Sztuczna inteligencja w biznesie – Książka

Sztuczna inteligencja w biznesie

Książka „Sztuczna inteligencja w biznesie. Praktyczny przewodnik po narzędziach AI” to publikacja, która powstała z potrzeby uporządkowania wiedzy o technologii, która w niezwykle krótkim czasie stała się jednym z najważniejszych zjawisk współczesnej gospodarki cyfrowej. Sztuczna inteligencja stała się narzędziem codziennej pracy, elementem infrastruktury przedsiębiorstw oraz siłą, która wpływa na sposób tworzenia treści, przetwarzania informacji, podejmowania decyzji, projektowania produktów i organizowania procesów biznesowych.

O sztucznej inteligencji mówi się dziś bardzo dużo. Jest ona obecna w mediach, debatach publicznych, strategiach przedsiębiorstw, programach edukacyjnych i codziennych rozmowach. Popularność tego tematu nie wynika jednak wyłącznie z chwilowej mody. Za zainteresowaniem AI stoją realne zmiany technologiczne i gospodarcze. Systemy oparte na dużych modelach językowych potrafią przetwarzać tekst, obrazy, dźwięk i wideo, analizować dokumenty, tworzyć oprogramowanie, prowadzić badania, komunikować się z innymi systemami oraz wykonywać coraz bardziej złożone zadania. W wielu organizacjach sztuczna inteligencja staje się nową warstwą dostępu do wiedzy, danych, narzędzi i procesów.

Umiejętność świadomego korzystania z AI staje się zatem jedną z kluczowych kompetencji współczesnego człowieka. Dotyczy to szczególnie młodych ludzi, którzy dopiero przygotowują się do wejścia na rynek pracy, ale również menedżerów, przedsiębiorców, analityków, specjalistów, nauczycieli, badaczy i wszystkich osób uczestniczących w gospodarce cyfrowej. Znaczenie tej kompetencji obejmuje rozumienie mechanizmów działania modeli, umiejętność formułowania instrukcji, ocenę jakości rezultatów, dobór właściwych narzędzi, ochronę danych, identyfikowanie ryzyka oraz odpowiedzialne włączanie AI do procesów organizacyjnych.

Celem tej książki jest przedstawienie sztucznej inteligencji w sposób możliwie całościowy, a jednocześnie zrozumiały i praktyczny. Książka łączy podstawy technologiczne z praktyką biznesową, pokazując zarówno mechanizmy działania współczesnych systemów AI, jak i sposoby ich zastosowania w organizacji. Czytelnik poznaje nie tylko możliwości narzędzi, lecz także ich ograniczenia, koszty, ryzyka, wymagania infrastrukturalne oraz konsekwencje organizacyjne i regulacyjne. Publikacja została podzielona na jedenaście rozdziałów, które tworzą uporządkowaną drogę od podstaw sztucznej inteligencji do jej strategicznego znaczenia dla przedsiębiorstw i gospodarki.

Treść książki

Pierwszy rozdział wprowadza czytelnika w świat sztucznej inteligencji. Przedstawia genezę tej dziedziny, najważniejsze etapy jej rozwoju oraz przełomowe wydarzenia, które doprowadziły do powstania współczesnych modeli. Wyjaśnia relacje pomiędzy sztuczną inteligencją, uczeniem maszynowym, uczeniem głębokim i dużymi modelami językowymi. Omawia również sposób działania modeli, znaczenie tokenów, kontekstu, parametrów, temperatury, architektury transformerów i mechanizmu retrieval-augmented generation. Rozdział uwzględnia także proces trenowania modeli, jego koszty ekonomiczne i środowiskowe, strukturę globalnego rynku oraz podział na AI predykcyjną, generatywną, agentową i ucieleśnioną.

Drugi rozdział został poświęcony inżynierii promptów, czyli sztuce i metodologii komunikowania się z modelami. Czytelnik poznaje podstawowe techniki promptowania, takie jak zero-shot, one-shot i few-shot, a następnie bardziej zaawansowane podejścia wspierające rozumowanie i wykonywanie złożonych zadań. Przedstawione zostały także strukturalne frameworki tworzenia promptów, zasady projektowania instrukcji, narzędzia automatyzujące ten proces oraz zagrożenia związane z bezpieczeństwem, stronniczością i nieprzewidywalnością wyników. Rozdział pokazuje, że skuteczna współpraca z AI wymaga nie tylko odpowiedniego sformułowania pytania, lecz także rozumienia celu, kontekstu, ograniczeń i oczekiwanego formatu odpowiedzi.

Kolejne cztery rozdziały dotyczą generatywnego przetwarzania tekstu, obrazu, wideo oraz dźwięku i mowy. Część poświęcona tekstowi omawia modele chmurowe i lokalne, kwantyzację, środowiska testowe, embeddingi, systemy RAG, edytory wspierane przez AI oraz narzędzia do przetwarzania dokumentów i zarządzania wiedzą. Rozdział dotyczący obrazu przedstawia podstawy modeli dyfuzyjnych, zasady graficznej inżynierii promptów, porównanie narzędzi chmurowych i lokalnych oraz zastosowania w marketingu, e-commerce, komunikacji i budowaniu spójności wizualnej marki. Rozdział poświęcony wideo pokazuje, w jaki sposób modele generatywne radzą sobie z czasem, ruchem, ciągłością scen i kompozycją. Omawia język filmowy jako narzędzie sterowania generacją, porównuje najważniejsze klasy systemów oraz przedstawia zastosowania w reklamie, prezentacji produktów, szkoleniach i lokalizacji treści. Z kolei rozdział dotyczący audio i syntezy mowy obejmuje generowanie muzyki, efektów dźwiękowych, głosu i wypowiedzi. Czytelnik poznaje zasady projektowania promptów audio, możliwości syntezy i transformacji mowy, zastosowania w reklamie, obsłudze klienta, edukacji i dubbingu, a także problemy związane z deepfake’ami głosowymi, tożsamością i prawem do głosu.

