---
title: "Co to jest LLM? Modele językowe — poradnik dla firm"
url: "https://majchrzycki.com/blog/co-to-jest-llm-poradnik-dla-firm"
description: "Czym jest model językowy: tokeny, okno kontekstu, halucynacje, LLM i SLM, modele otwarte i zamknięte, gdzie uruchomić model i jak go wybrać w firmie."
---

# Co to jest LLM? Modele językowe — poradnik dla firm

6 października 2026· Aktualizacja: 6 października 2026·9 min czytania·[Krzysztof Majchrzycki](https://majchrzycki.com/o-mnie)

Temat: [Architektura systemów AI](https://majchrzycki.com/blog/filar/architektura-systemow-ai)

**Model językowy (LLM, large language model) to program, który nauczył się z ogromnej ilości tekstu przewidywać kolejne fragmenty wypowiedzi — i dzięki temu potrafi pisać, streszczać, tłumaczyć i analizować.** Nie jest bazą wiedzy ani systemem firmy. Zna to, co było w danych treningowych do określonej daty, nie widzi Waszych dokumentów, dopóki ich nie dostanie, i potrafi się pomylić z pełnym przekonaniem. Dlatego w firmie wybiera się najpierw zadanie i sposób sprawdzenia wyniku, a dopiero potem model.

Poradnik jest dla zarządu i liderów IT w firmach od 50 osób, którzy słyszą „wdróżmy LLM” i chcą rozumieć, co kupują: czym różni się duży model od małego, otwarty od zamkniętego i gdzie model może działać. Na końcu jest mapa wszystkich wpisów o modelach na blogu. Szerszy kontekst — jak model łączy się z wiedzą, narzędziami i orkiestracją — daje filar [architektura systemów AI](https://majchrzycki.com/blog/filar/architektura-systemow-ai).

## Czym jest model językowy — prosto

Współczesne modele językowe stoją na architekturze Transformer, opisanej w pracy [Attention Is All You Need](https://arxiv.org/abs/1706.03762) (Vaswani i in., 2017). Mechanizm uwagi pozwala modelowi brać pod uwagę zależności między wszystkimi fragmentami tekstu naraz. Dla zarządu ważniejsze od architektury są trzy pojęcia: tokeny, trening i okno kontekstu.

### Tokeny: w czym model liczy tekst

Model nie czyta liter ani całych słów. Tekst jest dzielony na tokeny: krótkie słowa, części dłuższych słów, znaki interpunkcyjne. W tokenach vendorzy podają limity i ceny. Anthropic w [porównaniu modeli Claude](https://platform.claude.com/docs/en/about-claude/models/overview) podaje cenę za milion tokenów wejścia i wyjścia oraz zastrzega, że ta sama liczba tokenów mieści różną liczbę słów zależnie od tokenizera danego modelu. Wniosek praktyczny: koszt i limit długości zależą od modelu, więc porównujcie je na tym samym tekście.

### Trening: wiedza do określonej daty

Model powstaje w dwóch etapach. Najpierw uczy się na ogromnym zbiorze tekstów przewidywać kolejne tokeny. Potem jest dostrajany, żeby wykonywał polecenia i odpowiadał w pożądany sposób, na przykład metodą RLHF opisaną w pracy [Ouyang i in. (2022)](https://arxiv.org/abs/2203.02155): ludzie oceniają odpowiedzi, a model uczy się preferowanych wariantów. Badacze ze Stanford nazwali takie modele, trenowane szeroko i dostosowywane do wielu zadań, [modelami fundamentalnymi](https://arxiv.org/abs/2108.07258) (Bommasani i in., 2021).

Skutek dla firmy: wiedza modelu kończy się na dacie treningu. Anthropic podaje dla każdego modelu osobno datę „wiarygodnej wiedzy” i datę danych treningowych — dla Claude Haiku 4.5 to odpowiednio luty i lipiec 2025 r. (stan na 6.10.2026). Wasz cennik z zeszłego tygodnia w treningu nie był. Wewnętrzna procedura też nie, bo nigdy nie była publiczna.

