Dlaczego organizacje w ogóle chcą wdrażać ChatGPT?
Presja rynku i przewaga konkurencyjna
ChatGPT i inne narzędzia generatywnej AI stały się nowym „standardem higieny” w wielu branżach. Gdy jedna firma zaczyna automatyzować część pracy wiedzy, reszta nagle odkrywa, że ich procesy są wolniejsze i droższe. Manager, który jeszcze rok temu traktował AI jako ciekawostkę, dziś widzi u konkurencji szybsze odpowiedzi do klientów, bardziej dopracowane oferty i znacznie krótszy czas realizacji zadań.
Presja rynkowa jest realna: klienci oczekują szybszej obsługi, a zarządy – lepszej efektywności bez proporcjonalnego zwiększania zatrudnienia. ChatGPT obiecuje jedno i drugie: skrócenie czasu przygotowania dokumentów, wsparcie w komunikacji z klientem, pomoc w analizie informacji. W praktyce oznacza to możliwość zrobienia „więcej i lepiej”, przy podobnych zasobach.
Przewaga konkurencyjna pojawia się tam, gdzie organizacja nie tylko „włącza AI”, ale świadomie integruje ją z procesami. Firma, która ma dobrze opisane procedury i dane, może z pomocą ChatGPT zautomatyzować część wiedzy eksperckiej, tworząc wewnętrznych asystentów dla sprzedaży, HR czy serwisu. To już przestaje być zabawka, a staje się narzędziem strategicznym.
Oszczędność czasu i redukcja kosztów operacyjnych
Najszybszy efekt wdrożenia ChatGPT w firmie zazwyczaj widać na poziomie codziennych, powtarzalnych zadań. Pisanie maili, tworzenie podsumowań spotkań, przygotowywanie draftów umów, research rynkowy, tłumaczenia – to wszystko zajmuje ludziom godziny, a narzędziu AI minuty lub sekundy.
Jeśli zespół obsługi klienta codziennie odpowiada na setki podobnych pytań, ChatGPT może przygotowywać propozycje odpowiedzi, które pracownik jedynie sprawdza i dostosowuje. W marketingu asystent AI generuje propozycje nagłówków, szkice artykułów, scenariusze kampanii. Programistom może pomagać w pisaniu kodu, tworzeniu testów jednostkowych czy refaktoryzacji.
Redukcja kosztów nie polega zwykle na natychmiastowym „zmniejszeniu zespołu”, ale raczej na zwiększeniu pojemności organizacji – ten sam zespół jest w stanie obsłużyć więcej klientów, projektów czy zapytań. To często bezpieczniejsza i bardziej akceptowalna droga niż szybkie cięcia kadrowe, które niosą ryzyko utraty kluczowych kompetencji i morale.
Moda na AI kontra realna potrzeba biznesowa
W wielu organizacjach pojawia się zjawisko „FOMO na AI” – lęk przed tym, że inni już korzystają, a my zostajemy z tyłu. Zarządy oczekują „czegoś z ChatGPT”, nawet jeśli nie potrafią dokładnie nazwać potrzeb. To rodzi ryzyko wdrożeń nastawionych na pokaz, które nie są osadzone w realnych problemach biznesowych.
Różnica między modą a potrzebą zaczyna się od pytania: jakie konkretne procesy chcemy usprawnić i jakie mierniki sukcesu z tym wiążemy. Jeśli jedynym celem jest „mieć ChatGPT”, efekt będzie rozczarowujący. Jeśli natomiast celem jest np. skrócenie czasu odpowiedzi w obsłudze klienta o 30% albo zmniejszenie liczby poprawek w dokumentach prawnych o 20%, wtedy rozmowa staje się konkretna.
Bez takiego osadzenia w procesach łatwo popaść w pułapkę demonstracji: wdrażamy pokazy technologii, hackathony, pilotaże bez końca, a pracownicy nie mają jasności, jak to się przekłada na ich pracę i wyniki organizacji. ChatGPT zaczyna wtedy żyć obok biznesu, a nie w jego centrum.
Oczekiwania zarządu a rzeczywiste możliwości ChatGPT
Top management często słyszy, że generatywna AI to „game changer”. Z tego rodzą się nierealistyczne oczekiwania: automatyczna obsługa klientów bez udziału człowieka, analizy prawne na poziomie doświadczonego radcy, czy pełna automatyzacja działu marketingu. Tymczasem ChatGPT jest niezwykle sprawnym generatorem tekstu i kodu, ale nie zastępuje odpowiedzialności eksperta.
Modele językowe nie mają intencji ani świadomości; generują prawdopodobne odpowiedzi. Dla zarządów przyzwyczajonych do klasycznych systemów IT, gdzie wynik jest deterministyczny (albo działa, albo nie), ten probabilistyczny charakter odpowiedzi może być trudny do zrozumienia. Dlatego jednym z zadań lidera wdrożenia jest chłodzenie niektórych oczekiwań, zanim przerodzą się w presję na nieodpowiedzialną automatyzację.
Realistyczne podejście: ChatGPT świetnie sprawdza się jako asystent, a nie samodzielny decydent. Może przygotowywać propozycje, podsumowania, analizy wstępne, ale człowiek nadal weryfikuje i bierze odpowiedzialność za ostateczną decyzję. Firmy, które przyjmują ten model „copilota”, zyskują najwięcej przy najmniejszym ryzyku.
Gdzie ChatGPT daje szybki efekt – praktyczne przykłady
Najbardziej namacalne korzyści pojawiają się w kilku obszarach:
Obsługa klienta – podpowiedzi odpowiedzi w systemach ticketowych, generowanie FAQ, wsparcie chatbota pierwszej linii, który przekazuje trudniejsze sprawy do człowieka.
Marketing – szkice postów, newsletterów, scenariuszy kampanii, propozycje sloganów i tekstów reklamowych, a także research treści konkurencji.
IT i rozwój oprogramowania – generowanie fragmentów kodu, testów, dokumentacji technicznej, automatyczne streszczenia zgłoszeń błędów i propozycje poprawek.
HR i back-office – tworzenie opisów stanowisk, wstępna selekcja CV (na podstawie zdefiniowanych kryteriów), drafty regulaminów, procedur i komunikatów wewnętrznych.
Przykładowo: średniej wielkości software house wdrożył ChatGPT jako asystenta do tworzenia dokumentacji projektów. Programiści zaczęli generować szkice dokumentów technicznych na podstawie zadań z Jiry i kodu źródłowego. Po trzech miesiącach okazało się, że czas poświęcony na dokumentację spadł, a jednocześnie stała się ona bardziej spójna.
