Firmowe asystenty AI wyszły z fazy eksperymentalnych pilotaży i stały się kluczową infrastrukturą w usługach finansowych, ochronie zdrowia, produkcji i usługach profesjonalnych. To nie są konsumenckie chatboty. Obsługują wrażliwe dane, wpinają się w centralne systemy, spełniają wymogi zgodności i skalują się do tysięcy użytkowników. Rynek jest realny, ma przekroczyć 200 miliardów dolarów do 2030 roku, a asystenci należą do jego najszybciej rosnących segmentów.
Z naszego doświadczenia najciekawsza nie jest jednak liczba rynkowa. Najciekawsze jest to, że większość tych projektów przegrywa albo grzęźnie z tego samego powodu: przepaść między przekonującym demem a systemem, który firma z sektora regulowanego może realnie utrzymać, to kwestia wyczucia inżynierskiego, a nie doboru modelu. A takie wyczucie mają ludzie. Ten wpis to nie tyle poradnik zakupowy, ile uczciwa relacja z tego, co nasz zespół zbudował dla UNIQA, jednego z największych ubezpieczycieli w Polsce, oraz z kompetencji, które za tym stoją, bo ten case jest najlepszym dowodem, jaki możemy pokazać na to, co robią nasi inżynierowie.
Pojęcia, które oddzielają produkcję od prototypu
O tym, czy asystent utrzyma się w środowisku regulowanym, decyduje kilka technicznych fundamentów. Dla naszych zespołów każdy z nich to coś, co trzeba zrobić dobrze, a nie odhaczyć na liście.
LLM plus retrieval-augmented generation (RAG). Model językowy odpowiada za rozumowanie i generowanie, a RAG podłącza go do bazy wiedzy w czasie rzeczywistym. Dokumenty wewnętrzne, regulaminy i bazy danych leżą w bazie wektorowej, a gdy użytkownik o coś pyta, system pobiera właściwe treści i podaje je modelowi jako kontekst. Odpowiedzi są ugruntowane w Twoich danych, a nie w wiedzy sprzed treningu, co tnie halucynacje i utrzymuje aktualność bez ciągłego dotrenowywania. Naszym zdaniem jakość samego pipeline’u RAG waży tyle, co jakość modelu: słaby retriever daje ogólnikowe odpowiedzi bez względu na to, jak dobry jest LLM.
Wykonawstwo agentowe, wielokrokowe. Krok poza rozmowę to asystent, który działa: redaguje, aktualizuje rekordy, odpala przepływy akceptacji, odpytuje bazy w ramach jednej interakcji. Opiera się to na zdyscyplinowanym użyciu narzędzi, a liczą się niezawodność, możliwość prześledzenia każdej akcji i głębokość natywnych integracji.
Bezpieczeństwo, zgodność i rezydencja danych. Dla danych regulowanych to równie ważne, co funkcjonalność. Izolacja danych trzyma Twoje treści poza wspólnym treningiem i z dala od danych innych klientów. Kontrola dostępu oparta na rolach ogranicza odpowiedzi do uprawnionych użytkowników. Rezydencja danych utrzymuje przetwarzanie w wymaganej lokalizacji. Wdrożenie on-premise lub w chmurze prywatnej, logowanie audytowe i zgodność z ramami takimi jak RODO, SOC 2 czy SR 11-7 dla ryzyka modelu to w bankowości, ubezpieczeniach i ochronie zdrowia warunki wejścia, a nie dodatki.
Asystent sprawdza się najlepiej jako warstwa koordynująca nad istniejącymi chatbotami i RPA, decydująca, kiedy odpalić automatyzację, kiedy przekazać sprawę człowiekowi, a kiedy domknąć ją w rozmowie, zamiast zastępować pojedyncze narzędzie. Większość kosztu wdrożenia to zresztą integracja i zarządzanie zmianą, a nie licencja na platformę, i właśnie dlatego zespół wykonujący pracę waży więcej niż logo na oprogramowaniu.
Jakie wyzwania miała przed sobą UNIQA?
UNIQA mierzyła się z problemami operacyjnymi typowymi dla dużego, regulowanego ubezpieczyciela. Jej agenci i konsultanci pracowali na ogromnej, nieustannie aktualizowanej bibliotece Ogólnych Warunków Ubezpieczenia (dokumenty OWU), taryf produktowych i procedur wewnętrznych. Sama objętość sprawiała, że szybki, pewny dostęp klasyczną wyszukiwarką był niemal niemożliwy, a to napędzało cztery kosztowne problemy:
- Niska wyszukiwalność, przez którą agenci z trudem znajdowali właściwą klauzulę czy zapis.
