ofert przygotowuje 25 ofert tygodniowo, średnio po 2 godziny. Pilotaż obejmuje 5 handlowców i jeden typ oferty. Założone przed startem kryterium: czas przygotowania spada o co najmniej 25% przy niezmienionej liczbie poprawek zgłaszanych przez klientów. Wynik poniżej progu oznacza koniec pilotażu, a nie „jeszcze miesiąc". Liczby są umowne i służą tylko do pokazania, jak ustawić próg.

Plan na 90 dni

1. Tydzień 1–2

   Wyznaczacie właściciela, robicie ankietę i spis narzędzi

   EfektRejestr narzędzi AI

2. Tydzień 3–4

   Ustalacie klasy danych, wybieracie narzędzia, wprowadzacie politykę i godzinne szkolenie

   EfektPolityka podpisana, lista zatwierdzonych narzędzi

3. Tydzień 5–6

   Wybieracie zadanie pilotażowe, mierzycie stan wyjściowy

   EfektKarta pilotażu

4. Tydzień 7–12

   Pilotaż, cotygodniowy przegląd błędów

   EfektDane z pilotażu

5. Tydzień 13

   Decyzja: skalować po spełnieniu kryteriów, zakończyć albo zatwierdzić nowy pilotaż

   EfektProtokół decyzji

Nowy pilotaż wymaga osobnej hipotezy, budżetu i kryteriów ustalonych przed startem.

Co mówią dane o efektach

Dwa badania warto znać, bo pokazują, że efekt zależy od zadania i że ludzie źle oceniają własne przyspieszenie.

Brynjolfsson, Li i Raymond, w wersji badania zaktualizowanej 6 listopada 2024 roku, przeanalizowali dane 5172 pracowników obsługi klienta w jednej firmie. Dostęp do asystenta AI zwiększył liczbę rozwiązanych spraw na godzinę średnio o 15%. Największe korzyści uzyskali pracownicy mniej doświadczeni i o niższych kwalifikacjach. U najbardziej doświadczonych i o najwyższych kwalifikacjach wzrost szybkości był niewielki, a jakość nieco spadła.

METR w lipcu 2025 opublikował próbę z 16 doświadczonymi deweloperami open source i 246 zadaniami. Z dostępem do AI pracowali o 19% wolniej, choć po badaniu uważali, że byli o 20% szybsi. Zastrzeżenie: próba mała, jedno środowisko, narzędzia z początku 2025 roku. W lutym 2026 METR sam napisał, że przy nowym projekcie eksperymentu ma niepewny sygnał o ówczesnym efekcie, bo 30–50% programistów nie zgłaszało zadań, które woli robić z AI. Przynajmniej jedno uzasadnia ostrożność: wrażenia użytkowników bywają kiepskim miernikiem, więc mierzcie.

W badaniu McKinsey z 2025 roku 88% organizacji używało AI w co najmniej jednej funkcji, a około jedna trzecia zaczęła ją skalować. To różne etapy dojrzałości. O decyzji w konkretnej firmie powinny przesądzać wyniki pilotażu, jakość i pełne koszty, nie sam odsetek adopcji.

Wyciek danych

W maju 2023 roku Samsung zakazał pracownikom generatywnej AI. Według relacji Bloomberga powodem było wgranie przez pracownika wrażliwego kodu źródłowego do ChatGPT, a firma obawiała się, że dane trafiają na zewnętrzne serwery, skąd trudno je usunąć. To pojedynczy, dobrze opisany przypadek. Skalę pokazuje raport IBM Cost of a Data Breach 2025, oparty na 600 organizacjach, w których doszło do naruszenia (marzec 2024 – luty 2025):

• 13% zgłosiło naruszenie modelu lub aplikacji AI, a 97% z nich nie miało kontroli dostępu do AI;
• jedna na pięć organizacji doświadczyła naruszenia związanego z shadow AI, czyli nieuzgodnionym używaniem narzędzi;
• naruszenia z udziałem shadow AI kosztowały średnio 4,63 mln dolarów wobec 3,96 mln przy zwykłych, różnica 670 tysięcy;
• średni globalny koszt naruszenia wyniósł 4,44 mln dolarów.

