Twój zespół nie powinien spędzać
piątków na zestawianiu raportów.

Nie zawsze – i mówimy o tym już na pierwszej rozmowie. Wąskie zadania, które powtarzają się tysiące razy, takie jak wyciąganie pól z dokumentów, klasyfikacja zgłoszeń czy reranking wyników wyszukiwania, często lepiej wykonuje mały model zbudowany pod to jedno zadanie: działa na niewielkim serwerze u Ciebie, w naszych testach przetwarza przygotowaną partię w niecałą sekundę i nie generuje opłat za tokeny. Gdy układ dokumentów nigdy się nie zmienia, jeszcze taniej wychodzą zwykłe reguły albo skrypt. Duże modele językowe zostają tam, gdzie zadanie wymaga rozumowania, otwartych pytań lub rozmowy. Quickscratch wybiera najmniejsze narzędzie, które niezawodnie wykona zadanie, bo to ono jest też najtańsze w utrzymaniu i najłatwiej zachować przy nim prywatność danych.

Odpowiedzi powstają wyłącznie na podstawie Twoich źródeł, a każda wskazuje dokument, z którego pochodzi. Zanim model cokolwiek napisze, sprawdzamy, czy znalezione fragmenty rzeczywiście dotyczą pytania; jeśli nie, asystent przeformułowuje zapytanie na podstawie rozmowy, a gdy w źródłach nadal nie ma odpowiedzi, mówi, że nie wie, zamiast ją wymyślać. Obok wyszukiwania po znaczeniu działa wyszukiwanie po słowach kluczowych, więc dokładne kody i nazwy się nie rozmywają. Przy odpowiedziach, w których liczy się każde słowo, drugi model sprawdza pierwszy, zanim użytkownik zobaczy wynik. A każde zachowanie, na którym Ci zależy, staje się testem uruchamianym przed każdym wydaniem.

Ty wybierasz, gdzie działa system: w regionie chmury w UE, w Twojej prywatnej chmurze albo na Twoich własnych serwerach. Pliki, indeks wyszukiwania i logi zostają tam, gdzie je umieścisz. Gdy asystent korzysta z modelu w chmurze, mały lokalny model najpierw wyszukuje i maskuje dane osobowe, takie jak imiona i nazwiska, numery dokumentów tożsamości czy numery rachunków, więc model w chmurze widzi zadanie, a nie osobę; dane są przywracane w odpowiedzi już po Twojej stronie. Wrażliwe procesy mogą działać w całości na modelach lokalnych i wtedy nic nie opuszcza Twojej infrastruktury. Twoje dane trenują wyłącznie Twój własny model, jeśli go zamówisz.

Twoje dane trenują wyłącznie Twój model, jeśli go zamówisz. Nigdy naszego modelu ani modeli dostawców.

Zazwyczaj tak. Od 2 sierpnia 2026 r. art. 50 unijnego AI Act wymaga, by ludzie wiedzieli, że rozmawiają z systemem AI, chyba że jest to oczywiste z kontekstu. Każdy asystent, którego budujemy, informuje o tym od pierwszej wiadomości.

Rozporządzenie (UE) 2024/1689, art. 50

Zmiana to kwestia konfiguracji. Najpierw testujemy nowy model na Twoich danych i przełączamy się tylko wtedy, gdy jest lepszy.

Rdzeń jest nasz i nasz pozostaje. To, co zamawiasz – logika biznesowa – należy do Ciebie: sposób, w jaki Twoje dane są pobierane, przetwarzane i zamieniane w wynik. Ogólne klocki nie są logiką biznesową. Klasa zapisująca pliki na Dysku Google zostaje po naszej stronie i używamy jej w innych projektach; klasa przetwarzająca Twoje dane w Twój konkretny sposób należy do Ciebie. Model wytrenowany specjalnie dla Ciebie też jest Twój – to praca na zamówienie, w której jesteśmy tylko współautorami. Domyślnie budujemy, hostujemy i utrzymujemy produkt, dzięki czemu poprawki bezpieczeństwa i ulepszenia rdzenia szybko do Ciebie trafiają. Jeśli wolisz prowadzić wszystko samodzielnie, możesz wykupić licencję i używać rdzenia we własnych projektach, z uznaniem autorstwa QuickScratch. Ta licencja pozwala też zrezygnować z naszego wsparcia i pracować dalej na własną rękę – wystarczy pisemne potwierdzenie.

Nie musisz wierzyć na słowo. Płatność dzielimy na trzy etapy, a ostatni następuje po testach odbiorczych ustalonych przed rozpoczęciem prac, więc nigdy nie płacisz całości za coś, co nie działa.

MCP (Model Context Protocol) to otwarty standard, który pozwala narzędziom AI, takim jak Claude, ChatGPT czy Cursor, bezpośrednio odczytywać i aktualizować dane w Twoich systemach. Quickscratch buduje gotowy rdzeń MCP – na razie w ramach wczesnego dostępu, jeszcze nie jako kompletną usługę. Pierwszy etap obejmuje odczyt i aktualizację rekordów w Twojej bazie danych, arkuszach albo CRM. Kolejny krok to przygotowanie danych dla modelu: odpytywanie dużej tabeli, jej filtrowanie i wyliczanie statystyk, tak aby narzędzie AI dostało do analizy zwięzły, trafny kontekst zamiast surowych wierszy. Chodzi o to, żeby Twój zespół mógł zadawać pytania o własne dane z poziomu narzędzia AI, którego już używa.

Tak, i nie zmienia to sposobu, w jaki pracujemy. Ty przynosisz proces, my bierzemy na siebie stronę techniczną i tłumaczymy każdą decyzję prostym językiem, tak aby dało się ją ocenić samodzielnie. Doświadczenie w AI jest mile widziane, ale niewymagane.

Jeśli zadanie powtarza się co tydzień i zajmuje komuś godziny, zwykle warto je zautomatyzować. Jeśli to jednorazowa sprawa, powiemy to wprost.