Dlaczego powinieneś stworzyć własny, firmowy model językowy (LLM)?

W 2025 roku sztucznej inteligencji używało 20% unijnych firm zatrudniających co najmniej 10 osób, a w Polsce tylko 8,4% (Eurostat, 2025). Własny model językowy w większości przedsiębiorstw to istniejący model wzbogacony o firmowe dokumenty, uprawnienia i testy jakości. Taki system porządkuje wiedzę, która dziś tkwi w głowach kilku osób, ale wymaga rachunku kosztów i zgodności z RODO oraz AI Act.

Czym jest firmowy model językowy

Duży model językowy (LLM) to system sztucznej inteligencji wytrenowany na dużych zbiorach tekstu. Rozpoznaje zależności między słowami, więc potrafi odpowiadać na pytania, streszczać dokumenty, klasyfikować informacje i wspierać pracę z kodem. Określenie „własny model językowy” obejmuje kilka bardzo różnych podejść:

Podejście	Na czym polega	Kiedy ma sens
Model bazowy	zna język i ogólne wzorce tekstu	punkt wyjścia każdego wdrożenia
Dostrojenie	model uczy się stylu, formatu lub sposobu klasyfikowania	gdy liczy się jednolity styl i format odpowiedzi
RAG (generowanie wspomagane wyszukiwaniem)	system wyszukuje informacje w firmowych dokumentach i przekazuje je modelowi jako kontekst	aktualne procedury, oferta, instrukcje, dokumentacja
Trenowanie od podstaw	budowa modelu od zera	rzadko, przy projektach na skalę całego języka

Przykładem ostatniej kategorii jest Bielik, polski model językowy rozwijany przez Fundację SpeakLeash i Akademickie Centrum Komputerowe Cyfronet AGH na zasobach polskich instytucji obliczeniowych (AGH, 2024). Powstał z myślą o polszczyźnie i polskim kontekście. Typowym modelem firmowym nie jest.

Dla większości firm realistycznym punktem startu jest istniejący model wzbogacony o firmowe dokumenty, reguły, uprawnienia i testy jakości. RAG często sprawdza się lepiej od samego dostrajania, bo model nie musi zapamiętywać bazy wiedzy w parametrach. Pobiera potrzebne informacje w chwili pytania, więc zmiana cennika czy regulaminu nie wymaga ponownego uczenia.

Gdzie kończą się możliwości publicznego chatbota

ChatGPT w firmie to narzędzie ogólnego przeznaczenia. Nie zna aktualnych procedur, warunków umów, historii klientów ani wewnętrznej terminologii. Pracownicy mogą wklejać mu fragmenty dokumentów, jednak bez jasnych zasad dotyczących danych szybko robi się z tego ryzyko.

• korzystał wyłącznie z zatwierdzonych dokumentów,
• rozróżniał uprawnienia pracowników, menedżerów i zarządu,
• wskazywał źródło każdej odpowiedzi,
• odmawiał odpowiedzi, gdy brakuje danych,
• zapisywał historię użycia,
• przekazywał sprawy wymagające decyzji właściwej osobie.

Polskie firmy dopiero zaczynają tę drogę, a dane Eurostatu obejmują różne technologie AI, nie tylko modele językowe. Dla firmy, która wdroży rozwiązanie rozsądnie, ta luka oznacza przewagę nad konkurencją. Samo wykupienie dostępu do narzędzia nie daje kontroli, którą zapewnia system podporządkowany procesom, rolom i zasadom organizacji.

Porada mergano.pl: wprowadź zasadę, że model odpowiada wyłącznie na podstawie dokumentów oznaczonych jako aktualne. Każda odpowiedź powinna zawierać nazwę dokumentu oraz jego wersję albo datę obowiązywania. Użytkownik od razu sprawdzi, czy model sięgnął do właściwego źródła.

Wiedza w jednym miejscu podnosi wartość firmy

W wielu przedsiębiorstwach kluczowa wiedza siedzi w głowach właściciela, handlowców i kierowników. Gdy firma szybko rośnie albo szykuje się do sukcesji, fuzji lub sprzedaży, ta zależność staje się słabym punktem. Kupujący widzi wtedy firmę, która działa dzięki kilku osobom, i odpowiednio to wycenia. Jeśli chcesz wiedzieć, jak takie ryzyka wpływają na cenę, zacznij od tego, by poznać wartość swojej firmy.

Firmowy LLM może stać się warstwą dostępu do uporządkowanej pamięci organizacyjnej. Pracownik pyta o obsługę reklamacji, kryteria kwalifikacji klienta albo kolejny krok procesu zakupowego i dostaje odpowiedź w jednolitym formacie. Nowe osoby szybciej wchodzą w pracę, a materiały do badania due diligence leżą w jednym miejscu.

Sam model nie naprawi sprzecznych instrukcji. Jeżeli firma ma trzy wersje procedury sprzedaży, system co najwyżej ujawni problem albo wybierze zły dokument. Największą wartość daje praca, którą trzeba wykonać przed wdrożeniem: zebranie, opisanie i uporządkowanie wiedzy. Ten wysiłek podnosi wartość przedsiębiorstwa niezależnie od narzędzia i ułatwia planowanie sukcesji od początku.

