Słownik
Słownik AI dla firm — pojęcia z rozmów o wdrożeniu, bez żargonu
Aktualizacja: · Sprint0 · 26 haseł
W skrócie
To słownik pojęć, które pojawiają się w rozmowach o wdrożeniu AI w firmie: od techniki (LLM, RAG, embedding, okno kontekstu), przez bezpieczeństwo (prompt injection, zero-trust, model lokalny, air-gapped), po regulacje (RODO, NIS2, AI Act, umowa powierzenia, DPIA). Każde hasło zaczyna się od definicji w jednym–dwóch zdaniach, a potem mówi, co dane pojęcie znaczy dla firmy, która planuje wdrożenie. Jest dla osób decydujących o projekcie AI — zarządu, IT, IOD, działu bezpieczeństwa — a nie dla programistów. Tam, gdzie hasło ma rozwinięcie w naszym przewodniku albo usłudze, podajemy link.
LLM (duży model językowy, ang. large language model)
LLM to model sztucznej inteligencji wytrenowany na bardzo dużych zbiorach tekstu, który generuje tekst, przewidując kolejne fragmenty odpowiedzi na podstawie otrzymanego kontekstu. Potrafi odpowiadać na pytania, streszczać, tłumaczyć, klasyfikować i pisać kod.
Dla firmyLLM nie zna Twoich dokumentów — zna to, na czym go wytrenowano, oraz to, co dostanie w zapytaniu. Dlatego w firmie prawie zawsze pracuje w parze z mechanizmem podającym mu właściwe dane (RAG) albo z integracją z systemami. Może być uruchomiony lokalnie (model open-source) albo używany przez API komercyjnego dostawcy; ten wybór decyduje o tym, dokąd trafiają dane.
Przewodnik: lokalne LLM dla firmRAG (retrieval-augmented generation)
RAG to architektura, w której system przed wygenerowaniem odpowiedzi wyszukuje właściwe fragmenty firmowych dokumentów i podaje je modelowi językowemu jako materiał do odpowiedzi. Model nie jest dotrenowywany na tych danych — dostaje je przy każdym pytaniu.
Dla firmyRAG to najczęstszy sposób budowy asystenta na wiedzy firmowej. Odpowiedź wskazuje źródło, a usunięcie dokumentu z indeksu naprawdę usuwa go z systemu. Uprawnienia działają na etapie wyszukiwania, zanim cokolwiek trafi do modelu — to tu decyduje się bezpieczeństwo wdrożenia.
Przewodnik: RAG na wiedzy firmowejFine-tuning (dostrajanie modelu)
Fine-tuning to dotrenowanie gotowego modelu językowego na własnym zbiorze przykładów, tak aby zmienił styl, format albo sposób wykonywania zadania. Wiedza z przykładów zostaje zapisana w parametrach modelu.
Dla firmyFine-tuning rzadko jest pierwszym wyborem w firmie: jest droższy niż RAG, trudniej go aktualizować, a danych z modelu nie da się potem „odtrenować" — co komplikuje realizację praw osób pod RODO. Ma sens, gdy chodzi o powtarzalny format albo specyficzny język domeny, nie o dostęp do aktualnych dokumentów.
RAG czy fine-tuning — porównanie w przewodnikuEmbedding (osadzenie, wektor znaczeniowy)
Embedding to zapis fragmentu tekstu jako wektora liczb, w którym teksty o podobnym znaczeniu leżą blisko siebie. Pozwala wyszukiwać po sensie, a nie po dokładnych słowach.
Dla firmyNa embeddingach opiera się wyszukiwanie w RAG: pytanie „jak zgłosić urlop" znajdzie procedurę zatytułowaną „wnioski o nieobecność". Embeddingi firmowych dokumentów trzeba gdzieś przechowywać (baza wektorowa) — a to również dane firmy, z tymi samymi regułami dostępu co oryginały.
Halucynacja (hallucination)
Halucynacja to odpowiedź modelu językowego, która brzmi wiarygodnie, ale jest nieprawdziwa albo zmyślona — model uzupełnia brak wiedzy najbardziej prawdopodobnym ciągiem słów.
Dla firmyW firmie halucynacja to ryzyko operacyjne: błędny termin w umowie, nieistniejący paragraf procedury, zmyślona cena. Ogranicza się ją architekturą (RAG ze wskazaniem źródła, walidacja wyników), zestawem pytań kontrolnych ze znanymi odpowiedziami i człowiekiem przy decyzjach, które kosztują.
Prompt (polecenie, zapytanie do modelu)
Prompt to tekst wysyłany do modelu językowego: pytanie użytkownika razem z instrukcjami systemu i danymi, które model ma wziąć pod uwagę. Wszystko, co model „wie" o zadaniu, mieści się w prompcie.