- Wysoki średni czas obsługi (AHT), bo konsultanci realnie tracili czas na ręczne szukanie odpowiedzi.
- Niespójne odpowiedzi między kanałami, gdy call center, zespół mailowy i chatbot potrafiły dać różne odpowiedzi na to samo pytanie.
- Wolne i drogie wdrażanie nowych agentów, bez sprawnego sposobu na przeszkolenie ich ze złożonego portfela produktów.
Rozwiązanie: Co zbudował nasz zespół?
Nasz zespół dowiózł panel inteligentnego asystenta wpięty wprost w istniejący interfejs agenta, oparty na architekturze RAG z użyciem PLLuM, modelu fundamentowego zoptymalizowanego pod język polski. To była świadoma decyzja: generyczne modele wielojęzyczne gubią dokładność przy polskiej terminologii ubezpieczeniowej, a w środowisku regulowanym taka strata jest nie do przyjęcia. Ten wybór dobrze oddaje rodzaj decyzji, które nasi inżynierowie podejmują rutynowo, czyli dopasowanie modelu do domeny zamiast sięgania po najgłośniejszą nazwę.
Rozwiązanie odpowiedziało na wszystkie cztery problemy naraz:
- Panel podpowiedzi AI podsuwa zweryfikowane, gotowe do użycia odpowiedzi w trakcie żywej rozmowy z klientem, znosząc ręczne przeszukiwanie dokumentów i obniżając AHT.
- Automatyczne streszczanie zamienia gęste zapisy prawne z OWU na jasny język zrozumiały dla klienta, skracając czas obsługi i ograniczając ryzyko błędnej interpretacji.
- Integracja z istniejącym CRM i platformami call center stworzyła jedno źródło prawdy, dzięki czemu odpowiedzi pozostają spójne w każdym kanale.
Ze względu na bezpieczeństwo rozwiązanie wdrożyliśmy on-premise, a nie w chmurze publicznej, spełniając wymogi dla wrażliwych danych polisowych i klienckich. Architekturę RAG skonfigurowaliśmy z twardą kontrolą halucynacji, tak aby każda odpowiedź była ugruntowana w pobranej dokumentacji, a nie w zgadywaniu modelu.
Kompetencje, które za tym stoją
Rozłóż to wdrożenie na czynniki pierwsze, a zobaczysz dokładnie, co nasz zespół wnosi do regulowanego projektu AI:
- Praca z polskim modelem fundamentowym (PLLuM) tam, gdzie dokładność w polskim języku prawnym i ubezpieczeniowym nie podlega negocjacji.
- RAG z twardą kontrolą halucynacji, czyli dyscyplina, która zamienia przekonujący chatbot w system akceptowany przez regulatora i dział ryzyka.
- Dostarczanie on-premise w sektorze regulowanym, które zdejmuje jedną z najczęstszych barier zakupowych, zamiast ją obchodzić.
- Głęboka integracja z żywymi systemami CRM i contact center, dzięki której asystent działa wewnątrz istniejących przepływów, a nie obok nich.
Zespół, który to dowiózł
Nic z tego nie bierze się z narzędzia, tylko z dedykowanego zespołu o właściwym doświadczeniu, pracującego zdyscyplinowanie i etapami. Wdrożenie rozłożyliśmy świadomie, żeby zapanować nad ryzykiem i potwierdzić wyniki przed skalowaniem: pierwsze dwa tygodnie na audyt procesu i rozpoznanie, mapowanie przepływów i wskazanie punktów o dużym wpływie, tygodnie od trzeciego do szóstego na integrację danych, przygotowanie bazy wiedzy i infrastrukturę RAG, tygodnie siódmy i ósmy na kalibrację modelu i kontrolowany pilotaż z wybranymi agentami, a potem pełne wdrożenie i optymalizacja KPI. Zacznij wąsko, potwierdź na realnych użytkownikach, dopiero potem skaluj i pozwól adopcji rosnąć stopniowo, zamiast zrzucać nowy system na całą sieć agentów naraz.
Słowami samej UNIQA asystent jest „strategicznym krokiem w stronę nowoczesnej obsługi klienta”, narzędziem, które wspiera pracowników w czasie rzeczywistym precyzyjną i zweryfikowaną wiedzą, a przede wszystkim wymierną poprawą standardów w ubezpieczeniach, gdzie dokładność informacji buduje zaufanie klienta.
Co en projket znaczy dla sektorów regulowanych?