### Okno kontekstu: pamięć robocza

Okno kontekstu to cały tekst, który model bierze pod uwagę przy jednej odpowiedzi: instrukcja, historia rozmowy, załączone dokumenty, wyniki narzędzi i sama odpowiedź. Anthropic w [dokumentacji okna kontekstu](https://platform.claude.com/docs/en/build-with-claude/context-windows) nazywa je „pamięcią roboczą” modelu, w odróżnieniu od danych treningowych. Okna są duże — w obecnych modelach Claude od 200 tys. do 1 mln tokenów (stan na 6.10.2026) — ale ta sama dokumentacja zaznacza, że wraz z liczbą tokenów spada trafność i przywoływanie informacji. Więcej tekstu nie znaczy lepszej odpowiedzi. Znaczy wyższy rachunek.

Jak model językowy odpowiada na pytanie, w czterech krokach. Krok 1: tekst — pytanie, instrukcja i załączone dokumenty. Krok 2: tokeny — tekst dzielony na kawałki słów; limit to okno kontekstu. Krok 3: model przewiduje kolejne tokeny na podstawie wzorców z treningu; wiedza kończy się na dacie treningu. Krok 4: odpowiedź — płynna, ale nie zawsze prawdziwa. Co dokłada system wokół modelu: RAG wyszukuje dokumenty firmy i dołącza je do pytania w kroku 1; narzędzia pozwalają modelowi poprosić o dane z ERP lub CRM, a wywołanie wykonuje aplikacja; uprawnienia i testy ustalają, kto co widzi i co wolno zrobić bez człowieka.

Jak model odpowiada: tekst, tokeny, model i odpowiedź oraz to, co dokładają RAG, narzędzia i uprawnienia. Na podstawie dokumentacji Anthropic i OpenAI oraz pracy Vaswani i in. (2017).

## Co model potrafi, a czego nie

Model świetnie radzi sobie z językiem: przekształca, streszcza, porządkuje, klasyfikuje i proponuje. Słabo radzi sobie z tym, co wymaga aktualnych faktów firmy, dokładnych obliczeń i odpowiedzialności za decyzję.

Model potrafi

Model nie potrafi sam

streścić dokument, który dostał

znać dokumentów, których nie dostał

wyciągnąć pola z maila lub faktury

zagwarantować, że pole jest poprawne

sklasyfikować zgłoszenie

wiedzieć, kto w firmie może co zobaczyć

napisać szkic odpowiedzi

sprawdzić, czy rabat w szkicu jest dozwolony

zaproponować plan analizy

wziąć odpowiedzialności za decyzję

**Halucynacje.** NIST w [profilu ryzyka generatywnej AI (NIST AI 600-1)](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf) używa słowa „konfabulacja” dla pewnie podanej treści, która jest fałszywa. Wynika ona z samej konstrukcji modelu, który przewiduje prawdopodobny ciąg dalszy. Badacze OpenAI w pracy [Why Language Models Hallucinate](https://arxiv.org/abs/2509.04664) (2025) dodają, że trening i testy częściej nagradzają zgadywanie niż przyznanie się do niepewności. Model zapytany o nieistniejący paragraf regulaminu chętnie go zacytuje. Z numerem strony.

**Brak dostępu do danych firmy.** Model nie widzi Waszego ERP, CRM ani dysku, dopóki aplikacja mu czegoś nie poda. Są cztery drogi, żeby korzystał z wiedzy firmy: prompt z dokumentem, RAG, fine-tuning i RAFT. Opisuje je [poradnik o RAG i danych firmy w AI](https://majchrzycki.com/blog/co-to-jest-rag-poradnik-dla-firm). Krótko: brakuje wiedzy — RAG; model działa niespójnie — dopiero wtedy trening.

Szczegółowy przegląd zadań, w których LLM wnosi wartość, i testów przed wdrożeniem jest we wpisie [Duże modele językowe: możliwości i ograniczenia](https://majchrzycki.com/blog/large-language-model-llm-ai).

## LLM i SLM: duży czy mały model

Nie ma jednej granicy między dużym a małym modelem. IBM opisuje [małe modele językowe (SLM)](https://www.ibm.com/think/topics/small-language-models) jako mające od kilku milionów do kilku miliardów parametrów, ale to jedno źródło, nie norma. Microsoft nazywa swoją rodzinę [Phi](https://azure.microsoft.com/en-us/products/phi) małymi modelami i podkreśla, że mogą działać w chmurze, na brzegu sieci i bezpośrednio na urządzeniu, bez połączenia z chmurą.

