Numerika · data · AI · training
Uczymy ludzi i firmy używać sztucznej inteligencji tak, żeby codzienna praca szła szybciej i kończyła się lepszym wynikiem. I nie mówimy tego z teorii: naszą własną firmę współprowadzi zespół agentów AI, na naszym własnym sprzęcie, z naszą własną pamięcią firmową.
Rozejrzyj się. Jeśli nic Cię tu nie zaciekawi, po prostu zamknij kartę. Jeśli coś trafi, przy każdej sekcji wiesz, co zrobić dalej.
Jaki promil ludzkości pracuje tak jak my?
Na Ziemi żyje 8,3 miliarda ludzi. Z generatywnej AI korzysta mniej więcej co ósmy. Z agentami, którym zleca się całe zadania, pracuje kilka promili ludzkości. Z zespołem agentów: około 4 na 1000. Policzyliśmy to z badań, a tam, gdzie badań nie ma, mówimy wprost, że szacujemy.
W filmie Eddie Morra połyka tabletkę NZT i w jeden dzień staje się kimś, kim nigdy nie był. Odpowiedni sposób pracy z AI daje to samo, tylko bez tabletki: nie czat otwarty w drugiej karcie, ale zespół agentów z pamięcią firmy, którym zlecasz całe zadania, sprawdzasz wynik i decydujesz. Porównaj.
Nie sprzedajemy tabletki. Uczymy, jak być jedną z tych 4 osób na 1000: na szkoleniach z Excela i AI, na warsztatach z agentów i prywatnego AI, a w firmach wdrażając to razem z Wami. Ile jeszcze potrwa, zanim zaczniesz?
Źródła · wrzesień 2026
Praca w XXI wieku
Od lutego 2026 Numerikę prowadzą dwie osoby i zespół około 20 agentów AI. Poniżej liczby z naszych repozytoriów, pamięci firmowej i hostingu. Rosną w tej chwili.
Czas pracy ludzi, który do tej chwili wykonali agenci
52 194godz.14min08s
To około 30 lat pracy jednego człowieka, wykonane w 7 miesięcy. Tyle zrobiłby zespół 44 osób na pełnym etacie. U nas zrobiły to dwie osoby i agenci.
Jeden kwadrat to jeden miesiąc pracy jednej osoby na pełnym etacie. Pomarańczowe: kalendarz. Turkusowe: wykonana praca.
Odczyt co godzinę z repozytoriów, pamięci firmowej i hostingu. Między odczytami licznik rośnie w średnim tempie z ostatnich dni. Godziny liczymy według typowych norm branżowych: 40 linii kodu albo 1000 słów gotowego tekstu na dzień pracy. Szczegóły niżej, w „Jak to policzyliśmy".
Nie muszę siedzieć przy biurku, żeby pracować. Całą firmą zarządzam przez telefon. Zlecam agentom pracę, potem ją weryfikuję, kieruję nimi i podejmuję decyzje. Wykonanie jest po ich stronie.Bartosz Paszek
Tak wygląda zwykły dzień. Zlecenie idzie na firmowy czat: tekstem albo głosówką z samochodu. Agent robi research, pisze kod, analizuje dokument, a odpowiada tak, jak w tej chwili jest wygodnie: tekstem, gdy siedzisz przy komputerze, głosem, gdy jedziesz. Wysłuchujesz raportu, podejmujesz decyzję, dyktujesz kolejne zlecenie. Biurko przestaje być warunkiem pracy.
Metoda liczenia · odczyt z 5 września 2026, 20:29
Transkrypcji spotkań, przeglądów dokumentów prawnych, analiz podatkowych, strategii, treści na LinkedIn, materiałów szkoleniowych, głosówek. To też robią agenci, ale nie leży w repozytoriach, więc nie wchodzi do licznika. Prawdziwa liczba jest wyższa.
Skrypt co godzinę zlicza stan repozytoriów, pamięci i hostingu i publikuje same liczby zbiorcze, bez treści. Strona odczytuje je i między odczytami dolicza średnie tempo z ostatnich dni. Licznik nigdy nie cofa się: gdy coś usuwamy, zostaje w nim praca, która była wykonana.
U Ciebie liczymy tak samo: bierzemy Twoje realne zadania, mierzymy czas przed i po, pokazujemy liczby zamiast obietnic.
Ekspertka od szkoleń z Excela, Power BI i analizy danych. 17 lat doświadczenia trenerskiego, ponad 4000 przeszkolonych osób. W Numerice odpowiada za to, żeby wiedza o AI była praktyczna, sprawdzalna i podana ludzkim językiem.
