Słownik pojęć AI

A2A (Agent2Agent) to otwarty protokół, przez który agenty AI różnych dostawców przekazują sobie zadania i wyniki. MCP łączy agenta z systemem, a A2A agenta z innym agentem. Google ogłosił A2A w kwietniu 2025 r., w czerwcu przekazał go Linux Foundation.

Agent AI to program, który dostaje cel i sam dobiera kolejne kroki, żeby go osiągnąć. Model językowy wybiera krok, a narzędzia pobierają dane i działają w systemach firmy. Działa jak nowy pracownik z procedurą i kartą dostępu do wybranych szaf.

Agent kodujący to agent AI, który sam czyta, pisze i testuje kod programu. Przykładem jest Claude Code firmy Anthropic, dostępny powszechnie od maja 2025. Programista zleca mu zadanie jak młodszemu koledze, a potem przegląda i zatwierdza zmiany.

Agent nadzorca to agent AI, który rozdziela pracę innym agentom i sprawdza ich wyniki. Sam zwykle nie pracuje w systemach firmy, tylko zgłasza ludziom to, czego nie rozstrzygnie. Działa jak koordynator, który rozdziela zlecenia, odbiera wykonaną pracę i sprawdza jej jakość.

Computer use to umiejętność agenta AI: obsługuje komputer jak człowiek, patrzy, klika, pisze. Agent przeglądarkowy robi to samo tylko w przeglądarce; Anthropic udostępnił computer use testowo 22.10.2024. Obie formy pomagają przy starych systemach bez API, czyli bez wejścia dla innych programów.

Agentic AI to ogólna nazwa systemów AI, które same planują i wykonują zadania. Obejmuje pojedyncze agenty, ich zespoły i narzędzia do ich kontroli. W ofertach to często hasło marketingowe, więc pytajcie, co system faktycznie robi sam.

AGI (ogólna sztuczna inteligencja) to hipotetyczny system, który wykonuje większość pracy umysłowej co najmniej tak dobrze jak człowiek. Definicji jest wiele; karta OpenAI z 2018 roku mówi o wysoce autonomicznych systemach, lepszych od ludzi w większości pracy o wartości ekonomicznej. Plan wdrożenia w firmie warto opierać na tym, co modele robią dziś.

AI a zespół to zmiana podziału pracy, gdy część zadań przejmują narzędzia i agenci AI. Ludzie przechodzą od powtarzalnych kroków do sprawdzania wyników, wyjątków i relacji z klientami. Zmiana się udaje, gdy zespół rozumie narzędzie, przeszedł szkolenie i współtworzy zasady.

AI Act to unijne rozporządzenie 2024/1689 o sztucznej inteligencji. Dzieli systemy AI według ryzyka i nakłada obowiązki na ich dostawców oraz na firmy, które ich używają. Weszło w życie 1.08.2024, a przepisy stosuje się etapami; w lipcu 2026 r. część terminów przesunęło rozporządzenie 2026/1744.

AI generatywna to modele, które tworzą nowe treści: tekst, obraz, wideo, dźwięk lub kod. Działa jak asystent, który pisze pierwszą wersję pisma, a pracownik ją sprawdza i poprawia. Różni się od AI predykcyjnej, która nie tworzy treści, tylko ocenia i prognozuje.

AI governance (ład AI) to zestaw zasad, ról i procedur dotyczących AI w firmie. Określa, kto decyduje o użyciu AI, jak ocenia się ryzyko i kto odpowiada za skutki. Podobnie jak ład korporacyjny obejmuje politykę, rejestr systemów, regularne przeglądy i ścieżkę zgłaszania problemów.

AI Officer to osoba, która w firmie odpowiada za zasady, bezpieczeństwo i wdrażanie AI. Chief AI Officer (CAIO) to ta rola na szczeblu dyrektorskim, obok dyrektorów IT i bezpieczeństwa. W mniejszej firmie tę rolę łączy się często z innym stanowiskiem.

AI predykcyjna (analityczna) to modele, które z danych historycznych szacują, co się wydarzy. Prognozuje popyt, ocenia ryzyko kredytowe i wskazuje klientów, którzy mogą odejść. Odpowiada liczbą lub etykietą, a nie nowym tekstem jak AI generatywna.

AI w finansach to agenci i modele, które dopasowują faktury, uzgadniają konta i opisują wyniki. Model predykcyjny prognozuje przepływy pieniężne, a model językowy tłumaczy odchylenia zwykłym językiem. Księgowa zatwierdza wyjątki i zapisy, bo odpowiedzialność za sprawozdanie zostaje przy ludziach.

AI w HR to narzędzia, które przeglądają CV, planują rozmowy i odpowiadają na pytania kadrowe. AI Act uznaje AI do selekcji kandydatów i oceny pracowników za wysokie ryzyko (załącznik III). Obowiązki, m.in. nadzór człowieka i badanie stronniczości, ruszają 2 grudnia 2027.

AI w obsłudze klienta to modele AI, które sortują zgłoszenia i przygotowują odpowiedzi. Chatbot rozmawia z klientem sam, a asystent podpowiada konsultantowi, który wysyła odpowiedź. Zwykle zaczyna się od spraw, w których pomyłka kosztuje mało, np. status zamówienia.

AI w produkcji i logistyce prognozuje popyt, planuje trasy i przewiduje awarie maszyn. Widzenie komputerowe sprawdza jakość na linii, a agent układa zamówienia do dostawców. Modele korzystają z danych produkcji, czujników i magazynu; jakość tych danych decyduje o wyniku.

AI, uczenie maszynowe i deep learning mieszczą się w sobie jak firma, dział i zespół. AI to cała dziedzina, a uczenie maszynowe to programy, które uczą się reguł z przykładów. Deep learning to uczenie maszynowe na wielowarstwowych sieciach neuronowych; na nim działają dzisiejsze modele językowe.

API modelu to techniczne wejście, przez które program, a nie człowiek, zleca modelowi zadania. Przypomina okienko podawcze: system firmy składa sprawę, a odpowiedź wraca do systemu. Za API zwykle płaci się od liczby tokenów, a nie od użytkownika.

Asystent AI odpowiada na pytania i przygotowuje treść, ale każdą czynność wykonuje człowiek. Agent AI sam prowadzi sprawę przez kilka kroków i systemów w granicach nadanych uprawnień. Asystent to doradca przy biurku, a agent to pracownik, który sam załatwia sprawę.

Asystent AI dla firm to firmowa wersja czatu z modelem, np. ChatGPT, Copilot, Claude lub Gemini. Działa jak pomocnik przy biurku: pisze i streszcza, gdy pracownik go poprosi. Nowe wersje mają tryby agentowe, więc granica między asystentem a agentem AI się zaciera.