Siódmy rozdział prowadzi od prostych asystentów do systemów zdolnych do samodzielnego prowadzenia badań i wykonywania działań. Omawia konfigurowalne asystenty, systemy deep research, architekturę agentów, poziomy ich autonomii, pamięć, planowanie, korzystanie z narzędzi i realizację wieloetapowych zadań. Przedstawia także Model Context Protocol jako standard komunikacji modeli z zewnętrznymi zasobami oraz systemy wieloagentowe, w których wiele wyspecjalizowanych agentów współpracuje przy realizacji wspólnego celu. Rozdział pozwala zrozumieć przejście od AI odpowiadającej na pytania do AI zdolnej do podejmowania działań.

Ósmy rozdział został poświęcony platformom low-code, no-code oraz zjawisku vibe coding. Pokazuje, w jaki sposób sztuczna inteligencja obniża barierę wejścia do tworzenia aplikacji i automatyzowania procesów. Porównuje różne podejścia do budowania rozwiązań cyfrowych, omawia ich korzyści, ograniczenia, ryzyka oraz konsekwencje dla zarządzania technologią w organizacji. Szczególna uwaga została zwrócona na różnicę pomiędzy szybkim stworzeniem prototypu a utrzymaniem bezpiecznego i skalowalnego rozwiązania produkcyjnego.

Rozdział dziewiąty rozwija ten temat poprzez analizę kreatorów AI, czyli platform umożliwiających tworzenie stron internetowych, interfejsów, aplikacji i kompletnych produktów cyfrowych za pomocą języka naturalnego. Poszczególne narzędzia zostały podzielone według ich przeznaczenia i możliwości, a następnie porównane pod względem funkcjonalności, zastosowanych modeli, integracji, własności kodu, skalowalności, kosztów i przydatności dla przedsiębiorstw. Rozdział pokazuje, że granica między użytkownikiem a twórcą oprogramowania staje się coraz mniej wyraźna.

Dziesiąty rozdział dotyczy benchmarków, rankingów i metod oceny systemów sztucznej inteligencji. Jest to szczególnie ważny obszar z punktu widzenia przedsiębiorstw, które muszą wybierać modele i narzędzia na podstawie bardziej wiarygodnych kryteriów niż popularność czy deklaracje producentów. W rozdziale przedstawiono benchmarki dotyczące programowania, agentów, wiedzy, wykonywania instrukcji, długiego kontekstu, rozumowania, matematyki, wielojęzyczności i przetwarzania multimodalnego. Omówiono także zjawiska inflacji wyników, zanieczyszczenia danych, selektywnego raportowania i strategicznego manipulowania oceną modeli. Celem tej części jest rozwinięcie umiejętności krytycznego odczytywania rankingów i samodzielnego oceniania przydatności AI.

Ostatni rozdział przedstawia sztuczną inteligencję jako siłę strategiczną organizacji. Analizuje tempo adopcji, gospodarcze znaczenie AI, strukturę globalnego zainteresowania AI, koncentrację rynku, rolę wielkich firm technologicznych oraz problem suwerenności technologicznej. Omawia regulacje, w tym logikę unijnego AI Act, obowiązki organizacji oraz znaczenie piaskownic regulacyjnych. Wiele miejsca poświęcono kompetencjom, zmianom na rynku pracy, przygotowaniu organizacji do wdrażania AI oraz różnicy między samym dostępem do technologii a jej rzeczywistym wykorzystaniem. Rozdział kończy się refleksją nad kolejną falą rozwoju, obejmującą agentów, fizyczną AI oraz systemy charakteryzujące się coraz większą autonomią.

Choć poszczególne rozdziały dotyczą różnych technologii i obszarów zastosowań, tworzą one wspólną całość. Książka prowadzi od zrozumienia podstaw, poprzez nabywanie praktycznych umiejętności, aż do krytycznej oceny narzędzi i refleksji nad ich znaczeniem dla organizacji. Można ją czytać kolejno, traktując jako systematyczny podręcznik, ale poszczególne rozdziały mogą również służyć jako samodzielne przewodniki po konkretnych obszarach sztucznej inteligencji.

Kup książkę
Zobacz fragment

Dane o książce:

Autor: Artur Strzelecki
Tytuł: Sztuczna inteligencja w biznesie. Praktyczny przewodnik po narzędziach AI
Rok wydania: 2026
Liczba stron: 376
Oprawa miękka, papier czarno-biały, ebook kolorowy
Format: 164 x 239 mm
11 rozdziałów, wstęp, 172 tabele, bibliografia (249 pozycji)
Wydawnictwo Naukowe Helion
ISBN: 978-83-289-3986-8