Szkolenia z Dominiką
Ekspert od tworzenia aplikacji i pracy z narzędziami AI, w tym vibe codingu, czyli budowania oprogramowania w ścisłej współpracy z agentami AI. W Numerice odpowiada za technologię: od własnego klastra obliczeniowego, przez zespół agentów, po aplikacje, które z tego powstają.
Klaster i agenciSzkolenia i kursy
Autorskie szkolenie Excel + AI dla firm, grupa online za 100 zł miesięcznie ze stałym dostępem do lekcji i darmowy mini kurs na start. Wszystko na naszej własnej platformie.
Przejdź do szkoleńPrywatne AI i własny klaster obliczeniowy
Mamy własny klaster obliczeniowy: cztery połączone maszyny z łącznie 512 GB pamięci dla modeli AI. To pojemność, która pozwala nam uruchamiać u siebie naprawdę duże modele językowe, na przykład GLM-5.3, czyli klasę systemów, po którą zwykle idzie się do chmury. Testujemy na nim także generowanie obrazu i wideo.
Prosty przykład: firma chce, żeby AI odpowiadało na pytania o jej umowy i procedury. Wysyłać umowy do publicznego czatu nie wolno albo strach. U nas ten sam model pracuje na miejscu, a dane nie opuszczają firmy. Tak samo z asystentem do poczty, transkrypcjami spotkań czy analizą tabel.
Uczciwa uwaga: taki sprzęt wygrywa pojemnością i prywatnością danych, nie surową prędkością największych centrów danych. Jeśli potrzebujesz przede wszystkim szybkości, powiemy to wprost i policzymy, czy chmura nie wyjdzie korzystniej.
Zbudujemy go na zamówienie: dobór maszyn, konfiguracja, uruchomione modele, przeszkolony zespół. Wycena po rozmowie, bo zakres bywa bardzo różny.
Do czego jeszcze służy taki klaster
Dlaczego to robimy? O AI, które nie wysyła danych do internetu, łatwo mówić na slajdach. My sprawdzamy to na własnych danych i własnym rachunku za prąd. Gdy przychodzisz z pytaniem, odpowiadamy z praktyki, nie z folderu.
Czego klaster nie zrobi. Nie wytrenuje od zera modelu wielkości ChatGPT, do tego służą centra danych. Nie odpowie też szybciej niż największe chmury. Wygrywa pojemnością, prywatnością i stałym, przewidywalnym kosztem.
Arasaka Netrunners · projekt badawczy
To sprawdzamy w naszym projekcie badawczym Arasaka Netrunners: budujemy firmę w całości zarządzaną przez sztuczną inteligencję. Agenci planują, wykonują i sprawdzają się nawzajem, decyzje zapadają według spisanych zasad, a człowiek zostaje tam, gdzie jest potrzebny: przy decyzji.
Stoi to na dwóch rzeczach, które mamy u siebie. Na jhonnys-brain, naszej własnej pamięci agentów, która uczy się z każdej sesji, więc zespół drugi raz nie popełnia tego samego błędu. I na własnym klastrze GPU, który daje nam tokeny w cenie prądu: agenci mogą pracować całą dobę, a rachunek za to policzyliśmy poniżej.
Przykład z lipca 2026: dwóm agentom, producentowi i krytykowi, daliśmy zadanie przygotowania pełnej analizy strategicznej naszej firmy. Zrobili to sami, w dziesięciu etapach, sięgając do prawie stu źródeł. Najlepsze było to, co zrobił krytyk: wyłapał koledze zmyślone źródło i błąd w obliczeniach, który zmieniał końcowy wniosek. Dokładnie po to buduje się drugą parę oczu, nawet jeśli obie są sztuczne.
Dokąd to zmierza: do firm, w których AI prowadzi procesy, a człowiek podejmuje decyzje. Najpierw sprawdzamy to na sobie.
Tokeny z chmury kosztują za każdym razem. Nasze kosztują tyle, ile prąd dla czterech komputerów DGX Spark i przełącznika, który je spina. Założenia: cały miesiąc, 24 godziny na dobę, klaster pod obciążeniem, prąd 1,20 zł za kWh.
Dla porównania policzyliśmy, ile te same tokeny kosztowałyby w API modelu GLM 5.3, czyli chmurowej wersji modelu z tej samej rodziny, którą uruchamiamy u siebie. Liczymy tylko tokeny wygenerowane; za tokeny wejściowe, których przy pracy agentów jest zwykle kilkanaście razy więcej, API też wystawia rachunek. U nas są w cenie tego samego prądu.
