Zero danych poza organizację. Jak LW Bogdanka wdrożyła AI w infrastrukturze krytycznej w dwa miesiące
Jest taki moment w każdej rozmowie o AI w sektorze regulowanym, w którym entuzjazm zderza się ze zdaniem: „my tych danych nie możemy nigdzie wysłać". Dla LW Bogdanka — spółki giełdowej z sektora infrastruktury krytycznej, należącej do Grupy Kapitałowej Enea — to zdanie nie było przeszkodą we wdrożeniu. Było jego specyfikacją
!Bezpieczne wdrożenie AI w infrastrukturze krytycznej LW Bogdanka
Problem: wiedza, której nie da się przeszukać
Bogdanka, jak każda organizacja przemysłowa z długą historią, zarządza obszernymi zbiorami dokumentacji technicznej i operacyjnej gromadzonej przez lata — od plików PDF i DOCX po skany, które w bazie wdrożeniowej stanowiły około 80% materiału. Odnalezienie właściwej informacji oznaczało żmudne, ręczne przeszukiwanie archiwów. To pochłaniało czas specjalistów i — co groźniejsze w środowisku przemysłowym — zwiększało ryzyko pominięcia istotnych treści.
Standardowa odpowiedź rynku na taki problem brzmi: wyszukiwanie semantyczne oparte na dużym modelu językowym. Tyle że popularne narzędzia tej klasy działają w chmurze, a każde z nich oznaczałoby transfer strategicznych danych poza perymetr organizacji. Dla spółki notowanej na GPW, działającej w infrastrukturze krytycznej, ta droga jest zamknięta z definicji.
Wyzwanie brzmiało więc inaczej niż zwykle: nie „jak wdrożyć AI", tylko jak dać pracownikom nowoczesne, semantyczne wyszukiwanie wiedzy przy zachowaniu pełnej suwerenności danych.
Rozwiązanie: RAG w całości w infrastrukturze klienta
Dostarczyliśmy system oparty na aplikacjach TWIN:DESK, PROXY:AI i CDF Platform — architekturę RAG (Retrieval-Augmented Generation) działającą w całości on-premise.
Przepływ wiedzy jest prosty do opisania: surowa dokumentacja przechodzi przez OCR i normalizację, trafia do wektorowej bazy wiedzy z twardą separacją danych między działami, a lokalny serwer inferencji LLM generuje odpowiedzi — każdą z obligatoryjnym cytowaniem dokumentów źródłowych.
Dwa elementy tej architektury zasługują na uwagę, bo rozstrzygają o tym, czy system nadaje się do środowiska o podwyższonym ryzyku.
- Cytowanie jako wymóg, nie opcja. Pracownik nie dostaje odpowiedzi „na słowo" — dostaje syntezę z bezpośrednimi odnośnikami do konkretnych stron w dokumentach źródłowych. W środowisku, w którym błędna informacja ma konsekwencje operacyjne, weryfikowalność odpowiedzi jest ważniejsza niż jej elokwencja. Sto procent odpowiedzi systemu zawiera cytowania źródeł.
- Separacja danych egzekwowana technicznie, a nie regulaminowo. Filtrowanie zapytań na poziomie bazy wektorowej uniemożliwia dostęp do wiedzy pomiędzy nieuprawnionymi zespołami, kontrola dostępu jest zintegrowana z Active Directory, a każde zapytanie systemowe trafia do logów audytowych. Granicy nie pilnuje dyscyplina użytkownika — pilnuje jej architektura.
Metodyka: dwa miesiące, bo proces był policzalny
Całość — od projektu, przez instalację i integrację z infrastrukturą IT klienta, po szkolenia i przeniesienie praw własności — zrealizowano w dwa miesiące, z zastosowaniem metodyki CDF (Cognitive Deployment Framework).
To ona systematyzuje wdrażanie systemów kognitywnych w środowiskach o podwyższonym ryzyku i wytwarza po drodze dokumentację zgodności z obowiązującym prawem, w tym EU AI Act.
Warto zatrzymać się przy tym, co przeniesienie praw własności znaczy w praktyce: klient nie wynajął usługi, której warunki może zmienić druga strona. Otrzymał system, który jest jego własnością, działa w jego serwerowni i nie wysyła ani jednego zapytania poza organizację.
Rezultaty
- Dwa miesiące wdrożenia.
- Sto procent zgodności z EU AI Act.
- Zero danych wysyłanych poza organizację.
- Sto procent odpowiedzi z cytowaniem źródeł.
- Drastyczne ograniczenie czasu ręcznego przeszukiwania dokumentacji.
- Trafniejsze decyzje operacyjne.
- Architektura gotowa na rozbudowę o kolejne działy bez utraty wydajności.
Jak ujął to Paweł Janowski, nadsztygar urządzeń elektrycznych p/z w LW Bogdanka:
> „Definiując projekt, szukaliśmy partnera, który ma zdolności technologiczne do opracowania systemu zgodnego z naszymi założeniami. […] Dzięki profesjonalizmowi i doświadczeniu zespołu allclouds osiągnęliśmy założone cele w czasie znacznie krótszym, niż pierwotnie zakładaliśmy."
Co z tego wynika dla innych organizacji
Ten projekt pokazuje rzecz, w którą część rynku wciąż nie wierzy: funkcjonalność dużych modeli językowych — semantyczne wyszukiwanie, synteza, praca z wiedzą — daje się uruchomić bezpiecznie i wydajnie w całkowicie zamkniętym środowisku on-premise.
Ograniczenia sektora infrastruktury krytycznej nie wykluczają AI. Wymuszają tylko architekturę, która traktuje suwerenność danych jako punkt wyjścia, a nie funkcję dodatkową.
Jeśli Twoja organizacja stoi przed podobnym zdaniem — „my tych danych nie możemy nigdzie wysłać" — to nie jest koniec rozmowy o AI. To jej właściwy początek