AI Ops · własny stack · stan: wrzesień 2026
Zanim wdrożę AI u Ciebie, pokażę Ci system, w którym sam pracuję.
To nie demo ani koncept - tak wygląda moje codzienne środowisko pracy. Firmowa pamięć, która sama się uzupełnia, modele AI liczące na moim sprzęcie i procesy, które chodzą w nocy. Niżej rozbieram jedną taką automatyzację na części: co robi, krok po kroku, i co z niej realnie wychodzi.
fragmentów wiedzy w lokalnej bazie RAG - maile, dokumenty, notatki ze spotkań, kod
lokalne modele językowe w codziennym użyciu - 0 zł za token, dane zostają na moim sprzęcie
serwerów MCP, w tym pisane przeze mnie - kalendarz, projekty, transkrypcje, badania
automatyzacje w tle: ingest wiedzy, health-checki, cotygodniowa samo-optymalizacja systemu
z czego to się składa
Cztery warstwy, które robią różnicę
Pamięć: lokalny RAG
Wszystko, co przepływa przez moją pracę - maile, transkrypcje rozmów, dokumenty, ustalenia - trafia automatycznie do przeszukiwalnej semantycznie bazy. Pytam po polsku, dostaję odpowiedź ze źródłem. Z gwardią prywatności: dane wrażliwe są filtrowane zanim cokolwiek zostanie zapisane.
Modele lokalne przed chmurą
Klasyfikacja, tłumaczenia, streszczenia i osadzenia robią modele na moim Macu. Chmurowe AI dostaje tylko zadania, które naprawdę wymagają czołowego modelu. Efekt: koszt zapytania w masowych zadaniach to 0 zł, a poufne treści nie opuszczają maszyny.
Agenci i MCP
Moje narzędzia rozmawiają z AI przez Model Context Protocol: zarządzanie projektami, kalendarz, poczta, transkrypcje spotkań, publikacje. Część serwerów napisałem od zera - w tym silnik badań syntetycznych, który testuje koncepty biznesowe na kohortach do 2000 person, zanim wydam złotówkę na produkcję.
Automatyzacje, które się pilnują
Procesy w tle łapią nową wiedzę co kilkanaście minut, robią kopie, sprzątają i raz w tygodniu same proponują usprawnienia własnej konfiguracji. Do tego workflowy n8n w pracy agencyjnej: od obsługi zgłoszeń po raportowanie. System, który nie wymaga pamiętania o nim.
jedna automatyzacja od środka
Notatki ze spotkań, których nikt nie pisze
Najprostszy przykład, bo problem ma każdy: po rozmowie zostaje nagranie, a ustalenia zostają w głowie. Tydzień później nikt nie pamięta, co obiecaliśmy i na kiedy.
Proces, który po każdym spotkaniu sam bierze transkrypcję, wyciąga z niej ustalenia i zadania, i odkłada je do przeszukiwalnego archiwum firmy. Nikt go nie uruchamia ręcznie.
- 1. Pobiera transkrypcję zaraz po spotkaniu.
- 2. Wycina dane wrażliwe - numery kont, PESEL, wynagrodzenia nie idą dalej.
- 3. Wyciąga ustalenia, zadania i terminy.
- 4. Zapisuje notatkę i wpina ją do bazy wiedzy.
Pytasz zwykłym zdaniem: „co ustaliliśmy z klientem w sprawie terminu?”- i dostajesz odpowiedź z datą i cytatem ze źródła. Zamiast przekopywać kalendarz, maile i czyjeś notatki.
Ręcznej pracy po spotkaniu: zero minut. Wiedza nie wyparowuje razem z osobą, która była na calla.
Ten sam szkielet - wyzwalacz, filtr prywatności, model, zapis - obsługuje u mnie także zgłoszenia, raporty i przepływ danych między narzędziami. Zmienia się źródło i to, co ma powstać na końcu.
zasady wdrożeń
To samo dostaje klient
Prywatność jako warunek brzegowy
Dane klientów i firmy nie wychodzą do zewnętrznych modeli bez decyzji człowieka. Filtry działają u źródła, nie po fakcie.
Mierzalność zamiast obietnic
Każda automatyzacja ma health-check i log. Jak coś padnie - wiem z powiadomienia, nie od klienta.
Najpierw pętla zwrotna, potem AI
Wdrożenie zaczynam od tego, jak będziemy wiedzieć, że działa. Dopiero potem wybieram modele i narzędzia.
Szczegóły techniczne konkretnych wdrożeń zostają u klientów - dlatego ta strona opisuje mój własny system. Wzorzec tej architektury w wersji dla firmy serwisowej: koncept Nordvik.