Pobór pod obciążeniem to wynik pomiarów niezależnych recenzentów (ok. 160 W na komputer przy zasilaczu 240 W); przełącznik zmierzyliśmy sami. Sufit z tabliczek znamionowych: 4 × 240 W + 134 W = 1094 W, czyli 790 kWh i ok. 950 zł. Na biegu jałowym klaster bierze ok. 200 W, czyli ok. 170 zł miesięcznie. Przepustowość to nasz pomiar modelu GLM 5.2 na klastrze przy kilku rozmowach naraz; na innym modelu klaster osiągał ponad dwa razy więcej, liczymy ostrożnie. Cennik API i kurs dolara z września 2026.
Prąd
| 4 × DGX Spark pod obciążeniem | 4 × 160 W | 640 W |
| przełącznik MikroTik CRS812 | zmierzone | 40 W |
| razem | 680 W | |
| × 720 godzin (30 dni non stop) | 0 kWh | |
| × 1,20 zł za kWh | ok. 0 zł |
Te same tokeny z API
| przepustowość klastra | zmierzone | 43,5 tokena/s |
| × 2 592 000 sekund (30 dni) | 0 mln tokenów | |
| API GLM 5.3, tokeny wygenerowane | cennik | 4,40 $ za mln |
| × 113 mln | 496 $ | |
| po kursie 3,71 zł | ok. 0 zł |
Ten sam miesiąc pracy: ok. 590 zł prądu u nas albo ok. 1840 zł w API, i to licząc tylko tokeny wygenerowane.
Arasaka Netrunners · jak to działa w praktyce
Jeden agent, jak jeden człowiek, popełnia błędy, których sam nie widzi: zmyśli źródło, pomyli się w rachunku, uwierzy własnej pierwszej wersji. Zespół z podziałem ról i prawem weta wyłapuje to, czego pojedynczy autor nie zauważy. Chcemy wiedzieć, jak daleko da się posunąć samodzielną pracę AI, zanim zaproponujemy to klientom.
Spisaliśmy krok po kroku sprawdzoną metodologię zarządzania strategicznego: od analizy otoczenia i scenariuszy, przez konkurencję i audyt wnętrza, po SWOT, wybór kierunków i plan wdrożenia. Dziesięć etapów, każdy z wymaganiami wobec źródeł i liczb.
Program prowadzi dwóch agentów przez tę listę: wykonawca pisze, nadzorca sprawdza każdy etap i odsyła do poprawy. Na końcu stoi bramka jakości, lista typowych grzechów strategii, przez którą raport musi przejść. Postęp widać na żywo na panelu, a wynik to gotowy raport do przeczytania w przeglądarce.
Tę samą metodę oferujemy firmom pod marką AitegiX: jeden konkretny raport, od danych do decyzji.
Nasz zespół agentów AI
W Numerice obok ludzi pracuje około dwudziestu agentów AI. Agent to nie czatbot, który czeka na pytanie. To stały członek zespołu z konkretną rolą: jeden projektuje strony internetowe, drugi pilnuje serwerów, trzeci analizuje dane, czwarty buduje system tradingowy. Piszesz do niego na czacie jak do kolegi z pracy, a on pamięta, co ustaliliście tydzień temu.
Żeby to działało, obok wspólnej pamięci jhonnys-brain, o której piszemy niżej, zbudowaliśmy dwie rzeczy:
nasz projekt cccli-bridge
Dzięki niemu z każdym agentem rozmawia się tam, gdzie i tak jesteśmy: na zwykłym firmowym czacie. Bez nowych aplikacji, bez paneli, bez instrukcji obsługi.
Huly
Tablica w rytmie scrumban: karty płyną przez kolumny od pomysłu do zrobionego, z limitem pracy w toku. Agenci mają na niej konta jak ludzie: biorą karty, komentują postęp, odhaczają zrobione i sami wystawiają karty innym agentom. My widzimy to wszystko na żywo, na jednej tablicy.
Łącznik między agentami a ludźmi · cccli-bridge
Narzędzie, do którego trzeba się osobno logować, umiera po tygodniu. Ludzie pracują tam, gdzie rozmawiają: na firmowym czacie. Więc agentów przenieśliśmy tam, a nie ludzi do agentów.
Każdy agent ma swój kanał, tak jak pracownik ma swoje biurko. Piszesz do niego zwykłym zdaniem, on pracuje na naszym serwerze, a wynik wraca na kanał. Pamięta poprzednie rozmowy, korzysta ze wspólnej pamięci, a większą robotę rozdziela na pomocników. Ma dostęp tylko do tego, co dostał wprost, i pilnują go spisane zasady bezpieczeństwa.
Ten sam łącznik podłączamy do firmowego czatu klienta, razem z agentami dobranymi do jego pracy.
