Tylko 7% polskich małych i średnich firm ocenia swoje przygotowanie do wdrożenia AI jako wysokie. Pół roku wcześniej deklarowało to natomiast 24% – tak wynika z Barometru AI EFL na pierwszą połowę 2026. To nie jest ankieta o ambicji, tylko o tym, czy firma realnie wie, jak zacząć. EY mówi wprost: 2026 będzie rokiem rozliczenia projektów AI w polskich firmach. Pilotaże z 2024 i 2025, które miały “pokazać potencjał”, zarządy zaczynają oceniać po twardych liczbach.
Wdrożenie AI w firmie przestało być tematem prezentacji dla działu R&D. Z perspektywy CEO, CTO i dyrektora operacyjnego pytanie brzmi konkretnie: od którego procesu zacząć, ile to kosztuje przez rok, kto utrzyma efekt, jakie ryzyka kompetencyjne i regulacyjne wejdą w rachubę. Co więcej, większość artykułów w sieci nadal odpowiada na pytanie “co to jest AI” zamiast “jak to wdrożyć tak, żeby się obroniło przed zarządem za pół roku”.
Ten przewodnik rozkłada wdrożenie AI w firmie na konkretne decyzje. Pokazujemy, dlaczego polski rynek SMB cofa się z optymizmu i jakie typy rozwiązań AI dla firm mają sens w 2026. Następnie wchodzimy w koszty: ile kosztuje budowa, ile miesięczne utrzymanie (z cenami API Claude i OpenAI z maja 2026). Na koniec pokazujemy pułapki, których chce uniknąć każdy, kto nie ma ochoty tłumaczyć zarządowi spalonego budżetu. Wszystkie widełki cenowe podajemy jako orientacyjne stawki rynkowe (rynek polski, maj 2026) – to nie jest cennik Devstocka, konkretna wycena zależy od zakresu Twojego projektu oraz dojrzałości danych w firmie.
Wdrożenie AI nie żyje samo – jest jednym z narzędzi w szerszym programie automatyzacji firmy. Jeśli zastanawiasz się, które procesy w ogóle automatyzować w pierwszej kolejności i jak rozłożyć projekt w harmonogramie, lepszym punktem startu jest pełen przewodnik po automatyzacji procesów biznesowych. Ten artykuł skupia się na tym, co z tej automatyzacji robi konkretnie AI.
Dlaczego polskie firmy SMB cofają się z optymizmu AI
Spadek z 24% do 7% w deklarowanej gotowości to nie sygnał, że AI przestało działać. To sygnał, że firmy zobaczyły, ile faktycznie kosztuje przejście od slajdu PowerPoint do działającego procesu. Po roku pilotaży i eksperymentów zarządy nagle widzą, że dobre wdrożenie wymaga uporządkowanych danych, jasnej zgody RODO, jednego właściciela procesu i budżetu na utrzymanie, a nie tylko subskrypcji ChatGPT Business.
PwC w raporcie “Polskie firmy nie wykorzystują w pełni potencjału AI” pokazuje to samo z innej strony. Firmy używają AI głównie do prostych zadań tekstowych: pisanie maili, podsumowania. Rzadko natomiast do tego, co realnie skaluje biznes: klasyfikacja zgłoszeń, automatyczna ekstrakcja danych z dokumentów, predykcja popytu. Według GUS w 2024 roku AI używało 5,9% firm w Polsce (rok wcześniej 3,7%). Wzrost jest, ale od bardzo niskiej bazy, w dodatku na poziomie indywidualnym, nie procesowym.
Dlaczego ten kontrast? Trzy powody dominują w rozmowach z zarządami SMB.
Po pierwsze, demo AI wygląda jak wdrożenie, a nim nie jest. Pracownik klika w ChatGPT, dostaje fajny tekst, mówi zarządowi “AI mi to zrobiło”. Ale to nie jest proces – to jest narzędzie produktywności. Wdrożenie zaczyna się tam, gdzie AI wykonuje krok produkcyjny bez nadzoru i skaluje się na setki operacji dziennie. Demo AI to trochę jak jazda próbna samochodem po pustym parkingu. Wdrożenie zaczyna się dopiero wtedy, gdy ten sam samochód ma codziennie wozić ludzi w korkach, z przeglądami, ubezpieczeniem i odpowiedzialnym kierowcą.
