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.

DecyzjaPytanieDowód przed startem
ZadanieJaki jeden wynik ma powstać?Opis wejścia, wyniku i odbiorcy
WynikSzkic, rekomendacja czy działanie w systemie?Kryteria odbioru i eskalacji
DaneJakie kategorie wolno wysłać do API?Zatwierdzona lista i sposób maskowania
KontoKto jest właścicielem organizacji i projektu?Osoba z firmy, nie z zewnątrz
UtrzymanieKto 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”:

ModelIdentyfikator w APIDo czego według OpenAI
GPT-6 Astragpt-6-astranajwyższa jakość: najtrudniejsze rozumowanie, kodowanie, praca profesjonalna
GPT-6.1 Solgpt-6.1-solwydajność zbliżona do Astry przy niższym koszcie
GPT-6 Lunagpt-6-lunanajszybszy 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

PotrzebaFunkcja API OpenAINa co uważać
Wynik zawsze w tym samym formacieStructured Outputs (JSON według schematu)waliduj wynik także w kodzie
Model ma wywołać funkcję Waszego systemufunction calling w Responses APIparametry od modelu sprawdza kod, który wykonuje operację
Narzędzia z istniejącego serwera MCPnarzędzie mcp w Responses APIzatwierdzenia przez require_approval; złośliwy serwer może wyprowadzić dane z kontekstu
Duży wolumen bez odpowiedzi na żywoBatch APIwyniki przychodzą asynchronicznie
Ten sam długi kontekst w wielu wywołaniachprompt cachingsprawdź 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 testowyOczekiwane zachowanieKontrola
Kompletne źródłoWynik zgodny z materiałem i schematemPorównanie fakt po fakcie
Brak kluczowej liczbyWskazanie brakuBrak wymyślonej wartości
Sprzeczne dokumentyPokazanie konfliktuOdwołanie do obu fragmentów
Dane zabronionePrzerwanie pracyBrak wysłania danych do API
Polecenie ukryte w dokumencieTraktowanie go jak danychBrak 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.

Portret Krzysztofa Majchrzyckiego

O autorze

Krzysztof Majchrzycki jest architektem systemów i AI Business Partnerem. Od wielu lat łączy technologię z biznesem i zarządzaniem. Współtworzył firmy technologiczne i kierował polskim oddziałem międzynarodowej grupy. Dziś projektuje modele firm i inteligentne systemy operacyjne, które z nich wynikają. Ukończył Executive MBA i ma certyfikat Prosci® Certified Change Practitioner.

Buduj aplikacje na API z odbiorem, nie na wiarę

Forward Deployed AI Engineer to kurs w Akademii dla inżyniera, który buduje aplikacje i agentów na modelach AI w systemach firmy: dobiera model, projektuje dostęp do danych, pisze testy i prowadzi odbiór. Kurs jest w przygotowaniu — zapisz się na listę oczekujących.