Słownik AI dla firm: najważniejsze pojęcia wyjaśnione prosto

Agent AI to program oparty na modelu językowym, który korzysta z narzędzi i samodzielnie wykonuje zadania złożone z kilku kroków.

Agent AI nie tylko odpowiada na pytania, ale planuje kolejne kroki i wykonuje działania w systemach firmy, na przykład w CRM, poczcie czy arkuszu. Działa według ustalonych reguł, które określają, co może zrobić sam, a co wymaga akceptacji człowieka. W firmie sprawdza się przy powtarzalnych procesach z wieloma krokami i wyjątkami.

Przykład: agent czyta zapytanie ofertowe z maila, sprawdza klienta w CRM, przygotowuje szkic oferty i przekazuje go handlowcowi do akceptacji.

AI Act to rozporządzenie Unii Europejskiej o sztucznej inteligencji, które nakłada obowiązki zależne od poziomu ryzyka systemu.

AI Act dzieli systemy AI na kategorie ryzyka. Im większy wpływ systemu na ludzi, na przykład w rekrutacji, ocenie kredytowej czy ochronie zdrowia, tym więcej wymagań dotyczących dokumentacji, nadzoru i przejrzystości. Część zastosowań jest zakazana, a przy wielu prostszych narzędziach, takich jak chatbot, kluczowa jest informacja, że użytkownik rozmawia z AI.

Przykład: firma wdrażająca chatbota na stronie informuje klientów, że rozmawiają z asystentem AI, i opisuje, jak system wykorzystuje ich dane.

Analiza sentymentu to automatyczne rozpoznawanie emocjonalnego wydźwięku tekstu: pozytywnego, negatywnego lub neutralnego.

Modele językowe potrafią ocenić nastawienie autora wiadomości, opinii czy rozmowy, a także wskazać, czego dotyczy jego zadowolenie lub niezadowolenie. Dzięki temu firma szybciej wyłapuje problemy i może ustalać kolejność obsługi zgłoszeń. Wyniki warto traktować jako wskazówkę, a nie ostateczną ocenę.

Przykład: system oznacza maile od zirytowanych klientów jako pilne i przekazuje je najpierw do doświadczonego konsultanta.

API modelu to interfejs, przez który aplikacja firmy wysyła zapytania do modelu AI i odbiera jego odpowiedzi.

Zamiast korzystać z czatu w przeglądarce, firma może połączyć model językowy bezpośrednio ze swoimi systemami przez API. Pozwala to automatycznie przetwarzać dokumenty, maile czy zgłoszenia bez ręcznego kopiowania treści. Korzystanie z API daje też większą kontrolę nad ustawieniami modelu i zasadami przetwarzania danych niż wersje konsumenckie.

Przykład: system zamówień wysyła treść maila do API modelu, a model zwraca uporządkowane dane: produkt, ilość i termin dostawy.

Asystent AI to narzędzie, które odpowiada na pytania i pomaga w pracy, korzystając z wiedzy i dokumentów firmy.

Asystent AI działa zwykle wewnątrz firmy i wspiera pracowników: wyszukuje informacje w procedurach, umowach czy bazie wiedzy, streszcza dokumenty i przygotowuje szkice odpowiedzi. Dobrze zbudowany asystent podaje źródło informacji, dzięki czemu łatwo sprawdzić odpowiedź. Często wykorzystuje technikę RAG.

Przykład: nowy pracownik pyta asystenta, jak zgłosić reklamację dostawcy, a asystent odpowiada na podstawie wewnętrznej procedury i podaje link do dokumentu.

Automatyzacja procesów to przekazanie powtarzalnych czynności w firmie systemom, które wykonują je bez ręcznej pracy ludzi.

Automatyzacja łączy aplikacje używane w firmie i przenosi dane między nimi według ustalonych reguł. Dodanie AI pozwala automatyzować także zadania wymagające rozumienia treści, na przykład klasyfikację maili czy odczyt dokumentów. Najlepiej zacząć od procesu, który jest częsty, czasochłonny i dobrze opisany.

Przykład: faktury z maila trafiają automatycznie do systemu księgowego, a pracownik zatwierdza tylko te, w których system wykrył niezgodności.

