Czym jest AI engineering
AI engineering to budowanie funkcji opartych na modelach językowych tak, żeby działały na produkcji: na danych firmy, z mierzalną jakością, kontrolą kosztów i zabezpieczeniami.
Model językowy (LLM, large language model) to silnik, który rozumie i pisze tekst, na przykład GPT, Claude albo Gemini. Podłączenie go to kilka linijek kodu. Cała reszta decyduje o tym, czy funkcja przetrwa kontakt z prawdziwymi danymi.
| Jakość | Na demo wystarczy kilka udanych odpowiedzi. Na produkcji mierzymy jakość na zestawie Twoich prawdziwych przypadków, przy każdej zmianie. |
|---|---|
| Pomyłki | Na demo pomyłka to ciekawostka. Na produkcji wynik przechodzi walidację, a niepewne przypadki trafiają do człowieka. |
| Bezpieczeństwo | Na demo klucz API bywa w kodzie przeglądarki. Na produkcji klucze są tylko na serwerze, a treść dokumentów nie może wydawać modelowi poleceń. |
| Koszty | Na demo nikt nie liczy wywołań. Na produkcji znasz koszt jednej operacji i masz limity. |
| Zmiana modelu | Na demo wszystko jest pisane pod jeden model. Na produkcji model da się wymienić bez przepisywania aplikacji. |
| Po wdrożeniu | Na demo nikt nie patrzy, co dzieje się później. Na produkcji widać jakość, czas i koszt każdej operacji. |
Co budujemy
Zaczynamy od problemu, nie od modelu. Najczęściej trafiają do nas takie zadania.
- 01Odczyt dokumentówFaktury, zamówienia, umowy i maile zamieniamy na dane w Twoim systemie.Przykład: zamówienia od klientów przychodzą jako PDF w różnych układach. Model wyciąga pozycje, kod sprawdza indeksy w katalogu i sumy, a niepewne zamówienia trafiają do osoby z działu sprzedaży.
- 02Wyszukiwanie w wiedzy firmyAsystent odpowiada na podstawie Twoich dokumentów i wskazuje źródło. Ta technika to RAG (retrieval-augmented generation): model najpierw dostaje pasujące fragmenty dokumentów, a dopiero potem odpowiada.Przykład: zespół obsługi szuka odpowiedzi w procedurach i umowach. Asystent cytuje fragment z linkiem do dokumentu, a gdy odpowiedzi nie ma w źródłach, mówi to wprost.
- 03AI w istniejącym produkcieNowa funkcja dla Twoich użytkowników: podsumowania, podpowiedzi, klasyfikacja albo generowanie treści.Przykład: w aplikacji do zgłoszeń serwisowych model proponuje kategorię i priorytet, a pracownik zatwierdza je jednym kliknięciem.
- 04Agenci AIAgent to model, który sam wykonuje kolejne kroki w Twoich systemach: sprawdza dane, wypełnia formularz, przygotowuje odpowiedź. Dostaje tylko potrzebne uprawnienia, a działania, których nie da się cofnąć, zatwierdza człowiek.Przykład: agent przygotowuje odpowiedź na reklamację na podstawie historii zamówienia i regulaminu, a pracownik ją akceptuje albo poprawia.
- 05Integracje z modelami AIPodłączamy modele różnych dostawców do Twoich systemów przez API, z limitami kosztów i zapisem każdej operacji.Przykład: sklep generuje opisy produktów z danych technicznych, a każdy opis przed publikacją przechodzi kontrolę i akceptację.
- 06Naprawa istniejącej funkcji AIMasz funkcję AI, która się myli, jest droga albo została na etapie prototypu. Mierzymy, gdzie i dlaczego, i porządkujemy ją.Przykład: chatbot odpowiada pewnie także wtedy, gdy nie zna odpowiedzi. Dodajemy źródła, test na prawdziwych pytaniach i odpowiedź „nie wiem” tam, gdzie powinna paść.
Jak sprawiamy, że AI działa na produkcji
Te same zasady stosujemy przy małej funkcji i przy dużym systemie.
