Firma zapłaciła 60 tysięcy złotych, żeby AI poznało jej wiedzę. Największym problemem projektu nie był model językowy, tylko plik o nazwie regulamin_FINAL_wersja_ostateczna_POPRAWIONA(2).docx.

Największym problemem tego wdrożenia nie był model językowy. Był plik, którego nikt w firmie nie potrafił otworzyć bez pytania na głos, czy to na pewno ta wersja.

Własna baza wiedzy AI, czyli RAG, ma jedno zadanie: AI odpowiada na podstawie dokumentów firmy, zamiast zgadywać na podstawie tego, czego nauczyło się z całego internetu. Brzmi prosto. W praktyce największą przeszkodą rzadko jest technologia. Prawie zawsze jest nią bałagan, który firma budowała latami, zanim ktokolwiek pomyślał o AI.

Ten tekst pokazuje, czym naprawdę jest RAG bez żargonu, ile to kosztuje, od darmowych narzędzi po pełne wdrożenia za kilkadziesiąt tysięcy złotych, i kiedy cała inwestycja i tak kończy się na tym, że szybciej byłoby zapytać Google.

Co to jest RAG, wytłumaczone bez żargonu

RAG to skrót od Retrieval-Augmented Generation, co po polsku znaczy mniej więcej "wyszukaj, a potem odpowiedz". Zanim AI napisze cokolwiek, najpierw przeszukuje bazę dokumentów firmy i znajduje fragmenty, które faktycznie dotyczą pytania. Dopiero na tej podstawie buduje odpowiedź.

Różnica między zwykłym czatem a czatem z RAG jest taka, jak między kolegą, który zgaduje z pamięci, a kolegą, który najpierw otwiera właściwy segregator. Jeden brzmi pewnie w obu przypadkach. Tylko jeden z nich ma rację częściej.

Technicznie dzieje się to w trzech krokach, jak tłumaczy to Microsoft. Dokumenty firmy trafiają do systemu i zostają pocięte na mniejsze fragmenty. Każdy fragment zamienia się w ciąg liczb opisujący jego znaczenie, nie tylko słowa. Kiedy pracownik zadaje pytanie, system szuka fragmentów o najbardziej zbliżonym znaczeniu i podaje je AI jako ściągawkę przed odpowiedzią.

Brzmi to bardziej skomplikowanie, niż jest w użyciu. W praktyce widzisz tylko efekt: pytasz, dostajesz odpowiedź razem z odsyłaczem do konkretnego akapitu, którego sam szukałbyś 20 minut.

Cała ta architektura ma jeden cel. Sprawić, żeby AI przestało brzmieć pewnie na temat rzeczy, o których nie ma pojęcia. Zwykły czat, zapytany o regulamin urlopowy Twojej firmy, odpowie równie pewnym tonem, niezależnie od tego, czy zgaduje, czy naprawdę wie.

Ile to kosztuje: od darmowego NotebookLM do 80 tysięcy złotych

Kindel Media / Pexels

Ceny rozjeżdżają się bardziej, niż podpowiada zdrowy rozsądek. Google NotebookLM jest darmowy, przyjmuje do 50 źródeł i działa w 5 minut, bez zakładania czegokolwiek poza kontem Google. Dla jednoosobowej firmy albo małego zespołu to często wystarczająca baza wiedzy, tylko nikt jej tak nie nazywa.

Wyżej są ChatGPT z własnym Custom GPT i Claude Projects, każde za około 80 zł miesięcznie. Claude przyjmuje kontekst 4 razy większy niż ChatGPT, więc lepiej radzi sobie z długimi umowami i grubymi raportami. Żadne z nich nie wymaga inżyniera, tylko kogoś, kto potrafi wgrać plik do folderu.

Na drugim biegunie stoi pełne wdrożenie RAG, szyte pod firmę: własna baza wektorowa, integracja z systemami wewnętrznymi i budżet, który przekonuje zarząd dopiero za trzecim podejściem. To 40-80 tysięcy złotych za mniejszy projekt, 500-2000 dokumentów i prosty interfejs. Do tego dochodzi 80-150 zł miesięcznie za serwer, plus zużycie AI rosnące razem z liczbą pytań.

Różnica w cenie między tymi dwoma światami jest taka, jak między wynajęciem kogoś do posprzątania biurka a wynajęciem architekta do przeprojektowania całego piętra. Oba rozwiązania sprzątają. Nie oba muszą.

Prawdziwy koszt nie jest w AI. Jest w Twoich dokumentach.

SHVETS production / Pexels

Sprzedawcy uwielbiają zdanie "wdrożymy AI, które zna Waszą firmę". Rzadziej dodają, że najpierw ktoś musi tę firmę poznać, bo dokumentacja sama tego nie zrobi.