Audyt systemu AI to niezależne sprawdzenie, czy system AI lub agent działa zgodnie z zasadami firmy i przepisami. Audytor sprawdza uprawnienia, dane, na których agent pracuje, i to, kto zatwierdzał jego decyzje. Jak w audycie finansowym nikt nie wierzy na słowo: zapisy z dziennika porównuje się z tym, co miało się wydarzyć.

Automatyzacja procesów biznesowych to przekazanie powtarzalnych kroków procesu programom zamiast ludziom. Klasyczne narzędzia trzymają się sztywnych reguł; agenci AI obsłużą też pisma i część wyjątków. Efekt zależy od tego, czy proces jest opisany i czy ktoś odpowiada za wynik.

Autonomia agenta to zakres decyzji i czynności, które agent wykonuje bez zatwierdzenia człowieka. Ustala ją firma: od samego przygotowania propozycji po pełne załatwienie sprawy. To jak pełnomocnictwo, które określa, jakie sprawy i do jakiej kwoty pracownik podpisuje sam.

Baza wiedzy organizacji to uporządkowany zbiór procedur, dokumentów i odpowiedzi, z którego korzystają ludzie i agenci AI. Agent szuka w niej informacji, więc jakość bazy ogranicza jakość jego pracy. Nieaktualna procedura w bazie prowadzi do błędu tak samo jak nieaktualny segregator.

Benchmark to standardowy test do porównywania modeli; ewaluacja (evals) sprawdza model na przykładach firmy. Ranking mówi, kto zdał egzamin ogólny, a ewaluacja, kto poradzi sobie z waszymi fakturami. Przed wdrożeniem ważniejsza jest ta druga.

Bezpieczeństwo agentów AI to zabezpieczenia ograniczające, co agent może zrobić w systemach firmy. Agent działa, więc podstępne polecenie ukryte w mailu może skończyć się wyciekiem danych. Podstawą są własna tożsamość agenta, najmniejsze uprawnienia, zgoda człowieka przy ryzyku i pełny dziennik działań.

Bezpieczeństwo danych w AI to kontrola, które dane trafiają do narzędzi AI i gdzie. Liczą się umowa z dostawcą, zakaz uczenia modelu na danych firmy i miejsce przetwarzania. Pracownik, który wkleja umowę do prywatnego czatu, wynosi ją z firmy jak na pendrivie.

Bielik i PLLuM to polskie rodziny otwartych modeli językowych, trenowanych z naciskiem na język polski. Bielika rozwijają SpeakLeash i ACK Cyfronet AGH, a PLLuM konsorcjum HIVE AI pod kierownictwem NASK. Ministerstwo Cyfryzacji 21.05.2026 ogłosiło 11 nowych modeli PLLuM, od 4 do 70 miliardów parametrów.

Big data to zbiory danych tak duże, szybko przyrastające lub zróżnicowane, że arkusz czy pojedyncza baza już sobie z nimi nie radzą. Przykład: zapisy transakcji ze wszystkich kas sieci sklepów z całego roku. Żeby korzystać z gotowych modeli AI, firma nie potrzebuje „dużych” danych, tylko danych właściwych dla danego procesu.

Cena za token to stawka, którą dostawca modelu nalicza za tekst, podawana za milion tokenów. Wejście, czyli to, co model czyta, kosztuje mniej niż wyjście, czyli to, co pisze. Modele rozumujące liczą też tokeny rozumowania, zwykle po stawce wyjścia.

Chatbot to program do rozmowy z użytkownikiem w oknie czatu, na stronie albo w komunikatorze. Starsze chatboty odpowiadają według ustalonego scenariusza, nowsze korzystają z modeli językowych. Chatbot zwykle tylko odpowiada i nie działa samodzielnie w systemach firmy, jak agent.

ChatGPT to asystent AI firmy OpenAI, udostępniony publicznie 30 listopada 2022 r. Przypomina zdolnego stażystę: szybko pisze i streszcza, ale waszych systemów sam nie zna. Firmy kupują wersje Business (dawniej Team) lub Enterprise, z panelem administratora i osobnymi zasadami danych.

Claude to rodzina modeli językowych i asystent AI firmy Anthropic. Firmy używają go w aplikacji, przez API albo w chmurach Microsoft, Amazon i Google. Stan na 26.09.2026: najnowszy jest Opus 5.5 z 22.09.2026, a najwyższa klasa to droższy Fable 5.1.

Context engineering to dobór wszystkiego, co model widzi przy zadaniu: instrukcji, dokumentów, danych i narzędzi. Przypomina przygotowanie teczki sprawy dla zastępcy: komplet dokumentów, bez zbędnych kartek. W pracy agentów często liczy się bardziej niż samo brzmienie polecenia.

Dane treningowe to przykłady, na których model się uczy. Dane testowe to osobne przykłady, na których sprawdzamy, czy nauczył się dobrze. Jak na egzaminie: pytania nie mogą powtarzać ćwiczeń z zajęć, bo wynik będzie zawyżony.

Data odcięcia wiedzy to moment, do którego sięgają dane treningowe modelu. Przypomina pracownika po długim urlopie: o nowościach wie tylko z dokumentów, które dostanie. Producenci podają tę datę w dokumentacji, np. Anthropic dla Claude Opus 5.5: czerwiec 2026.

Data science (nauka o danych) to zbieranie, czyszczenie i analiza danych po to, żeby odpowiedzieć na pytanie biznesowe. Łączy statystykę, programowanie i znajomość branży. Specjalista od danych często buduje modele predykcyjne, ale zaczyna od pytania, a nie od narzędzia.

Deep learning (uczenie głębokie) to uczenie maszynowe na sieciach neuronowych z wieloma warstwami. Kolejne warstwy wyłapują coraz bardziej złożone wzorce: w obrazie od krawędzi po twarze, w tekście od słów po sens zdania. Na tej metodzie działają modele językowe, rozpoznawanie mowy i odczyt dokumentów.

Deepfake to obraz, nagranie głosu lub wideo wygenerowane albo zmienione przez AI tak, że wygląda na prawdziwe. Dla firmy groźny jest np. fałszywy telefon „prezesa” z poleceniem pilnego przelewu, dlatego przelewy potwierdza się drugim kanałem. AI Act (art. 50 ust. 4) wymaga, by firma lub instytucja, która tworzy deepfake systemem AI, ujawniła, że treść jest sztuczna.

AI Act odróżnia dostawcę, który tworzy system AI lub zleca jego stworzenie pod własną nazwą, od podmiotu stosującego, który go używa. Kupujący gotowe narzędzie jest zwykle podmiotem stosującym, jak nabywca wózka widłowego. Dostawcą zostaje jednak firma, która zamawia system pod swoją nazwą albo oznacza swoją marką lub istotnie zmienia cudzy system wysokiego ryzyka.

