--- title: "Co to jest Microsoft Foundry? Poradnik dla firm" url: "https://majchrzycki.com/blog/co-to-jest-microsoft-foundry-poradnik-dla-firm" description: "Microsoft Foundry (dawniej Azure AI Foundry): czym jest dziś, kiedy go potrzebujesz, jak zaplanować pierwszy projekt i kto płaci za modele i agentów." --- # Co to jest Microsoft Foundry? Poradnik dla firm 5 października 2026· Aktualizacja: 6 października 2026·10 min czytania·[Krzysztof Majchrzycki](https://majchrzycki.com/o-mnie) Temat: [Microsoft AI](https://majchrzycki.com/blog/filar/microsoft-ai) Microsoft Foundry to platforma Microsoftu do budowy aplikacji i agentów AI. W jednym miejscu masz katalog modeli, usługę agentów, narzędzia, ocenę jakości i nadzór nad działaniem. Wcześniej nazywała się Azure AI Studio, potem Azure AI Foundry. **Sama platforma nie ma opłaty — płacisz za każdą usługę, którą w niej uruchomisz, według jej cennika.** Moim zdaniem Foundry ma sens, gdy firma buduje własną aplikację albo agenta na Azure. Jak przygotować samo środowisko chmury, opisuje [poradnik o Microsoft Azure dla firm](https://majchrzycki.com/blog/co-to-jest-microsoft-azure-poradnik-dla-firm). Zanim utworzysz pierwszy zasób, ustal jedno zadanie, osobę odpowiedzialną, zestaw testów i to, kto pilnuje danych, uprawnień i rachunku. ## Czym jest Microsoft Foundry dziś Foundry to jedno miejsce do budowy i nadzoru aplikacji oraz agentów AI na Azure. [Przegląd Microsoft Foundry w dokumentacji](https://learn.microsoft.com/en-us/azure/foundry/what-is-foundry) wymienia agentów, katalog modeli, narzędzia i wiedzę, obserwowalność, zarządzanie i bezpieczeństwo. Szerszy obraz, gdzie Foundry mieści się w całej ofercie, daje [przegląd Microsoft AI dla firm](https://majchrzycki.com/blog/filar/microsoft-ai). ### Skąd trzy nazwy Kolejność: Azure AI Studio → Azure AI Foundry → Microsoft Foundry. Dokumentacja używa już tylko ostatniej nazwy. Azure AI Services to dziś Foundry Tools, a role Azure AI User i pokrewne to Foundry User, Foundry Owner, Foundry Account Owner i Foundry Project Manager, z tymi samymi uprawnieniami. Nowe nazwy dopiero wchodzą, więc w portalu trafisz jeszcze na stare ([role w Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/rbac-foundry)). Wniosek praktyczny: instrukcja albo oferta ze starą nazwą może opisywać inny model zasobów. Zapytaj, którego dotyczy. ### Co jest w środku - **Agenci.** Prompt agents konfigurowane instrukcją, modelem i narzędziami, ich wersja głosowa oraz hosted agents, które uruchamiają Twój własny kod. - **Katalog modeli.** Modele Microsoftu, OpenAI, Anthropic, Meta i innych vendorów. Dokumentacja mówi o ponad 10 000 modeli, strona cennika o 11 000+. Liczba rośnie szybciej, niż ktokolwiek zdąży je przetestować. - **Narzędzia i wiedza.** Foundry Toolbox, pamięć, wyszukiwanie i Foundry IQ. - **Obserwowalność i zarządzanie.** Tracing, ewaluacje, monitoring, guardrails i kontrola dostępu. Model generuje wynik. Aplikacja dodaje sposób użycia: kontekst, prezentację odpowiedzi, obsługę błędów. Agent dodatkowo wybiera narzędzia w zakresie, który zaprojektujesz. Każdy poziom sprawdzasz osobno. Agent konfigurowany wymaga mniej kodu. Hosted agent daje więcej swobody, ale odpowiadasz za własny kod i jego zależności. Schemat Microsoft Foundry: zasób Foundry zawiera projekt, w którym są agenci, modele, ewaluacje i inne funkcje oznaczone jako GA albo preview; Storage, Key Vault i AI Search to osobne zasoby Azure. Stan dokumentacji Microsoft z 5 października 2026. Jeden zasób i jeden projekt Foundry to