Jak wybrać wykonawcę wdrożenia AI w 2026: pytania, czerwone flagi i jak czytać ofertę

Wybór wykonawcy wdrożenia AI decyduje o wyniku częściej niż wybór modelu. Raport MIT NANDA The GenAI Divide: State of AI in Business 2025 (lipiec–sierpień 2025) pokazuje, że 95% organizacji nie widzi mierzalnego wpływu generatywnej AI na wynik finansowy, a partnerstwa zewnętrzne kończą się sukcesem około dwa razy częściej niż projekty budowane wyłącznie wewnątrz firmy. Gartner (komunikat z 25.06.2025) przewiduje, że ponad 40% projektów z agentami AI zostanie anulowanych do końca 2027 roku przez koszty, niejasną wartość albo słabe kontrole ryzyka, i szacuje, że spośród tysięcy firm reklamujących „agentów” realne możliwości agentowe ma około 130.

Ten tekst jest checklistą dla osoby, która ma wybrać wykonawcę, a nie budować model. Poniżej: kiedy freelancer, software house albo współpraca w stylu forward deployed engineer; 18 pytań, które warto zadać każdemu kandydatowi; jak czytać wycenę wdrożenia AI; kiedy zakres się zmienia, bo zmienia się AI; czerwone flagi i jak wygląda uczciwy pilotaż. Kwoty z rynku i proces współpracy znajdziesz też w tekstach ile kosztuje agent AI, ile kosztuje MVP i wycena aplikacji.

Jak wybrać wykonawcę wdrożenia AI? W skrócie

• Najpierw opisz proces i miarę sukcesu (np. czas obsługi zgłoszenia przed i po). Dopiero potem rozmawiaj o modelu albo narzędziu.
• Porównuj co najmniej dwóch, lepiej trzech wykonawców na tych samych pytaniach i tym samym briefie.
• W ofercie szukaj: zakresu, rzeczy poza zakresem, kosztu tokenów i utrzymania, własności kodu i promptów, planu wyjścia oraz kryteriów odbioru na zbiorze testowym.
• Freelancer pasuje do wąskiego, dobrze opisanego zakresu. Software house: wiele ról naraz i formalne odbiory. Współpraca „przy produkcie” (FDE): gdy trzeba wejść w Wasz proces i zostawić wiedzę w firmie.
• Zacznij od płatnego, wąskiego pilotażu z kryteriami spisanymi przed startem. Demo bez Waszych danych nic nie rozstrzyga.

Freelancer, software house czy współpraca przy produkcie (FDE)

Trzy modele współpracy różnią się nie tylko stawką, lecz tym, kto odpowiada za decyzje, dokumentację i utrzymanie.

FDE (forward deployed engineer) to rola znana z firm AI: inżynier pracuje blisko klienta, w jego kontekście, a nie tylko z ticketów. Szerszy opis: Forward Deployed Engineer: kto to jest. Dla małej i średniej firmy w Polsce często oznacza to freelancera albo małe studio, które zaczyna od warsztatu, spisuje zakres i oddaje działającą wersję w krótkich sprintach, zamiast sprzedawać „platformę AI pod klucz”.

Nie ma uniwersalnej odpowiedzi „zawsze freelancer” albo „zawsze software house”. Dopasuj model do ryzyka: im bardziej system wpływa na codzienną pracę działu i im więcej integracji z ERP/CRM, tym ważniejsze stają się dokumentacja, własność kont i plan wyjścia, niezależnie od tego, czy płacicie jednej osobie, czy firmie.

18 pytań do dostawcy AI

Zadaj te same pytania każdemu. Odpowiedzi poproś na piśmie, najlepiej jako część oferty.

