Sztuczna inteligencja w administracji publicznej: Od koncepcji do wdrożenia dedykowanej platformy AI dla samorządu

#Wstęp

Polska administracja publiczna wkracza w fazę transformacji, w której sztuczna inteligencja przestaje być abstrakcyjnym pojęciem ze strategicznych dokumentów rządowych, a staje się narzędziem o wymiernym wpływie na jakość obsługi obywateli i efektywność pracy urzędniczej. Przyjęta pod koniec 2025 roku przez Ministerstwo Cyfryzacji „Polityka rozwoju sztucznej inteligencji w Polsce do 2030 roku" zakłada budowę krajowego ekosystemu AI oraz szersze wykorzystanie tej technologii w instytucjach publicznych. Równocześnie platforma AI HUB Poland ma ułatwiać administracji dostęp do sprawdzonych technologii i przyspieszać ich implementację. Raport Implement Consulting Group oraz AI LAB SGH szacuje, że generatywna sztuczna inteligencja może przynieść administracji publicznej oszczędności rzędu 8 miliardów złotych rocznie, a 72% stanowisk w polskim sektorze publicznym — około 880 000 miejsc pracy — mogłoby być wspomaganych przez tę technologię.

Te liczby wskazują na znaczący potencjał, lecz ich realizacja napotyka istotne bariery. Raport „Mapa kompetencji AI w Polsce. Potrzeby i kierunki rozwoju" (2025), przygotowany przez Polski Fundusz Rozwoju, identyfikuje deficyty kompetencyjne, organizacyjne i procesowe jako główne przeszkody we wdrażaniu AI w administracji. Jednocześnie badania Związku Miast Polskich pokazują, że tylko co czwarty samorząd wdrożył AI w sposób systemowy, a większość instytucji podchodzi do tematu z ostrożnością wynikającą z wymogów AI Act, braku wewnętrznych procedur oraz niepewności co do praktycznych zastosowań.

Celem niniejszego artykułu jest przeanalizowanie obecnego stanu wdrożeń AI w polskiej administracji publicznej, zidentyfikowanie kluczowych potrzeb urzędników i specjalistów, a następnie przedstawienie koncepcji dedykowanej platformy AI dla samorządu. Proponowane rozwiązanie opiera się na otwartych technologiach — frameworku Mastra.ai, bazie danych MongoDB, bibliotece interfejsu Assistant-ui oraz protokole MCP (Model Context Protocol) — i demonstruje, w jaki sposób można zintegrować polskie bazy danych publicznych i naukowych z asystentem AI obsługującym codzienne zadania administracyjne.

#Stan obecny: AI w polskich urzędach

#Pilotaże i pierwsze wdrożenia

Kilka polskich miast podjęło się pilotażowych wdrożeń sztucznej inteligencji w strukturach administracyjnych. Gdynia, Łódź i Częstochowa testują model językowy PLLuM — rozwijany pod egidą Ministerstwa Cyfryzacji — do usprawnienia obsługi mieszkańców i pracy wewnętrznej urzędu. W Bydgoszczy realizowany jest projekt proof-of-concept wykorzystujący AI do analizy dokumentów wpływających do urzędu i automatycznego dekretowania pism do właściwych komórek organizacyjnych. Poznań eksperymentuje zarówno z PLLuM-em, jak i z modelem Bielik.AI, tworzonym przez inicjatywę SpeakLeash.

Na poziomie centralnym funkcjonuje system Kaspro w administracji skarbowej, który wykorzystuje uczenie maszynowe do weryfikacji zeznań podatkowych w czasie rzeczywistym, identyfikując błędy i potencjalne nieprawidłowości. Według danych publikowanych przez AI Driven, wdrożenie tego systemu skróciło czas obsługi o około 30%.

#Bariery systemowe

Mimo tych inicjatyw, perspektywa powszechnego wdrożenia AI w administracji pozostaje odległa. Jak podkreśla Marta Stachowiak z Urzędu Miasta Bydgoszczy, wykorzystanie narzędzi takich jak ChatGPT, Copilot czy Claude w działalności administracyjnej wymaga wcześniejszego przygotowania odpowiednich procedur organizacyjnych, technicznych i prawnych wynikających z AI Act. Rozporządzenie Parlamentu Europejskiego, które weszło w życie w sierpniu 2024 roku, klasyfikuje systemy AI stosowane w administracji publicznej do podejmowania decyzji wpływających na prawa obywateli jako systemy wysokiego ryzyka, co nakłada na instytucje publiczne obowiązek przeprowadzenia szczegółowej analizy ryzyka, wdrożenia mechanizmów nadzoru ludzkiego i zapewnienia przejrzystości działania algorytmów.

