Dlaczego ChatGPT nie wystarczy Twojej firmie — ograniczenia publicznych AI w biznesie

ChatGPT jest świetny. W firmie to za mało.

Dwa lata temu właściciel średniej firmy usługowej z Trójmiasta kupił ChatGPT Enterprise dla piętnastoosobowego zespołu. Był przekonany, że to załatwi operacyjkę: ofertowanie, maile do klientów, raporty dzienne, podsumowania spotkań. Po trzech miesiącach zadzwonił sfrustrowany: „On nic nie wie o mojej firmie. Za każdym razem muszę mu tłumaczyć od zera, kim jest klient, co mu sprzedajemy, jak mówimy. A jak już nauczy się w jednej rozmowie, to w następnej znowu zapomina.”

To nie była wina ChatGPT. ChatGPT działał poprawnie. Problem polegał na tym, że ChatGPT — nawet w wersji Enterprise — to narzędzie do rozmowy z ogólnym modelem językowym, a nie system AI dla konkretnej firmy. Różnica jest ta sama, co między kalkulatorem a księgowością. Kalkulator to świetne urządzenie. Ale do prowadzenia firmy potrzebujesz czegoś więcej niż kalkulatora.

Ten artykuł jest o tym, gdzie konkretnie leżą ograniczenia publicznych AI (ChatGPT, Gemini, Claude w wersji webowej) w kontekście biznesowym, kiedy te ograniczenia są krytyczne, a kiedy można je zignorować. Bez wciskania, że „potrzebujesz naszego systemu”. W sporej części przypadków — nie potrzebujesz.

Problem 1: Brak kontekstu firmy

Publiczny ChatGPT nie wie nic o Twojej firmie. Nie wie, że klient X ma pakiet premium i płaci trzykrotność stawki. Nie wie, że kolega Z jest na urlopie do piątku. Nie wie, że z Panem Marcinem nie rozmawiasz o cenach, bo on przychodzi po gotowe rozwiązania. Każda rozmowa zaczyna się od zera — i to nie jest tylko niewygodne, to jest niezerowy koszt poznawczy każdego zapytania.

Funkcja „memory” w ChatGPT (dostępna od 2024) zapamiętuje proste fakty o użytkowniku: preferencje językowe, że pracujesz w marketingu, że masz psa Reksa. Jest pomocna dla osobistego użytku. W kontekście firmy nie zastępuje niczego, bo kontekst firmy to dziesiątki tysięcy faktów, które się zmieniają: klienci, projekty, umowy, historia rozmów, preferencje każdego pracownika.

Jeszcze gorzej: ChatGPT bez dostępu do faktów potrafi halucynować — i jeśli pytasz go o „naszego klienta Kowalski”, może zgadnąć, że to pewnie kontakt z 2023 roku, co zupełnie mija się z prawdą. Wpisuje to pewnym tonem, co czyni błąd trudnym do wyłapania.

Problem 2: Halucynacje na liczbach

Wszystkie duże modele językowe — ChatGPT, Gemini, Claude — potrafią halucynować. To cecha ich architektury, a nie błąd konkretnej wersji. Model generuje najbardziej prawdopodobny kolejny token na podstawie kontekstu; jeśli nie ma w kontekście prawdziwej liczby, wstawi prawdopodobną. I zrobi to pewnym tonem.

W luźnej rozmowie to drobna niedogodność. W firmie potrafi być kosztowne:

• Księgowość i finanse — model wymyśla kwotę faktury, numer NIP, datę wpływu przelewu.
• Umowy i prawo — cytuje nieistniejący artykuł, myli daty wejścia w życie ustaw, myli strony umowy.
• Raporty zarządcze — „uśrednia” przychody kwartalne z danych, których nie widział.
• CRM i sprzedaż — przypisuje klientowi ofertę, której nigdy nie wysłałeś.

Lekarstwem nie jest „lepszy model” — nawet najnowsze wersje halucynują, gdy nie mają dostępu do faktów. Lekarstwem jest uziemienie modelu w Twoich danych: zamiast pytać go o fakty z pamięci treningowej, system dostarcza mu konkretne dokumenty (faktury, umowy, wpisy w CRM) i prosi o analizę tego, co widzi. Model nie musi zgadywać, więc nie halucynuje.

Takie podejście nazywamy RAG (retrieval-augmented generation) i jest to jeden z podstawowych elementów dedykowanego systemu AI. ChatGPT public nie ma RAG do Twoich danych — ma tylko funkcję „załącznik”, którą użytkownik musi ręcznie wgrać przy każdej rozmowie.

