Własna baza wiedzy AI dla firmy: jak zbudować bez wysyłania danych do chmury
Fintech, kancelaria, producent z tajemnicą handlową — są firmy, które nie mogą wysyłać swoich dokumentów do chmury OpenAI. Ten artykuł pokazuje, jak zbudować własną bazę wiedzy AI na prywatnych danych: bez chmury, bez kompromisów z bezpieczeństwem, z realnym kosztem i gotowością do działania.
Jak zbudować prywatną bazę wiedzy AI
Czym jest firmowa baza wiedzy AI i dlaczego to nie jest kolejny chatbot
Standardowy chatbot AI (jak ChatGPT) odpowiada na pytania na podstawie wiedzy ogólnej, której nauczył się podczas treningu. Firmowa baza wiedzy AI działa inaczej: odpowiada wyłącznie na podstawie dokumentów, które sama firma dostarcza i kontroluje. Zadajesz pytanie, system szuka w Twoich procedurach, specyfikacjach i FAQ, a następnie formułuje odpowiedź na podstawie znalezionych fragmentów — cytując źródło.
To jest kluczowa różnica. ChatGPT może wymyślić procedurę, która nie istnieje w Twojej firmie. Firmowa baza wiedzy oparta na RAG (Retrieval-Augmented Generation) może powiedzieć „nie znalazłam odpowiedzi w dostępnych dokumentach” — co jest dużo bezpieczniejsze. Szczegóły dotyczące wdrożeniu asystenta AI z własną bazą wiedzy opisujemy w ofercie usługi.
Firmowa baza wiedzy AI (RAG) odpowiada na pytania pracowników na podstawie Twoich dokumentów — nie ogólnej wiedzy z internetu — i nie wysyła tych dokumentów do żadnego zewnętrznego dostawcy przy prawidłowej konfiguracji.
Kiedy nie możesz wysyłać danych do chmury — i jakie masz opcje
Są branże i przypadki, gdzie wysyłanie dokumentów firmowych do zewnętrznych modeli AI jest niemożliwe lub ryzykowne: instytucje finansowe objęte nadzorem KNF, kancelarie prawne z tajemnicą adwokacką, producenci z projektami objętymi ochroną jako tajemnica handlowa, podmioty medyczne przetwarzające dane pacjentów. W tych przypadkach standardowe API OpenAI lub Anthropic jest po prostu wykluczone.
Opcje są trzy. Pierwsza: model on-premise — serwer w firmie lub na prywatnym serwerze wirtualnym, model lokalny (Ollama + Llama 3.1 lub Mistral 7B), dane nigdy nie opuszczają infrastruktury firmy. Druga: prywatny cloud — dedykowany cluster GPU w chmurze (Azure, OVH) z modelem LLM działającym wyłącznie dla Twojej firmy, dane są w chmurze, ale nie są dostępne dla dostawcy modelu. Trzecia: model komercyjny z umówą Enterprise — Microsoft Azure OpenAI lub AWS Bedrock, gdzie dostawca zapewnia, że dane nie są używane do trenowania modelu. Jeśli wolisz zrozumieć, gdzie asystenci AI dają realny efekt operacyjny, zacznij od tego artykułu.
- On-premise: model lokalny, dane w firmie, najwyższe bezpieczeństwo, wyższy koszt sprzętu
- Prywatny cloud: dedykowany cluster GPU, dane w chmurze, bez dostępu dostawcy
- Enterprise cloud: Azure OpenAI lub AWS Bedrock z umówą o ochronie danych
Jakie dokumenty zasilić w pierwszej kolejności i jak je przygotować
Nie każdy dokument w firmie nadaje się do bazy wiedzy AI na start. Najlepsze źródła to: procedury operacyjne (szczególnie te, o które pracownicy pytają najczęściej), specyfikacje produktów i usług, FAQ wewnętrzne i zewnętrzne, umowy wzorcowe i klauzule typowe, dokumentacja z poprzednich projektów, instrukcje obsługi systemów i narzędzi. Zły materiał na start to: prezentacje handlowe z grafami, skany bez OCR, dokumenty w tabelach Excela z niestandardowym formatem i pliki z niezorganizowaną strukturą.
Przygotowanie dokumentów to często niedoceniany etap. Dokumenty muszą być w formacie tekstowym (PDF z warstwą tekstową, DOCX, TXT), podzielone na logiczne sekcje i w miarę aktualne. Nieaktualna procedura w bazie wiedzy jest gorsza niż jej brak — system będzie odpowiadał z pewnością siebie, a informacja będzie błędna.
Jak działa retrieval — mechanizm szukania bez żargonu technicznego
Kiedy pracownik zadaje pytanie, system nie przeszukuje dokumentów jak wyszukiwarka Google (po słowach kluczowych). Zamiast tego konwertuje pytanie na wektor matematyczny — uproszczony zapis znaczenia — i porównuje go z wektorami wszystkich fragmentów dokumentów. Fragmenty, których znaczenie jest najbliższe pytaniu, są wybierane i przekazywane do modelu językowego wraz z pytaniem. Model formułuje odpowiedź wyłącznie na podstawie tych fragmentów.
Praktyczny efekt: możesz zapytać „jakie są warunki rozwiązania umowy z Klientem X?” — system znajdzie odpowiedni paragraf, nawet jeśli nie użyjesz dokładnie tych samych słów, które są w dokumencie. To jest właśnie przewaga nad zwykłym wyszukiwaniem. Jakość odpowiedzi zależy od jakości dokumentów, jakości ich podziału na fragmenty i jakości samego modelu językowego. O tym, jak wygląda architektury silnika AI dla danych firmowych, piszemy w ofercie.
Koszty i wymagania techniczne w realistycznym ujęciu
Mały setup on-premise dla 10–30 użytkowników wymaga serwera z GPU (np. NVIDIA RTX 4090 lub serwer z A10G) — koszt sprzętu 5–15 tys. PLN lub serwer cloud GPU za 500–2000 PLN miesięcznie. Do tego oprogramowanie open-source (Ollama, LangChain, vector database jak Qdrant lub Weaviate) — bezpłatne lub z niskim kosztem hostingu. Koszt konfiguracji, wdrożenia i przygotowania dokumentów to 20–60 tys. PLN w zależności od liczby dokumentów, złożoności konfiguracji i wymagań na interfejs użytkownika.
Dla porównania: enterprise SaaS do zarządzania wiedzą (Notion AI, Guru, Glean) kosztuje 15–50 USD na użytkownika miesięcznie, co przy 30 użytkownikach to 5000–18 000 PLN rocznie — i to bez gwarancji prywatności danych na poziomie on-premise. Prywatna baza wiedzy AI jest więc nie tylko bezpieczniejsza dla firm z restrykcjami, ale często tańsza w perspektywie 2–3 lat. Modele lokalne dla języka polskiego stale się poprawiają — w 2025 roku Llama 3.1 daje już przyzwoite wyniki dla typowych zapytań wewnętrznych, choć złożone pytania analityczne wciąż lepiej obsługuje GPT-4 lub Claude.