Spis treści

Rozwiń cały spis

Wstęp

Rozdział 1. Wprowadzenie do AI

  • 1.1. Dlaczego sztuczna inteligencja zmienia biznes?
    • 1.1.1. AI jako infrastruktura XXI wieku
    • 1.1.2. Nowa energia dla biznesu
    • 1.1.3. Przewaga konkurencyjna
    • 1.1.4. Automatyzacja i produktywność
  • 1.2. Czym jest sztuczna inteligencja?
    • 1.2.1. Geneza terminu Artificial Intelligence
    • 1.2.2. Definicja funkcjonalna sztucznej inteligencji
    • 1.2.3. Test Turinga jako kryterium odniesienia
    • 1.2.4. Współczesne rozumienie AI
  • 1.3. Historia i przełomowe momenty w rozwoju AI
    • 1.3.1. Przed narodzinami AI: fundamenty teoretyczne (1940 – 1955)
    • 1.3.2. Konferencja w Dartmouth i narodziny dyscypliny (1956)
    • 1.3.3. Pierwsza „zima AI” i symboliczne odrodzenie (1974 – 1980)
    • 1.3.4. Druga „zima AI” i powrót sieci neuronowych (1987 – 1993)
    • 1.3.5. Przełomowe momenty współczesnej ery AI (1997 – 2026)
    • 1.3.6. Analiza wybranych kamieni milowych
    • 1.3.7. Perspektywa historyczna
  • 1.4. Fundament technologiczny sztucznej inteligencji
    • 1.4.1. Hierarchia pojęć: AI ? ML ? DL ? LLM
    • 1.4.2. Uczenie maszynowe: trzy paradygmaty
    • 1.4.3. Deep Learning: wielowarstwowe reprezentacje
    • 1.4.4. Architektura Transformer
    • 1.4.5. Implikacje dla biznesu
  • 1.5. Jak działają duże modele językowe (LLM)?
    • 1.5.1. Przewidywanie kolejnego tokenu
    • 1.5.2. Token: podstawowa jednostka przetwarzania
    • 1.5.3. Prompt: interfejs komunikacji z modelem
    • 1.5.4. Kontekst i okno kontekstowe
    • 1.5.5. Parametry i wagi: wewnętrzna reprezentacja wiedzy
    • 1.5.6. Temperatura: kontrola kreatywności
    • 1.5.7. Mixture of Experts
    • 1.5.8. RAG: wzbogacanie modelu o zewnętrzną wiedzę
  • 1.6. Proces trenowania modeli językowych
    • 1.6.1. Zbieranie danych
    • 1.6.2. Uczenie wstępne: pre-training
    • 1.6.3. Fine-tuning: dostrajanie do zastosowań
    • 1.6.4. RLHF: uczenie się z ludzkiej informacji zwrotnej
    • 1.6.5. Alignment i safety filtering
    • 1.6.6. Cykl życia modelu
  • 1.7. Koszty i zasoby trenowania modeli
    • 1.7.1. Składniki kosztów pre-trainingu
    • 1.7.2. Szacunki kosztów treningu wybranych modeli
    • 1.7.3. Energia i ślad środowiskowy
    • 1.7.4. Globalne rynki pracy anotacyjnej
    • 1.7.5. Bariery wejścia i koncentracja rynku
    • 1.7.6. Perspektywy rozwoju rynku
  • 1.8. Producenci modeli językowych
    • 1.8.1. Stany Zjednoczone
    • 1.8.2. Chiny
    • 1.8.3. Europa
    • 1.8.4. Inni znaczący producenci
    • 1.8.5. Modele open source vs komercyjne
    • 1.8.6. Rankingi i benchmarki
  • 1.9. Typy sztucznej inteligencji w kontekście biznesowym
    • 1.9.1. AI predykcyjna (Predictive AI)
    • 1.9.2. AI generatywna (Generative AI)
    • 1.9.3. AI agentowa (Agentic AI)
    • 1.9.4. AI ucieleśniona (Embodied AI)
    • 1.9.5. Porównanie typów AI
    • 1.9.6. Konwergencja typów
  • 1.10. Podsumowanie

Rozdział 2. Inżynieria promptów

  • 2.1. Wprowadzenie do inżynierii promptów
    • 2.1.1. Definicja i geneza dyscypliny
    • 2.1.2. Mechanizm działania
    • 2.1.3. Znaczenie dla biznesu i organizacji
    • 2.1.4. Podział technik na manualne i zautomatyzowane
  • 2.2. Klasyfikacja metod inżynierii promptów
    • 2.2.1. Metody manualne
    • 2.2.2. Metody zautomatyzowane
  • 2.3. Podstawowe techniki promptingu
    • 2.3.1. Zero-shot prompting
    • 2.3.2. One-shot prompting
    • 2.3.3. Few-shot prompting
    • 2.3.4. Porównanie wydajności podstawowych metod
  • 2.4. Zaawansowane architektury rozumowania
    • 2.4.1. Chain-of-Thought (CoT) Prompting
    • 2.4.2. Self-Consistency
    • 2.4.3. Tree of Thoughts (ToT)
    • 2.4.4. Prompt Chaining
    • 2.4.5. Meta-prompting
    • 2.4.6. ReAct (Reasoning and Acting)
    • 2.4.7. Porównanie architektur rozumowania
  • 2.5. Frameworki strukturalne promptów
    • 2.5.1. RTF (Role, Task, Format)
    • 2.5.2. COSTAR (Context, Objective, Style, Tone, Audience, Response)
    • 2.5.3. CARE (Context, Action, Result, Example)
    • 2.5.4. TAG (Task, Action, Goal)
    • 2.5.5. BAB (Before, After, Bridge)
    • 2.5.6. RISE (Role, Input, Steps, Expectation)
    • 2.5.7. Porównanie frameworków strukturalnych
  • 2.6. Zasady i najlepsze praktyki projektowania
    • 2.6.1. Fundamentalne zasady projektowania
    • 2.6.2. Techniki strukturyzacji
    • 2.6.3. Proces projektowania
    • 2.6.4. Wykorzystanie bibliotek i narzędzi wspomagających
    • 2.6.5. Unikanie stronniczości i aspekty etyczne
  • 2.7. Automatyzacja i narzędzia
  • 2.8. Ograniczenia, ryzyka i perspektywy
    • 2.8.1. Fundamentalne ograniczenia promptingu
    • 2.8.2. Bezpieczeństwo
    • 2.8.3. PromptOps
    • 2.8.4. Konwergencja typów AI i przyszłość inżynierii promptów
    • 2.8.5. Rekomendacje strategiczne dla organizacji
  • 2.9. Podsumowanie