Problem 3: Brak integracji ze światem firmy

W Twojej firmie dane żyją w kilkunastu miejscach: Gmail, Outlook, CRM (HubSpot, Pipedrive, wewnętrzny), system księgowy (Comarch, Symfonia, Xero), bank (wyciągi), system magazynowy, strona WWW, Drive z umowami, WhatsApp z dostawcami, Slack/Teams z zespołem, kalendarz, dokumenty Word i Excel na różnych dyskach.

ChatGPT widzi tego dokładnie zero. Żeby zapytać go o cokolwiek konkretnego, użytkownik musi ręcznie skopiować fragment z jednego systemu, wkleić do rozmowy, dostać odpowiedź, skopiować z powrotem do docelowego miejsca. To nie jest automatyzacja — to jest odwrotność automatyzacji. Pracownik zamiast mniej pracy manualnej ma jej więcej.

Przykłady, które widuję niemal w każdej firmie, która „próbowała ChatGPT”:

• Handlowiec przed rozmową z klientem kopiuje do ChatGPT ostatnie 10 maili i prosi o podsumowanie. Zajmuje to 15 minut. Robi to codziennie.
• Asystentka zarządu pisze w ChatGPT raport z zestawienia faktur — musi najpierw wyeksportować faktury z systemu księgowego, wkleić, poprawić formatowanie.
• Marketing kopiuje briefy z CRM do ChatGPT, żeby stworzyć kampanie, a potem przekleja wynik z powrotem.

W dedykowanym systemie AI te same zadania dzieją się bez kopiowania: asystent ma dostęp do CRM, do Gmaila, do systemu księgowego przez API, wywołuje odpowiednie zapytania i generuje wynik. Pracownik tylko pyta i akceptuje. Różnica w czasie — od kilku do kilkudziesięciu razy.

Jeśli jesteś w miejscu, gdzie zespół spędza dużo czasu na kopiowaniu danych między systemami — to jest sygnał, że warto wyjść poza ChatGPT. Więcej o tym, jak układamy integracje, w sekcji wdrożenie AI.

Problem 4: Dane klientów, RODO, AI Act

Tu jest najwięcej mitów, więc po kolei. Publiczny ChatGPT (darmowy, Plus) domyślnie używa Twoich konwersacji do treningu modelu, chyba że wyłączysz historię czatów (opcja w ustawieniach). ChatGPT Team i Enterprise, a także dostęp przez API OpenAI, w deklaracji dostawcy nie trenują na danych klienta.

To znaczy: jeśli przetwarzasz dane klientów (maile, nazwiska, adresy, dane zdrowotne) w publicznym ChatGPT, bez wyłączonej historii, bez umowy powierzenia (DPA), prawdopodobnie łamiesz RODO. Nie dlatego, że „AI jest zakazane”, tylko dlatego, że nie masz podstawy prawnej do przekazywania danych klientów dostawcy, który je dalej przetwarza.

Minimalna higiena dla użytku biznesowego:

• Wersja bez treningu na danych — ChatGPT Team/Enterprise, API, Microsoft Copilot (z odpowiednim tenantem), Claude for Work.
• DPA z dostawcą — umowa powierzenia przetwarzania danych osobowych zgodna z art. 28 RODO.
• Analiza ryzyka (DPIA) — jeśli skala przetwarzania jest duża, zwłaszcza przy danych wrażliwych.
• Informacja w polityce prywatności — że używacie narzędzi AI i kto jest podmiotem przetwarzającym.
• Szkolenia zespołu — żeby pracownicy nie wklejali danych osobowych do wersji darmowej „bo szybciej”.

Od strony AI Act (Rozporządzenie UE 2024/1689) — od 2 sierpnia 2026 większość obowiązków zaczyna obowiązywać. Dla typowego użytku ChatGPT w biurze (pisanie, podsumowania, research) obowiązki są lekkie: informowanie użytkowników/klientów, że rozmawiają z AI, oznaczanie treści generowanych. Dla systemów high-risk (HR, rekrutacja, ocena kredytowa, diagnostyka medyczna) — znacznie cięższe.

