DBAdmin/docs___/ai/ai-levels-framework.md

# Rozszerzony Model Dojrzałości AI: Od chaosu do autonomii

Wdrażanie sztucznej inteligencji w firmie to nie jest jednorazowy skok, ale wspinaczka po stromej drabinie. Tradycyjne modele dojrzałości AI często skupiają się wyłącznie na możliwościach samych narzędzi, pomijając brutalną rzeczywistość operacyjną – to, co naprawdę decyduje o sukcesie lub porażce projektu na produkcji.

Poniższe zestawienie to rozbudowana wersja standardowego modelu wdrażania AI. Została ona uzupełniona o "brakujące ogniwa" (etapy pośrednie, takie jak 3.5 czy 5.5), absolutny fundament organizacyjny (Poziom 0) oraz docelowy etap ciągłego doskonalenia (Poziom 8). 

To praktyczna mapa drogowa, która pokazuje, jak przejść od luźnych eksperymentów z promptami, przez solidną architekturę RAG i LLMOps, aż po samouczące się systemy wielu agentów. Żadnej "magii AI" – wyłącznie inżynieria, procesy i mierzalna wartość biznesowa.

# Poziom 0 — Fundament mentalny i operacyjny [[poziom-0-fundamenty]]
# Poziom 3.5 — Własna baza wiedzy i RAG w praktyce [[poziom-3.5-kb]]
# Poziom 4.5 — Pamięć, role i orkiestracja wielu asystentów [[poziom-4.5-orchestrator]]
# Poziom 5.5 — LLMOps dla aplikacji: ewale, staging, rollback [[poziom-5.5-llm]]
# Poziom 8 — Samouczące się pętle wzrostu [[poziom-8-selflearn]]



Do tych „połówek” i „zera/ósemki” dołóż jeszcze trzy poziome osie, które przecinają wszystkie etapy i sprawiają, że drabina zamienia się w stabilną konstrukcję.

**Oś danych:** porządek w źródłach, jawne pochodzenie informacji, tagi ważności, kontrola wersji. Dane bez właściciela i daty przydatności są jak mleko bez etykiety — raz się uda, a raz popsuje kampanię.

**Oś jakości i bezpieczeństwa:** definicje jakości per przypadek użycia, ewale przed i po wdrożeniu, dzienniki decyzji agenta, uprawnienia oparte na rolach, czerwone przyciski „stop” i jasne scenariusze degradacji usług. To pozwala skalować bez obaw o wpadki.

**Oś ekonomii i wpływu:** koszt za rezultat, czas do efektu, jakość vs. ręczna produkcja, wpływ na przychód/konwersję. Zapisujesz to wprost, żeby uniknąć „magii AI”, która ładnie wygląda na slajdach, a nie dowozi liczb.


Wyobraź sobie mini-ścieżkę na 7 dni. Najpierw dorzucasz Poziom 0 w formie krótkiego „AI README” i prostego repo promptów. Następnie w dwa dni budujesz RAG na najważniejszych dokumentach — nie wszystko na raz, tylko to, co realnie wspiera sprzedaż i delivery. Potem uczysz asystentów pamięci i rozdzielasz im role, żeby przestali wchodzić sobie w drogę. Do MVP dorzucasz ewale i staging, dzięki czemu każdy większy pomysł przechodzi przez bramkę jakości zanim trafi do klientów. I kiedy już całość spina się w automatyzacji, otwierasz pętlę eksperymentów: trzy warianty, telemetryka, notatka, aktualizacja repo. Mało efektowna od strony PR, ale po miesiącu w liczbach wygląda jak „magia”.

Na koniec jedna rzecz, która ratuje projekty przed „złotym młotkiem AI”. Zapisuj decyzje i antywzorce. „Ten agent ma wysoki recall, ale niski precision, więc używamy go tylko do wstępnych propozycji, nigdy do publikacji.” „Ten korpus wiedzy ma dużo przestarzałych cenników, więc każdy draft ofertowy musi przejść przez checker dat.” Taka „księga ostrzeżeń” robi więcej dla jakości niż jakikolwiek nowy model.