Wspólna tablica zadań · Huly
Praca, której nie widać, budzi nieufność. Jeśli agent robi coś w tle, kierownik nie wie, co jest w toku, co utknęło i kto za to odpowiada. Zaufanie do AI w zespole zaczyna się od tego, że jej pracę widać tak samo jak pracę ludzi.
Tablica działa w rytmie scrumban: nie ma sprintów, jest przepływ. Karta wędruje przez kolumny: pomysły do przeczytania, do zrobienia, w toku, zrobione. Gdy człowiek albo inny agent przesunie kartę do „do zrobienia" i wskaże wykonawcę, dyspozytor budzi tego agenta na jego kanale czatu. Agent najpierw opisuje własnymi słowami, jak rozumie zadanie, potem przesuwa kartę do „w toku", a na końcu wpisuje wynik i odhacza. Każdy ruch karty widać na tablicy w tej samej chwili, a jej historia trafia do wspólnej pamięci.
Agenci zlecają sobie nawzajem. Analityk wystawia kartę projektantowi stron, kierownik projektu rozbija duże zadanie na karty dla kilku agentów, a wynik jednego staje się wejściem drugiego. Człowiek nie musi być pośrednikiem, ale widzi każdą taką kartę i każdy komentarz. Bezpiecznik: agent bierze najwyżej kilka kart pod rząd i ograniczoną liczbę na godzinę, żeby pomyłka na tablicy nie zamieniła się w lawinę pracy.
Tablicę można postawić u klienta i wpuścić na nią jego własnych agentów.
Pamięć firmowa · jhonnys-brain
Większość odpowie ładnym zdaniem, którego nie da się sprawdzić. Nasi agenci odpowiadają łańcuchem: to narzędzie, w tej sesji, dało ten wynik. Z niego powstał fakt. Potwierdził go ten test. A jeśli nie wiedzą, mówią, że nie wiedzą.
Nikomu, jeśli chodzi o zapamiętanie, że lubisz krótkie odpowiedzi. Ale gdy nad Twoją firmą pracuje zespół agentów, pytanie brzmi inaczej: kto z nich ma rację, gdy dwóch zapisało co innego? I skąd to wiadomo?
U ludzi tego nie policzysz. U naszych agentów tak: każdy fakt ma liczbę, jak bardzo jest pewny, a system sprawdza, czy ta pewność miała pokrycie w rzeczywistości. Jeśli agenci są zbyt pewni siebie, dostają korektę, zanim podejmą kolejną decyzję.
Sprawdziliśmy dziewięć systemów pamięci dla agentów AI dostępnych na świecie, od startupów po pamięć wbudowaną w platformy Anthropic, Google i Microsoft. Żaden nie ma tego zestawu pięciu mechanizmów w jednym pakiecie. Nasza pamięć firmowa nie zapamiętuje, co lubi użytkownik. Zapamiętuje, co zespół agentów wie, skąd to wie i jak bardzo jest tego pewien.
9sprawdzonych systemów pamięci dla agentów AI, wrzesień 20260z tym zestawem mechanizmów. Jedyny taki, jaki znaleźliśmy.
Każdy fakt ma liczbę od 0 do 1: jak bardzo jesteśmy go pewni. Wynik testu podnosi ją albo obniża sam. Co jakiś czas system liczy, czy agenci nie byli zbyt pewni siebie, i koryguje ich przed następną decyzją.
Przypuszczenia o tym, jak działa firma i jej systemy, mają status: nieprzetestowane, potwierdzone, obalone. Eksperyment zalogowany przez agenta zmienia ten status sam, bez człowieka.
Gdy jeden agent zapisze coś, co przeczy zapisowi drugiego, baza zakłada konflikt, a osobny proces go rozstrzyga. Żaden ze sprawdzonych systemów nie robi tego między agentami.
Do każdego faktu można zapytać: skąd? Odpowiedź to łańcuch od surowego wyniku narzędzia, przez sesję, do faktu i testu, który go potwierdził. Pod RODO i AI Act to wymóg dokumentacji, nie ozdoba.
Każde użycie narzędzia jest zapisane z wynikiem i czasem. Z tego powstaje raport: które umiejętności agentów dowożą, a które są martwym balastem i lecą.
Pamięć firmowa · jhonnys-brain
Pamięć dla agentów w 2026 roku to w większości to samo: agent rozmawia z człowiekiem, system wyciąga z rozmowy fakty o użytkowniku, zapisuje je i przy kolejnej rozmowie dokleja najbardziej podobne. Tak działają Mem0, Supermemory, LangMem. Zep i Cognee dokładają graf i oś czasu. Letta trzyma stan agenta jak system plików. W tym roku Anthropic, Google i Microsoft wbudowali taką pamięć w swoje platformy, w cenie subskrypcji.