Problem, dane i miara

1. Jaki proces poprawiamy i jaką liczbę uznamy za sukces? Dobra odpowiedź zawiera wskaźnik „przed” (np. 4 godziny ręcznej pracy dziennie) i próg „po”.
2. Jakich danych potrzebujecie i co, jeśli są niekompletne albo sprzeczne? Wykonawca, który nie pyta o stan danych, nie wie jeszcze, co buduje. MIT NANDA wskazuje, że problemy z wdrożeniem biorą się częściej z integracji z procesem niż z jakości samego modelu.
3. Czy możecie pokazać podobne wdrożenie na produkcji i dać kontakt do klienta? Rozmowa z klientem mówi więcej niż slajd z logo.
4. Co uznacie za „nie idziemy dalej” po pilotażu? Uczciwy wykonawca zapisuje kryteria odrzucenia, nie tylko sukcesu.

Jakość, błędy i utrzymanie

5. Jak wygląda zbiór testowy i jaki próg jakości jest w umowie? Szukaj golden setu przygotowanego przed startem, nie „zobaczycie na demo”.
6. Co się dzieje, gdy model się pomyli? Potrzebujesz punktów zatwierdzeń przez człowieka, bezpiecznego stanu domyślnego i logów. Więcej o pomiarze: jak testować agentów AI.
7. Kto utrzymuje system po starcie i w jakim czasie reagujecie? Modele, dokumenty i koszty zmieniają się co kilka tygodni. Bez właściciela system cichnie po kwartale.
8. Jak monitorujecie koszt tokenów przy naszym wolumenie? Poproś o wyliczenie na Waszych liczbach, nie o „to tanie”.

Bezpieczeństwo i zgodność

9. Gdzie są przetwarzane dane i czy dostawca modelu może na nich trenować? Dla danych osobowych zwykle potrzebna jest umowa powierzenia (art. 28 RODO). Plan biznesowy dostawcy modelu bywa inny niż konsumencki.
10. Czy system zna Wasze uprawnienia (role, SSO), czy ma osobną listę kont? Osobna lista rozjeżdża się po pierwszym odejściu pracownika.
11. Jak oceniacie klasę ryzyka względem AI Act? Od 2 sierpnia 2026 obowiązują kolejne obowiązki. „To Was nie dotyczy” bez uzasadnienia to słaby sygnał.
12. Jakie decyzje system podejmuje sam, a które zatwierdza człowiek? Zwłaszcza przy agentach, którzy zapisują dane albo wysyłają wiadomości.

Własność, integracje i wyjście

13. Do kogo należą kod, prompty, konfiguracja, zbiór testowy i baza wiedzy? To musi być w umowie, nie tylko w rozmowie.
14. Na czyich kontach stoją API, chmura i repozytorium? Konta po Waszej stronie utrudniają uzależnienie od wykonawcy.
15. Jak wygląda wyjście: eksport, okres przejściowy, pomoc w przekazaniu? Bez tego pilotaż łatwo zamienia się w wieloletnią dzierżawę.
16. Czy da się zmienić dostawcę modelu bez przepisywania całości? Dobrze zaprojektowany system nie jest przyklejony do jednego API.
17. Jak łączycie się z naszymi systemami (CRM, ERP, helpdesk) i z jakimi granicami? „Podłączymy wszystko” bez listy i uprawnień per rola to ryzyko, nie zaleta.
18. Co jest w cenie wdrożenia, a co jest zmianą? Poprawki promptów, nowe kategorie, zmiana modelu, nowe źródła wiedzy: ustal zasady z góry.

Jak czytać wycenę wdrożenia AI

Porównywanie samych kwot nie ma sensu, jeśli każda oferta opisuje inny produkt. Przy AI do klasycznej listy (zakres, poza zakresem, harmonogram, model rozliczenia) dochodzą pozycje, których nie ma w zwykłej aplikacji.

Fixed price ma sens dopiero przy spisanym zakresie i zbiorze testowym. Przy pierwszym wdrożeniu AI częściej sprawdza się warsztat, a potem praca w dwutygodniowych sprintach rozliczanych za czas, z działającą wersją po każdym odcinku. Szerszy opis modeli rozliczenia: wycena aplikacji.

