Kupić gotowe AI czy zbudować własne? Matryca decyzji dla średniej firmy (build vs buy)

Pytanie „kupić czy zbudować” sugeruje dwie skrajności: abonament na gotowe narzędzie albo zespół programistów, który wszystko pisze od zera. W praktyce między nimi jest kilka stopni pośrednich, a większość firm korzysta równocześnie z dwóch lub trzech.

Tabela poniżej porządkuje te możliwości od najprostszej do najbardziej wymagającej. Im niżej w tabeli, tym więcej kontroli, ale też więcej pracy, kosztów i odpowiedzialności po Twojej stronie.

Decyzję łatwiej podjąć, gdy zarząd odpowie na te same pytania dla każdego procesu osobno. Każde pytanie możesz ocenić w skali od 1 (wyraźnie za zakupem) do 5 (wyraźnie za budową) i zsumować wyniki. Suma nie jest wyrokiem, ale pokazuje, gdzie zdania w zarządzie się różnią.

Dwa pierwsze pytania zwykle przeważają nad pozostałymi. Jeśli proces nie wyróżnia firmy i przebiega tak jak u konkurencji, pozostałe odpowiedzi rzadko zmieniają wynik.

Gotowy asystent wygrywa tam, gdzie praca wygląda podobnie w każdej firmie. Pisanie maili, streszczenia spotkań, pierwsze wersje dokumentów i wyszukiwanie w plikach to zadania, którymi nikt nie wygrywa przetargów. Producenci takich narzędzi rozwijają je dla milionów użytkowników, więc własna wersja nie dogoni ich ani funkcjami, ani ceną.

Podobnie jest z AI wbudowanym w systemy, których już używasz. Jeśli Twój CRM oferuje podpowiedzi dla handlowców, zwykle taniej jest je włączyć i skonfigurować, niż budować osobne narzędzie, które trzeba z nim połączyć.

Zakup nie wystarczy w trzech sytuacjach. Pierwsza: proces jest źródłem Twojej przewagi i nie chcesz, by dostawca oferował to samo konkurencji. Druga: gotowe narzędzie nie ma dostępu do danych, od których wszystko zależy. Trzecia: rynek nie oferuje produktu, który robi to, czego potrzebujesz.

Budowa w średniej firmie prawie zawsze oznacza składanie rozwiązania z gotowych elementów. Bierzesz model AI od dużego dostawcy, łączysz go z danymi firmy i dodajesz własne reguły. Nie trenujesz własnego modelu – to domena firm, które wydają na to ogromne budżety.

Weźmy hipotetycznego producenta maszyn z kilkudziesięcioma tysiącami stron dokumentacji technicznej i historią zgłoszeń serwisowych. Handlowcy chcą szybko odpowiadać klientom, które części pasują do starszych modeli. Ogólny asystent nie zna tych danych, a gotowego produktu dla tej branży brak.

W takim przypadku sensowne jest rozwiązanie oparte na wyszukiwaniu w dokumentach firmy (RAG, czyli technika, w której AI przed odpowiedzią sama wyszukuje właściwe fragmenty firmowych dokumentów). Często da się je zbudować w Copilot Studio na danych w SharePoint, zanim sięgniesz po w pełni własną aplikację.

Budowa ma sens dopiero wtedy, gdy ktoś będzie ją utrzymywał. Modele się zmieniają, a dostawcy regularnie wycofują starsze wersje – Anthropic zapowiada takie wycofanie z co najmniej 60-dniowym wyprzedzeniem. Ktoś musi wtedy sprawdzić, czy rozwiązanie nadal odpowiada poprawnie.

Najczęstszy błąd to porównanie kosztów tylko w pierwszym roku. Abonament wygrywa wtedy niemal zawsze, bo nie wymaga inwestycji na starcie. Rozwiązanie AI działa jednak w firmie kilka lat, więc liczyć trzeba cały ten okres.

Prosty wzór dla zakupu: liczba użytkowników × cena miesięczna × 12 × 5 lat. Dla budowy: koszt budowy + roczne utrzymanie × 5 + koszt korzystania z modelu + jedna większa przebudowa w trakcie. Dolicz w obu wariantach czas ludzi na wdrożenie i szkolenia.