Duży model (LLM)

Mały model (SLM)

Typowe zadania

złożona analiza, długie dokumenty, pisanie, kod

wąskie i powtarzalne: klasyfikacja, ekstrakcja, routing

Gdzie działa

zwykle API vendora lub chmura

także laptop, serwer w firmie, urządzenie

Koszt jednego wywołania

wyższy

niższy

Ryzyko

koszt i czas przy prostych zadaniach

słabsza jakość przy zadaniach spoza wąskiego zakresu

Coraz częściej firmy łączą oba rodzaje: mały model obsługuje większość prostych przypadków, a trudniejsze przekazuje dużemu. Anthropic opisuje taki wzorzec w [poradniku wyboru modelu](https://platform.claude.com/docs/en/about-claude/models/choosing-a-model): tańszy model wykonuje pracę, a droższy rozstrzyga trudne decyzje. Więcej o małych modelach: [Małe modele językowe SLM: kiedy mają sens w firmie](https://majchrzycki.com/blog/small-language-model-slm-ai).

## Modele otwarte i zamknięte

**Model zamknięty** udostępnia vendor przez swoją aplikację, API albo chmurę partnera — tak działają na przykład modele Claude, GPT czy Gemini. Wag modelu nie dostajecie. Płacicie za użycie, a warunki określa umowa.

**Model z otwartymi wagami** można pobrać i uruchomić na własnym sprzęcie. Daje to kontrolę nad tym, gdzie trafiają dane, ale przenosi na firmę utrzymanie, bezpieczeństwo i aktualizacje. „Otwarte wagi” to jeszcze nie open source. [Open Source AI Definition 1.0](https://opensource.org/ai/open-source-ai-definition) organizacji OSI wymaga swobody użycia, badania, zmiany i udostępniania oraz dostępu do kodu, informacji o danych treningowych i parametrów.

Licencje modeli otwartych bardzo się różnią. Przykłady, stan na 6.10.2026:

-   [Gemma 4](https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/) od Google ma licencję Apache 2.0.
-   [Llama 4](https://dev.meta.ai/llama/llama4/license/) od Meta ma własną licencję społecznościową: firmy z ponad 700 mln aktywnych użytkowników miesięcznie muszą prosić Meta o osobną licencję, a produkt ma oznaczenie „Built with Llama”.
-   [Mistral](https://docs.mistral.ai/getting-started/models/models_overview/) część modeli udostępnia na Apache 2.0, a część jako modele komercyjne na innych warunkach.

Licencję czyta się dla konkretnego modelu i wersji, nie dla całej rodziny. Ocenę licencji i otwartych narzędzi zbiera filar [Open Source AI](https://majchrzycki.com/blog/filar/open-source-ai), a co oznacza sama licencja Apache 2.0, wyjaśnia wpis [Apache 2.0: licencja open source dla firmowego AI](https://majchrzycki.com/blog/licencja-apache-2-0-suwerennosc-ai-os). Umowę i licencję ocenia prawnik — ten poradnik pokazuje, o co zapytać.

## Rozumowanie i multimodalność

**Modele z rozumowaniem** przed odpowiedzią wykonują dodatkowy etap „myślenia”: rozkładają zadanie na części i rozważają kilka podejść. OpenAI w [przewodniku o modelach rozumujących](https://developers.openai.com/api/docs/guides/reasoning) wyjaśnia, że te dodatkowe tokeny zajmują okno kontekstu i są rozliczane jak tokeny wyjścia, a parametr wysiłku pozwala wybrać między szybkością a dokładnością. Anthropic w modelach Claude stosuje podobny mechanizm, w którym model sam dobiera ilość myślenia. Rozumowanie pomaga przy planowaniu, kodzie i analizie wieloetapowej. Przy streszczeniu maila to zwykle przepłacanie. Historię pierwszego takiego modelu opisuje wpis [OpenAI o1 w Azure: rozumowanie i migracja modelu](https://majchrzycki.com/blog/model-o1-od-openai-i-jego-wykorzystanie-w-biznesie-za-pomoc%C4%85-microsoft-azure-ai).