DPIA to ocena skutków dla ochrony danych, której RODO (art. 35) wymaga przed przetwarzaniem mogącym powodować wysokie ryzyko dla ludzi, np. przy nowych technologiach. W praktyce to spisana analiza: jakie dane, w jakim celu, jakie ryzyka i jakie zabezpieczenia. Przy wdrożeniu AI firma przygotowuje ją zwykle razem z inspektorem ochrony danych.

Drzewo decyzyjne to model, który dochodzi do wyniku serią pytań tak/nie, na przykład „czy kwota przekracza limit?”. Las losowy łączy setki takich drzew i wybiera odpowiedź większości albo uśrednia ich wyniki. Drzewo łatwo pokazać audytorowi jak schemat procedury; las jest zwykle dokładniejszy, ale trudniej go wyjaśnić.

Dziennik działań (audit trail) to zapis: kto, co, kiedy i dlaczego zrobił w systemie. Przy agencie AI obejmuje też polecenie, użyte narzędzia, dane wejściowe i decyzję człowieka. Działa jak książka korespondencji w sekretariacie: po miesiącu da się odtworzyć każdą sprawę.

Embedding to zapis znaczenia tekstu lub obrazu jako listy liczb. Działa jak archiwista: pisma o tej samej sprawie odkłada razem, choć mają różne tytuły. Na tym opiera się wyszukiwanie po znaczeniu, a nie po słowach kluczowych.

Fine-tuning to dodatkowy trening gotowego modelu na przykładach z jednej dziedziny lub firmy. Przypomina przyuczenie doświadczonego pracownika do stylu i procedur waszej firmy. Zmienia sposób odpowiadania, a do aktualnych faktów lepiej sprawdza się RAG.

Gemini to rodzina modeli językowych i asystent AI firmy Google. Firmy korzystają z niego w Google Workspace, przez API i w chmurze Google. Stan na 26.09.2026: dokumentacja Google wymienia Gemini 3.8 Flash jako najnowszy model z szybkiej linii Flash.

GPU to procesor graficzny, który wykonuje tysiące prostych obliczeń jednocześnie. Dlatego na nim trenuje się i uruchamia modele AI. Dla firmy liczy się głównie pamięć karty: od niej zależy wielkość modelu na jednym serwerze.

Guardrails to zabezpieczenia na wejściu i wyjściu modelu: filtry, reguły i testy, które blokują niedozwolone polecenia, dane osobowe albo odpowiedzi nie na temat. Działają jak kontrola na bramce: nie zastępują uprawnień, tylko dokładają kolejną warstwę. Same nie zatrzymają zdeterminowanego atakującego.

Halucynacja to pewnie brzmiąca odpowiedź modelu, która jest nieprawdziwa, np. nieistniejący przepis prawa. Przypomina nowego pracownika, który zamiast przyznać „nie wiem”, dopowiada z głowy. W firmie ograniczają ją źródła, sprawdzanie i zatwierdzenie przez człowieka.

Za początek AI jako dziedziny nauki uznaje się letni projekt badawczy w Dartmouth w 1956 roku. Potem przyszły fale entuzjazmu i rozczarowań: pierwsza zima AI, systemy ekspertowe i druga zima, powrót sieci neuronowych, wreszcie modele językowe. Dla zarządu to lekcja, że obietnice AI już kilka razy wyprzedziły wyniki.

Human in the loop to układ, w którym człowiek zatwierdza decyzję AI przed jej wykonaniem. Działa jak podpis kierownika pod przelewem, który przygotowała księgowa. AI Act (art. 14) wymaga nadzoru człowieka nad systemami wysokiego ryzyka, a nie zatwierdzania każdej decyzji.

Human on the loop to układ, w którym AI działa sama, a człowiek ją obserwuje. Przegląda wyniki, dostaje alerty i może zatrzymać system w każdej chwili. Przypomina kierownika zmiany: nie podpisuje każdej paczki, ale widzi taśmę i ma przycisk stop.

Incydent AI to zdarzenie, w którym system AI lub agent wyrządził szkodę albo mógł ją wyrządzić: wysłał dane do złego odbiorcy, wykonał błędną operację lub dał się zmanipulować. Reagowanie to plan spisany z góry. Mówi, kto zatrzymuje agenta, kto sprawdza dziennik, kto informuje klientów i kto poprawia zasady.

Inferencja to praca już wytrenowanego modelu: czyta pytanie i generuje odpowiedź. Trening przypomina naukę zawodu, a inferencja codzienną pracę przy sprawach. Koszt inferencji firma ponosi w opłatach za tokeny, w abonamencie albo w pracy własnych serwerów.

ISO/IEC 42001 to międzynarodowa norma z grudnia 2023 r., która opisuje system zarządzania AI w organizacji: polityki, ocenę ryzyka, ocenę wpływu i nadzór nad dostawcami. Działa podobnie jak ISO 27001 dla bezpieczeństwa informacji, więc firma może się certyfikować. Certyfikat potwierdza proces zarządzania, a nie jakość konkretnego modelu.

Jakość danych to ich kompletność, poprawność i aktualność. Gotowość danych oznacza, że da się je wydobyć z systemów firmy i podać modelowi w użytecznej formie. Jeśli w CRM klienci mają zdublowane karty, AI powieli ten bałagan w swoich odpowiedziach.

Kompetencje AI (AI literacy) to wiedza, która pozwala pracownikom świadomie używać AI: wiedzieć, co narzędzie potrafi, gdzie się myli i czego do niego nie wklejać. Po zmianie art. 4 AI Act, która weszła w życie 27.07.2026, firmy mają podejmować działania wspierające te kompetencje u pracowników. Nie muszą gwarantować konkretnego poziomu, a Komisja i państwa członkowskie mają im pomagać, zwłaszcza MŚP.

Koszt AI w firmie to licencje, opłaty za tokeny, integracje, utrzymanie, czas ludzi i nadzór. Licencje i integracje firma planuje z góry, a tokeny i nadzór rosną z liczbą spraw. Dlatego koszt liczy się na jedną załatwioną sprawę, a nie z ceny tokenu.

Koszt jednego zadania agenta to suma opłat za wszystkie kroki agenta przy jednej sprawie. W każdym kroku model zwykle czyta od nowa całą dotychczasową pracę, więc kolejne kroki drożeją. Do tej kwoty warto doliczyć minuty człowieka, który sprawdza wynik.

Licencja na użytkownika to stała opłata za osobę i miesiąc, jak abonament telefoniczny. Opłata za użycie rośnie z każdym zapytaniem, jak rachunek za każdą skopiowaną stronę. Część planów firmowych łączy oba modele, więc budżet musi uwzględnić oba składniki.

LLM, czyli duży model językowy, to model AI wytrenowany na ogromnych zbiorach tekstu. Działa jak oczytany asystent: przewiduje kolejne słowa na podstawie tego, czego się nauczył. Faktów sam nie sprawdza, więc w firmie potrzebuje źródeł i kontroli człowieka.

