ChatGPT Enterprise, Business, Edu oraz interfejs API mają domyślnie wyłączone wykorzystywanie danych klientów do trenowania modeli i oferują możliwość zawarcia umowy powierzenia danych (DPA). Uprawnieni klienci Enterprise, Edu i API mogą również skorzystać z opcji przechowywania danych w Europie.
To jednak nie oznacza, że dane pozostają wyłącznie w infrastrukturze Twojej firmy. Trafiają one do infrastruktury dostawcy usługi, a nie na własne serwery organizacji. Przy pracy z wrażliwą dokumentacją projektową, rysunkami technicznymi czy materiałami objętymi NDA jest to istotna różnica — niezależnie od tego, gdzie fizycznie znajduje się centrum danych.
W rozmowach z firmami z branży inżynieryjnej i przemysłowej powtarza się podobny wzorzec: pracownicy wklejają własne wyceny i wyliczenia ofertowe do publicznego ChatGPT, żeby szybciej przygotować ofertę przetargową. Efekt jest taki, że pośrednio pomagają konkurencji w całej branży — model uczy się na coraz większej puli wrzucanych ofert z całego rynku, więc oferty konkurencji stają się coraz lepsze częściowo dzięki danym, które sami tam wrzucili.
Co faktycznie daje ChatGPT Enterprise, a czego nie daje
Plan Enterprise/Business rozwiązuje realny problem: firma nie chce, aby jej dane były wykorzystywane do trenowania publicznych modeli, i potrzebuje kontroli administracyjnej nad korzystaniem z AI (np. zarządzanie użytkownikami, logi, retencja danych, SSO). To jest istotna warstwa ochrony na poziomie umowy i konfiguracji usługi.
Nie rozwiązuje jednak dwóch innych problemów.
Po pierwsze — dane nadal są przetwarzane w infrastrukturze dostawcy usługi, a nie w środowisku należącym do firmy. Opcjonalna rezydencja danych w Europie określa region przetwarzania, ale nie oznacza uruchomienia AI we własnej sieci ani pełnej kontroli nad infrastrukturą. Przy dokumentacji objętej NDA, rysunkach technicznych, wycenach czy danych projektowych część organizacji może wymagać właśnie takiego poziomu kontroli.
Po drugie — pozostaje to model ogólnego przeznaczenia. Sam dostęp do ChatGPT nie oznacza, że narzędzie zna historię projektów, archiwalne dokumenty czy wewnętrzne procesy firmy. Bez odpowiedniego mechanizmu dostępu do wiedzy organizacji pracownik nadal musi ręcznie dostarczyć modelowi właściwy kontekst.
Jeśli Twoja firma nie pracuje z danymi objętymi NDA, dokumentacją techniczną czy informacjami, których wyciek realnie kosztuje — ChatGPT Enterprise z wyłączonym trenowaniem i podpisanym DPA może być zupełnie wystarczającym poziomem zabezpieczeń. Lokalny system ma sens tam, gdzie ryzyko i koszt ewentualnego wycieku przewyższają koszt jego wdrożenia i utrzymania.
Problem "wklejania": czemu chat nie zastępuje przeszukiwania setek GB archiwów
Nawet przy najlepszym planie ChatGPT pracownik musi wiedzieć, czego szuka, znaleźć odpowiedni plik i dostarczyć go modelowi, aby mógł wykorzystać te informacje w odpowiedzi. Samo większe okno kontekstu nie rozwiązuje problemu dostępu do wiedzy firmy.
Okno kontekstu różni się w zależności od planu i modelu — od 16 tys. tokenów na koncie darmowym, przez 32 tys. (Plus/Business) i 128 tys. (Pro/Enterprise), aż do 256–400 tys. w najnowszych wariantach „Thinking”. Większa liczba tokenów pozwala analizować większe porcje materiału jednocześnie, ale nie sprawia, że ChatGPT automatycznie zna archiwum firmy.
Przy setkach gigabajtów rozproszonej dokumentacji — mailach, rysunkach, ofertach i notatkach ze spotkań — pracownik nadal musi każdorazowo znaleźć i przekazać właściwe informacje do rozmowy.
System lokalny działa odwrotnie: indeksuje firmowe archiwum z góry i sam wyszukuje odpowiedni fragment dokumentacji na podstawie pytania zadanego językiem naturalnym. Pracownik nie musi wiedzieć, gdzie znajduje się informacja ani ręcznie przeszukiwać setek plików — system dostarcza właściwy kontekst do odpowiedzi.