- 01Najpierw Twoje przykładyZanim napiszemy pierwszy prompt, czyli instrukcję dla modelu, zbieramy z Tobą prawdziwe przypadki: typowe, nietypowe i trudne. Powstaje z nich zestaw testowy (eval). Każda zmiana promptu albo modelu przechodzi przez ten zestaw, więc wiadomo, czy jakość rośnie, czy spada.
- 02Wynik w ustalonym formacieModel zwraca dane w ustalonej strukturze (structured output), a kod sprawdza je regułami: sumy, formaty, wartości z katalogu. AI tam, gdzie potrzebne jest rozumowanie. Reguły tam, gdzie potrzebna jest pewność.
- 03Człowiek tam, gdzie to ma znaczenieNiepewne albo nietypowe przypadki trafiają do osoby, która je zatwierdza (human-in-the-loop). Działania, których nie da się cofnąć, takie jak płatność albo wiadomość do klienta, domyślnie wymagają zgody człowieka.
- 04Bezpieczeństwo od pierwszej wersjiKlucze API trzymamy tylko na serwerze. Treść dokumentów i maili traktujemy jako dane, nie jako polecenia, bo może zawierać ukryte instrukcje dla modelu (prompt injection). Punktem odniesienia jest lista OWASP Top 10 for LLM Applications.
- 05Koszty pod kontroląDobieramy model do zadania: tańszy tam, gdzie wystarcza, mocniejszy tam, gdzie jest potrzebny. Znasz koszt jednej operacji i masz limity, zanim rachunek Cię zaskoczy.
- 06Model jest wymiennyNie przywiązujemy Twojego produktu do jednego dostawcy AI. Nowy model sprawdzamy na tym samym zestawie testowym i zmieniamy go bez przepisywania aplikacji.
- 07Widać, co dzieje się po wdrożeniuZapisujemy wejście, wynik, czas i koszt każdej operacji, z pominięciem danych, których nie wolno przechowywać. Gdy jakość spada, widać to w danych, a nie w skargach klientów.
Kiedy AI nie jest dobrym pomysłem
Nie każdy problem potrzebuje modelu językowego. Jeśli dane mają stały format, a decyzję da się zapisać w regułach, zwykła automatyzacja będzie tańsza, szybsza i przewidywalna. Wtedy to powiemy i zaproponujemy prostsze rozwiązanie.
AI nie jest też dobrym pomysłem tam, gdzie żadna pomyłka nie jest akceptowalna, a nikt nie sprawdza wyniku. W takich miejscach model może przygotować propozycję, ale decyzja zostaje u człowieka.
Przykład: faktury od jednego dostawcy, zawsze w tym samym układzie, odczyta prosty program bez AI. Faktury od setek dostawców, każda w innym układzie, to zadanie dla modelu.
Jak wygląda współpraca
- 01 ProblemRozmowa o tym, co ma działać inaczej. Pokazujesz kilka prawdziwych przykładów: dokumentów, pytań albo spraw.
- 02 Zakres i miaraUstalamy, co znaczy „działa dobrze” i jak to zmierzymy. Najmniejszy sensowny zakres, cenę znasz przed startem.
- 03 BudowaKrótkie iteracje na Twoich danych. Widzisz działającą funkcję, nie slajdy.
- 04 WeryfikacjaSprawdzamy wynik na zestawie testowym z Twoich przykładów, zanim funkcja trafi do użytkowników.
- 05 PrzekazanieKod, prompty, zestaw testowy i dokumentacja trafiają do Ciebie na własność.
Funkcja AI albo integracja: od 8 000 zł netto, zwykle 8–20 tys. Większe zakresy, na przykład asystenta w aplikacji albo agenta w kilku systemach, wyceniamy po krótkim discovery. Do tego dochodzą opłaty za korzystanie z modelu u dostawcy. Szacujemy je przed startem.
Dlaczego Exacting
- 01Inżynier, nie dział sprzedażyPonad 8 lat komercyjnego tworzenia oprogramowania, w tym przy systemach bankowych i enterprise. Dziś także rozwiązania wykorzystujące GenAI dla dużych organizacji.