Baza wektorowa przechowuje teksty jako liczbowe zapisy ich znaczenia, co pozwala wyszukiwać informacje po sensie, a nie po słowach.

Dokumenty firmy dzieli się na fragmenty, zamienia na embeddingi i zapisuje w bazie wektorowej. Gdy użytkownik zada pytanie, system odnajduje fragmenty najbliższe znaczeniowo, nawet jeśli użyto w nich innych słów. Baza wektorowa jest typowym elementem asystentów AI działających w modelu RAG.

Przykład: pracownik pyta o zwrot towaru, a system znajduje fragment regulaminu zatytułowany odstąpienie od umowy.

Chatbot to program, który prowadzi rozmowę tekstową z użytkownikiem, najczęściej na stronie internetowej lub w komunikatorze.

Nowoczesny chatbot oparty na modelu językowym rozumie pytania zadane własnymi słowami i odpowiada na podstawie wiedzy przekazanej przez firmę. Może zbierać dane kontaktowe, umawiać spotkania i przekazywać trudniejsze sprawy człowiekowi. Jakość odpowiedzi zależy głównie od jakości i aktualności bazy wiedzy.

Przykład: chatbot na stronie salonu odpowiada wieczorem na pytania o godziny otwarcia i usługi, a następnie zapisuje klienta na wizytę.

CRM to system do zarządzania relacjami z klientami, w którym firma gromadzi kontakty, historię rozmów, szanse sprzedaży i zadania.

CRM porządkuje pracę działu sprzedaży i obsługi klienta, bo wszystkie informacje o kliencie są w jednym miejscu. W połączeniu z AI może automatycznie uzupełniać dane, streszczać rozmowy, oceniać leady i podpowiadać kolejne kroki. To jeden z najczęstszych systemów, z którymi integruje się chatboty i agentów AI.

Przykład: po rozmowie z klientem AI zapisuje w CRM krótkie podsumowanie i tworzy zadanie wysłania oferty.

Embedding to zapis znaczenia tekstu w postaci ciągu liczb, który pozwala komputerowi porównywać teksty pod względem sensu.

Teksty o podobnym znaczeniu mają podobne embeddingi, nawet jeśli używają innych słów. Dzięki temu można wyszukiwać dokumenty po znaczeniu, grupować podobne zgłoszenia czy wykrywać duplikaty. Embeddingi przechowuje się zwykle w bazie wektorowej.

Przykład: system grupuje zgłoszenia klientów o opóźnionej dostawie, choć każdy klient opisał problem innymi słowami.

Fine-tuning to dodatkowe trenowanie gotowego modelu AI na własnych przykładach, aby lepiej wykonywał określone zadanie.

Fine-tuning zmienia sposób działania modelu, na przykład jego styl, format odpowiedzi czy umiejętność klasyfikacji. Nie jest najlepszym sposobem na przekazanie modelowi aktualnej wiedzy firmy, do tego zwykle lepiej sprawdza się RAG. Wymaga przygotowania dobrej jakości danych treningowych.

Przykład: firma dostraja model na swoich historycznych zgłoszeniach, aby trafniej przypisywał je do właściwych działów.

Generatywna AI to rodzaj sztucznej inteligencji, który tworzy nowe treści: tekst, obrazy, dźwięk, wideo lub kod.

Modele generatywne uczą się wzorców na dużych zbiorach danych i na tej podstawie tworzą nowe treści na polecenie użytkownika. W firmie służą do pisania tekstów, przygotowania grafik, streszczania dokumentów czy tworzenia odpowiedzi dla klientów. Wygenerowane treści warto sprawdzać przed publikacją.

Przykład: dział marketingu tworzy z pomocą generatywnej AI kilka wersji opisu produktu i wybiera najlepszą.

Guardrails to zabezpieczenia i reguły, które ograniczają, co system AI może powiedzieć lub zrobić.

Guardrails mogą blokować odpowiedzi spoza tematu, wykrywać dane osobowe, sprawdzać format odpowiedzi czy wymagać akceptacji człowieka przed wykonaniem działania. Chronią firmę przed błędami, wyciekiem danych i nieodpowiednimi treściami. To podstawowy element każdego wdrożenia AI, które ma kontakt z klientami.

