— SŁOWNIK

Pojęcia AI, które powinieneś znać przed decyzją.

Terminologia z perspektywy zarządu. Źródła pierwotne, polski kontekst, bez podręcznikowych ogólników.

— SZUKAJ W SŁOWNIKU

29 wpisów

Agent washing (rebranding chatbotów jako agentów AI)

Praktyka rebrandingu klasycznych chatbotów, workflow automation lub RPA jako agentic AI. Vendor dodaje warstwę GPT do istniejącego rozwiązania i sprzedaje je trzykrotnie drożej. Z tysięcy dostawców deklarujących zdolności agentic w 2025 roku, Gartner szacuje że realnie tylko około 130 ma faktyczne funkcje agentic.

AI Act (rozporządzenie UE regulujące sztuczną inteligencję)

Rozporządzenie Parlamentu Europejskiego (EU) 2024/1689 z 13 czerwca 2024, regulujące systemy sztucznej inteligencji w Unii Europejskiej. Obowiązuje stopniowo: zakaz praktyk zakazanych od lutego 2025, wymogi dla modeli ogólnego przeznaczenia od sierpnia 2025, pełne wymogi dla systemów wysokiego ryzyka od sierpnia 2026, pełne obowiązywanie od sierpnia 2027.

AI governance (nadzór i decyzje dotyczące AI w firmie)

Zestaw zasad, ról i procedur określających kto w firmie decyduje o wdrożeniach AI, kto monitoruje ryzyka, kto reaguje na incydenty. Bez governance AI projekty eskalują samodzielnie do problemów, których nikt nie potrafi rozwiązać. Firmy z udokumentowanym AI governance mają trzykrotnie wyższy ROI z wdrożeń.

AI Operating Model (model operacyjny AI w firmie)

Sposób, w jaki organizacja decyduje, buduje, wdraża i utrzymuje rozwiązania AI w skali. Cztery główne modele: centralna jednostka AI (Center of Excellence), federacyjny model rozproszony, hybrydowy, embedded w działach biznesowych. Wybór modelu determinuje 60-80 procent długoterminowego ROI z AI w firmie.

AI Readiness Score (wskaźnik gotowości firmy do wdrożenia AI)

Mierzalny wskaźnik gotowości organizacji do wdrożenia AI, wyrażony w skali 0-100, w autorskiej metodyce yesfor.ai obliczany z ośmiu obszarów składowych. Pokazuje gdzie firma jest gotowa, a gdzie ma blokady, bez interpretacji. Score poniżej 50 oznacza, że wdrożenie AI w obecnym stanie organizacji ma wysokie prawdopodobieństwo porażki.

AI-ready data (dane gotowe pod wdrożenie AI)

Dane spełniające pięć warunków technicznych Gartnera, umożliwiające trenowanie modeli i ich utrzymanie w produkcji. Dopasowanie do konkretnego use case, jasny ownership zasobu, automated pipelines z bramkami jakości, aktualizowana metadana, ciągła kontrola jakości. Bez wszystkich pięciu warunków AI uczy się chaosu i replikuje go w skali.

Bias w AI (uprzedzenia algorytmiczne)

Systematyczne odchylenia w predykcjach modelu AI, które krzywdzą określone grupy ludzi lub przypadków. Bias może pochodzić z danych treningowych (historyczne nierówności), z designu modelu, z procesu etykietowania danych, z prompt engineering. Modele AI bez audytu bias kategorycznie podlegają obowiązkom dokumentacyjnym AI Act od sierpnia 2026.

Capability transfer (przekazanie kompetencji od konsultanta do firmy)

Celowy proces, w którym konsultant lub dostawca wbudowuje wiedzę i zdolność do utrzymania rozwiązania w organizację klienta, zamiast tworzyć zależność. Bez capability transfer wdrożenie AI staje się tickijącą bombą operacyjną: koszt utrzymania osiąga trzydzieści do pięćdziesięciu procent kosztu wdrożenia rocznie, a każda zmiana wymaga ponownego zamówienia konsultanta.

Context window (okno kontekstowe modelu)

Maksymalna liczba tokenów (cząstek słownictwa), które LLM może przyjąć i przetwarzać jednocześnie w jednym zapytaniu. Context window obejmuje zarówno prompt użytkownika, jak i odpowiedź modelu. Stan na 2026: GPT-4o 128 000 tokenów, Claude 3.7 Sonnet 200 000, Gemini 2.5 Pro 2 000 000.