Problem 5: Brak proaktywności

ChatGPT jest reaktywny: otwierasz aplikację, zadajesz pytanie, dostajesz odpowiedź. Świat firmy jest inny — tu dzieją się rzeczy, o które nikt nie zapytał, ale ktoś powinien się dowiedzieć:

• „Na konto wpłynął przelew 23 470 zł od klienta X — faktura FV/2026/045 zapłacona.”
• „Faktura FV/2026/038 jest 30 dni po terminie — klient Y, kwota 8 500 zł.”
• „Umowa z dostawcą Z wygasa jutro — automatyczne przedłużenie jeśli nie zareagujesz.”
• „Cena materiału X wzrosła u głównego dostawcy o 12% — warto zaktualizować wyceny.”
• „W mailu od klienta A pojawił się sygnał, że szuka innej firmy — zajrzyj.”

ChatGPT nic z tego nie powie, bo nie otwiera Twojej bankowości, nie czyta Twojego Gmaila, nie zna Twojego cyklu umów. Dedykowany system AI może — bo ma dostęp do tych danych (z Twoim wyraźnym pozwoleniem i konfiguracją), monitoruje je według reguł, które ustalasz, i przychodzi z informacją zanim jej poszukasz.

Ten element — proaktywność — jest często niewidoczny w porównaniach „ChatGPT vs dedykowany system”, bo nie widać go w tabelce funkcji. A w praktyce to właśnie tu zespoły odzyskują najwięcej czasu: wcześniej godzinami szukali informacji po systemach, teraz informacja sama do nich przychodzi.

Problem 6: Brak kontroli nad decyzjami

W firmie AI musi działać w ramach zasad. Zasady są różne: tonacja komunikacji z klientami, polityka rabatów („rabat powyżej 10% wymaga zgody właściciela”), zgodność z regulacjami branżowymi (medycyna, finanse, prawo), zabezpieczenia przed ujawnianiem danych wrażliwych, kontrola nad tematami, które są poza zakresem (nie rozmawiamy o konkurencji, nie komentujemy polityki).

W ChatGPT te zasady musisz za każdym razem wpisać w prompt — i liczyć, że model ich dotrzyma. Nie ma mechanizmu, który wymusi „ten asystent nie może zaoferować rabatu powyżej 10%” albo „ten asystent nie wyjawia wewnętrznych marż”. Model stara się przestrzegać promptu, ale przy sprytnym pytaniu potrafi złamać regułę. Poza tym — każdy pracownik może zmodyfikować prompt, więc kontrola jest iluzoryczna.

W dedykowanym systemie guardrails (strażników) wkompilowuje się w infrastrukturę:

• Warstwa promptu systemowego, której użytkownik nie widzi i nie może zmienić.
• Walidacja wyjścia — jeśli model zaproponuje rabat 15%, drugi model lub prosty kod sprawdza limit i odrzuca.
• Eskalacja — przy pewnych tematach asystent nie odpowiada, tylko przekierowuje do człowieka.
• Redakcja danych wrażliwych — zanim zapytanie trafi do modelu, dane osobowe są anonimizowane.
• Logowanie i przegląd — każda decyzja zapisana, z możliwością audytu.

Im większa firma i im bardziej regulowana branża, tym ważniejsza jest ta warstwa. W ChatGPT public jej po prostu nie ma — i żaden prompt engineering tego nie nadrobi.

Problem 7: Brak multi-user i role-based access

ChatGPT Team i Enterprise mają konta dla pracowników — ale każdy użytkownik ma ten sam dostęp do tego samego modelu. Nie ma mechanizmu, żeby księgowa widziała dane finansowe, a marketing tylko dane marketingowe. Nie ma roli administratora, który zatwierdza wrażliwe decyzje. Nie ma audit trail, kto kiedy pytał o co.

W praktyce w ChatGPT:

• Wszyscy pracownicy widzą te same odpowiedzi lub każdy ma swoją, niezsynchronizowaną — nie ma wspólnej „bazy wiedzy firmy”.
• Brak hierarchii — junior i senior mają ten sam model i te same uprawnienia.
• Brak audit trail w zakresie zawartości rozmów (są dzienniki administracyjne, ale nie „co dokładnie powiedział asystent klientowi Y 14 marca”).
• Brak eskalacji — system nie wie, że decyzja X wymaga akceptacji właściciela.

W dedykowanym systemie dzielisz asystentów na role (asystent sprzedaży, księgowości, HR), nadajesz pracownikom role, każdy asystent ma swoją bazę wiedzy i swoje guardrails. Nowy pracownik dostaje dostęp zgodny ze swoją funkcją od pierwszego dnia. Wszystko jest logowane — wiesz, co odpowiedział system, komu i kiedy.

Dla firmy 5-osobowej może to być przesada. Dla 20-50 osobowej zaczyna być istotne. Powyżej 50 — niemal niezbędne.

