Zastosowanie predykcyjnej AI w biznesie. Ramy prawne po zmianie Rozporządzenia o Sztucznej Inteligencji

Przedsiębiorcy korzystają z generatywnej i predykcyjnej AI. Ta ostatnia może rozstrzygać o sytuacji wielu osób i w zależności od tego czemu służy i jakie dane wykorzystuje, powodować ryzyka prawne, które należy uwzględnić planując i wdrażając rozwiązania AI w organizacji. Predykcyjna AI, przewidująca wartości i klasyfikująca przypadki, w polskich realiach jest rzadziej stosowana niż generatywna. Nie jest technologią nową, ale trudności nastręcza ustalenie, jak klasyfikować jej narzędzia, kto odpowiada za jej stosowanie oraz co można robić z jej wynikami.

W 2025 r. 20% przedsiębiorstw w Unii Europejskiej, zatrudniających więcej niż 10 osób, korzystało z AI. W Polsce odsetek ten wyniósł zaledwie 8,4% przedsiębiorstw, gdy tymczasem w Danii było to aż 42%[1]. Warto pamiętać, że 45,8 % dużych polskich firm stosuje AI, wśród średnich jest to 14,8%, a w przypadku małych 5,8%[2]. Z badania PARP i UJ wynika, że 14% polskich przedsiębiorstw wykorzystuje AI do analizy predykcyjnej i wsparcia decyzji biznesowych, zaś 33% do tworzenia treści i wsparcia kreatywnego[3]. Łącznie ponad 80% firm znajduje się na wczesnym etapie przygotowania do wdrażania AI, a te o najniższym poziomie gotowości to aż 46%, które jako jedną z głównych barier wskazują brak lub niejasność przepisów dotyczących AI[4]. Dane te pokazują, że wśród krajowych MŚP nadal wykorzystanie AI jest mniejsze od ogólnego unijnego poziomu.

Czym różni się predykcyjna AI pod znanej przedsiębiorcom generatywnej AI?

Zarówno predykcyjna, jak i generatywna AI opierają się na analizie danych, lecz wykonują odmienne zadania i dają innego rodzaju wyniki. Różnica ma charakter funkcjonalny, ponieważ dotyczy rodzaju zadania, a nie samej technologii. Generatywna AI służy do tworzenia nowych treści, dokumentów, obrazów, wideo, a wszystko to wykonuje na podstawie danych treningowych. Z kolei predykcyjna AI nie tworzy takich treści, ale skupia się na przypisaniu przypadkowi wartości liczbowej, kategorii albo prawdopodobieństwa. Dzięki niej może określać, które maszyny ulegną awarii, czy którzy pracownicy odejdą z pracy. Punktem wyjścia są zatem dane historyczne, których wynik jest znany, a wyuczone zależności stosuje do nowych przypadków. Danymi historycznymi mogą być różne dane tabelaryczne, teksty, obrazy, sygnały czy dane przestrzenne. Predykcja nie dotyczy tylko przyszłości, ale może odnosić się do aktualnego działania, jak ma to miejsce chociażby w przypadku użycia systemu do wykrywania nadużyć w trwającej transakcji. Predykcyjna AI szacuje wartość nieznaną i nie podejmuje decyzji; ta należy już do człowieka. Skuteczność predykcyjnej AI zależy od reprezentatywności zbioru danych, a nie tylko od jego jakości. Model predykcyjnej AI korzystający ze starszych danych może utracić trafność w aktualnych warunkach.

Predykcyjna AI nie jest wyodrębniona w AI Act[5], czy RODO[6]. Akty te nie wymieniają typów sztucznej inteligencji. Definicja systemu AI zawarta w art. 3 pkt 1 AI Act obejmuje systemy generujące wyniki takie jak predykcje, treści, zalecenia lub decyzje, które mogą wpływać na środowisko fizyczne lub wirtualne, a kwalifikacja prawna zależy od funkcji systemu AI i kontekstu zastosowania, niezależnie od tego, jak nazwie go jego dostawca.