Embeddings (osadzenia wektorowe)

Reprezentacja tekstu, obrazu lub innego artefaktu jako wektor liczbowy w wielowymiarowej przestrzeni, w której geometryczna bliskość odpowiada semantycznej bliskości. Embeddings są fundamentem nowoczesnego wyszukiwania semantycznego, systemów rekomendacyjnych i architektury RAG. Wymiar typowego embeddings: 768 do 3 072 liczb.

Explainable AI / XAI (wyjaśnialność decyzji modeli AI)

Zestaw technik umożliwiających zrozumienie, dlaczego model AI podjął konkretną decyzję. Wymagana przez AI Act dla systemów wysokiego ryzyka, przez sektor finansowy przez Rekomendację KNF, przez sektor medyczny przez MDR. Bez XAI model jest czarną skrzynką niedopuszczalną w kontekstach regulowanych.

Fine-tuning (dostrojenie modelu AI do konkretnego zadania)

Proces dostosowania pre-trained LLM do konkretnego zadania przez dotrening na dedykowanych danych. Fine-tuning kosztuje 5 do 50 razy więcej niż prompt engineering i 2 do 10 razy więcej niż RAG, ale daje lepsze wyniki w trzech wąskich klasach zastosowań: replikowanie stylu, narrowing scope, redukcja kosztów inferencji dla wysokich wolumenów.

Foundation model (model bazowy AI)

Duży model uczenia maszynowego trenowany na ogromnym, zróżnicowanym zbiorze danych, zaprojektowany jako uniwersalny punkt wyjścia do dostosowania pod konkretne zadania. Termin został wprowadzony przez Stanford CRFM w 2021 roku jako kontra do wąskich modeli specjalistycznych. Aktualne foundation models obejmują GPT, Claude, Gemini, Llama, Mistral.

GenAI Divide (przepaść we wdrożeniach generatywnego AI)

Pojęcie wprowadzone przez MIT Project NANDA w raporcie z lipca 2025 opisujące rozłam między pięcioma procentami firm osiągających mierzalny zwrot z wdrożeń generatywnego AI a dziewięćdziesięcioma pięcioma procentami, w których piloty kończą się bez wpływu na P&L. Po wydaniu trzydziestu do czterdziestu miliardów dolarów.

Halucynacje LLM

Wytwarzanie przez model językowy odpowiedzi formalnie poprawnych syntaktycznie, ale faktycznie nieprawdziwych. Halucynacja nie jest błędem implementacji ani uszkodzeniem, jest cechą architektoniczną modeli probabilistycznych. Wskaźnik halucynacji w produkcyjnych zastosowaniach enterprise oscyluje od 3 do 27 procent zależnie od typu zapytania i benchmarku.

Human-in-the-loop (człowiek zatwierdzający decyzje AI)

Wzorzec architektoniczny, w którym decyzja systemu AI wymaga zatwierdzenia człowieka przed wykonaniem konsekwencji. Nie jest safety net, jest elementem architektury bez którego rozwiązanie nie jest gotowe do produkcji w zastosowaniach o wysokiej wadze decyzji. Wskaźnik wdrożeń z HITL w sektorze finansowym i medycznym przekracza 95 procent.

Last mile problem (problem ostatniego kilometra wdrożenia AI)

Zjawisko, w którym demo i pilot pokazują obiecujące wyniki, ale integracja modelu z faktycznym workflow organizacji okazuje się dziesięcio do dwudziestokrotnie kosztowniejsza niż sam model. Ostatni etap, w którym AI wpina się w realne procesy ludzi i systemów, pochłania 70-80 procent budżetu wdrożenia. Większość projektów AI nie dożywa tego etapu.

MLOps (DevOps dla uczenia maszynowego)

Zestaw praktyk automatyzujących cykl życia modelu uczenia maszynowego od eksperymentu badawczego do produkcji i utrzymania. Obejmuje wersjonowanie modeli i danych, automatyczne pipeline'y treningu, deployment, monitoring, retraining. Dojrzałość MLOps w organizacji jest najsilniejszym predyktorem utrzymania ROI z AI w drugim i trzecim roku po wdrożeniu.

Model drift (degradacja modelu AI w czasie)

Pogarszanie się jakości predykcji modelu AI w produkcji wynikające ze zmiany w danych wejściowych (data drift) lub zmiany w relacji między danymi a wynikiem (concept drift). Bez monitoringu i retreningu model degraduje się typowo o 5-20 procent jakości rocznie. Model drift jest jedną z trzech najczęstszych przyczyn porażki wdrożeń AI po sześciu miesiącach od go-live.

