Custom GPT dla firmy B2B — kiedy ma sens, jak wdrożyć, ile kosztuje

TL;DR — która ścieżka Custom GPT dla kogo

Krótka odpowiedź dla 80% przypadków, które widuję w polskim B2B segmencie 10-50 osób: OpenAI Assistants API + custom RAG (Ścieżka C) to optymalny balans kosztu (8-25 tys. PLN setup) i funkcjonalności (integracja CRM, multi-user, własny UI) — dla firm potrzebujących Custom GPT z polskim software backend. Pełniejsza wersja w tabeli — z perspektywy konsultanta wdrożeń AI, nie z perspektywy sales repa OpenAI ani Microsoft Copilot:

Najczęstszy błąd, jaki widzę u firm dopytujących o Custom GPT: wybór ścieżki przed zdefiniowaniem use case. Firma kupuje ChatGPT Enterprise "bo bezpieczeństwo", płaci 25-80 tys. PLN setup + 240/u/m, a faktycznie wystarczyłby ChatGPT Team za 1/5 ceny. Albo odwrotnie — robi DIY Custom GPT Builder dla wrażliwych danych i łamie RODO. Reszta artykułu wyjaśnia każdą ścieżkę, decision tree i pricing — wybierz ścieżkę DOPIERO po zdefiniowaniu use case.

Co to jest Custom GPT (i czym NIE jest)

Custom GPT to AI assistant wytrenowany na Twoich danych firmowych (dokumentach, FAQ, procesach, ticketach), który odpowiada w kontekście Twojej firmy zamiast generic-internet kontekście. Trening to nie modyfikacja modelu (fine-tuning), tylko RAG (Retrieval-Augmented Generation) — Custom GPT wyszukuje relevantne fragmenty Twoich dokumentów i używa ich jako kontekstu przed wygenerowaniem odpowiedzi. Pełny techniczny opis RAG (5-etapowa architektura, pseudo-code, 3 typy wdrożeń managed/self-hosted/hybrid z widełkami PLN): co to jest RAG — przewodnik techniczny B2B.

To, co Custom GPT łatwo myli się z innymi narzędziami AI, warto rozróżnić:

• Custom GPT ≠ ChatGPT publiczny. Publiczny ChatGPT nie zna Twojej firmy, polityk, cenników. Custom GPT odpowiada na pytania pracowników/klientów w kontekście Twojej dokumentacji.
• Custom GPT ≠ chatbot rule-based. Stary chatbot odpowiada na zdefiniowane reguły ("jeśli pyta o X, odpowiedz Y"). Custom GPT używa language model który rozumie intent — bez ograniczenia do zdefiniowanych reguł.
• Custom GPT ≠ fine-tuned model. Fine-tuning modyfikuje wagi modelu (drogie, wymaga ML expertise). Custom GPT używa RAG — szybsze, tańsze, łatwiejsze do iteracji.
• Custom GPT ≠ "AI w firmie" w ogóle. Custom GPT to JEDNO z wielu narzędzi AI. Inne: AI workflow automation (Make/n8n + GPT), AI screening CV, AI lead qualification, AI document analysis. Wybór Custom GPT vs alternative narzędzia AI to osobna decyzja (zob. AI consulting).

Custom GPT jako usługa konsultingowa obejmuje 3 elementy: (1) wybór ścieżki implementacji (A-E z TL;DR), (2) przygotowanie knowledge base (czyszczenie, kategoryzacja, embedding), (3) integracja z Twoimi systemami (CRM, Slack, Teams, własny UI).

5 ścieżek implementacji Custom GPT (decision tree)

Pięć pytań, w tej kolejności, prowadzi do konkretnej rekomendacji (ścieżka A-E):

5 typowych use cases Custom GPT w polskim B2B

Większość polskich firm myli się przy pierwszym wyborze use case — wybierają zbyt szeroki ("AI assistant dla pracowników") albo zbyt głupi (FAQ-bot zamiast prawdziwego customer support). Pięć use cases, które konsystentnie zwracają ROI:

1. Customer support knowledge base

Use case: Custom GPT wytrenowany na dokumentacji produktu, historii ticketów i FAQ. Odpowiada klientom (level 1) na pytania typu "jak skonfigurować X", "polityka zwrotów", "compatibility". Eskaluje do człowieka tylko sprawy niestandardowe. Wdrożenie: Ścieżka C (Assistants API + RAG), 8-15 tys. PLN setup, integracja z Intercom/Zendesk/Slack. ROI: 40-60% redukcja tickets level 1, oszczędność 80-200h/m dla zespołu wsparcia. Czas wdrożenia: 2-4 tygodnie.