Nie każde predykcyjne narzędzie jest przy tym systemem AI w ujęciu AI Act. W jego motywie 12 znajdujemy dość interesujące wyjaśnienie, z którego wynika, że zdolność systemu AI do wnioskowania wykracza poza podstawowe przetwarzanie danych w wyniku umożliwiania uczenia się, rozumowania lub modelowania. Wskazano tam, że definicja systemu AI powinna odróżniać systemy AI od prostszych tradycyjnych systemów oprogramowania lub założeń programistycznych i nie powinna obejmować systemów opartych na zasadach określonych wyłącznie przez osoby fizyczne w celu automatycznego wykonywania operacji. Niewiążące Wytyczne Komisji Europejskiej wyłączają z tej definicji m.in. proste systemy prognostyczne czy systemy służące ulepszeniu optymalizacji matematycznej[7]. Wykładni AI Act w tym przedmiocie dokona ostatecznie Trybunał Sprawiedliwości. Od kilku lat dostawcy mają tendencję do nazywania wielu rozwiązań systemami AI, chociaż w istocie nie spełniają one podstawowej definicji z AI Act. Przedsiębiorcy przed zastosowaniem narzędzi powinni dokonać analizy, czy rzeczywiście mają do czynienia z systemem AI, ponieważ to warunkuje, czy podlegają AI Act.

Do czego przedsiębiorcy używają predykcyjnej AI w praktyce?

Predykcyjna AI służy do prognozowania. Może między innymi klasyfikować różne przypadki, przypisywać im pewien poziom ryzyka, wykrywać anomalie czy generować wczesne ostrzeżenia na przykład o spodziewanych awariach. Wspomniane badanie PARP i UJ pokazuje, że pośród firm zainteresowanych wdrożeniem polscy przedsiębiorcy najczęściej sięgają po AI w obszarach związanych z planowaniem i logistyką (36%), obsługą klienta indywidualnego poza sprzedażą produktów i usług (34%), w obszarze sprzedaży (25%) oraz do zarządzania ryzykiem (21%), czy developingu – rozwoju produktów/usług (20%)[8]. Mogą to być w wielu przypadkach zastosowania predykcyjne, choć nie nazywane tak wprost. Najczęściej wymienia się kilka typów wykorzystania do prognozowania popytu i zapasów, przewidywania awarii maszyn, retencji i wartości klienta, diagnostyki chorób, analizy obrazów medycznych, oceny ryzyka kredytowego, personalizacji nauczania, planowania zasobów i zatrudnienia czy przewidywania opóźnień w łańcuchu dostaw. Wyniki modeli mogą służyć do klasyfikowania przypadków, priorytetyzacji działań lub automatyzacji decyzji biznesowych. Dla przedsiębiorców istotne jest, które z narzędzi dotyczą osób fizycznych, czy ma do nich zastosowanie RODO oraz które pozostają całkowicie poza reżimem AI Act lub nie są systemami wysokiego ryzyka. Znaczenie ma to, jak szeroka jest ekspozycja prawna takich narzędzi, ponieważ rzutuje na ryzyko biznesowe oraz koszty wdrożenia.

Korzyści i przykłady zastosowania predykcyjnej AI

Podstawową korzyścią jest znaczna oszczędność czasu i kosztów. Przykładowo dla maszyn jest to możliwość przewidywania potencjalnych awarii, co pozwala na wcześniejsze zaplanowanie przeglądu urządzenia, zamiast zastoju maszyny w środku produkcji i czasochłonnego oczekiwania na naprawę. Pozwala więc na zaplanowanie działań oraz kosztów. Predykcyjna AI może dać korzyść w postaci zachowania jednolitości oceny danych, na których pracuje. Decyzję podejmuje człowiek, ale część związaną z weryfikacją danych może wykonywać narzędzie. Usprawnia to pracę członków organizacji, gdyż pracują już na wynikach, a nie przeszukują samodzielnie tysiące przypadków. Przedsiębiorcy uzyskują narzędzia, które wspierają ich procesy decyzyjne i pozwalają uprzedzić zdarzenia przyszłe. Rozwiązania predykcyjnej AI nie zawsze są jednak skuteczne. McKinsey w 2021 r. podał przykład firmy, która produkowała urządzenie wymagające serwisowania średnio cztery razy w roku, a każdy taki przypadek to koszt ok. 1500 dolarów na części i robociznę[9]. Przedsiębiorstwo wykorzystało konserwację predykcyjną do przewidywania ok. ¼ awarii z 85% dokładnością i dzięki temu zaoszczędziło ponad 10% kosztów związanych z każdą przewidzianą awarią. Zastosowany algorytm dawał 10% wskaźnik fałszywie pozytywnych wyników, co pochłonęło poczynione oszczędności firmy.  

