# Syntalith - pełna informacja dla pipelinów cytowań AI (pl)

Canonical URL: https://syntalith.ai/pl

## Short description

Syntalith wdraża automatyzacje AI od 15 000 zł oraz aplikacje i agentów AI od 25 000 zł netto. Bezpłatny skan procesu trwa 30 minut i kończy się pisemnym podsumowaniem w 2 dni robocze. Płatna Specyfikacja wdrożenia zaczyna się od 4 990 zł, a szkolenia dla zespołów od 4 900 zł za dzień.

## Entity

- Legal name: SYNTALITH sp. z o.o. (Syntalith)
- Founded 2025-10, Warszawa, Poland
- KRS: 0001194852; NIP: 7011278085
- Area served: Polska, Unia Europejska, Worldwide
- Languages: pl, en
- LinkedIn: https://www.linkedin.com/company/syntalith/
- Clutch (verified client reviews): https://clutch.co/profile/syntalith
- Email: contact@syntalith.ai
- Phone: +48888784878

## Named public collaborations

- [Natu.Care](https://natu.care): Współpraca w obszarze AI
- [Signature Estates](https://syntalith.ai/pl/wdrozenia/re-lead-intel): Agent AI do akwizycji nieruchomości
- [jakotako.design](https://syntalith.ai/pl/wdrozenia/jakotako-agent-loop): Szkolenie z Claude i pętla agentowa do kontaktów sprzedażowych

## Primary buyer

Właściciel firmy, COO, CTO lub lider operacji w firmie zatrudniającej 10–500 osób, który chce sprawdzić konkretny proces przed podpisaniem umowy na wdrożenie AI.

## Positioning

- Oddaj AI powtarzalną pracę. Najważniejsze decyzje zostaw ludziom.
- Wskaż proces, który co tydzień zabiera zespołowi godziny. Podczas bezpłatnego skanu sprawdzimy, czy warto oddać go AI. W ciągu 2 dni dostaniesz pisemną rekomendację: co wdrożyć najpierw, po czym poznać, że działa, i z jakim kosztem się liczyć.

## Usługi i ceny początkowe

- Automatyzacje AI: System czyta, klasyfikuje i przenosi dane w powtarzalnym procesie. Człowiek zajmuje się wyjątkami i zatwierdza wrażliwe działania. (od 15 000 zł, 2–6 tygodni)
- Aplikacje AI: Własna aplikacja z modelem językowym w środku, zbudowana pod Twój proces, gdy gotowe narzędzie nie pasuje. (od 25 000 zł, 4–10 tygodni)
- Agenci AI: System prowadzi uzgodniony proces od nowej sprawy do wyniku, a wyjątki przekazuje wskazanej osobie. (od 25 000 zł, 6–16 tygodni)
- Skan i Specyfikacja: Zaczynasz od bezpłatnego skanu. Pełna Specyfikacja opisuje, czy budowa ma sens, jaki powinien być zakres i ile będzie kosztować. Jeśli zlecisz nam wykonanie systemu, koszt Specyfikacji zaliczymy na poczet wdrożenia. (0 zł / od 4 990 zł, 30 min / 5 dni)
- Szkolenia AI: Zamknięte szkolenie z bezpiecznej i skutecznej pracy z AI dla Twojego zespołu. Prowadzą je inżynierowie, którzy na co dzień wdrażają takie systemy. (od 4 900 zł/dzień, 1–2 dni)
- Monitorujemy działanie, usuwamy błędy i rozwijamy system, który należy do Ciebie. Zakres oraz cenę utrzymania ustalamy indywidualnie.

## Usługi w szczegółach

### Audyt procesów AI od skanu do Specyfikacji
- URL: https://syntalith.ai/pl/uslugi/audyt-procesow-ai
- Summary: Audyt AI zaczyna się od bezpłatnego, 30-minutowego skanu. Specyfikacja kosztuje od 4 990 zł netto, a opłatę odliczamy, jeśli budujemy system.
- Problem: Test pokazuje działanie na przykładzie, ale nie odpowiada, czy proces warto automatyzować.
- Outcome: Zaczynasz od bezpłatnego skanu: 30 minut z inżynierem i pisemne podsumowanie w 2 dni robocze. Gdy potrzebujesz pełnej mapy, w Specyfikacji wdrożenia od 4 990 zł netto otrzymujesz architekturę, plan i stałą wycenę. Jeśli zlecisz nam budowę systemu, jej koszt zaliczymy na poczet wdrożenia.
- Includes:
  - Mapę procesu z krokami, wyjątkami i miejscami, w których dziś ginie czas
  - Spis danych i warunków procesu pokazujący, na co pozwalają Twoje dane i gdzie potrzebny jest człowiek
  - Opis architektury, zakresu samodzielnej pracy systemu i warunków przekazania sprawy człowiekowi
  - Plan wdrożenia z etapami, terminami i listą rzeczy potrzebnych od Twojego zespołu
  - Stała wycena budowy i rekomendacja „nie buduj”, jeśli to uczciwa odpowiedź
  - Dokument należy do Ciebie: możesz wdrażać z nami albo z dowolnym wykonawcą
- Not for:
  - Ogólny przegląd „dojrzałości AI” bez konkretnych procesów
  - Pełna Specyfikacja jest osobną, płatną analizą i nie wchodzi w zakres bezpłatnego skanu
  - Procesy bez dostępu do danych i bez osoby, która odpowie na pytania w ciągu 5 dni
- Pricing: Skan jest bezpłatny. Specyfikacja zaczyna się od 4 990 zł netto. Dokument należy do Ciebie i możesz z nim iść do dowolnego wykonawcy, a uczciwe „nie buduj” też jest wynikiem. Jeśli zlecisz nam budowę systemu, koszt Specyfikacji zaliczymy na poczet wdrożenia.

### Agenci AI dla firm
- URL: https://syntalith.ai/pl/uslugi/agenci-ai
- Summary: Agenci AI dla biznesu prowadzą uzgodnione procesy w CRM, ERP i skrzynce. Wdrożenie od 25 000 zł netto, pilotaż na danych i kontrola człowieka.
- Problem: Pracownik prowadzi każdą sprawę między skrzynką, CRM i innymi systemami, a wyjątki wracają do niego ręcznie. Koszt to godziny poświęcone na czytanie, przepisywanie i pilnowanie kolejnych kroków. Agent ma sens po opisaniu zakresu, wyjątków i decyzji, które zostają przy człowieku.
- Outcome: W 6–16 tygodni dostajesz system obsługujący uzgodniony proces. Agent korzysta z zatwierdzonych narzędzi, a działania zmieniające dane wykonuje dopiero po zgodzie człowieka. Każda decyzja trafia do historii. Cena zaczyna się od 25 000 zł netto i jest ustalana przed umową. Decyzja o pełnym wdrożeniu zapada po ocenie pilotażu na danych klienta.
- Includes:
  - Agent prowadzący jeden konkretnie określony proces od początku do końca w ustalonym zakresie, z przekazaniem wyjątków człowiekowi
  - Panel operatora: podgląd na żywo, ręczne zatwierdzenia, zatrzymanie pracy i historia każdej decyzji
  - Integracje z Twoimi systemami o minimalnych potrzebnych uprawnieniach
  - System działa w uzgodnionym środowisku. Transfery danych do modeli i usług zewnętrznych opisujemy przed startem
  - Treść z poczty, dokumentów i stron traktujemy jako dane wejściowe. Nie zmienia zakresu pracy agenta ani nie uruchamia narzędzi
  - Monitoring, alerty i dokumentacja przekazania dla Twojego zespołu
- Not for:
  - Samodzielne działanie bez osoby odpowiedzialnej po stronie firmy
  - Budowa bez podpisanego zakresu
- Pricing: Wycenę opieramy na zakresie procesu, integracjach, autonomii i ryzyku. Stałą wycenę dostajesz w propozycji po bezpłatnym skanie. Pełny koszt znasz przed umową, bez ukrytych pozycji.

### Utrzymanie agenta AI w produkcji
- URL: https://syntalith.ai/pl/uslugi/utrzymanie
- Summary: Utrzymanie agenta AI obejmuje monitorowanie działania, przegląd wyjątków, kontrolę kosztów i comiesięczny raport. Zakres i cenę ustalamy indywidualnie.
- Problem: Zmiana danych, reguły albo integracji może po cichu zepsuć działającego agenta.
- Outcome: Stały inżynier przegląda historię działań, sprawdza nietypowe sprawy i koryguje reguły po wykryciu problemu. Co miesiąc otrzymujesz raport dla zarządu: co system zrobił, które sprawy przekazał człowiekowi, co poprawiliśmy i ile kosztuje obsługa jednej sprawy. Wycena jest indywidualna po skanie.
- Includes:
  - Monitorowanie działania i alerty, które wskazują przerwane integracje, nietypowe zachowanie i przekroczenia ustalonych limitów
  - Czas reakcji i zakres pilnych poprawek zapisany w Twojej umowie
  - Comiesięczny przegląd nietypowych spraw oraz korekty instrukcji i reguł
  - Zmiany wersji: przed wycofaniem używanej wersji sprawdzamy następcę na stałym zestawie przypadków i porównujemy zachowanie
  - Miesięczny raport pracy agenta: co zrobił, co przekazał człowiekowi i co poprawiliśmy
  - Koszt pod kontrolą: raport pokazuje koszt obsługi jednej sprawy, a proste reguły odsiewają zadania niewymagające AI
  - Godziny inżynierskie na zmiany reguł, sposobu przekazywania spraw i integracji wraz ze zmianami procesu
  - Dane jednego klienta odseparowane od innych, dedykowana maszyna na życzenie
- Not for:
  - Agenci bez historii działań i osoby odpowiedzialnej technicznie, bo nie da się sprawdzić ich pracy ani bezpiecznie wprowadzać zmian
  - Firmy, które nie zgadzają się na monitoring działania systemu
  - Jednorazowe konsultacje bez ciągłej odpowiedzialności za produkcję
  - System, którego nie wolno nam przejrzeć ani zmienić
- Pricing: Płacisz za zakres opieki wymagany przez system. Utrzymanie wyceniamy indywidualnie po bezpłatnym skanie. Zakres, miesięczną cenę i czas reakcji zapisujemy w umowie przed rozpoczęciem pracy.

### Automatyzacje AI dla firm
- URL: https://syntalith.ai/pl/uslugi/automatyzacje-ai
- Summary: Od 15 000 zł netto: automatyzacje AI przejmują powtarzalną pracę ze skrzynką, dokumentami, CRM i raportami. Stała cena, wdrożenie w 2–6 tygodni.
- Problem: Zespół codziennie kieruje sprawy ze skrzynki, przepisuje dane z PDF-ów i składa cykliczne raporty. Policz tygodniową liczbę godzin i pomnóż ją przez koszt godziny. To obecny koszt procesu, którego reguły nadal pozostają w głowach pracowników.
- Outcome: W 2–6 tygodni przejmujemy jeden taki proces: system czyta, klasyfikuje i przenosi dane między Twoimi narzędziami, a do ludzi trafiają tylko wyjątki wymagające decyzji. Zespół odzyskuje czas, a sprawy krócej czekają w kolejce. Cena zaczyna się od 15 000 zł netto i jest stała przed umową. Pilotaż na Twoich danych musi osiągnąć ustalony wynik przed decyzją o pełnym wdrożeniu.
- Includes:
  - Obsługa skrzynki: klasyfikacja, rejestrowanie spraw i odpowiedzi według ustalonych zasad
  - Dokumenty: odczyt danych z PDF-ów, faktur i formularzy bezpośrednio do systemu
  - CRM i ERP: aktualizacje rekordów i integracje przez API, z historią zmian
  - Raporty i powiadomienia generowane automatycznie według reguł, przed spotkaniem
  - Ścieżka wyjątków do człowieka i dokumentacja przekazania dla Twojego zespołu
- Not for:
  - Procesy bez osoby odpowiedzialnej po stronie firmy
  - Strony internetowe i chatboty marketingowe
  - Automatyzacja „wszystkiego naraz”: zaczynamy od jednego procesu
- Pricing: Cena zależy od liczby źródeł danych i integracji. Stałą wycenę dostajesz w propozycji po bezpłatnym skanie: rozmowa 30 min i pisemne podsumowanie w 2 dni robocze. Pełny koszt znasz przed umową, bez ukrytych pozycji.

### Oddaj powtarzalną pracę osobistemu operatorowi AI
- URL: https://syntalith.ai/pl/uslugi/osobisty-agent-ai
- Summary: Osobisty operator AI dla zarządu przygotowuje podsumowania, zbiera materiały do decyzji i działa w uzgodnionym środowisku. Od 4 900 zł netto.
- Problem: Nikt nie deleguje tej pracy, bo nikomu poza Tobą nie wolno czytać tej skrzynki. Zestawienie, analiza źródeł i przygotowanie decyzji zostają więc przy Tobie, choć to powtarzalna praca.
- Outcome: Dostajesz osobistego operatora uruchomionego na Twoim serwerze albo koncie w chmurze. Prowadzi konkretną, powtarzalną pracę, zatrzymuje się na wyjątku i zapisuje historię działań. Jeśli korzysta z zewnętrznego modelu lub usługi, zakres przekazywanych danych ustalamy przed startem. Stałą wycenę i termin dostajesz po bezpłatnym skanie.
- Includes:
  - Poranny przegląd i porządkowanie spraw z Twoich źródeł
  - Analiza źródeł i monitoring tematów, które śledzisz
  - Przygotowanie decyzji i ponownych kontaktów do akceptacji
  - Uruchomienie na Twojej infrastrukturze albo na Twoim koncie w chmurze (AWS, Google Cloud, Azure)
  - Uprawnienia, zasady przekazywania wyjątków i historia każdego działania
- Not for:
  - Ogólny asystent do pojedynczych pytań i szkiców
  - Samodzielne działanie na prywatnych kontach bez ustalonych uprawnień
  - Praca jednorazowa, która nie wraca regularnie
  - Praca bez jasno określonego zakresu i właściciela decyzji
- Pricing: Cena zależy od zakresu pracy, integracji, autonomii i ryzyka. Stałą wycenę dostajesz po bezpłatnym skanie, pełne widełki na stronie cennika, bez ukrytych pozycji.