Centralny Ośrodek Informatyki, instytucja podległa Ministerstwu Cyfryzacji, formułuje swoją filozofię wdrożeniową w sposób pragmatyczny: sztuczna inteligencja nie stanowi celu samego w sobie, lecz jest środkiem do osiągnięcia konkretnych, wymiernych korzyści dla obywateli i administracji. Automatyzacja rutynowych zadań ma pozwolić urzędnikom na skupienie się na bardziej skomplikowanych aspektach ich pracy, skrócenie czasu oczekiwania obywateli na odpowiedzi oraz redukcję błędów.

#Potrzeby pracowników administracji publicznej

Analiza procesów zachodzących w typowym urzędzie samorządowym pozwala zidentyfikować cztery kluczowe obszary, w których asystent AI mógłby przynieść wymierne korzyści.

Pierwszy dotyczy obsługi interesariuszy. Urzędnicy na co dzień odpowiadają na zapytania mieszkańców dotyczące procedur administracyjnych, wymaganych dokumentów, terminów i właściwości komórek organizacyjnych. Znaczna część tych zapytań ma charakter powtarzalny i może być obsługiwana przez system AI z dostępem do aktualnej bazy wiedzy urzędu.

Drugi obszar obejmuje wsparcie doradcze przy wypełnianiu dokumentów. Wnioski, formularze, zapytania ofertowe i pisma urzędowe podlegają ścisłym wymogom formalnym. System AI wyposażony w kontekst prawny i szablony dokumentów może asystować zarówno pracownikom, jak i obywatelom w poprawnym sporządzaniu dokumentacji — od wniosków o wydanie decyzji administracyjnych po dokumenty zamówień publicznych.

Trzeci obszar to automatyzacja rutynowych zadań wewnętrznych: dekretacja pism, klasyfikacja korespondencji, generowanie podsumowań dokumentów, przygotowywanie odpowiedzi na interpelacje czy ekstrakcja danych ze skanów i plików PDF.

Czwarty obszar odnosi się do dostępu do wiedzy instytucjonalnej i naukowej. Inspektorzy i specjaliści w administracji publicznej regularnie potrzebują dostępu do aktualnych aktów prawnych, orzeczeń, danych statystycznych z GUS, publikacji naukowych czy danych z portalu dane.gov.pl. System AI z odpowiednimi integracjami może agregować informacje z rozproszonych źródeł i prezentować je w ustrukturyzowanej formie.

#Protokół MCP jako fundament integracji

#Czym jest Model Context Protocol

Model Context Protocol (MCP) to otwarty standard komunikacji, który umożliwia modelom językowym — takim jak Claude, GPT czy Bielik.AI — wywoływanie zewnętrznych narzędzi i źródeł danych w ustandaryzowany sposób. W praktyce MCP działa jako warstwa pośrednia między modelem AI a dowolnym API lub bazą danych, pozwalając agentowi AI na dynamiczne pobieranie informacji, weryfikowanie danych i wykonywanie operacji w systemach zewnętrznych.

Dla administracji publicznej MCP ma znaczenie fundamentalne, ponieważ umożliwia budowanie rozwiązań AI, które nie są ograniczone do wiedzy zawartej w treningu modelu, lecz mają dostęp do aktualnych, autorytatywnych źródeł danych — od rejestrów publicznych po repozytoria naukowe.

#Polish Academic MCP — studium przypadku

Przykładem praktycznej implementacji tego podejścia jest projekt Polish Academic MCP (https://github.com/asterixix/polish-academic-mcp), zdalny serwer MCP działający na infrastrukturze Cloudflare Workers, który udostępnia polskie akademickie i publiczne bazy danych jako narzędzia wywoływane przez AI. Projekt ten powstał z myślą o zapewnieniu modelom językowym dostępu do polskojęzycznych zasobów wiedzy naukowej i danych publicznych.