Po drugie, kompetencja “AI” w CV nie znaczy kompetencja “wdrożenie AI w firmie”. Pracuj.pl pokazuje, że udział ofert pracy ze wzmianką o AI wzrósł z 0,72% do 1,34% rok do roku (+86%). Ale 80% tych ofert dotyczy umiejętności użytkowych (prompt engineering, korzystanie z narzędzi), a nie projektowych. Firmy szukają wdrażających, a rynek dostarcza użytkowników.
Po trzecie, koszt utrzymania nie został wcześniej policzony. Firmy zatwierdzały budżet na samą budowę pilotażu, nikt nie liczył miesięcznej faktury za API w skali roku ani kosztu monitorowania jakości odpowiedzi modelu. W rezultacie po sześciu miesiącach finanse pytają, dlaczego rachunek za AI rośnie szybciej niż liczba użytkowników.
Rozwiązania AI dla firm – jakie typy wdrożeń mają sens w 2026
Sztuczna inteligencja w firmie nie jest jednym typem rozwiązania. W praktyce większość udanych wdrożeń polskich SMB w 2025-2026 mieści się w trzech kategoriach. Decydent wybiera, którą zacząć – nie wszystkie naraz.
Klasyfikatory i ekstrakcja danych – najszybsze ROI
Klasyfikator to model AI, który czyta dokument lub wiadomość i przypisuje ją do jednej z wcześniej zdefiniowanych kategorii. Z kolei ekstrakcja to wyciąganie konkretnych pól z tekstu (numer faktury, kwota, NIP, data). Te dwa zadania razem rozwiązują dużą część pierwszych pomysłów na AI w polskich firmach: dekretacja faktur kosztowych, kategoryzacja zgłoszeń obsługi klienta, ekstrakcja danych z CV pod rekrutację, klasyfikacja leadów ze strony.
Dlaczego to dobry start? Po pierwsze, wynik jest mierzalny (procent poprawnych klasyfikacji). Ponadto proces produkcyjny już istnieje (ktoś ręcznie dekretuje faktury). W efekcie model może pracować obok człowieka, nie zamiast: akceptacja zaproponowanej kategorii zajmuje sekundy. Build trwa zwykle 4-8 tygodni, miesięczny koszt API mieści się w niskich setkach złotych dla średniej firmy.
Asystenci AI dla pierwszej linii obsługi klienta
Drugi typ to chatbot albo asystent AI łączący się z bazą wiedzy firmy (FAQ, dokumentacja produktu, instrukcje obsługi). Klient pisze pytanie, asystent odpowiada na podstawie udokumentowanej wiedzy. Pytania, których nie potrafi rozwiązać, kieruje do człowieka z kontekstem rozmowy.
Tu wynik jest dwuwymiarowy. Z jednej strony skrócenie czasu pierwszej odpowiedzi (zwykle z godzin do sekund). Z drugiej strony filtrowanie pytań trywialnych przed wejściem do działu obsługi (często znacząca część wolumenu). Dlatego firmy z dobrze udokumentowaną wiedzą produktową zwracają tę inwestycję najszybciej. To zwraca się szybko, ale wymaga, żeby firma miała sensownie poukładaną bazę wiedzy. Asystent AI bez dobrej dokumentacji halucynuje, a halucynacje są pułapką numer jeden dla zespołów, które myślą, że wystarczy “podpiąć ChatGPT”.
Automatyzacja podejmowania decyzji rutynowych
Trzeci typ to system, który podejmuje za człowieka decyzje, które wcześniej wymagały oceny eksperckiej. Scoring leadów według prawdopodobieństwa zakupu, routing zgłoszeń do właściwego specjalisty według treści, decyzja o ekspedycji towaru według historii klienta. To są zadania, w których model AI nie tyle szuka faktu, co rozważa zestaw kryteriów i rekomenduje wynik.
Ten typ rozwiązania AI dla firm jest najtrudniejszy do wdrożenia z trzech, dlatego nie zaczynaj od niego. Wymaga uporządkowanej historii decyzji (z czego model się uczy), jasnych kryteriów oceny jakości oraz reguły eskalacji do człowieka, gdy model jest niepewny. W zamian skala efektów jest największa: przy dobrze postawionym scoringu zwrot może pojawić się w kilka miesięcy przez samo skrócenie cyklu sprzedaży.
