Przestań używać ChatuGPT do eksportu. Oto dlaczego biznes potrzebuje zupełnie innego podejścia do sztucznej inteligencji

Tego rodzaju eponimy rodzą się wtedy, gdy produkt pojawia się jako pierwszy, działa dobrze i wywołuje medialny szum, który sprawia, że zajmuje całą kategorię. W listopadzie 2022 r. dokładnie to samo wydarzyło się ze sztuczną inteligencją. Narzędzie, które było wcześniej jedynie akademicką ciekawostką, nagle trafiło pod strzechy. Przestało być abstrakcją, a stało się „czatem”, z którym potrafi porozmawiać każdy. I choć w rzeczywistości istnieje wiele modeli oraz technologii, to w świadomości wielu ludzi AI = ChatGPT. Problem w tym, że takie uproszczenie ma swoją cenę.

Sztuczna inteligencja zaczęła wyskakiwać dosłownie z lodówek. Eksperci nawołują, żeby wdrażać, korzystać, wsiadać do pędzącego pociągu, zanim odjedzie. To wywołało presję większą niż jakakolwiek wcześniejsza technologiczna moda. Firmy zaczęły zgłaszać się po rozwiązania AI nie dlatego, że ich potrzebowały, lecz dlatego, że… bały się zostać w tyle.

To strach przed tym, że konkurencja wdroży „coś”, co da jej przewagę. A skoro wszyscy to robią, to my też powinniśmy. Niezależnie od tego, czy ma to sens. Niezależnie od tego, czy odpowiada to na jakąkolwiek realną potrzebę biznesową.

Tymczasem wiele firm – często nieświadomie – sprowadziło wdrożenie sztucznej inteligencji do jednego gestu: dajmy ludziom czat, niech korzystają. To przecież nowoczesne. I szybkie. I tanie. Tyle że równie niebezpieczne, co bezużyteczne.

Nie ma nic złego w tym, że menedżer, marketer czy handlowiec korzysta z ChatuGPT, Gemini czy innego modelu po to, by przeanalizować kilka pomysłów, przygotować krótką notatkę, wygenerować grafikę czy przetłumaczyć maila. Sam autor tego tekstu robi to każdego dnia.

Jednak czym innym jest praca indywidualna, a czym innym kluczowe procesy operacyjne firmy. Te drugie wymagają stabilności, kontroli, powtarzalności i bezpieczeństwa. A tego nie daje żadna publiczna aplikacja czatowa.

Warto uświadomić sobie prosty fakt: wszystko, co wpisujemy w czacie, staje się informacją publiczną. Większość użytkowników nie wie, że regulaminy tych narzędzi pozwalają wykorzystywać przesłane dane do uczenia modeli. Z raportu LayerX wynika, że pracownicy masowo wysyłają do publicznych modeli wrażliwe informacje firmowe. Bez świadomości ryzyka, bez zgody przełożonych, bez kontroli nad przepływem danych.

Duże korporacje doskonale rozumieją, co to oznacza. Dlatego blokują dostęp do ChatuGPT i podobnych usług na firmowych urządzeniach z taką samą surowością jak dostęp do stron chociażby pornograficznych. Po prostu nie mogą sobie pozwolić na ryzyko, że poufne dane trafią do publicznej chmury. Do tego dochodzi problem zgodności z RODO i GDPR. Jeśli firma nie wie, jakie dane, dokąd i kiedy wypływają, nie jest w stanie spełnić podstawowych obowiązków regulacyjnych.

Widzieliście kiedyś plątaninę kabli na ulicy w Tajlandii? Ich sieć elektryczna to całkowity chaos i brak bezpieczeństwa. Dokładnie tak wygląda sytuacja w firmach, które pozwalają pracownikom korzystać z dowolnych aplikacji czatowych bez strategii i bez kontroli. Każdy tworzy swoje własne prompty, każdy przechowuje dane inaczej, każdy robi wszystko „po swojemu”.

To kompletnie uniemożliwia powtarzalność, standaryzację i skalowanie działań. A przecież na tym polega biznesowe wykorzystanie technologii: ma ona porządkować proces, a nie wprowadzać chaos.

W powszechnej świadomości panuje przekonanie, że AI jest „tania”, a dostęp do potężnych modeli kosztuje grosze. Tymczasem to tylko pozory. Giganci technologiczni dopłacają ogromne kwoty, by wykształcić w użytkownikach nawyk korzystania z narzędzi AI. OpenAI dorzuca ze swojego budżetu rocznie dziesiątki dolarów do każdego użytkownika – zarówno płacącego, jak i korzystającego z ich rozwiązania za darmo. Meta dokłada miliardy dolarów, by udostępniać Meta AI w Messengerze i WhatsAppie. Google oferuje kosztowne obliczeniowo funkcje „za darmo”.