Dla ubezpieczycieli, banków, podmiotów ochrony zdrowia i innych organizacji regulowanych projekt UNIQA stawia konkretną tezę: modele językowe pod domenę, twarde ugruntowanie RAG, bezpieczne wdrożenie i głęboka integracja dają wyniki, których generyczne narzędzia AI dać nie potrafią. Głębsza teza jest jednak taka, że wszystkie cztery to decyzje wykonawcze podejmowane przez doświadczonych ludzi. Asystent jest zawsze tak dobry, jak zespół, który projektuje jego retrieval, ustawia progi ugruntowania i wpina go w Twoje systemy.
To także miejsce, w którym AI przekształca zespół, a nie ofertę. Niewielka, doświadczona grupa naszych inżynierów, wsparta narzędziami AI biorącymi na siebie skalę pracy, dowozi to, co znacznie większy klasyczny zespół, i to szybciej, bo ludzie w pętli z góry wiedzą, które decyzje przetrwają audyt.
Jak zaimplementować taki zespół do twojego projketu?
Jeśli działasz w ubezpieczeniach, bankowości, ochronie zdrowia albo dowolnym sektorze regulowanym i chcesz pracy z RAG i LLM, która spełnia wymogi zgodności za pierwszym razem, najszybszą drogą nie jest składanie tej zdolności od zera. Jest nią wprowadzenie zespołu, który już to zrobił. Wpinamy się jako dedykowany zespół, który prowadzi budowę asystenta od początku do końca, albo przez staff augmentation, gdy potrzebujesz doświadczonych inżynierów RAG i LLM wewnątrz swojego zespołu.
Case UNIQA to nie opowieść o produkcie. To zapis tego, co dowieźli nasi ludzie. I to właśnie tę zdolność można wziąć do siebie.
FAQ
Jak firmowy asystent AI zapobiega halucynacjom i pilnuje faktów? Podstawową metodą jest retrieval-augmented generation: system pobiera właściwe dokumenty ze zweryfikowanej bazy wiedzy i na nich opiera odpowiedź, zamiast polegać na wiedzy modelu sprzed treningu. Skuteczne systemy dokładają progi pewności, więc gdy pobrane treści nie wspierają jasno odpowiedzi, asystent sygnalizuje niepewność albo eskaluje do człowieka. W naszej budowie dla UNIQA użyliśmy twardej kontroli RAG, żeby spełnić standardy dokładności, jakich wymagają ubezpieczenia, gdzie zła odpowiedź niesie skutki finansowe i regulacyjne.
Jak wygląda realistyczny harmonogram wdrożenia? Zależy od złożoności zastosowania, stanu bazy wiedzy i potrzeb integracyjnych. Wąsko zakrojone wdrożenie dla jednego działu z dobrze poukładaną bazą wiedzy potrafi dojść do pilotażu w sześć do ośmiu tygodni, jak pokazała mapa drogowa UNIQA. Szersze wdrożenia obejmujące wiele funkcji zwykle zajmują od trzech do sześciu miesięcy od określenia zakresu do produkcji. Z naszego doświadczenia najlepszym prognostykiem harmonogramu jest gotowość bazy wiedzy, więc zaplanuj czas na zarządzanie zmianą i adopcję obok prac technicznych.
Jak obsługiwane są wrażliwe dane i zgodność? Przez izolację danych, która trzyma Twoje dane osobno i poza wspólnym treningiem, kontrolę dostępu opartą na rolach odwzorowującą istniejące uprawnienia oraz logowanie audytowe zapytań i odpowiedzi. Gdy wymogi rezydencji danych są rygorystyczne, wdrożenie on-premise lub w chmurze prywatnej trzyma przetwarzanie w wymaganych granicach, i dokładnie tę drogę wybraliśmy dla UNIQA. W sektorach regulowanych uzupełniają to zabezpieczenia kontraktowe, na przykład umowy powierzenia danych zgodne z RODO i certyfikacja SOC 2.
Jak mierzyć ROI? Na istniejących metrykach operacyjnych, a nie na szacowanych zyskach produktywności. W call center śledź średni czas obsługi, rozwiązania przy pierwszym kontakcie i zapytania domykane bez eskalacji. W zarządzaniu wiedzą porównuj czas do odpowiedzi przed i po oraz obserwuj spadek powtarzalnych pytań do ekspertów. Ustal punkty odniesienia przed startem, rób przeglądy po 30, 60 i 90 dniach i monitoruj adopcję, bo nieużywany asystent nie daje żadnego zwrotu bez względu na dokładność techniczną.
Wprowadź zespół ekspertów wspierany przez AI → Wzmocnienie zespołu