Rozwój sztucznej inteligencji w organizacjach i szkolnictwie wyższym rodzi pytanie nie tylko o możliwości modeli językowych, lecz także o kontrolę nad infrastrukturą, kosztami, bezpieczeństwem danych i zasadami korzystania z AI. Piotr Senkus i Damian Ciachorowski, naukowcy związani z GAIA Institute, wspólnie z zespołem badawczym przeanalizowali, czy otwarte modele AI uruchamiane na krajowej infrastrukturze obliczeniowej mogą stanowić praktyczną alternatywę dla komercyjnych usług sztucznej inteligencji.
Wyniki badań przedstawiono w publikacji naukowej Deployment-Sovereign AI Infrastructure for BPM Education: An Open-Source Stack from Document Analysis to Process Execution, został zaprezentowany 1 października 2026 r. podczas BPM 2026 w Toronto, w ramach Educators Forum poświęconego przyszłości edukacji w zakresie zarządzania procesami biznesowymi. Wydarzenie obejmowało m.in. zastosowania sztucznej inteligencji w nauczaniu, modelowanie procesów oraz rozwój kompetencji potrzebnych w praktyce biznesowej.
Suwerenna sztuczna inteligencja – większa kontrola nad technologią
Wiele organizacji korzystających z generatywnej sztucznej inteligencji opiera swoje rozwiązania na komercyjnych interfejsach API. Taki model ułatwia wdrożenie, ale oznacza również zależność od zewnętrznego dostawcy. Może on wpływać na koszty użytkowania, limity dostępności, aktualizacje modeli, zasady filtrowania treści oraz sposób przetwarzania danych. W środowisku akademickim i biznesowym zależności te mają bezpośrednie znaczenie operacyjne. Niedostępność usługi lub przekroczenie limitu zapytań może przerwać zajęcia, zakłócić realizację projektu albo ograniczyć możliwość prowadzenia analiz. Suwerenna infrastruktura AI oznacza możliwość kontrolowania miejsca uruchamiania modeli, przepływu danych oraz zasad korzystania z technologii. Nie wymaga przy tym, aby każdy model został opracowany w kraju użytkownika. Istotne jest również to, gdzie model działa, kto zarządza infrastrukturą i kto odpowiada za reguły jego wykorzystania.
Co wykazało badanie?
Zespół badawczy przygotował otwartą architekturę łączącą modele językowe, wyszukiwanie informacji w bazie wiedzy, automatyzację przepływów pracy oraz wykonywanie modeli procesów biznesowych. Wykorzystano między innymi infrastrukturę Poznańskiego Centrum Superkomputerowo-Sieciowego (PCSS), narzędzia Flowise, Qdrant i n8n oraz silnik procesowy CIB Seven. Badanie objęło 13 modeli AI, 68 zadań związanych z dokumentowaniem procesów biznesowych oraz łącznie 2248 wywołań modeli. Rozwiązanie przetestowano także w środowisku dydaktycznym, w którym uczestniczyło około 110 osób z czterech grup edukacyjnych.
Najważniejsze wyniki obejmują trzy obszary:
· Niezawodność infrastruktury. Pięć modeli uruchomionych w infrastrukturze PCSS wykonało 720 prób dotyczących standardowych zadań BPM bez błędów API i odmów odpowiedzi. W badanym zbiorze zadań o podwyższonej wrażliwości wykonano dodatkowo 200 prób bez takich problemów.
· Ograniczenia usług komercyjnych. W części testowanych komercyjnych punktów dostępowych odnotowano błędy dostępności, a w przypadku jednego z modeli również odmowy odpowiedzi na niektóre pytania o uzasadnionym zastosowaniu zawodowym. Skala problemów zależała od dostawcy i rodzaju zadania.
· Użyteczność wyników. Wstępna ocena ekspercka nie wykazała oczywistych różnic jakościowych w typowych zadaniach dokumentowania procesów. Ocena miała jednak charakter eksploracyjny i nie dowodzi statystycznej równoważności modeli otwartych i komercyjnych.
Wyniki wskazują, że otwarta infrastruktura może wspierać realizację zadań związanych z analizą dokumentów, modelowaniem procesów i przygotowywaniem propozycji usprawnień. Nie oznacza to jednak, że każde rozwiązanie oparte na otwartych modelach będzie równie skuteczne w każdym zastosowaniu.