Nie zapamiętuje, co lubi użytkownik. Zapamiętuje, co zespół agentów wie i skąd to wie: kilkanaście agentów, trzy różne środowiska, jedna wspólna baza u nas na serwerze. Fakty mają pewność, hipotezy mają dowody, sprzeczności są wykrywane, a do każdego faktu prowadzi łańcuch pochodzenia. Badania z 2026 roku pokazują, że rynek dopiero zaczyna nazywać te problemy: sprzeczne przekonania psują wyszukiwanie, a miękkie kasowanie danych nie spełnia prawa do bycia zapomnianym.
To nie jest produkt z pudełka. Nie ma publicznego API ani wersji do wdrożenia w pół godziny. Działa na naszym serwerze, z naszymi agentami. Przez kilka miesięcy część tych mechanizmów pracowała gorzej, niż myśleliśmy, i dowiedzieliśmy się o tym z własnego audytu. Naprawiliśmy to 5 września 2026 i od tego dnia mierzymy wynik na żywych danych. Pierwsze wdrożenie u klienta planujemy po tym, jak liczby potwierdzą to, co tu piszemy.
Taką pamięć stawiamy u klienta: podłączona do Waszego czatu, uczy się z rozmów i dokumentów, zostaje na Waszym serwerze.
Teksty, które trafiają · matryca copy
Nie wiesz, bo napisałeś jeden. My piszemy pięćdziesiąt i mierzymy. Zamiast zgadywać, do kogo mówimy, opisujemy odbiorcę typem osobowości, a matryca pamięta, który sposób pisania działa na który typ.
Matrycę zbudowaliśmy dla siebie. Ten sam mechanizm ustawiamy pod Wasze produkty, Waszych odbiorców i Wasze kanały.
HIGI
Numerika jest współtwórcą HIGI, aplikacji dla higienistek stomatologicznych, która po krótkiej ankiecie składa spersonalizowany plan higieny dla pacjenta, gotowy do druku albo wysyłki. Projekt jest na finiszu i przygotowuje się do premiery.
higi.com.plAitegiX
Pod marką AitegiX wdrażamy zarządzanie strategiczne wspierane sztuczną inteligencją: AI przyspiesza analizy, człowiek podejmuje decyzje. Dane klientów przetwarzamy z zachowaniem prywatności, bo analizy mogą chodzić na naszym własnym klastrze zamiast w publicznej chmurze. Wejście jest zawsze takie samo: jeden konkretny raport, od danych do decyzji.
aitegix.numerika.aiBot tradingowy
Nasz zespół agentów buduje system automatycznego tradingu na rynku kryptowalut: całodobowe zbieranie danych z pięciu giełd, modele uczenia maszynowego i symulator wiernie odtwarzający mechanikę giełdy.
Wyniki na dziś, wprost: konto demo wystartowało pod koniec lipca z 5000 dolarów, na początku września jest na nim 7856 dolarów. Podkreślamy: to konto demo, nie realne pieniądze. Zanim bot dostanie prawdziwy kapitał, musi spełnić kryteria, które zapisaliśmy sobie z góry, przed testami, a nie po nich. Rynek nie wybacza myślenia życzeniowego i właśnie dlatego to najlepszy poligon dyscypliny pracy z AI, jaki znamy.
Godzinę? Dzień? Policz na spokojnie i pomnóż przez 52. Jeśli wyszło mało, zamknij kartę, nic się nie stało. Jeśli wyszło dużo, to jest ta ropa z początku strony. Leży pod Twoim biurkiem. Pytanie tylko, czy zaczniesz wiercić, czy dalej będziesz o niej czytać.
Tak też bywa i nie będziemy Cię przekonywać. Jeśli praca idzie Ci dobrze bez AI, nic nie tracisz na tej wizycie. Ale skoro jesteś na końcu strony, coś Cię tu zatrzymało. Co to było? Z nieskończonych możliwości z góry strony wystarczy ta jedna. Od niej zaczniemy.
Prawdopodobnie nic. I to jest cały problem. Ropa z początku tej strony nie wyparuje, ale ci, którzy już wiercą, będą rok dalej. Nie musisz zaczynać od platformy wiertniczej. Wystarczy jeden odwiert: to jedno zadanie, które dziś zabiera Ci najwięcej czasu. Powiedz nam, które.
Napisz dwa zdania. Odpowiemy, czy umiemy pomóc, a jeśli nie umiemy, też to napiszemy.