Powszechnie znane są rozwiązania predykcyjnej AI wdrożone przez większe koncerny i korporacje. Bosch stosuje rozwiązania z zakresu Predictive Maintenance, Deutsche Bahn stosuje predykcyjne utrzymanie swojej infrastruktury, Maersk używa modeli predykcyjnych do przewidywania zatorów i opóźnień w portach. Amazon stosuje system Supply Chain Optimization Technologies do przewidywania popytu i podejmowania decyzji, gdzie rozmieścić produkty w sieci logistycznej. General Electric, stosuje rozwiązania do monitorowania stanu turbin wiatrowych i przewidywania konieczności konserwacji urządzeń. Dla MŚP przykłady te mają ograniczoną wartość, ponieważ różnicuje je skala, kapitał i zespół ludzi potrzebny do ich stosowania w praktyce. Europejska Sieć Hubów Innowacji Cyfrowych (European Digital Innovation Hubs Network) prowadzi Success stories, która zawiera przykłady wdrożeń rozwiązań AI, spośród których niektóre mogą zostać zakwalifikowane jako dotyczące predykcyjnej AI. Przykładowo wymienia włoski Staff Jersey, należący do sektora MŚP, który stosuje system AI do wykrywania anomalii i kontroli jakości tkanin, a opis zastosowanego działania może sugerować, że możemy mówić tutaj o wykorzystaniu predykcji. Najczęściej mniejsze przedsiębiorstwa skupiają się na gotowych modelach, co ułatwia wdrożenie i nie wymaga aż tak dużych kosztów na powołanie odpowiedniego zespołu specjalistów i tysiące testów, jakie ponoszą większe korporacje, wdrażające własne modele.

Jakie ważniejsze przepisy prawa dotyczą predykcyjnej AI?

AI Act, zmieniony niedawno przez Digital Omnibus on AI[10], ma znaczenie, jeśli narzędzie zakwalifikujemy jako system AI w rozumieniu tego aktu. Zmiany przesuwają terminy dla systemów AI wysokiego ryzyka – do 2.12.2027 r. dla tych z załącznika III (art. 6 ust. 2 AI Act) oraz do 2.08.2028 r. dla ujętych w załączniku I do AI Act (art. 6 ust. 1). Zakazy z art. 5 AI Act obowiązują od 2.02.2025 r. Dla predykcyjnej AI znaczenie mają zakazy dla scoringu społecznego prowadzącego do krzywdzącego lub niekorzystnego traktowania w kontekście niepowiązanym z celem zbierania danych albo traktowania nieuzasadnionego lub nieproporcjonalnego, oceny ryzyka popełnienia przestępstwa wyłącznie na podstawie profilowania osoby lub oceny jej cech osobowości i cech charakterystycznych, czy rozpoznawania emocji w miejscu pracy i placówkach edukacyjnych, poza względami medycznymi lub bezpieczeństwa.  Z załącznika III dla predykcji istotne są m.in. systemy dotyczące zatrudniania, zarządzania pracownikami i dostępu do samozatrudnienia, wykorzystywane do celów oceny zdolności kredytowej osób fizycznych lub ustalenia ich scoringu kredytowego, z wyjątkiem systemów AI wykorzystywanych w celu wykrywania oszustw finansowych, czy używane przy ocenie ryzyka i ustalaniu cen w odniesieniu do osób fizycznych w ubezpieczeniach na życie i zdrowotnych. Systemy te nie są zakazane, ale muszą spełniać wymogi z AI Act.