Logowanie jednokrotne (SSO) to jedno logowanie, które otwiera wiele aplikacji firmy. Tożsamość potwierdza dostawca tożsamości, czyli centralny katalog kont pracowników. Gdy ktoś odchodzi, dział IT blokuje jedno konto i dostęp znika we wszystkich podpiętych aplikacjach.

Lokalizacja przetwarzania to kraj lub region, gdzie dostawca AI przechowuje i przetwarza dane firmy. Przykład: 26.02.2025 Microsoft ogłosił, że w programie EU Data Boundary przechowuje i przetwarza w UE i EFTA dane tamtejszych klientów Microsoft 365, Dynamics 365, Power Platform i większości usług Azure. Przed wdrożeniem sprawdź, czy usługa i model mieszczą się w tej granicy i jakie mają wyjątki.

Lokalny model AI to model uruchomiony na serwerach firmy, a nie w usłudze dostawcy. Dane zostają w firmie, ale sprzęt, aktualizacje i zabezpieczenia są po Waszej stronie. To jak własna serwerownia zamiast wynajętej chmury.

Łańcuch dostaw AI to wszystkie cudze elementy, z których składa się system AI: model, serwery MCP, wtyczki, biblioteki i dane. Każdy z nich może mieć lukę albo złośliwy kod, jak podwykonawca z kluczem do biura. Przed podłączeniem sprawdza się więc źródło, wersję i uprawnienia każdego elementu.

Mały model językowy (SLM) ma zwykle od kilkuset milionów do kilkunastu miliardów parametrów. Działa szybciej i taniej, często na zwykłym serwerze albo laptopie. Sprawdza się w wąskich, powtarzalnych zadaniach, np. przy sortowaniu korespondencji, gorzej w złożonym rozumowaniu.

MCP (Model Context Protocol) to otwarty standard łączenia agentów AI z systemami, danymi i narzędziami. Zamiast osobnego połączenia dla każdej pary aplikacja–system, każdy system dostaje jedną wtyczkę zgodną ze standardem. Anthropic opublikował MCP w listopadzie 2024 r., od grudnia 2025 r. rozwija go fundacja przy Linux Foundation.

Mechanizm uwagi to część transformera, która ocenia, które słowa w tekście są ze sobą powiązane. Przypomina czytanie umowy z zakreślaczem: przy słowie „kara” wzrok wraca do terminu i kwoty. Dzięki temu model łączy informacje oddalone od siebie o wiele stron.

Microsoft Copilot to asystent AI Microsoftu w Wordzie, Excelu, Outlooku i Teams. Z płatną licencją czyta pocztę i pliki jak asystent z kluczem tylko do szafek pracownika. Od sierpnia 2026 r. tak nazywa się dawny Microsoft 365 Copilot.

Model AI to wyuczony zestaw zależności, który zamienia dane wejściowe na wynik: odpowiedź, prognozę lub klasyfikację. Przypomina doświadczonego pracownika, który zna wzorce z tysięcy spraw, choć fragmenty niektórych potrafi powtórzyć dosłownie. Sam model niczego nie robi; potrzebuje programu, który poda mu dane i użyje wyniku.

Model bazowy to duży model wytrenowany na ogólnych danych, zanim ktoś dopasuje go do konkretnego zadania. Przypomina absolwenta z szeroką wiedzą przed szkoleniem stanowiskowym. AI Act używa zbliżonego pojęcia: model AI ogólnego przeznaczenia.

Model dyfuzyjny tworzy obraz albo wideo, stopniowo usuwając szum, aż powstanie scena z polecenia. Działa jak rzeźbiarz, który krok po kroku odsłania kształt z bloku. Firmy używają go do grafik i makiet, ale potrzebują zasad dotyczących praw do wyników i oznaczania.

Model multimodalny to model, który oprócz tekstu przyjmuje obrazy, dźwięk, wideo lub pliki PDF. Czyta skan faktury, zdjęcie szkody czy nagranie rozmowy, jak pracownik przeglądający załączniki. Jedno narzędzie obsługuje wtedy dokumenty, które wcześniej wymagały osobnego programu do odczytu skanów.

Model otwarty (open-weight) to model, którego wagi, czyli wyuczone parametry, producent udostępnia do pobrania. Firma może go uruchomić u siebie i dostroić do swoich danych. Warunki użycia określa licencja, a dane treningowe i kod treningu zwykle pozostają niejawne.

Model predykcyjny to model uczenia maszynowego, który na podstawie danych historycznych szacuje przyszły wynik lub ryzyko. Odpowiada na pytania typu: ile sprzedamy w marcu, który klient nie zapłaci w terminie. Daje szacunek albo prawdopodobieństwo, nie pewność, więc firma ustala, od jakiego progu działa.

Model rozumujący to model językowy, który przed odpowiedzią rozpisuje sobie kolejne kroki rozwiązania. Przypomina analityka, który najpierw liczy na brudnopisie, a dopiero potem pisze wniosek. Lepiej analizuje i planuje, ale zużywa więcej tokenów; część modeli, np. Claude Opus 5.5, rozumuje zawsze.

Model świata to AI, które przewiduje skutki działań w otoczeniu, np. ruchu ramienia robota. JEPA to podejście Yanna LeCuna: model przewiduje uproszczony opis sceny, a nie każdy piksel. W 2026 r. modele świata służą głównie robotyce, pojazdom autonomicznym i symulacjom.

Modele AI w 2026 r. to rodziny od kilku producentów: GPT (OpenAI), Claude (Anthropic), Gemini (Google), Qwen (Alibaba), DeepSeek i Mistral. Każda rodzina ma poziomy: flagowy do trudnych zadań, szybki i tani do pracy masowej. Dobór modelu przypomina dobór specjalisty: inny do analizy umowy, inny do sortowania maili.

DeepSeek i Qwen (Alibaba) to chińskie rodziny modeli językowych, w wielu wersjach z otwartymi wagami. Aplikacja i API DeepSeek przechowują dane użytkowników w Chinach. Modele uruchomione u siebie lub w Microsoft Foundry nie wysyłają danych producentowi, ale wymagają własnych testów.

Nadzór człowieka to wymóg AI Act (art. 14) dla systemów wysokiego ryzyka. Osoba z odpowiednią wiedzą ma rozumieć działanie systemu, zauważać błędy i móc zignorować jego wynik albo go zatrzymać. To więcej niż kliknięcie „akceptuj”: nadzorca potrzebuje czasu, uprawnień i informacji, żeby naprawdę ocenić decyzję.

Narzędzia agenta to nazwane funkcje, przez które agent czyta dane i działa w systemach, np. „pobierz fakturę”. Model podaje nazwę narzędzia i parametry (tool calling), a wykonuje je program wokół modelu. To jak wniosek: pracownik go składa, a dział realizuje po sprawdzeniu.

