Najbezpieczniej wdrożyć AI w aplikacji firmowej tak, żeby model niczego nie zapisywał sam. Model proponuje dane w ustalonej strukturze, serwer je sprawdza, człowiek ogląda wynik i poprawia, a do bazy trafia dopiero to, co zatwierdzi. Wtedy AI oszczędza godziny przepisywania, a pomyłka modelu kończy się poprawką w podglądzie zamiast błędnymi danymi u klientów.

Poniżej pokazuję, jak to wygląda w praktyce, na przykładzie funkcji, którą zbudowałem w platformie SaaS dla gastronomii.

Przykład z projektu: oferta z tekstu albo zdjęcia

Właściciel lokalu, który zakłada sklep na platformie, ma już ofertę – w PDF-ie, w dokumencie albo na zdjęciu karty. Ręczne przepisanie kilkudziesięciu pozycji z cenami, opisami, alergenami i wariantami to żmudna praca i prosta droga do literówki w cenie.

Dlatego w panelu jest przycisk importu: wklejasz tekst albo wgrywasz zdjęcie, AI rozpoznaje kategorie, pozycje, ceny, alergeny i warianty, a Ty dostajesz gotową strukturę do sprawdzenia. Tekst i zdjęcie mogą trafiać do różnych modeli, ustawianych osobno – do zdjęć potrzebny jest model, który czyta obraz.

Krok 1: struktura zamiast swobodnej odpowiedzi

Model językowy z natury odpowiada tekstem, a aplikacja potrzebuje danych. Dlatego zapytanie wysyłam ze ścisłym schematem JSON: model musi zwrócić kategorie, a w nich pozycje z nazwą i ceną, opcjonalnie opisem, alergenami i grupami wariantów. Pole, którego nie ma w schemacie, nie przejdzie, a pole wymagane musi się pojawić.

Do tego niska temperatura, czyli ustawienie, które ogranicza „kreatywność” modelu. Przy cenach nie chcesz kreatywności – chcesz, żeby model przepisał to, co widzi.

Krok 2: serwer i tak sprawdza wynik

Schemat ogranicza model, ale nie zwalnia aplikacji z myślenia. Odpowiedź przechodzi przez warstwę normalizacji po stronie serwera:

  • ceny zapisane jako „24,90 zł” zamieniają się w liczbę z dwoma miejscami po przecinku,
  • puste nazwy kategorii i pozycji są odrzucane,
  • odpowiedź w nieoczekiwanym formacie kończy się czytelnym komunikatem i możliwością ponowienia, a nie błędem na pół ekranu.

To jest miejsce, w którym AI w aplikacji najczęściej zawodzi: wynik modelu traktuje się jak dane z formularza, któremu ktoś już zaufał. Tymczasem to dane z zewnątrz i wymagają takiej samej walidacji jak wszystko, co przychodzi spoza systemu.

Krok 3: podgląd i akceptacja przed zapisem

Nic nie trafia do bazy od razu. Użytkownik dostaje edytowalny podgląd: może poprawić nazwę, cenę czy opis i dopiero wtedy zapisać ofertę.

Sam zapis odbywa się w jednej transakcji – albo zapisuje się cała oferta, albo nic. Jeśli coś pójdzie nie tak w połowie, w katalogu nie zostaje pół importu. Na koniec użytkownik widzi podsumowanie: ile kategorii, pozycji i wariantów dodano oraz które alergeny wymagają uwagi.

Ten krok zmienia charakter całej funkcji. AI nie podejmuje decyzji za właściciela lokalu – przygotowuje szkic, a decyzja zostaje po stronie człowieka.

Koszty i wybór modelu

Każde zapytanie do modelu kosztuje, więc koszty trzeba zaprojektować, a nie odkryć na fakturze:

  • do tekstu wystarcza tańszy, szybki model, do zdjęć warto użyć mocniejszego modelu, który dobrze czyta ceny,
  • modele wybiera się w panelu platformy, więc ich zmiana nie wymaga wdrożenia nowej wersji,
  • funkcja jest dostępna w wybranych planach abonamentowych, więc koszt AI idzie w parze z przychodem,
  • zapytanie ma limit czasu, a po błędzie użytkownik dostaje komunikat z możliwością ponowienia zamiast niekończącego się ładowania.

Jakie dane wysyłać do modelu

Oferta lokalu to dane jawne, więc w tym przypadku sprawa jest prosta. Inaczej jest przy dokumentach z danymi osobowymi: fakturach, umowach, zgłoszeniach klientów. Wtedy zanim powstanie kod, trzeba ustalić, które dane naprawdę muszą trafić do modelu, gdzie są przetwarzane i jak długo, oraz czy da się je wcześniej ograniczyć. Taką analizę RODO, a przy niektórych zastosowaniach także AI Act, robię na etapie projektu, a nie po wdrożeniu.

Automatyzacja czy agent AI?

Opisany import to automatyzacja: jedno zadanie, jedno wejście, wynik w znanej strukturze. Agent AI idzie krok dalej – sam planuje kolejne kroki zadania i korzysta z narzędzi, które mu udostępnisz, na przykład wyszukuje dane w systemie albo przygotowuje dokument.

Zasady pozostają te same, tylko stawka jest wyższa: agent dostaje wyłącznie te narzędzia, których potrzebuje, jego wyniki są walidowane jak dane z zewnątrz, a działania o skutkach biznesowych czekają na akceptację człowieka. W wielu firmach dobrze zaprojektowana automatyzacja rozwiązuje problem taniej i pewniej niż agent – i od niej zwykle warto zacząć.

Podsumowanie

AI w aplikacji firmowej działa dobrze wtedy, gdy traktujesz je jak bardzo szybkiego, ale omylnego asystenta: wymuszasz format odpowiedzi, sprawdzasz wynik po stronie serwera, pokazujesz go człowiekowi do akceptacji i zapisujesz w całości albo wcale.

Jeśli chcesz dodać AI do swojej aplikacji albo zautomatyzować proces, który dziś wymaga ręcznego przepisywania, zobacz, jak wygląda usługa automatyzacji i agentów AI, przeczytaj case study Platformy SaaS albo opisz mi swój proces.