Od pomysłu do MVP produktu B2B z modelem językowym
5 marca 2026 · 3 min czytania
Pierwsza wersja produktu B2B z modelem językowym wymaga decyzji o danych, ocenie jakości i kontroli kosztów. Artykuł układa te decyzje w kolejności etapów od pomysłu do MVP i podaje terminy aktu w sprawie sztucznej inteligencji po zmianach z lipca 2026 r.

Model językowy w produkcie B2B najczęściej porządkuje dokumenty, przygotowuje szkice odpowiedzi albo klasyfikuje zgłoszenia. Wartość takiej funkcji zależy od danych klienta, od możliwości sprawdzenia wyniku i od tego, kto zatwierdza decyzję podjętą na jego podstawie.
Artykuł opisuje etapy od pomysłu do MVP w kolejności, w której zapadają decyzje (opracowanie autora), oraz terminy rozporządzenia (UE) 2024/1689, czyli aktu w sprawie sztucznej inteligencji (AI Act), w brzmieniu po zmianach wprowadzonych rozporządzeniem (UE) 2026/1744.
W artykule
Problem i miara sukcesu
Pierwszym krokiem jest opis jednego zadania, które model ma wykonać, oraz sposobu, w jaki to zadanie wykonuje się dziś. Bez tego punktu odniesienia nie da się ocenić, czy MVP coś poprawia. Miara sukcesu powinna dać się policzyć na danych z pilota: czas obsługi sprawy, odsetek szkiców przyjętych bez zmian albo liczba zgłoszeń przypisanych do właściwej kolejki (opracowanie autora).
Dane i miejsce przetwarzania
Drugi etap rozstrzyga, jakie dane trafiają do modelu i gdzie są przetwarzane. Dokumenty klienta, dane osobowe i tajemnica przedsiębiorstwa mają różne wymagania, dlatego dane warto podzielić na klasy przed wyborem modelu. Klasa danych przesądza, czy wystarczy model lokalny, czy dopuszczalny jest dostawca chmurowy i na jakich warunkach umownych (opracowanie autora).
Ocena jakości i ryzyka
Przed udostępnieniem MVP klientom potrzebny jest zestaw przypadków testowych z oczekiwanym wynikiem oraz przegląd wyników przez osobę znającą proces. Lista OWASP Top 10 for LLM Applications 2025 wskazuje ryzyka, które warto sprawdzić już w MVP: LLM01 Prompt Injection, LLM05 Improper Output Handling, LLM06 Excessive Agency, LLM09 Misinformation i LLM10 Unbounded Consumption.
Z ostatniej pozycji wynika wymóg limitów: liczby zapytań na użytkownika i kosztu na okres rozliczeniowy, z rejestrem wywołań modelu (opracowanie autora).
Terminy AI Act po zmianach z 2026 r.
Rozporządzenie (UE) 2024/1689 z 13 czerwca 2024 r. stosuje się etapami (art. 113). Rozdziały I i II, czyli przepisy ogólne i zakazane praktyki, stosuje się od 2 lutego 2025 r. Rozporządzenie (UE) 2026/1744 z 8 lipca 2026 r. przesunęło terminy dla systemów wysokiego ryzyka. Przepisy rozdziału III sekcje 1–3 stosuje się od 2 grudnia 2027 r. do systemów sklasyfikowanych jako systemy wysokiego ryzyka na podstawie art. 6 ust. 2 i załącznika III oraz od 2 sierpnia 2028 r. do systemów na podstawie art. 6 ust. 1. Systemy generujące treści syntetyczne wprowadzone do obrotu przed 2 sierpnia 2026 r. dostosowuje się do art. 50 ust. 2 do 2 grudnia 2026 r.
Klasyfikacja produktu według AI Act jest decyzją, którą warto zapisać już na etapie MVP, razem z uzasadnieniem (opracowanie autora).
Źródła
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z dnia 13 czerwca 2024 r. w sprawie ustanowienia zharmonizowanych przepisów dotyczących sztucznej inteligencji (akt w sprawie sztucznej inteligencji), art. 113 – eur-lex.europa.eu/eli/reg/2024/1689/oj
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2026/1744 z dnia 8 lipca 2026 r. w sprawie zmiany rozporządzeń (UE) 2024/1689, (UE) 2018/1139 i (UE) 2023/1230 (akt zbiorczy prawa cyfrowego dotyczący AI) – eur-lex.europa.eu (CELEX 32026R1744)
- OWASP, Top 10 for LLM Applications 2025 – genai.owasp.org/llm-top-10/
Najważniejsze wnioski
- MVP z modelem językowym wymaga punktu odniesienia i miary sukcesu policzalnej na danych z pilota.
- Klasa danych przesądza o wyborze między modelem lokalnym a dostawcą chmurowym.
- Limity kosztów i rejestr wywołań modelu ograniczają ryzyko LLM10 Unbounded Consumption z listy OWASP.
- Po zmianach z 2026 r. obowiązki dla systemów wysokiego ryzyka z załącznika III AI Act stosuje się od 2 grudnia 2027 r.
Kolejne kroki
- Opis jednego zadania dla modelu i pomiar, jak to zadanie wykonuje się dziś.
- Podział danych na klasy i decyzja o miejscu przetwarzania dla każdej z nich.
- Przygotowanie zestawu przypadków testowych i przegląd wyników przez osobę znającą proces.
- Zapisanie klasyfikacji produktu według AI Act wraz z uzasadnieniem.