ChatGPT w firmie: od pomysłu do kontrolowanego użycia
Temat: OpenAI
Od pomysłu do kontrolowanego użycia na API OpenAI prowadzi jedno zadanie z wynikiem, który da się sprawdzić, zestaw testów i osobny projekt z własnymi kluczami i limitami — a nie rozdanie dostępu do czatu. Ten wpis jest dla zespołu IT i twórców, którzy budują własną aplikację GenAI na modelach OpenAI: klasyfikację zgłoszeń, ekstrakcję danych z dokumentów, asystenta w systemie firmy albo agenta z narzędziami. Stan na 6.10.2026.
Wybór planu ChatGPT dla pracowników (Business czy Enterprise), zasady danych w czacie i miejsce Codex opisuje poradnik o ChatGPT dla firm. API to osobny produkt: osobna organizacja, osobne klucze i rozliczenie za użycie modeli według cennika API, niezależnie od planów ChatGPT.
Zacznij od zadania, które można sprawdzić
Dobry pierwszy projekt ma jasne wejście i wynik, który program albo człowiek oceni bez dyskusji o gustach: przypisanie zgłoszenia do kolejki, pola faktury w JSON, odpowiedź na pytanie z odwołaniem do dokumentu. Nie zaczynaj od decyzji prawnej, kadrowej czy finansowej, której błąd trudno odwrócić.
| Decyzja | Pytanie | Dowód przed startem |
|---|---|---|
| Zadanie | Jaki jeden wynik ma powstać? | Opis wejścia, wyniku i odbiorcy |
| Wynik | Szkic, rekomendacja czy działanie w systemie? | Kryteria odbioru i eskalacji |
| Dane | Jakie kategorie wolno wysłać do API? | Zatwierdzona lista i sposób maskowania |
| Konto | Kto jest właścicielem organizacji i projektu? | Osoba z firmy, nie z zewnątrz |
| Utrzymanie | Kto testuje zmianę modelu? | Właściciel i zestaw testów |
Oddziel przygotowanie wyniku od działania. Model może zaproponować kategorię albo szkic, ale zapis w systemie, wysyłka wiadomości i płatność wymagają kontroli w kodzie aplikacji, a w pilocie także zatwierdzenia człowieka.
Wybierz model i API
Przewodnik OpenAI po rodzinie GPT-6 (stan na 6.10.2026) opisuje trzy modele i nie wskazuje jednego „najlepszego”:
| Model | Identyfikator w API | Do czego według OpenAI |
|---|---|---|
| GPT-6 Astra | gpt-6-astra | najwyższa jakość: najtrudniejsze rozumowanie, kodowanie, praca profesjonalna |
| GPT-6.1 Sol | gpt-6.1-sol | wydajność zbliżona do Astry przy niższym koszcie |
| GPT-6 Luna | gpt-6-luna | najszybszy i najtańszy, do skupionych zadań w dużym wolumenie |
GPT-6.1 Sol zastąpił 29.09.2026 wersję GPT-6 Sol, która nadal działa (karta GPT-6.1 Sol). Przy przejściu sprawdź poziom rozumowania (reasoning effort): GPT-6.1 Sol obsługuje poziomy low, medium (domyślny), high, xhigh i max, a nie przyjmuje none ani minimal. Tanie wywołania bez rozumowania trzeba więc przeliczyć na nowo, a z wywołań usunąć parametry temperature i top_p. Szczegóły modelu Sol opisuje wpis GPT-6 Sol: kodowanie i workflow agentowe.
OpenAI zaleca Responses API do wywołań z narzędziami. W Chat Completions wywoływanie funkcji ma dla części modeli rodziny GPT-6 ograniczenia, więc nowy projekt warto od razu pisać na Responses API.
Dobierz funkcje: format, narzędzia, agenci
| Potrzeba | Funkcja API OpenAI | Na co uważać |
|---|---|---|
| Wynik zawsze w tym samym formacie | Structured Outputs (JSON według schematu) | waliduj wynik także w kodzie |
| Model ma wywołać funkcję Waszego systemu | function calling w Responses API | parametry od modelu sprawdza kod, który wykonuje operację |
| Narzędzia z istniejącego serwera MCP | narzędzie mcp w Responses API | zatwierdzenia przez require_approval; złośliwy serwer może wyprowadzić dane z kontekstu |
| Duży wolumen bez odpowiedzi na żywo | Batch API | wyniki przychodzą asynchronicznie |
| Ten sam długi kontekst w wielu wywołaniach | prompt caching | sprawdź czas życia pamięci podręcznej po migracji modelu |
Do agentów dokumentacja OpenAI wskazuje trzy drogi. Agents API: OpenAI prowadzi agenta i zapisuje postęp długiego zadania. Agents SDK: pętla agenta działa w Waszej aplikacji, z Waszymi narzędziami i przekazaniami między agentami. Responses API: bezpośrednie wywołania modelu, gdy agenta budujecie od zera. Im więcej prowadzi OpenAI, tym mniej kodu, ale też mniej kontroli nad tym, gdzie leży stan zadania. Model z narzędziem do zapisu jest jak bardzo uczynny kurier: dostarczy wszystko, co uznał za zamówienie. Dlatego operacje zapisu dostają zatwierdzenie.