Przykład: chatbot sklepu odmawia rozmowy o tematach niezwiązanych z ofertą i nie podaje warunków rabatów, których nie ma w bazie wiedzy.

Halucynacje AI to sytuacje, w których model językowy podaje nieprawdziwe informacje w przekonujący sposób.

Model językowy generuje tekst, który brzmi wiarygodnie, ale nie zawsze sprawdza fakty. Ryzyko halucynacji zmniejsza się, gdy model odpowiada na podstawie dostarczonych dokumentów, podaje źródła i ma instrukcję, by przyznać się do braku wiedzy. Przy ważnych decyzjach odpowiedzi AI powinien weryfikować człowiek.

Przykład: zamiast wymyślać termin dostawy, asystent odpowiada, że nie ma tej informacji, i przekazuje pytanie do działu logistyki.

Human in the loop to podejście, w którym człowiek zatwierdza lub koryguje działania systemu AI w kluczowych momentach procesu.

AI wykonuje większość pracy, ale decyzje ważne, nieodwracalne lub widoczne dla klienta przechodzą przez akceptację pracownika. Takie podejście łączy szybkość automatyzacji z kontrolą jakości i odpowiedzialnością. Zakres samodzielności AI można stopniowo zwiększać, gdy system sprawdzi się w praktyce.

Przykład: agent przygotowuje odpowiedź na reklamację, a konsultant czyta ją i jednym kliknięciem zatwierdza wysyłkę.

Integracja API to połączenie dwóch systemów przez ich interfejsy programistyczne, tak aby mogły automatycznie wymieniać dane.

API to uzgodniony sposób, w jaki jedna aplikacja prosi drugą o dane lub wykonanie działania. Integracja API eliminuje ręczne przepisywanie informacji między systemami, na przykład między sklepem, CRM a systemem księgowym. To fundament większości automatyzacji i wdrożeń AI w firmie.

Przykład: nowe zamówienie ze sklepu internetowego automatycznie tworzy kartę klienta w CRM i dokument w systemie magazynowym.

Lead scoring to punktowa ocena potencjalnych klientów, która pomaga ustalić, którymi kontaktami handlowcy powinni zająć się najpierw.

Ocena uwzględnia na przykład branżę, wielkość firmy, treść zapytania i aktywność kontaktu. AI potrafi analizować także treść wiadomości i rozmów, a nie tylko proste dane z formularza. Dzięki temu dział sprzedaży szybciej reaguje na najbardziej obiecujące zapytania.

Przykład: zapytanie z konkretnym zakresem prac i terminem dostaje wysoki priorytet i od razu trafia do handlowca z powiadomieniem.

LLM to duży model językowy, czyli system AI wytrenowany na ogromnych zbiorach tekstów, który rozumie i generuje język naturalny.

Duże modele językowe są silnikiem narzędzi takich jak ChatGPT, Claude czy Gemini. Potrafią pisać, streszczać, tłumaczyć, odpowiadać na pytania i wyciągać dane z tekstu. W firmie zwykle łączy się je z własnymi danymi i systemami, aby odpowiadały na podstawie aktualnych informacji.

Przykład: LLM streszcza wielostronicową umowę i wypisuje najważniejsze terminy oraz obowiązki stron.

Make to platforma do budowania automatyzacji, w której łączy się aplikacje w wizualne scenariusze bez pisania kodu.

W Make tworzy się scenariusze złożone z modułów, które pobierają dane, przetwarzają je i przekazują do kolejnych aplikacji. Platforma ma gotowe połączenia z wieloma popularnymi narzędziami i pozwala dodawać kroki z modelami AI. Sprawdza się przy automatyzacjach o średniej złożoności.

Przykład: scenariusz w Make pobiera zgłoszenia z formularza, klasyfikuje je z pomocą AI i zapisuje w arkuszu z podziałem na kategorie.

MCP to otwarty standard łączenia modeli AI z narzędziami i źródłami danych w jednolity sposób.

MCP określa wspólny sposób, w jaki aplikacja AI może korzystać z zewnętrznych narzędzi, plików czy baz danych. Zamiast budować osobne połączenie dla każdej pary model i system, można użyć gotowego serwera MCP. Ułatwia to tworzenie agentów i asystentów, którzy pracują na danych firmy.