Badanie obejmuje organizacje, które już miały naruszenie, a kwoty są średnimi globalnymi. Nie są prognozą kosztu incydentu w konkretnej firmie. Związek między shadow AI a wyższym kosztem nie dowodzi, że sam brak kontroli spowodował różnicę.

Błędne odpowiedzi i odpowiedzialność

W sprawie Moffatt przeciwko Air Canada (British Columbia Civil Resolution Tribunal, 14 lutego 2024) chatbot linii powiedział klientowi, że zniżkę na lot z powodu śmierci w rodzinie można uzyskać wnioskiem złożonym do 90 dni po zakupie biletu. Zasady linii przewidywały co innego. Linia argumentowała, że poprawna informacja jest gdzie indziej na stronie, a chatbot to osobny podmiot odpowiedzialny za siebie. Trybunał się z tym nie zgodził: firma odpowiada za całość informacji na swojej stronie, niezależnie od tego, czy pochodzi ze statycznego tekstu, czy z bota. Odszkodowanie wyniosło około 650 dolarów kanadyjskich plus odsetki i koszty. Kwota drobna, zasada nie.

McKinsey w badaniu State of AI 2025 (1993 respondentów, 105 krajów, czerwiec–lipiec 2025) podaje, że 51% organizacji używających AI doświadczyło co najmniej jednej negatywnej konsekwencji, a prawie jedna trzecia wszystkich badanych wskazuje na skutki nieścisłości w odpowiedziach AI.

Dane osobowe

UODO opublikował w 2026 roku listy pytań kontrolnych dla firm wdrażających AI, w czterech wersjach, w tym osobnej dla MŚP korzystających z gotowych systemów bez ich trenowania. Dokument podkreśla, że to samo narzędzie niesie inne ryzyko przy tekstach marketingowych, inne przy obsłudze klientów, a jeszcze inne w rekrutacji. UODO zastrzega, że listy nie są wiążącą wykładnią ani nie zastępują pełnej analizy ryzyka.

Integracje i agenci

Im więcej uprawnień dacie narzędziu, tym większe ryzyko. W OWASP Top 10 dla aplikacji opartych na modelach językowych (wydanie 2025) na liście są między innymi wstrzykiwanie poleceń (prompt injection), ujawnianie wrażliwych informacji oraz nadmierna sprawczość (excessive agency), czyli sytuacja, w której model ma więcej funkcji, uprawnień lub autonomii, niż zadanie wymaga. Moja praktyczna reguła: pierwszego agenta traktujcie jak praktykanta w pierwszym tygodniu. Dostęp do odczytu tak, do zapisu w systemach finansowych nie.

Gartner prognozuje (czerwiec 2025), że ponad 40% projektów agentowej AI, czyli systemów, które mogą wykonywać kolejne kroki zadania i korzystać z narzędzi w ramach przyznanych uprawnień, zostanie anulowanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczającej kontroli ryzyka. To prognoza, nie pomiar, i opiera się m.in. na ankiecie wśród 3412 uczestników webinarów. Gartner szacuje też, że z tysięcy dostawców „agentów" tylko około 130 oferuje realne możliwości agentowe, a reszta przemianowuje chatboty i automatyzacje (agent washing). Według McKinseya (badanie z czerwca–lipca 2025) 23% organizacji skalowało systemy agentowe, a kolejne 39% eksperymentowało.

Badania Eurostatu, Ministerstwa Rozwoju i Technologii (MRiT) oraz Polskiego Instytutu Ekonomicznego (PIE) obejmują różne grupy firm i mogą inaczej definiować wykorzystanie AI. Ich wyników nie traktujcie jako jednej serii porównawczej.

Dla porównania: GUS podawał za 2024 rok 5,9%. Tę samą wartość dla Polski w 2024 roku podaje Eurostat, więc różnica wobec 8,36% z 2025 roku to różnica lat (2024 i 2025), a nie definicji.