Ustawa o systemach sztucznej inteligencji z 3 lipca 2026 r., która weszła w życie 11 sierpnia br., wprowadziła Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (tzw. KRiBSI), która w niedalekiej przyszłości będzie wydawać opinie indywidualne, z których mogą skorzystać przedsiębiorcy przed wdrożeniem rozwiązania w swojej organizacji. Umożliwi też bezpłatne piaskownice regulacyjne dla MŚP, czyli kontrolowane środowiska testowe, w których będą mogli sprawdzić system AI przed jego wprowadzeniem na rynek bez ryzyka natychmiastowego nałożenia kar. Mniejsi przedsiębiorcy mogą też skorzystać z platformy AI4MŚP, która łączy przedsiębiorstwa z dostawcami rozwiązań AI, udostępnia test gotowości i materiały edukacyjne.

Zasadnicze pytanie, na które muszą odpowiedzieć sobie przedsiębiorcy wykorzystujący systemy AI w swojej organizacji, to czy są dostawcą czy podmiotem stosującym według AI Act. Mniejsi przedsiębiorcy częściej będą korzystać z gotowych rozwiązań, aniżeli budować swoje własne od podstaw. To jednak nie przesądza o ich roli. Podmiot stosujący może bowiem zostać uznany za dostawcę systemu AI wysokiego ryzyka, jeżeli opatrzy system już wprowadzony do obrotu lub oddany do użytku własną nazwą lub znakiem towarowym, bez uszczerbku dla ustaleń umownych przewidujących, że podział obowiązków następuje w inny sposób. Dotyczy to też sytuacji, gdy dokonuje w systemie AI wysokiego ryzyka istotnej zmiany, w taki sposób, że pozostaje on takim systemem albo zmienia przeznaczenie systemu AI, który nie został zaklasyfikowany jako system AI wysokiego ryzyka i który został już wprowadzony do obrotu lub oddany do użytku, w taki sposób, że taki system staje się systemem AI wysokiego ryzyka. Przykładowo dotrenowanie zakupionego modelu własnymi danymi może zostać uznane za istotną zmianę. AI Act przewiduje uproszczenia dla dostawców na przykład w zakresie dokumentacji, a podmioty stosujące korzystają głównie ze wsparcia proceduralnego i niższego wymiaru kar, dlatego przedsiębiorca powinien ustalić własną rolę.

Dla wielu MŚP predykcyjna AI, która przetwarza dane osobowe, jest źródłem obowiązków z RODO, których nie można pomijać. Może dojść do profilowania w rozumieniu tego aktu. Trybunał w wyroku z dnia 7 grudnia 2023 r. w sprawie SCHUFA Holding, C-634/21, wskazał, że zautomatyzowane wyliczenie przez biuro informacji kredytowej wartości prawdopodobieństwa dotyczącej zdolności osoby do wywiązywania się ze zobowiązań płatniczych w przyszłości stanowi "zautomatyzowane podejmowanie decyzji w indywidualnych przypadkach" w rozumieniu art. 22 ust. 1 RODO, jeżeli od tej wartości prawdopodobieństwa zależy w decydujący sposób, czy strona trzecia nawiąże, wykona lub zakończy stosunek umowny z tą osobą. Dalej w wyroku z dnia 27 lutego 2025 r. w sprawie C-203/22 orzekł, że w przypadku zautomatyzowanego podejmowania decyzji, w tym profilowania, osoba, której dane dotyczą, może żądać od administratora, aby wyjaśnił jej w zwięzłej, przejrzystej, zrozumiałej i łatwo dostępnej formie, procedurę i zasady konkretnie zastosowane do zautomatyzowanego wykorzystania danych osobowych dotyczących tej osoby w celu uzyskania określonego wyniku, takiego jak profil zdolności kredytowej. Ważne jest też ustalenie podstawy przetwarzania, przeprowadzenie oceny skutków przy systematycznej ocenie opartej na profilowaniu oraz testu zgodności celu przy wtórnym wykorzystaniu danych operacyjnych.