Co jest najtrudniejszym elementem wdrożenia AI w firmie
Najtrudniejszym elementem wdrożenia AI w firmie nie jest technologia, tylko właścicielstwo decyzji – czyli jasna odpowiedzialność za to, kiedy model się myli i kto reaguje. Sam model AI klasyfikuje, generuje albo rekomenduje. Człowiek musi zdefiniować, w którym momencie wynik modelu jest gotowy do produkcji, kto akceptuje wyjątki i jak reagujemy, gdy model halucynuje na realnych danych klienta. W efekcie próg odpowiedzialności jest praktycznie zawsze niedoceniony.
Konkretnie: zespół IT chętnie zbuduje proces z klasyfikatorem faktur. Jednak gdy model błędnie przypisze fakturę 30 tysięcy złotych do złego konta księgowego, pytanie “kto za to odpowiada” trafia z powrotem do CFO. W rezultacie wdrożenie zatrzymuje się w pilotażu, bo nikt nie chce podpisać się pod produkcyjnym uruchomieniem.
Dlatego najlepsze wdrożenia zaczynają się od zaprojektowania procesu człowiek-w-pętli (human-in-the-loop): model proponuje, człowiek akceptuje jednym kliknięciem, a model uczy się na korektach. Po kilku tygodniach, gdy model osiąga zdefiniowaną wcześniej dokładność (np. 95%), procesy o niskim ryzyku przechodzą na automat, a wyjątki nadal kieruje się do człowieka. To nie jest kwestia technologii. To jest kwestia umowy w firmie o tym, kiedy ufamy modelowi, a kiedy nie.
Wdrożenie AI w firmie sukces ma wtedy, gdy zespół wie, którą decyzję wziął na siebie człowiek, a którą model, i potrafi tę granicę zmieniać w miarę nauki.
Ile kosztuje wdrożenie AI w firmie – widełki rynkowe 2026
Pierwsze, co zarząd musi zrozumieć: koszt wdrożenia AI w firmie ma trzy warstwy. Koszt budowy, miesięczna faktura za API i utrzymanie produkcyjne. Pominięcie którejkolwiek to scenariusz, w którym CFO za sześć miesięcy pyta, dlaczego “tani projekt” nagle pochłania jednorazowy budżet rocznie. Poniższe widełki to agregat polskich publicznych raportów (EFL Barometr AI, EY 2026, PARP, PwC) plus oficjalne cenniki API Anthropic i OpenAI z maja 2026. To nie jest cennik Devstocka, ponieważ konkretna wycena wymaga analizy zakresu Twojego projektu, jakości dokumentacji systemów oraz wymagań zgodności prawnej i regulacyjnej.
W realiach 2026 koszt i czas wdrożenia AI spadły wyraźnie w porównaniu do poprzednich lat. Stoją za tym trzy zmiany: dojrzałe i tańsze modele produkcyjne (Haiku 4.5, klasa GPT mini), gotowe komponenty RAG (Retrieval-Augmented Generation, czyli wyszukiwanie odpowiedzi w firmowej bazie wiedzy) oraz znacznie sprawniejsze rzemiosło programistyczne. W efekcie pierwsze sensowne wdrożenie dla firmy SMB nie musi oznaczać wielomiesięcznego projektu za setki tysięcy złotych. Wyceniamy je osobno dla MVP, dla integracji produkcyjnych oraz dla procesów, w których AI realnie wpływa na decyzje biznesowe.
Koszt budowy – jednorazowy
Dla pierwszego procesu AI realne widełki budowy w polskim software house dla SMB wyglądają tak. Klasyfikator albo prosta ekstrakcja: 8-22 tysiące złotych netto. Asystent AI z RAG: 12-35 tysięcy złotych netto. Budowa trwa 2-6 tygodni w zależności od liczby integracji. W praktyce te wartości dotyczą rynku polskiego maja 2026. Wchodzą w to: warsztaty z zespołem klienta (zwykle 6-10 godzin), projektowanie procesu z modelem, integracja z systemami firmy, dwie iteracje na realnych danych, dokumentacja oraz dwa tygodnie wsparcia powdrożeniowego.