Kiedy AI zmienia zakres w trakcie projektu

W klasycznym software scope creep bierze się z nowych ekranów i funkcji. Przy AI zakres puchnie także wtedy, gdy:

• Zmienia się model albo cennik API. To, co działało na Sonnetcie w maju, w listopadzie może być tańsze na innym modelu albo wymagać innych promptów. Dobry wykonawca planuje wymienność modelu, a nie „przepisanie na nowy model” jako osobny projekt bez wyceny.
• Dane okazują się gorsze, niż wyglądały w demo. Brakujące pola, sprzeczne procedury, dokumenty bez dat. Wtedy praca idzie w porządkowanie źródeł, nie w „więcej AI”.
• Po pierwszym tygodniu użytkownicy pokazują wyjątki. Klasyczny chatbot FAQ zamienia się w agenta z zapisem do CRM. To nie jest drobna poprawka: dochodzą uprawnienia, logi i akceptacje.
• Regulacje albo polityka firmy zaostrzają wymagania. Dane mają zostać w UE, model lokalny, albo zakaz trenowania. To zmienia architekturę i koszt.
• „Agent washing”. Gartner ostrzega, że wiele produktów przemianowano na agentów bez realnej autonomii. Jeśli w trakcie projektu okazuje się, że potrzebujecie workflowu z ustalonymi krokami, a nie agenta, zakres i wycena powinny to odzwierciedlić, zamiast brnąć w buzzword.

Zapisuj zmiany zakresu tak samo jak w zwykłym projekcie IT: co doszło, co wypadło, jak zmienia się miara sukcesu i koszt tokenów. Bez tego po trzech miesiącach nie wiecie, czy „AI nie działa”, czy po prostu kupiliście coś innego niż na początku.

Czerwone flagi

• Demo i „wow” przed rozmową o Waszym procesie i danych.
• Obietnica dokładności albo oszczędności bez zbioru testowego i bez liczby „przed”.
• Cena wdrożenia bez słowa o utrzymaniu, tokenach i tym, kto płaci za API.
• Kod, prompty i konta tylko u wykonawcy, bez planu eksportu.
• „Zróbmy wszystko naraz” zamiast jednego procesu na start.
• Brak właściciela procesu po Waszej stronie w planie projektu.
• Wykonawca, który nigdy nie mówi „tego nie warto robić”.
• Agent „do wszystkiego”, który po dopytaniu okazuje się chatbotem z FAQ.

Jak wygląda uczciwy pilotaż

Pilotaż ma odpowiedzieć na jedno pytanie: czy inwestować dalej. Kryteria spiszcie przed startem.

Przykładowy szablon (liczby podmieniacie na swoje):

Proces: [np. klasyfikacja maili do działów] Punkt wyjścia: [czas / błędy / koszt dziś] Czas: 4–8 tygodni, stała cena albo limit godzin Sukces: trafność na zbiorze N przykładów ≥ X%; spadek czasu o ≥ Y%; koszt modeli ≤ Z zł/mies. przy obecnym wolumenie Decyzja po: wdrażamy / poprawiamy / zamykamy

Bez zapisanych kryteriów prawie zawsze wychodzi „obiecujące wyniki”, które niczego nie rozstrzygają.

Plan wyboru krok po kroku

1. Opisz proces i wskaźnik z wartością „przed”.
2. Wybierz model współpracy: freelancer, software house albo praca przy produkcie.
3. Wyznacz właściciela procesu po Waszej stronie.
4. Wyślij ten sam brief do 2–3 wykonawców.
5. Zadaj te same 18 pytań i porównaj odpowiedzi w tabeli.
6. Sprawdź projekt umowy: prawa, rezultaty (w tym prompty), dane, koszty zmienne, wyjście.
7. Zapłać za wąski pilotaż z kryteriami sprzed startu.
8. Decyzję podejmij na liczbach, nie na wrażeniu z prezentacji.

Najczęstsze pytania

Jak wybrać firmę do wdrożenia AI, gdy nie mam zespołu technicznego?