**Modele multimodalne** przyjmują nie tylko tekst. Wszystkie obecne modele Claude przyjmują tekst i obrazy, a [modele Gemini](https://ai.google.dev/gemini-api/docs/models) także wideo i dźwięk (stan na 6.10.2026). W firmie oznacza to czytanie skanów, zdjęć z hali, wykresów i nagrań. Zasada jest ta sama co przy tekście: model może źle odczytać liczbę z rozmazanego zdjęcia faktury, więc wynik trafia do walidacji, a nie prosto do księgowości.

## Gdzie uruchomić model

Ten sam model bywa dostępny w kilku miejscach. Wybór zależy od danych, regionu i tego, kto ma utrzymywać infrastrukturę.

Miejsce

Jak to działa

Dla kogo

API vendora

aplikacja wysyła zapytanie do OpenAI, Anthropic, Google

szybki start, mały zespół

Chmura

model w [Microsoft Foundry](https://majchrzycki.com/blog/co-to-jest-microsoft-foundry-poradnik-dla-firm), [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) albo Google Vertex AI, w ramach umowy z chmurą

firmy, które już mają chmurę i jej zasady bezpieczeństwa

Własny serwer

model z otwartymi wagami na własnych GPU, na przykład z [vLLM](https://docs.vllm.ai/en/latest/) albo [NVIDIA NIM](https://majchrzycki.com/blog/nvidia-nim-inferencja-modeli-ai)

dane nie mogą opuścić firmy, jest zespół do utrzymania

Dwa pytania o dane trzeba zadać przy każdym wariancie. Pierwsze: czy vendor używa zapytań do trenowania? Microsoft w [opisie przetwarzania danych w Foundry](https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/data-privacy) podaje, że prompty i odpowiedzi nie są dostępne dla OpenAI ani innych vendorów modeli i nie służą do trenowania modeli bazowych. Drugie: gdzie dane są przetwarzane? W tej samej dokumentacji wdrożenie typu „Global” może przetwarzać zapytania w dowolnym regionie, a „Data Zone” w Unii Europejskiej — tylko w państwach UE. Sposób wdrożenia modeli w Foundry opisuje wpis [MaaS w Microsoft Foundry: wybór wdrożenia](https://majchrzycki.com/blog/model-as-a-service-maas-microsoft-azure-ai-service).

## Jak wybrać model: pięć kryteriów

Vendorzy mówią tu zaskakująco zgodnie. Anthropic w [poradniku wyboru modelu](https://platform.claude.com/docs/en/about-claude/models/choosing-a-model) wskazuje zestaw testów na własnych danych jako najważniejszy krok. OpenAI w [przewodniku wyboru modelu](https://developers.openai.com/api/docs/guides/model-selection) radzi zostać przy najlżejszym ustawieniu, które spełnia próg jakości. Na tej podstawie proponuję pięć kryteriów, w tej kolejności:

1.  **Zadanie.** Jedno, konkretne: „wyciągnij pięć pól z reklamacji”, a nie „AI dla działu obsługi”. Bez zadania nie ma czego porównywać.
2.  **Jakość na Waszych testach.** Zestaw prawdziwych przykładów z oczekiwanym wynikiem, w tym przypadki trudne i bez odpowiedzi. Publiczny ranking mierzy cudze zadania.
3.  **Koszt jednego poprawnego zadania.** Cena tokenów plus wyszukiwanie, integracja, nadzór i poprawki człowieka. Tańszy model, który dwa razy częściej trafia do poprawki, nie jest tańszy.
4.  **Dane.** Jakie dane trafią do modelu, czy vendor może ich użyć i jak długo je przechowuje. To decyduje, czy wystarczy API, czy potrzebny jest własny serwer.
5.  **Region i umowa.** Gdzie dane są przetwarzane, kto odpowiada za incydent i co się stanie, gdy vendor wycofa wersję modelu.

Ramę zarządzania ryzykiem daje [NIST AI RMF 1.0](https://www.nist.gov/itl/ai-risk-management-framework) — dobrowolny standard z czterema funkcjami: Govern, Map, Measure i Manage. Dla zarządu to prosta lista kontrolna: kto odpowiada, gdzie model działa, jak mierzymy wynik, co robimy po błędzie.