Sporym wyzwaniem dla pracodawców może być predykcyjna AI w zatrudnieniu i konieczność uwzględniania zakazu dyskryminacji. Znaczenie mają tu zmiany w Kodeksie pracy od 5.11.2026 r. wprowadzające pojęcie dyskryminacji przez założenie i przez skojarzenie. Ciężar dowodu w sprawach o naruszenie zasady równego traktowania obciąża pracodawcę, który musi wyjaśnić, dlaczego model wskazał danego pracownika. Kodeks pracy zawiera zamknięty katalog danych, których pracodawca może żądać od kandydatów i pracowników, dlatego rozwiązania, które zawierają informacje spoza tego katalogu, mogą zostać uznane za wadliwe.

Zbiór danych, wykorzystywany w narzędziu predykcyjnej AI, może podlegać ochronie sui generis jako baza danych, jeśli wymaga istotnego co do jakości lub ilości, nakładu inwestycyjnego w celu sporządzenia, weryfikacji lub prezentacji jego zawartości. Jeśli firmy korzystają z własnych wieloletnich danych, to będą najczęściej producentami bazy danych, ale nie można wykluczyć, że przy korzystaniu z zewnętrznych baz, producentem będzie ich dostawca. Zbiór danych może podlegać też ochronie prawnoautorskiej, jeśli w całości lub w części stanowi utwór. Oprogramowanie narzędzia chronione będzie jako program komputerowy, ale same wyniki predykcyjnej AI najprawdopodobniej nie będą korzystać z ochrony prawa autorskiego.

Wskazówki dla przedsiębiorców

Zasadniczy wniosek jaki wyłania się na tle wskazanych problemów, to potrzeba dokonywania oceny prawnej rozwiązania predykcyjnej AI przed jego wdrożeniem. Brak określenia roli przedsiębiorcy, kwalifikacji systemu, podstawy przetwarzania danych czy źródła danych historycznych może spowodować, że wdrożenie będzie wadliwe i wymagać będzie ponownych działań oraz poniesienia kosztów. Porządkowanie danych w mniejszych firmach jest warunkiem wstępnym wdrożenia odpowiedniego modelu[11]. Dochodzi też koszt korzystania z narzędzi oraz doboru adekwatnego szerokiego zbioru danych, który będzie użyteczny dla przedsiębiorcy. Ujęta w przywołanym raporcie bariera niewiedzy co do przepisów prawnych, które mają zastosowanie, powoduje, że przedsiębiorcy mają istotne trudności z ustaleniem co tak naprawdę powinni zweryfikować.

Przedsiębiorcy powinni sprawdzić, czy planowane narzędzie jest w ogóle systemem w rozumieniu AI Act, ponieważ nie liczy się tutaj nazwa produktu, a jego właściwość i przeznaczenie. Pewnym punktem wyjścia mogą być w tym zakresie wspomniane Wytyczne KE. Być może problem w firmie rozwiąże prostsze narzędzie. Jeśli wchodzimy w reżim AI Act, to kolejnym krokiem jest ustalenie właściwej roli przedsiębiorcy. Dotrenowanie rozwiązania własnymi danymi może ją zmienić, dlatego dostosowanie modelu dla przedsiębiorcy przez dostawcę można z nim ustalić przed wdrożeniem. To często jest niemożliwe przy darmowych narzędziach, przy których najczęściej wymagane jest jedynie zaakceptowanie regulaminu, co powoduje, że nie wszystkie obowiązki wobec osób fizycznych będzie można spełnić. Stosowanie narzędzi predykcyjnej AI do sytuacji dotyczących ludzi rodzić będzie bowiem obowiązki z RODO, Kodeksu pracy lub przepisów sektorowych.

Można wdrażanie rozpocząć od zadań, które nie dotyczą osób fizycznych, aby małymi krokami prawidłowo korzystać z narzędzia i rozszerzać je w przyszłości na obszary powodujące dalsze obowiązki. Przedsiębiorcy mogą też skorzystać z piaskownic regulacyjnych i opinii indywidualnych dla sprawdzenia swoich rozwiązań. Zaplanowanie i wdrożenie predykcyjnej AI to dopiero początek, musi działać prawidłowo w toku korzystania z jej narzędzi.