Niedeterminizm oznacza, że model na to samo pytanie może odpowiedzieć za każdym razem trochę inaczej. Przypomina pracownika, który tę samą sprawę za drugim razem opisze innymi słowami. Nawet temperatura 0 nie gwarantuje identycznych odpowiedzi, więc proces sprawdza treść wyniku, nie brzmienie.

NIS2 to unijna dyrektywa (UE) 2022/2555 o cyberbezpieczeństwie firm i instytucji z kluczowych sektorów. W Polsce wdraża ją nowelizacja ustawy o krajowym systemie cyberbezpieczeństwa, obowiązująca od 3 kwietnia 2026. Objęte podmioty zarządzają ryzykiem i zgłaszają incydenty, a odpowiada za to kierownik podmiotu, np. zarząd.

NIST AI RMF to dobrowolne ramy zarządzania ryzykiem AI, opublikowane przez amerykański instytut NIST 26.01.2023. Dzielą pracę na cztery funkcje: Govern (zarządzaj), Map (rozpoznaj kontekst), Measure (mierz) i Manage (postępuj z ryzykiem). To dobrowolne ramy do własnego procesu, a nie certyfikat, przepis ani lista kontrolna.

Obserwowalność agentów to zapis każdego kroku pracy agenta: co przeczytał, jakie narzędzie wywołał, ile tokenów zużył i ile trwało zadanie. Po błędzie da się odtworzyć przebieg jak z nagrania rozmowy w call center. Nie trzeba wtedy zgadywać, co poszło nie tak.

Odpowiedzialność za błędy AI określa, kto odpowiada za szkodę po decyzji AI. Model nie ponosi odpowiedzialności, więc jak za pismo stażysty odpowiada firma, która go użyła. Od 9 grudnia 2026 producent wadliwego oprogramowania, w tym AI, odpowie za szkody osób fizycznych.

Okno kontekstowe to limit tekstu, który model widzi naraz, łącznie z własną odpowiedzią. Działa jak biurko: co się nie zmieści, trzeba odłożyć albo streścić. We wrześniu 2026 r. czołowe modele mają okna rzędu miliona tokenów.

Orkiestracja agentów to rozdzielanie zadań między kilku agentów AI przez jeden program lub agenta. Ustala kolejność pracy, przekazuje wyniki dalej i składa całość. Działa jak kierownik projektu, który rozpisuje zadania na zespół i pilnuje, żeby nic nie utknęło.

Pamięć agenta to informacje, które agent zachowuje między krokami albo między sprawami: notatki, historię i ustalenia. Sam model niczego nie pamięta, więc pamięć zapisuje program wokół niego. Dla firmy to kolejne miejsce z danymi, które wymaga zasad dostępu, przechowywania i usuwania.

Pamięć podręczna promptu to zapamiętanie powtarzanego początku zapytania, np. regulaminu dołączanego do każdej sprawy. Dostawca trzyma go od kilku minut do doby, a ponowny odczyt jest tańszy i szybszy. Działa jak szablon pisma: stałej części nie przepisujesz, dopisujesz tylko nowe dane.

Paradoks Jevonsa to obserwacja, że tańsze użycie zasobu może zwiększyć jego łączne zużycie. William Stanley Jevons opisał to w 1865 roku na przykładzie węgla i oszczędniejszych maszyn parowych. Przy AI tańszy token może podnieść rachunek, bo firma używa AI w kolejnych procesach.

Parametry to liczby wewnątrz modelu, które przechowują wiedzę zdobytą w treningu. Działają jak doświadczenie pracownika: nie widać go w teczce, a wpływa na każdą odpowiedź. Więcej parametrów zwykle daje większe możliwości, ale też wyższy koszt i wolniejsze odpowiedzi.

Perceptron to najprostsza sieć neuronowa: sumuje ważone sygnały wejściowe i odpowiada „tak” lub „nie”. Frank Rosenblatt przedstawił go w raporcie z 1957 roku i w artykule z 1958. Działa jak urzędnik z jedną tabelą punktową: zlicza punkty za cechy wniosku i sprawdza, czy przekroczono próg.

Pewność modelu to liczba, którą system przypisuje wynikowi, np. 0,92 przy dopasowaniu faktury. Próg decyzji to granica: powyżej system działa sam, poniżej oddaje sprawę człowiekowi. Próg ustala właściciel procesu i testuje go na dawnych sprawach, bo liczba bywa zawyżona.

Pętla agenta to cykl: agent wybiera krok, wykonuje go, sprawdza wynik i decyduje o następnym. Kończy, gdy osiągnie cel, trafi na przeszkodę albo wyczerpie limit kroków. Każdy obieg to osobne zapytanie do modelu, więc od liczby kroków zależy koszt.

Piaskownica (sandbox) to odizolowane środowisko, w którym agent pracuje bez dostępu do prawdziwych systemów i danych albo z dostępem ściśle ograniczonym. To jak okres próbny na kopiach dokumentów: pomyłka nie dotyka produkcji. Nie myl jej z piaskownicą regulacyjną z AI Act, czyli testami pod nadzorem urzędu.

Pilotaż AI to krótki test narzędzia AI w jednym procesie i małym zespole. Przed startem firma mierzy, jak proces działa dziś, i ustala kryterium sukcesu. Po teście zarząd decyduje: rozszerzyć, poprawić albo zamknąć.

Platforma modeli to usługa chmury z modelami wielu producentów na jednej umowie. Działa jak hurtownia z jednym kontem: zmiana modelu to zmiana ustawień, nie nowy przetarg. Przykłady: Microsoft Foundry, Amazon Bedrock i Gemini Enterprise Agent Platform (dawniej Vertex AI).

Podagent (subagent) to agent, któremu główny agent zleca wydzieloną część zadania, np. przeszukanie dokumentów. Pracuje z własnymi instrukcjami i zakresem uprawnień, a wraca tylko z wynikiem. To jak kierownik sprawy, który zleca kwerendę w archiwum i dostaje gotowe zestawienie.

Polityka AI to wewnętrzny dokument, który mówi pracownikom, jakich narzędzi AI wolno używać, z jakimi danymi i kto zatwierdza nowe zastosowania. Działa jak regulamin służbowego samochodu: mówi, kto może nim jeździć, dokąd i na jakich zasadach. Najlepiej, gdy zapisy z dokumentu mają odbicie w uprawnieniach w systemach.

Pomocnik pracownika to agent, który pracuje dla jednej osoby, a ona zatwierdza każdy wynik. Opiekun procesu to agent przypisany do procesu: prowadzi sprawy kolejnymi etapami, a człowiek rozstrzyga wyjątki. To różnica między pomocą na wezwanie a pracownikiem z własnym zakresem obowiązków.