Rozdział 3. Generatywne przetwarzanie tekstu

  • 3.1. Wprowadzenie do przetwarzania tekstu w biznesie
    • 3.1.1. Rozwój od systemów regułowych do LLM
    • 3.1.2. Przetwarzanie języka naturalnego w transformacji cyfrowej organizacji
    • 3.1.3. Spektrum zastosowań
  • 3.2. Mechanizmy przetwarzania
    • 3.2.1. Token jako podstawowa jednostka przetwarzania
    • 3.2.2. Okno kontekstowe
    • 3.2.3. Małe vs duże okna kontekstowe
  • 3.3. Architektura wdrożeniowa
    • 3.3.1. Modele chmurowe
    • 3.3.2. Modele lokalne
    • 3.3.3. Porównanie modeli open source
    • 3.3.4. Kwantyzacja jako technika optymalizacji
    • 3.3.5. Kryteria wyboru architektury w sektorach wrażliwych
  • 3.4. Środowiska testowe i porównawcze
    • 3.4.1. Playground w cyklu życia modelu
    • 3.4.2. Crowdsourcingowa ewaluacja
    • 3.4.3. Narzędzia deweloperskie i komercyjne
    • 3.4.4. Parametry sterujące generacją
  • 3.5. Embeddingi i RAG
    • 3.5.1. Modele embeddingowe
    • 3.5.2. Ograniczenia tradycyjnej metody słów kluczowych
    • 3.5.3. Architektura RAG
    • 3.5.4. Modele E5 i Nomic
    • 3.5.5. Zastosowania biznesowe RAG
  • 3.6. Edytory tekstu wspomagane AI
    • 3.6.1. Funkcjonalność współczesnych edytorów AI
    • 3.6.2. Analiza semantyczna SERP
    • 3.6.3. Proces współtworzenia treści
    • 3.6.4. Integracja z modelami chmurowymi w edycji tekstu
  • 3.7. Systemy przetwarzania dokumentów i zarządzania wiedzą
    • 3.7.1. Proces przetwarzania dokumentów
    • 3.7.2. Narzędzia interaktywne
    • 3.7.3. Gemini Notebook jako zaawansowany system RAG
    • 3.7.4. Mapa myśli i wizualizacja wiedzy
  • 3.8. Podsumowanie
    • 3.8.1. Integracja narzędzi przetwarzania tekstu w architekturę IT przedsiębiorstwa
    • 3.8.2 Ochrona danych i suwerenność informacyjna
    • 3.8.3. Perspektywa na przyszłość

Rozdział 4. Generatywne przetwarzanie obrazu

  • 4.1. Komunikacja wizualna
    • 4.1.1. Rozwój technologii generatywnych
    • 4.1.2. Przewagi biznesowe wdrożenia AI w produkcji wizualnej
    • 4.1.3. Obszary aplikacji w środowisku korporacyjnym
  • 4.2. Modele dyfuzyjne
    • 4.2.1. Teoria procesu dyfuzji
    • 4.2.2. Architektura U-Net
    • 4.2.3. CLIP
    • 4.2.4. ControlNet
    • 4.2.5. Przewaga modeli dyfuzyjnych nad GAN
  • 4.3. Inżynieria promptów graficznych
    • 4.3.1. Hierarchia informacyjna
    • 4.3.2. Specyfika składniowa narzędzi generatywnych
    • 4.3.3. Język fotografii jako instrument kontroli
    • 4.3.4. Techniki zaawansowane
    • 4.3.5. Inżynieria odwrotna i automatyzacja optymalizacji
    • 4.3.6. Proces iteracyjny od definicji do wariacji
  • 4.4. Narzędzia chmurowe do generowania obrazów
    • 4.4.1. Midjourney
    • 4.4.2. OpenAI GPT Image
    • 4.4.3. Modele open source w chmurze
    • 4.4.4. Analiza porównawcza narzędzi chmurowych
  • 4.5. Infrastruktura lokalna
    • 4.5.1. Wymagania sprzętowe i konfiguracja środowiska
    • 4.5.2. Interfejs użytkownika
    • 4.5.3. Modele dostępne do wdrożeń lokalnych
    • 4.5.4. LoRA i fine-tuning
    • 4.5.5. Analiza opłacalności wdrożenia
  • 4.6. Zastosowania biznesowe i wdrożenia praktyczne
    • 4.6.1. E-commerce i fotografia produktowa
    • 4.6.2. Marketing cyfrowy i branding
    • 4.6.3. Komunikacja korporacyjna, szkolenia i edukacja
    • 4.6.4. Zarządzanie spójnością tożsamości wizualnej
    • 4.6.5. Framework MADE
    • 4.6.6. Analiza efektywności i kluczowe wskaźniki sukcesu
  • 4.7. Wyzwania techniczne, etyczne i prawne
    • 4.7.1. Ograniczenia techniczne i artefakty generacji
    • 4.7.2. Aspekty etyczne i prawne
    • 4.7.3. Priorytety w procesie biznesowym
  • 4.8. Podsumowanie
    • 4.8.1. Ewolucja paradygmatu
    • 4.8.2. Konwergencja multimodalna i przyszłość interfejsów
    • 4.8.3. Rekomendacje strategiczne dla przedsiębiorstw

