Wdrożenie AI w organizacji nie zaczyna się od wyboru modelu językowego. Zaczyna się od ustalenia, jakie dane system może przetwarzać, do jakich aplikacji ma dostęp i kto ponosi odpowiedzialność za wykonane operacje.
To rozróżnienie jest fundamentalne. Czat dla pojedynczego pracownika można uruchomić w chmurze w kilka minut. Środowisko AI połączone z firmową bazą dokumentów, systemem ERP, CRM, ServiceDeskiem czy katalogiem użytkowników wymaga harnessu — czyli wyspecjalizowanej warstwy pośredniczącej, która zarządza modelami, uprawnieniami, narzędziami i audytem.
1. Zacznij od procesu, nie od wyboru modelu
Pytanie: „Który model LLM jest najlepszy?” pojawia się w projektach zbyt wcześnie. Model jest wymiennym elementem architektury. Najpierw należy opisać konkretny proces biznesowy:
- Kto inicjuje zadanie i z jakich systemów (ERP, Jira, SharePoint, ServiceDesk) korzysta pracownik.
- Gdzie powstają wąskie gardła i jaki jest koszt ewentualnego błędu.
- Które czynności polegają na syntezie wiedzy, a które na modyfikacji danych w systemach transakcyjnych.
Dobry proces pilotażowy powtarza się regularnie, bazuje na danych już zgromadzonych w organizacji i nie wymaga na starcie pełnej autonomii agenta. Zaczyna się od wyszukiwania informacji oraz przygotowywania projektów odpowiedzi, co pozwala rzetelnie zmierzyć czas realizacji zadania przed i po wdrożeniu.
Przykładem jest obsługa zgłoszeń wewnętrznych IT/HR: w pierwszym kroku asystent przeszukuje bazę procedur i proponuje odpowiedź. W kolejnym kroku uzyskuje bezpieczny odczyt statusu zgłoszenia z systemu ServiceDesk. Dopiero w ostatnim etapie przygotowuje zmianę parametrów zgłoszenia, która wymaga kliknięcia „Zatwierdź” przez operatora.
2. Jedna platforma, cztery klasy rozwiązań: od czatu do agenta
Organizacja nie musi wdrażać osobnych narzędzi na każdym etapie dojrzałości AI. W architekturze PLC ONE każda z tych klas jest jedynie kwestią konfiguracji w ramach dedykowanego Projektu (izolowanej przestrzeni roboczej z własnym promptem, bazą wiedzy, narzędziami i budżetem):
- 1. CzatWiedza ogólnaRedagowanie, język, brak dostępu do ERP/RAG
- 2. RAG / Deep SearchBaza wiedzy firmyDokumenty, OCR, tabele, odsyłacze do źródeł
- 3. Asystent (Projekt)Dział / ProcesPrompt, reguły, role, dobór modeli i uprawnień
- 4. Agent (MCP)Narzędzia i integracjeOdczyt/zapis w ERP/CRM, sandbox, human-in-the-loop
Czat ogólny
Bramka komunikacyjna do modeli językowych. Służy do redagowania pism, tłumaczeń i burzy mózgów. Nie ma dostępu do wewnętrznych zasobów organizacji.
Czat z bazą wiedzy (RAG i Deep Search)
Rozszerzenie rozmowy o repozytorium plików firmy (PDF, DOCX, XLSX). Platforma nie wysyła całych dokumentów do modelu, lecz wyodrębnia precyzyjne fragmenty. Mechanizm Deep Search realizuje wieloetapową analizę złożonych tabel, instrukcji i regulaminów, wskazując dokładne odsyłacze do źródeł.
Asystent dedykowany (Projekt)
Niezależny ekosystem skonfigurowany pod konkretny dział (np. kontrola jakości, finanse, onboarding). Posiada dedykowany prompt systemowy, specyficzne uprawnienia użytkowników oraz przypisane modele (np. tani model do klasyfikacji i model zaawansowany do syntezy).
Agent (Narzędzia MCP i Sandbox)
Agent potrafi wykonywać zadania w systemach zewnętrznych: odpytać bazę danych przez API, pobrać rekordy z ERP, uruchomić obliczenia w izolowanym środowisku Sandbox oraz wygenerować interaktywne zestawienie (Artefakt).
| Poziom rozwiązania | Typowe zastosowanie biznesowe | Mechanizm kontroli w PLC ONE |
|---|---|---|
| Czat ogólny | Redagowanie pism, tłumaczenia, praca z tekstem | Bramka modeli, filtrowanie promptów, polityka ZDR |
| RAG / Deep Search | Wyszukiwanie procedur, analiza regulaminów, normy | OCR, wieloetapowa analiza Deep Search, weryfikacja źródeł |
| Asystent (Projekt) | Onboarding, wsparcie ofertowania, helpdesk działowy | Izolacja Projektu, kontrola ról RBAC, dedykowany prompt |
| Agent (MCP) | Raporty z ERP, zmiany statusów w CRM/Jira | Standard MCP, tryb Human-in-the-loop, pełny audit log |
3. Kontrola przepływu danych: Self-hosted, ZDR i modele lokalne
Decyzja o miejscu przetwarzania nie musi być kompromisem między funkcjonalnością a bezpieczeństwem. W architekturze PLC ONE platforma jest instalowana w środowisku klienta (self-hosted on-premises w kontenerach Docker / maszynie wirtualnej). Pliki, indeksy RAG oraz historia rozmów pozostają wyłącznie w wewnętrznej sieci LAN organizacji.