Zrozumieć ChatGPT: co to jest, jak działa, gdzie są granice
Model językowy i generatywność po ludzku
ChatGPT jest dużym modelem językowym, czyli systemem uczonym na ogromnych zbiorach tekstu, który uczy się wzorców językowych. Zamiast „rozumieć” treść jak człowiek, przewiduje, jakie słowa lub fragmenty tekstu najczęściej pojawiają się po sobie w podobnych kontekstach. To trochę jak bardzo zaawansowana funkcja autouzupełniania w edytorze tekstu, tyle że działająca na poziomie zdań i całych akapitów.
Generatywność polega na tym, że model nie wyszukuje istniejących odpowiedzi w bazie danych, ale tworzy nowe sekwencje słów, które są statystycznie spójne. Dlatego potrafi pisać maile, artykuły, kod, podsumowania – nie ma gotowych szablonów, tylko „nauczył się”, jak takie teksty zwykle wyglądają.
To podejście ma swoje konsekwencje. Model nie „wie”, co jest prawdą, a co nie; zna wyłącznie wzorce. Jeśli w danych treningowych wiele razy pojawiała się konkretna teza w podobnym kontekście, ChatGPT będzie ją powielał, nawet jeśli jest nieaktualna albo błędna.
Dlaczego ChatGPT jest przekonujący, ale bywa mylny
Odpowiedzi ChatGPT często brzmią bardzo pewnie i profesjonalnie. Dzieje się tak, ponieważ model uczy się nie tylko faktów, ale także stylu wypowiedzi – języka eksperckiego, struktur argumentacji, typowych zwrotów. To sprawia, że halucynacje (błędne odpowiedzi) są szczególnie niebezpieczne: tekst wygląda jak napisany przez specjalistę, ale zawiera poważne błędy.
Przykładowa sytuacja: pracownik działu prawnego prosi ChatGPT o wskazanie podstawy prawnej konkretnej klauzuli w umowie. Model, zamiast przyznać, że nie ma dostępu do najnowszego orzecznictwa, potrafi „wymyślić” numer przepisu czy wyrok sądu, który brzmi wiarygodnie, ale nie istnieje. Jeśli prawnik nie zweryfikuje tego samodzielnie, ryzyko prawne dla organizacji rośnie dramatycznie.
Dlatego jedna z podstawowych zasad bezpiecznego wdrożenia ChatGPT w organizacji brzmi: model jest świetny w generowaniu treści, ale człowiek musi być odpowiedzialny za weryfikację faktów. Szczególnie w obszarach o wysokim ryzyku: prawo, medycyna, finanse, bezpieczeństwo ludzi.
ChatGPT konsumencki a rozwiązania enterprise i API
Używanie ChatGPT z poziomu przeglądarki przez konto indywidualne różni się znacząco od korzystania z niego przez API lub w modelu enterprise. To ważne z punktu widzenia bezpieczeństwa danych i kontroli nad konfiguracją.
W wersji „konsumenckiej” użytkownik loguje się np. na chat.openai.com i ręcznie wpisuje dane. W takim scenariuszu część ustawień jest z góry zdefiniowana przez dostawcę, a organizacja ma ograniczoną kontrolę nad tym, jak pracownicy korzystają z narzędzia i jakie dane tam wprowadzają. To klasyczny „shadow IT”.
Rozwiązania enterprise lub API dają znacznie większą kontrolę:
możliwość konfiguracji zasad przetwarzania danych i retencji,
integrację z istniejącymi systemami autoryzacji (SSO, Azure AD itp.),
dostęp przez API, co pozwala budować własne aplikacje z wykorzystaniem modeli,
często lepsze gwarancje kontraktowe dotyczące poufności, audytu i bezpieczeństwa.
Wdrożenie ChatGPT w firmie, która dba o bezpieczeństwo informacji, rzadko kończy się na „po prostu dajmy ludziom dostęp do strony”. Znacznie rozsądniej jest oprzeć się na rozwiązaniach, które umożliwiają centralne zarządzanie, logowanie, kontrolę uprawnień i integrację z politykami bezpieczeństwa organizacji.
Jakie dane „widzi” ChatGPT w rozmowie i co to oznacza
Model przetwarza treść, którą użytkownik do niego wprowadza: pytania, dokumenty, dane klientów, opisy systemów – wszystko, co wkleimy lub napiszemy. Jeśli pracownik zbyt ochoczo udostępni poufne informacje (np. dane osobowe, szczegóły kontraktów, kod systemu bezpieczeństwa), te treści staną się częścią historii rozmowy przechowywanej przez dostawcę usługi, chyba że zastosowane zostaną konkretne ustawienia lub kontraktowe ograniczenia.
Z perspektywy bezpieczeństwa należy rozróżnić kilka typów danych:
dane wewnętrzne, niepoufne – np. opisy procesów, wzory dokumentów, instrukcje; stosunkowo niskie ryzyko przy rozsądnym korzystaniu,
dane poufne biznesowo – np. marże, strategie, szczegóły umów; wymagają większej ostrożności, najlepiej środowisk enterprise/API i wyraźnych zasad,
dane osobowe – imiona, nazwiska, maile, numery telefonów; tu wchodzimy w obszar RODO i wymogi prawne,
dane szczególnie chronione – zdrowotne, dane o przekonaniach, informacje finansowe klientów; te co do zasady nie powinny „trafiać” do publicznych modeli bez bardzo solidnego uzasadnienia i zabezpieczeń.
Świadoma organizacja jasno komunikuje pracownikom, jakie typy danych można wprowadzać do ChatGPT, w jakim środowisku (przeglądarka, dedykowana aplikacja, integracja wewnętrzna) i na jakich zasadach. Bez tego powstaje szara strefa „bo tak było szybciej”, która z punktu widzenia compliance i bezpieczeństwa jest tykającą bombą.
Granice i odpowiedzialność: czego ChatGPT nie zrobi za organizację
Model językowy nie posiada świadomości, wartości ani poczucia odpowiedzialności. Nie rozumie skutków prawnych czy biznesowych swoich odpowiedzi. Zawsze działa w ramach danych, na których został wytrenowany, i konfiguracji nadanej mu przez człowieka. Odpowiedzialność za skutki wykorzystania odpowiedzi ChatGPT spoczywa w całości na organizacji.