### Aplikacje AI dla firm na zamówienie
- URL: https://syntalith.ai/pl/uslugi/aplikacje-ai
- Summary: Od 25 000 zł netto: aplikacje AI dopasowane do procesu firmy, asystenci pracy, wyszukiwanie dokumentów, odczyt danych i klasyfikacja. Kod zostaje u Ciebie.
- Problem: Zespół traci godziny na szukanie informacji w dokumentach oraz ręczne przepisywanie danych z PDF-ów i skanów. Gdy gotowe narzędzie nie pasuje do procesu albo nie może przetwarzać danych firmy, potrzebna jest aplikacja z kontrolą źródeł, uprawnień i odpowiedzi.
- Outcome: W 4–10 tygodni dostajesz aplikację, w której model językowy wykonuje konkretną, powtarzalną pracę: odpowiada na pytanie z dokumentu ze wskazaniem źródła, klasyfikuje sprawę albo wyciąga dane z faktury. Trafność mierzymy na przykładach klienta. Odpowiedzi poniżej ustalonego progu trafiają do człowieka. Pilotaż na danych klienta musi osiągnąć ten próg przed decyzją o pełnym wdrożeniu.
- Includes:
  - Wewnętrzni asystenci i panele pracujące na Twoich danych
  - Odpowiedzi z Twoich dokumentów ze wskazaniem źródła
  - Wyciąganie danych z faktur, umów i skanów do ustalonego formatu
  - Klasyfikacja spraw i dokumentów według Twoich reguł
  - Stały zestaw przykładów klienta i zmierzony wynik trafności
  - Reguły bezpieczeństwa i przekazanie niepewnych odpowiedzi człowiekowi
  - Integracja z Twoimi systemami przez API, z minimalnymi uprawnieniami i historią działań
  - Kod, instrukcje i przykłady testowe należą do Ciebie
- Not for:
  - Strony marketingowe i strony docelowe
  - Budowa stron bez funkcji AI
  - Widżet czatu doklejony do strony
  - Proces, który gotowe narzędzie obsługuje taniej i szybciej: polecimy jego zakup
- Pricing: Ile kosztuje aplikacja AI na zamówienie i co wpływa na cenę? Stałą wycenę dostajesz w propozycji po bezpłatnym skanie. Pełny koszt znasz przed umową, bez ukrytych pozycji.

### Nazwany pakiet w Aplikacjach AI
- Firmowy Mózg AI dla ludzi i agentów
- URL: https://syntalith.ai/pl/uslugi/aplikacje-ai/firmowy-mozg-ai
- Summary: Firmowy Mózg AI łączy Confluence, CRM, ERP i dokumenty w bazę wiedzy ze źródłami i uprawnieniami. Wdrożenie od 25 000 zł netto, zwykle 4–10 tygodni.

### Agencja AI Warszawa: wdrożenia dla firm
- URL: https://syntalith.ai/pl/agencja-ai-warszawa
- Summary: Warszawska firma inżynierska wdraża automatyzacje, aplikacje i agentów AI. Skan procesu 0 zł, wdrożenia od 15 000 zł netto.

### Szkolenia AI dla firm od 4 900 zł za dzień
- URL: https://syntalith.ai/pl/uslugi/szkolenia-zespolowe
- Summary: Szkolenia AI dla firm i zespołów, online lub u klienta. Program opieramy na Waszych zadaniach i zasadach pracy z danymi. Od 4 900 zł netto za dzień.

### Kurs agentów AI dla programistów
- URL: https://syntalith.ai/pl/uslugi/kursy-ai-native
- Summary: Kurs AI-Native uczy pracy z agentami kodującymi na Twoim repozytorium, z Claude Code, Codexem lub innym narzędziem. Wycena po rozmowie.

### Indywidualne szkolenie AI 1:1
- URL: https://syntalith.ai/pl/indywidualne-szkolenie-ai
- Summary: Indywidualne szkolenie AI 1:1 z inżynierem na Twoich dokumentach, analizie lub procesie. Pięć przeprowadzonych sesji. Od 4 900 zł/dzień netto.

### Szkolenia AI Warszawa
- URL: https://syntalith.ai/pl/szkolenia-ai-warszawa
- Summary: Szkolenia AI w biurze klienta w Warszawie lub online. Program na zadaniach zespołu, prowadzą inżynierowie. Od 4 900 zł/dzień netto.

## Automatyzacja, aplikacja LLM czy agent

### Definition
Agent = praca + kontekst + narzędzia + zasady działania + eskalacja + bezpieczeństwo + pomiar + koszt + historia działań. Brak jednego z tych elementów wskazuje na prostszy rodzaj systemu, na przykład skrypt, integrację albo aplikację AI.

### Triad
Chatbot odpowiada. Copilot pomaga. Agenci AI prowadzą proces według ustalonych zasad.

### Agent-washing
Sama nazwa „agent” nie mówi, jaką pracę wykonuje system. Tą nazwą bywają opisywane chatboty, systemy RAG, copiloci i skrypty z modelem. Dlatego sprawdzamy wykonywaną pracę, uprawnienia i dziewięć kryteriów. Agent kosztuje więcej i wymaga większej kontroli niż skrypt lub aplikacja. Proponujemy go wtedy, gdy następny krok zależy od treści sprawy. W pozostałych przypadkach wskazujemy prostsze rozwiązanie.

### Dziewięć pytań do oceny systemu przed wdrożeniem
Te dziewięć pytań sprawdzają, czy propozycja agenta opisuje konkretną pracę, uprawnienia, zasady akceptacji, pomiar, koszt i zapis działań. Dzięki odpowiedziom wiesz, co system robi, gdzie się zatrzymuje i kto przejmuje wyjątek.
- Praca: Jaką konkretną pracę wykonuje agent?
- Kontekst: Co agent musi rozumieć: dane, reguły, wyjątki?
- Narzędzia: Z jakich systemów korzysta i z jakimi uprawnieniami?
- Uprawnienia i limity: Czego nie wolno mu zrobić samodzielnie?
- Eskalacja: Kiedy oddaje sprawę człowiekowi?
- Bezpieczeństwo: Jak system znosi wrogie treści i co chroni dane, których dotyka?
- Pomiar: Po czym poznamy, że warto go utrzymać?
- Koszt: Ile kosztuje jedno przejście procesu i jak ograniczamy ten koszt?
- Historia działań: Co system zapisuje i kto może to sprawdzić?

### AI Act mapping
Dziewięć kryteriów agenta odnosimy do wymagań EU AI Act dotyczących rejestrowania zdarzeń, przejrzystości, nadzoru człowieka, odporności i monitoringu. Pomaga to uporządkować techniczny wkład do dokumentacji operatora.
- Historia działań: Art. 12 · Rejestrowanie zdarzeń
- Praca + Kontekst: Art. 13 · Przejrzystość
- Narzędzia: Art. 13 + 26 · Narzędzia i obowiązki operatora
- Uprawnienia + przekazanie człowiekowi: Art. 14 · Nadzór człowieka
- Bezpieczeństwo: Art. 15 · Dokładność, odporność i cyberbezpieczeństwo
- Pomiar: Art. 17 + 72 · Jakość i monitoring
Dostarczamy techniczne materiały do dokumentacji operatora. To nie jest porada prawna. Nie klasyfikujemy systemu jako wysokiego ryzyka ani nie przesądzamy o Twoich obowiązkach. Większość wymienionych wymagań dotyczy systemów wysokiego ryzyka. Art. 50 opisuje osobny obowiązek poinformowania użytkownika, że rozmawia z AI. Stosuje się go od 2 sierpnia 2026 r. Koszt jest naszym kryterium produkcyjnym i nie ma odpowiednika w AI Act.

### Diagnostic
Jeśli wystarczy skrypt, integracja albo aplikacja AI, rekomendujemy ten wariant przed ofertą. Agent jest właściwy dopiero wtedy, gdy następny krok zależy od treści sprawy.
- Automatyzacja bez AI: Stałe kroki, znane reguły. Wynik da się sprawdzić testem. Jeśli model nie poprawia mierzonego wyniku, wystarczy skrypt, integracja albo proces oparty na regułach.
- Automatyzacja z AI: Model rozumie tekst, ale nie prowadzi sprawy. Model klasyfikuje tekst, wydobywa dane, streszcza lub szkicuje odpowiedź. Kolejność kroków nadal wynika z reguł, więc jest to automatyzacja korzystająca z AI.
- Aplikacja z AI / copilot: Skutek należy do człowieka. System przygotowuje, człowiek zatwierdza: szkic odpowiedzi, podsumowanie dokumentu, rekord do akceptacji. Zapis, wysyłka i decyzja należą do człowieka.
- Agent AI: Następny krok zależy od treści sprawy. Agent dobiera następny krok, korzysta z narzędzi, przekazuje wyjątki człowiekowi, mierzy wynik i zapisuje powód każdego działania.

## Dlaczego to ważne dla kupującego

### Wybieramy proces, zapisujemy cel i dopiero wtedy budujemy.
Gartner prognozuje, że ponad 40% projektów agentowych zostanie anulowanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości albo słabej kontroli ryzyka. Dlatego przed budową opisujemy zakres pracy, ustalamy konkretny cel i określamy, które sprawy system przekazuje człowiekowi.
Stat: 40%+ projektów agentowych może zostać anulowanych do końca 2027 roku (Gartner).
- Jeden powtarzalny proces: Wybieramy zadanie, które wraca co tydzień: obsługę skrzynki, przepisywanie faktur, przygotowanie ofert albo pracę z kontaktami sprzedażowymi. Dzięki temu znamy koszt wyjściowy i wiemy, jaką część pracy ma przejąć system.
- Jeden cel do osiągnięcia: Przed budową ustalamy miarę związaną z procesem: czas obsługi, liczbę spraw zakończonych bez ręcznej pracy albo odsetek poprawnie przygotowanych danych. Wynik pilotażu można wtedy sprawdzić na liczbach.
- Wyjątki trafiają do człowieka: System otrzymuje dostęp potrzebny do konkretnego zadania, zapisuje wykonane działania i przekazuje sprawy wymagające oceny wskazanej osobie. Zespół zachowuje kontrolę nad decyzjami o skutkach biznesowych.

### Od pierwszej rozmowy do działającego systemu w pięciu krokach.
Po każdym etapie otrzymujesz konkretny rezultat i decydujesz, czy przechodzimy dalej.
- Skan: wybieramy proces: Przez 30 minut rozmawiasz z inżynierem o pracy, która zabiera zespołowi czas. W ciągu 2 dni roboczych otrzymujesz pisemne podsumowanie z kolejnością działań i widełkami kosztów.
- Zakres i stała wycena: W prostym projekcie przygotowujemy bezpłatną propozycję ze stałą ceną. Przy większym zakresie tworzymy Specyfikację wdrożenia od 4 990 zł, którą możesz przekazać dowolnemu wykonawcy. Jej koszt zaliczamy na poczet budowy systemu.
- Umowa z jasno określonym celem: Umowa określa zakres, cenę, cel pilotażu oraz sposób, w jaki sprawdzimy wynik. Od początku znasz warunki odbioru.
- Budowa i pilotaż: Budujemy system, uruchamiamy go na uzgodnionych danych i sprawdzamy, czy osiąga ustalony cel. Jeśli nie, wprowadzamy poprawki określone w umowie w ramach ceny pilotażu.
- Przekazanie systemu: Otrzymujesz kod, instrukcje dla modeli, dane testowe i dokumentację. Uruchomienie produkcyjne obejmuje utrzymanie, którego zakres i cenę uzgadniamy przed umową.
- Wdrożony

### AI jest już w firmach. Agenci dopiero wchodzą do codziennych procesów.
Według Stanford AI Index 88% badanych organizacji używa AI w co najmniej jednej funkcji. W niemal każdym obszarze biznesu z agentów korzystało mniej niż 10% badanych organizacji. Największe wzrosty produktywności pojawiają się przy uporządkowanej pracy, której efekty można sprawdzić. Od takiego procesu zaczynamy. (Stanford AI Index, 2026)
Stat: 55% to 88%, badanych organizacji używa AI w co najmniej jednej funkcji.

## Jak wygląda współpraca

- Bezpłatny skan procesów (30 min z inżynierem) otwiera każdą współpracę; w 2 dni robocze klient dostaje pisemne podsumowanie: co zautomatyzować, w jakiej kolejności i ile to kosztuje.
- Ścieżka A - bezpłatna pisemna propozycja w 5 dni roboczych: stały zakres i wycena, ważność 30 dni.
- Ścieżka B - Specyfikacja wdrożenia (od 4 990 PLN, 5 dni roboczych): mapa procesu, architektura, plan wdrożenia i stała wycena - dokument, który można dać dowolnemu wykonawcy. Jeśli Syntalith buduje system, koszt Specyfikacji zalicza na poczet wdrożenia.
- Potem umowa i budowa (wdrożenia produkcyjne zwykle 25 000–150 000 PLN); utrzymanie wyceniane indywidualnie po skanie.

## Public pricing

### Skan procesów
- Price: 0 zł
- Window: 30 min + podsumowanie w 2 dni robocze
- Summary: 30 minut z inżynierem o kosztownym procesie. W ciągu 2 dni roboczych dostajesz pisemne podsumowanie z proponowanym zakresem i następnym krokiem.

### Specyfikacja wdrożenia
- Price: od 4 990 zł
- Window: 5 dni roboczych
- Summary: Mapa procesu, architektura, plan i stała wycena potrzebne do podjęcia decyzji o budowie. Jeśli zlecisz nam system, koszt Specyfikacji zaliczymy na poczet wdrożenia.

### Automatyzacje AI
- Price: od 15 000 zł
- Window: 2–6 tygodni
- Summary: Obsługa skrzynki, dokumentów, CRM, raportów i integracji według ustalonych reguł.

### Agenci AI
- Price: od 25 000 zł
- Window: 6–16 tygodni
- Summary: Systemy, które samodzielnie wykonują rutynowe kroki, a wyjątki przekazują człowiekowi. Każde działanie zapisują w historii dostępnej do audytu.

### Aplikacje AI
- Price: od 25 000 zł
- Window: 4–10 tygodni
- Summary: Narzędzie używane przez zespół: wyszukiwanie w dokumentach, odczyt danych, podpowiedzi i wewnętrzny panel.

### Osobisty agent AI
- Price: od 4 900 zł
- Window: wąski zakres · zwykle kilka tygodni
- Summary: System dla właściciela lub zarządu, który przygotowuje zestawienia, analizuje źródła i porządkuje materiał do decyzji. Działa na infrastrukturze kontrolowanej przez klienta.

### Szkolenia AI
- Price: od 4 900 zł/dzień
- Window: 1–2 dni
- Summary: Zamknięte szkolenia firmowe z bezpiecznej i skutecznej pracy z AI. Prowadzą je inżynierowie, którzy sami wdrażają systemy AI.

### Kurs AI-Native
- Price: wycena po rozmowie
- Window: 1:1 albo dla firmy · na Twoim repozytorium
- Summary: Kurs 1:1 lub dla firmy, prowadzony na Twoim repozytorium. Obejmuje pracę z agentami, pisanie specyfikacji, testy akceptacyjne i sprawdzanie zmian.