zalecany start. Status sprawdzaj dla każdej funkcji osobno, bo część jest jeszcze w preview (stan z 5.10.2026). ### GA i preview: sprawdzaj element, nie platformę Foundry Agent Service jest dostępny ogólnie (GA), ale nie wszystko w platformie ma ten status. Tabela poniżej pochodzi z [listy gotowości funkcji Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/general-availability), stan na 5.10.2026. Microsoft odświeża tę stronę mniej więcej co 90 dni, więc przed decyzją sprawdź ją ponownie. Funkcja Status Agenci (rdzeń Agent Service) GA Modele z katalogu GA Ewaluacje GA, część ewaluatorów w preview Red teaming GA Tracing (agenci prompt i hosted) GA Toolboxes GA Fine-tuning GA Guardrails dla modeli GA, dla agentów preview Monitoring preview Pamięć (Memory) preview Foundry IQ częściowo GA: API GA, dostęp z portalu w preview Operate, AI Gateway preview Uwaga na Workflows. Są w preview, a Microsoft wycofuje je 1 grudnia 2026 i dla nowych projektów zaleca Microsoft Agent Framework. Etykieta preview jest jak „prawie skończyłem” w raporcie agenta kodującego. Brzmi dobrze, ale nie podpisujesz na tej podstawie odbioru. ## Projekt Foundry czy projekt na hubie Projekt Foundry jest podzasobem zasobu Foundry. Projekt na hubie to starszy model z portalu Foundry (classic). Microsoft w większości przypadków zaleca projekt Foundry, bo tylko w nim są agenci GA i nowe możliwości modeli ([architektura Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/architecture)). Nowy portal nie obsługuje projektów na hubie ani samodzielnych zasobów Azure OpenAI. Do nich służy portal classic. Prompt flow działa tylko w projektach na hubie, więc nie jest ścieżką dla nowego projektu. Masz rozwiązanie w classic? Zmiana nazwy nie jest powodem do migracji. Najpierw zrób inwentaryzację: wdrożenia modeli, połączenia, indeksy, tożsamości, ustawienia guardrails (dawniej filtrów treści), Application Insights, sieci prywatne i kod oparty na konkretnych pakietach SDK. Dopiero potem oceń, co zyskasz. Przy ofercie od wykonawcy poproś o wskazanie wariantu: projekt Foundry czy hub, i status każdej funkcji, na której opiera rozwiązanie. ## Kiedy firma potrzebuje Foundry, a kiedy nie To mój wniosek z zakresu platformy, nie zalecenie Microsoftu. Potrzeba Czy Foundry Co zamiast albo obok Własna aplikacja lub agent na firmowych danych tak — Gotowa funkcja: rozpoznanie dokumentu, mowy, języka raczej nie cała platforma [gotowe usługi Foundry Tools (dawniej Azure AI Services)](https://majchrzycki.com/blog/microsoft-azure-ai-services) Sam wybór, jak udostępnić model częściowo [porównanie MaaS z innymi sposobami wdrożenia modelu](https://majchrzycki.com/blog/model-as-a-service-maas-microsoft-azure-ai-service) Asystent do pracy biurowej bez własnego kodu nie to inna decyzja zakupowa, poza Foundry Nie każde zadanie potrzebuje agenta. Jeśli pracownik wkleja krótki tekst i chce uporządkowanego streszczenia, prosty przebieg wystarczy. Samodzielny dobór narzędzi dodawaj wtedy, gdy rozwiązuje rozpoznaną potrzebę, a firma umie skontrolować wynik. ## Jak zaplanować pierwszy projekt Przykład przewodni: aplikacja pomaga handlowcom przygotować odpowiedź na zapytanie ofertowe. Wyszukuje zatwierdzone materiały i tworzy szkic. Handlowiec sprawdza warunki i zatwierdza wysłanie. ### Zacznij od zadania, nie od katalogu modeli Zapisz hipotezę w jednym zdaniu: „użytkownik podejmuje decyzję X na podstawie danych Y, a aplikacja ma poprawić miarę Z”. W przykładzie miarą będzie zgodność szkicu z aktualnymi warunkami i czas od otwarcia