Pośredni prompt injection to polecenie ukryte w treści, którą agent czyta przy pracy: w mailu, pliku PDF albo na stronie internetowej. Przypomina fakturę z dopiskiem „przelej na inne konto”, który księgowa bierze za polecenie szefa. Jest najgroźniejszy, gdy agent ma narzędzia do wysyłki lub zapisu.

Prognozowanie popytu to szacowanie, ile klienci kupią w danym okresie. Model patrzy na historię sprzedaży, sezon, ceny i promocje, jak planista w arkuszu, tylko na więcej czynników naraz. Od prognozy zależą zakupy i zapasy, więc liczy się też skala jej błędu.

Prompt to polecenie, które człowiek lub program wysyła modelowi: pytanie, zadanie, dane i oczekiwany format. Działa jak zlecenie dla nowego współpracownika: im jaśniej opiszesz cel i kontekst, tym mniej poprawek. Ten sam prompt w innym modelu może dać inny wynik.

Prompt engineering to umiejętność takiego pisania poleceń, żeby model dawał użyteczny wynik. Przypomina pisanie dobrej specyfikacji zamówienia: cel, przykład, ograniczenia i format. W pracy agentów ważniejszy staje się szerszy context engineering, czyli dobór całego materiału dla modelu.

Prompt injection to atak, w którym ktoś podaje modelowi AI polecenie zmieniające jego zachowanie wbrew woli właściciela, np. „zignoruj wcześniejsze instrukcje”. Model czyta polecenia i dane jednym kanałem, więc nie zawsze je rozróżnia. W zestawieniu OWASP Top 10 dla aplikacji LLM z sierpnia 2026 r. to nadal ryzyko numer jeden.

Prompt systemowy to stała instrukcja dla modelu: rola, zasady, ton i granice. Działa jak opis stanowiska, który pracownik czyta, zanim przyjmie pierwszą sprawę. Nie jest zabezpieczeniem: sprytne polecenie może go obejść, więc uprawnienia ustawia się osobno.

Propagacja wsteczna to metoda wskazywania, które połączenia sieci neuronowej odpowiadają za błąd wyniku. Spadek gradientu poprawia je potem małymi krokami, jak firma, która po reklamacji koryguje winny etap procesu. Metodę spopularyzowała praca Rumelharta, Hintona i Williamsa w „Nature” z 1986 roku.

Przepływ pracy (workflow) to z góry ustalona ścieżka kroków, z AI w wybranych miejscach. Agent sam decyduje, jakie kroki wykonać i w jakiej kolejności. Anthropic zaleca zaczynać od najprostszego rozwiązania i zwiększać złożoność dopiero wtedy, gdy trzeba.

Przetwarzanie języka naturalnego (NLP) to dziedzina AI, która uczy komputery czytać, rozumieć i tworzyć tekst oraz mowę. W firmie to na przykład sortowanie maili, wyciąganie danych z umów i streszczanie notatek ze spotkań. Dzisiejsze duże modele językowe są najnowszym etapem rozwoju NLP.

Przeuczenie (overfitting) to sytuacja, w której model zapamiętuje dane treningowe zamiast uczyć się ogólnych reguł. Przypomina pracownika, który zna na pamięć zeszłoroczne sprawy, ale gubi się przy pierwszej nowej. Model wypada świetnie na znanych danych i słabo na nowych, dlatego sprawdza się go na danych testowych.

Punkt odniesienia (baseline) to pomiar procesu przed wdrożeniem AI. Jak ważenie przed dietą: bez pierwszego pomiaru nie wiadomo, co się zmieniło. Mierzy się czas, koszt i liczbę błędów na jedną sprawę, na własnych danych firmy.

RAG (retrieval-augmented generation) to metoda, w której model przed odpowiedzią dostaje pasujące fragmenty firmowych dokumentów. Działa jak pracownik, który zagląda do regulaminu, zanim odpowie klientowi. Model nie uczy się przy tym na dokumentach, a odpowiedź może wskazać źródło.

Raport z pracy agentów to okresowe zestawienie tego, co zrobili agenci AI. Pokazuje zamknięte sprawy, przekazania do ludzi i błędy, a dane bierze z dziennika działań. Przypomina tygodniowy raport zespołu, w którym każdą liczbę da się sprawdzić.

Raportowanie przez agentów AI to raporty zarządcze składane przez agentów z danych systemów firmy. Działa jak controller, który co poniedziałek zbiera liczby ze sprzedaży, finansów i magazynu. Każda liczba powinna prowadzić do źródła, żeby zarząd mógł ją sprawdzić.

RBAC (role-based access control) to kontrola dostępu, w której uprawnienia dostaje rola, a nie osoba. Pracownik lub agent AI otrzymuje rolę, na przykład „księgowa”, i razem z nią zestaw uprawnień. Zmiana roli od razu zmienia dostęp, więc łatwiej odebrać uprawnienia i przygotować się do audytu.

Red teaming AI to kontrolowany atak na własny system AI: zespół celowo próbuje skłonić model lub agenta do błędu, wycieku danych albo niedozwolonej operacji. To jak próbny alarm pożarowy: słabe miejsce lepiej znaleźć na ćwiczeniach niż u klienta. Wyniki trafiają do poprawek zasad i uprawnień.

Rejestr systemów AI to lista wszystkich narzędzi i agentów AI używanych w firmie: do czego służą, jakie dane przetwarzają, kto jest ich właścicielem i jakie niosą ryzyko. Przypomina ewidencję środków trwałych. Bez niej trudno ustalić, jakie obowiązki z AI Act i RODO dotyczą firmy.

RODO obowiązuje także wtedy, gdy dane osobowe przetwarza model lub agent AI, również po wklejeniu danych klienta do czatu. Firma nadal potrzebuje podstawy prawnej, ogranicza zakres danych i informuje ludzi. W praktyce pyta: kto jest podmiotem przetwarzającym, czy dostawca uczy model na naszych danych i gdzie te dane leżą.

ROI z AI to zysk z wdrożenia po odjęciu kosztów, podzielony przez te koszty. Korzyść liczy się względem stanu sprzed wdrożenia, np. czasu i kosztu jednej sprawy. Bez tego punktu odniesienia wynik jest tylko wrażeniem, nie liczbą.

Rozdział obowiązków to zasada, że jedna osoba nie przeprowadza sama całej ryzykownej operacji. Kto przygotowuje przelew, ten go nie zatwierdza; agent AI też nie zatwierdza własnej pracy. Zasada chroni przed pomyłką i nadużyciem, bo każdą ważną operację widzą dwie strony.

RPA (robotyzacja procesów) to oprogramowanie, które powtarza ludzkie kliknięcia i wpisy w aplikacjach według sztywnego scenariusza. Sprawdza się przy stałych formularzach, ale zawodzi po zmianie ekranu albo przy nietypowym dokumencie. Agent AI radzi sobie z odmianami, ale wymaga kontroli uprawnień i zatwierdzeń.