### Na wycenę wpływają trzy rzeczy.
- Źródła danych i integracje: Ile systemów musi się ze sobą zgadzać: skrzynka, CRM, ERP, dokumenty. Każdą integrację trzeba zbudować, przetestować i utrzymać.
- Samodzielne decyzje i koszt błędu: Im więcej decyzji system podejmuje sam i im droższy może być błąd, tym więcej czasu zajmują ograniczenia działania, przekazywanie wyjątków człowiekowi i testy na danych klienta.
- Kontrola i zgodność: Zakres może obejmować historię decyzji, zgodę człowieka przed działaniem wpływającym na dane lub klientów oraz analizę wymagań AI Act.

### Gwarancja wyniku
Przed budową ustalamy cel pilotażu i sposób sprawdzenia wyniku. Pilotaż na uzgodnionych danych firmy trwa zwykle od 3 do 6 tygodni. Przed rozpoczęciem zapisujemy w umowie cel i sposób sprawdzenia wyniku. Po pilotażu widzisz wyniki i decydujesz o pełnym wdrożeniu. Jeśli system nie osiąga celu, wprowadzamy uzgodnione poprawki w ramach stałej ceny pilotażu. Dotyczy wdrożeń automatyzacji, aplikacji i agentów. Nie obejmuje szkoleń. Potrzebujemy danych przewidzianych w projekcie oraz wystarczającej liczby spraw, by rzetelnie sprawdzić wynik. Zakres ustalony przed pilotażem pozostaje bez zmian.

## FAQ / buyer objections

### Ile kosztuje wdrożenie AI?
Automatyzacje zaczynają się od 15 000 zł, a aplikacje AI i agenci od 25 000 zł netto. Wdrożenia produkcyjne mieszczą się zwykle między 25 000 a 150 000 zł. O cenie decydują źródła danych, integracje, zakres samodzielnych działań i ryzyko.

### Do czego zobowiązuje bezpłatny skan?
To 30 minut rozmowy z inżynierem i pisemne podsumowanie w ciągu 2 dni roboczych. Jeśli nie widzimy sensownego kierunku, wpiszemy to do dokumentu, a decyzja pozostaje po Twojej stronie.

### A jeśli wystarczy coś prostszego niż agent?
Czasem po skanie rekomendujemy integrację albo prosty skrypt. Możemy też zalecić, żeby na razie niczego nie budować. Taka rekomendacja jest częścią bezpłatnego skanu.

### Co jeśli AI się pomyli?
System ma określone uprawnienia i zapisuje historię działań. Brak danych, sprzeczne źródła lub niespełnienie ustalonych reguł zatrzymują sprawę. Zmiana danych może wymagać zgody człowieka. Przed pilotażem ustalamy cel i sposób, w jaki sprawdzimy wynik na danych klienta. Dopiero wtedy decydujesz o pełnym wdrożeniu.

### Ile trwa wdrożenie?
Automatyzacje 2–6 tygodni, aplikacje 4–10, agenci 6–16. Zakres i termin ustalamy w umowie, zanim zaczniemy.

### Gdzie przetwarzane są nasze dane?
Przed startem podpisujemy umowę powierzenia przetwarzania danych (DPA) i ustalamy środowisko, zakres danych oraz dostępów. Dla wdrożeń, które tego wymagają, projektujemy przepływ tak, aby dane nie opuszczały UE, a dostawcy modeli działali w trybie bez retencji danych (zero data retention). System otrzymuje wyłącznie uprawnienia potrzebne do obsługi konkretnego procesu, a wrażliwe działania wymagają zatwierdzenia przez człowieka.

### Czy każdy proces potrzebuje agenta AI?
Nie. Czasem właściwą odpowiedzią jest zwykły skrypt, integracja, automatyzacja z AI, aplikacja z AI, copilot dla człowieka albo brak budowy.

### Kiedy wystarczy automatyzacja, a agent AI nie jest potrzebny?
Gdy kroki są stałe, reguły znane, a wynik da się sprawdzić testem lub prostą walidacją, budujemy skrypt, integrację albo proces.

### Kiedy aplikacja z AI staje się agentem?
Wtedy, gdy system wykonuje określoną pracę w narzędziach, wybiera kolejny krok zależnie od kontekstu, przestrzega uprawnień, przekazuje wyjątki, mierzy wynik i zapisuje historię działań.

### Czym agent AI różni się od chatbota?
Chatbot odpowiada na pytania w rozmowie. Agent wykonuje pracę: wybiera kolejny krok, używa narzędzi, prowadzi sprawę do wyniku i przekazuje wyjątki człowiekowi.

### Czy agent AI działa bez nadzoru człowieka?
Nie. Agent ma określone uprawnienia i warunki zatrzymania. Działanie wpływające na produkcję wymaga zgody, a przypadek niepewny trafia do człowieka. Pełna autonomia bez tych zabezpieczeń nie spełnia naszych kryteriów agenta.

### Skąd wiadomo, że agent działa poprawnie?
Ustalamy miarę przed budową, na przykład odsetek spraw obsłużonych bez poprawki. Każde działanie zapisujemy w dzienniku, dlatego można później sprawdzić, co system zrobił i dlaczego.

### Jak wygląda płatność za wdrożenie?
Wdrożenia rozliczamy zwykle po połowie: 50% przy podpisaniu zakresu, 50% przy odbiorze. Specyfikację wdrożenia płacisz jednorazowo z góry, utrzymanie rozliczamy miesięcznie. Pracę zaczynamy po podpisanym zakresie i zaksięgowanej pierwszej racie.

### Czy cena początkowa 15 000 zł może wzrosnąć po podpisaniu umowy?
15 000 zł to dolna granica dla najprostszego procesu opartego na stałych regułach. Po skanie dostajesz stałą wycenę ważną 30 dni. Zakres i cenę podpisujesz przed rozpoczęciem prac. Jeśli później zmienisz zakres, najpierw przedstawiamy nową wycenę do akceptacji.

### Czy koszt utrzymania, w tym modele AI, jest przewidywalny?
Tak. Do stałej opłaty miesięcznej dochodzi koszt modeli AI, liczony na jedną sprawę i rozliczany co miesiąc. Możemy ustawić limit. Podczas skanu szacujemy go na podstawie wolumenu klienta. W zapisanym przebiegu testu pytań do danych koszt modelu wyniósł 0,004400 USD za pytanie.

### Co, jeśli będziemy chcieli odejść albo zmienić wykonawcę?
Przy odbiorze przejmujesz kod, instrukcje dla modeli, dane użyte do testów i dokumentację. Możesz dalej utrzymywać system samodzielnie albo z innym zespołem. Specyfikację wdrożenia możesz przekazać dowolnemu wykonawcy.

### Czy ceny zawierają VAT?
Nie. Wszystkie ceny na tej stronie są netto. Do faktury doliczamy 23% VAT. Rozliczenie usług dla firm z innych państw UE zależy od statusu nabywcy i właściwych przepisów podatkowych.

### Co obejmuje skan procesów?
Skan obejmuje 30 minut rozmowy i pisemne podsumowanie w ciągu 2 dni roboczych. Kończy się rekomendacją; jeśli automatyzacja nie ma uzasadnienia, wpiszemy to w dokumencie.

### Czy cena Specyfikacji zalicza się do wdrożenia?
Tak, jeśli zlecisz nam budowę systemu. Koszt Specyfikacji zaliczymy wtedy na poczet wdrożenia. Dokument pozostaje przenośny i możesz przekazać go także innemu wykonawcy.

### Ile kosztuje Specyfikacja wdrożenia?
Specyfikacja wdrożenia zaczyna się od 4 990 zł netto. Jeśli zlecisz nam budowę systemu, jej koszt zaliczymy na poczet wdrożenia. Pozostałe ceny startowe są podane na tej stronie.

### Co przy zakresie większym niż 150 tys. zł?
Projekty obejmujące kilka połączonych systemów, środowiska regulowane, budżet od 200 000 do 500 000 zł albo postępowanie RFP wyceniamy indywidualnie. Podczas pierwszej rozmowy potwierdzimy, czy możemy przyjąć taki zakres.

## Public case studies

Library: https://syntalith.ai/pl/wdrozenia

### Automatyzacja Gmaila dla powtarzalnej poczty
- URL: https://syntalith.ai/pl/wdrozenia/email-triage
- Status: published
- Summary: ~3 000 maili miesięcznie w Gmailu. Automatyzacja odpowiada według zatwierdzonych reguł, a sprawy wrażliwe i niejasne przekazuje człowiekowi.
- Recognition: Taka automatyzacja ma sens, jeśli wspólna skrzynka zabiera czas specjalistom, a większość wiadomości powtarza kilka znanych pytań.

### Agent AI dla akwizycji nieruchomości
- URL: https://syntalith.ai/pl/wdrozenia/re-lead-intel
- Status: published
- Summary: Agent AI obserwuje cztery portale, pamięta historię ofert, ocenia sygnał sprzedającego i szykuje SMS, mail lub wpis w CRM. Wysyłka zostaje u operatora.
- Recognition: Rób to u siebie, jeśli najlepsze okazje znikają szybciej, niż zdążysz przejrzeć portale, porównać historię i napisać do właściciela.

### System pierwszej oceny spółek dla PE/VC
- URL: https://syntalith.ai/pl/wdrozenia/vc-investment
- Status: published
- Summary: Pierwsza ocena spółek dla PE/VC: reguły wstępne, analiza danych z KRS, finansów i LinkedIna, 11 pytań o spółkę ze źródłami oraz decyzja analityka.
- Recognition: Ten wzorzec ma sens, gdy analitycy potrzebują pierwszego osądu inwestycyjnego na całej liście prywatnych spółek, ze źródłami przy każdej odpowiedzi, pamięcią między przebiegami i prawem nadpisania werdyktu.

### Osobisty operator AI na Twojej infrastrukturze
- URL: https://syntalith.ai/pl/wdrozenia/personal-operator
- Status: published
- Summary: Osobisty operator AI z pamięcią, narzędziami i uprawnieniami, uruchomiony na Twoim VPS lub komputerze. Wysyłka i usunięcie danych wymagają zgody.
- Recognition: Ten system pasuje do pracy rozproszonej między dokumentami, analizą źródeł, rynkiem i drobnym kodem, gdy potrzebna jest wspólna pamięć oraz własne zasady przetwarzania danych.

### jakotako.design: szkolenie AI i pętla agentowa
- URL: https://syntalith.ai/pl/wdrozenia/jakotako-agent-loop
- Status: published
- Summary: Podczas pracy 1:1 z jakotako.design powstała pętla agentowa do pozyskiwania kontaktów sprzedażowych i obserwacji konkurencji oraz strona budowana z Claude.
- Recognition: Ten format pasuje do właściciela lub specjalisty, który chce nauczyć się pracy z Claude i zbudować własne narzędzie dla procesu firmy.

### Zamówienia z maila do ERP
- URL: https://syntalith.ai/pl/wdrozenia/przyjecie-zamowien-do-erp
- Status: published
- Summary: System odczytuje zamówienia z maili i plików, dopasowuje pozycje do katalogu i zatrzymuje wyjątki przed zapisem szkicu w ERP.
- Recognition: To dobry proces do automatyzacji, jeśli zamówienia przychodzą mailem, zespół przepisuje je do ERP, a pomyłki w indeksach wychodzą przy realizacji.

### Zgłoszenia mieszkańców w jednej kolejce
- URL: https://syntalith.ai/pl/wdrozenia/kolejka-zgloszen-mieszkancow
- Status: published
- Summary: System łączy powtórne zgłoszenia tej samej awarii, ustala priorytet według bezpieczeństwa i SLA oraz przekazuje decyzję dyspozytorowi.
- Recognition: To dobry proces do automatyzacji, jeśli zgłoszenia przychodzą kilkoma kanałami, a pierwsze sortowanie i szukanie powtórek zajmuje cały poranek.

### Orzeczenia z dokładnym cytatem źródłowym
- URL: https://syntalith.ai/pl/wdrozenia/asystent-akt-orzeczen
- Status: published
- Summary: System znajduje argumenty w zatwierdzonym zbiorze orzeczeń. Każda teza prowadzi do dokładnego cytatu i pełnego rekordu źródłowego.
- Recognition: To dobry proces do automatyzacji, jeśli prawnicy regularnie przeszukują ten sam zbiór i więcej czasu poświęcają na znalezienie fragmentów niż na ich ocenę.

### Monitoring przetargów BZP i TED
- URL: https://syntalith.ai/pl/wdrozenia/monitoring-przetargow
- Status: published
- Summary: System zbiera ogłoszenia BZP i TED, porządkuje terminy i izoluje dokumenty zewnętrzne przed przekazaniem danych do oceny.
- Recognition: To dobry proces do automatyzacji, jeśli alerty przynoszą zbyt wiele ogłoszeń, a zespół ręcznie szuka terminów i warunków w kilku źródłach.

### Kontrola zdjęć CMR przed odczytem
- URL: https://syntalith.ai/pl/wdrozenia/kontrola-dokumentow-przewozowych
- Status: published
- Summary: System sprawdza jakość zdjęcia CMR przed uruchomieniem modelu. Słabe ujęcie wraca do kierowcy, a dane z czytelnego dokumentu odczytuje tylko raz.
- Recognition: Ten system pasuje do przewoźnika lub spedytora, który otrzymuje zdjęcia dokumentów z trasy i traci czas na ręczne wykrywanie nieczytelnych ujęć.

### Dekretacja faktur kosztowych
- URL: https://syntalith.ai/pl/wdrozenia/dekretacja-faktur-kosztowych
- Status: published
- Summary: System proponuje konto i MPK, sprawdza fakturę z zamówieniem i zatrzymuje braki przed przekazaniem dokumentu do księgowej.
- Recognition: To dobry proces do automatyzacji, jeśli księgowe codziennie powtarzają dekretację podobnych faktur i ręcznie szukają historii dostawcy.

### Pytania do danych z wynikiem i SQL
- URL: https://syntalith.ai/pl/wdrozenia/pytania-do-danych-sql
- Status: published
- Summary: System odpowiada na zatwierdzone pytania o sprzedaż i marżę. Każdy wynik zawiera definicję miary i wykonane zapytanie SQL.
- Recognition: To dobry proces do automatyzacji, jeśli zarząd regularnie pyta o te same miary, a analitycy tracą czas na powtarzalne zapytania.