Przykład: asystent AI łączy się przez MCP z dyskiem firmowym i systemem zgłoszeń, aby odpowiadać na pytania pracowników.

Model open source to model AI z publicznie dostępnymi wagami, który można uruchomić na własnej infrastrukturze.

Modele otwarte można pobrać, dostosować i uruchomić na własnym serwerze lub w wybranej chmurze. Dają większą kontrolę nad danymi i niezależność od jednego dostawcy, ale wymagają odpowiedniego sprzętu i utrzymania. Warto sprawdzić licencję, bo nie każdy model otwarty pozwala na dowolne zastosowania komercyjne.

Przykład: kancelaria uruchamia otwarty model na własnym serwerze, aby analizować dokumenty bez wysyłania ich do zewnętrznego dostawcy.

System multi-agent to rozwiązanie, w którym kilku wyspecjalizowanych agentów AI współpracuje przy jednym zadaniu.

Każdy agent ma swoją rolę, na przykład wyszukiwanie informacji, przygotowanie treści czy sprawdzanie jakości. Agenty przekazują sobie wyniki, a koordynator pilnuje kolejności prac. Takie podejście ułatwia budowę złożonych procesów, ale wymaga dobrego nadzoru i monitoringu.

Przykład: jeden agent zbiera dane o kliencie, drugi przygotowuje ofertę, a trzeci sprawdza ją pod kątem zgodności z cennikiem przed przekazaniem handlowcowi.

Multimodalność to zdolność modelu AI do pracy z różnymi rodzajami danych, takimi jak tekst, obrazy, dźwięk czy wideo.

Model multimodalny może na przykład przeczytać zdjęcie dokumentu, opisać obraz, zrozumieć nagranie głosowe i odpowiedzieć tekstem. Dla firm oznacza to możliwość automatyzacji procesów, w których dane nie są wyłącznie tekstem. Poszerza to zakres zastosowań AI w obsłudze klienta, produkcji czy logistyce.

Przykład: klient przesyła zdjęcie uszkodzonej paczki, a system rozpoznaje uszkodzenie i zakłada zgłoszenie reklamacyjne.

n8n to narzędzie do budowania automatyzacji i przepływów pracy, które można uruchomić w chmurze lub na własnym serwerze.

W n8n buduje się workflow z węzłów łączących aplikacje, bazy danych i modele AI. Możliwość instalacji na własnym serwerze daje większą kontrolę nad danymi. Narzędzie dobrze sprawdza się przy bardziej złożonych automatyzacjach i budowie agentów AI.

Przykład: workflow w n8n odbiera maile z zamówieniami, wyciąga z nich dane z pomocą AI i zapisuje je w systemie ERP.

NLP to dziedzina sztucznej inteligencji, która zajmuje się rozumieniem i przetwarzaniem języka, którym posługują się ludzie.

NLP obejmuje między innymi klasyfikację tekstów, wyciąganie informacji, tłumaczenie, streszczanie i analizę sentymentu. Duże modele językowe są dziś najczęściej używanym narzędziem NLP. W firmie pozwala automatycznie przetwarzać maile, dokumenty, opinie i rozmowy.

Przykład: system NLP rozpoznaje, czy mail dotyczy reklamacji, zamówienia czy faktury, i kieruje go do właściwej osoby.

OCR to technologia rozpoznawania tekstu na obrazach i skanach, która zamienia go na tekst możliwy do edycji i przetwarzania.

OCR odczytuje tekst ze skanów, zdjęć i plików PDF. W połączeniu z modelem językowym system nie tylko odczytuje tekst, ale rozumie strukturę dokumentu i wyciąga z niego potrzebne dane. Przydaje się przy fakturach, umowach, dokumentach przewozowych i formularzach.

Przykład: biuro rachunkowe skanuje faktury, a system odczytuje NIP, kwoty i daty, po czym wprowadza je do programu księgowego.

Okno kontekstowe to maksymalna ilość tekstu, mierzona w tokenach, którą model AI może uwzględnić jednocześnie w jednej odpowiedzi.

Do okna kontekstowego wliczają się instrukcje, historia rozmowy, dołączone dokumenty i sama odpowiedź modelu. Większe okno pozwala analizować dłuższe dokumenty naraz, ale nie zastępuje dobrego doboru informacji. Przy dużych zbiorach dokumentów stosuje się RAG, który podaje modelowi tylko potrzebne fragmenty.