Rozdział 5. Generatywne przetwarzanie wideo

  • 5.1. Wideo w komunikacji biznesowej
    • 5.1.1. Znaczenie wideo w strategii marketingowej i edukacyjnej
    • 5.1.2. Główne obszary aplikacji
    • 5.1.3. Specyfika generatywna: temporalność i wyzwanie ciągłości
  • 5.2. Podstawy technologiczne generowania wideo
    • 5.2.1. Ewolucja dyfuzji 2D do modeli przestrzenno-czasowych
    • 5.2.2. Specyfika procesu dyfuzji w wymiarze czasowym
    • 5.2.3. Architektury 3D U-Net i rozszerzenia czasowe
    • 5.2.4. Mechanizmy kontroli kompozycji w wideo
  • 5.3. Inżynieria promptów wideo
    • 5.3.1. Hierarchia informacyjna w prompcie wideo
    • 5.3.2. Język kinematografii jako interfejs sterowania
    • 5.3.3. System 10 filarów i frameworki strukturalne
    • 5.3.4. Techniki zaawansowane
    • 5.3.5. Meta-prompting i orkiestracja agentowa
    • 5.3.6. Negative prompting i diagnostyka artefaktów
  • 5.4. Narzędzia chmurowe do generowania wideo
    • 5.4.1. Modele komercyjne
    • 5.4.2. Analiza porównawcza narzędzi chmurowych
    • 5.4.3. Wybór narzędzia w kontekście biznesowym
  • 5.5. Infrastruktura lokalna i modele open source
    • 5.5.1. Wymagania sprzętowe i konfiguracja środowiska
    • 5.5.2. Modele dostępne do wdrożeń lokalnych
    • 5.5.3. Interfejs użytkownika
    • 5.5.4. Analiza opłacalności wdrożenia
  • 5.6. Zastosowania biznesowe i wdrożenia praktyczne
    • 5.6.1. Marketing cyfrowy i reklama performance
    • 5.6.2. E-commerce i prezentacje produktowe
    • 5.6.3. Edukacja korporacyjna i onboarding
    • 5.6.4. Framework MADE w produkcji wideo
    • 5.6.5. Studia przypadków: optymalizacja kampanii i lokalizacja
  • 5.7. Wyzwania techniczne, etyczne i prawne
    • 5.7.1. Ograniczenia techniczne i artefakty generacji
    • 5.7.2. Aspekty etyczne i prawne
    • 5.7.3. Priorytety w procesie biznesowym
  • 5.8. Podsumowanie
    • 5.8.1. Ewolucja paradygmatu
    • 5.8.2. Konwergencja multimodalna i przyszłość interfejsów
    • 5.8.3. Rekomendacje strategiczne dla przedsiębiorstw

Rozdział 6. Generatywne przetwarzanie audio i synteza mowy

  • 6.1. Audio i głos w kontekście biznesowym
    • 6.1.1. Jednolity workflow audio-głos
    • 6.1.2. Text-to-Audio vs Text-to-Speech
    • 6.1.3. Obszary aplikacji
  • 6.2. Podstawy technologiczne syntezy audio i mowy
    • 6.2.1. Ewolucja generatywnych modeli audio
    • 6.2.2. Architektury generatywne
    • 6.2.3. Warstwy akustyczne
  • 6.3. Inżynieria promptów audio (Text-to-Audio)
    • 6.3.1. Filary strukturalne promptu muzycznego
    • 6.3.2. Metatagi i instrukcje strukturalne
    • 6.3.3. Model S-A-D-E dla efektów dźwiękowych
    • 6.3.4. Parametryzacja rytmiczna i lingwistyczna
    • 6.3.5. Negative prompting w muzyce
  • 6.4. Inżynieria promptów głosowych (Text-to-Speech i Speech-to-Speech)
    • 6.4.1. Deskryptywne projektowanie głosu
    • 6.4.2. Język znaczników SSML (Speech Synthesis Markup Language)
    • 6.4.3. Promptowanie in-line
    • 6.4.4. Metoda Speech-to-Speech (STS)
    • 6.4.5. Zarządzanie wymową
  • 6.5. Narzędzia chmurowe do generowania audio i głosu
    • 6.5.1. Głos
    • 6.5.2. Muzyka i efekty
    • 6.5.3. Analiza porównawcza
  • 6.6. Infrastruktura lokalna
    • 6.6.1. Modele open source
    • 6.6.2. Wymagania sprzętowe i konfiguracja środowiska
    • 6.6.3. Prywatność danych
  • 6.7. Zastosowania biznesowe i wdrożenia praktyczne
    • 6.7.1. Produkcja reklamowa
    • 6.7.2. Obsługa klienta i IVR
    • 6.7.3. Edukacja i szkolenia
    • 6.7.4. Dubbing i lokalizacja
    • 6.7.5. Inpainting audio
  • 6.8. Wyzwania techniczne, etyczne i prawne
    • 6.8.1. Deepfake voice i tożsamość głosowa
    • 6.8.2. Prawa autorskie do głosu i zbiorów treningowych
    • 6.8.3. Ograniczenia techniczne
    • 6.8.4. Compliance i transparentność
  • 6.9. Podsumowanie
    • 6.9.1. Konwergencja audio-wideo-głos
    • 6.9.2. Przyszłość
    • 6.9.3. Rekomendacje dla biznesu