Średnie wdrożenie obejmujące 3-5 powiązanych procesów AI (klasyfikator + asystent + proces agentowy) z monitoringiem mieści się w przedziale 35-90 tysięcy złotych netto przy zakresie 2-3 miesięcy. Górne 100-150 tysięcy złotych pojawia się natomiast tylko przy wielu integracjach z ERP albo procesie biznesowym wysokiej odpowiedzialności. Z kolei pełne wdrożenie enterprise z własnym modelem dotrenowanym na danych firmy, audytem RODO oraz integracjami ERP wynosi 90-200 tysięcy złotych. Powyżej 200 tysięcy złotych mówimy o wdrożeniach z wysokim SLA (gwarantowanym poziomem dostępności i czasu reakcji), dotrenowanym modelem na wrażliwych danych albo procesem o odpowiedzialności prawnej.
Miesięczna faktura za API – pozycja, której kilka lat temu nie było
To największa zmiana w rachunku kosztów względem tradycyjnego oprogramowania. AI w procesach płaci się od tokenu, czyli od rozmiaru tekstu, który model czyta i generuje. Im więcej operacji dziennie, tym wyższy rachunek. Rachunek za API przypomina licznik prądu: samo urządzenie może być tanie, ale koszt rośnie wraz z realnym użyciem.
Aktualne cenniki API z maja 2026 (za 1 milion tokenów wejściowych / 1 milion wyjściowych, oficjalne dane na stronie Anthropic):
- Claude Haiku 4.5 (najszybszy i najtańszy Anthropic, dobry domyślny wybór do klasyfikatorów i prostszych asystentów): 1 USD / 5 USD, około 4 zł / 20 zł
- Claude Sonnet 4.6 (do produkcji wymagającej głębszego rozumienia): 3 USD / 15 USD, około 12 zł / 60 zł
- Claude Opus 4.7 (najmocniejszy, drogi): 5 USD / 25 USD, około 20 zł / 100 zł
- GPT-5.4 od OpenAI (porównywalny do Sonnet): 2,50 USD / 15 USD, około 10 zł / 60 zł
Przykład pierwszy: klasyfikator faktur w firmie 50-osobowej. Około 1500 dokumentów miesięcznie, model Haiku 4.5 (wystarcza dla klasyfikacji), średnio 2 tysiące tokenów wejścia plus 500 wyjścia na dokument. Po włączeniu cache promptu dla powtarzanej stałej instrukcji systemowej miesięczna faktura za API mieści się w przedziale 20-150 złotych. Z kolei asystent AI obsługujący 5 tysięcy rozmów miesięcznie ze średnio 6 wymianami wiadomości to koszt 150-900 złotych przy rozsądnym limitowaniu kontekstu i cache. Natomiast agent podejmujący decyzje z dłuższymi kontekstami idzie w przedział 300-2500 złotych.
Anthropic i OpenAI oferują dwa mechanizmy optymalizacji kosztu. Pierwszy to batch API z rabatem 50% dla operacji asynchronicznych (raporty miesięczne, analiza dokumentów po godzinach). Drugi to cache promptu, czyli tańsze ponowne użycie stałej instrukcji systemowej dla modelu: powtarzający się stały kontekst kosztuje 10% standardowej stawki wejścia. Dobrze zaprojektowany proces potrafi obniżyć rachunek wyraźnie – nawet o połowę lub więcej – bez utraty jakości, ale tylko jeśli ktoś od początku zaprojektował go z tą optymalizacją na uwadze.
Utrzymanie produkcyjne – 30-50% pierwszego roku TCO
Wdrożenie AI nie kończy się publikacją proces. Co miesiąc trzeba monitorować jakość odpowiedzi modelu (czy nie spada z dryftem). Następnie reagować na zmiany w dokumentach wejściowych oraz weryfikować zgodność z RODO przy nowych typach danych klientów. Dodatkowo aktualizować integracje, gdy zewnętrzne API zmienia format. Typowe wsparcie powdrożeniowe z partnerem to 1500-5000 zł miesięcznie w skali średniego wdrożenia. Wewnętrzny zespół “ogarniający AI po godzinach” wygląda taniej, dopóki nie policzy się realnego czasu, który osoba odpowiedzialna traci na tę aktywność.
W pełnym TCO za pierwszy rok produkcji utrzymanie odpowiada za 30-50% kosztu. To nie jest “drobna pozycja” – to jest pozycja, którą zarząd powinien zatwierdzać równocześnie z budową, nie po pół roku.