Przykład pokazuje, gdzie leży poprzeczka. Firma kupuje Microsoft 365 Copilot Business dla 100 osób za 21 USD miesięcznie. Rocznie to 25 200 USD, czyli około 93 000 zł przy założonym kursie 3,70 zł, a w pięć lat około 466 000 zł.

Własny asystent ogólnego przeznaczenia musiałby więc w budowie i pięcioletnim utrzymaniu kosztować mniej niż ta kwota. Do tego musiałby dorównać produktowi, który Microsoft rozwija co miesiąc. W praktyce to się nie udaje, dlatego przy zadaniach ogólnych zakup jest bezpieczniejszy.

Inaczej jest przy procesie, którego żaden produkt nie obsługuje. Tam porównujesz koszt budowy nie z abonamentem, tylko z kosztem obecnej pracy ręcznej i błędów. Listę elementów, które warto doliczyć, znajdziesz poniżej.

Często słychać, że przepisy wymuszają własne serwery. To nieprawda. NIS2, w Polsce wdrożona nowelizacją ustawy o krajowym systemie cyberbezpieczeństwa obowiązującą od 3 kwietnia 2026 r., wymaga zarządzania ryzykiem, w tym ryzykiem dostawców. DORA, czyli unijne rozporządzenie o odporności cyfrowej sektora finansowego, wymaga szczegółowych umów i nadzoru nad dostawcami usług informatycznych – ale chmury nie zakazuje.

RODO wymaga umowy powierzenia danych i wiedzy, gdzie dane są przetwarzane. Duzi dostawcy chmury oferują przetwarzanie w Unii Europejskiej, co w większości firm rozwiązuje ten problem bez budowy własnej infrastruktury.

AI Act działa w obie strony. Obowiązek informowania, że rozmawia się z AI, obowiązuje od 2 sierpnia 2026 r. niezależnie od tego, czy system kupiono, czy zbudowano. Gdy jednak firma sama zbuduje system wysokiego ryzyka, na przykład do selekcji kandydatów do pracy, staje się jego dostawcą. Od 2 grudnia 2027 r. odpowiada wtedy za dokumentację, rejestrowanie zdarzeń i nadzór człowieka. Kupując gotowy system, część tych obowiązków przenosisz na producenta.

Uzależnienie od dostawcy jest realne przy każdym wyborze, ale wygląda różnie. Przy abonamencie dostawca może podnieść cenę albo zmienić produkt. Przy własnym rozwiązaniu jesteś zależny od firmy, która je zbudowała, i od ludzi, którzy je rozumieją.

Pomagają dwa proste testy. Pierwszy: czy zarząd zaakceptuje, że dane i sposób pracy procesu zostaną u tego dostawcy przez pięć lat. Drugi: ile czasu i pieniędzy kosztowałoby przejście do innego rozwiązania – jeśli odpowiedź brzmi „pół roku pracy”, uzależnienie jest duże.

Ryzyko zmniejszysz zapisami w umowie i dobrą praktyką. Poniżej lista rzeczy, które warto zapewnić niezależnie od wybranej drogi.

Większość średnich firm kończy z kilkoma warstwami naraz. Typowy zestaw to gotowy asystent dla wszystkich, funkcje AI w CRM dla sprzedaży, automatyzacje w Power Automate i jedno własne rozwiązanie tam, gdzie firma ma unikalne dane. To nie kompromis, tylko efekt zadania tych samych pytań osobno dla każdego obszaru.

Taki zestaw potrzebuje jednej osoby, która pilnuje całości: wie, jakie narzędzia działają, kto za nie odpowiada i jakie dane do nich trafiają. Bez niej po dwóch latach firma płaci za narzędzia, które się dublują.

Rozsądna kolejność wygląda zwykle tak: najpierw gotowe narzędzia, żeby ludzie nauczyli się pracy z AI i pokazali, gdzie tracą najwięcej czasu. Potem budowa w jednym lub dwóch miejscach, gdzie gotowe narzędzia wyraźnie nie wystarczyły. Takie podejście ogranicza ryzyko dużej inwestycji na starcie.