W warstwie modelowej architektura wspiera cztery scenariusze:
- Modele zewnętrzne z Zero Data Retention (ZDR): Zapytania trafiają do zaufanych dostawców z gwarancją braku zapisu zapytań (ZDR) i braku trenowania modeli na danych klienta, z wymuszeniem regionu przetwarzania w UE.
- Lokalna ochrona danych (DLP): Usługa DLP działająca na serwerze klienta analizuje prompt przed wysłaniem na zewnątrz i automatycznie maskuje numery PESEL, NIP, numery rachunków IBAN oraz dane osobowe.
- Modele lokalne (On-Premises GPU): Do procesów o rygorystycznych wymogach poufności podłączane są modele uruchomione bezpośrednio na serwerach klienta (np. Bielik, Llama).
- Środowisko pełnego Air-Gap: Instalacja całkowicie odcięta od internetu, w której generowanie tekstu, embeddingi, OCR i reranking działają wyłącznie na lokalnych zasobach obliczeniowych.
4. Uprawnienia i standard MCP: Agent w kontekście użytkownika
Najpoważniejszym błędem architektonicznym przy integracji AI z systemami IT jest stosowanie wspólnego konta technicznego o uprawnieniach administratora. W takim układzie użytkownik mógłby przez czat wyciągnąć dane, do których w systemie źródłowym nie ma dostępu.
W kontrolowanym środowisku stosuje się dwa mechanizmy:
- Kontekst tożsamości użytkownika (User Context): Platforma integruje się z firmowym katalogiem tożsamości (Microsoft Entra ID, Active Directory). Wywołując narzędzie w systemie zewnętrznym, agent działa w kontekście konta zalogowanego pracownika i dziedziczy jego uprawnienia.
- Standard MCP (Model Context Protocol): Otwarty standard orkiestracji narzędzi. Każda operacja udostępniona modelowi przez serwer MCP ma precyzyjnie określony tryb: automatyczna (bezpieczny odczyt), wymagająca zatwierdzenia (modyfikacja danych) lub zablokowana dla danego Projektu.
5. Rozdzielenie odczytu od zapisu (Human-in-the-Loop)
Wdrożenie agenta nie oznacza przekazania mu pełnej decyzyjności. W operacjach zmieniających stan systemów biznesowych obowiązuje zasada: AI proponuje, człowiek decyduje.
- 1Zapytanie użytkownikanp. „Zaktualizuj status zgłoszenia #124”
- 2Odczyt & Analiza (MCP)Pobranie kontekstu z ServiceDesk / ERP
- 3Karta propozycji zmianyGenerowanie podglądu operacji w czasie rzeczywistym
- 4Zatwierdzenie człowiekaKliknięcie „Akceptuj” przez pracownika
- 5Zapis & Audit LogWykonanie zapisu i rejestracja zdarzenia
Zamiast bezpośrednio modyfikować rekord w ERP lub CRM, agent przygotowuje w oknie rozmowy czytelną kartę podsumowania zmiany. Dopiero po kliknięciu przycisku autoryzacji przez uprawnionego pracownika narzędzie wykonuje transakcję w systemie docelowym, a pełny zapis trafia do rejestru audytowego.
6. Pełny audyt operacji i telemetria
Audyt w profesjonalnym środowisku AI wykracza poza samą historię konwersacji. Dziennik zdarzeń klasy enterprise musi rejestrować pełen łańcuch wykonawczy:
- Tożsamość użytkownika oraz Projekt, w ramach którego wywołano akcję,
- Wykaz dokumentów pobranych przez moduł RAG jako kontekst,
- Reguły DLP zastosowane do zamaskowania wrażliwych pól,
- Nazwę i wersję modelu, który przygotował odpowiedź,
- Wszystkie wywołane narzędzia MCP wraz z przekazanymi parametrami,
- Dane osoby, która zatwierdziła operację zapisu, oraz status wykonania w systemie zewnętrznym.
7. Ekonomia: Licencjonowanie per Projekt a budżet tokenów
Powszechny model licencjonowania per użytkownik (np. 25–30 USD/miesiąc za każde konto) staje się barierą przy próbie udostępnienia AI całej organizacji — szczególnie pracownikom operacyjnym, logistyce czy magazynom, którzy korzystają z narzędzi okazjonalnie.
Architektura PLC ONE rozdziela warstwę platformy od zużycia modeli:
- Licencja platformy per Projekt: Opłata bazuje na liczbie uruchomionych asystentów działowych (Projektów), a nie na liczbie użytkowników w firmie.
- Rzeczywiste zużycie modeli (Pay-per-token): Organizacja płaci wyłącznie za realnie przetworzone tokeny. Do zadań pomocniczych (opisy arkuszy, streszczenia, routing) przypisywane są szybkie i tanie modele, a modele zaawansowane pracują tylko przy złożonych analizach.
- Twarde limity budżetowe: Panel administracyjny umożliwia ustalenie miesięcznych limitów kosztów per organizacja, grupa i pojedynczy Projekt, z automatyczną blokadą po przekroczeniu progu.
Podsumowanie: Plan bezpiecznego wdrożenia
Przejście od pilotażu do środowiska produkcyjnego nie wymaga rewolucji technologicznej ani wymiany narzędzi na kolejnych etapach rozwoju. Właściwie dobrana architektura harnessu pozwala rozwijać kompetencje AI w organizacji w sposób kontrolowany, bezpieczny i przewidywalny kosztowo.