Dla firmyW systemie firmowym prompt składa aplikacja, nie użytkownik: dokłada instrukcje, uprawnienia i fragmenty dokumentów. To także miejsce, w którym decyduje się, ile danych trafi do modelu — zasada minimum danych działa właśnie tu.
Prompt injection (wstrzyknięcie polecenia)
Prompt injection to atak, w którym do treści przetwarzanej przez model (e-mail, załącznik, strona WWW) ktoś wpisuje instrukcje, a model wykonuje je tak, jakby pochodziły od użytkownika albo systemu. Model nie odróżnia danych od poleceń.
Dla firmyZagrożenie rośnie z uprawnieniami: asystent, który tylko odpowiada, najwyżej powie coś głupiego; agent z dostępem do skrzynki albo systemu może wysłać dane na zewnątrz. Obrona to minimalne uprawnienia, traktowanie każdego dokumentu jako niezaufanego, potwierdzenie człowieka przy akcjach nieodwracalnych i ślad audytowy.
Przewodnik: agenty AI i obrona przed prompt injectionAgent AI (AI agent)
Agent AI to system, w którym model językowy nie tylko odpowiada, ale wykonuje wieloetapowe zadania: odczytuje dane, wywołuje narzędzia i systemy, sprawdza wynik i decyduje o kolejnym kroku.
Dla firmyAgent nadaje się do procesów typu „odczytaj → sprawdź → wpisz → powiadom". Różnica wobec chatbota to uprawnienia: agent coś robi w Twoich systemach, więc dostaje ich tyle, ile wymaga zadanie, a decyzje, które kosztują, zatwierdza człowiek.
Przewodnik: agenty AI w firmieModel lokalny (open-source, self-hosted)
Model lokalny to model językowy o otwartych wagach (open-source), uruchomiony na sprzęcie firmy albo w jej wydzielonej infrastrukturze, bez wysyłania zapytań do zewnętrznego dostawcy.
Dla firmyTo droga dla danych, które nie mogą wyjść z sieci firmy: tajemnica bankowa, dokumentacja techniczna, dane objęte NIS2. Kosztuje sprzęt i utrzymanie, a modele lokalne bywają słabsze od największych komercyjnych — dlatego wybór drogi zapisuje się w architekturze po discovery, nie z góry.
Usługa: bezpieczne wdrożenia lokalneOn-premise (we własnej infrastrukturze)
On-premise oznacza uruchomienie systemu na serwerach należących do firmy albo przez nią kontrolowanych, zamiast w usłudze zewnętrznego dostawcy. W kontekście AI: model, indeks dokumentów i aplikacja działają w sieci firmy.
Dla firmyOn-premise daje pełną kontrolę nad tym, gdzie leżą dane i kto ma do nich dostęp, ale przenosi na firmę odpowiedzialność za sprzęt, aktualizacje i bezpieczeństwo. Wdrożenie lokalne nie zwalnia z czterech reguł: minimum danych, kontrola dostępu rolami, ślad audytowy i umowa z każdym dostawcą, który dotyka systemu.
Przewodnik: wdrożenie AI on-premiseAir-gapped (środowisko odcięte od sieci)
Air-gapped to środowisko fizycznie albo logicznie odizolowane od internetu i innych sieci, do którego dane i oprogramowanie wnosi się kontrolowanym kanałem. System AI w takim środowisku działa wyłącznie na modelu lokalnym.
Dla firmyTo najbardziej restrykcyjny wariant wdrożenia lokalnego — dla infrastruktury krytycznej, produkcji i danych, których wyciek jest nieakceptowalny. Kosztem jest brak automatycznych aktualizacji i trudniejsze utrzymanie: każda nowa wersja modelu przechodzi tę samą śluzę co dane.
Usługa: on-premise i air-gappedZero-trust (architektura zerowego zaufania)
Zero-trust to model bezpieczeństwa, w którym żaden użytkownik, urządzenie ani usługa nie są domyślnie zaufane — każdy dostęp jest weryfikowany i ograniczony do minimum, niezależnie od tego, czy pochodzi z wewnątrz sieci.
Dla firmyW systemie AI zero-trust oznacza, że asystent ma dokładnie te uprawnienia, co pytający użytkownik, agent — tylko te, których wymaga zadanie, a model nie dostaje dostępu do niczego „na wszelki wypadek". To reguła projektowa, nie produkt do kupienia.
Minimum danych (minimalizacja danych, data minimisation)
Minimum danych to zasada, według której do modelu (i do każdego dostawcy) trafia tylko ten fragment danych, który jest potrzebny do wykonania jednego zadania. Reszta zostaje po stronie aplikacji.