Przykład: zamiast wklejać do modelu całą dokumentację techniczną, asystent wybiera kilka fragmentów pasujących do pytania.

On-premise to wdrożenie, w którym oprogramowanie lub model AI działa na serwerach firmy, a nie u zewnętrznego dostawcy.

Wdrożenie on-premise daje pełną kontrolę nad danymi i miejscem ich przetwarzania. Bywa wybierane przez firmy z wrażliwymi danymi lub szczególnymi wymaganiami bezpieczeństwa. Oznacza jednak konieczność zapewnienia sprzętu, aktualizacji i utrzymania we własnym zakresie.

Przykład: firma produkcyjna uruchamia asystenta AI na własnym serwerze, aby dokumentacja techniczna nie opuszczała jej sieci.

Prompt to polecenie dla modelu AI, a prompt engineering to umiejętność formułowania poleceń tak, aby uzyskać dobre wyniki.

Dobry prompt jasno opisuje zadanie, kontekst, oczekiwany format odpowiedzi i ograniczenia. Prompt engineering obejmuje także testowanie i poprawianie poleceń oraz podawanie przykładów. W firmowych wdrożeniach prompty systemowe określają rolę, ton i zasady działania chatbota lub agenta.

Przykład: zamiast pisać tylko napisz maila, pracownik prosi o krótki, uprzejmy mail do klienta z przeprosinami za opóźnienie i nowym terminem dostawy.

RAG to technika, w której model AI przed odpowiedzią wyszukuje informacje w dokumentach firmy i odpowiada na ich podstawie.

Nazwa pochodzi od angielskiego Retrieval-Augmented Generation, czyli generowania wspartego wyszukiwaniem. System najpierw znajduje fragmenty pasujące do pytania, a następnie przekazuje je modelowi jako materiał źródłowy. Dzięki temu odpowiedzi są aktualne, oparte na wiedzy firmy i można wskazać ich źródło.

Przykład: konsultant pyta o warunki gwarancji, a asystent odpowiada na podstawie aktualnego regulaminu i podaje link do dokumentu.

RODO a AI to zasady ochrony danych osobowych, które obowiązują firmę także wtedy, gdy dane przetwarza system sztucznej inteligencji.

Korzystając z AI, firma nadal musi mieć podstawę prawną przetwarzania, informować osoby o celu przetwarzania i ograniczać zakres danych do niezbędnego minimum. Ważne jest sprawdzenie, gdzie dostawca przetwarza dane, czy wykorzystuje je do trenowania modeli i jaka umowa powierzenia go obowiązuje. Wrażliwe dane warto anonimizować przed przekazaniem modelowi.

Przykład: przed analizą rozmów z klientami system usuwa z transkrypcji imiona, numery telefonów i adresy.

ROI z AI to zwrot z inwestycji we wdrożenie sztucznej inteligencji, czyli porównanie uzyskanych korzyści z poniesionymi kosztami.

Korzyści z AI to najczęściej zaoszczędzony czas pracowników, szybsza obsługa klientów, mniej błędów i większa liczba obsłużonych zapytań. Po stronie kosztów są wdrożenie, licencje, utrzymanie i czas zespołu. Najłatwiej policzyć ROI, gdy przed wdrożeniem zmierzy się, ile czasu i zasobów proces zajmuje obecnie.

Przykład: firma mierzy, ile godzin miesięcznie pracownicy poświęcają na przepisywanie zamówień, i porównuje to z sytuacją po automatyzacji.

RPA to automatyzacja, w której program naśladuje działania człowieka w aplikacjach, na przykład klikanie i przepisywanie danych.

Nazwa pochodzi od angielskiego Robotic Process Automation. RPA sprawdza się tam, gdzie system nie ma API, a zadanie jest powtarzalne i oparte na stałych regułach. W połączeniu z AI może obsługiwać także dokumenty i wiadomości o zmiennej treści.

Przykład: robot RPA codziennie loguje się do starego systemu magazynowego, pobiera raport stanów i wkleja dane do arkusza.

Sztuczna inteligencja to dziedzina informatyki tworząca systemy, które wykonują zadania wymagające dotąd ludzkiego myślenia, na przykład rozumienie języka.