To wszystko nie wynika z dobroci serca. Celem jest przyzwyczajenie użytkowników, a potem przejście na model rozliczeń oparty na tokenach, czyli na realnym zużyciu mocy obliczeniowej. Już teraz widać coraz więcej limitów, ograniczeń i blokad w aplikacjach. To dopiero początek.

Narzędzia czatowe działają na różnych wersjach modeli. Użytkownik widzi nazwę GPT-4 czy GPT-5, ale nie widzi tego, że pod spodem wersja modelu potrafi zmienić się z dnia na dzień. To oznacza, że prompty działające wczoraj, dziś mogą zadziałać zupełnie inaczej. Trzeba pamiętać, że takie modele łata się w locie – czy to po to, by ograniczyć udzielanie niebezpiecznych rad, czy po to, by dostosować ich zachowanie do nowych regulacji.

Sam przeżyłem sytuację, w której włożyłem ogromną ilość pracy w projekt opierający się na AI. Byłem już bardzo blisko celu, na którym mi zależało. Zostały ostatnie szlify, ostatnie iteracje. Jednak w przysłowiowym międzyczasie model, z którego korzystałem, został zmieniony na inny. A ten okazał się znacznie mniej skuteczny dla mojego projektu. Reagował zupełnie inaczej. 

Tego typu zmiany są nieuniknione. I nie mamy nad nimi żadnej kontroli. A firmy potrzebują czegoś odwrotnego: stabilności. Nasz proces biznesowy i jego efekty nie może zależeć od tego, czy ktoś zmienił wersję modelu AI, z którego korzystamy.

Wielkie modele językowe są uniwersalne. Potrafią doradzić w sprawach sercowych, przygotować strategię marketingową, napisać wiersz albo rozwiązać zadanie szkolne.
Ale ta wielozadaniowość ma swoją cenę.

Praca z nimi bywa frustrująca: użytkownik jest tuż przed celem, prosi model o małą poprawkę… i wszystko się rozsypuje. Zmieniona logika, inny wątek, zgubiony kontekst. Użytkownik wraca do punktu wyjścia i zaczyna od nowa.

To nie jest cecha przypadku. To naturalne ograniczenie uniwersalnych modeli. Przez pewien czas wiele osób wierzyło, że AI będzie rosło jak komputerowe procesory – będzie coraz większe, coraz potężniejsze. Tymczasem branża doszła do wniosku, że to nie jest właściwy kierunek.

GPT-5 nie jest silniejszym następcą GPT-4. Jest routerem, który wybiera model odpowiedni do konkretnego zadania. To zapowiedź nowej epoki: epoki Small Language Models – małych, wyspecjalizowanych modeli tworzonych do wąskich zadań, znacznie bardziej stabilnych, przewidywalnych i efektywnych kosztowo.

A wysoka efektywność wymaga właśnie specjalizacji, nie uniwersalności.

Największym błędem firm jest kupowanie „sztucznej inteligencji”, zanim odpowiedzą sobie na pytanie, do czego jest im potrzebna. To tak, jakby kupić spawarkę laserową do drukarni tylko dlatego, że sąsiednie zakłady też ją kupiły.

Tymczasem dobre wdrożenie AI zaczyna się od zdefiniowania potrzeb. Od zrozumienia, gdzie organizacja traci czas, gdzie brakuje ludzi, gdzie procesy wymagają usprawnienia. Od sprawdzenia, gdzie pracownicy już teraz wrzucają dane do publicznych czatów, ryzykując bezpieczeństwo firmy.

Dopiero później przychodzi czas na stworzenie dedykowanego, wyspecjalizowanego rozwiązania. Takiego, które działa w infrastrukturze firmy, korzysta z jej danych, jest całkowicie pod jej kontrolą i wspiera konkretny proces, zamiast generować chaos.

Dobre wdrożenie AI daje przewagę, której nie da żadne publiczne narzędzie czatowe. Jest stabilne, powtarzalne, odporne na zmiany wersji modeli, bezpieczne pod względem danych i w pełni zgodne z regulacjami. Dopiero takie rozwiązania budują wartość w organizacji. A to pozwala myśleć o sztucznej inteligencji nie jak o modzie, ale jak o fundamencie przewagi konkurencyjnej.