Dla firmyW praktyce: filtrowanie po uprawnieniach przed wyszukaniem, podawanie modelowi kilku akapitów zamiast całego archiwum, pseudonimizacja tam, gdzie to możliwe. Zasada minimalizacji wynika wprost z RODO, ale obowiązuje niezależnie od tego, czy w danych są dane osobowe — mniej danych w zapytaniu to mniejsza szkoda przy każdym incydencie.
Checklista wdrożenia AI — sekcja o danychPseudonimizacja (pseudonymisation)
Pseudonimizacja to zastąpienie danych identyfikujących osobę (imię, PESEL, e-mail) identyfikatorami zastępczymi w taki sposób, że przypisanie ich z powrotem do osoby wymaga dodatkowej informacji przechowywanej osobno.
Dla firmyPozwala wysłać do modelu treść zadania bez tożsamości osób, których dotyczy: umowę z „Klient_1042" zamiast z nazwiskiem. Nie jest anonimizacją — dane pozostają osobowymi w rozumieniu RODO — ale ogranicza skutki wycieku i jest wprost wymieniona jako środek zabezpieczający.
Przewodnik: RODO a AIUmowa powierzenia (data processing agreement, DPA)
Umowa powierzenia to umowa między administratorem danych osobowych a podmiotem, który przetwarza je w jego imieniu — na przykład dostawcą modelu AI przez API. Określa cel, zakres, czas przetwarzania i obowiązki przetwarzającego.
Dla firmyJeśli do komercyjnego modelu trafiają dane osobowe, umowa powierzenia z dostawcą jest wymogiem RODO, nie dobrą praktyką. Warto sprawdzić w niej, czy dostawca używa danych do trenowania, gdzie je przechowuje i przez jaki czas. To nie jest porada prawna.
Przewodnik: RODO a AI — umowy powierzeniaDPIA (ocena skutków dla ochrony danych)
DPIA to ocena skutków planowanego przetwarzania dla ochrony danych osobowych, wymagana przez RODO, gdy przetwarzanie może powodować wysokie ryzyko dla praw i wolności osób. Opisuje operacje, ryzyka i środki zaradcze.
Dla firmyWdrożenie AI na danych pracowników albo klientów często spełnia przesłanki DPIA: nowa technologia, profilowanie, dane na dużą skalę. Dokument architektury systemu — co liczy się gdzie, na jakiej umowie, z jakim śladem audytowym — jest gotowym materiałem do tej oceny. To nie jest porada prawna.
Przewodnik: RODO a AI — kiedy DPIAŚlad audytowy (audit trail)
Ślad audytowy to trwały zapis tego, kto, kiedy i o co zapytał system AI, jakie dane trafiły do modelu i co system odpowiedział. Zapis jest niemodyfikowalny i dostępny dla osób odpowiedzialnych za bezpieczeństwo.
Dla firmyBez śladu audytowego nie da się odpowiedzieć na pytanie „skąd wzięła się ta odpowiedź" ani wykazać zgodności przed audytorem. Ślad obejmuje także działania agentów — każdą akcję w systemach firmy. Jest jedną z czterech reguł, które obowiązują w obu drogach: lokalnej i komercyjnej.
Shadow AI (nieautoryzowane użycie AI)
Shadow AI to korzystanie przez pracowników z narzędzi AI (publicznych czatów, wtyczek, aplikacji) poza wiedzą i kontrolą firmy — na prywatnych kontach, z firmowymi danymi.
Dla firmyShadow AI oznacza, że dane firmy już wychodzą na zewnątrz, tylko bez umowy powierzenia, bez śladu i bez wiedzy o tym, kto co wysłał. Odpowiedzią nie jest zakaz, lecz sankcjonowane narzędzie z jasnymi zasadami i szkolenie zespołu — pracownicy sięgają po AI, bo oszczędza im pracy.
Usługa: szkolenia AI dla zespołówAI Act (Akt o sztucznej inteligencji)
AI Act to rozporządzenie Unii Europejskiej regulujące systemy sztucznej inteligencji według poziomu ryzyka: od praktyk zakazanych, przez systemy wysokiego ryzyka z obowiązkami dokumentacyjnymi, po obowiązki przejrzystości dla pozostałych. Stosuje się bezpośrednio we wszystkich państwach UE.
Dla firmyFirma wdrażająca AI jest najczęściej „podmiotem stosującym" (deployer), nie dostawcą — ale i tak ma obowiązki, zwłaszcza przy AI w HR, ocenie zdolności kredytowej czy dostępie do usług. Rozporządzenie wymaga też, by osoby pracujące z AI miały odpowiednie kompetencje. To nie jest porada prawna.