2. Sales playbook assistant

Use case: Custom GPT z Twoim sales playbook — pricing, objection handling, case studies, competitive intel. Handlowcy zadają pytania w trakcie/przed rozmowami z klientem. Wdrożenie: Ścieżka B (ChatGPT Team) dla 5-15 handlowców (500-2 tys. setup), Ścieżka C dla integracji z Pipedrive (deal-specific context). ROI: +20-40% win rate na rozmowach z nowymi handlowcami, szybszy onboarding nowych sprzedawców. Realne wdrożenie: agencje sprzedażowe, SaaS, firmy z complex sales cycle.

3. Onboarding nowych pracowników

Use case: Custom GPT trenowany na onboarding docs, procedurach, HR policies, narzędziach firmowych. Nowy pracownik pyta "jak się loguje do X", "polityka urlopów", "kto odpowiada za Y" zamiast pytać managera. Wdrożenie: Ścieżka B (ChatGPT Team) wystarczy, integracja z Slack/Teams. ROI: skrócenie ramp-up time z 2 tygodni do 5 dni, redukcja przerywanych pytań do managerów o 50-70%. Realne wdrożenie: firmy z aktywnym hiringiem (5+ nowych osób/kwartał).

4. Document summarization + extraction

Use case: Custom GPT do umów, raportów, dokumentów technicznych. Extrahuje kluczowe klauzule, podsumowuje długie dokumenty, porównuje wersje. Wdrożenie: Ścieżka C (Assistants API + RAG) z OCR dla skanów PDF, 10-20 tys. PLN setup. ROI: 50-70% redukcja czasu na review dokumentów. Realne wdrożenie: kancelarie prawne, działy compliance, firmy z dużą liczbą umów B2B (50+ miesięcznie). Uwaga: dla legal use cases zalecam Ścieżkę E (on-premise) — privacy.

5. Email/copy drafting

Use case: Custom GPT z Twoim tone of voice, product knowledge i brand guidelines. Generuje drafty emaili (sprzedaż, support, marketing) do edycji przez człowieka. Wdrożenie: Ścieżka B (ChatGPT Team) dla 5-15 osób w marketingu/sales, 500-1 500 PLN setup (głównie prompt engineering). ROI: +30-40% throughput projektów (mniej czasu na pisanie od zera). Realne wdrożenie: agencje marketingowe, in-house marketing 2-5 osób. Ważne: AI nie zastępuje copywritera, zwiększa jego output 1,3-1,5× po edycji.

Cennik 5 ścieżek implementacji — pełen rozkład PLN

Ścieżka A — Custom GPT Builder w ChatGPT Plus (najprostsza)

Cena: licencja ChatGPT Plus $20/u/m (~80 PLN/u/m) + setup 0-500 PLN (DIY z YouTube tutorials). Czas: 1-3 godziny per GPT. Limitacje: maksimum 25 plików knowledge base na jeden GPT, no API access, no team management, no Custom UI. Dla kogo: 1-5 osób, prosty single-use case (FAQ-bot, dokumentacyjny assistant). Ryzyko: 40-60% Custom GPTs DIY kończy się "zapomniane po 2 tygodniach" — brak struktury w knowledge base + brak iteracji.

Ścieżka B — ChatGPT Team + shared Custom GPTs (małe-średnie zespoły)

Cena: ChatGPT Team $25-30/u/m (~100-120 PLN/u/m, min 2 users) + setup 500-2 000 PLN (właściwa konfiguracja, polish prompts, shared GPTs strategy). Czas: 1-3 dni. Funkcjonalności dodatkowe vs A: shared workspace, team management, większy context window, no training na Twoich danych (domyślnie opt-out). Dla kogo: 5-30 osób z 2-5 use cases (np. support + sales playbook + onboarding razem). Realny ROI: 3-6 miesięcy zwrotu.