ChatGPT nie ma też natywnego dostępu do wewnętrznych baz danych, CRM czy ERP – chyba że celowo go tam podłączymy przez API lub inne integracje. „Wiedza o organizacji” musi zostać mu dostarczona przez odpowiednio przygotowane prompty, kontekst lub wektorowe bazy wiedzy. Bez tego będzie operował ogólną wiedzą, która często nie pasuje do specyfiki firmy.
Trzeba również brać pod uwagę ograniczenia czasowe. Wersje modeli mają określony „cutoff” wiedzy; nie znają informacji po konkretnej dacie, chyba że są zasilone aktualnymi danymi przez integracje. To oznacza, że ChatGPT nie jest sam z siebie źródłem aktualnych przepisów prawa, cen rynkowych czy newsów, jeśli nie zapewnimy mu zewnętrznego dostępu.
Źródło: Pexels | Autor: Yan Krukau
Ocena gotowości organizacji do wdrożenia ChatGPT
Prosty „AI readiness check” – co trzeba mieć na miejscu
Zanim pojawią się projekty i integracje, dobrze jest uczciwie sprawdzić, w jakim punkcie startu znajduje się organizacja. Prosty przegląd gotowości można oprzeć na czterech obszarach:
Kultura organizacyjna – czy zespół jest przyzwyczajony do zmian, testów, pilotaży? Czy istnieje zaufanie między IT, biznesem a zarządem? Czy błędy w pilotażach są traktowane jako nauka, czy jako porażka?
Dojrzałość procesowa – czy procesy są opisane, mierzone, mają właścicieli? Jeśli nie, trudno w nie wpiąć AI w kontrolowany sposób.
Bezpieczeństwo IT – czy istnieją podstawowe polityki bezpieczeństwa, zarządzanie dostępami, szyfrowanie, monitoring? Jeśli tu jest chaos, wdrażanie AI tylko go powiększy.
Świadomość pracowników – czy ludzie rozumieją zagrożenia związane z danymi, phishingiem, social engineering? ChatGPT nie zastąpi zdrowego rozsądku użytkownika.
Sygnalizatory ostrzegawcze: kiedy organizacja „nie jest gotowa”
Czasem szybciej da się zauważyć, że coś blokuje wdrożenie, niż że wszystko gra. Kilka sygnałów powinno zapalić lampkę ostrzegawczą, zanim pojawi się pierwszy projekt z ChatGPT w nazwie:
Brak właściciela tematu – wszyscy „są za AI”, ale nikt realnie nie ma w KPI doprowadzenia projektu do końca. Wtedy narzędzie ląduje w szarej strefie: trochę HR, trochę IT, trochę innowacje, a finalnie nigdzie.
Silne silosy – każdy dział kupuje lub testuje coś „dla siebie”, bez wspólnej architektury i standardów bezpieczeństwa. Po roku firma ma pięć rodzajów dostępów do różnych chatbotów, a żaden nie jest naprawdę wdrożony.
Reaktywne IT – zespół technologiczny jest przyzwyczajony, że „gasi pożary”, a nie projektuje rozwiązania. Każde nowe narzędzie to dla nich ryzyko, a nie szansa – więc będą je blokować lub odwlekać.
Brak elementarnej higieny danych – wspólne konta, pliki z hasłami w Excelu, brak klasyfikacji informacji. Do takiego środowiska dokładanie ChatGPT bez przygotowania to proszenie się o incydent.
Jeżeli kilka z tych punktów brzmi znajomo, rozsądniej jest zacząć od małych, kontrolowanych pilotaży i równoległego porządkowania fundamentów, zamiast wdrażać „ChatGPT dla całej organizacji”.
Minimalny „zestaw startowy” dla bezpiecznego wdrożenia
Nie każda firma potrzebuje od razu rozbudowanej strategii AI. Jest jednak pakiet minimum, który znacząco ogranicza ryzyko i chaos. Sprawdza się zwłaszcza w średnich organizacjach, które chcą ruszyć szybko, ale mądrze.
Taki zestaw startowy zwykle obejmuje:
Politykę korzystania z generatywnej AI – krótki, zrozumiały dokument: do czego używamy ChatGPT, czego nie robimy, jakie dane są zakazane, kto odpowiada za weryfikację wyników.
Jedno „oficjalne” narzędzie – wybrane i skonfigurowane środowisko (np. ChatGPT Enterprise, integracja przez API, własny portal z chatbotem), tak aby ludzie nie błądzili po przypadkowych stronach.
Wstępne szkolenie – nie o „magii AI”, tylko o praktyce: proste zasady bezpieczeństwa, przykłady dobrych i złych promptów, sytuacje graniczne.
Prosty proces zgłaszania pomysłów – formularz lub kanał, gdzie pracownicy mogą zgłaszać use case’y. Dzięki temu innowacje nie rodzą się wyłącznie „po cichu” na prywatnych kontach.
Jeśli te cztery elementy są na miejscu, dalsze kroki – integracje, automatyzacje, rozbudowane projekty – da się budować znacznie spokojniej.
Rola zarządu i sponsorów biznesowych
Bez realnego wsparcia z góry ChatGPT kończy jako ciekawostka dla kilku entuzjastów. Zarząd nie musi znać różnicy między modelem a wektorową bazą wiedzy, ale musi podjąć kilka bardzo konkretnych decyzji.
Najważniejsze zadania zarządu i sponsorów biznesowych to:
Wskazanie priorytetów – czy głównym celem jest efektywność (np. szybsza obsługa klienta), oszczędności, czy budowanie przewagi konkurencyjnej? Inne cele = inne projekty.
Zapewnienie budżetu i zasobów – nawet prosty pilot wymaga czasu ludzi: IT, bezpieczeństwa, prawników, właścicieli procesów. „Zróbcie to po godzinach” kończy się bylejakością.
Odwaga co do eksperymentów – potrzebne jest przyzwolenie na odwołanie pilotażu, który „nie dowozi”, bez szukania winnych. AI wymaga testów i iteracji.
Dobrym sygnałem jest sytuacja, w której sponsor biznesowy sam publicznie korzysta z narzędzia w prostych zadaniach (np. przygotowanie agendy spotkania) i jednocześnie podkreśla granice użycia, np. „tu i tu zawsze weryfikujemy ręcznie”. To działa lepiej niż długi regulamin rozesłany mailem.