### Wycena RFQ z podstawą każdej ceny
- URL: https://syntalith.ai/pl/wdrozenia/wycena-zapytan-ofertowych
- Status: published
- Summary: System rozbija RFQ na pozycje i wycenia je z wcześniejszych wycen lub zatwierdzonych reguł. Pozycja bez podstawy nie trafia do oferty.
- Recognition: To dobry proces do automatyzacji, jeśli zespół często wycenia podobne elementy, a technolog wraca do tych samych materiałów i operacji.

### Kompletna teczka dokumentów klienta
- URL: https://syntalith.ai/pl/wdrozenia/intake-dokumentow-klienta
- Status: published
- Summary: System pamięta stan teczki między wiadomościami, wykrywa braki, sprzeczności i dokumenty po terminie. Decyzja o przyjęciu należy do człowieka.
- Recognition: Ten system pasuje do zespołu, który kompletuje dokumenty przez wiele wiadomości, prowadzi checklisty ręcznie i regularnie wraca do klientów po brakujące lub sprzeczne materiały.

### Kontrola PDF: OCR tylko dla zeskanowanych stron
- URL: https://syntalith.ai/pl/wdrozenia/brama-dokumentow-pdf
- Status: published
- Summary: System sprawdza każdą stronę PDF i wysyła do OCR tylko skany. W teście 432 z 496 stron odczytał lokalnie, bez opłaty za OCR.
- Recognition: Ten system ma sens, jeśli do jednego procesu trafiają PDF-y tekstowe, skany i dokumenty mieszane, a dziś wszystkie strony są wysyłane do płatnego OCR.

### Przypomnienia o płatności do zatwierdzenia
- URL: https://syntalith.ai/pl/wdrozenia/monitoring-naleznosci
- Status: published
- Summary: System przygotowuje szkice przypomnień o płatności, sprawdza ryzykowny ton i przekazuje każdą wiadomość specjaliście do decyzji.
- Recognition: To dobry proces do automatyzacji, jeśli zaległości rosną szybciej niż zespół je obsługuje, a zasady kontaktu są rozproszone między pracownikami.

### Migracja agenta z kontrolą zachowania
- URL: https://syntalith.ai/pl/wdrozenia/migracja-runtime-agenta
- Status: published
- Summary: Migracja agenta z wygaszanego narzędzia: 336 zachowań wzorcowych, decyzja przy każdej różnicy, przećwiczony powrót. Siedem pozycji blokuje przełączenie.
- Recognition: Ten sposób migracji ma sens, gdy krytyczny proces działa w wygaszanym narzędziu, a jego reguły i wyjątki nie są w pełni opisane.

### Ustalenia z rozmów i głos za zgodą człowieka
- URL: https://syntalith.ai/pl/wdrozenia/ustalenia-z-rozmow-glosowych
- Status: published
- Summary: Panel odsłuchu: znacznik czasu przy każdym słowie, ustalenia z terminem i odpowiedź głosowa dopiero po zatwierdzeniu. Wynik testu: 9 z 9 kontroli, 5 z 5 odmów.
- Recognition: Ten system ma sens, jeśli po rozmowach zostają krótkie notatki bez terminów, ważne ustalenia trudno później odnaleźć, a każda odpowiedź głosowa musi mieć zatwierdzenie konkretnej osoby.

### Baza wiedzy firmy, która pilnuje uprawnień
- URL: https://syntalith.ai/pl/wdrozenia/pamiec-firmy-z-uprawnieniami
- Status: published
- Summary: Pytanie po polsku, odpowiedź z sygnaturą dokumentu i tylko z tych, które pracownik może otworzyć. Wynik testu: 750 par, zero wydań poza zakresem.
- Recognition: Ten system ma sens, jeśli pracownicy stale pytają o informacje zapisane w dokumentach, a część materiałów jest dostępna tylko dla wybranych zespołów.

### Pakiet dowodowy z terenu i rozbieżności
- URL: https://syntalith.ai/pl/wdrozenia/dowod-z-terenu
- Status: published
- Summary: Zdjęcie, notatka głosowa i karta pracy wchodzą do sprawy jako osobne dowody z zachowanym źródłem. Sprzeczny numer maszyny czeka na koordynatora.
- Recognition: Ten system ma sens, jeśli dokumentacja zdarzenia przychodzi kilkoma kanałami, dane w materiałach czasem się różnią, a za decyzję o wznowieniu pracy musi odpowiadać wskazana osoba.

### Profil kontrahenta ze źródłami i lukami
- URL: https://syntalith.ai/pl/wdrozenia/dossier-kontrahenta-z-lukami
- Status: published
- Summary: System zbiera dane z KRS, BZP i TED w jeden profil kontrahenta. Każdy fakt prowadzi do źródła, a braki i różnice nazw sprawdza analityk.
- Recognition: Ten system pasuje do zespołu, który analizuje wielu kontrahentów, traci czas na przepisywanie rejestrów i potrzebuje raportu, który pokazuje także braki w materiale.

### Rejestr systemów AI z właścicielami i brakami
- URL: https://syntalith.ai/pl/wdrozenia/rejestr-systemow-ai-act
- Status: published
- Summary: Rejestr porządkuje systemy AI, właścicieli, dowody i braki dla sześciu obsługiwanych artykułów. Klasyfikację ryzyka zatwierdza człowiek.
- Recognition: Ten system pasuje do organizacji, w której działy kupują narzędzia AI osobno, inwentaryzacja powstaje w rozmowach, a dowody zgodności są zbierane dopiero przed przeglądem.

### Raport zarządczy z kontrolą każdej liczby
- URL: https://syntalith.ai/pl/wdrozenia/raport-zarzadczy-bez-obcych-liczb
- Status: published
- Summary: System składa raport z ERP, CRM i arkusza kontrolingu. Każda liczba ma źródło, a komentarz z wartością spoza danych zostaje zatrzymany.
- Recognition: Ten system pasuje do firmy, która co miesiąc łączy raport zarządczy z kilku źródeł i potrzebuje jednoznacznie wykazać pochodzenie każdej liczby.

### Kontrola uprawnień agentów w ERP, CRM i DMS
- URL: https://syntalith.ai/pl/wdrozenia/warstwa-polityk-dla-agentow
- Status: published
- Summary: Każde działanie agenta przechodzi osobną kontrolę uprawnień. Odmowa zatrzymuje wywołanie przed ERP, CRM lub DMS i zapisuje powód.
- Recognition: Ten system pasuje do organizacji, która chce uruchomić agentów w kilku systemach, ale wymaga kontroli każdej akcji, rozdziału obowiązków i historii możliwej do sprawdzenia.

### Poufne dokumenty AI na własnym serwerze
- URL: https://syntalith.ai/pl/wdrozenia/obieg-dokumentow-on-prem
- Status: published
- Summary: Dokumenty, wyszukiwanie i model pozostają w sieci firmy. Odpowiedź wskazuje źródło, a test czterech protokołów sprawdza brak ruchu wychodzącego.
- Recognition: Ten system pasuje do organizacji, która chce wyszukiwać w poufnych dokumentach, wymaga lokalnego przetwarzania i potrzebuje powtarzalnego testu ruchu wychodzącego.

### Bezpieczne wydanie AI do strefy bez internetu
- URL: https://syntalith.ai/pl/wdrozenia/wydanie-do-strefy-air-gap
- Status: published
- Summary: Każde wydanie trafia do strefy jako podpisany pakiet z listą plików i sumami kontrolnymi. Strefa sprawdza kompletność, podpis i brak ruchu wychodzącego.
- Recognition: Ten system pasuje do środowiska, które zakazuje ruchu wychodzącego i wymaga, aby każda aktualizacja aplikacji, modelu lub indeksu była sprawdzalnym wydaniem offline.

### Porównanie technologii dla agentów AI
- URL: https://syntalith.ai/pl/wdrozenia/bench-frameworkow-agentowych
- Status: published
- Summary: Sześć technologii agentowych wykonuje 50 tych samych przypadków. Porównanie pokazuje czas, koszt i odmowy, także gdy nasze narzędzia wypadają słabiej.
- Recognition: Ten test ma sens, jeśli zespół wybiera technologię agentową na podstawie opinii dostawców, a zmiana podstawy po rozpoczęciu wdrożenia oznaczałaby tygodnie dodatkowej pracy.

### Start projektu: każda data ma swoje źródło
- URL: https://syntalith.ai/pl/wdrozenia/pokoj-startu-projektu
- Status: published
- Summary: Wątek maili, PDF i notatka ze spotkania otwierającego tworzą plan, w którym każde ustalenie ma źródło. Sporne daty startu pozostają otwarte.
- Recognition: Ten system ma sens, jeśli plan startowy powstaje przez przepisywanie maili, terminy różnią się między dokumentami, a zespół później nie potrafi wskazać źródła ustalenia.

## Qwen3.8-27B local-model evidence cluster

The cluster records an after-hours home-PC experiment. Measurements and observed runs are separated from vendor-reported facts and cited public benchmarks. It does not claim that Qwen is generally better than hosted models, Polish models or other coding harnesses.

### Qwen3.8-27B na RTX 3090: wyniki, metryki i ograniczenia
- URL: https://syntalith.ai/pl/blog/qwen3-8-27b-na-rtx-3090-wyniki
- Markdown: https://syntalith.ai/llms/pl/blog/qwen3-8-27b-na-rtx-3090-wyniki.md
- Summary: Zapis jednego domowego eksperymentu z Qwen3.8-27B: profil serwera, czasy, tokeny, energia, VRAM, testy kodu i wykryte błędy wraz z ograniczeniami.

### Claude Code i OpenCode z lokalnym Qwenem
- URL: https://syntalith.ai/pl/blog/claude-code-i-opencode-z-lokalnym-qwen
- Markdown: https://syntalith.ai/llms/pl/blog/claude-code-i-opencode-z-lokalnym-qwen.md
- Summary: OpenCode ma udokumentowane połączenie z modelem lokalnym. Claude Code wymaga zgodnej bramy, a Anthropic nie wspiera kierowania klienta do modeli innych niż Claude.

### Codex z lokalnym Qwen3.8-27B przez Responses API
- URL: https://syntalith.ai/pl/blog/codex-z-lokalnym-qwen-przez-responses-api
- Markdown: https://syntalith.ai/llms/pl/blog/codex-z-lokalnym-qwen-przez-responses-api.md
- Summary: Codex pozwala wskazać własny serwer przez protokół Responses. Pokazujemy działającą konfigurację, granicę wsparcia i wynik lokalnego Qwena.

### Czy Qwen Code nadaje się do zwykłych zmian w aplikacji?
- URL: https://syntalith.ai/pl/blog/qwen-code-testy-csv-paginacji-importu
- Markdown: https://syntalith.ai/llms/pl/blog/qwen-code-testy-csv-paginacji-importu.md
- Summary: Sprawdziliśmy eksport CSV, paginację i import użytkowników. Qwen wykonał dwie zmiany poprawnie, a w trzeciej pominął walidację wykrytą przez ukryty test.

### Długi kontekst czy RAG? Pomiary Qwena i polskiego RAG
- URL: https://syntalith.ai/pl/blog/dlugi-kontekst-czy-rag-dla-wiedzy-firmowej
- Markdown: https://syntalith.ai/llms/pl/blog/dlugi-kontekst-czy-rag-dla-wiedzy-firmowej.md
- Summary: Długi kontekst przesyła cały materiał do modelu. RAG najpierw wybiera potrzebne fragmenty. Porównujemy pomiary Qwena i polskie badanie na 146 pytaniach.

### Ile kontekstu potrzebuje Qwen: 60k, 120k, 150k czy 250k?
- URL: https://syntalith.ai/pl/blog/qwen-kontekst-60k-120k-150k-250k
- Markdown: https://syntalith.ai/llms/pl/blog/qwen-kontekst-60k-120k-150k-250k.md
- Summary: Okno kontekstu określa, ile tekstu model może dostać naraz. Wszystkie profile odtworzyły fakty, ale 250k było prawie dziesięć razy wolniejsze od 60k.

### Ilu użytkowników obsłuży Qwen na jednej RTX 3090?
- URL: https://syntalith.ai/pl/blog/jeden-rtx-3090-dla-zespolu-przepustowosc
- Markdown: https://syntalith.ai/llms/pl/blog/jeden-rtx-3090-dla-zespolu-przepustowosc.md
- Summary: Jedna karta może obsługiwać żądania kolejno lub równolegle. Porównujemy nasze czasy z publicznym testem 1, 2, 4 i 8 jednoczesnych strumieni.

### Jak bezpiecznie udostępnić lokalnego Qwena pracownikom
- URL: https://syntalith.ai/pl/blog/qwen-zdalnie-z-dowolnego-urzadzenia
- Markdown: https://syntalith.ai/llms/pl/blog/qwen-zdalnie-z-dowolnego-urzadzenia.md
- Summary: Model działa na jednym serwerze z GPU, a zatwierdzone telefony i komputery łączą się przez prywatną aplikację. Porównujemy sieć lokalną, Tailscale i SSH.

### Jak bezpiecznie wdrożyć Qwena w firmie
- URL: https://syntalith.ai/pl/blog/bezpieczne-wdrozenie-qwen-w-firmie
- Markdown: https://syntalith.ai/llms/pl/blog/bezpieczne-wdrozenie-qwen-w-firmie.md
- Summary: Model zagrożeń od laptopa pracownika do serwera Qwen: tożsamość, dostęp do danych, uprawnienia narzędzi, logi, aktualizacje i powrót po awarii.

### Jak DFlash2 przyspiesza Qwen3.8 i skraca kontekst
- URL: https://syntalith.ai/pl/blog/mtp-dflash2-spekulatywne-dekodowanie-qwen
- Markdown: https://syntalith.ai/llms/pl/blog/mtp-dflash2-spekulatywne-dekodowanie-qwen.md
- Summary: W naszym pomiarze DFlash2 podniósł medianę dekodowania z 93,3 do 120,9 tok./s, a limit kontekstu spadł ze 150 000 do 65 536 tokenów.

### Jak odizolowaliśmy eksperyment z lokalnym agentem Qwen
- URL: https://syntalith.ai/pl/blog/bezpieczny-eksperyment-z-lokalnym-llm
- Markdown: https://syntalith.ai/llms/pl/blog/bezpieczny-eksperyment-z-lokalnym-llm.md
- Summary: Czyste projekty testowe, osobne kopie repozytorium, ukryte kontrole, jawna lista narzędzi i pełny zapis zmian. Pokazujemy także ograniczenia izolacji.

### Jak uczciwie testować lokalnego agenta programistycznego
- URL: https://syntalith.ai/pl/blog/jak-testowac-lokalnego-agenta-programistycznego
- Markdown: https://syntalith.ai/llms/pl/blog/jak-testowac-lokalnego-agenta-programistycznego.md
- Summary: Dobry benchmark agenta kodowego ma polecenia napisane jak zwykłe zgłoszenia, czysty projekt, ukryte testy, telemetrię i niezależny przegląd. Pokazujemy metodę oceny poprawki przed jej przyjęciem.