Serwer udostępnia narzędzia do przeszukiwania następujących baz danych: Biblioteka Nauki (polskie artykuły naukowe dostępne przez protokół OAI-PMH), Repozytorium Uniwersytetu Jagiellońskiego (RUJ), RODBuK (otwarte zbiory danych badawczych uczelni krakowskich), RePOD (polskie otwarte dane badawcze zarządzane przez ICM UW) oraz dane.gov.pl (portal otwartych danych rządowych). Wszystkie te bazy oferują otwarty, nieuwierzytelniony dostęp do odczytu, co eliminuje barierę związaną z koniecznością zarządzania kluczami API czy poufnymi danymi uwierzytelniającymi.

Architektura projektu jest bezstanowa — każde żądanie obsługiwane jest przez nową instancję serwera, co pozwala na wdrożenie na darmowym planie Cloudflare Workers bez konieczności stosowania kosztownej infrastruktury. Odpowiedzi z zewnętrznych API są buforowane w Cloudflare KV (cache 24 godziny dla baz naukowych, 1 godzina dla dane.gov.pl), a system rate limitingu ogranicza liczbę wywołań do 10 na godzinę na adres IP, zapewniając stabilność usługi.

Z perspektywy administracji publicznej projekt Polish Academic MCP demonstruje trzy istotne zasady. Po pierwsze, możliwość udostępnienia rozproszonych polskich zasobów wiedzy jako narzędzi AI bez konieczności budowania centralnej bazy danych. Po drugie, wykonalność techniczną wdrożenia serwera MCP przy minimalnych kosztach infrastrukturalnych. Po trzecie, kompatybilność z wieloma klientami AI — od Claude Desktop przez ChatGPT po Google Gemini — co zapewnia elastyczność w wyborze modelu językowego.

#Architektura proponowanej platformy AI dla samorządu

#Stos technologiczny

Proponowana platforma AI dla administracji samorządowej opiera się na czterech komponentach technologicznych, z których każdy pełni określoną funkcję w architekturze systemu.

Mastra.ai stanowi rdzeń logiki agentowej. Jest to otwarty framework TypeScript stworzony przez zespół, który wcześniej zbudował Gatsby.js, zaprojektowany do budowania aplikacji AI klasy produkcyjnej. Mastra oferuje zintegrowany zestaw prymitywów AI: agentów zdolnych do autonomicznego rozumowania i wywoływania narzędzi, workflow umożliwiających budowanie wieloetapowych procesów z mechanizmem human-in-the-loop (zawieszenie procesu i oczekiwanie na akceptację człowieka), pipeline RAG (Retrieval-Augmented Generation) do wzbogacania kontekstu o dane z dokumentów urzędowych oraz system ewaluacji jakości odpowiedzi. Framework integruje się z ponad 90 dostawcami modeli językowych przez zunifikowany router, co pozwala administracji na elastyczny wybór dostawcy — od komercyjnych rozwiązań jak Claude czy GPT po polskie modele PLLuM i Bielik.AI.

MongoDB pełni funkcję warstwy persystencji danych. Elastyczny model dokumentowy tej bazy danych jest odpowiedni do przechowywania heterogenicznych danych administracyjnych: historii konwersacji z obywatelami, szablonów dokumentów, indeksów wektorowych dla systemu RAG, logów audytowych wymaganych przez AI Act oraz metadanych konfiguracyjnych. Wbudowany mechanizm Atlas Vector Search umożliwia wyszukiwanie semantyczne w dokumentach urzędowych bez konieczności utrzymywania oddzielnej bazy wektorowej.

Assistant-ui odpowiada za warstwę interfejsu użytkownika. Jest to biblioteka React/TypeScript zaprojektowana specjalnie do budowania interfejsów czatu AI klasy produkcyjnej. Oferuje kompozytowalne komponenty wzorowane na podejściu Radix UI — od listy wiadomości przez pole wprowadzania tekstu po pasek narzędzi — z wbudowaną obsługą streamingu odpowiedzi, automatycznego przewijania, załączników, renderowania Markdown i podświetlania kodu. Natywna integracja z Mastra.ai przez Vercel AI SDK eliminuje konieczność pisania własnego kodu łączącego frontend z logiką agentową. Dla administracji publicznej istotna jest zgodność z wytycznymi dostępności cyfrowej (WCAG), którą Assistant-ui zapewnia domyślnie.