Ankieta MRiT z 2024 roku (650 firm mikro, małych i średnich) pokazała 16%. W badaniu PIE z września 2025 roku (500 firm, w tym 100 średnich i 50 dużych) z generatywnej AI korzystało 19% średnich i 21% dużych firm; odsetki dotyczą odpowiednich grup wielkości. Według ankiety MRiT 77% firm, które AI nie stosują, nie planuje jej wdrożenia, dopóki nie będzie to konieczne.

Rozporządzenie (UE) 2026/1744 zostało opublikowane w Dzienniku Urzędowym 24 lipca 2026 roku, weszło w życie 27 lipca 2026 roku (art. 4 rozporządzenia) i przesunęło terminy dla systemów wysokiego ryzyka. Stan na 7 października 2026 roku:

• 2 lutego 2025: zaczęły być stosowane pierwotne przepisy o zakazanych praktykach i art. 4. Nowe zakazy wskazane w znowelizowanym art. 113 mają odrębny termin: 2 grudnia 2026;
• 2 sierpnia 2025: zaczęły być stosowane obowiązki dostawców modeli ogólnego przeznaczenia;
• 2 sierpnia 2026: zaczął być stosowany art. 50. Do 2 grudnia 2026 odroczono dostosowanie do art. 50 ust. 2 przez dostawców systemów generujących treści syntetyczne, które wprowadzono do obrotu przed 2 sierpnia 2026. Nie jest to ogólne odroczenie obowiązków informowania o treściach publikowanych przez użytkowników biznesowych;
• 2 grudnia 2027: zaczną być stosowane wskazane w art. 113 przepisy rozdziału III, sekcji 1–3, dotyczące systemów wysokiego ryzyka z art. 6 ust. 2 i załącznika III (m.in. AI w rekrutacji i ocenie pracowników), pierwotnie od 2 sierpnia 2026;
• 2 sierpnia 2028: te same przepisy dla systemów objętych art. 6 ust. 1 i załącznikiem I (systemy wbudowane w produkty regulowane), pierwotnie od 2 sierpnia 2027. Odroczenie nie obejmuje art. 6 ust. 5.

Art. 4 w brzmieniu pierwotnym wymagał środków „w celu zapewnienia, w możliwie największym stopniu, odpowiedniego poziomu kompetencji w zakresie AI". Zmieniony art. 4 opisałem przy regule 6.

Art. 99 określa odrębne limity kar zależnie od naruszenia. Limit 35 mln euro lub 7% rocznego światowego obrotu dotyczy zakazanych praktyk, a limit 15 mln euro lub 3% obowiązków wymienionych w ust. 4. Dla MŚP, w tym start-upów, ust. 6 przewiduje niższy z właściwych limitów; nowelizacja nie zmieniła tej zasady.

Ustawa o systemach sztucznej inteligencji (Dz.U. 2026 poz. 1003) weszła zasadniczo w życie 11 sierpnia 2026 roku. Art. 8–18 oraz rozdziały 3–5, 8 i 9 wejdą w życie 28 października 2026 roku; odrębny, wcześniejszy termin dotyczył art. 125 ust. 4. Ustawa powołuje Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI), która ma prowadzić kontrole, wydawać opinie i organizować piaskownice regulacyjne.

Co z tego wynika dla większości MŚP: o obowiązkach decyduje sposób wykorzystania systemu, nie tylko to, czy kupiliście gotowe narzędzie. Art. 50 rozróżnia obowiązki dostawców i podmiotów stosujących AI. Przy publikacji znaczenie mają m.in. deepfake'i oraz teksty informujące opinię publiczną o sprawach leżących w interesie publicznym; dla tych tekstów przewidziano wyjątek związany z kontrolą człowieka i odpowiedzialnością redakcyjną. Wysokie ryzyko pojawi się, gdy AI zacznie wpływać na decyzje o ludziach (rekrutacja, ocena pracowników).