Rozdział 7. Asystenty i agenty AI

  • 7.1. Wprowadzenie
    • 7.1.1. Trzy poziomy pracy z AI
    • 7.1.2. Oś dojrzałości pracy z AI
    • 7.1.3. Czego oczekuje dziś firma od AI?
  • 7.2. Asystenty AI – definicja i konfiguracja
    • 7.2.1. Definicja asystenta AI
    • 7.2.2. Konfigurowalne asystenty i personalizacja
    • 7.2.3. Zastosowania biznesowe i ograniczenia asystentów
  • 7.3. Systemy Deep Research
    • 7.3.1. Definicja Deep Research
    • 7.3.2. Cztery filary techniczne Deep Research
    • 7.3.3. Architektura i workflow systemów Deep Research
    • 7.3.4. Zastosowania biznesowe systemów Deep Research
    • 7.3.5. Kryteria oceny jakości Deep Research
    • 7.3.6. Ryzyka i ograniczenia systemów Deep Research
    • 7.3.7. Przykłady systemów Deep Research na rynku
  • 7.4. Agenty AI – definicja i architektura
    • 7.4.1. Definicja agenta AI
    • 7.4.2. Poziomy autonomii agentów AI
    • 7.4.3. Architektura agenta AI
    • 7.4.4. Workflow działania agenta
    • 7.4.5. Zastosowania biznesowe i korzyści z wdrożenia agentów
    • 7.4.6. Ryzyka i ograniczenia architektury agentowej
  • 7.5. OpenClaw – autonomiczny agent osobisty
    • 7.5.1. Geneza i filozofia systemu
    • 7.5.2. Architektura techniczna – trzy filary
    • 7.5.3. Autonomia operacyjna i scenariusze biznesowe w MŚP
    • 7.5.4. Wyzwania bezpieczeństwa i ryzyka wdrożeniowe
    • 7.5.5. Aspekty ekonomiczne i infrastrukturalne wdrożenia
  • 7.6. Model Context Protocol (MCP) – standard komunikacji
    • 7.6.1. Definicja i pochodzenie standardu
    • 7.6.2. Architektura klient-serwer
    • 7.6.3. Funkcjonalne możliwości protokołu
    • 7.6.4. Znaczenie dla standaryzacji agentów AI
    • 7.6.5. Praktyczne zastosowania i przykłady wdrożenia
    • 7.6.6. Implikacje strategiczne dla przedsiębiorstw
  • 7.7. Orkiestracja agentów – systemy wieloagentowe
    • 7.7.1. Ograniczenia pojedynczego agenta
    • 7.7.2. Definicja i zakres orkiestracji agentów
    • 7.7.3. Typowe role w systemie wieloagentowym
    • 7.7.4. Wzorce architektury systemów wieloagentowych
    • 7.7.5. Agentic engineering – projektowanie systemów agentowych
    • 7.7.6. Ryzyka i wyzwania orkiestracji wieloagentowej
  • 7.8. Podsumowanie
    • 7.8.1. Synteza kluczowych koncepcji
    • 7.8.2. Implikacje strategiczne dla przedsiębiorstw
    • 7.8.3. Kierunki dalszego rozwoju

Rozdział 8. Low-code, no-code i vibe coding

  • 8.1. Wprowadzenie do użytkowania i tworzenia
  • 8.2. Low-code i no-code – definicje i różnice
    • 8.2.1. Low-code jako czwarta generacja języków programowania
    • 8.2.2. No-code jako całkowita eliminacja bariery kodowania
    • 8.2.3. Kluczowe rozróżnienia techniczne i organizacyjne
    • 8.2.4. Persony użytkowników i demokratyzacja rozwoju
  • 8.3. Zalety i ograniczenia platform low-code oraz no-code
    • 8.3.1. Zalety biznesowe platform low-code i no-code
    • 8.3.2. Ograniczenia i wyzwania wdrożeniowe
  • 8.4. Platformy low-code i no-code w otoczeniu AI
    • 8.4.1. Make – wizualna automatyzacja workflow z elementami agentowymi
    • 8.4.2. Dify – platforma do budowy aplikacji AI
    • 8.4.3. n8n – automatyzacja workflow dla zespołów technicznych
    • 8.4.4. Kryteria wyboru platformy
  • 8.5. Vibe coding – programowanie konwersacyjne
    • 8.5.1. Definicja i geneza paradygmatu
    • 8.5.2. Fazy rozwoju: Day 0 i Day 1+
    • 8.5.3. Narzędzia infrastruktury vibe coding
    • 8.5.4. Vibe coding a low-code i no-code
    • 8.5.5. Ryzyka i ograniczenia vibe coding
    • 8.5.6. Studia przypadków awarii produkcyjnych
  • 8.6. Zastosowania biznesowe i wybór strategii
    • 8.6.1. Mapowanie potrzeb biznesowych na paradygmaty technologiczne
    • 8.6.2. Scenariusze wdrożeniowe i kryteria decyzyjne
    • 8.6.3. Hybrydyzacja strategii i kontinuum technologiczne
    • 8.6.4. Implikacje dla zarządzania IT
  • 8.7. Podsumowanie
    • 8.7.1. Synteza kluczowych koncepcji
    • 8.7.2. Kompromisy strategiczne
    • 8.7.3. Implikacje dla zarządzania