Suwerenność infrastruktury jako element strategii organizacji
Jednym z głównych wkładów badania jest rozwinięcie koncepcji suwerenności pedagogicznej (pedagogical sovereignty), rozumianej jako zdolność instytucji edukacyjnej do samodzielnego kontrolowania warunków wykorzystania AI.
Autorzy wyróżniają cztery wymiary tej kontroli:
1. Autonomia kosztowa – ograniczenie zależności od opłat naliczanych za każde zapytanie i wykorzystane zasoby.
2. Kontrola dostępności – większa możliwość zarządzania limitami, wydajnością i ciągłością działania.
3. Kontrola polityki wykorzystania AI – możliwość definiowania i audytowania zasad przetwarzania określonych rodzajów zapytań.
4. Jurysdykcja nad danymi – kontrola nad miejscem przetwarzania danych i przechowywania logów.
Choć koncepcja została opracowana w kontekście edukacji, jej zastosowanie może wykraczać poza uczelnie. Podobne kryteria mogą wspierać ocenę infrastruktury AI w przedsiębiorstwach, administracji publicznej oraz organizacjach prowadzących projekty badawczo-rozwojowe. Z perspektywy zarządzania technologia nie powinna być oceniana wyłącznie na podstawie jakości generowanych odpowiedzi. Równie istotne są całkowity koszt użytkowania, przewidywalność działania, kontrola nad danymi i możliwość dostosowania rozwiązania do potrzeb organizacji.
Czy otwarta AI oznacza brak kosztów i ryzyka?
Nie. Autorzy wyraźnie rozróżniają zerowy krańcowy koszt licencji w badanym rozwiązaniu od całkowitego kosztu wdrożenia. Korzystanie z publicznej infrastruktury obliczeniowej może ograniczać opłaty za licencje i zapytania, ale nadal wymaga pracy specjalistów, integracji narzędzi, utrzymania systemów oraz odpowiedniego zarządzania. Otwarta infrastruktura nie eliminuje również ryzyka błędów modeli, stronniczości ani problemów z bezpieczeństwem. Wygenerowane modele procesów powinny być weryfikowane przez człowieka przed wykorzystaniem operacyjnym.
Badanie ma ponadto ograniczenia: nie przeprowadzono formalnego pomiaru przyrostu efektów uczenia się, a wstępna ocena jakości odpowiedzi nie była zaślepionym benchmarkiem. Wnioski należy zatem interpretować jako potwierdzenie wykonalności rozwiązania w określonych warunkach, a nie dowód przewagi otwartej AI nad wszystkimi usługami komercyjnymi.
Co wyniki oznaczają dla rozwoju AI w Polsce i Europie?
Rozwój suwerennej sztucznej inteligencji wymaga połączenia otwartych modeli, infrastruktury obliczeniowej, kompetencji wdrożeniowych i odpowiedzialnego zarządzania. Polska oraz europejskie ośrodki obliczeniowe dysponują zasobami, które mogą wspierać takie podejście, także w projektach edukacyjnych i badawczych. Dla przedsiębiorstw oznacza to możliwość rozważenia alternatywnych architektur AI, szczególnie tam, gdzie istotne są poufność danych, przewidywalność kosztów i niezależność od pojedynczego dostawcy. Dla uczelni jest to szansa na projektowanie zajęć, w których studenci poznają nie tylko zastosowania modeli językowych, lecz także techniczne i organizacyjne warunki ich działania.
Wnioski z badania nie sprowadzają się do wyboru między modelami otwartymi a komercyjnymi. Kluczowe jest świadome zarządzanie zależnościami technologicznymi oraz dopasowanie infrastruktury do konkretnych potrzeb i poziomu ryzyka. Suwerenność AI nie jest wyłącznie kwestią wyboru modelu. To decyzja dotycząca tego, kto kontroluje koszty, dane, dostępność i zasady działania technologii, na której opiera się organizacja.
O publikacji
Senkus, P., Szelągowski, M., Ciachorowski, D., Ludwicki, T., & Szymański, G. (2026). Deployment-Sovereign AI Infrastructure for BPM Education: An Open-Source Stack from Document Analysis to Process Execution. International Conference in Business Process Management, Toronto, Kanada. https://doi.org/10.1007/978-3-032-36710-5_26.
Przekazując nam 1,5% swojego podatku wspierasz rozwój badań, edukacji i innowacji na rzecz lepszej przyszłości Polski. KRS: 0000883665. Fundacja GAIA