Halucynacje: czemu ryzyko rośnie właśnie przy dokumentach technicznych i umowach
Model językowy może z pełnym przekonaniem podać nieprawdziwą informację — błędną datę, nieistniejący zapis w umowie czy nieprawidłowy wymiar na rysunku. W niezależnym badaniu Stanford RegLab (2024) GPT-4 generował błędne odpowiedzi w 43% analizowanych zapytań prawniczych, a wyspecjalizowane komercyjne narzędzia prawnicze (Lexis+ AI, Westlaw AI-Assisted Research) również wykazywały błędy — w 17–33% przypadków.
Przy rozmowie ogólnej taki błąd może być nieistotny. Przy dokumentacji technicznej, ofercie handlowej czy zapisach umownych może prowadzić do realnych konsekwencji i wymaga dodatkowej weryfikacji człowieka.
System oparty o przeszukiwanie własnej dokumentacji (RAG) zmniejsza to ryzyko, ponieważ odpowiedź może być oparta na konkretnych materiałach firmowych i wskazywać źródło informacji. Zamiast oceniać jedynie wygenerowaną odpowiedź, użytkownik może sprawdzić dokument i fragment, na podstawie którego została przygotowana.
Co zmienia lokalny system AI
| | ChatGPT Enterprise / Business | Lokalny system AI | | --------------------------- | ---------------------------------------------------------------------------------------------- | ----------------------------------------------------------- | | Trenowanie na Twoich danych | Domyślnie wyłączone (Enterprise/Business/Edu/API) | Nie dotyczy — model działa wyłącznie u Ciebie | | Gdzie fizycznie są dane | Infrastruktura OpenAI (USA lub opcjonalnie region UE) | Serwer Twojej firmy — nigdy nie wychodzą poza sieć | | Przeszukiwanie archiwum | Ręczne — trzeba znaleźć i wkleić fragment do okna kontekstu | Automatyczne — system sam znajduje właściwy fragment | | Źródło odpowiedzi | Brak wskazania źródła; ryzyko halucynacji (GPT-4: 43% w badaniu Stanford dla zapytań prawnych) | Każda odpowiedź wskazuje konkretny plik i fragment źródłowy | | Kontrola nad infrastrukturą | Brak — infrastruktura dostawcy | Pełna — Wasz sprzęt, Wasze zasady dostępu |
Lokalny system AI działający na serwerze firmy rozwiązuje oba te problemy. Dane pozostają w infrastrukturze organizacji — zapytania i dokumenty nie trafiają do zewnętrznej usługi AI, ponieważ model działa w środowisku kontrolowanym przez firmę. Nie ma więc znaczenia, jak dostawca zewnętrznego modelu wykorzystuje swoje dane, bo firmowa wiedza nie opuszcza własnej infrastruktury.
Drugi problem rozwiązuje dostęp do wewnętrznej bazy wiedzy. System indeksuje firmowe archiwum i wyszukuje odpowiednie informacje na podstawie pytania zadanego językiem naturalnym, wskazując źródła takie jak dokument, strona czy fragment tekstu. Pracownik nie musi za każdym razem ręcznie odnajdywać i wklejać właściwych materiałów.
Technicznie takie podejście opiera się o RAG (retrieval-augmented generation) — model generuje odpowiedzi na podstawie wskazanych dokumentów firmowych, które system wcześniej indeksuje i udostępnia jako kontekst, bez korzystania z zewnętrznego API OpenAI czy Google.
W takim podejściu można wykorzystać otwarte modele językowe, np. Bielik, Qwen czy Gemma, uruchomione na własnym sprzęcie. System może również pracować z dokumentacją techniczną, w tym rysunkami i innymi materiałami poza samym tekstem — obszar, w którym narzędzia ogólnego przeznaczenia zwykle wymagają ręcznego dostarczania materiałów przez użytkownika.
Jeśli chcecie sprawdzić, jak wykorzystać AI bez przekazywania dokumentacji projektowej do zewnętrznych usług — opiszcie swoją sytuację w formularzu kontaktowym. Pokażemy, jak mógłby wyglądać lokalny system AI pracujący na Waszej dokumentacji i dopasowany do specyfiki Waszej branży. Pełny zakres usługi znajdziesz na stronie wewnętrznego systemu AI.