Karta: jaki model do jakiego zadania. Szkic, analiza i długie dokumenty: duży model (LLM) przez API lub chmurę; uwaga na koszt i czas. Wąskie, masowe zadanie, na przykład klasyfikacja lub ekstrakcja: mały model (SLM); uwaga, test na własnych danych. Dane nie mogą opuścić firmy: model z otwartymi wagami na własnym serwerze; uwaga na licencję i utrzymanie. Szybki start bez zespołu infrastruktury: model zamknięty vendora przez API lub chmurę; uwaga na region i umowę. Plan, kod, analiza wieloetapowa: model z rozumowaniem; dłużej i drożej. Skany, zdjęcia, nagrania: model multimodalny; test na własnych plikach. Zawsze: wybór rozstrzyga test na Waszych przykładach, nie ranking. Uproszczenie autora.

Jaki model do jakiego zadania: LLM, SLM, model otwarty, zamknięty, z rozumowaniem i multimodalny. Uproszczenie autora na podstawie zaleceń Anthropic i OpenAI; szczegóły w tabeli i kryteriach powyżej.

Jeśli dziś w firmie nikt nie potrafi wskazać jednego zadania i osoby, która oceni wynik modelu, porównywanie modeli jest przedwczesne. Najpierw warto nazwać proces, dane i kryterium „dobrze” — po to jest [prezentacja dla zarządu](https://majchrzycki.com/wspolpraca/prezentacja-systemu-ai-dla-zarzadu), niezależnie od vendora i partnera.

## Od asystenta do agenta

Sam model tylko odpowiada tekstem. Żeby coś zrobił — sprawdził stan magazynu, założył zgłoszenie, policzył marżę — aplikacja daje mu narzędzia. Anthropic w [dokumentacji narzędzi](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview) opisuje to tak: model decyduje, kiedy wywołać narzędzie, i zwraca ustrukturyzowane wywołanie, a wykonuje je aplikacja. To ważne dla bezpieczeństwa: uprawnienia nadaje system, nie model.

Gdy model sam planuje kolejne kroki i wywołuje narzędzia aż do celu, mówimy o agencie AI. Czym agent różni się od asystenta i chatbota i kto zatwierdza jego działania, opisuje [poradnik o agentach AI](https://majchrzycki.com/blog/co-to-jest-agent-ai-poradnik-dla-firm). Konkretne produkty, w których modele działają jako asystenci, opisują [poradnik o ChatGPT](https://majchrzycki.com/blog/co-to-jest-chatgpt-poradnik-dla-firm) i [poradnik o Claude](https://majchrzycki.com/blog/co-to-jest-claude-poradnik-dla-firm). Ryzyka aplikacji z modelami zbiera [OWASP LLM Top 10 2026](https://majchrzycki.com/blog/owasp-llm-top-10-2026-lista-ryzyk).

## Mapa wpisów o modelach językowych

Wszystkie wpisy o modelach na blogu, w sześciu grupach. Zacznijcie od grupy, która odpowiada Waszemu pytaniu.

### A. Podstawy: czym są modele

-   [Duże modele językowe: możliwości i ograniczenia](https://majchrzycki.com/blog/large-language-model-llm-ai) — zadania, w których LLM wnosi wartość, i testy przed wdrożeniem.
-   [Małe modele językowe SLM: kiedy mają sens w firmie](https://majchrzycki.com/blog/small-language-model-slm-ai) — granica rozmiaru, koszt i prywatność małych modeli.
-   [Modele fundamentalne AI: zastosowania i ograniczenia](https://majchrzycki.com/blog/modele-fundamentalne-ai-czym-s%C4%85-i-jakie-maj%C4%85-zastosowanie-w-biznesie-foundation-models) — model bazowy jako punkt wyjścia aplikacji.
-   [Modele generatywne AI w Azure: jak wybrać](https://majchrzycki.com/blog/modele-generatywne-ai-genai-nowa-era-innowacji-w-biznesie-z-microsoft-azure-ai) — model generatywny, zadanie i pomiar.
-   [Narrow AI: czym jest wąska AI i kiedy ją stosować](https://majchrzycki.com/blog/narrow-ai-czym-jest-i-jakie-ma-zastosowania-biznesowe-microsoft-azure-ai) — dlaczego każde wdrożenie w firmie jest wąskie.