30-50% budżetu projektu RAG idzie na coś, co nie ma nic wspólnego ze sztuczną inteligencją. Idzie na czyszczenie danych: usuwanie duplikatów, ujednolicanie formatów, decydowanie, która z sześciu wersji instrukcji obowiązuje. AI nie ma z tym problemu. Problem ma firma. Sam przez lata trzymałem najważniejsze pliki klientów w folderze o nazwie "WAŻNE (2)". RAG nauczyłoby się z tego dokładnie jednej rzeczy, że nie umiem nazywać folderów.

Każda firma ma swoją "bazę wiedzy". Zwykle nazywa się dysk współdzielony, a najnowszym wpisem jest mail sprzed trzech lat, zaczynający się od "w nawiązaniu do wcześniejszych ustaleń". RAG każe tę wiedzę uporządkować, zanim jeszcze napisze pierwsze zdanie odpowiedzi. To najbardziej niewdzięczna i zarazem najbardziej wartościowa część całego wdrożenia.

Dochodzi do tego kwestia dostępu. Nie każdy w firmie powinien móc zapytać AI o wszystko. Handlowiec, pytając o urlopy, w teorii nie powinien dostać wglądu w akta osobowe. W praktyce zależy to od tego, kto ustawiał uprawnienia i czy zdążył to zrobić przed piątkiem po godzinie 17:00.

Kiedy to się opłaca, a kiedy kończysz na Google

Tu jest pytanie, które pomija większość ofert sprzedażowych: czy wiedza, którą chcesz włożyć do AI, jest w ogóle Twoja. Jeśli dokumenty, które planujesz wgrać, to ogólne informacje branżowe, standardowe procedury albo coś, co i tak można znaleźć w Google w 10 sekund, cały projekt kończy się drogim sposobem na robienie tego, co ChatGPT robi za darmo.

RAG ma sens tam, gdzie wiedza jest naprawdę wewnętrzna. Cennik negocjowany indywidualnie z każdym klientem. Historia 400 zgłoszeń serwisowych i to, jak faktycznie je rozwiązano. Wyjątek podatkowy sprzed pięciu lat, który księgowa pamięta, bo sama go kiedyś wynegocjowała, i o którym nie ma wzmianki w żadnej instrukcji.

Jest w tym też twardsza korzyść niż wygoda. Analizy porównujące dokładność RAG z innymi metodami pokazują, że dobrze zbudowany system ogranicza halucynacje AI nawet o 40-71%, bo model nie zgaduje, tylko odpowiada na podstawie realnego fragmentu dokumentu. To wciąż nie jest gwarancja stuprocentowej trafności.

Odpowiedzi z RAG warto mimo to weryfikować tak samo, jak każdą inną odpowiedź AI, tylko masz do tego solidniejszy punkt wyjścia niż zwykłe zgadywanie.

Jeśli natomiast Twoja wiedza mieści się w jednym PDF-ie i dwóch mailach, zacznij od czegoś dużo tańszego. Lokalny model AI rozwiązuje inny problem, mianowicie to, gdzie fizycznie leżą dane. RAG rozwiązuje to, co AI o tych danych wie. To dwa różne pytania, a firma czasem płaci za jedno, myśląc, że kupuje drugie.

Zacznij bez kodowania: NotebookLM, ChatGPT, Claude

Startup Stock Photos / Pexels

Zanim ktokolwiek zaproponuje Ci kilkadziesiąt tysięcy złotych za wdrożenie, sprawdź, czy nie wystarczy Ci narzędzie, które już masz otwarte w drugiej karcie przeglądarki.

Konfiguracja wygląda tak samo za każdym razem. Zakładasz projekt albo notatnik, wgrywasz pliki, które mają być źródłem wiedzy, i zadajesz pytanie. NotebookLM od Google robi to za darmo w mniej niż 5 minut, licząc czas na założenie konta. Od połowy 2026 roku doszła mu dodatkowa umiejętność: każdy notatnik ma teraz własny bezpieczny komputer w chmurze, który potrafi napisać i uruchomić kod, więc policzy coś głębiej niż samo streszczenie.

Żaden z tych wariantów nie wymaga zatrudniania programisty. Wymaga kogoś, kto potrafi przeciągnąć plik do okna przeglądarki, co w praktyce oznacza, że wymaga każdego, kto już dziś obsługuje poranną skrzynkę mailową.

To zresztą ta sama zmiana, która pozwoliła mi kiedyś zbudować w Lovable działającą aplikację bez napisania linijki kodu. AI nie zabiera pracy programistom, zmienia to, kto może zbudować coś, co działa. Własna baza wiedzy AI dla małej firmy to dziś popołudniowy projekt, nie wielomiesięczne wdrożenie z zespołem programistów.