Serwer MCP to program, który udostępnia agentom AI dane albo czynności jednego systemu, np. CRM albo skrzynki pocztowej, zgodnie ze standardem MCP. Określa, jakie narzędzia agent widzi i co może zrobić. Przed podłączeniem dział IT sprawdza, kto go napisał i jakie uprawnienia dostaje.

Shadow AI to używanie przez pracowników narzędzi AI, o których firma nie wie albo których nie zatwierdziła, np. prywatnego czatu do tłumaczenia umów. Zwykle wynika z braku lepszej opcji, a nie ze złej woli. Firma traci wtedy kontrolę nad tym, dokąd trafiają jej dane.

Sieć neuronowa to model zbudowany z warstw prostych jednostek obliczeniowych, które przekazują sobie liczby i wzmacniają lub osłabiają sygnał. Przypomina obieg dokumentu przez kolejne działy: każdy dodaje swoją ocenę, a ostatni wydaje decyzję. Siła połączeń między jednostkami to parametry, które sieć ustala w treningu.

SIEM to system, który zbiera w jednym miejscu logi z serwerów, aplikacji i kont, łączy je i alarmuje przy podejrzanym wzorcu. Przykładem jest Microsoft Sentinel. Gdy firma używa agentów AI, ich dziennik działań może trafiać do SIEM obok logów ludzi, więc SOC widzi całość.

Skill to spisana procedura dla agenta: folder z plikiem SKILL.md, czasem ze wzorami i skryptami. Agent wczytuje go tylko przy pasującej sprawie, a wtyczka łączy kilka skills i połączeń w pakiet. Anthropic opublikował format skills jako otwarty standard w grudniu 2025 r.

SOC (Security Operations Center) to zespół, który zwykle przez całą dobę monitoruje bezpieczeństwo firmy, wykrywa ataki i reaguje na incydenty. Działa jak ochrona budynku z monitoringiem. Agent AI z dostępem do systemów to dla SOC kolejne konto, którego działania powinny być widoczne w zapisach.

Stronniczość modelu (bias) to systematyczny błąd, przez który model gorzej traktuje pewne grupy lub sytuacje. Zwykle bierze się z danych: jeśli firma latami zatrudniała głównie jeden profil kandydata, model uzna go za wzór. Dlatego wyniki modelu sprawdza się osobno dla różnych grup, zanim zaczną wpływać na decyzje o ludziach.

System AI wysokiego ryzyka to kategoria z AI Act dla zastosowań, które mogą poważnie wpłynąć na ludzi, np. rekrutacji, oceny zdolności kredytowej czy infrastruktury krytycznej. Takie systemy wymagają m.in. zarządzania ryzykiem, rejestrowania zdarzeń i nadzoru człowieka. Po zmianie z 2026 r. obowiązki stosuje się od 2.12.2027 dla systemów z załącznika III i od 2.08.2028 dla AI w produktach z załącznika I.

System wieloagentowy to kilka agentów AI o różnych rolach, narzędziach i uprawnieniach, prowadzących razem jedną sprawę. Koordynuje je agent nadrzędny albo ustalony przepływ pracy. To jak dział z podziałem zadań: jeden przyjmuje sprawę, drugi sprawdza, trzeci zatwierdza.

System ekspertowy to program, który podejmuje decyzje według reguł spisanych przez ludzi, na przykład „jeśli objaw A i B, to diagnoza C”. Działa jak gruby segregator procedur, który ktoś musi ręcznie aktualizować. Sprawdza się przy stałych zasadach, ale słabo radzi sobie z nietypowymi sprawami i luźnym tekstem.

Sztuczna inteligencja (AI) to programy, które z danych wejściowych wnioskują, jak odpowiedzieć lub zadziałać. Unijny AI Act jako przykładowe wyniki systemu AI podaje predykcje, treści, zalecenia i decyzje. W firmie AI czyta dokumenty, sortuje sprawy i podpowiada; firma ustala, które decyzje zostawia człowiekowi.

TCO, czyli całkowity koszt posiadania, to wszystkie wydatki na narzędzie przez cały okres używania. Jak przy samochodzie służbowym: poza ceną zakupu firma płaci za paliwo, serwis i ubezpieczenie. Przy AI to licencje, tokeny, integracje, utrzymanie, szkolenia i czas nadzoru.

Temperatura to ustawienie, które decyduje, jak bardzo losowo model wybiera kolejne słowa. Niska daje odpowiedzi bardziej przewidywalne, jak formularz, a wysoka swobodniejsze, jak burza mózgów. W części nowych modeli nie da się jej zmienić, np. w Claude od wersji Opus 4.7.

Test Turinga to próba zaproponowana przez Alana Turinga w 1950 roku: sędzia rozmawia pisemnie z człowiekiem i z maszyną. Jeśli nie odróżni, kto jest kim, maszyna zdaje test. Dzisiejsze czatboty rozmawiają bardzo płynnie, więc dla firmy sama płynna rozmowa nie dowodzi, że system rozumie proces.

Token to kawałek tekstu, którym posługuje się model: słowo, część słowa albo znak. Przypomina rozliczanie tłumacza od znaków, a nie od stron. W tokenach liczy się cenę użycia modelu i limit tekstu, który model obejmie naraz.

Tokenizacja to pocięcie tekstu na tokeny, zanim model zacznie go przetwarzać. Każdy producent tnie inaczej, a czasem zmienia sposób cięcia w nowej wersji modelu. Dlatego ten sam dokument kosztuje różnie, a licznik tokenów ma sens tylko z nazwą modelu.

Tożsamość agenta to własne konto agenta AI w systemie tożsamości firmy, oddzielne od kont ludzi. Działa jak identyfikator pracownika: wiadomo, kto co zrobił, i można odebrać dostęp. Microsoft opisuje taki typ kont w usłudze Microsoft Entra Agent ID.

Transformer to architektura sieci neuronowej, na której działa większość dzisiejszych modeli językowych. Działa jak czytelnik, który ogarnia całą stronę naraz i widzi, co z czym się łączy. Opisali ją badacze Google w 2017 r. w pracy „Attention Is All You Need”.

Trening modelu to etap, w którym model na wielu przykładach dopasowuje swoje parametry, aż jego wyniki są wystarczająco trafne. Przypomina wdrożenie nowego pracownika: kosztuje dużo, ale robi się je rzadko, a potem długo korzysta się z wyuczonej wiedzy. Codzienne użycie gotowego modelu to inferencja; firmy zwykle płacą za nią, a nie za trening.

Uczenie maszynowe (ML) to metoda, w której program sam wyprowadza reguły z przykładów, zamiast dostać je spisane przez programistę. Przypomina nowego pracownika, który po setkach faktur uczy się rozpoznawać, do którego działu trafia każda. Jakość wyniku zależy od jakości i liczby tych przykładów.