zapytania do zatwierdzenia odpowiedzi. Potem zbuduj zestaw testowy. To nie jest zbiór treningowy. To kontrakt odbioru, na którym porównasz modele, instrukcje i kolejne wersje. Przypadek testowy Co powinien zrobić system Co oznacza błąd Odpowiedź jest w aktualnym materiale przygotować zgodny szkic zmiana warunku albo pominięcie wyjątku Brak potrzebnej informacji wskazać brak i drogę wyjaśnienia wymyślona cena albo termin Sprzeczne wersje dokumentu ujawnić konflikt albo zastosować zatwierdzoną regułę przypadkowy wybór starej wersji Żądanie poza zakresem roli odmówić użycie szerszych uprawnień niż trzeba Nieudane wywołanie narzędzia podać rzeczywisty stan potwierdzenie czynności, której nie było Część przypadków odłóż do niezależnego odbioru. Model, który zna odpowiedzi na wszystkie pytania z zestawu testowego, mógł się po prostu nauczyć zestawu. Model wybieraj dopiero na tym zestawie: jakość, region, opóźnienie, przepustowość, rozliczenie, warunki danych. Publiczny ranking nie zna Twoich zapytań ofertowych. ### Minimum na start: jeden zasób, jeden projekt Hierarchia wygląda tak. Zasób Foundry odpowiada za sieć, bezpieczeństwo i wdrożenia modeli. Projekty są granicą pracy zespołu: agenci, ewaluacje, pliki. Storage, Key Vault i AI Search to osobne zasoby Azure z własnym zarządzaniem. Dla jednego dewelopera Microsoft zaleca jeden zasób z jednym projektem ([architektura Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/architecture)). [Plan wdrożenia Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/planning) mówi: współdzielenie zasobu do eksploracji, osobny zasób na każdą granicę obciążenia w produkcji. Przed startem ustal subskrypcję i grupy zasobów, wymagania sieci i szyfrowania, plan regionów i listę funkcji, których użyjesz. Pierwszy projekt sprawdza jedną hipotezę najmniejszym zestawem usług: Warstwa Pytanie właściciela Minimum na start Czego nie dodawać Dowód gotowości Wejście kto i po co uruchamia zadanie? uwierzytelnienie użytkownika publicznych endpointów „na chwilę” identyfikator każdego żądania Dane które materiały wolno użyć? jedno kontrolowane źródło wszystkich repozytoriów firmy filtr uprawnień i rejestr źródeł Model lub agent czy jakość wystarcza? jeden model, zestaw testowy wielu agentów i rozbudowanej pamięci wynik na wersjonowanym zestawie Narzędzia jakie skutki może wywołać? jedno wąskie narzędzie ogólnego dostępu do API lista operacji, walidacja, limity Monitoring i utrzymanie kto zauważy pogorszenie? ewaluacja, ślady, metryki stosu analitycznego bez odbiorcy próg, alarm, właściciel i zastępstwo Jeśli agent pobiera dokument albo wywołuje narzędzie, warstwa wykonawcza musi znać uprawnienia użytkownika. Instrukcja „pokazuj tylko uprawnione dane” w prompcie nie jest autoryzacją. Jest prośbą. ### Role i dostęp Według [opisu ról w Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/rbac-foundry): - **Foundry User** na zasobie Foundry dla użytkownika i dla tożsamości zarządzanej projektu. - **Cognitive Services Usages Reader** na subskrypcji, jeśli użytkownik ma widzieć limit (quota). - **Owner** albo inna rola z prawem przypisywania ról, żeby nadawać role. - **Foundry Agent Consumer**, jeśli ktoś ma tylko wywoływać agentów. Owner albo Contributor na subskrypcji nie wystarcza do pracy z agentem. Właściciel wszystkiego, a agent i tak go nie słucha. ### Region i miejsce przetwarzania danych O miejscu przetwarzania promptów i odpowiedzi decyduje typ wdrożenia modelu ([prywatność danych w Foundry](https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/data-privacy)): - **Standard** — w