Istotną kwestią, w przypadku korzystania z narzędzi zewnętrznych, jest ustalenie w umowie z dostawcą komu przysługiwać będą prawa do wykorzystywanych danych, a także tych powstałych w celu dotrenowania modelu, przed rozpoczęciem współpracy, w jej trakcie i po jej zakończeniu. Lepszym rozwiązaniem może być zasilenie narzędzia własnymi danymi. Zasady weryfikacji działania modelu, okresowe przeglądy itp. to działania, które mogą zapobiegać pojawianiu się fałszywych wyników oraz starzeniu się rozwiązania, a co za tym idzie niepotrzebnym kosztom, które powoduje jego wadliwość.

Marta Lampart

radca prawny, pełnomocnik przed EUIPO. Specjalizuje się głównie w prawie własności intelektualnej, w tym w prawie autorskim i własności przemysłowej, prawie ochrony danych oraz prawnych aspektach sztucznej inteligencji. Pasjonują ją szczególnie zagadnienia techniczne i prawne związane z funkcjonowaniem sztucznej inteligencji (AI), nowe technologie oraz szeroko rozumiane prawo własności intelektualnej.

Artykuł powstał w ramach realizacji projektu Centrum Rozwoju Małych i Średnich Przedsiębiorstw sfinansowanego ze środków Ministerstwa Rozwoju i Technologii. 

[1] 20% of EU enterprises use AI technologies, Eurostat

[2] The use of artificial intelligence (AI) technologies in the European Union — Key results, Urząd Publikacji UE, Eurostat s. 19.

[3] Sztuczna inteligencja w firmach: gotowość do adopcji, kompetencje i potrzeby. Raport z badań BKL, PARP, UJ, D. Brohs, A. Łubińska, I. Kania, K. Tokarska, A. Biernatowska, Warszawa 2026, s. 37.

[4] Ibidem, s. 6.

[5] Rozporządzenie PE i Rady (UE) 2024/1689 z dnia 13.06.2024 r. w sprawie ustanowienia zharmonizowanych przepisów dotyczących sztucznej inteligencji oraz zmiany rozporządzeń (WE) nr 300/2008, (UE) nr 167/2013, (UE) nr 168/2013, (UE) 2018/858, (UE) 2018/1139 i (UE) 2019/2144 oraz dyrektyw 2014/90/UE, (UE) 2016/797 i (UE) 2020/1828 (akt w sprawie sztucznej inteligencji), Dz.Urz.UE.L z 2024 r. s. 1689.

[6] Rozporządzenie PE i Rady (UE) 2016/679 z dnia 27.04.2016 r. w sprawie ochrony osób fizycznych w związku z przetwarzaniem danych osobowych i w sprawie swobodnego przepływu takich danych oraz uchylenia dyrektywy 95/46/WE (ogólne rozporządzenie o ochronie danych) (Tekst mający znaczenie dla EOG), Dz.Urz.UE.L Nr 119, s. 1.

[7] KOMUNIKAT KOMISJI, Wytyczne Komisji w sprawie definicji systemu sztucznej inteligencji ustanowionej rozporządzeniem (UE) 2024/1689 (akt w sprawie sztucznej inteligencji), C (2025) 5053 final z 29.07.2025 r. s. 9-11.

[8] Sztuczna inteligencja w firmach …, s. 34-35.

[9] H. Brink, A. Krych, O. Ramirez Cardenas, S. Tiwari, Establishing the right  analytics-based maintenance strategy

[10] Rozporządzenie PE i Rady (UE) 2026/1744 z dnia 8.07. 2026 r. w sprawie zmiany rozporządzeń (UE) 2024/1689, (UE) 2018/1139 i (UE) 2023/1230 w odniesieniu do uproszczenia wdrażania zharmonizowanych przepisów dotyczących sztucznej inteligencji (akt zbiorczy prawa cyfrowego dotyczący AI) (Tekst mający znaczenie dla EOG), Dz.Urz.UE L 2026/1744, 24.07.2026.

[11] M. Matějka, M. Dian, J. Lhota, T. Beran, V. Hlinák, Machine Learning Regression Approaches for Manufacturing Cost and Time Prediction: A Comprehensive Review, „Manufacturing Technology" 2026, t. 26, nr 1, s. 54–55.