Projekty, klucze i limity
Według dobrych praktyk produkcyjnych OpenAI środowiska testowe i produkcyjne warto rozdzielić na osobne projekty. Każdy projekt może mieć własne limity zapytań i wydatków, a twardy limit wydatków zatrzymuje ruch po przekroczeniu progu. Klucze trzymaj w menedżerze sekretów albo zmiennych środowiskowych, nigdy w kodzie i repozytorium. Administrator może dopuścić tylko klucze kont serwisowych albo tylko klucze użytkowników w projektach.
Dla aplikacji produkcyjnej rozsądne jest konto serwisowe w projekcie produkcyjnym, a właścicielem organizacji API — osoba z firmy. Partner, który buduje aplikację, dostaje rolę w projekcie na czas prac.
Dane w API: trening, retencja i region
Według opisu kontroli danych w API dane wysłane do API nie są używane do trenowania modeli OpenAI, chyba że firma wyrazi na to zgodę. Logi monitoringu nadużyć mogą zawierać prompty i odpowiedzi i są przechowywane do 30 dni, chyba że prawo wymaga dłużej. Kwalifikujący się klienci mogą po akceptacji OpenAI włączyć zmodyfikowany monitoring nadużyć albo Zero Data Retention.
Retencja zależy też od tego, co zapisuje sama aplikacja. Ta sama strona opisuje osobno stan przechowywany przez endpointy: odpowiedzi zapisane przez Responses API, rozmowy (Conversations), które zostają do usunięcia, i pliki, które zostają do usunięcia albo ustawionego wygaśnięcia. Wymóg „nic nie przechowujemy” trzeba więc sprawdzić dla każdego endpointu, którego używa aplikacja.
Przechowywanie danych w wybranym regionie, w tym w Europie, jest dostępne dla kwalifikujących się klientów, a regionalne przetwarzanie tylko w części regionów. Przewodnik po GPT-6 zaznacza, że tryb fast nie działa z rezydencją danych w UE. Firma nadal odpowiada za to, jakie dane wysyła; umowę powierzenia przetwarzania ocenia prawnik.
Testuj na przypadkach trudnych
Przygotuj przypadki typowe, niepełne, sprzeczne, wykraczające poza zakres i dokument z tekstem udającym polecenie dla modelu. Sprawdź, czy aplikacja rozpoznaje brak podstaw i nie wykonuje działań, których nikt nie zlecił. Płynna odpowiedź nie jest dowodem prawdziwości. Do powtarzalnych testów OpenAI ma osobny przewodnik po ewaluacjach.
| Przypadek testowy | Oczekiwane zachowanie | Kontrola |
|---|---|---|
| Kompletne źródło | Wynik zgodny z materiałem i schematem | Porównanie fakt po fakcie |
| Brak kluczowej liczby | Wskazanie braku | Brak wymyślonej wartości |
| Sprzeczne dokumenty | Pokazanie konfliktu | Odwołanie do obu fragmentów |
| Dane zabronione | Przerwanie pracy | Brak wysłania danych do API |
| Polecenie ukryte w dokumencie | Traktowanie go jak danych | Brak nieplanowanego wywołania narzędzia |
Przykład syntetyczny: z 50 przypadków testowych 34 wyniki zaakceptowano bez zmian, 12 po korekcie, a 4 odrzucono. Wynik 68% bez poprawek nie mówi, czy aplikacja oszczędza czas. Trzeba policzyć czas weryfikacji, wagę czterech błędów oraz liczbę pomyłek, których nikt nie zauważył.
Utrzymuj aplikację po starcie
Modele OpenAI mają cykl życia. Według strony o wycofywaniu modeli modele ogólnie dostępne dostają co najmniej sześć miesięcy wyprzedzenia przed wyłączeniem, warianty specjalistyczne co najmniej trzy miesiące, a modele w wersji preview znacznie mniej. Przykład z 1.10.2026: OpenAI zapowiedziało wyłączenie m.in. GPT-5.1 i GPT-5.3-Codex na 1.04.2027. Przed zmianą modelu puść na nowym ten sam zestaw testów i zapisz, którą wersję testowano.
Operacja, która zmienia dane w systemie, powinna mieć identyfikator i bezpiecznie obsługiwać ponowienie po przerwanym połączeniu. W logach zapisuj identyfikator zapytania, model i wynik testu, a nie sekrety i pełne dane klientów. Raz na ustalony okres sprawdź próbkę zaakceptowanych wyników, bo użytkownicy nie zgłoszą każdego błędu. Policz koszt całej pracy: użycie modeli, utrzymanie, weryfikację i obsługę incydentów.
Pilotaż zakończ jedną z trzech decyzji: rozszerzyć zakres, poprawić aplikację i powtórzyć test albo zrezygnować. Jeżeli firma porównuje kilku vendorów, te same kryteria zastosuj do aplikacji na modelach Anthropic opisanej we wpisie Claude w firmie: jak zacząć od bezpiecznego zadania.
- Dane i analityka
- Modele i LLM
- Strategia