### B. Jak model się uczy i dostosowuje

-   [RLHF: co wnosi informacja zwrotna człowieka](https://majchrzycki.com/blog/czym-jest-uczenie-ze-wzmocnieniem-z-informacj%C4%85-zwrotn%C4%85-w-ai-rlhf-reinforcement-learning-from-human-feedback) — jak oceny ludzi zmieniają zachowanie modelu.
-   [Fine-tuning modelu: kiedy warto go przeprowadzić](https://majchrzycki.com/blog/fine-tuning-klucz-do-optymalizacji-modeli-llm-z-microsoft-azure-ai) — trening na przykładach i jego koszt.
-   [RAG, fine-tuning czy RAFT: jak wybrać](https://majchrzycki.com/blog/rag-fine-tuning-i-raft-zaawansowane-strategie-ai-dla-biznesu-microsoft-azure-ai) — porównanie dróg do wiedzy firmy.
-   [RAFT: trening modelu dla domenowego RAG](https://majchrzycki.com/blog/raft-metoda-optymalizacji-modeli-ai-dla-biznesu-z-microsoft-azure-ai) — model trenowany pod wyszukiwanie.
-   [Microsoft Olive: kiedy optymalizować model AI](https://majchrzycki.com/blog/co-to-jest-microsoft-olive-optymalizacja-modeli) — kwantyzacja i konwersja pod konkretny sprzęt.

### C. Rozumowanie, multimodalność i inne kategorie modeli

-   [OpenAI o1 w Azure: rozumowanie i migracja modelu](https://majchrzycki.com/blog/model-o1-od-openai-i-jego-wykorzystanie-w-biznesie-za-pomoc%C4%85-microsoft-azure-ai) — kiedy dodatkowe rozumowanie się opłaca.
-   [GPT-4o w Azure: zastosowania i plan migracji](https://majchrzycki.com/blog/model-gpt-4o-od-openai-i-jego-wykorzystanie-w-biznesie-za-omoc%C4%85-microsoft-azure-ai) — model łączący tekst i obraz.
-   [Jev od TypeSafe AI: model decyzji, nie chatbot](https://majchrzycki.com/blog/jev-typesafe-ai-model-decyzyjny-2026) — model, który oddaje wartości i prawdopodobieństwa zamiast tekstu.
-   [NVIDIA Cosmos: modele świata dla Physical AI](https://majchrzycki.com/blog/nvidia-cosmos-modele-swiata-physical-ai) — modele dla robotów i świata fizycznego.

### D. Gdzie uruchomić model

-   [MaaS w Microsoft Foundry: wybór wdrożenia](https://majchrzycki.com/blog/model-as-a-service-maas-microsoft-azure-ai-service) — model przez API w chmurze Microsoft.
-   [NVIDIA NIM: inferencja modeli AI we własnej infrastrukturze](https://majchrzycki.com/blog/nvidia-nim-inferencja-modeli-ai) — gotowe kontenery z modelami na własnych GPU.
-   [vLLM w suwerennym AI OS](https://majchrzycki.com/blog/vllm-ai-os) — otwarty serwer do uruchamiania modeli.
-   [ONNX Runtime w suwerennym AI OS](https://majchrzycki.com/blog/onnx-runtime-ai-os) — uruchamianie zoptymalizowanych modeli.
-   [Open WebUI: własny interfejs do modeli AI](https://majchrzycki.com/blog/technologia-open-webui-ai-native) — okno czatu do modeli na własnym serwerze.
-   [LM Studio Bionic: agent z modelem lokalnym czy chmurowym?](https://majchrzycki.com/blog/ai-sdlc-agent-bionic) — model lokalny na komputerze programisty.