### Jak uruchomić Qwen3.8-27B na RTX 3090
- URL: https://syntalith.ai/pl/blog/lokalne-wdrozenie-qwen3-8-27b-na-rtx-3090
- Markdown: https://syntalith.ai/llms/pl/blog/lokalne-wdrozenie-qwen3-8-27b-na-rtx-3090.md
- Summary: Praktyczny schemat uruchomienia lokalnego Qwen3.8-27B: właściwy profil, kontrola API, pamięć GPU, wariant zapasowy i test po restarcie.

### Jak utrzymywać lokalnego Qwena: awarie zamienione w testy
- URL: https://syntalith.ai/pl/blog/utrzymanie-ewaluacje-i-szkolenie-lokalnego-llm
- Markdown: https://syntalith.ai/llms/pl/blog/utrzymanie-ewaluacje-i-szkolenie-lokalnego-llm.md
- Summary: Osiem usterek z domowego eksperymentu z Qwenem i RTX 3090. Pokazujemy kontrole, aktualizacje, przełączenie na poprzednią wersję, testy i szkolenie operatora.

### Jak zbudować polskiego asystenta wiedzy z RAG
- URL: https://syntalith.ai/pl/blog/firmowy-mozg-qwen3-8-27b
- Markdown: https://syntalith.ai/llms/pl/blog/firmowy-mozg-qwen3-8-27b.md
- Summary: Asystent wiedzy musi znaleźć właściwy dokument, sprawdzić uprawnienia, odpowiedzieć z cytatem i umieć odmówić. Dwa polskie badania pokazują, jak to mierzyć.

### Kiedy nie wdrażać Qwena lokalnie: pięć wyników, które zatrzymałyby projekt
- URL: https://syntalith.ai/pl/blog/kiedy-nie-wdrazac-qwen-lokalnie
- Markdown: https://syntalith.ai/llms/pl/blog/kiedy-nie-wdrazac-qwen-lokalnie.md
- Summary: Pięć sygnałów do zatrzymania projektu: zadanie bez końca, powtarzane przetwarzanie kontekstu, kosztowne 250k, brak walidacji i wadliwy interfejs.

### Kwantyzacja Qwen3.8-27B: Q4, Q5 czy W4A16?
- URL: https://syntalith.ai/pl/blog/kwantyzacja-qwen-q4-q5-w4a16
- Markdown: https://syntalith.ai/llms/pl/blog/kwantyzacja-qwen-q4-q5-w4a16.md
- Summary: Q4 zostawia więcej miejsca na kontekst, Q5 zużywa więcej VRAM, a W4A16 wymaga innego stosu. Pokazujemy konfiguracje, które mieszczą się na karcie, i granice testu.

### llama.cpp czy vLLM dla Qwen3.8-27B na RTX 3090?
- URL: https://syntalith.ai/pl/blog/llama-cpp-czy-vllm-dla-qwen3-8
- Markdown: https://syntalith.ai/llms/pl/blog/llama-cpp-czy-vllm-dla-qwen3-8.md
- Summary: W jednym zadaniu Qwen Code wygrał pełny profil ze zmodyfikowanym vLLM. llama.cpp pozostał prostszym wariantem zapasowym. Oto zakres dowodów i koszt tej decyzji.

### Lokalny Qwen Code: działająca konfiguracja krok po kroku
- URL: https://syntalith.ai/pl/blog/qwen-code-lokalnie-konfiguracja-medium
- Markdown: https://syntalith.ai/llms/pl/blog/qwen-code-lokalnie-konfiguracja-medium.md
- Summary: Wyjaśniamy każde ustawienie profilu Qwen Code: poziom rozumowania, limit odpowiedzi, zachowanie toku myślenia, długość kontekstu i liczbę agentów.

### Qwen Code, Codex, Claude Code czy OpenCode?
- URL: https://syntalith.ai/pl/blog/qwen-code-codex-claude-code-opencode-porownanie
- Markdown: https://syntalith.ai/llms/pl/blog/qwen-code-codex-claude-code-opencode-porownanie.md
- Summary: Ten sam lokalny Qwen dał różne wyniki w czterech klientach do pracy z agentem. Porównujemy zadania, czas, ukryte testy i jakość zmian.

### Qwen zbudował interfejs w 26 minut. Akceptacja zajęła 48
- URL: https://syntalith.ai/pl/blog/qwen-code-frontend-awaria-i-naprawa
- Markdown: https://syntalith.ai/llms/pl/blog/qwen-code-frontend-awaria-i-naprawa.md
- Summary: Lokalny Qwen zbudował panel rekrutacyjny od pustego katalogu. Pierwsza wersja wyglądała dobrze, ale miała 251 327 elementów DOM i sześć usterek.

### Qwen3.8-27B: co to za model i do czego służy
- URL: https://syntalith.ai/pl/blog/qwen3-8-27b-co-to-za-model
- Markdown: https://syntalith.ai/llms/pl/blog/qwen3-8-27b-co-to-za-model.md
- Summary: Qwen3.8-27B ma 27 mld parametrów, natywny kontekst 262 144 tokenów i wejście obrazowe. Sprawdzamy zastosowania, sprzęt i wyniki lokalnego testu dla zespołu.

### Qwen3.8, Bielik czy PLLuM? Porównanie pod konkretne zadanie
- URL: https://syntalith.ai/pl/blog/qwen3-8-kontra-bielik-i-pllum
- Markdown: https://syntalith.ai/llms/pl/blog/qwen3-8-kontra-bielik-i-pllum.md
- Summary: Porównujemy Qwen3.8-27B, Bielik-11B-v3.0-Instruct i PLLuM-12B-chat-2512 pod kątem parametrów, architektury, polskiego języka, licencji, sprzętu i wdrożenia.

## Contact

Contact page: https://syntalith.ai/pl/kontakt

- E-mail: contact@syntalith.ai
- Telefon: +48 888 78 48 78

## Machine-readable caveats

- Syntalith korzysta z hostingu w UE i projektuje technicznie z myślą o RODO, ale zgodność prawna zależy od kontekstu klienta i powinna zostać potwierdzona przez wykwalifikowanego prawnika.
- Przykłady realizacji rozróżniają wyniki klientów, dane testowe i scenariusze modelowane.
- Każda cytowana statystyka zewnętrzna wskazuje nazwane źródło, takie jak Gartner, Stanford AI Index lub tekst EU AI Act.
- The canonical, citable URLs are:

- https://syntalith.ai/pl
- https://syntalith.ai/pl/czym-jest-agent-ai
- https://syntalith.ai/pl/zespol
- https://syntalith.ai/pl/uslugi
- https://syntalith.ai/pl/wdrozenia
- https://syntalith.ai/pl/cennik
- https://syntalith.ai/pl/blog
- https://syntalith.ai/pl/kontakt
- https://syntalith.ai/pl/narzedzia/kalkulator-automatyzacji-ai
- https://syntalith.ai/pl/uslugi/audyt-procesow-ai
- https://syntalith.ai/pl/uslugi/agenci-ai
- https://syntalith.ai/pl/uslugi/utrzymanie
- https://syntalith.ai/pl/uslugi/automatyzacje-ai
- https://syntalith.ai/pl/uslugi/osobisty-agent-ai
- https://syntalith.ai/pl/uslugi/aplikacje-ai
- https://syntalith.ai/pl/uslugi/szkolenia-zespolowe
- https://syntalith.ai/pl/uslugi/kursy-ai-native
- https://syntalith.ai/pl/uslugi/aplikacje-ai/firmowy-mozg-ai
- https://syntalith.ai/pl/agencja-ai-warszawa
- https://syntalith.ai/pl/indywidualne-szkolenie-ai
- https://syntalith.ai/pl/szkolenia-ai-warszawa
- https://syntalith.ai/pl/blog/qwen3-8-27b-na-rtx-3090-wyniki
- https://syntalith.ai/pl/blog/claude-code-i-opencode-z-lokalnym-qwen
- https://syntalith.ai/pl/blog/codex-z-lokalnym-qwen-przez-responses-api
- https://syntalith.ai/pl/blog/qwen-code-testy-csv-paginacji-importu
- https://syntalith.ai/pl/blog/dlugi-kontekst-czy-rag-dla-wiedzy-firmowej
- https://syntalith.ai/pl/blog/qwen-kontekst-60k-120k-150k-250k
- https://syntalith.ai/pl/blog/jeden-rtx-3090-dla-zespolu-przepustowosc
- https://syntalith.ai/pl/blog/qwen-zdalnie-z-dowolnego-urzadzenia
- https://syntalith.ai/pl/blog/bezpieczne-wdrozenie-qwen-w-firmie
- https://syntalith.ai/pl/blog/mtp-dflash2-spekulatywne-dekodowanie-qwen
- https://syntalith.ai/pl/blog/bezpieczny-eksperyment-z-lokalnym-llm
- https://syntalith.ai/pl/blog/jak-testowac-lokalnego-agenta-programistycznego
- https://syntalith.ai/pl/blog/lokalne-wdrozenie-qwen3-8-27b-na-rtx-3090
- https://syntalith.ai/pl/blog/utrzymanie-ewaluacje-i-szkolenie-lokalnego-llm
- https://syntalith.ai/pl/blog/firmowy-mozg-qwen3-8-27b
- https://syntalith.ai/pl/blog/kiedy-nie-wdrazac-qwen-lokalnie
- https://syntalith.ai/pl/blog/kwantyzacja-qwen-q4-q5-w4a16
- https://syntalith.ai/pl/blog/llama-cpp-czy-vllm-dla-qwen3-8
- https://syntalith.ai/pl/blog/qwen-code-lokalnie-konfiguracja-medium
- https://syntalith.ai/pl/blog/qwen-code-codex-claude-code-opencode-porownanie
- https://syntalith.ai/pl/blog/qwen-code-frontend-awaria-i-naprawa
- https://syntalith.ai/pl/blog/qwen3-8-27b-co-to-za-model
- https://syntalith.ai/pl/blog/qwen3-8-kontra-bielik-i-pllum

## Metadata source

- Pricing title: Cennik AI: skan 0 zł, wdrożenia od 15 000 zł
- Pricing description: Ceny wdrożeń: skan 0 zł, Specyfikacja od 4 990 zł, wdrożenia od 15 000 zł. Przy zleceniu budowy koszt Specyfikacji zaliczamy na poczet wdrożenia.
- Last updated: 2026-08-26

---

# Syntalith - full information for AI citation pipelines (en)

Canonical URL: https://syntalith.ai/en

## Short description

Syntalith is a Polish engineering company that puts AI into business processes for clients in Poland, across the EU, and worldwide: automations, apps, and agents running in production, with prices stated up front. Five service lines: AI Automations (from €3,500), AI Apps (from €6,000), AI Agents (from €6,000), AI Process Audit (free scan + implementation specification from €1,200), and AI Training for teams (from €1,200/day). Work starts with a free 30-minute process scan with an engineer and a written takeaway within 2 business days.

## Entity

- Legal name: SYNTALITH sp. z o.o. (Syntalith)
- Founded 2025-10, Warszawa, Poland
- KRS: 0001194852; NIP: 7011278085
- Area served: Poland, European Union, Worldwide
- Languages: pl, en
- LinkedIn: https://www.linkedin.com/company/syntalith/
- Clutch (verified client reviews): https://clutch.co/profile/syntalith
- Email: contact@syntalith.ai
- Phone: +48888784878

## Named public collaborations

- [Natu.Care](https://natu.care): AI collaboration
- [Signature Estates](https://syntalith.ai/en/work/re-lead-intel): AI agent for real-estate acquisition
- [jakotako.design](https://syntalith.ai/en/work/jakotako-agent-loop): Claude training and an agent loop for sales-prospect sourcing

## Primary buyer

Founder, COO, CTO, or operations lead in a 10–500 person company who wants to test one concrete operational process before signing an AI implementation.

## Positioning

- Hand recurring work to AI. Keep the important decisions with people.
- Name a process that costs your team hours every week. During a free process scan, we will assess whether it is worth handing to AI. Within 2 days, you will receive a written recommendation: what to implement first, how to tell whether it works, and what budget to expect.

## Service lines and entry prices

- AI Automations: Repetitive office work runs itself: the system reads, classifies, files and replies, and people only approve. (from €3 500, 2–6 weeks)
- AI Apps: Your own application with a language model inside, built for your process when a ready-made tool does not fit. (from €6 000, 4–10 weeks)
- AI Agents: A system that runs a process from event to outcome and calls a human only on exceptions. (from €6 000, 6–16 weeks)
- Scan & Specification: You start with the free scan; the full implementation specification says it plainly: whether to build, what to build, and at what fixed price. If you commission the system build from us, we credit the specification fee toward the build. (€0 (scan) / from €1 200 (Specification, optional), 30 min / 5 days)
- AI Training: Closed training in safe, effective AI work for your team, taught by engineers who deploy these systems every day. (from €1 200/day, 1–2 days)
- We monitor, fix, and develop the system you own. The maintenance scope and price are agreed individually.

## Service lines in detail

### AI process audit: scan and specification
- URL: https://syntalith.ai/en/services/ai-process-audit
- Summary: Start with a free, 30-minute AI process scan. The implementation specification costs from €1,200 net, credited if Syntalith builds the system.
- Problem: Most AI offers start with a prototype. The decision should start with three questions: which process creates the cost, what your data allows, and what a model mistake would cost.
- Outcome: You start with a free scan: 30 minutes with an engineer and a written takeaway within 2 business days. When you need the full map, the implementation specification from €1 200 net delivers architecture, a plan, and a fixed quote. If you commission the system build from us, we credit its fee toward the build.
- Includes:
  - Process map: steps, exceptions and the places where time is lost today
  - An inventory of data and limits: what your data allows and where a human is required
  - Solution architecture: what the system does, what it must not do on its own and where it escalates
  - Implementation plan: stages, timelines and what we need from your team
  - A fixed build quote, including a recommendation to avoid a build when a simpler option fits
  - The document is yours: build with us or with any vendor
- Not for:
  - A generic “AI maturity” review with no specific processes
  - Companies expecting the full specification for free: the scan is free, the analysis is paid
  - Processes with no data access and no owner who can answer questions within 5 days
- Pricing: The scan is free. The specification starts at €1 200 net, with the price set before it starts. The document belongs to you and you can take it to any vendor, and an honest don't-build is also a result. If you commission the system build from us, we credit the specification fee toward the build.