Dane, RODO i AI Act

Prywatność i bezpieczeństwo

Lokalny model językowy ogranicza przekazywanie zewnętrznemu dostawcy danych klientów, warunków handlowych czy informacji finansowych. Uruchomienie modelu na własnej infrastrukturze nie oznacza jednak automatycznie zgodności z RODO. Firma nadal określa cel i podstawę prawną przetwarzania, zakres danych, okres przechowywania, osoby z dostępem oraz procedurę reagowania na incydenty. UODO wskazuje, że dane osobowe mogą występować w danych treningowych, w zapytaniach użytkowników i w generowanych odpowiedziach (UODO, 2023).

Własne środowisko wymaga też kompetencji: kopii zapasowych, aktualizacji zabezpieczeń i testów odporności. ENISA ostrzega, że aplikacje biznesowe oparte na modelach językowych zwiększają powierzchnię ataku, między innymi przez wstrzykiwanie poleceń w odpowiednio przygotowanych danych wejściowych (ENISA, 2024).

AI Act

Unijne rozporządzenie o sztucznej inteligencji obowiązuje także w Polsce. Od 2 lutego 2025 roku stosuje się przepisy o zakazanych praktykach i obowiązek zapewnienia kompetencji w zakresie AI osobom korzystającym z systemów (Ministerstwo Cyfryzacji, 2025).

Od 2 sierpnia 2025 roku dostawcy modeli ogólnego przeznaczenia muszą między innymi prowadzić dokumentację techniczną i mieć politykę zgodności z prawem autorskim (Komisja Europejska, 2025). Użycie otwartego modelu nie zwalnia firmy z odpowiedzialności za sposób jego wdrożenia. Narzędzie do streszczania wewnętrznych dokumentów podlega innym wymogom niż system wpływający na zatrudnienie.

Porada mergano.pl: podziel dane na trzy poziomy: publiczne, wewnętrzne oraz szczególnie poufne razem z danymi osobowymi. Na starcie podłącz do modelu tylko dwa pierwsze. Trzeci dodaj dopiero po audycie prawnym i audycie bezpieczeństwa.

Mniejsza zależność od dostawcy, ale z rachunkiem kosztów

Zewnętrzny model dostępny przez API uruchomisz szybko, jednak uzależniasz się od cen, limitów, zmian modelu i warunków umowy dostawcy. Model otwarty w kontrolowanym środowisku pozwala wybrać wersję, decydować o aktualizacjach i łatwiej spełnić wymogi klientów z branż regulowanych.

Własny model nie zawsze wychodzi taniej. Przy małej liczbie zapytań płatna usługa zewnętrzna bywa bardziej ekonomiczna. Uczciwe porównanie obejmuje pełny koszt posiadania:

• sprzęt lub infrastrukturę chmurową,
• przygotowanie danych i integrację,
• nadzór i zabezpieczenia,
• przestoje i błędne odpowiedzi,
• migrację przy zmianie dostawcy.

Nie istnieje jedna granica liczby użytkowników, od której własny model zawsze się opłaca. Najbezpieczniej zbudować architekturę, w której baza wiedzy, wyszukiwanie, instrukcje i ocena jakości są oddzielone od konkretnego modelu. Wtedy zmiana dostawcy przestaje oznaczać przebudowę całego systemu.

Jak sprawdzić gotowość firmy i zacząć

Firma jest dobrym kandydatem, gdy:

• ma powtarzalne procesy oparte na tekście,
• jej pracownicy regularnie przeszukują dokumenty,
• dla wybranego procesu istnieje właściciel.

Słabą gotowość zdradzają:

• sprzeczne dokumenty,
• brak kontroli dostępu do danych,
• brak mierników,
• oczekiwanie bezbłędnej automatyzacji od pierwszego dnia.

Wdrożenie, które ma być wyłącznie projektem działu IT, zwykle kończy się eksperymentem bez wpływu na wynik finansowy. Wybór pierwszego procesu warto omówić z zarządem na kwartalnym wyjeździe strategicznym.

Prosta ścieżka pierwszego wdrożenia:

1. Wybierz jeden proces, częsty i łatwy do zmierzenia.
2. Zmierz jego obecny koszt i czas.
3. Zinwentaryzuj dokumenty i ustal poziomy dostępu.
4. Wybierz model bazowy, zbuduj wyszukiwanie i bazę wiedzy.
5. Przygotuj zestaw testowy z kilkudziesięcioma prawdziwymi pytaniami i poprawnymi odpowiedziami.
6. Uruchom pilotaż z małą grupą użytkowników.
7. Mierz jakość i czas obsługi, dopiero potem rozszerzaj zakres.

Przed startem wypełnij kartę zastosowania AI. Możesz ją skopiować:

KARTA ZASTOSOWANIA AI
Nazwa zastosowania:
Cel i mierzony wskaźnik (wartość wyjściowa):
Właściciel procesu:
Użytkownicy i ich uprawnienia:
Dane wejściowe (poziom: publiczne / wewnętrzne / poufne):
Źródła wiedzy (dokumenty, wersje):
Możliwe szkody i ich skala:
Sposób kontroli człowieka:
Procedura zgłaszania błędów:
Kryterium zatrzymania projektu:
Procedura wyłączenia systemu:

Porada mergano.pl: ustal kryterium zatrzymania jeszcze przed pilotażem. Jeżeli po okresie testowym system nie poprawia wybranego wskaźnika albo daje zbyt wiele błędnych odpowiedzi, zmień zakres zastosowania. Zwiększanie budżetu bez diagnozy tylko powiększy stratę.