Identyfikacja bezpiecznych i sensownych use case’ów
Mapa ryzyka vs. mapa wartości
Wybierając pierwsze zastosowania ChatGPT, łatwo wpaść w dwie skrajności: albo zaczynać od najbardziej ryzykownych procesów (bo „tam jest najwięcej do zyskania”), albo od zupełnie nieistotnych zadań (żeby „na pewno nic się nie stało”). Rozsądne podejście łączy oba spojrzenia.
Pomaga prosta macierz: z jednej strony potencjał wartości (oszczędność czasu, poprawa jakości, lepsza obsługa klientów), z drugiej – poziom ryzyka (prawnego, wizerunkowego, operacyjnego). W praktyce można to ująć w czterech kategoriach:
Wysoka wartość, niskie ryzyko – idealne na start. Np. generowanie szkiców procedur wewnętrznych, podsumowań spotkań, materiałów szkoleniowych.
Wysoka wartość, wysokie ryzyko – projekty strategiczne: obsługa klientów, wsparcie decyzji finansowych, elementy procesów klinicznych. Tu potrzebne są pilotaże, silne nadzory i zwykle środowisko enterprise/API.
Niska wartość, niskie ryzyko – zadania „uczące” pracowników, jak działa narzędzie: pomoc w formułowaniu maili, parafraza tekstów, poprawa stylu wypowiedzi.
Niska wartość, wysokie ryzyko – tego obszaru lepiej unikać. Przykład: generowanie umów prawnych „od zera” dla pojedynczych przypadków bez udziału prawnika.
Kilka godzin warsztatu z przedstawicielami różnych działów wystarcza, żeby wypełnić taką macierz dziesiątkami pomysłów, a potem wybrać kilka rozsądnych kandydatów na pilotaż.
„Bezpieczne piaskownice” – obszary o niskim ryzyku
Jest grupa zastosowań, w których ChatGPT może przynieść realną korzyść, a jednocześnie nie dotyka najbardziej wrażliwych danych. To dobre pole do nauki i zbierania doświadczeń.
Tworzenie szkiców treści wewnętrznych – procedury, instrukcje, komunikaty do pracowników. Dane są zazwyczaj wewnętrzne, ale nie krytyczne, a ryzyko ogranicza się do stylu i poprawności, które i tak weryfikuje autor.
Wsparcie w nauce i rozwoju – tworzenie quizów, ćwiczeń, scenariuszy rozmów handlowych czy obsługowych. Nie potrzebujemy tu danych klientów, wystarczy opis typowych sytuacji.
Analiza i streszczanie publicznych dokumentów – raporty branżowe, artykuły naukowe, dokumentacja dostawców. Materiały są dostępne publicznie, więc ryzyko wycieku jest minimalne.
Wsparcie dla IT i developerów – wyjaśnianie kodu, sugerowanie testów jednostkowych, generowanie fragmentów skryptów pomocniczych, o ile nie wkleja się poufnego kodu systemów bezpieczeństwa.
Takie „piaskownice” pozwalają ludziom nabrać pewności, jak formułować polecenia, jak oceniać jakość odpowiedzi i kiedy zapala się lampka „tu muszę jeszcze sprawdzić samodzielnie”.
Use case’y wymagające szczególnej ostrożności
Są też obszary, gdzie nawet jedno nieprzemyślane wdrożenie może skończyć się realnym kryzysem. Często kusi, żeby tam właśnie wprowadzać AI jako pierwsze, bo potencjalny zysk wygląda imponująco.
Szczególnie uważnie trzeba podchodzić do:
Obsługi klienta z automatycznymi odpowiedziami – chatbot, który samodzielnie udziela wiążących informacji o warunkach umów, reklamacji czy opłatach. Błąd może skutkować roszczeniami lub interwencją regulatora.
Wsparcia decyzji kredytowych, ubezpieczeniowych, medycznych – nawet jeśli ChatGPT tylko „podpowiada”, łatwo o efekt psychologiczny: pracownik zaczyna nadmiernie ufać rekomendacji modelu.
Komunikacji zewnętrznej – posty w mediach społecznościowych, informacje prasowe, odpowiedzi do mediów. Niewinna halucynacja może wyglądać jak oficjalne stanowisko firmy.
Przetwarzania dokumentów prawnych z danymi osobowymi – umowy, pisma procesowe, dokumentacja sporów. Tu oprócz ryzyka merytorycznego pojawiają się jeszcze wymogi RODO i tajemnica zawodowa.
W takich przypadkach bezpieczniejsze jest podejście „człowiek – model – człowiek”: ChatGPT generuje szkic lub analizę, ale decyzja i komunikat wychodzący na zewnątrz zawsze przechodzą przez doświadczonego specjalistę.
Jak projektować pilotaże z ChatGPT
Dobrze zaprojektowany pilotaż to coś więcej niż „damy kilku osobom dostęp i zobaczymy, co się stanie”. Nawet prosty test warto osadzić w jasnych ramach: co mierzymy, jak długo, kto nadzoruje bezpieczeństwo.
Prosta struktura pilotażu obejmuje kilka elementów:
Cel biznesowy – np. skrócenie czasu tworzenia ofert handlowych o określony procent lub odciążenie zespołu wsparcia o określoną liczbę zapytań.
Zakres danych – z góry określone, jakie informacje wolno wprowadzać do narzędzia, a jakie są zakazane lub muszą być zanonimizowane.
Zespół pilotażowy – kilku użytkowników końcowych, przedstawiciel IT/bezpieczeństwa, sponsor biznesowy. Każdy ma inną perspektywę i inne obawy.
Mechanizm feedbacku – prosta forma zbierania uwag: co działa, co przeszkadza, gdzie model popełnia krytyczne błędy.
Data decyzji – z góry ustalony moment, w którym zapada decyzja: rozwijamy, modyfikujemy lub kończymy projekt.
Po jednym–dwóch takich pilotażach organizacja ma już realne doświadczenia, a nie tylko opinie. Łatwiej też rozmawiać o politykach bezpieczeństwa na konkretnych przykładach.
Źródło: Pexels | Autor: Thirdman
Ryzyka prawne, RODO i kwestie regulacyjne związane z ChatGPT
Relacja administrator – podmiot przetwarzający
Z perspektywy RODO kluczowe jest ustalenie, kto jest administratorem danych osobowych, a kto je przetwarza w imieniu administratora. W większości przypadków organizacja pozostaje administratorem danych, a dostawca ChatGPT jest podmiotem przetwarzającym.
