MVP z AI: od proof of concept do produktu z prawdziwymi użytkownikami

MVP z AI to pierwszy produkt z AI dla prawdziwych użytkowników, który budujemy wtedy, gdy proof of concept pokaże, że model działa na Twoich danych. Tak zaczął się Generator ETR, który budujemy dla PSONI: proof of concept porównał dwa modele językowe na jednym zadaniu, a potem powstała z niego aplikacja webowa i mobilna, którą teraz budujemy. Robimy oba etapy, najpierw proof of concept. Gdy najpierw budujesz całą aplikację, dopiero późno dowiadujesz się, czy model da sobie radę.

Ta strona jest dla founderów i product ownerów, którzy mają pomysł na funkcję AI i jeszcze nie wiedzą, czy model sobie z nią poradzi. Każdy projekt zaczyna się od bezpłatnego warsztatu discovery. Patrzymy na Twój produkt, dane i zasady, w jakich pracujesz, a potem ustalamy, co ma robić AI i jaki test pokaże, że to działa. W discovery korzystamy z własnego toolkitu AI. Wychodzisz z zakresem i wyceną.

Oba etapy należą do naszych usług tworzenia oprogramowania AI. Jeśli potrzebujesz MVP bez AI w centrum, zajrzyj do naszych warsztatów produktowych i usług tworzenia MVP. Jeśli chcesz przyspieszyć prototyp narzędziami AI, przeczytaj nasz artykuł: tworzenie proof of concept z AI.

Dla PSONI, Polskiego Stowarzyszenia na Rzecz Osób z Niepełnosprawnością Intelektualną, Generator ETR zamienia trudny tekst na język łatwy do czytania. ETR to skrót od „easy-to-read”. W proof of concept uruchomiliśmy na tym samym zadaniu PLLuM 12B, polski model językowy, oraz wersję 26B mixture-of-experts modelu Gemma 4 (konstrukcję, która przy każdej odpowiedzi używa tylko części sieci). Wybraliśmy model Gemma 4.

Skrypt ocenia każdy wynik wskaźnikiem czytelności Gunning Fog i zapisuje raport z wynikami dla zestawu próbek testowych. Recenzent, który zna standard ETR, ocenia potem wyniki na tle tekstów źródłowych. To, co znajdzie, trafia do kolejnej iteracji promptu i modelu, a piąta iteracja jest w toku. Metodę opisuje nasza strona o ewaluacji LLM.

W Generatorze ETR użytkownicy logują się na konto potwierdzane SMS-em. Mogą zrobić zdjęcie listu, a telefon odczytuje tekst na urządzeniu dzięki Google ML Kit i Apple Vision. Dokumenty PDF przechodzą przez potok na serwerze. Słowniczek wyjaśnia trudne słowa. Funkcja czytania na głos odtwarza wynik i podświetla czytany fragment, a licznik pokazuje, ile zapytań użytkownik już wykorzystał.

Specyfikacja projektu wymaga, żeby aplikacja spełniała WCAG 2.2 na poziomie AAA.

Nie możemy podać nazwy tego klienta. Projekt wciąż trwa. Zaczęliśmy we wrześniu 2026 od krótkiego spike'a, czyli ograniczonego w czasie badania źródeł danych. Potem połączyliśmy dane sprzedaży biletów z kilku źródeł i arkusz klienta z hurtownią danych, używając dlt, dbt na ClickHouse oraz Dagster do orkiestracji.

Krzywa sprzedaży pokazuje, jak w czasie rosła sprzedaż biletów na wydarzenie, które już się skończyło. Modele prognozują końcową sprzedaż wydarzenia na podstawie porównywalnych zakończonych krzywych sprzedaży, z przedziałem empirycznym. Liczą też tempo sprzedaży względem mediany porównywalnych wydarzeń, ryzyko wyprzedania i anomalie w koszykach biletów. Analiza obejmuje także wpływ pogody na frekwencję i sprzedaż.

Wyniki trafiają do portalu z listą wydarzeń, planem sprzedaży i oceną „jak idzie”, z kontami i rolami użytkowników. Portal działa na Django z DRF i Next.js.

• Jakość modelu: miary z proof of concept oceniają każdą kolejną iterację. Testerzy QA uruchamiają też testy jailbreak, czyli próby wyprowadzenia modelu poza jego zadanie, i powtarzają je przy nowych iteracjach.
• Prognozy: w projekcie prognoz rekomendacja przechodzi bramkę modelu i backtest, zanim trafi do portalu. Bramka modelu to sprawdzian, który rekomendacja musi przejść, zanim zobaczą ją użytkownicy, a backtest sprawdza model na sprzedaży, która już się zakończyła.
• Dostępność: w kolejnych etapach Generatora ETR sprawdzamy ją czytnikami ekranu i w plikach DOCX, które generuje aplikacja.

Nie każde MVP z AI potrzebuje modelu językowego i czasem w discovery radzimy z niego zrezygnować. W projekcie prognoz zadanie rozwiązują modele statystyczne na danych sprzedaży klienta.

Prawa autorskie do kodu przechodzą na Ciebie z każdą płatnością, w zakresie pól eksploatacji z umowy. PSONI jest właścicielem kodu Generatora ETR. Po starcie zajmujemy się utrzymaniem i wsparciem, bo modele, prompty i dane ciągle się zmieniają.

Generator ETR powstaje na podstawie umowy na 24 miesiące, od lutego 2026 do lutego 2028, podzielonej na 8 etapów. Projekt jest teraz na etapie V. Na wiadomość z formularza odpowiadamy w 48 godzin w dni robocze.

W projekcie dla PSONI ten sam zespół pisze prompty, ocenia wyniki i buduje aplikacje webowe i mobilne. W projekcie prognoz budujemy hurtownię danych, modele i portal. Każdy projekt zaczyna się od bezpłatnego warsztatu discovery, na którym ustalamy, co ma robić AI i jaki test pokaże, że to działa.