Opisz proces językiem biznesowym i poproś każdego kandydata o jednostronicowy opis rozwiązania: skąd dane, co robi system, gdzie człowiek zatwierdza, ile to kosztuje miesięcznie. Potem zaproś osobę, która dziś wykonuje tę pracę. Jeśli nie rozpoznaje własnego procesu na diagramie, oferta jest za ogólna.

Freelancer czy software house przy pierwszym wdrożeniu AI?

Przy jednym, dobrze opisanym procesie i małym ryzyku freelancer bywa wystarczający, o ile konta i kod są u Was, a w umowie jest przekazanie. Przy wielu integracjach, formalnych odbiorach albo systemie krytycznym dla działu lepiej sprawdza się zespół albo hybryda: zewnętrzny wykonawca buduje, wewnętrzny właściciel przejmuje.

Jakie pytania zadać dostawcy AI przed podpisaniem umowy?

Minimum: miara sukcesu, stan danych, zbiór testowy, lokalizacja i trening na danych, własność kodu i promptów, koszt tokenów i utrzymania, plan wyjścia. Pełna lista 18 pytań jest wyżej w tym tekście.

Co powinno być w umowie na wdrożenie AI?

Poza klasycznym zakresem: rezultaty prac (kod, prompty, konfiguracja, zbiór testowy), prawa albo licencja, umowa powierzenia jeśli są dane osobowe, zasady kosztów zmiennych (tokeny), SLA na utrzymanie oraz plan wyjścia z eksportem.

Ile kosztuje wdrożenie AI w firmie?

Zależy od tego, czy budujecie chatbota z bazą wiedzy, czy agenta zapisującego w systemach. Polskie cenniki publiczne w 2026 roku zaczynają się od kilku tysięcy złotych za prosty pakiet, a agenci operacyjni z integracjami dochodzą do 150–200 tys. zł netto i wyżej. Rozbicie: ile kosztuje agent AI.

Czy zaczynać od narzędzia no-code, czy od custom developmentu?

Jeśli proces jest prosty i dane są w jednym miejscu, gotowe narzędzie bywa szybsze do sprawdzenia hipotezy. Custom ma sens, gdy potrzebujecie własnych uprawnień, głębokiej integracji albo kontroli nad kosztami i logami. Często kolejność jest taka: wąski test na gotowym narzędziu, potem decyzja, czy budować na stałe.

Szukasz wykonawcy wdrożenia AI?

Buduję wdrożenia AI, agentów i MVP jako freelancer: najpierw warsztat i spisany zakres, potem dwutygodniowe sprinty z działającą wersją po każdym. Pracuję blisko problemu klienta (miękko: jak forward deployed engineer), rozliczam się godzinowo na fakturę B2B, odpowiadam w ciągu 24 godzin. Projekty od 10 000 zł netto, bez górnej granicy, bo każdy zakres jest inny. Napisz, jaki proces chcesz poprawić. Więcej: wdrożenie AI, agenci AI, MVP.

Źródła

Odczyt 6.11.2026, chyba że zaznaczono inaczej.

1. MIT NANDA, The GenAI Divide: State of AI in Business 2025 (raport wstępny, lipiec–sierpień 2025): 95% organizacji bez mierzalnego wpływu GenAI na P&L; zewnętrzne partnerstwa ze znacznie wyższym odsetkiem sukcesu niż budowy w całości wewnętrzne
2. Fortune, MIT report: 95% of generative AI pilots at companies are failing (18.08.2025) i GroundedKit, Misquoted: 95% of generative AI pilots fail (precyzja sformułowania „95%”)
3. Gartner, Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (25.06.2025); szacunek ok. 130 realnych dostawców agentowych; pojęcie agent washing
4. Teksty porównawcze na rynku PL (struktura checklist, nie źródło liczb): ByteWave, Wiszniewski, Semitora, Ententra
5. Własne zestawienia cen i procesu: ile kosztuje agent AI, wycena aplikacji, Forward Deployed Engineer