Ścieżka C — OpenAI Assistants API + custom RAG (najczęstsza B2B)

Cena: API tokens 200-2 000 PLN/m (zależnie od wolumenu zapytań i długości promptów) + Pinecone vector DB Production ~70 USD/m (~280 PLN/m) + setup 8 000-25 000 PLN. Czas: 5-15 dni roboczych. Funkcjonalności dodatkowe: integracja z Pipedrive/HubSpot/Slack/Teams, custom UI, multi-tenant, unlimited users (płacisz per token, nie per user), pełna kontrola promptów i embeddings. Dla kogo: 10-50 osób z konkretnymi use cases, integracjami CRM/ERP, multi-team użytkownikami. Najczęstsza ścieżka w mojej praktyce dla polskich firm B2B 15-40 osób.

Ścieżka D — ChatGPT Enterprise / Microsoft Copilot Enterprise (duże firmy)

Cena: ChatGPT Enterprise $60-200/u/m (~240-800 PLN/u/m) lub Microsoft Copilot Enterprise $30/u/m (~120 PLN/u/m, jeśli już używasz Microsoft 365) + setup 25 000-80 000 PLN (vendor onboarding, security review, change management, training). Czas: 3-6 miesięcy (głównie change management, nie tech). Funkcjonalności dodatkowe: SOC 2 / GDPR audit, SSO/SAML, audit logs, dedicated Customer Success Manager, data residency (EU). Dla kogo: 30+ osób, compliance requirements, multi-team org. Uwaga: Copilot Enterprise wymaga Microsoft 365 E3/E5 — jeśli go nie masz, dodaj koszty M365.

Ścieżka E — Custom RAG na open source LLM (wrażliwe dane)

Cena: licencja $0 (Llama 3, Mixtral, Qwen — open source) + GPU hosting w polskim cloud 1 500-4 000 PLN/m (Beyond.pl, Polcom) lub własny serwer 10-30 tys. PLN one-time + setup 40 000-150 000 PLN (vector DB, custom UI, fine-tuning, monitoring, alerting). Czas: 2-6 miesięcy. Funkcjonalności dodatkowe: on-premise data residency, brak vendor lock-in, pełna kontrola modelu i danych. Dla kogo: firmy z wrażliwymi danymi (legal, medical, financial, defense, government). Trade-off: jakość polskiego output ~15-25% niższa niż GPT-4 (poza Bielikiem — dedykowany polski LLM, ale wciąż poniżej GPT-4 quality).

Jak wdrożyć Custom GPT krok po kroku (Ścieżka C)

Najczęstsza ścieżka w mojej praktyce (OpenAI Assistants API + custom RAG) ma 5 etapów:

Driver czasu projektu to NIE konfiguracja techniczna (technicznie wszystko zajmuje 3-5 dni), tylko jakość knowledge base prep (etap 2) i adopcja przez zespół (etap 4-5). Większość projektów które się "nie powiodły" to NIE problem techniczny — to braki w prep danych albo brak iteracji promptów.

Ukryte koszty Custom GPT — checklist

Pięć kategorii kosztów które ujawniają się PO wdrożeniu, ale rzadko są w pierwotnym budżecie:

1. API tokens (Ścieżka C/D) — 200-2 000 PLN/m dla typowej firmy 30-osobowej z 1-2 use cases. Skaluje się z wolumenem zapytań (każde query = 500-3000 tokens × $0.01-0.03 per 1k tokens dla GPT-4). Long-context queries (długie dokumenty) potrafią eksplodować koszt 5-10×.
2. Vector database hosting — Pinecone Starter free do 100k vectors, Production 70 USD/m+ (~280 PLN/m). Weaviate Cloud podobny. Dla 5-10 tys. dokumentów wystarczy Starter, dla 50k+ konieczny Production.
3. Knowledge base maintenance — 5-15 godzin/miesiąc na update dokumentów, regenerację embeddings, weryfikację jakości odpowiedzi. Zaniedbanie = GPT odpowiada na podstawie nieaktualnych danych ("stary cennik", "stary regulamin").
4. Prompt drift — OpenAI co 3-6 miesięcy aktualizuje GPT-4 (np. GPT-4o → GPT-4 Turbo → GPT-4.5). Każda aktualizacja modelu wymaga re-testowania promptów, czasem refresh. Budżet: 2-4 godziny konsultanta co kwartał (~500-1 000 PLN/kwartał).
5. Monitoring + observability — Helicone, LangSmith, Langfuse — 100-300 PLN/m. Bez monitoringu nie wiesz: ile zapytań, jakie tokeny, jaka accuracy, gdzie hallucynacje. Wdrożenie monitoringu = warunek konieczny dla production-grade Custom GPT.