Pod pojęciem AI kryją się różne technologie: od prostych modeli prognozujących sprzedaż po duże modele językowe prowadzące rozmowę. W firmie AI najczęściej wspiera obsługę klienta, sprzedaż, marketing, analizę dokumentów i automatyzację procesów. Największą wartość daje wtedy, gdy rozwiązuje konkretny problem biznesowy.

Przykład: firma usługowa wykorzystuje AI do odpowiadania na zapytania klientów, kwalifikowania leadów i przygotowywania szkiców ofert.

Token to podstawowa jednostka tekstu, na której pracuje model językowy, zwykle fragment słowa, całe słowo lub znak.

Model dzieli każdy tekst na tokeny, zanim go przetworzy. W tokenach mierzy się wielkość okna kontekstowego oraz zużycie przy korzystaniu z API modelu. Ten sam tekst może dać różną liczbę tokenów w zależności od języka i modelu.

Przykład: przy planowaniu automatyzacji firma sprawdza, ile tokenów zajmuje typowy mail, aby dobrać model i oszacować zużycie.

Uczenie maszynowe to dziedzina AI, w której systemy uczą się zależności z danych, zamiast działać według ręcznie zapisanych reguł.

Model uczenia maszynowego analizuje przykłady z przeszłości i na tej podstawie przewiduje lub klasyfikuje nowe przypadki. Stosuje się je do prognozowania popytu, wykrywania nieprawidłowości czy rekomendacji produktów. Jakość wyników zależy w dużej mierze od jakości i ilości danych.

Przykład: sklep internetowy prognozuje zapotrzebowanie na produkty na podstawie historii sprzedaży i sezonowości.

Voicebot to asystent AI, który prowadzi rozmowę głosową, najczęściej przez telefon, rozumiejąc mowę i odpowiadając syntetycznym głosem.

Voicebot zamienia mowę na tekst, przetwarza pytanie z pomocą modelu językowego i odpowiada głosem. Może odbierać połączenia poza godzinami pracy, umawiać wizyty, przyjmować zgłoszenia i przekazywać rozmowę pracownikowi. Wymaga starannego zaprojektowania scenariuszy i jasnej informacji, że klient rozmawia z AI.

Przykład: voicebot przychodni odbiera telefon, sprawdza wolne terminy w kalendarzu i rezerwuje wizytę pacjenta.

Webhook to automatyczne powiadomienie wysyłane przez jedną aplikację do drugiej w momencie, gdy wydarzy się określone zdarzenie.

Zamiast regularnie sprawdzać, czy pojawiły się nowe dane, system otrzymuje informację od razu po zdarzeniu, na przykład po wypełnieniu formularza czy opłaceniu zamówienia. Webhooki często uruchamiają automatyzacje w narzędziach takich jak n8n, Make czy Zapier. Pozwalają reagować na zdarzenia niemal natychmiast.

Przykład: po wysłaniu formularza kontaktowego webhook uruchamia automatyzację, która zapisuje lead w CRM i powiadamia handlowca.

Workflow to zaplanowany ciąg kroków składających się na proces, wykonywany ręcznie, automatycznie lub w sposób mieszany.

W kontekście automatyzacji workflow to schemat opisujący, co ma się wydarzyć po danym zdarzeniu i w jakiej kolejności. Może zawierać warunki, rozgałęzienia, kroki z AI i momenty akceptacji przez człowieka. Dobrze rozpisany workflow jest punktem wyjścia do każdej automatyzacji.

Przykład: workflow obsługi zapytania obejmuje odbiór maila, klasyfikację przez AI, zapis w CRM, przygotowanie odpowiedzi i akceptację handlowca.

Zapier to platforma do łączenia aplikacji internetowych i tworzenia prostych automatyzacji bez programowania.

W Zapierze automatyzacje buduje się z wyzwalacza i kolejnych akcji w różnych aplikacjach. Narzędzie ma bardzo dużą liczbę gotowych integracji i jest proste w obsłudze. Najlepiej sprawdza się przy prostszych, liniowych automatyzacjach.

Przykład: nowy kontakt z formularza na stronie trafia automatycznie do listy mailingowej i arkusza zespołu sprzedaży.