### E. Modele z otwartymi wagami

-   [Hugging Face: modele i narzędzia AI dla firmy](https://majchrzycki.com/blog/hugging-face-ai-apps-genai) — gdzie szukać modeli i co sprawdzić przed użyciem.
-   [Llama od Meta: własne wdrożenie modelu AI](https://majchrzycki.com/blog/llama-meta-model-otwarte-wagi-firma) — licencja społecznościowa Meta i własny hosting.
-   [Gemma od Google: mały model pod kontrolą firmy](https://majchrzycki.com/blog/gemma-google-model-lokalny-kod-biznes) — otwarte modele na licencji Apache 2.0.
-   [DeepSeek: otwarte modele do kodu i analityki](https://majchrzycki.com/blog/deepseek-model-otwarty-kod-analityka) — publiczny endpoint a wagi uruchamiane u siebie.
-   [Qwen od Alibaba: kodowanie i własny hosting](https://majchrzycki.com/blog/qwen-alibaba-model-kodowanie-otwarte-wagi) — wybór konkretnego wariantu modelu.
-   [Bielik: polski model dla suwerennego AI](https://majchrzycki.com/blog/bielik-polski-model-tekst-kod-firma) — polska rodzina modeli SpeakLeash.
-   [PLLuM: polski model dla administracji i firm](https://majchrzycki.com/blog/pllum-polski-model-administracja-biznes) — różne licencje w jednej rodzinie.

### F. Modele vendorów

Modele zamknięte opisują osobne poradniki: [ChatGPT i modele OpenAI](https://majchrzycki.com/blog/co-to-jest-chatgpt-poradnik-dla-firm) oraz [Claude i modele Anthropic](https://majchrzycki.com/blog/co-to-jest-claude-poradnik-dla-firm). Wpisy o pojedynczych modelach:

-   OpenAI: [GPT-5 w biznesie](https://majchrzycki.com/blog/model-gpt-5-od-openai-i-jego-potencjalny-wp%C5%82yw-na-biznes), [GPT-5.6 Terra](https://majchrzycki.com/blog/gpt-5-6-terra-model-kompromis-jakosc-koszt), [GPT-6 Astra](https://majchrzycki.com/blog/gpt-6-astra-model-zlozona-praca-kod), [GPT-6 Sol](https://majchrzycki.com/blog/gpt-6-sol-model-kodowanie-agenci), [GPT-6 Luna](https://majchrzycki.com/blog/gpt-6-luna-model-zadania-masowe).
-   Anthropic: [Claude Haiku](https://majchrzycki.com/blog/claude-haiku-model-tekst-kod-biznes), [Claude Sonnet](https://majchrzycki.com/blog/claude-sonnet-model-tekst-analityka-kod), [Claude Opus](https://majchrzycki.com/blog/claude-opus-model-zlozone-zadania-kod), [Claude Fable](https://majchrzycki.com/blog/claude-fable-model-frontier-ai-biznes-kod), [Claude Mythos](https://majchrzycki.com/blog/claude-mythos-model-zaufany-dostep-cyber).
-   Microsoft: [Modele MAI Microsoftu: który wybrać do firmy?](https://majchrzycki.com/blog/modele-mai-microsoftu-przewodnik-dla-firm), małe modele [Fara 1.5](https://majchrzycki.com/blog/fara-1-5-agent-przegladarkowy), [MagenticBrain 14B](https://majchrzycki.com/blog/magenticbrain-14b-model-orkiestracji-agentow), [OptiMind](https://majchrzycki.com/blog/optimind-optymalizacja-produkcji-z-ai) i [Big tasks. Small models](https://majchrzycki.com/blog/big-tasks-small-models-magenticlite).
-   Inni vendorzy: [Google Gemini w firmie](https://majchrzycki.com/blog/google-gemini-genai-apps), [Grok: tekst, kod i agentowe zadania firmy](https://majchrzycki.com/blog/grok-model-tekst-kod-biznes), [Cohere: jak ocenić model i platformę](https://majchrzycki.com/blog/cohere-chat-genai-apps), [IBM watsonx](https://majchrzycki.com/blog/ibm-watson-genai-ai-apps), [Amazon Q](https://majchrzycki.com/blog/amazon-q-genai-apps).

## Najważniejsze w skrócie

-   Model językowy przewiduje kolejne tokeny. Pisze płynnie, ale nie odczytuje faktów z bazy i może się mylić z pełnym przekonaniem.
-   Wiedza modelu kończy się na dacie treningu, a danych firmy model nie zna, dopóki ich nie dostanie — przez RAG albo narzędzia.
-   Okno kontekstu to pamięć robocza. Większe okno nie oznacza lepszej odpowiedzi, tylko wyższy koszt.
-   Mały model wystarczy do wąskich, masowych zadań; duży do złożonej analizy. Często najlepiej działają oba razem.
-   Otwarte wagi to nie zawsze open source. Licencję czyta się dla konkretnego modelu i wersji.
-   Model wybiera się po zadaniu, testach na własnych przykładach, koszcie poprawnego zadania, danych i regionie — w tej kolejności.