Serwery MCP zapewniają dostęp do zewnętrznych źródeł danych. Oprócz wspomnianego Polish Academic MCP, dedykowane serwery mogą udostępniać API Internetowego Systemu Aktów Prawnych (ISAP), bazy orzeczeń sądowych SAOS, rejestry z systemu CEIDG/KRS, dane z Banku Danych Lokalnych GUS czy zasoby Narodowego Archiwum Cyfrowego. Każdy z tych serwerów działa niezależnie i może być dodawany modularnie w miarę rozszerzania funkcjonalności platformy.

#Schemat przepływu danych

W typowym scenariuszu użycia platforma działa następująco. Urzędnik lub obywatel formułuje zapytanie w interfejsie czatu zbudowanym na Assistant-ui. Zapytanie trafia do agenta Mastra.ai, który analizuje intencję użytkownika i decyduje o strategii realizacji. Jeśli zapytanie wymaga danych zewnętrznych — na przykład aktualnego stanu prawnego lub danych statystycznych — agent wywołuje odpowiedni serwer MCP. Pobrane dane zostają włączone do kontekstu konwersacji i przekazane do modelu językowego, który generuje odpowiedź. W przypadku zadań wymagających nadzoru ludzkiego (np. generowanie projektu decyzji administracyjnej) workflow Mastra.ai wstrzymuje wykonanie i oczekuje na akceptację uprawnionego pracownika. Cała historia interakcji, wraz z logami audytowymi, jest przechowywana w MongoDB.

#Przykładowe zastosowania

Platforma w opisanej architekturze umożliwia realizację następujących scenariuszy.

Asystent obsługi mieszkańca: obywatel pyta o procedurę uzyskania pozwolenia na budowę. Agent przeszukuje bazę wiedzy urzędu (RAG na dokumentach wewnętrznych), weryfikuje aktualne przepisy przez serwer MCP ISAP i generuje krok po kroku instrukcję wraz z listą wymaganych dokumentów i właściwym wydziałem.

Wsparcie przy zamówieniach publicznych: specjalista ds. zamówień przygotowuje zapytanie ofertowe. Agent wykorzystuje szablony z bazy MongoDB, weryfikuje progi kwotowe i właściwy tryb postępowania na podstawie aktualnych przepisów, a następnie generuje szkic dokumentu do rewizji przez pracownika.

Analiza danych lokalnych: inspektor potrzebuje porównania wskaźników demograficznych gminy z danymi regionalnymi. Agent wywołuje serwer MCP dla Banku Danych Lokalnych GUS, pobiera odpowiednie szeregi czasowe i prezentuje analizę w formie ustrukturyzowanej odpowiedzi.

Przeszukiwanie literatury naukowej: pracownik przygotowujący strategię rozwoju gminy potrzebuje odwołań do badań naukowych dotyczących partycypacji społecznej. Agent wykorzystuje Polish Academic MCP do przeszukania Biblioteki Nauki i Repozytorium UJ, zwracając metadane i abstrakty publikacji.

#Wymogi regulacyjne i etyczne

Wdrożenie platformy AI w administracji publicznej musi uwzględniać ramy regulacyjne wyznaczone przez Akt w sprawie sztucznej inteligencji (AI Act). Instytucje publiczne, jako użytkownicy systemów AI, mają obowiązek przeprowadzenia klasyfikacji systemu pod kątem poziomu ryzyka. Systemy wspomagające podejmowanie decyzji administracyjnych, które wpływają na prawa lub obowiązki obywateli, kwalifikują się jako systemy wysokiego ryzyka i podlegają rozszerzonym wymogom dokumentacyjnym i nadzorczym.

Proponowana architektura adresuje te wymogi na kilku poziomach. Mechanizm human-in-the-loop w Mastra.ai zapewnia, że żadna decyzja administracyjna nie zostanie podjęta autonomicznie przez system AI — ostateczna weryfikacja zawsze pozostaje w gestii uprawnionego pracownika. Pełne logowanie interakcji w MongoDB umożliwia audyt i śledzenie źródeł informacji wykorzystanych w odpowiedziach. Modularność architektury MCP pozwala na precyzyjne kontrolowanie, do jakich danych system ma dostęp, co jest istotne z perspektywy ochrony danych osobowych i zgodności z RODO.