Praktycznie oznacza to konieczność zawarcia umowy powierzenia przetwarzania danych (DPA), w której znajdą się m.in.:
zakres i kategorie danych osobowych, które mogą być przetwarzane,
cele i czas przetwarzania,
informacje o podwykonawcach i transferach poza EOG,
opis środków bezpieczeństwa po stronie dostawcy.
Bez takiej umowy korzystanie z ChatGPT do przetwarzania danych osobowych (np. w treści maili klientów) może być trudne do obrony przed inspektorem ochrony danych czy regulatorem.
Transfer danych poza EOG i lokalizacja przetwarzania
Duża część dostawców modeli językowych przetwarza dane w infrastrukturze chmurowej poza Unią Europejską lub korzysta z globalnych centrów danych. To rodzi pytania o transfer danych osobowych do państw trzecich.
Przed szerszym wdrożeniem konieczne jest ustalenie:
w jakich lokalizacjach fizycznie przetwarzane są dane,
czy stosowane są standardowe klauzule umowne (SCC) i dodatkowe środki zabezpieczające,
czy dostawca oferuje opcję przetwarzania wyłącznie w EOG (niektórzy to zapewniają w modelach enterprise).
Inspektor ochrony danych (IOD) lub prawnik ds. ochrony danych powinien mieć komplet informacji od dostawcy, zanim wyrazi zgodę na przetwarzanie jakichkolwiek danych osobowych przez ChatGPT w skali masowej.
Podstawy prawne przetwarzania danych osobowych
Jeżeli ChatGPT ma wspierać procesy, w których pojawiają się dane osobowe klientów lub pracowników, trzeba jasno określić podstawę prawną tego przetwarzania. W zależności od kontekstu może to być:
wykonywanie umowy – np. gdy narzędzie pomaga w obsłudze reklamacji czy realizacji zamówień,
obowiązek prawny – rzadziej, zwykle w mocno regulowanych sektorach,
prawnie uzasadniony interes administratora – np. optymalizacja obsługi klienta, poprawa jakości usług, o ile nie narusza praw i wolności osób,
zgoda osoby, której dane dotyczą – w niektórych specyficznych scenariuszach, chociaż w praktyce bywa to trudne do zarządzania.
Brak jasno określonej podstawy prawnej i oceny jej adekwatności jest jednym z najczęstszych błędów przy wdrażaniu rozwiązań AI w obszarach „dotykających” klientów.
Minimalizacja danych i anonimizacja w praktyce
RODO wymaga, żeby przetwarzać tylko tyle danych, ile jest rzeczywiście potrzebne. W kontekście ChatGPT oznacza to, że w wielu przypadkach można i warto ograniczać lub pseudonimizować informacje.
Kilka prostych zasad, które robią dużą różnicę:
Usuwanie identyfikatorów – przed wklejeniem treści do modelu usuń imiona i nazwiska klientów, numery dokumentów, adresy e-mail. W wielu przypadkach do analizy wystarczą same opisy zdarzeń.
Ograniczanie danych „przy źródle”
Najlepszym sposobem na redukcję ryzyka jest sprawienie, żeby w ogóle nie dało się wprowadzić do ChatGPT danych, których tam być nie powinno. Zamiast później szukać „wycieków”, lepiej zbudować barierę już na etapie tworzenia zapytania.
Praktyczne podejścia, które dobrze się sprawdzają:
Szablony wejścia – formularze lub gotowe prompty, w których użytkownik wypełnia tylko określone pola, a pola „wrażliwe” w ogóle się nie pojawiają (np. tylko opis problemu bez danych identyfikujących klienta).
Filtrowanie po stronie przeglądarki lub wtyczki – proste narzędzia, które przed wysłaniem tekstu do modelu automatycznie wykrywają i maskują PESEL, NIP, numery kont, adresy e-mail.
Integracje przez API – system sam wybiera fragmenty danych, które wysyła do modelu, zamiast pozwalać użytkownikowi kopiować całe rekordy z CRM czy ERP.
Im więcej takiej automatyzacji, tym mniejsza szansa, że ktoś „przez nieuwagę” wklei zrzut ekranu z całym profilem klienta tylko po to, żeby poprawić styl odpowiedzi.
Rejestr czynności przetwarzania i DPIA dla rozwiązań AI
Wiele wdrożeń ChatGPT „odjeżdża” bez śladu w dokumentacji. Dopóki ktoś nie zapyta IOD, wszystko działa – aż do pierwszego incydentu. Tymczasem z punktu widzenia RODO użycie takiego narzędzia jest po prostu kolejną czynnością przetwarzania.
Dobrą praktyką jest:
opisanie korzystania z ChatGPT w rejestrze czynności – jako osobny proces lub w ramach istniejących (np. obsługa klienta, rekrutacja),
przeprowadzenie oceny skutków dla ochrony danych (DPIA), jeśli skala, rodzaj danych lub automatyzacja decyzji mogą rodzić wysokie ryzyko dla praw i wolności osób.
W DPIA dobrze uwzględnić konkretnie: jakie typy danych mogą trafić do modelu, jak są zabezpieczone, czy można je usunąć oraz w jakim stopniu wynik działania modelu wpływa na realne decyzje wobec osób (np. odmowa oferty).
Transparentność wobec klientów i pracowników
Ludzie chcą wiedzieć, czy rozmawiają z człowiekiem, czy z maszyną – oraz czy ich dane są analizowane przez algorytmy. Ukrywanie użycia ChatGPT zwykle bardziej szkodzi, niż pomaga.
Proste kroki, które budują zaufanie:
jasna informacja w regulaminach i klauzulach informacyjnych – że w niektórych procesach wykorzystywane są narzędzia oparte na modelach językowych, z krótkim opisem celu,
oznaczanie interfejsów – przy chatbotach automatycznych krótki komunikat: „To asystent AI, nadzorowany przez zespół obsługi”,
prawo do „eskalacji” – użytkownik powinien mieć możliwość łatwego przejścia do kontaktu z człowiekiem, szczególnie gdy sprawa ma charakter sporny lub wrażliwy.
Podobną transparentność warto zachować wobec pracowników: czy ich korespondencja służbowa lub wyniki pracy mogą być analizowane przez narzędzia AI, w jakim celu i na jakiej podstawie.