1. Polityka korzystania z AI w firmie (01-polityka-korzystania-z-AI-szablon; PDF). Gotowy szablon do dostosowania: zasady, klasy danych, odpowiedzialność, zgłaszanie incydentów.
2. Rejestr narzędzi AI i ocena ryzyka (02-rejestr-narzedzi-AI-i-ocena-ryzyka; XLSX). Spis narzędzi i zastosowań z automatycznym wyliczaniem poziomu ryzyka i listą zatwierdzonych narzędzi.
3. Checklista oceny dostawcy narzędzia AI (03-checklista-oceny-dostawcy-AI; PDF). Pytania o dane, umowę, bezpieczeństwo i RODO, oparte na pytaniach UODO i liście OWASP.
4. Karta pilotażu AI (04-karta-pilotazu-AI; PDF). Hipoteza, pomiar wyjściowy, budżet, kryteria „idziemy dalej" i „kończymy".

Materiały są dostępne po polsku i angielsku, jako PDF lub XLSX zgodnie z odnośnikami poniżej. Szablony nie są poradą prawną; przed wdrożeniem polityki należy ocenić wymagania konkretnej organizacji.

Źródła

• Microsoft i LinkedIn, 2024 Work Trend Index: AI at Work Is Here. Now Comes the Hard Part (31 tys. pracowników, 31 krajów, luty–marzec 2024).
• Eurostat, Use of artificial intelligence in enterprises (dane za 2025, tabela isoc_eb_ai, odczyt w grudniu 2025; bariery wśród firm, które nie używały AI, choć rozważały jej wykorzystanie).
• Eurostat, Usage of AI technologies increasing in EU enterprises (23 stycznia 2025; dane za 2024, w tym Polska 5,9%).
• Polski Instytut Ekonomiczny, PointP 5/2025: AI w firmach (zestawienie GUS, MRiT i PIE; badanie PIE: CATI, wrzesień 2025, 500 firm, w tym 100 średnich i 50 dużych).
• IBM, Cost of a Data Breach Report 2025, w relacji HPCwire i Kiteworks.
• Forbes Australia, Samsung bans ChatGPT among employees after sensitive code leak (za Bloombergiem, maj 2023).
• American Bar Association, BC Tribunal Confirms Companies Remain Liable for Information Provided by AI Chatbot (Moffatt v. Air Canada, 2024).
• McKinsey, The state of AI in 2025: Agents, innovation, and transformation.
• Gartner, Over 40% of agentic AI projects will be canceled by end of 2027 (25 czerwca 2025).
• Gartner, 30% of generative AI projects will be abandoned after proof of concept by end of 2025 (29 lipca 2024).
• Brynjolfsson, Li, Raymond, Generative AI at Work, wersja z 6 listopada 2024 r. (5172 pracowników, średnio 15%).
• METR, Early-2025 AI experienced open-source developer study (10 lipca 2025) oraz aktualizacja z 24 lutego 2026.
• OWASP, Top 10 for LLM Applications 2025.
• UODO, Listy pytań inicjalnych dotyczące ochrony danych osobowych w systemach AI (2026) oraz relacja PIT.pl.
• Rozporządzenie (UE) 2026/1744 (Digital Omnibus on AI): EUR-Lex, tekst EN i tekst PL (art. 1 pkt 5, 38, 39 lit. b i 40, czyli art. 4, 99, 111 ust. 4 i 113 AI Act w nowym brzmieniu, oraz art. 4 rozporządzenia o wejściu w życie), National Law Review, Gibson Dunn, Software Improvement Group, artificialintelligenceact.eu.
• AI Act, art. 4: kompetencje w zakresie AI (AI Act Service Desk Komisji Europejskiej, brzmienie pierwotne).
• AI Act (rozporządzenie (UE) 2024/1689 z 13 czerwca 2024), art. 4, 50 i 99: EUR-Lex, tekst EN, tekst PL.
• Polska ustawa o systemach sztucznej inteligencji (ustawa z 3 lipca 2026 r.): Dz.U. 2026 poz. 1003, tekst ustawy; o KRiBSI także Akademia LTCA, Spider's Web, Bankier.pl.