Często zadawane pytania.

AI consulting to doradztwo w obszarze sztucznej inteligencji obejmujące strategię, architekturę i wdrożenie konkretnych systemów AI. fewtokensai (Michał Czyżewski) działa jako jednoosobowa praktyka senior — pracujesz bezpośrednio z osobą, która wcześniej dowiozła te systemy w produkcji (inFakt, IG Group, IBM), a nie z account managerem prowadzącym juniorskie zespoły. Nie sprzedaję 18-miesięcznych transformacji za miliony — większość organizacji potrzebuje 3–6 miesięcy skupienia i dwóch dobrych ludzi.

Model Context Protocol to otwarty standard Anthropic z 2024 roku, definiujący sposób komunikacji LLM-ów z systemami zewnętrznymi (bazy, API, narzędzia biznesowe). Pozwala podłączyć asystenta AI (Claude, ChatGPT, własną aplikację) do realnych danych Twojej firmy w bezpieczny, audytowalny sposób — zamiast budować chatbota od zera. Aktualnie wdrażam serwer MCP w inFakt, połączony z autoksięgowaniem przetwarzającym ponad 300 tys. faktur miesięcznie.

Najczęściej tak — pytanie brzmi: na jaki rodzaj AI. Jeśli masz uporządkowane dane (CRM, hurtownia) i 1–2 zespoły inżynieryjne, jesteś gotowy na pierwsze wdrożenie LLM/RAG. Jeśli w danych masz chaos, zacznij od architektury danych — bez tego LLM-y będą halucynować. W 30-minutowej rozmowie potrafię uczciwie powiedzieć, czy AI to dla Twojej firmy teraz dobry kierunek, czy lepiej najpierw uporządkować fundamenty.

Zależy od zakresu i czasu trwania. Typowe zaangażowania w fewtokensai trwają 4–12 tygodni i kończą się działającym systemem (nie samym slide deckiem). Audyt RAG: 1–2 tygodnie. Wdrożenie serwera MCP: 4–8 tygodni. Strategia i roadmapa AI: 4–8 tygodni. Fractional AI Engineering Manager: retainer od pół do dwóch dni w tygodniu. Konkretne stawki ustalamy po pierwszej rozmowie wstępnej (30 minut, bez zobowiązań).

Audyt: 1–3 tygodnie. PoC z jasnym ROI: 4–8 tygodni. Wdrożenie produkcyjne pierwszego systemu LLM/RAG: 8–16 tygodni. Pełna transformacja AI organizacji (strategia + zespół + 2–3 wdrożenia): 6–12 miesięcy. Każdy etap jest mierzalny i ma jasne kryteria sukcesu — rozliczamy się z dowiezionych systemów i metryk biznesowych, a nie ze slajdów.

Każdy projekt zaczynam od ustalenia 2–3 metryk biznesowych ex ante: oszczędność czasu (godziny/miesiąc), redukcja kosztów (PLN/miesiąc), wzrost konwersji lub przychodu, accuracy automatyzacji, time-to-resolution. Przykładowe rezultaty z moich wdrożeń: ponad 100 tys. USD rocznych oszczędności z adopcji GenAI (IG Group), 250 tys. USD oszczędności ze scoringu klientów (IG Group), -40% kosztów przetwarzania danych (inFakt), -35% czasu KYC (IG Group). ROI mierzymy systematycznie i raportujemy do biznesu.

Tak, ale z zastrzeżeniem dopasowania. Małe firmy zwykle nie potrzebują pełnej strategii AI ani fractional AI Engineering Managera — potrzebują konkretnego wdrożenia (np. RAG nad dokumentacją, automatyzacji 1–2 procesów). To często idealne 4–8 tygodni współpracy. Najlepiej dopasowuję się do scale-upów 50–500 osób w fintechu, SaaS i ochronie zdrowia, gdzie AI realnie wpływa na P&L.

Jeśli przetwarza dane osobowe — tak, bezdyskusyjnie. Zgodność z RODO dla LLM wymaga: DPA z dostawcą (OpenAI/Anthropic/Google), wypisania się z trenowania modeli, data residency w UE (Azure OpenAI EU, Vertex AI europe-west1, self-hosted Mistral), audit loggingu na poziomie zapytań, DPIA, strategii prawa do bycia zapomnianym. Dodatkowo EU AI Act wprowadza osobne wymogi (kategoryzacja systemów, dokumentacja techniczna, post-market monitoring). Audyty zgodności robię w 1–3 tygodnie.