- 02Sami budujemy narzędzia dla agentów AIRozwijamy AgentOS, warstwę kontroli dla rozwoju software'u z agentami. Zasada z AgentOS dotyczy też funkcji, które budujemy dla Ciebie: nie ufamy deklaracji modelu, wynik przechodzi niezależne sprawdzenie.
- 03Wiemy, co psuje się w kodzie z AIW ramach Live-ready sprawdzamy aplikacje zbudowane z narzędziami AI. Klucze w kodzie przeglądarki i rachunki za AI bez limitów to ryzyka, których unikamy od pierwszej wersji.
- 04Budujemy systemy na lataNa przykład Kitsune Garage: 184 endpointy API, 79 testów automatycznych i automatyczne wdrożenia. Funkcja AI to część takiego systemu, a nie osobny eksperyment.
Częste pytania
Podpięcie modelu przez API to kilka linijek kodu i często wystarcza na demo. AI engineering to wszystko, czego potrzeba, żeby funkcja działała na produkcji: zestaw testowy z Twoich przykładów, walidacja wyniku, zabezpieczenia, kontrola kosztów i monitoring po wdrożeniu.
Funkcja AI albo integracja zaczyna się orientacyjnie od 8 000 zł netto, zwykle 8–20 tys. Większe zakresy wyceniamy po krótkim discovery, a cenę znasz przed startem. Do tego dochodzą opłaty za korzystanie z modelu u dostawcy. Szacujemy je przed startem i ustawiamy limity.
Tego, który najlepiej wypada na Twoich przykładach w rozsądnej cenie. Pracujemy z modelami różnych dostawców, na przykład OpenAI, Anthropic i Google, a także z modelami open-source. Model da się później wymienić bez przepisywania aplikacji.
Dobieramy dostawcę i konfigurację tak, żeby dane przesyłane do modelu nie były używane do trenowania, i sprawdzamy to w aktualnych warunkach dostawcy. Przy danych osobowych ustalamy też region przetwarzania i umowę powierzenia. Jeśli dane nie mogą opuścić Twojej infrastruktury, rozważamy model uruchomiony u Ciebie.
Zakładamy, że czasem się pomyli, i projektujemy pod to. Wynik przechodzi walidację, niepewne przypadki trafiają do człowieka, a przed wdrożeniem mierzymy, jak często model myli się na Twoich przykładach. Wtedy decydujesz, czy taki poziom jest do przyjęcia.
Zwykle nie. Większość zadań da się rozwiązać gotowym modelem, dobrą instrukcją i dostępem do Twoich dokumentów. Potrzebujemy natomiast kilkudziesięciu prawdziwych przykładów, żeby zmierzyć jakość. Dotrenowanie modelu (fine-tuning) proponujemy dopiero wtedy, gdy testy pokażą, że to się opłaca.
Tak, gdy zadanie wymaga kilku kroków w różnych systemach. Agent dostaje tylko potrzebne uprawnienia, każde jego działanie jest zapisywane, a kroki, których nie da się cofnąć, zatwierdza człowiek. Jeśli to samo da się zrobić prostszą automatyzacją, zaproponujemy ją.
Tak. Zaczynamy od pomiaru: zbieramy przypadki, w których funkcja się myli albo kosztuje za dużo, i szukamy przyczyny. Czasem wystarczy lepsza walidacja, inny podział zadania albo tańszy model w części kroków. Jeśli cała aplikacja powstała z narzędziem AI, zobacz Live-ready.
Opisz, co AI ma zrobić w Twojej firmie
Kilka zdań wystarczy. Jeśli masz przykłady dokumentów, pytań albo spraw, opisz je. Wrócimy z pytaniami albo propozycją kolejnego kroku.
Wolisz mail? [email protected]
Mamy to.
Przeczytamy opis i odezwiemy się w ciągu 1–2 dni roboczych. Potwierdzenie wysłaliśmy też na Twój adres e-mail.
Nazwy modeli i dostawców AI należą do ich właścicieli, a Exacting nie jest z nimi powiązany. Aktualizacja: październik 2026.