Przewodnik: AI Act dla firmNIS2 (dyrektywa o cyberbezpieczeństwie)
NIS2 to dyrektywa Unii Europejskiej w sprawie cyberbezpieczeństwa, która nakłada na podmioty z wybranych sektorów obowiązki zarządzania ryzykiem, zgłaszania incydentów i nadzoru nad bezpieczeństwem łańcucha dostaw. Wdrażana jest do prawa krajowego każdego państwa członkowskiego.
Dla firmyKażdy dostawca AI, którego używa firma objęta NIS2, staje się elementem jej łańcucha dostaw ICT — trzeba wiedzieć, jakie dane do niego trafiają i na jakich warunkach. Dotyczy to także shadow AI. Wdrożenie lokalne skraca ten łańcuch, ale go nie likwiduje. To nie jest porada prawna.
Przewodnik: AI zgodne z NIS2RODO (GDPR)
RODO to ogólne rozporządzenie Unii Europejskiej o ochronie danych osobowych, które określa zasady ich przetwarzania: podstawę prawną, minimalizację, ograniczenie celu, prawa osób oraz obowiązki administratora i podmiotu przetwarzającego.
Dla firmySystem AI, który przetwarza dane pracowników albo klientów, podlega RODO tak samo jak każdy inny system: potrzebna jest podstawa prawna, umowa powierzenia z dostawcą, często DPIA i możliwość realizacji praw osób — na przykład usunięcia danych. RAG upraszcza to ostatnie, fine-tuning komplikuje. To nie jest porada prawna.
Przewodnik: RODO a AIToken
Token to podstawowa jednostka tekstu, na której pracuje model językowy — zwykle fragment słowa, całe krótkie słowo albo znak interpunkcyjny. Model czyta i generuje tekst token po tokenie.
Dla firmyW tokenach liczy się dwie rzeczy: koszt użycia modelu komercyjnego (rozliczenie za tokeny wejściowe i wyjściowe) oraz limit tego, ile model przyjmie naraz (okno kontekstu). Polski tekst zajmuje zwykle więcej tokenów niż angielski o tej samej treści.
Okno kontekstu (context window)
Okno kontekstu to maksymalna liczba tokenów, którą model językowy może przyjąć i uwzględnić w jednym zapytaniu — łącznie z instrukcjami, dołączonymi dokumentami, historią rozmowy i generowaną odpowiedzią.
Dla firmyOkno jest skończone, dlatego asystent nie „czyta całego archiwum" — aplikacja wybiera do zapytania fragmenty, które mają znaczenie (na tym polega RAG). Większe okno nie zastępuje dobrego wyszukiwania: rośnie koszt, a trafność odpowiedzi przy bardzo długim kontekście bywa gorsza.
Kontrola dostępu rolami (RBAC, role-based access control)
Kontrola dostępu rolami to model uprawnień, w którym dostęp do danych i funkcji przypisuje się rolom (np. handlowiec, księgowość, zarząd), a użytkownikom nadaje się role — zamiast nadawać uprawnienia każdej osobie osobno.
Dla firmyW systemie AI role muszą działać przed modelem: asystent wyszukuje tylko w dokumentach, do których pytający ma dostęp, a nie filtruje odpowiedzi po fakcie. Najlepiej, gdy role pochodzą z katalogu firmy (SSO), żeby zmiana stanowiska od razu zmieniała zakres asystenta.
Discovery (etap rozpoznania)
Discovery to pierwszy etap projektu, w którym wykonawca razem z klientem analizuje proces, dane, infrastrukturę i wymagania bezpieczeństwa, aby ustalić, czy i jak warto budować system. Kończy się zakresem na piśmie.
Dla firmyDiscovery odpowiada na pytania, których nie da się rozstrzygnąć z góry: czy dane są w stanie, który pozwala na AI, czy problem wymaga modelu, czy prostszej automatyzacji, którą drogą mają iść dane. Dobre discovery potrafi zakończyć się rekomendacją „nie róbcie tego" — i to też jest wynik.
Jak pracujemy w Sprint0MVP (minimum viable product)
MVP to najmniejsza wersja produktu, która działa na produkcji i pozwala sprawdzić założenia na prawdziwych użytkownikach i danych, zanim zainwestuje się w pełny zakres.
Dla firmyW projektach AI MVP zwykle przyjmuje postać pilota: jeden dział, jeden zbiór dokumentów, jeden proces — z pomiarem trafności zamiast wrażeń. Pilot kończy się liczbą i decyzją: rozszerzamy, poprawiamy źródła albo zamykamy. To tańsze niż wielomiesięczny projekt na wiarę.
Usługa: systemy AI — pakiet startowyBrakuje pojęcia? Napisz na kontakt@sprint0.pl — dopiszemy. Jeśli chcesz sprawdzić, czy Twoje wdrożenie spełnia reguły opisane w tych hasłach, przejdź checklistę wdrożenia AI.