geografii, którą wskażesz. - **Data Zone** — w obrębie strefy; dla zasobu w UE w dowolnym kraju UE. - **Global** — w dowolnej geografii, w której dany model działa. Pliki, wektory i historia zostają w wyznaczonej geografii. Automatycznego przełączania regionów po awarii nie ma. Z Polską dokumentacja sama sobie przeczy. [Lista regionów dla projektów Foundry](https://learn.microsoft.com/en-us/azure/foundry/reference/region-support) nie zawiera Poland Central. [Tabela regionów Agent Service](https://learn.microsoft.com/en-us/azure/foundry/agents/concepts/limits-quotas-regions) pokazuje Poland Central jako dostępny dla agentów. Microsoft sam zaleca, żeby przed wyborem regionu sprawdzić dostępność modelu, limit i usługi zależne, i potwierdzić to w portalu dla tej samej subskrypcji i tenanta. Zrób to, zanim komuś obiecasz „dane w Polsce”. ### Dane i źródła wiedzy Nie podłączaj na start całego SharePointa. Wybierz jedną kolekcję o znanym właścicielu i jednolitych zasadach dostępu. Każdy dokument potrzebuje właściciela, daty obowiązywania i zakresu dostępu. Archiwalną instrukcję bez statusu model użyje z tą samą pewnością co aktualnej. Metadane są tu logiką biznesową. Wyszukiwanie oceniaj osobno od generowania: najpierw, czy właściwy fragment trafił do wyników, potem, czy model dobrze go użył. Inaczej zespół poprawia prompt, a winny jest indeks. Dostęp do źródła i poprawność odpowiedzi też odbierasz osobno. Gdy agent ma odpowiadać z wielu zatwierdzonych dokumentów, sprawdź [Foundry IQ jako zarządzaną bazę wiedzy dla agentów](https://majchrzycki.com/blog/microsoft-foundry-iq-baza-wiedzy-dla-agentow). ### Ocena jakości jako bramka Ewaluacje w Foundry są GA, część ewaluatorów jest w preview. Bramka ma dwa poziomy. Pierwszy to miary platformy i bezpieczeństwo. Drugi to reguły Twojej dziedziny: czy są wymagane pola, czy termin zgadza się z umową, czy wyjątek trafił do człowieka. Przykład syntetyczny, nie wynik projektu: na 50 pytaniach dostajesz 44 poprawne odpowiedzi, 4 uzasadnione odmowy i 2 błędy. To nie jest „96% skuteczności”. Rozdziel odpowiedzi, odmowy i błędy i sprawdź skutek każdego błędu. Jedna zmyślona gwarancja w ofercie może zatrzymać wdrożenie mimo dobrego wyniku reszty. Automatyczny oceniający bez odpowiedzi wzorcowej bywa równie pewny siebie co błędny, więc próbkę wyników przegląda człowiek. Dodaj test wieloetapowej rozmowy: użytkownik zmienia zakres albo odwołuje decyzję, a system ma działać na aktualnym ustaleniu, nie na tym sprzed trzech wiadomości. ### Cztery etapy pierwszego projektu To moja metoda robocza, nie procedura Microsoftu. Etap Co robisz Decyzja na końcu 1\. Ustal zadanie, właściciel, użytkownicy, dane, miara, karta ryzyka, zestaw testowy rozwijać, poprawić dane, zmienić model albo zatrzymać 2\. Zbuduj minimum projekt, tożsamości, jeden model, jedno źródło, bez działań zapisujących jw. 3\. Sprawdź ewaluacja, ślady z kontrolowaną treścią, testy regresji, porównanie dwóch wariantów na tym samym zestawie jw. 4\. Uruchom wąsko jedno wąskie narzędzie z walidacją, zatwierdzenie człowieka przy skutku wysokiego ryzyka, ograniczona grupa użytkowników jw.; szersze uruchomienie dopiero po liście przed produkcją „Zatrzymać” to normalny wynik. Wartość pilotażu to także szybki dowód, że dane albo ekonomika zadania nie uzasadniają dalszej inwestycji. Schemat czterech etapów pierwszego projektu w Microsoft Foundry: ustalenie zadania i testów, zbudowanie minimum, sprawdzenie jakości i wąskie uruchomienie. Po