Specyfika sektorów regulowanych
Bankowość, ubezpieczenia, medycyna, energetyka czy telekomunikacja mają swoje „nadbudowy” regulatoryjne ponad RODO. Tam wdrożenie ChatGPT bez udziału prawników branżowych i compliance to proszenie się o kłopoty.
Kilka przykładów wymagań, które często wchodzą w grę:
wymogi dokumentowania procesu decyzyjnego – jeśli wynik modelu wpływa na decyzję kredytową lub taryfową, regulator może oczekiwać, że proces jest audytowalny i wyjaśnialny,
ograniczenia outsourcingu – niektóre przepisy wymagają szczególnych zgód lub notyfikacji nadzorcy, gdy podmiot zewnętrzny przetwarza dane klientów na dużą skalę,
specyficzne regulacje dot. tajemnicy zawodowej – np. tajemnica bankowa, lekarska, adwokacka; ich złamanie przez niekontrolowane użycie ChatGPT może mieć skutki karne lub dyscyplinarne.
Dlatego w sektorach regulowanych sensownym scenariuszem jest rozpoczęcie od use case’ów wewnętrznych, niezwiązanych z klientami, a równolegle prowadzenie analiz regulacyjnych dla ambitniejszych zastosowań.
Autorstwo, prawa autorskie i ryzyko plagiatu
Modele językowe nie „kopiują” wprost konkretnych tekstów z treningu, ale ich odpowiedzi potrafią być zaskakująco podobne do istniejących treści. Dla organizacji korzystającej masowo z ChatGPT oznacza to kilka dylematów.
Po pierwsze, trzeba ustalić, jak traktować wygenerowane treści: jako materiały robocze czy gotowe utwory. Coraz więcej firm przyjmuje zasadę: model generuje szkic, człowiek nadaje mu ostateczny kształt. Dzięki temu łatwiej bronić tezy, że efekt jest twórczy, a nie jest prostym kopiowaniem.
Po drugie, pojawia się pytanie o potencjalne naruszenia cudzych praw autorskich. Szczególnie ryzykowne są:
prośby o „stylizowanie” na konkretnych, żyjących autorów,
generowanie treści bardzo podobnych do znanych książek, artykułów, szkoleń,
automatyczne tworzenie ofert, opisów produktów czy kampanii bez żadnej redakcji.
Bezpieczniejsza praktyka to traktowanie odpowiedzi modelu jak pierwszej, surowej wersji – a następnie przeredagowanie jej tak, żeby odpowiadała unikalnemu językowi marki i nie była jedynie „przemieleniem” treści z internetu.
Odpowiedzialność za błędy i nieprawdziwe informacje
ChatGPT może się mylić, a nieraz robi to z dużą pewnością siebie. Gdy model jest używany wewnętrznie, efektem jest głównie strata czasu. Gdy błędna odpowiedź trafi do klienta, skutki bywają znacznie poważniejsze.
Z punktu widzenia odpowiedzialności prawnej liczy się to, kto tak naprawdę udzielił odpowiedzi. Dla klienta nie ma znaczenia, że „to zrobiła AI” – odpowiedzialny jest podmiot, który ją wdrożył.
Dlatego przy projektowaniu procesów obsługi z udziałem ChatGPT dobrze zadbać o:
jasne rozgraniczenie ról – czy model ma charakter informacyjny (podpowiedzi, sugestie), czy generuje wiążące deklaracje,
obowiązkową weryfikację człowieka przy odpowiedziach w obszarach prawnych, finansowych, medycznych czy regulowanych,
logowanie kluczowych interakcji – tak, aby dało się później odtworzyć, jaki prompt doprowadził do kontrowersyjnej odpowiedzi.
W przypadku poważnego sporu poprawnie zbudowana ścieżka audytu może być bezcenna – nie tylko dla działu prawnego, ale też dla zespołów, które będą poprawiać proces.
Bezpieczeństwo informacji i cyberbezpieczeństwo przy korzystaniu z ChatGPT
Klasyfikacja informacji a korzystanie z modeli językowych
Wiele organizacji ma formalne klasy informacji: publiczne, wewnętrzne, poufne, ściśle poufne. Problem w tym, że przeciętny użytkownik pamięta o tym tylko na prezentacji z bezpieczeństwa. Gdy dostaje dostęp do ChatGPT, klasyfikacja wylatuje z głowy.
Praktycznym rozwiązaniem jest powiązanie klasyfikacji z wytycznymi „co wolno wkleić do ChatGPT”. Przykładowo:
Informacje publiczne – mogą być wykorzystywane bez ograniczeń, o ile nie ma innych przeciwwskazań (np. umowy z partnerami).
Informacje wewnętrzne – dopuszczalne wyłącznie w wersjach narzędzi z odpowiednimi gwarancjami (np. brak użycia danych do trenowania, przetwarzanie w określonych regionach).
Informacje poufne i ściśle poufne – zakaz wprowadzania do zewnętrznych modeli; dopuszczalne co najwyżej w ściśle kontrolowanych instalacjach on-premise lub w prywatnych instancjach z dodatkowymi barierami.
Dobrze działa też prosty „test windykatora”: czy dane, które chcę wkleić do ChatGPT, mogłyby zostać odczytane głośno w zatłoczonej windzie bez szkody dla firmy? Jeśli nie – trzeba szukać innego sposobu.
Modele dostępne publicznie vs. rozwiązania enterprise
Różnica między „zaloguj się na stronie i korzystaj” a dedykowaną instancją enterprise jest z punktu widzenia bezpieczeństwa ogromna. W wersji publicznej organizacja zazwyczaj ma ograniczoną kontrolę nad:
tym, gdzie i jak długo przechowywane są dane,
czy są wykorzystywane do dalszego trenowania modeli,
jakie inne usługi mają do nich dostęp.
W rozwiązaniach enterprise dostawcy coraz częściej oferują:
możliwość odłączenia danych klienta od dalszego trenowania,
dedykowane przestrzenie (tenant) z kontrolą dostępu,
szczegółowe logi i integrację z systemami SIEM,
lokalizację przetwarzania ograniczoną do wybranych regionów.
Dlatego przy poważnym, biznesowym wykorzystaniu ChatGPT, szczególnie z udziałem danych wrażliwych, opieranie się wyłącznie na „zwykłym” koncie jest zwykle zbyt ryzykowne.