Łączny ongoing cost dla typowej 30-osobowej firmy B2B (Ścieżka C, 1-2 use cases): 500-3 500 PLN/miesiąc (API + DB + maintenance + monitoring). Plus jednorazowe prompt refresh co kwartał. Roczny TCO operacyjny: 8-50 tys. PLN.

Kiedy NIE Custom GPT (4 czerwone flagi)

Cztery sytuacje, w których Custom GPT to wyrzucone pieniądze:

1. Firma <10 osób bez konkretnego use case. "Kupujemy Custom GPT bo wszyscy mówią o AI" = przepis na zapomniane subskrypcje po 2 miesiącach. Najpierw zdefiniuj: kto będzie pytał, co będzie pytał, jak zmierzysz że pomaga. Bez tego: kup zwykły ChatGPT Plus dla 2-3 osób na 3 miesiące pilot i potem decyduj.
2. Wrażliwe dane bez budżetu na on-premise. Dane osobowe klientów, financial records, medical, legal — wszystko co podlega RODO/compliance/branżowym regulacjom — NIE pchaj do publicznych GPT (ChatGPT Plus/Team/Enterprise). Dla wrażliwych: Ścieżka E (on-premise RAG) jest minimum, koszt 40-150 tys. setup + 3-8 tys./m. Mniejszego budżetu = nie rób Custom GPT na takich danych.
3. Brak osoby technicznej w zespole. Ścieżki C-E wymagają ongoing maintenance: prompt iteration, knowledge base update, monitoring. Bez kogoś znającego Python/REST API/JSON, projekt po 3-6 miesiącach "umiera" — przestaje być utrzymywany, accuracy spada. Wyjście: zatrudnij konsultanta z retainerem (1,5-3 tys. PLN/m) albo poprzestań na Ścieżkach A/B.
4. Oczekiwanie 100% accuracy w legal/medical/financial advice. Custom GPT ma 80-95% accuracy zależnie od use case i jakości KB. Dla legal advice ("jaką klauzulę zastosować w umowie X"), medical advice ("jakie leki przepisać"), financial advice ("czy inwestować w Y") — Custom GPT NIE zastępuje człowieka. Może wspomagać (research, draft), ale finalna decyzja zawsze człowiek + odpowiedzialność.

Custom GPT vs ChatGPT Enterprise vs Microsoft Copilot vs Google Gemini Enterprise vs Anthropic Claude

Custom GPT (z OpenAI) nie jest jedynym wyborem. Pięć alternatyw dla typowej polskiej firmy B2B 30-osobowej z compliance requirements:

OpenAI Custom GPT (Team/Assistants API) wygrywa elastycznością i jakością polskiego output. Microsoft Copilot wygrywa jeśli już używasz M365 (integracja z Outlookiem, Teamsem, SharePointem zero-effort). Anthropic Claude ma najlepszą reputację compliance i jest preferowany w branżach regulowanych. Google Gemini dla firm na Google Workspace, ale polski language quality słabszy. Dla większości polskich firm B2B 5-30 osób — OpenAI lub Microsoft Copilot.