Jak to rozwiązać? Warstwa nad modelem

Rozwiązaniem nie jest inny model (ChatGPT zamienić na Claude zamienić na Gemini). Wszystkie publiczne modele mają dokładnie te same ograniczenia — nie dlatego, że „są słabe”, tylko dlatego, że to są modele językowe, a nie systemy dla firm. Rozwiązaniem jest warstwa nad modelem — infrastruktura, która z modelu robi system AI.

Na warstwę składa się zwykle:

• Baza wiedzy firmy (RAG) — dokumenty, umowy, historia rozmów, SOP-y, wiedza ekspercka — przeszukiwana semantycznie i podawana modelowi w kontekście.
• Integracje — Gmail, CRM, bank, system księgowy, kalendarz, Slack, strona WWW, dyski — dostępne przez API.
• Guardrails — reguły branżowe, limity, walidacja wyjścia, redakcja danych wrażliwych, eskalacja.
• Proaktywność — monitoring systemów, alerty, cykliczne raporty, przypomnienia.
• Multi-user i role — konta pracowników, uprawnienia, audit trail, panel administracyjny.
• Model językowy — Claude, GPT-4, Gemini lub model lokalny — w roli silnika. Wymienny.

To nie jest „wrapper na ChatGPT”. Silnik (model) to jest kilka procent systemu. Reszta to infrastruktura, której publiczne AI z definicji nie ma. Tak samo jak samochód to nie jest „nadwozie na silniku” — silnik jest tylko jednym z elementów, a o użyteczności decyduje reszta.

Jak zacząć budowę takiego systemu dla swojej firmy — opisujemy w sekcji rozwiązanie oraz w procesie wdrożenia. Warto też zobaczyć, jakich typów asystentów używamy najczęściej i jaka jest typowa wycena wdrożenia.

Kiedy ChatGPT wystarczy (i nie warto kombinować)

Nie każda firma potrzebuje dedykowanego systemu. Tu sytuacje, w których ChatGPT Team (lub Claude Pro, Gemini) wystarczy w pełni:

Dla tych sytuacji nasza rekomendacja to: ChatGPT Team + 2-dniowe szkolenie zespołu z prompt engineeringu. Zwykle to daje 80% korzyści, które daje dedykowany system, za niewielki ułamek kosztu. Jeśli po pół roku widzisz, że ograniczenia zaczynają boleć — wtedy warto myśleć o następnym kroku.

Publikujemy listę bezpłatnych i płatnych narzędzi AI w naszym katalogu narzędzi — warto przejrzeć przed wydaniem pieniędzy na cokolwiek dedykowanego.

Nasz case: 4 firmy, jeden system

Prowadzę cztery firmy jednocześnie: firmę montażową na budownictwie, restaurację na wybrzeżu, sezonowy projekt gastronomiczny i firmę doradczą od AI. Dwa lata temu próbowałem tego samego, co opisany na wstępie klient — ChatGPT Enterprise dla każdej z firm, z osobnymi promptami, osobnymi dokumentami, osobnym kontekstem. Po pół roku wypalałem się z każdej firmy po kilka godzin dziennie tylko na „kopiowanie kontekstu”.

Zrobiłem własny system. Każda firma ma swojego asystenta z własną bazą wiedzy, własnymi integracjami (Gmail, bank, CRM, systemy operacyjne), własnymi guardrails. Wszystko pod jedną warstwą. Dodatkowo — asystenci funkcyjni (CEO, CTO, COO, CMO, CSO) ponad firmami, z dostępem do danych wszystkich czterech firm.

Efekt, mierząc uczciwie:

• Czas pracy nad operacjami spadł z ~14 godzin dziennie do ~5. Różnica poszła w sprzedaż, rodzinę i sen.
• Raporty finansowe, które robiłem raz w miesiącu ręcznie, teraz są aktualizowane codziennie automatycznie.
• Proaktywność — system sam mi pokazuje, kiedy przelew wpłynął, kiedy faktura jest przeterminowana, co zmieniło się w umowach.
• Decyzje strategiczne mam w kontekście danych z wszystkich czterech firm — bez konieczności ręcznej konsolidacji.

Ten sam system (lub jego fragmenty) wdrażam teraz u klientów. Skala jest różna — od jednoosobowych JDG po firmy zatrudniające kilkadziesiąt osób. Zasada jest wspólna: zaczynamy od jednego procesu, w którym ograniczenia ChatGPT najbardziej bolą, i budujemy warstwę tylko wokół niego. Reszta może zostać na ChatGPT. Migracja nie musi być całościowa.

FAQ — najczęstsze pytania