Rozdział 9. Kreatory AI

  • 9.1. Od kodowania do konwersacji
    • 9.1.1. Przesunięcie paradygmatu od programowania do inżynierii podpowiedzi
    • 9.1.2. Demokratyzacja tworzenia oprogramowania
  • 9.2. Architektura i modele wykorzystywane przez kreatory AI
    • 9.2.1. Mechanizm wyboru modelu
    • 9.2.2. Logowanie przez Google jako standard dostępu
  • 9.3. Porównanie kreatorów AI
    • 9.3.1. Zestawienie porównawcze
    • 9.3.2. Analiza różnic funkcjonalnych
  • 9.4. Kreatory full-stack
    • 9.4.1. Replit
    • 9.4.2. Emergent
    • 9.4.3. Floot
    • 9.4.4. Base44
    • 9.4.5. Bolt
    • 9.4.6. Mocha
    • 9.4.7. Zestawienie porównawcze
    • 9.4.8. Wnioski dla przedsiębiorstw
  • 9.5. Kreatory frontendowe i projektowe
    • 9.5.1. v0 (Vercel)
    • 9.5.2. Magic Patterns
    • 9.5.3. Figma AI
    • 9.5.4. Canva
    • 9.5.5. Zestawienie porównawcze
    • 9.5.6. Wnioski dla przedsiębiorstw
  • 9.6. Kreatory stron i treści wizualnych
    • 9.6.1. Loveable
    • 9.6.2. Aura
    • 9.6.3. Macaly
    • 9.6.4. Canva
    • 9.6.5. Zestawienie porównawcze
    • 9.6.6. Wnioski dla przedsiębiorstw
  • 9.7. Modele autorskie i systemy otwarte
    • 9.7.1. Canva
    • 9.7.2. Cosmic
    • 9.7.3. Zestawienie porównawcze
    • 9.7.4. Wnioski dla przedsiębiorstw
  • 9.8. Claude Design
    • 9.8.1. Funkcjonalności i mechanizmy produkcyjne
    • 9.8.2. Reakcja rynku
    • 9.8.3. Segment docelowy i implikacje dla struktury rynku
    • 9.8.4. Wnioski dla przedsiębiorstw
  • 9.9. Wnioski i rekomendacje biznesowe
    • 9.9.1. Kryteria wyboru kreatora AI
    • 9.9.2. Ryzyka i ograniczenia
    • 9.9.3. Perspektywy rozwoju i scenariusze ewolucji rynku
    • 9.9.4. Rekomendacje końcowe

Rozdział 10. Benchmarki AI

  • 10.1. Wprowadzenie
    • 10.1.1. Zjawisko saturacji i cykl życia benchmarku
    • 10.1.2. Dlaczego benchmarki są kluczowe dla decyzji biznesowych?
    • 10.1.3. Raporty i indeksy
    • 10.1.4. Pułapki i ograniczenia wstępne
  • 10.2. Kod i agenty
    • 10.2.1. Zestawienie benchmarków programistycznych
    • 10.2.2. Analiza szczegółowa wybranych benchmarków
    • 10.2.3. Znaczenie dla biznesu i oceny agentów programistycznych
  • 10.3. Ogólne agenty
    • 10.3.1. Zestawienie benchmarków ogólnoagentowych
    • 10.3.2. Analiza szczegółowa wybranych benchmarków
    • 10.3.3. Znaczenie dla biznesu
  • 10.4. Wiedza i QA
    • 10.4.1. Zestawienie benchmarków wiedzy i QA
    • 10.4.2. Analiza szczegółowa wybranych benchmarków
    • 10.4.3. Znaczenie dla biznesu
  • 10.5. Instrukcje i długi kontekst
    • 10.5.1. Zestawienie benchmarków instrukcyjnych i długiego kontekstu
    • 10.5.2. Analiza szczegółowa
    • 10.5.3. Znaczenie dla biznesu
  • 10.6. STEM i rozumowanie
    • 10.6.1. Zestawienie benchmarków STEM i rozumowania
    • 10.6.2. Analiza szczegółowa wybranych benchmarków
    • 10.6.3. Znaczenie dla biznesu
  • 10.7. Wielojęzyczność
    • 10.7.1. Zestawienie benchmarków wielojęzycznych
    • 10.7.2. Analiza szczegółowa wybranych benchmarków
    • 10.7.3. Znaczenie dla biznesu
  • 10.8. Zjawisko zawyżania wyników i systemowa krytyka benchmarków
    • 10.8.1. Mechanizmy zawyżania wyników
    • 10.8.2. Kontaminacja danych i utrata zdolności generalizacji
    • 10.8.3. Selektywne raportowanie i koluzja
    • 10.8.4. Sandbagging i strategiczna manipulacja ewaluacją
    • 10.8.5. Wady systemowe
    • 10.8.6. Wnioski dla przedsiębiorstw i regulatorów
  • 10.9. Globalne indeksy i raporty AI
    • 10.9.1. Stanford AI Index 2026
    • 10.9.2. Artificial Analysis Intelligence Index 4.0
    • 10.9.3. Wnioski dla biznesu
  • 10.10. Seria ARC-AGI
    • 10.10.1. RHAE i efektywność działania jako miara inteligencji
    • 10.10.2. Znaczenie dla biznesu
  • 10.11. Statystyczne frameworki agregujące
    • 10.11.1. Problem fragmentacji i saturacji
    • 10.11.2. Model statystyczny
    • 10.11.3. Zastosowania frameworku agregującego
    • 10.11.4. Ograniczenia i krytyka metodologiczna
    • 10.11.5. Znaczenie dla biznesu i regulacji
  • 10.12. Przyszłość benchmarków (PeerBench)
    • 10.12.1. Krytyka obecnych leaderboardów jako „otwartych ksiąg”
    • 10.12.2. PeerBench – platforma oparta na zasadach egzaminów humanistycznych
    • 10.12.3. Wyzwania implementacyjne i perspektywy
  • 10.13. Wnioski i rekomendacje dla biznesu
    • 10.13.1. Sześć zasad rzetelnej oceny modeli w przedsiębiorstwie
    • 10.13.2. Perspektywy regulacyjne i strategiczne
    • 10.13.3. Rekomendacje końcowe