### AI agent implementation for business
- URL: https://syntalith.ai/en/services/ai-agents
- Summary: AI agent implementation for business from €6 000 net. One defined process, approved tools, human escalation and a full action trace.
- Problem: A process cannot be handed to an agent until its permissions, escalation rules, and audit trail are defined.
- Outcome: In 6–16 weeks you get a system that monitors sources, works in your tools and stops at the boundaries you set. State-changing actions are drafted for approval, and every decision is logged. From €6 000 net, with a fixed quote before signing. You commit to the full build only after the pilot on your data meets the written target.
- Includes:
  - An agent handling a defined process within set boundaries and escalating exceptions
  - An operator panel: live view, manual approvals, a stop and a log of every decision
  - Integrations with your systems on minimum required permissions
  - An isolated runtime: data does not leave the agreed environment without your consent
  - A hard boundary between data and instructions: content the agent reads from sources is treated as data to assess, never as commands to execute
  - Monitoring, alerts and handover documentation for your team
- Not for:
  - Autonomy without boundaries or an owner on the company side
  - Build work without a signed scope
- Pricing: Price follows the process scope, integrations, autonomy, and risk. You get a fixed quote in the proposal after the free scan. You know the full cost before signing, with no hidden items.

### AI agent maintenance in production
- URL: https://syntalith.ai/en/services/maintenance
- Summary: AI agent maintenance covers infrastructure management, monitoring, edge-case review and a monthly report. Scope and price are set individually.
- Problem: An agent works until something changes. An exception nobody planned for shows up. An integration fails quietly on a Saturday. A stale rule starts posting an invoice to the wrong account and nobody notices. Small errors pile up for weeks, until someone on the board asks why the numbers don't add up, or why the model bill went up.
- Outcome: A named engineer reviews the action history, finds unusual cases, and adjusts the rules before a problem affects the process. Each month you receive a management report: what the system did, which cases went to a person, what changed, and the cost per completed case. Maintenance is priced individually after the scan.
- Includes:
  - Infrastructure management, monitoring and alerts: we know about most problems before your team reports them
  - A bug-fix SLA in your contract, with an agreed scope of small changes
  - A monthly review of unusual cases, with instruction and rule corrections
  - Version changes: before a provider retires a version, we check its successor on a fixed set of cases and compare behavior
  - A monthly agent work report: what it did, what it escalated, what we fixed
  - Cost under control: the report shows cost per completed case, while simple rules remove work that does not require AI
  - Engineering hours for boundaries, escalation and integrations as the process changes
  - One client's data kept separate from others, a dedicated VM on request
- Not for:
  - Agents built without logs or an owner: without a trace they can't be run responsibly
  - Companies that won't allow monitoring of how the system behaves
  - One-off advice without continuous responsibility for production
  - A system we're not allowed to inspect or change
- Pricing: You pay for the level of care the system requires. We price maintenance individually, after the free scan. You know the full cost before signing, with no hidden items. Over a year it is typically a fraction of the build cost.

### AI automations for business
- URL: https://syntalith.ai/en/services/ai-automations
- Summary: From €3 500 net: AI automations take over repetitive work across inbox, documents, CRM and reports. Fixed price, delivered in 2–6 weeks.
- Problem: Inbox triage, PDF data entry, and weekly reporting often remain manual because the rules live in people's heads and the systems are not connected.
- Outcome: In 2–6 weeks we take over one such process: the system reads, classifies and moves data between your tools, and only the exceptions that need a decision reach people. Those hours go back to the team, and cases stop waiting in the queue. From €3 500 net, with a fixed quote before signing. The pilot on your data has to hit the written target before you commit to the full build.
- Includes:
  - Inbox triage: classification, case records, replies under an agreed policy
  - Documents: data extraction from PDFs, invoices and forms straight into your system
  - CRM and ERP: record updates and API integrations, with a change log
  - Reports and notifications generated automatically by rule, before the meeting
  - An exception path to a human and handover documentation for your team
- Not for:
  - Processes with no owner on the company side
  - Websites and marketing chatbots
  - Automating “everything at once”: we start with one process
- Pricing: Price follows the data sources, integrations, and exception rules. You get a fixed quote in the proposal after the free scan: a 30-minute call and a written takeaway in 2 business days. You know the full cost before signing, with no hidden items.

### Hand recurring work to a personal AI operator
- URL: https://syntalith.ai/en/services/personal-ai-agent
- Summary: A personal AI operator for executives: briefings, research and decision preparation on infrastructure you control. From €1 200 net.
- Problem: Nobody delegates this work, because nobody but you is allowed to read that inbox. The morning briefing, research, decision prep and follow-ups stay with you, even when they are repeatable. A consumer assistant does not know your context, has no boundaries, leaves no trace, and sends company data out.
- Outcome: You get a personal operator on infrastructure you control: it runs specific, repeatable work (briefing, research, decision preparation), stops at exceptions, and leaves a log of every action. You get a fixed quote and timeline after the free scan.
- Includes:
  - Morning briefing and triage of your matters from your sources
  - Research and monitoring of the topics you track
  - Decision prep and follow-ups queued for your approval
  - Deployment on your own infrastructure or your own cloud account (AWS, Google Cloud, Azure)
  - Boundaries, escalation rules, and a log of every action
- Not for:
  - A general assistant for one-off questions and drafts
  - Full autonomy on personal accounts with no boundaries
  - One-off work that doesn't return regularly
  - Work with no named process and no decision owner
- Pricing: Price follows the sources, tools, permissions, and recurring work in scope. You get a fixed quote after the free scan, the full range on the pricing page, with no hidden items.

### Custom AI apps for business
- URL: https://syntalith.ai/en/services/ai-apps
- Summary: From €6 000 net: AI apps built around your process, copilots, document search (RAG), extraction and classification. You own the code.
- Problem: Your team spends hours hunting for knowledge scattered across documents and pulls data from PDFs and scans by hand, because ready-made tools do not fit the process or cannot use your data. A quick API call bolted onto an app can look good on sample data and break in production. One made-up answer delivered with confidence is enough for the team to stop trusting any of them. Those hours have an hourly rate; the status quo is not free.
- Outcome: In 4–10 weeks you get an application where a language model performs a specific, repeatable task: answering from cited documents, classifying cases or extracting invoice data. We measure accuracy on your data and route uncertain answers to a reviewer. You commit to the full build after the pilot meets the accuracy target.
- Includes:
  - Internal assistants and panels working on your data
  - Answers from your documents with the source cited
  - Extracting data from invoices, contracts and scans into an agreed format
  - Classification of cases and documents according to your rules
  - A fixed set of client examples with measured accuracy
  - Safety rules and a human handoff for uncertain answers
  - Integration with your systems over APIs, on minimum permissions and with a log
  - Code, system instructions, and test examples belong to you
- Not for:
  - Marketing websites and landing pages
  - Web development with no AI component
  - A chat widget pasted onto a site
  - A process a ready-made tool handles cheaper and faster: we'll recommend buying it
- Pricing: How much does a custom AI app cost, and what affects the price? You get a fixed quote in the proposal after the free scan. You know the full cost before signing, with no hidden items.

### Named package under AI Apps
- Company Brain AI for people and agents
- URL: https://syntalith.ai/en/services/ai-apps/company-brain
- Summary: Company Brain AI connects knowledge, decisions and events from Confluence, CRM and ERP so people and agents can work with current context.

### AI Agency Warsaw: systems for business
- URL: https://syntalith.ai/en/ai-agency-warsaw
- Summary: Warsaw engineering firm building AI automations, apps and agents for companies. Free process scan, implementations from €3,500 net, with a fixed quote.

### AI training for companies: from €1 200/day
- URL: https://syntalith.ai/en/services/team-training
- Summary: AI training for companies and teams, online or at your office. Engineers work on your process and data rules. From €1 200 net per day.

### AI agent course for software teams
- URL: https://syntalith.ai/en/services/ai-native-courses
- Summary: AI-Native agentic engineering on your codebase, using Claude Code, Codex or another tool. One-to-one or for a team, quoted after a call.

### One-to-one AI training
- URL: https://syntalith.ai/en/one-to-one-ai-training
- Summary: One-to-one AI training with an engineer on your documents, research or operating process. Five delivered personal sessions. From €1 200/day net.

### AI Training Warsaw
- URL: https://syntalith.ai/en/ai-training-warsaw
- Summary: AI training at the client's Warsaw office or online, built around the team's tasks and led by engineers. From €1 200/day net.

## Automation, LLM app, or agent

### Definition
Agent = work + context + tools + operating rules + escalation + security + measurement + cost + trace. A system that misses one of these criteria should be scoped as a script, integration or AI application.

### Triad
Chatbots respond. Copilots help. AI agents carry out work under defined rules.

### Agent-washing
Most "agents" on the market are a repackaged chatbot. The word "agent" is now used for chatbots, RAG applications, copilots, and scripts with a model. Assess the proposed work, decision points, permissions, escalation, measurement, cost, and audit trail. An agent is appropriate only when the next step depends on the content of the case; fixed paths are usually simpler and cheaper to implement as automation.

### Nine questions that take a prototype to production.
Ask these nine questions before approving an agent proposal. The answers should state the work, permissions, approval rules, measurement, cost, and evidence record.
- Work: What specific work does the agent do?
- Context: What must the agent understand: data, rules, exceptions?
- Tools: Which systems does it use, and with what permissions?
- Permissions and limits: What must it never do on its own?
- Escalation: When does it hand off to a human?
- Security: How does it hold up against hostile content, and what protects the data it touches?
- Measurement: How do we know it's worth keeping?
- Cost: What does one pass of the process cost, and what keeps that bounded?
- Trace: What does it record, and who can audit it?

### AI Act mapping
We map the nine agent criteria onto the EU AI Act requirements that feed operator documentation: trace, transparency, human oversight, robustness and monitoring. It organizes the technical documentation.
- Trace: Art. 12 · Record-keeping
- Work + Context: Art. 13 · Transparency
- Tools: Art. 13 + 26 · Tools and deployer obligations
- Permissions + human handoff: Art. 14 · Human oversight
- Security: Art. 15 · Accuracy, robustness and cybersecurity
- Measurement: Art. 17 + 72 · Quality and monitoring
Technical input to operator documentation rather than legal advice: we do not classify the system as high-risk and do not determine your obligations. Most of these requirements apply to high-risk systems; separately, Art. 50 (telling a user they are talking to AI) binds providers and deployers from 2 August 2026, regardless of risk class. Cost is a production criterion with no AI Act counterpart.

### Diagnostic
If a script, integration or AI application is sufficient, we recommend it before a proposal. An agent is appropriate when the next step depends on the contents of each case.
- Plain automation: Fixed steps, known rules. A test can check the result. A model improves nothing here, it only adds cost and risk. A script, integration, or workflow is enough.
- AI-assisted automation: The model reads text, but does not own the case. The model reads text: it classifies, extracts data, summarizes, drafts a reply. The run stays closed, so it is still automation, just with better reading.
- AI app / copilot: The outcome belongs to a person. The system prepares, a person approves: a draft reply, a document summary, a record ready to accept. The write, the send, and the decision stay with the person.
- AI agent: Decision, tools, escalation, trace. The content of the case determines the next step. The agent uses tools, stops exceptions, measures the result, and records the reason for every step.

## Why this matters to the buyer

### We choose the process, set the target, and only then start the build.
Gartner predicts that over 40% of agentic AI projects will be cancelled by the end of 2027 because of rising costs, unclear value, or inadequate risk controls. We therefore define the scope of work, set one measurable target, and decide which cases the system routes to a person before the build starts.
Stat: 40%+ of agentic AI projects may be cancelled by the end of 2027 (Gartner).
- One repetitive process: We choose a task that returns every week: inbox handling, invoice entry, quote preparation, or sales-prospect follow-up. That gives us a baseline cost and a precise definition of the work the system should take over.
- One target to reach: Before the build, we set a process metric: handling time, the number of cases completed without manual work, or the share of records prepared correctly. The pilot then produces a result that can be checked.
- Exceptions return to a person: The system gets the access required for its task, records what it does, and routes cases that need judgement to a named owner. The team keeps control of decisions with business consequences.

### Five steps from the first call to a working system.
Each stage ends with a concrete result and a decision on whether to continue.
- Scan: choose the process: You spend 30 minutes with an engineer on the work consuming your team's time. Within 2 business days, you receive a written summary with the recommended order and cost range.
- Scope and fixed quote: For a focused project, we prepare a free fixed-price proposal. For a larger scope, we write an implementation specification from €1 200 that you can hand to any provider. We credit that fee toward the build.
- A contract with a clear target: The contract states the scope, price, pilot target, and how we will check the result. You know the acceptance conditions before work starts.
- Build and pilot: We build the system, run it on the agreed data, and check whether it reaches the agreed target. If it falls short, we complete the fixes defined in the contract within the pilot price.
- System handover: You receive the code, model instructions, test data, and documentation. Production launch includes maintenance, with scope and price agreed before the contract.
- Deployed

### AI is already inside companies. Agents are only beginning to enter daily workflows.
The Stanford AI Index found that 88% of surveyed organizations use AI in at least one business function. In almost every business function, fewer than 10% of surveyed organizations used agents. The largest productivity gains appear in structured, measurable work. That is where we start. (Stanford AI Index, 2026)
Stat: 55% to 88%, of surveyed organizations use AI in at least one business function.

## How engagements work

- A free process scan (30 min with an engineer) opens every engagement; within 2 business days the client gets a written takeaway: what to automate, in what order, and what it costs.
- Path A - a free written proposal within 5 working days: fixed scope and quote, 30-day validity.
- Path B - an implementation specification (from €1,200, 5 working days): process map, architecture, implementation plan and a fixed quote - a document you can hand to any vendor. If Syntalith builds the system, it credits the specification fee toward the build.
- Then a signed contract and the build (production builds typically €6,000–35,000); maintenance priced individually after the scan.

## Public pricing

### Process scan
- Price: €0 ($0)
- Window: 30 min + summary within 2 business days
- Summary: 30 minutes with an engineer about the processes that cost you the most. Within 2 business days you get a written summary: what to automate, in what order, and what it costs.

### Implementation specification
- Price: from €1,200 (approx. $1,300)
- Window: 5 business days
- Summary: A process map, architecture, plan, and fixed quote, followed by a documented recommendation on whether to build. If you commission the system build from us, we credit the specification fee toward the build.

### AI Automations
- Price: from €3,500 (approx. $3,800)
- Window: 2–6 weeks
- Summary: Processes that run themselves: inbox, documents, CRM, reports, and system-to-system integrations.