każdym etapie bramka z decyzją: rozwijać, poprawić dane, zmienić model albo zatrzymać. Cztery etapy pierwszego projektu według metody autora. Każdy kończy się decyzją, także decyzją o zatrzymaniu projektu. ## Ile kosztuje Microsoft Foundry [Strona cennika Foundry](https://azure.microsoft.com/en-us/pricing/details/ai-foundry/) (odczyt 5.10.2026) mówi wprost: za samo używanie i eksplorację platformy nie ma opłaty, a funkcje, z których korzystasz, są rozliczane według ich zwykłych stawek. Strona nie podaje ani jednej kwoty, tylko odsyła do cenników składników. Uczciwe do bólu: nic nie kosztuje, dopóki czegoś nie uruchomisz. Foundry nie ma pozycji w kalkulatorze cen Azure, więc szacujesz usługi składowe, na przykład AI Search, Speech czy Language ([zarządzanie kosztami Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs)). Co trzeba wiedzieć o rozliczeniu modeli: - Zależnie od typu wdrożenia płacisz za tokeny (pay-as-you-go), godzinowo za zarezerwowaną przepustowość (provisioned) albo za przetwarzanie wsadowe (batch). - Typ Developer służy tylko do oceny modeli fine-tuned: 24 godziny, bez SLA. - Model fine-tuned ma opłatę za hosting naliczaną także wtedy, gdy nikt go nie używa. - Modele innych vendorów kupowane przez Azure Marketplace są rozliczane osobno i nie zapłacisz za nie środkami Azure Prepayment. Modele sprzedawane przez Azure — tak. - Rozliczanie kosztów po projektach (tag `project`) działa dla modeli sprzedawanych przez Azure i jest w preview. Na stronie cennika są też Foundry Local i plan przedpłaty dla agentów (Agent Commit Units). Warunki sprawdź bezpośrednio tam. ### Koszt to więcej niż tokeny Budżet obejmuje wywołania modeli, embeddingi, indeksy, przechowywanie, sieć, telemetrię i pracę zespołu. Ustaw budżet i alarmy przed szerokim testem, nie po pierwszej fakturze. W pilocie ogranicz liczbę kroków agenta i rozmiar kontekstu. Najlepsza miara dla właściciela procesu to koszt sprawy zakończonej wynikiem, który spełnia wymagania. Umowny przykład: wywołanie wariantu A kosztuje połowę tego co B, ale szkic z A wymaga 8 minut kontroli, a z B 3 minut. Jeśli pięć minut pracy handlowca kosztuje więcej niż różnica w cenie wywołania, droższy wariant jest tańszy dla firmy. To model do policzenia na własnych danych, nie cennik Foundry. Licz też ponowienia i porzucone próby, a koszt budowy i utrzymania zapisz osobno. Grupuj zadania według trudności i skutku błędu. Mierz czas do zatwierdzenia wyniku, nie czas generowania tekstu. Schemat kosztów Microsoft Foundry: platforma jest bez opłaty, płaci się za uruchomione usługi według ich cenników, a modele innych vendorów z Marketplace rozlicza się osobno. Poniżej podział odpowiedzialności między Microsoft, firmę i wykonawcę, z największym zakresem po stronie firmy. Sama platforma Foundry nie ma opłaty i niczego nie gwarantuje. Koszt i odpowiedzialność wynikają z tego, co firma w niej uruchomi i skonfiguruje. Podział odpowiedzialności to wniosek autora z dokumentacji Microsoft. ## Kto za co odpowiada: Microsoft, firma, wykonawca Microsoft nie ma jednego zdania o współodpowiedzialności dla Foundry. Podział niżej to mój wniosek z dokumentacji. **Microsoft** daje platformę i narzędzia: guardrails, red teaming, Microsoft Entra, RBAC, sieć prywatną i Azure Policy. Zalecenia opiera na Microsoft Responsible AI Standard w trzech krokach: Discover, Protect, Govern ([odpowiedzialne użycie AI w Foundry](https://learn.microsoft.com/en-us/azure/foundry/responsible-use-of-ai-overview)). Dla modeli sprzedawanych przez Azure