Devstock · Software house
Zanim wybierzesz pierwszy proces do AI – policz pełen rok
Pomożemy zmapować trzy najbardziej obiecujące procesy w Twojej firmie i policzyć TCO 12-miesięczne razem z API i utrzymaniem. Decyzja przed zarządem łatwiejsza, gdy widzisz pełny obraz.
Zostaw brief →5 pułapek wdrożenia AI – czego unikać
Polskie raporty 2026 (EY, PwC, PARP) pokazują, że nieudane wdrożenia AI w SMB wpadają w te same kilka pułapek. Dobra wiadomość: są przewidywalne i da się je obejść świadomą decyzją na etapie planowania.
Pułapka 1: zaczynamy od chaosu, nie od porządku. Firma chce zautomatyzować obsługę zgłoszeń klientów, ale nie ma jednej bazy zgłoszeń. Jeden zespół trzyma maile w Outlook, drugi notatki w Slacku, a trzeci pisze ręcznie w arkuszu. AI nie naprawi tego problemu, ponieważ tylko go zautomatyzuje szybciej. Dlatego najpierw porządek danych, potem warstwa AI.
Pułapka 2: jeden model do wszystkiego. Firma podpisuje subskrypcję ChatGPT Business albo Claude Pro i myśli, że to jest “wdrożenie AI”. Jednak produkty subskrypcyjne są dla ludzkich użytkowników, a nie dla biznesowych procesów. Proces biznesowy działa przez API: inny rachunek, inne SLA, inne wymogi zgodności prawnej i regulacyjnej.
Pułapka 3: pominięcie kosztu API w rocznym budżecie. Pilotaż “kosztował 500 zł na ChatGPT”. Natomiast produkcja 5000 dokumentów dziennie kosztuje 3000 zł miesięcznie. Bez policzenia tego z góry CFO ma niespodziankę w piątym miesiącu.
Pułapka 4: brak właściciela procesu po stronie biznesowej. IT zbudowało proces z klasyfikatorem, jednak gdy klasyfikator pomyli się na fakturze, nikt z działu księgowości nie wie, czy ma poprawić wynik, zgłosić błąd, czy zignorować. W rezultacie model AI uczy się w próżni.
Pułapka 5: ignorowanie zmian zewnętrznych modeli. Anthropic albo OpenAI co kilka miesięcy wypuszcza nowy model. Stary model po pewnym czasie jest wycofywany, ceny się zmieniają, a jakość odpowiedzi też ewoluuje. Dlatego dobry partner wdrożeniowy projektuje proces tak, żeby zmiana modelu była przełączeniem konfiguracji, a nie przepisaniem systemu.
Wdrożenie AI – jak ruszyć w 30 dni
Decydent, który chce w tym roku ruszyć z AI realnie, ma trzy następne kroki w perspektywie miesiąca, a nie roku.
W pierwszym tygodniu zmapuj trzy procesy, które są powtarzalne, mierzalne oraz mają jasne reguły decyzyjne. Faktury kosztowe, zgłoszenia obsługi klienta, scoring leadów to typowe kandydatury. Spisz dla każdego: ile osób, ile godzin tygodniowo, jaka jakość obecnie.
W drugim tygodniu wybierz jeden z tych trzech i zaprojektuj pilot. Zdefiniuj kryterium sukcesu (np. “85% poprawnych klasyfikacji na 100 testowych dokumentach”), wybierz model (Haiku 4.5 jako domyślny wybór dla większości zastosowań, Sonnet 4.6 jeśli zadanie wymaga głębszego rozumienia), policz miesięczny koszt API przy spodziewanym wolumenie.
W trzecim i czwartym tygodniu zbuduj minimalną wersję: proces przyjmujący wejście, wywołujący model, zwracający wynik człowiekowi do akceptacji. Nie integruj jeszcze z systemami firmy – pracuj na eksporcie/imporcie. Po dwóch tygodniach pracy w tym trybie zobaczysz, czy proces realnie się skraca, czy halucynacje wymagają drugiej rundy, czy zarząd potwierdza budżet na pełną integrację. Wdrożenie n8n jest jednym z najprostszych sposobów, żeby ten szkielet postawić bez tygodni programowania – opisujemy to w osobnym artykule o wdrożeniu n8n w firmie razem z realnymi widełkami kosztów.