### AI Agents
- Price: from €6,000 (approx. $6,500)
- Window: 6–16 weeks
- Summary: Systems that run a process themselves: routine steps close without a human, edge-case decisions escalate to you, every move is logged for audit.

### AI Apps
- Price: from €6,000 (approx. $6,500)
- Window: 4–10 weeks
- Summary: A tool used by your team: document search, data extraction, guided work, and an internal panel.

### Personal AI agent
- Price: from €1,200 (approx. $1,300)
- Window: narrow scope · usually a few weeks
- Summary: A personal operator for owners and executives: briefings, research and decision prep within set boundaries, on infrastructure you control.

### AI Training
- Price: from €1,200/day (approx. $1,300/day)
- Window: 1–2 days
- Summary: Closed corporate training in safe, effective AI work, taught by the engineers who deploy these systems.

### AI-Native course
- Price: quoted after a call
- Window: 1:1 or company · on your repository
- Summary: A one-to-one or company course on your codebase. You keep the working method, templates, and tooling created during the course.

### Three things set the quote.
- Data sources and integrations: How many systems have to agree with each other: inbox, CRM, ERP, documents. Every integration has to be built, tested, and maintained.
- Autonomy and risk: The more the system decides on its own and the more its mistake costs, the more work goes into boundaries, escalation to a human, and tests on your data.
- Audit and compliance: A trace of every decision, human sign-off on production effects, and mapping to AI Act requirements are in scope from day one.

### Result guarantee
One measurable target, written down before the build. Before the build, we agree one measurable target and put it in the contract. A pilot on your data usually takes 3–6 weeks. If it misses the target, we complete the contractually agreed fixes within the pilot's fixed price before the full build proceeds. The guarantee applies to automations, apps, and agents. It requires access to representative data, enough volume to measure, and an unchanged scope. Training is excluded.

## FAQ / buyer objections

### How much does an AI deployment cost?
Automations start at €3 500 net; AI apps and agents start at €6 000 net. Most production implementations cost €6 000–35 000. Price follows the data sources, integrations, autonomy, and risk in scope.

### What does the free scan commit us to?
A 30-minute conversation with an engineer and a written summary within 2 business days. It ends with a recommendation, including when a simpler route is the better fit.

### What if something simpler than an agent is enough?
Sometimes the scan recommends an integration or a simple script; sometimes it recommends waiting. We record that recommendation as part of the work, at no cost.

### What if the AI makes a mistake?
The system gets boundaries and a full action trail: anything it isn't sure about goes to a human, and production impact requires approval. In the pilot we write down a measurable target and test it on your data before you commit to the full rollout.

### How long does a deployment take?
Automations 2–6 weeks, apps 4–10, agents 6–16. We set the scope and the timeline in the contract before we start.

### Where is our data processed?
Before work starts, we sign a data processing agreement (DPA) and agree the environment, data scope, and access. For deployments that require it, we design the flow so data never leaves the EU and model providers operate under zero data retention. The system receives only the permissions needed for the specific process, and sensitive operations require human approval.

### Does every process need an AI agent?
No. Sometimes the right answer is a plain script, integration, AI-assisted automation, AI app, copilot for a human or no build.

### When is ordinary automation sufficient?
When the steps are fixed, the rules are known, and the result can be checked with a test or simple validation, we build a script, integration, or workflow.

### When does an AI app become an agent?
Only when the system performs named work with tools, chooses the next step based on context, respects assigned permissions, escalates exceptions, measures the result and leaves an action history.

### How is an AI agent different from a chatbot?
A chatbot answers questions in conversation. An agent does the work: it chooses the next step, uses tools, carries the case to an outcome and hands exceptions to a person.

### Does an AI agent run without human oversight?
No. You define the agent's permissions and approval rules. Actions with production impact need approval, and uncertain cases go to a person. Unrestricted autonomy creates an operational risk.

### How do you know an agent is working correctly?
From a measure set before the build and from the trace. We define what "works" means (for example, the share of cases handled without a correction), and every action lands in the log, so you can check what the system did and why.

### How does payment for a build work?
Builds are usually split in half: 50% on signing the scope, 50% on delivery. The implementation specification is paid once, up front; maintenance is billed monthly. We start work after a signed scope and the first payment has cleared.

### What does the starting price include, and can it change after signing?
“From” is the floor for the simplest, rule-driven process, with no catch attached. You get a fixed quote for your process in the proposal after the scan, valid for 30 days, and you sign scope and price together before we start. The price doesn't move mid-build unless you change the scope, and then we show the new quote for sign-off first.

### Is maintenance cost, including AI models, predictable?
Yes. Model usage is charged in addition to our fixed monthly fee. We meter it per case, report it, and can set a monthly cap. We estimate your cost from expected volume during the scan. In the recorded test run for data questions, model cost was USD 0.004400 per question.

### What if we want to leave or switch vendors?
At handover the code, prompts, eval data and documentation pass to you: the system is yours, you don't rent it from us, so you can run it yourself or with any team. The implementation specification is a portable document for any vendor, so nothing locks you to us even at the start.

### Do the prices include VAT?
No. All prices on this page are net: the invoice adds 23% VAT (reverse charge applies for EU companies outside Poland with a VAT-EU number).

### Does the process scan commit us to anything?
A 30-minute conversation and a written summary within 2 business days. It ends with a recommendation; when automation is not justified, we put that in the document.

### Does the specification fee count toward the build?
Yes, if you commission the system build from us. We then credit the specification fee toward the build. The document remains portable, and you can still hand it to another vendor.

### How much does the implementation specification cost?
The implementation specification starts at €1,200 net (approx. $1,300). If you commission the system build from us, we credit its fee toward the build. The other entry prices are listed on this page.

### What about scope beyond €35,000 (approx. $38,000)?
Enterprise builds (several connected systems, regulated environments, budgets of €47,000–120,000 (approx. $51,000–130,000), RFP processes) are priced individually. A call confirms whether the work fits our team.

## Public case studies

Library: https://syntalith.ai/en/work

### Gmail automation for repetitive inbound email
- URL: https://syntalith.ai/en/work/email-triage
- Status: published
- Summary: About 3,000 emails a month reach a shared Gmail inbox. AI automation handles routine cases by policy and escalates sensitive ones to a human with reasons.
- Recognition: Do this at your company if a shared inbox eats your team's time and the same simple questions keep blocking people who should be doing higher-value work.

### AI agent for real-estate acquisition
- URL: https://syntalith.ai/en/work/re-lead-intel
- Status: published
- Summary: The agent watches four portals, remembers each listing's history, scores the seller signal and drafts an SMS, email or CRM row. Sending stays human.
- Recognition: Do this at your company if the best deals disappear faster than you can scan the portals, compare history, and message the owner.

### Investment OS for private-company screening
- URL: https://syntalith.ai/en/work/vc-investment
- Status: published
- Summary: PE/VC screening: deterministic gates before AI, research across KRS, financials and LinkedIn, 11 diligence questions, source trails, the analyst signs off.
- Recognition: Use this pattern when analysts need first-pass investment judgment across a private-company universe, with a source behind every answer, memory between runs, and an override that sticks.

### Personal AI operator on your own infrastructure
- URL: https://syntalith.ai/en/work/personal-operator
- Status: published
- Summary: A personal AI operator with memory, tools, and permissions, running on your VPS or computer. Sending and deleting data require approval.
- Recognition: Stand this up for yourself if your knowledge work is scattered across documents, research, the market and small code with no shared memory, and the data should stay with you.

### jakotako.design: AI training and an agent loop
- URL: https://syntalith.ai/en/work/jakotako-agent-loop
- Status: published
- Summary: One-to-one work with jakotako.design produced an agent loop for sourcing sales prospects and monitoring competitors, plus a website built with Claude.
- Recognition: This format fits an owner or specialist who wants to learn Claude by building a useful tool around a company workflow.

### Email orders into ERP drafts
- URL: https://syntalith.ai/en/work/order-intake-to-erp
- Status: published
- Summary: The system reads orders from emails and files, matches lines to the product catalogue, and holds exceptions before an ERP draft is created.
- Recognition: This is a good automation candidate when orders arrive by email, staff retype them into an ERP, and product-code errors appear during fulfillment.

### Resident tickets in one dispatch queue
- URL: https://syntalith.ai/en/work/resident-ticket-queue
- Status: published
- Summary: The system groups repeated reports of the same fault, orders work by safety and SLA, and leaves the final decision with the dispatcher.
- Recognition: This is a good automation candidate when reports arrive through several channels and the first sort plus duplicate search takes the whole morning.

### Case-law research with exact citations
- URL: https://syntalith.ai/en/work/legal-rulings-assistant
- Status: published
- Summary: The system finds arguments in an approved case-law set. Every proposition links to an exact quotation and the full source record.
- Recognition: This is a good automation candidate when lawyers repeatedly search the same corpus and spend more time locating passages than evaluating them.

### BZP and TED tender monitoring
- URL: https://syntalith.ai/en/work/tender-monitoring
- Status: published
- Summary: The system gathers BZP and TED notices, organizes deadlines, and isolates outside documents before verified data reaches assessment.
- Recognition: This is a good automation candidate when alerts return too many notices and the team manually searches for deadlines and conditions across several sources.

### CMR image quality check before extraction
- URL: https://syntalith.ai/en/work/transport-document-check
- Status: published
- Summary: The system checks a CMR photo before running a model. Poor images go back to the driver, while readable documents receive one structured extraction.
- Recognition: This fits a carrier or freight operator that receives document photos from the road and spends time manually finding unreadable images.

### Accounts payable invoice coding
- URL: https://syntalith.ai/en/work/invoice-coding-automation
- Status: published
- Summary: The system proposes an account and cost center, checks the invoice against purchasing records, and holds missing data for an accountant.
- Recognition: This is a good automation candidate when accountants repeatedly code similar invoices and search supplier history by hand.

### Business questions with results and SQL
- URL: https://syntalith.ai/en/work/sql-data-questions
- Status: published
- Summary: The system answers approved sales and margin questions. Every result includes the metric definition and the SQL used to calculate it.
- Recognition: This is a good automation candidate when leaders repeatedly ask for the same metrics and analysts spend time rerunning routine queries.

### RFQ pricing with a source for every price
- URL: https://syntalith.ai/en/work/rfq-quote-preparation
- Status: published
- Summary: The system breaks an RFQ into lines and prices from a precedent or rule. A missing basis holds the line before an offer is prepared.
- Recognition: This is a good automation candidate when the team repeatedly prices similar work and estimators revisit the same materials and operations.

### Persistent client document intake
- URL: https://syntalith.ai/en/work/client-document-intake
- Status: published
- Summary: The system keeps a case file across messages, detects missing, conflicting, and expired documents, and leaves onboarding decisions with staff.
- Recognition: This fits a team that collects documents across many messages, maintains checklists manually, and repeatedly follows up on missing or inconsistent material.

### PDF intake that uses OCR only for scanned pages
- URL: https://syntalith.ai/en/work/pdf-document-gate
- Status: published
- Summary: The PDF gate checks every page and sends only scans to OCR. In the test, it read 432 of 496 pages locally, with no OCR charge.
- Recognition: This system fits teams that receive text-based PDFs, scans, and mixed documents through one process and currently send every page to paid OCR.

### Payment reminder drafts for human review
- URL: https://syntalith.ai/en/work/receivables-monitoring
- Status: published
- Summary: The system prepares payment reminder drafts, checks risky language, and sends every message to a specialist for a final decision.
- Recognition: This is a good automation candidate when overdue balances grow faster than the team can manage them and contact rules are scattered across individual employees.

### Agent migration with behavior control
- URL: https://syntalith.ai/en/work/agent-runtime-migration
- Status: published
- Summary: Migrating an agent off a sunsetting tool: 336 recorded behaviors, a decision on every difference, a rehearsed return. Seven open items still hold cutover.
- Recognition: This migration method fits a critical process running on a retiring tool whose rules and exceptions have never been fully documented.

### Call commitments, voice only after release
- URL: https://syntalith.ai/en/work/voice-call-notes
- Status: published
- Summary: A listening desk: timestamps on every word, commitments with owners and dates, and voice only after release. Documented test run: 9/9 checks, 5/5 refusals.
- Recognition: This system fits teams left with short call notes, missing deadlines, and spoken responses that must be approved by a named person.

### A knowledge base that enforces permissions
- URL: https://syntalith.ai/en/work/company-memory-with-permissions
- Status: published
- Summary: Ask a question, get an answer with the identifier of its source document, and only from documents you may open. documented test run: 750 pairs, zero leaks.
- Recognition: This system fits companies where employees repeatedly ask for information already stored in documents and some of that material is restricted to specific teams.

### Field evidence in one file, no silent merge
- URL: https://syntalith.ai/en/work/field-evidence
- Status: published
- Summary: An image, voice note, and work card enter one case file as separate evidence with their sources retained. A conflicting machine number waits for review.
- Recognition: This system fits field operations where incident records arrive through several channels, details sometimes conflict, and the decision to resume work needs a named owner and reason.

### Company dossier with sources and visible gaps
- URL: https://syntalith.ai/en/work/contractor-dossier-with-gaps
- Status: published
- Summary: The system brings KRS, BZP, and TED records into one dossier. Every fact links to its source, while gaps and name conflicts go to an analyst.
- Recognition: This fits a team that reviews many companies, spends hours copying registry data, and needs reports that make missing evidence as visible as confirmed facts.

### AI system register with owners and evidence gaps
- URL: https://syntalith.ai/en/work/ai-act-system-register
- Status: published
- Summary: The register organizes AI systems, owners, evidence, and gaps for six supported AI Act articles. A person approves the risk classification.
- Recognition: This fits an organization where departments buy AI tools independently, inventory is assembled through interviews, and compliance evidence is collected only when a review approaches.

### Management report with a source for every number
- URL: https://syntalith.ai/en/work/executive-report-no-vanity-numbers
- Status: published
- Summary: The system assembles a report from ERP, CRM, and controlling data. Every figure has a source, and unsupported numbers stop the commentary.
- Recognition: This fits a company that assembles its monthly management report from several sources and must show where every number came from.

### Agent policy controls across business systems
- URL: https://syntalith.ai/en/work/agent-policy-layer
- Status: published
- Summary: Every agent action receives a separate authorization decision. A denial stops the call before ERP, CRM, or DMS and records the reason.
- Recognition: This fits an organization that wants agents to work across systems while retaining per-action controls, separation of duties, and a complete audit trail.

### Private document search on your infrastructure
- URL: https://syntalith.ai/en/work/on-prem-document-flow
- Status: published
- Summary: Documents, search, and the model remain inside the company network. Answers cite sources, and a four-protocol test checks outbound isolation.
- Recognition: This fits an organization that needs search across confidential documents, requires local processing, and wants a repeatable outbound-traffic test.