3 typowe polskie wdrożenia Custom GPT — scenariusze

To NIE są moje konkretne case studies (klaster Wdrożenia AI ma 1 spoke od 26 maja — krótka ścieżka). To use case patterns z polskiego B2B 2026, które prowadzę w ramach wdrożeń AI:

Scenariusz 1: Agencja marketingowa 8 osób — copy drafting + brand voice

Agencja kreatywna 8-osobowa, klienci z 4 branż (B2B SaaS, e-commerce, fintech, real estate). Brand voice differentiation per klient = challenge. Wybór: Ścieżka B (ChatGPT Team) — 4 shared Custom GPTs (jeden per branża), każdy z brand guidelines + past projects + tone of voice samples. Koszt: 4 × 100 PLN/u/m × 12m = 4 800 PLN/rok licencji + 1 500 PLN setup. TCO 24m: ~12-15 tys. PLN. ROI: +35% throughput projektów, lepsza brand consistency, szybszy onboarding nowych copywriterów (poznają voice z GPT zamiast przeglądać 50 starych projektów).

Scenariusz 2: HR-tech startup 30 osób — sales enablement + onboarding

SaaS B2B w fazie growth, 5-osobowy sales team + nowych pracowników co kwartał. Sales playbook rozprowadzony w Notion (500+ stron), trudno znaleźć info "w locie". Wybór: Ścieżka C (Assistants API + RAG) — 2 Custom GPTs (sales playbook + onboarding), integracja z Slackiem. Koszt: 18 tys. PLN setup + 1 200 PLN/m operacyjny (API + Pinecone + monitoring). TCO 24m: ~46 tys. PLN. ROI: 50h/m savings na sales managerze (mniej "kto pyta co"), skrócenie ramp-up nowych SDR z 4 tygodni do 2 tygodni, +20% win rate w pierwszym kwartale dla nowych handlowców.

Scenariusz 3: Producent B2B 50 osób — customer support knowledge base

Polski producent komponentów przemysłowych, 50 osób, support 4-osobowy dostaje 200+ ticketów/m (60% to powtarzalne pytania o specs produktów, kompatybilność, dokumentację techniczną). Wybór: Ścieżka C (Assistants API + RAG) — Custom GPT trenowany na product specs + historii ticketów + dokumentacji technicznej. Integracja z Intercom. Koszt: 22 tys. PLN setup + 1 800 PLN/m operacyjny. TCO 24m: ~65 tys. PLN. ROI: 55% redukcja level-1 ticketów (dla powtarzalnych pytań GPT odpowiada w <1 minutę), zespół supportu fokus na complex cases, klienci dostają odpowiedzi 24/7 (zamiast czekać do następnego dnia roboczego).

Podsumowanie i kolejny krok

Custom GPT sprowadza się do 5 pytań decyzyjnych, których kolejność ma znaczenie: czy dane są wrażliwe (RODO) → czy zespół 30+ z compliance → czy potrzebne integracje CRM/ERP → czy 5+ shared users → czy konkretny use case. Każda kombinacja answers prowadzi do jednej z 5 ścieżek (A-E) z konkretnym pricingiem.

Kluczowe wnioski:

• Custom GPT to nie "AI w firmie w ogóle" — to konkretne narzędzie dla konkretnych use cases (knowledge base, sales playbook, onboarding, document analysis, copy drafting)
• Setup 5 ścieżek: 0-500 PLN (A — Plus) / 500-2k (B — Team) / 8-25k (C — Assistants API + RAG, NAJCZĘSTSZA) / 25-80k (D — Enterprise) / 40-150k (E — on-premise)
• 4 czerwone flagi (firma <10 os., wrażliwe dane bez on-premise, brak osoby technicznej, oczekiwanie 100% accuracy) chronią przed wyrzuconymi pieniędzmi
• Ukryte koszty (API tokens, vector DB, KB maintenance, prompt drift, monitoring) to 5-15% TCO 24m — przewidzić w budżecie
• Sekwencja: audyt procesów → AI consulting (decyzja gdzie AI) → Custom GPT (implementacja konkretnego use case). Pomyłka w kolejności = wyrzucone 30-60% budżetu.

Jeśli chcesz porozmawiać o tym, która ścieżka Custom GPT pasuje do Twojej firmy — opisz krótko ile masz osób i jaki use case rozważasz, a wrócę z konkretną rekomendacją. Albo zobacz pełen zakres wdrożeń AI w mojej praktyce. Jeśli jeszcze nie wiesz, czy potrzebujesz AI — zacznij od AI consulting B2B, gdzie rozkładam decyzję "czy w ogóle AI" na 5 sygnałów + 4 czerwone flagi.