prompty, odpowiedzi i dane treningowe nie są dostępne innym klientom ani vendorom modeli i nie trenują modeli bez Twojej zgody. Przetwarzanie obejmuje umowa DPA Microsoftu. Microsoft może przejrzeć próbkę promptów w ramach monitorowania nadużyć, a dla wdrożeń w EOG recenzenci są w EOG ([prywatność danych w Foundry](https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/data-privacy)). Modele innych vendorów kupowane przez Azure Marketplace mają własne warunki danych. Sprawdź je dla każdego modelu przed wdrożeniem. **Firma** odpowiada za konfigurację, uprawnienia, dane źródłowe, treść promptów oraz Storage, Key Vault i AI Search. Każdy obszar ma imiennego właściciela. **Wykonawca, czyli partner wdrożeniowy,** odpowiada w zakresie umowy. Konto i zasoby są po stronie firmy, nie jednej osoby. Zastępstwo obejmuje też wiedzę potrzebną do zrozumienia błędu. To nie jest porada prawna — umowę i obowiązki z RODO i AI Act oceni prawnik. ### Guardrails nie sprawdzą, czy odpowiedź jest prawdziwa Guardrails (dawniej content filters) działają na wejściu, na wyjściu, a w preview także przy wywołaniach i odpowiedziach narzędzi ([architektura Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/architecture)). Filtrują szkodliwe treści. Przepuszczą za to uprzejmie sformułowaną, całkowicie zmyśloną gwarancję. Trzymaj więc osobne próby dla ochrony, uprawnień i poprawności biznesowej. Przygotuj dokument z wstrzykniętym poleceniem sprzecznym z zadaniem aplikacji: system ma go potraktować jako treść, nie rozkaz. Testuj na sztucznych danych, wynik zapisz z wersją konfiguracji. Nie dawaj wszystkim roli właściciela. Dev, test i produkcja mają osobne zasoby i tożsamości. Wyjątek z demonstracji dostaje właściciela i datę wygaśnięcia. Agent ma mniej praw niż aplikacja. Przy skutku finansowym, prawnym albo dla klienta człowiek zatwierdza przed skutkiem, nie po nim. ### Ślady mogą zawierać dane klientów Tracing jest GA dla agentów prompt i hosted. Ślad opisuje przebieg rozmowy, więc może zawierać to, co wpisał użytkownik, i to, co odpowiedział model. Obserwowalność ma przez to własny model zagrożeń. Przed włączeniem ustal, co wolno logować, kto czyta ślady, jak długo je trzymasz i jak obsłużysz żądanie usunięcia. Maskuj sekrety. Alert musi mieć właściciela. Dashboard bez właściciela to tylko bardzo ładne archiwum. ### Lista przed produkcją Obszar Ustalenie Próba odbiorowa Wersja znany model, instrukcje i konfiguracja narzędzi odtworzenie wyniku dla wskazanej wersji Zmiana test przed udostępnieniem porównanie starego i nowego wariantu Błąd właściciel i sposób zgłoszenia przekazanie złej odpowiedzi do analizy Awaria czytelny komunikat i droga zastępcza dokończenie sprawy bez aplikacji Dostęp role i termin przeglądu próba użytkownikiem z ograniczonym zakresem Koszt odbiorca sygnału i reguła reakcji wyjaśnienie nagłego wzrostu użycia W pilocie przećwicz wycofanie dokumentu ze źródeł i zmianę narzędzia. Poproś wykonawcę o pokazanie zmiany wymagania, na przykład nowego typu zapytania ofertowego, i powrotu do poprzedniej wersji. Taka próba powie o utrzymaniu więcej niż slajd z listą funkcji. ## Mapa wpisów o Foundry Wpisy są ułożone według decyzji, które podejmujesz w projekcie: jaka usługa, jaki model i skąd model weźmie wiedzę. - **Usługi i sposób wdrożenia** — gotowe usługi, model przez API i migracja botów: [Azure AI Services: jak wybrać usługę](https://majchrzycki.com/blog/microsoft-azure-ai-services) · [MaaS: wybór wdrożenia modelu](https://majchrzycki.com/blog/model-as-a-service-maas-microsoft-azure-ai-service) · [Azure