W uczeniu nadzorowanym model dostaje przykłady z poprawną odpowiedzią, na przykład maile oznaczone jako „reklamacja” lub „zamówienie”. W uczeniu nienadzorowanym dostaje dane bez etykiet i sam szuka w nich grup, na przykład podobnych klientów. Pierwsze wymaga pracy przy oznaczaniu danych, drugie daje wnioski, które człowiek musi zinterpretować.

Uczenie ze wzmocnieniem (RL) to nauka przez próby i błędy, z nagrodą za dobry wynik. Przypomina system premiowy: pracownik sam szuka sposobu, żeby premię zdobyć, czasem na skróty. Tą metodą dostraja się też modele językowe, między innymi na podstawie ocen ludzi.

Ugruntowanie to oparcie odpowiedzi modelu na wskazanych dokumentach, z podaniem źródła każdej informacji. Działa jak przypis w raporcie: czytelnik sprawdza źródło, zamiast wierzyć na słowo. Cytat nie dowodzi, że odpowiedź jest poprawna, ale skraca jej sprawdzenie.

Umowa powierzenia (DPA) to umowa z art. 28 RODO, którą firma zawiera z dostawcą przetwarzającym dane osobowe w jej imieniu, np. z dostawcą narzędzia AI. Określa, co dostawca może robić z danymi, jak je chroni i kto jest jego podwykonawcą. Przypomina umowę z biurem rachunkowym, któremu przekazujesz dokumenty pracowników.

Uprawnienia w RAG to zasada, że AI przeszukuje tylko dokumenty, które pytający może otworzyć. RAG to wyszukiwanie fragmentów dokumentów, które model dostaje przed odpowiedzią. Bez tej kontroli handlowiec zapyta o premie i dostanie fragment z listy płac.

Uwierzytelnianie sprawdza, kim jest użytkownik lub agent, a autoryzacja ustala, co mu wolno zrobić. Na recepcji ktoś sprawdza dowód, a karta dostępu otwiera tylko wybrane piętra. Agent AI powinien przejść oba kroki: najpierw logowanie, potem sprawdzenie uprawnień przy każdej akcji.

Warstwa kontroli agenta (harness) to program wokół modelu: wykonuje jego polecenia, pilnuje uprawnień i zapisuje przebieg. Sam model tylko pisze tekst, także prośbę o użycie narzędzia. Harness decyduje, czy prośba jest dozwolona, czy czeka na zatwierdzenie człowieka.

Wdrożenie AI to przeniesienie narzędzia AI z testu do codziennej pracy w konkretnym procesie. Obejmuje wybór procesu, dostęp do danych, zasady nadzoru i szkolenie ludzi. Przypomina przyjęcie nowego pracownika: zakres obowiązków, uprawnienia, opiekun i okres próbny.

WebMCP to proponowane API przeglądarki, przez które strona udostępnia agentom AI nazwane narzędzia. Agent nie klika wtedy po stronie, tylko wywołuje np. „złóż zamówienie” z parametrami. Specyfikację rozwija grupa społeczności W3C; od czerwca 2026 r. strony mogą ją testować w Chrome 149.

Wektorowa baza danych przechowuje embeddingi i szybko znajduje te najbliższe znaczeniem zadanemu pytaniu. Zwykła baza szuka faktury po numerze, wektorowa znajduje umowy o karach za opóźnienie. Wyszukiwanie wektorowe mają dziś też zwykłe bazy, np. SQL Server 2025 i PostgreSQL z pgvector.

Widzenie komputerowe to dziedzina AI, która pozwala komputerom rozpoznawać, co jest na zdjęciach i nagraniach wideo. W firmie odczytuje skany faktur, liczy towar na półkach i wykrywa wady produktów na linii produkcyjnej. Działa dobrze przy powtarzalnych ujęciach, gorzej przy złym świetle i nietypowych przypadkach.

Wiersz poleceń (CLI) to tekstowy sposób obsługi programów: zamiast klikać, wpisuje się polecenie. Agenci AI dobrze radzą sobie z CLI, bo polecenie to zwykły tekst. Dla firmy liczy się, które polecenia agent może uruchomić i z jakimi uprawnieniami.

Właściciel procesu to osoba, która odpowiada za wynik całego procesu, na przykład obsługi reklamacji. Decyduje, co agent AI może zrobić sam, a co wymaga zgody człowieka. Bez niej nikt nie odpowiada za błędy agenta ani za aktualność zasad.

Wyciek danych przez AI to sytuacja, w której poufne informacje wychodzą z firmy przez narzędzie AI. Pracownik wkleja umowę do publicznego czatu albo agent wysyła plik pod zły adres. Przypomina mail z załącznikiem do złego odbiorcy, tylko może dziać się automatycznie i w wielu sprawach naraz.

Wyjaśnialność AI (XAI) to zdolność pokazania, dlaczego system AI dał taki wynik. Jak u księgowego: liczy się kwota i to, z których dokumentów ją wyliczył. Uzasadnienie napisane przez sam model nie zawsze pokazuje, jak naprawdę doszedł do wyniku.

Wykrywanie anomalii to szukanie w danych zdarzeń odstających od normy, na przykład nietypowej faktury albo logowania o trzeciej w nocy. Działa jak doświadczony księgowy, który od razu widzi, że kwota „nie pasuje”. Model wskazuje podejrzane przypadki, a człowiek ocenia, czy to błąd, nadużycie, czy zwykły wyjątek.

Wyłącznik awaryjny to sposób, by jednym ruchem zatrzymać agenta albo odebrać mu dostęp do narzędzi, gdy robi coś niepożądanego. Działa jak blokada karty po kradzieży: nie cofa szkody, ale przerywa jej narastanie. Firma ustala z góry, kto może go użyć i w jakim czasie.

Zasada najmniejszych uprawnień to reguła, że każdy dostaje tylko dostęp potrzebny do zadania. Dotyczy ludzi, kont technicznych i agentów AI; NIST opisuje ją w kontroli AC-6. Agent czytający faktury nie potrzebuje prawa do przelewów, tak jak stażysta klucza do sejfu.

Zero trust to zasada bezpieczeństwa, według której żadne konto, urządzenie ani program nie dostaje zaufania tylko dlatego, że jest w sieci firmy. Każdy dostęp jest sprawdzany osobno, jak przepustka odbijana przy każdych drzwiach, a nie tylko przy wejściu. Zasada obejmuje też agentów AI i ich tożsamości.

Zima AI to okres, w którym po niespełnionych obietnicach spadają zainteresowanie i finansowanie badań nad AI. Przykład: brytyjski raport Lighthilla z 1973 roku krytycznie ocenił dorobek dziedziny, a rząd ograniczył wsparcie. Dla firmy to ostrzeżenie: projekt AI broni się wynikiem w procesie, a nie modą.