### Release AI software into an offline zone
- URL: https://syntalith.ai/en/work/air-gap-release
- Status: published
- Summary: Every release enters as a signed package with a file list and checksums. The zone verifies completeness, signature, and outbound isolation locally.
- Recognition: This fits an environment that prohibits outbound traffic and requires every application, model, or index update to arrive as a verifiable offline release.

### Compare technologies for AI agents
- URL: https://syntalith.ai/en/work/agent-framework-benchmark
- Status: published
- Summary: Six agent technologies run the same 50 cases. The comparison shows processing time and refusals, including the result where our own stack performs worse.
- Recognition: This test fits teams choosing agent technology from vendor opinions when changing the foundation after implementation starts would cost weeks of work.

### Project start where each date has a source
- URL: https://syntalith.ai/en/work/project-kickoff-room
- Status: published
- Summary: An email thread, a PDF attachment and a kickoff note become one sourced plan. Two clashing go-live dates keep the plan version open.
- Recognition: This system fits teams that build kickoff plans by retyping emails, find different dates across the source files, and later cannot trace a commitment back to its origin.

## Qwen3.8-27B local-model evidence cluster

The cluster records an after-hours home-PC experiment. Measurements and observed runs are separated from vendor-reported facts and cited public benchmarks. It does not claim that Qwen is generally better than hosted models, Polish models or other coding harnesses.

### Qwen3.8-27B on an RTX 3090: results, metrics and limits
- URL: https://syntalith.ai/en/blog/qwen3-8-27b-on-rtx-3090-results
- Markdown: https://syntalith.ai/llms/en/blog/qwen3-8-27b-on-rtx-3090-results.md
- Summary: A complete record of one home experiment with Qwen3.8-27B: serving profile, timings, tokens, energy, VRAM, coding tests, failures and limits.

### Claude Code and OpenCode with local Qwen: compatible or supported?
- URL: https://syntalith.ai/en/blog/claude-code-and-opencode-with-local-qwen
- Markdown: https://syntalith.ai/llms/en/blog/claude-code-and-opencode-with-local-qwen.md
- Summary: OpenCode documents local llama.cpp. Claude Code can traverse a compatible gateway, but Anthropic does not support routing it to non-Claude models.

### Codex with local Qwen3.8-27B over the Responses API
- URL: https://syntalith.ai/en/blog/codex-with-local-qwen-over-responses-api
- Markdown: https://syntalith.ai/llms/en/blog/codex-with-local-qwen-over-responses-api.md
- Summary: Codex can use a custom provider over the Responses wire. This guide shows the minimum profile, support boundary and the Qwen result.

### How DFlash2 speeds up Qwen3.8 and shortens context
- URL: https://syntalith.ai/en/blog/mtp-dflash2-speculative-decoding-for-qwen
- Markdown: https://syntalith.ai/llms/en/blog/mtp-dflash2-speculative-decoding-for-qwen.md
- Summary: In our measurement, DFlash2 raised median decoding from 93.3 to 120.9 tok/s while the context limit fell from 150,000 to 65,536 tokens.

### How to benchmark a local coding agent honestly
- URL: https://syntalith.ai/en/blog/how-to-benchmark-a-local-coding-agent
- Markdown: https://syntalith.ai/llms/en/blog/how-to-benchmark-a-local-coding-agent.md
- Summary: A useful coding-agent benchmark needs work requests written like ordinary issues, clean workspaces, hidden checks, retained metrics and a separate review. This method evaluates a patch before acceptance.

### How to use local Qwen remotely from any device
- URL: https://syntalith.ai/en/blog/use-local-qwen-remotely-from-any-device
- Markdown: https://syntalith.ai/llms/en/blog/use-local-qwen-remotely-from-any-device.md
- Summary: Qwen can stay on one GPU host while an approved phone, tablet, laptop or office computer reaches it through a private interface. This guide covers three access patterns.

### How we isolated the local Qwen agent experiment
- URL: https://syntalith.ai/en/blog/safe-local-llm-experiment
- Markdown: https://syntalith.ai/llms/en/blog/safe-local-llm-experiment.md
- Summary: Clean fixtures, separate worktrees, hidden checks outside the agent folder, an explicit tool list, telemetry and retained diffs. We also name the gap: shell was not a full sandbox.

### llama.cpp or vLLM for Qwen3.8-27B on an RTX 3090?
- URL: https://syntalith.ai/en/blog/llama-cpp-or-vllm-for-qwen3-8
- Markdown: https://syntalith.ai/llms/en/blog/llama-cpp-or-vllm-for-qwen3-8.md
- Summary: A patched vLLM profile won one complete Qwen Code task. llama.cpp remained the simpler fallback. Here is what the evidence covers and what it leaves open.

### Local Qwen Code: the medium profile from a home test
- URL: https://syntalith.ai/en/blog/local-qwen-code-medium-configuration
- Markdown: https://syntalith.ai/llms/en/blog/local-qwen-code-medium-configuration.md
- Summary: Wire-level reasoning effort, no fixed max_tokens, preserved thinking and task-scoped sessions removed observed failures in a home-PC experiment.

### Local Qwen3.8-27B on RTX 3090: a runbook from the working experiment
- URL: https://syntalith.ai/en/blog/local-qwen3-8-27b-deployment-on-rtx-3090
- Markdown: https://syntalith.ai/llms/en/blog/local-qwen3-8-27b-deployment-on-rtx-3090.md
- Summary: A practical local Qwen3.8-27B startup pattern: verify the profile, inspect the API, watch GPU memory, switch to a fallback and run a restart test.

### Long context or RAG? Qwen and Polish RAG measurements
- URL: https://syntalith.ai/en/blog/long-context-or-rag-for-company-knowledge
- Markdown: https://syntalith.ai/llms/en/blog/long-context-or-rag-for-company-knowledge.md
- Summary: Qwen recalled facts from 230,085 tokens but needed 563.4 seconds. A public 146-question Polish RAG study shows what retrieval adds.

### Maintaining local Qwen: turn failures into tests
- URL: https://syntalith.ai/en/blog/maintaining-evaluating-and-teaching-a-local-llm
- Markdown: https://syntalith.ai/llms/en/blog/maintaining-evaluating-and-teaching-a-local-llm.md
- Summary: Eight failures from a home Qwen and RTX 3090 experiment, with controls for upgrades, version changes, handover, testing and operator training.

### One Qwen, four clients: Qwen Code, Codex, Claude Code, OpenCode
- URL: https://syntalith.ai/en/blog/qwen-code-codex-claude-code-opencode-comparison
- Markdown: https://syntalith.ai/llms/en/blog/qwen-code-codex-claude-code-opencode-comparison.md
- Summary: Four clients drove the same local Qwen3.8-27B. We compare the tasks, elapsed time, hidden tests and actual code choices. OpenCode won one import; Qwen Code won the long run.

### One RTX 3090 for a team: measured Qwen concurrency
- URL: https://syntalith.ai/en/blog/one-rtx-3090-for-a-team-throughput
- Markdown: https://syntalith.ai/llms/en/blog/one-rtx-3090-for-a-team-throughput.md
- Summary: One card can process requests in sequence or in parallel. We pair our task times with a public 1, 2, 4 and 8-stream RTX 3090 test.

### Polish company RAG: two studies, two different winners
- URL: https://syntalith.ai/en/blog/company-brain-with-qwen3-8-27b
- Markdown: https://syntalith.ai/llms/en/blog/company-brain-with-qwen3-8-27b.md
- Summary: Bielik led one Polish RAG study and PLLuM led another. Here are the numbers, why the order reversed, and how to build an auditable company brain.

### Qwen Code in practice: CSV, pagination and import
- URL: https://syntalith.ai/en/blog/qwen-code-csv-pagination-import-tests
- Markdown: https://syntalith.ai/llms/en/blog/qwen-code-csv-pagination-import-tests.md
- Summary: Four small tasks revealed more than one large benchmark. Qwen Code read contracts well at medium effort, but hidden tests still found a missing validation rule.

### Qwen Code: 26 minutes to a frontend, 48 to acceptance
- URL: https://syntalith.ai/en/blog/qwen-code-frontend-failure-and-repair
- Markdown: https://syntalith.ai/llms/en/blog/qwen-code-frontend-failure-and-repair.md
- Summary: An empty folder, one sentence and local Qwen on a home RTX 3090. The first ATS dashboard took 26:03. Here are the prompt, output and complete repair cost.

### Qwen3.8-27B quantization: Q4, Q5 or W4A16?
- URL: https://syntalith.ai/en/blog/qwen-quantization-q4-q5-w4a16
- Markdown: https://syntalith.ai/llms/en/blog/qwen-quantization-q4-q5-w4a16.md
- Summary: Q4 leaves more room for context, Q5 uses more VRAM, and W4A16 needs a different stack. Here are the profiles that fit and what the test cannot prove.

### Qwen3.8-27B: 60k, 120k, 150k or 250k context?
- URL: https://syntalith.ai/en/blog/qwen-context-60k-120k-150k-250k
- Markdown: https://syntalith.ai/llms/en/blog/qwen-context-60k-120k-150k-250k.md
- Summary: Every configuration returned three planted facts, but 250k was almost ten times slower than 60k. Here is how to choose a useful context window.

### Qwen3.8-27B: what it is and where it fits
- URL: https://syntalith.ai/en/blog/what-is-qwen3-8-27b
- Markdown: https://syntalith.ai/llms/en/blog/what-is-qwen3-8-27b.md
- Summary: Qwen3.8-27B has 27 billion parameters, a native 262,144-token context and visual input. We explain its uses, hardware needs and one local test for teams.

### Qwen3.8, Bielik or PLLuM? A task-based comparison
- URL: https://syntalith.ai/en/blog/qwen3-8-vs-bielik-and-pllum
- Markdown: https://syntalith.ai/llms/en/blog/qwen3-8-vs-bielik-and-pllum.md
- Summary: Qwen3.8-27B, Bielik-11B-v3.0-Instruct and PLLuM-12B-chat-2512 compared by parameters, architecture, Polish use, licensing, hardware and deployment.

### Safe Qwen deployment: threat-model the path from laptop to tool
- URL: https://syntalith.ai/en/blog/safe-qwen-deployment-for-a-company
- Markdown: https://syntalith.ai/llms/en/blog/safe-qwen-deployment-for-a-company.md
- Summary: We decompose the real laptop -> private endpoint -> Qwen -> tool path, showing what the home experiment protected and what a company still needs.

### When not to deploy Qwen locally: five results that should stop a project
- URL: https://syntalith.ai/en/blog/when-not-to-deploy-qwen-locally
- Markdown: https://syntalith.ai/llms/en/blog/when-not-to-deploy-qwen-locally.md
- Summary: Five stop signals: an unfinished task, repeated context processing, costly 250k, missed validation and a broken frontend.

## Contact

Contact page: https://syntalith.ai/en/contact

- Email: contact@syntalith.ai
- Phone: +48 888 78 48 78

## Machine-readable caveats

- Syntalith uses EU hosting and GDPR-aware technical design, but legal compliance depends on the client context and should be validated by qualified legal counsel.
- Syntalith does not publish fake logos, fake metrics, fake agent traces, or unverified client results.
- Cited external statistics resolve to named sources (Gartner, Stanford AI Index, EU AI Act); they are never invented.
- The canonical, citable URLs are:

- https://syntalith.ai/en
- https://syntalith.ai/en/what-is-an-ai-agent
- https://syntalith.ai/en/team
- https://syntalith.ai/en/services
- https://syntalith.ai/en/work
- https://syntalith.ai/en/pricing
- https://syntalith.ai/en/blog
- https://syntalith.ai/en/contact
- https://syntalith.ai/en/tools/ai-automation-calculator
- https://syntalith.ai/en/services/ai-process-audit
- https://syntalith.ai/en/services/ai-agents
- https://syntalith.ai/en/services/maintenance
- https://syntalith.ai/en/services/ai-automations
- https://syntalith.ai/en/services/personal-ai-agent
- https://syntalith.ai/en/services/ai-apps
- https://syntalith.ai/en/services/team-training
- https://syntalith.ai/en/services/ai-native-courses
- https://syntalith.ai/en/services/ai-apps/company-brain
- https://syntalith.ai/en/ai-agency-warsaw
- https://syntalith.ai/en/one-to-one-ai-training
- https://syntalith.ai/en/ai-training-warsaw
- https://syntalith.ai/en/blog/qwen3-8-27b-on-rtx-3090-results
- https://syntalith.ai/en/blog/claude-code-and-opencode-with-local-qwen
- https://syntalith.ai/en/blog/codex-with-local-qwen-over-responses-api
- https://syntalith.ai/en/blog/mtp-dflash2-speculative-decoding-for-qwen
- https://syntalith.ai/en/blog/how-to-benchmark-a-local-coding-agent
- https://syntalith.ai/en/blog/use-local-qwen-remotely-from-any-device
- https://syntalith.ai/en/blog/safe-local-llm-experiment
- https://syntalith.ai/en/blog/llama-cpp-or-vllm-for-qwen3-8
- https://syntalith.ai/en/blog/local-qwen-code-medium-configuration
- https://syntalith.ai/en/blog/local-qwen3-8-27b-deployment-on-rtx-3090
- https://syntalith.ai/en/blog/long-context-or-rag-for-company-knowledge
- https://syntalith.ai/en/blog/maintaining-evaluating-and-teaching-a-local-llm
- https://syntalith.ai/en/blog/qwen-code-codex-claude-code-opencode-comparison
- https://syntalith.ai/en/blog/one-rtx-3090-for-a-team-throughput
- https://syntalith.ai/en/blog/company-brain-with-qwen3-8-27b
- https://syntalith.ai/en/blog/qwen-code-csv-pagination-import-tests
- https://syntalith.ai/en/blog/qwen-code-frontend-failure-and-repair
- https://syntalith.ai/en/blog/qwen-quantization-q4-q5-w4a16
- https://syntalith.ai/en/blog/qwen-context-60k-120k-150k-250k
- https://syntalith.ai/en/blog/what-is-qwen3-8-27b
- https://syntalith.ai/en/blog/qwen3-8-vs-bielik-and-pllum
- https://syntalith.ai/en/blog/safe-qwen-deployment-for-a-company
- https://syntalith.ai/en/blog/when-not-to-deploy-qwen-locally

## Metadata source

- Pricing title: AI prices: €0, from €3,500 (approx. $3,800)
- Pricing description: Prices up front: scan €0, spec from €1,200, builds from €3,500. If we build the system, we credit the specification fee toward the build.
- Last updated: 2026-08-26

---
End of /llms-full.txt.