Bot Service po Bot Framework](https://majchrzycki.com/blog/microsoft-azure-ai-bot-service-framework-chatbot-voicebot-copilot-agent) - **Modele w katalogu** — wybór i migracja modeli, także małych modeli Microsoftu: [Modele generatywne AI w Azure](https://majchrzycki.com/blog/modele-generatywne-ai-genai-nowa-era-innowacji-w-biznesie-z-microsoft-azure-ai) · [GPT-4o: zastosowania i migracja](https://majchrzycki.com/blog/model-gpt-4o-od-openai-i-jego-wykorzystanie-w-biznesie-za-omoc%C4%85-microsoft-azure-ai) · [OpenAI o1: rozumowanie i migracja](https://majchrzycki.com/blog/model-o1-od-openai-i-jego-wykorzystanie-w-biznesie-za-pomoc%C4%85-microsoft-azure-ai) · [Modele MAI Microsoftu](https://majchrzycki.com/blog/modele-mai-microsoftu-przewodnik-dla-firm) · [Fara 1.5: agent w przeglądarce](https://majchrzycki.com/blog/fara-1-5-agent-przegladarkowy) · [MagenticBrain 14B: dyspozytor agentów](https://majchrzycki.com/blog/magenticbrain-14b-model-orkiestracji-agentow) · [OptiMind: plan produkcji](https://majchrzycki.com/blog/optimind-optymalizacja-produkcji-z-ai) · [Narrow AI: wąska AI w firmie](https://majchrzycki.com/blog/narrow-ai-czym-jest-i-jakie-ma-zastosowania-biznesowe-microsoft-azure-ai) - **Wiedza i dostrajanie** — wyszukiwanie w dokumentach, baza wiedzy dla agentów i trening modelu: [Azure AI Search: klasyczny i agentowy RAG](https://majchrzycki.com/blog/microsoft-azure-ai-search-retrieval-augmented-generation-rag) · [Foundry IQ: baza wiedzy dla agentów](https://majchrzycki.com/blog/microsoft-foundry-iq-baza-wiedzy-dla-agentow) · [RAG w Azure: dane, chunking i ewaluacja](https://majchrzycki.com/blog/rag-wieksza-precyzja-w-modelach-ai-dla-biznesu-z-microsoft-azure-ai) · [RAG, fine-tuning czy RAFT](https://majchrzycki.com/blog/rag-fine-tuning-i-raft-zaawansowane-strategie-ai-dla-biznesu-microsoft-azure-ai) · [RAFT: trening dla domenowego RAG](https://majchrzycki.com/blog/raft-metoda-optymalizacji-modeli-ai-dla-biznesu-z-microsoft-azure-ai) · [Fine-tuning: kiedy warto](https://majchrzycki.com/blog/fine-tuning-klucz-do-optymalizacji-modeli-llm-z-microsoft-azure-ai) ## Co zrobić w poniedziałek Zapisz zdanie hipotezy: „użytkownik podejmuje decyzję X na podstawie danych Y, a aplikacja ma poprawić miarę Z”. Zbierz rzeczywiste, zanonimizowane przykłady z opisem oczekiwanego wyniku. Narysuj pięć warstw z tabeli minimum i przypisz każdej właściciela. Sprawdź w portalu region, model i limit dla swojej subskrypcji. Dopiero wtedy utwórz zasób. Najtrudniejsza część nie dzieje się w portalu. To rozmowa z firmą o tym, co ma powstać, kto za to odpowiada i kiedy projekt zatrzymać. - Agenci AI - Modele i LLM - Azure - Strategia ## Zbuduj to u klienta, nie tylko w portalu Forward Deployed AI Engineer to kurs w Akademii dla inżyniera, który sam ustala z firmą, co ma powstać. Edycja Microsoft rusza pierwsza — zapisz się na listę oczekujących. [Zobacz kurs Forward Deployed AI Engineer](https://majchrzycki.com/akademia/kurs-forward-deployed-ai-engineer) ## Czytaj dalej - [Microsoft Azure dla firm: jak ocenić migrację](https://majchrzycki.com/blog/co-to-jest-microsoft-azure-poradnik-dla-firm) - [Microsoft Azure AI Services: jak wybrać usługę](https://majchrzycki.com/blog/microsoft-azure-ai-services) - [MaaS w Microsoft Foundry: wybór wdrożenia](https://majchrzycki.com/blog/model-as-a-service-maas-microsoft-azure-ai-service) - [Aplikacje AI native w Microsoft Azure](https://majchrzycki.com/blog/microsoft-intelligent-ai-native-applications-microsoft-azure)