Zasada „need to know” w świecie promptów
Tradycyjnie zasada „need to know” dotyczy dostępu do systemów i plików. W przypadku ChatGPT dochodzi nowa warstwa: treści wprowadzanych w promptach. Ktoś może formalnie nie mieć dostępu do określonego systemu, ale i tak skopiować zrzut ekranu od kolegi i wkleić go do modelu.
Aby ograniczyć takie sytuacje, opłaca się:
jasno opisać, jakie typy informacji nigdy nie mogą trafić do modelu – np. tajemnice techniczne, szczegóły incydentów bezpieczeństwa, hasła, klucze API,
uwrażliwić użytkowników na „drugorzędne” dane – logi systemowe, konfiguracje firewalli, pliki konfiguracyjne potrafią zdradzić znacznie więcej, niż się wydaje,
przeglądać przykładowe historie użycia (w trybie zanonimizowanym) w ramach szkoleń – nic tak nie działa, jak pokazanie realnych promptów z „wpadkami”.
Często wystarczy jedno szkolenie z przykładami, żeby zespół przestał traktować ChatGPT jak „magiczny kosz na wszystko, co niezrozumiałe w IT”.
Integracja ChatGPT z systemami wewnętrznymi
Prawdziwa wartość pojawia się zwykle wtedy, gdy ChatGPT nie działa w oderwaniu, lecz ma dostęp do dokumentacji, baz wiedzy, ticketów czy repozytoriów kodu. To jednak oznacza otwieranie mostów między modelem a wewnętrznymi systemami.
Bezpieczne podejście obejmuje kilka warstw:
warstwa pośrednia (middleware) – aplikacja, która zarządza tym, co trafia do modelu i co z niego wraca; filtruje dane, pilnuje limitów i loguje zapytania,
kontrola uprawnień na poziomie użytkownika – model nie powinien widzieć więcej, niż widzi zalogowana osoba; jeśli pracownik nie ma dostępu do działu X w intranecie, nie powinien móc zadawać pytań o jego dokumenty przez ChatGPT,
separacja środowisk – oddzielenie środowiska testowego od produkcyjnego, tak aby eksperymenty z promptami nie wpływały na realne systemy.
Dobrym nawykiem jest także stosowanie limitów: ile danych na jedno zapytanie może zostać wysłanych do modelu oraz jakie typy plików są dopuszczalne (np. zezwolenie na PDF-y z dokumentacją, blokada dla pełnych zrzutów baz danych).
Logowanie, monitoring i reagowanie na incydenty
ChatGPT w organizacji to kolejny system, który generuje logi i może być źródłem incydentów bezpieczeństwa. Jeżeli nie ma żadnych mechanizmów monitoringu, zespoły bezpieczeństwa dowiedzą się o problemie dopiero wtedy, gdy zrobi się głośno.
Solidniejszy model działania obejmuje:
centralne logowanie zapytań i odpowiedzi (po zanonimizowaniu, gdy to możliwe),
reguły wykrywania anomalii – np. nietypowo duże wklejane fragmenty danych, próby wyciągania informacji o konfiguracji sieci, powtarzające się prośby o „obejście zabezpieczeń”,
zdefiniowane scenariusze reagowania – co robimy, jeśli zauważymy, że ktoś wkleił bazę klientów lub fragment klucza prywatnego.
W praktyce rozsądnie jest włączyć ChatGPT (i inne narzędzia AI) do istniejących procedur reagowania na incydenty, zamiast tworzyć zupełnie osobne ścieżki. Zespół bezpieczeństwa ma wtedy jedno miejsce, z którego widzi całe środowisko.
Szkolenia użytkowników – „higiena AI”
Nawet najlepsze polityki i technologie niewiele dadzą, jeśli ludzie traktują ChatGPT jak prywatnego asystenta, wklejając tam wszystko, co mają pod ręką. Potrzebna jest nowa „higiena cyfrowa” związana z AI.
Skuteczne szkolenie nie polega na przeczytaniu regulaminu na głos. Dużo lepiej działa połączenie trzech elementów:
krótkie zasady w formie check-listy – co wolno, czego nie, z przykładami promptów „OK” i „NIE OK”,
Najczęściej zadawane pytania (FAQ)
Po co w ogóle wdrażać ChatGPT w firmie, skoro „jakoś to działa” bez AI?
Organizacje sięgają po ChatGPT głównie z dwóch powodów: presji rynkowej i realnych oszczędności czasu. Jeśli konkurencja szybciej odpowiada klientom, szybciej przygotowuje oferty i dokumenty, to po roku różnica w efektywności zaczyna być bardzo widoczna. ChatGPT pozwala „zagęścić” pracę – ten sam zespół jest w stanie obsłużyć więcej spraw przy podobnych zasobach.
Drugi aspekt to przewaga konkurencyjna. Firma, która świadomie wplata ChatGPT w swoje procesy (obsługa klienta, sprzedaż, HR, IT), zaczyna budować wewnętrznych asystentów zamiast pojedynczych „zabawek”. To już nie jest gadżet, tylko narzędzie strategiczne, które pomaga skalować wiedzę ekspertów na całą organizację.
Jakie są najprostsze zastosowania ChatGPT w organizacji na szybki start?
Najłatwiej zacząć od zadań, które są powtarzalne i pochłaniają ludziom mnóstwo czasu: maile, podsumowania spotkań, tłumaczenia, research, szkice umów czy regulaminów. Tam efekt „wow” widać po kilku dniach – pracownicy nagle odzyskują godziny tygodniowo, bo nie muszą pisać wszystkiego od zera.
W praktyce firmy często startują w kilku obszarach naraz:
obsługa klienta – propozycje odpowiedzi na zgłoszenia, szkice FAQ, wsparcie chatbota pierwszej linii,
Dobrym testem jest pytanie: „Co u nas najbardziej męczy ludzi, a da się opisać słowami lub w formie procedury?”. To zwykle jest idealny kandydat na wsparcie przez ChatGPT.
Jak bezpiecznie korzystać z ChatGPT w firmie, żeby nie narazić się na błędy i ryzyka prawne?
Bezpieczne wdrożenie zaczyna się od zasady: ChatGPT jest asystentem, a nie samodzielnym decydentem. Model generuje prawdopodobne odpowiedzi, a nie „prawdę objawioną”. W obszarach wrażliwych – prawo, medycyna, finanse, kwestie kadrowe – człowiek zawsze musi być ostatnim ogniwem, które sprawdza i zatwierdza treść.