Multi-tenant SaaS (jedna platforma SaaS dla wielu klientów)

Architektura, w której jedna instancja aplikacji obsługuje wielu klientów (tenantów), z logiczną separacją danych. Konkurencyjna do single-tenant, gdzie każdy klient dostaje osobną instancję. W kontekście AI multi-tenant pozwala dzielić koszt infrastruktury i modelu między wielu klientów, single-tenant daje mocniejszą izolację compliance.

Process mining (rekonstrukcja procesów z logów systemowych)

Technika rekonstrukcji rzeczywistego przebiegu procesów biznesowych na podstawie logów systemów (ERP, CRM, BPMS), nie na podstawie dokumentacji ani wywiadów. Pokazuje co dzieje się faktycznie, nie co powinno się dziać. Różnica między obrazem dokumentowanym a rzeczywistym wynosi typowo od 40 do 60 procent.

Prompt injection (wstrzykiwanie złośliwych instrukcji do LLM)

Klasa ataków na aplikacje oparte na LLM, w której zewnętrzne dane (od użytkownika, z dokumentu, z bazy) zawierają instrukcje przejmujące kontrolę nad modelem. OWASP klasyfikuje prompt injection jako numer jeden na liście LLM Top 10 zagrożeń bezpieczeństwa 2025. Wskaźnik podatności w produkcyjnych aplikacjach enterprise oscyluje wokół 76 procent.

RAG (Retrieval-Augmented Generation, generowanie z wyszukiwaniem kontekstu)

Architektura, w której LLM przed wygenerowaniem odpowiedzi otrzymuje dynamicznie wyszukane fragmenty z bazy wiedzy klienta, zamiast polegać wyłącznie na wiedzy z trenowania. RAG obniża wskaźnik halucynacji z 10-27 procent do 0,5-3 procent dla zadań informacyjnych i umożliwia wdrożenie AI bez fine-tuningu modelu.

Shadow AI (ukryte użycie AI przez pracowników)

Używanie narzędzi AI przez pracowników poza wiedzą i polityką firmy. Wklejanie danych klientów do ChatGPT, kodu źródłowego do Claude, fragmentów umów do Copilota. Konsekwencja: wyciek danych, ryzyko RODO, ryzyko AI Act, naruszenie tajemnicy zawodowej.

TCO AI (całkowity koszt posiadania rozwiązania AI)

Suma wszystkich kosztów wdrożenia, utrzymania i rozwoju rozwiązania AI w horyzoncie 3-5 lat. Obejmuje licencje modeli, infrastrukturę, pracę zespołu, integracje, training, compliance, monitoring. TCO AI jest typowo 3 do 5 razy wyższe niż początkowy koszt wdrożenia, który jest jedyną liczbą prezentowaną w propozycji handlowej dostawcy.

Time to Value AI (czas do pierwszej mierzalnej wartości)

Liczba miesięcy od decyzji o wdrożeniu AI do pierwszego mierzalnego wpływu na P&L lub KPI operacyjny. W projektach klasy enterprise mediana TTV wynosi 14 miesięcy. W projektach z workflow-first design i jasnym scope spada do 4-7 miesięcy. TTV jest dziś jedynym wskaźnikiem, którym zarządy operują przed CFO.

Tokenizacja (podział tekstu na cząstki dla LLM)

Proces przekształcenia tekstu wejściowego na sekwencję tokenów, czyli najmniejszych jednostek, którymi operuje model. Token to typowo część słowa, słowo, lub znak interpunkcyjny. Jeden token w języku angielskim odpowiada średnio 0,75 słowa, w języku polskim 0,5 słowa. Liczba tokenów determinuje koszt zapytania, limit context window i czas odpowiedzi.

Vendor lock-in (uzależnienie od dostawcy AI)

Stan, w którym migracja z jednego dostawcy modelu AI do drugiego staje się ekonomicznie nieracjonalna. W kontekście AI wynika z trzech źródeł: niekompatybilnego API, niekompatybilnej semantyki promptów (model A i model B inaczej interpretują te same instrukcje), oraz fine-tuned customizacji niemożliwej do przeniesienia. Koszt migracji typowo równa się koszowi pierwotnego wdrożenia.

Workflow-first design (procesy przed wyborem technologii)

Zasada projektowania wdrożeń AI, zgodnie z którą najpierw projektuje się docelowy proces biznesowy, potem dobiera technologię. Odwrotnie do dominującej praktyki, w której wybór modelu AI poprzedza redesign procesu. Firmy stosujące workflow-first osiągają dwukrotnie wyższy ROI z AI.