Rozdział 11. AI jako siła strategiczna organizacji

  • 11.1. Tempo i skala transformacji
    • 11.1.1. AI jako technologia ogólnego zastosowania w gospodarce
    • 11.1.2. Przyspieszenie adopcji
    • 11.1.3. Wymiar ekonomiczny
  • 11.2. Architektura władzy w ekosystemie AI
    • 11.2.1. Cztery filary przewagi w AI
    • 11.2.2. Bigtechy i modele podstawowe
    • 11.2.3. Łańcuch wartości AI
    • 11.2.4. Suwerenność AI
  • 11.3. Regulacje w świecie niedostosowanym do tempa technologii
    • 11.3.1. Dlaczego AI wymaga osobnych ram regulacyjnych?
    • 11.3.2. Logika AI Act
    • 11.3.3. Obowiązki organizacji
    • 11.3.4. Piaskownice regulacyjne
    • 11.3.5. Regulatory backsliding
  • 11.4. Kompetencje i przebudowa pracy
    • 11.4.1. Luka przygotowania organizacyjnego
    • 11.4.2. Od dostępu do aktywacji
    • 11.4.3. Trzy poziomy transformacji organizacyjnej
    • 11.4.4. AI a rynek pracy
  • 11.5. Europa w globalnym układzie sił
    • 11.5.1. AI Continent Action Plan
    • 11.5.2. Europa na mapie globalnej adopcji
    • 11.5.3. Suwerenna infrastruktura AI
    • 11.5.4. Minimalny program zgodności AI Act dla przedsiębiorstwa
  • 11.6. Nowa fala AI
    • 11.6.1. Agenty AI
    • 11.6.2. Physical AI
    • 11.6.3. Wyzwania governance przy autonomii maszyn
  • 11.7. Podsumowanie

Bibliografia

Kilka słów o autorze (czyli o mnie)

Artur Strzelecki

Artur Strzelecki – obecnie jestem profesorem Uniwersytetu Ekonomicznego w Katowicach, pracownikiem Katedry Informatyki, badaczem zajmującym się marketingiem internetowym, przetwarzaniem informacji w wyszukiwarkach, analityką internetową i zastosowaniem sztucznej inteligencji w biznesie. Cztery razy z rzędu znalazłem się w światowym rankingu Top 2% Scientist według Stanford University.

Jestem autorem licznych publikacji naukowych, w tym artykułów publikowanych w renomowanych czasopismach indeksowanych w bazie JCR, takich jak Technological Forecasting & Social Change, International Journal of Consumer Studies, Aslib Journal of Information Management, British Journal of Educational Technology, Education and Information Technologies czy Corporate Social Responsibility and Environmental Management. Uczestniczyłem w międzynarodowych projektach badawczych, a także konferencjach naukowych w Europie, Azji, Afryce i Ameryce Południowej. Specjalizuję się w zastosowaniu metody PLS-SEM w analizie modeli badawczych i w badaniach nad percepcją, akceptacją i wykorzystaniem generatywnej sztucznej inteligencji.

W ostatnich latach swoje badania i działalność dydaktyczną koncentruję na wpływie sztucznej inteligencji na edukację, organizacje i praktykę biznesową. Jestem autorem kursu Narzędzia AI w biznesie, w ramach którego omawiam zastosowania dużych modeli językowych, asystentów AI, agentów, narzędzi do generowania tekstu, obrazu, wideo i dźwięku, a także zagadnienia związane z benchmarkami, automatyzacją pracy i regulacjami dotyczącymi sztucznej inteligencji. Łączę perspektywę badacza, wykładowcy i praktyka, pokazując AI jako zestaw narzędzi realnie zmieniających sposób pracy współczesnych organizacji.

Poza działalnością akademicką jestem aktywnym popularyzatorem wiedzy o SEO. Od ponad dekady organizuję i współtworzę Festiwal SEO w Katowicach, największą w Polsce konferencję poświęconą optymalizacji stron internetowych w wyszukiwarkach. Prowadzę również działalność doradczą i współpracuję z przedsiębiorstwami w zakresie strategii widoczności online, analityki internetowej i marketingu cyfrowego.

Na Uniwersytecie Ekonomicznym w Katowicach prowadzę zajęcia z zakresu marketingu internetowego, analityki internetowej, e-biznesu, zarządzania danymi w środowisku cyfrowym i praktycznego wykorzystania narzędzi sztucznej inteligencji. Jestem promotorem i recenzentem prac dyplomowych i rozpraw doktorskich dotyczących nowoczesnych technologii, marketingu cyfrowego, zachowań użytkowników internetu i zastosowań AI w organizacjach.

Jestem obecny tu: ORCID | ResearcherID | Scopus Author | Google Scholar | LinkedIn | Google