-   Modele i LLM
-   Strategia
-   Bezpieczeństwo
-   Zarząd

## Wybierzmy zadanie, zanim wybierzecie model

Prezentacja dla zarządu: nazwiemy jeden proces, dane, z których model ma korzystać, i sposób sprawdzenia wyniku. Dopiero potem porównanie modeli i miejsca ich uruchomienia. Niezależnie od vendora i partnera.

[Umów prezentację dla zarządu](https://majchrzycki.com/wspolpraca/prezentacja-systemu-ai-dla-zarzadu)

FAQ

## Najczęstsze pytania

Czym różni się LLM od ChatGPT albo Claude?

LLM to rodzaj programu: model, który przewiduje kolejne fragmenty tekstu. ChatGPT i Claude to produkty zbudowane na takich modelach — z oknem rozmowy, pamięcią, narzędziami, ustawieniami bezpieczeństwa i umową. Ten sam model może działać w czacie, w aplikacji firmy przez API albo w chmurze Microsoft, AWS czy Google.

Czy model językowy uczy się na naszych rozmowach?

Sam model w trakcie rozmowy się nie zmienia. Pytanie brzmi, czy vendor może później użyć Waszych danych do trenowania. To zależy od produktu i umowy. Microsoft dla modeli w Foundry podaje, że prompty i odpowiedzi nie służą do trenowania modeli bazowych. Dla każdego narzędzia sprawdźcie to w warunkach wersji firmowej.

Dlaczego model podaje nieprawdziwe informacje?

Bo generuje tekst pasujący do wzorców, a nie odczytuje faktów z bazy. NIST nazywa to konfabulacją: pewnie podaną, błędną treścią. Ryzyko zmniejszają źródła dołączone do pytania (RAG), polecenie mówienia „nie wiem” i testy, ale żadne ustawienie nie usuwa go całkiem.

Czy mały model (SLM) wystarczy w firmie?

Do wąskiego, powtarzalnego zadania — często tak: klasyfikacja zgłoszeń, wyciąganie pól z dokumentów, praca na urządzeniu bez chmury. Do złożonej analizy i długich dokumentów zwykle potrzebny jest większy model. Rozstrzyga test na Waszych przykładach, nie liczba parametrów.

Czy model otwarty to to samo co open source?

Nie zawsze. „Otwarte wagi” oznaczają, że można pobrać i uruchomić model. Open Source AI Definition 1.0 organizacji OSI wymaga więcej: kodu, informacji o danych treningowych i parametrów na otwartych warunkach. Licencje modeli bywają też różne — Gemma 4 ma Apache 2.0, a Llama 4 własną licencję społecznościową Meta z ograniczeniami.

Ile kosztuje korzystanie z modelu językowego?

W API płaci się zwykle za tokeny wejścia i wyjścia, a modele z rozumowaniem zużywają dodatkowe tokeny na „myślenie”. Ale cena tokenu to mała część kosztu. Liczcie koszt jednego poprawnie wykonanego zadania: z wyszukiwaniem, integracją, testami, nadzorem i poprawkami człowieka.

Który model jest najlepszy dla firmy?

Nie ma jednego. Rankingi zmieniają się co kilka tygodni i mierzą zadania, których Wasza firma nie wykonuje. Najlepszy jest najprostszy i najtańszy model, który przechodzi Wasz zestaw testowy, w regionie i na warunkach zgodnych z Waszymi zasadami danych.

## Czytaj dalej

-   [Małe modele językowe SLM: kiedy mają sens w firmie](https://majchrzycki.com/blog/small-language-model-slm-ai)
-   [Duże modele językowe: możliwości i ograniczenia](https://majchrzycki.com/blog/large-language-model-llm-ai)
-   [Jak wykorzystać dane firmy w AI? RAG — poradnik dla biznesu](https://majchrzycki.com/blog/co-to-jest-rag-poradnik-dla-firm)
-   [AI w AWS: kiedy Amazon Bedrock ma sens dla firmy?](https://majchrzycki.com/blog/co-to-jest-amazon-bedrock-poradnik-dla-firm)