Oprócz tego potrzebne są proste, jasne reguły dla pracowników, m.in.:
czego nie wolno wklejać do ChatGPT (np. danych osobowych klientów, tajemnic handlowych, niejawnych umów),
które typy zadań wymagają obowiązkowej weryfikacji eksperta (np. podstawy prawne, interpretacje przepisów, decyzje biznesowe dużej wagi),
jak oznaczać treści przygotowane z pomocą AI, aby każdy wiedział, że to nie jest „gotowiec”.
Bez tego łatwo o sytuację, w której model „wymyśla” np. numer przepisu lub wyroku sądu, a ktoś bezrefleksyjnie przepisuje to do umowy. I dopiero kontrola z zewnątrz pokazuje, jak wysokie było ryzyko.
Jak odróżnić realną potrzebę wdrożenia ChatGPT od mody na AI i FOMO?
Zdrowy filtr to bardzo konkretne pytania: jaki proces chcemy usprawnić, o ile procent i jak to zmierzymy. Jeśli celem jest „żebyśmy też mieli coś z AI”, skończy się na pokazówkach i hackathonach, które niewiele zmieniają w codziennej pracy. Jeśli natomiast celem jest np. skrócenie czasu odpowiedzi w obsłudze klienta o 30% albo zmniejszenie liczby poprawek w dokumentach prawnych o 20%, rozmowa natychmiast staje się twarda i mierzalna.
Dobrym sygnałem ostrzegawczym jest sytuacja, w której projekty AI dzieją się „obok biznesu”: wielu ludzi się bawi, powstają efektowne demo, a managerowie liniowi nie potrafią powiedzieć, jak to wpływa na ich KPI. Wtedy raczej mamy do czynienia z modą niż z realną transformacją procesu.
Czy ChatGPT może zastąpić pracowników, czy raczej ma ich wspierać?
Modele językowe świetnie radzą sobie z generowaniem tekstu i kodu, ale nie mają ani intencji, ani odpowiedzialności. Dlatego najrozsądniejszy model wdrożenia to „copilot”: ChatGPT przygotowuje szkice, podsumowania, analizy wstępne, a człowiek je porządkuje, sprawdza i podejmuje decyzję. W wielu firmach efektem nie jest zwolnienie ludzi, tylko zwiększenie przepustowości – ten sam zespół obsługuje więcej klientów czy projektów.
Owszem, w dłuższym horyzoncie część ról się zmieni. Zamiast osób, które głównie „przepisują” czy „formatują”, będą potrzebni ci, którzy potrafią definiować zadania dla AI, weryfikować wyniki i łączyć je z wiedzą biznesową. To trochę jak z kalkulatorem w księgowości – nie zlikwidował księgowych, ale całkowicie zmienił ich sposób pracy.
Dlaczego odpowiedzi ChatGPT są czasem błędne, choć brzmią bardzo przekonująco?
ChatGPT nie „rozumie” treści jak człowiek, tylko przewiduje kolejne słowa na podstawie wzorców z danych treningowych. Jeśli w tych danych wielokrotnie pojawiały się podobne, ale nieaktualne informacje, model może je powtarzać z pełnym przekonaniem. Styl wypowiedzi – ekspercki, uporządkowany, z odniesieniami – sprawia, że tekst wygląda wiarygodnie nawet wtedy, gdy jest zwyczajnie fałszywy.
Typowy przykład z praktyki: prawnik prosi o podstawę prawną konkretnej klauzuli. Model „skleja” numer artykułu i sygnaturę wyroku, które brzmieniem pasują do pytania, ale w rzeczywistości nie istnieją. Jeśli prawnik zaufa stylowi zamiast sprawdzić treść, organizacja bierze na siebie poważne ryzyko. Dlatego tak ważne jest budowanie w zespołach nawyku: „AI pomaga, ale ja odpowiadam własnym nazwiskiem”.
Jak przygotować organizację na wdrożenie ChatGPT, zanim kupimy jakiekolwiek licencje?
Paradoksalnie najpierw trzeba „posprzątać” w procesach, a dopiero potem myśleć o technologii. ChatGPT najlepiej działa tam, gdzie procedury są opisane, a dane względnie uporządkowane – wtedy z łatwością tworzy asystentów dla sprzedaży, HR czy serwisu. Jeśli w firmie każdy robi to samo inaczej i „w głowie”, model nie ma się do czego podpiąć.
Dobry start to kilka kroków przygotowawczych:
zmapowanie 3–5 kluczowych procesów, w których ludzie marnują czas na powtarzalne czynności językowe,
ustalenie prostych zasad bezpieczeństwa danych i odpowiedzialności za decyzje,
wyznaczenie osób, które zostaną „ambasadorami AI” i pomogą reszcie zespołu uczyć się sensownego korzystania z narzędzia.
Co warto zapamiętać
Presja rynku sprawia, że korzystanie z ChatGPT staje się „standardem higieny” – firmy, które go nie używają, zaczynają przegrywać szybkością reakcji, jakością komunikacji i kosztem obsługi.
Przewaga konkurencyjna pojawia się dopiero wtedy, gdy ChatGPT jest świadomie wpięty w konkretne procesy (sprzedaż, HR, serwis), a nie wdrożony jedynie jako ciekawy gadżet technologiczny.
Najbardziej odczuwalny efekt to oszczędność czasu w powtarzalnych zadaniach: maile, podsumowania, drafty dokumentów, research, tłumaczenia – ten sam zespół jest w stanie obsłużyć więcej pracy bez zwiększania zatrudnienia.
„Moda na AI” bez jasnego celu biznesowego kończy się pokazówkami i wiecznymi pilotażami; punktem wyjścia muszą być konkretne procesy i mierniki typu: skrócenie czasu odpowiedzi, zmniejszenie liczby poprawek, poprawa jakości dokumentów.
ChatGPT powinien pełnić rolę asystenta (copilota), a nie samodzielnego decydenta – generuje propozycje i podsumowania, ale to człowiek weryfikuje treść i bierze odpowiedzialność za decyzje.
Różnica w myśleniu zarządów polega na zrozumieniu, że model językowy działa probabilistycznie, nie deterministycznie – nie ma „gwarantowanych” odpowiedzi, więc próby pełnej automatyzacji bez nadzoru są ryzykowne.
Szybkie sukcesy przychodzą w obszarach obsługi klienta, marketingu, IT i HR: np. software house, który użył ChatGPT do generowania szkiców dokumentacji z Jiry i kodu, skrócił czas tworzenia dokumentów i ujednolicił ich jakość.