Najczęściej zadawane pytania
Czy AI zastąpi pracowników w mojej firmie?
W skali pierwszego wdrożenia praktycznie nigdy. AI zastępuje operacje powtarzalne, nie role. Pracownik księgowości po wdrożeniu klasyfikatora faktur nadal pracuje pełen etat. Jednak 60% czasu wcześniej spędzanego na ręcznej dekretacji przesuwa się na zadania, których automat nie wykona: negocjacje z dostawcami, analiza odchyleń, raportowanie zarządowi. W skali 2-3 lat część prostych ról etatowych może się zmienić, ale to tempo decyzji kadrowych, nie efekt natychmiastowego zwolnienia.
Ile zajmuje pierwsze wdrożenie AI w firmie?
Realny pilot z jednym proces AI od briefu do działającego procesu w trybie człowiek-w-pętli zajmuje 2-6 tygodni. Natomiast pełne wdrożenie produkcyjne z integracjami z systemami firmy oraz monitoringiem to 2-3 miesiące. Z kolei wdrożenie enterprise z własnym modelem dotrenowanym na danych firmy oraz audytem RODO idzie w 3-6 miesięcy. W praktyce najszybciej ruszają firmy, które mają już uporządkowane dane wejściowe oraz jednego właściciela procesu po stronie biznesowej.
Czy potrzebujemy własnego programisty, żeby utrzymać AI w firmie?
Nie obowiązkowo. Procesy AI postawione w narzędziach typu n8n, Make albo Zapier z integracją Claude lub OpenAI API utrzymuje się bez zatrudnienia programisty. Warunek: firma ma osobę operacyjną z zacięciem technicznym (analityk, marketingowiec, asystent zarządu) gotową poświęcić kilkanaście godzin tygodniowo na obserwację jakości. Dla bardziej złożonych wdrożeń (własne integracje, dotrenowane modele) potrzebny jest partner wdrożeniowy w modelu wsparcia albo wewnętrzny inżynier ML.
Czy moje dane wpadają do treningu modeli AI?
Przy korzystaniu z produktów konsumenckich (ChatGPT, Claude.ai, Gemini) dane domyślnie mogą zasilać trening – zależy od ustawień konta. Przy korzystaniu z API Anthropic i OpenAI dane wejściowe firmy domyślnie nie są używane do treningu modeli (status w regulaminach maj 2026). Każde wdrożenie powinno to potwierdzić w umowie DPA z dostawcą oraz uregulować w ramach audytu RODO firmy.
Co dalej – jak ruszyć z wdrożeniem AI
Wdrożenie AI w firmie w 2026 to nie pytanie technologiczne, tylko decyzyjne. Trzy konkretne pytania trzeba postawić. Pierwsze: który proces ruszamy w pierwszej kolejności. Drugie dotyczy budżetu na 12 miesięcy (budowa, API, utrzymanie). Ostatnie: kto po stronie biznesowej odpowiada za jakość modelu na produkcji. Najszybsze ROI dają klasyfikatory i ekstrakcja danych. Najtrudniejszą decyzją jest właścicielstwo wyjątków, czyli odpowiedzialność za sytuacje, gdy model się pomyli. Najczęściej pomijaną pozycją w rachunku jest miesięczna faktura za API.
Sztuczna inteligencja w firmie nie jest jednym narzędziem – jest warstwą w szerszym programie automatyzacji. Jeśli stoisz wcześniej i dopiero układasz, które procesy w ogóle automatyzować, wróć do przewodnika automatyzacja procesów biznesowych w firmie – jak ruszyć w 2026. Co więcej, znajdziesz tam szerszy obraz z 12-tygodniowym harmonogramem wdrożenia oraz mapą decyzji między BPA, RPA i IPA. Natomiast ten artykuł zostaje wąską mapą operacyjną dla samego AI.
Jeśli planujesz wdrożenie AI w firmie i potrzebujesz konkretnej wyceny pierwszego procesu plus rocznego TCO, zostaw brief przez formularz kontaktowy – wracamy z trzema kandydatami procesów i widełkami w 3-5 dni roboczych. Pomożemy też ocenić, czy zaczynasz od dobrego procesu, czy lepiej najpierw doposażyć dane – to często ratuje budżet pierwszego roku.