Kluczowym wymogiem pozostaje również przejrzystość. Obywatel korzystający z asystenta AI w urzędzie powinien być informowany, że rozmawia z systemem automatycznym, a nie z pracownikiem. Każda odpowiedź generowana przez system powinna zawierać wskazanie źródeł, na których została oparta, co jest realizowalne dzięki traceability wbudowanej w Mastra.ai.

Warto podkreślić, że instytut Nauk Prawnych PAN organizujący konferencję „Wpływ Aktu w sprawie sztucznej inteligencji na funkcjonowanie administracji publicznej" zwraca uwagę na fundamentalną różnicę między sektorem publicznym a prywatnym w kontekście wdrażania AI. Administracja publiczna działa w ramach ścisłego reżimu prawnego, w którym każda decyzja musi mieć podstawę prawną, a odpowiedzialność za jej podjęcie spoczywa na konkretnym organie lub urzędniku. System AI w tym kontekście może pełnić wyłącznie funkcję wspomagającą, nie decyzyjną.

#Wyzwania wdrożeniowe

Realizacja proponowanej platformy napotka kilka wyzwań wymagających rozwiązania.

Kompetencje techniczne stanowią pierwszą barierę. Wdrożenie systemu opartego na Mastra.ai, MongoDB i serwerach MCP wymaga zespołu z kompetencjami w zakresie TypeScript, infrastruktury chmurowej i inżynierii AI. Większość urzędów samorządowych nie dysponuje takimi zasobami wewnętrznie, co wskazuje na potrzebę współpracy z zewnętrznymi dostawcami technologicznymi lub centrami kompetencyjnymi na poziomie wojewódzkim. Ministerstwo Cyfryzacji planuje uruchomienie platformy GovTech, która ma pełnić funkcję pomostu między administracją a środowiskiem biznesowym i akademickim; tego typu inicjatywy mogą ułatwić dostęp do specjalistycznych kompetencji.

Jakość danych źródłowych jest drugą przeszkodą. Skuteczność systemu RAG zależy bezpośrednio od jakości i aktualności dokumentów, na których jest trenowany. Wewnętrzna dokumentacja urzędów — procedury, regulaminy, karty usług — często jest rozproszona, nieaktualna lub przechowywana w formatach trudnych do przetworzenia maszynowego (skany, pliki PDF bez warstwy tekstowej). Przed wdrożeniem platformy AI konieczne jest uporządkowanie zasobów informacyjnych urzędu.

Trzecie wyzwanie dotyczy akceptacji społecznej i organizacyjnej. Wprowadzenie asystenta AI do procesu obsługi obywateli wymaga odpowiedniej komunikacji zarówno wobec pracowników (którzy mogą obawiać się o swoje stanowiska), jak i wobec mieszkańców (którzy mogą nie ufać odpowiedziom generowanym przez AI). Doświadczenia COI wskazują, że kluczem jest pozycjonowanie AI jako narzędzia wspomagającego, które uwalnia czas pracowników na bardziej złożone zadania, nie jako technologii zastępującej ludzi.

#Podsumowanie

Administracja publiczna w Polsce znajduje się w punkcie, w którym wdrożenie sztucznej inteligencji przestaje być kwestią wyboru, a staje się koniecznością wynikającą zarówno z rosnących oczekiwań obywateli, jak i z polityk publicznych na poziomie krajowym i unijnym. Dotychczasowe doświadczenia — od pilotaży PLLuM w Gdyni i Łodzi po system Kaspro w administracji skarbowej — potwierdzają, że AI ma wymierny potencjał do usprawnienia procesów urzędowych.

Proponowana architektura oparta na stosie Mastra.ai, MongoDB, Assistant-ui i protokole MCP oferuje ścieżkę wdrożeniową, która jest jednocześnie technicznie wykonalna, modułowa i zgodna z wymogami regulacyjnymi. Projekt Polish Academic MCP stanowi dowód koncepcji dla warstwy integracyjnej — demonstrując, że polskie bazy danych publiczne i naukowe mogą być udostępnione modelom AI przy minimalnych kosztach infrastrukturalnych, na otwartej infrastrukturze i bez konieczności przetwarzania danych wrażliwych.

Dalsze kierunki prac powinny obejmować opracowanie dedykowanych serwerów MCP dla kluczowych rejestrów administracji publicznej (ISAP, CEIDG, KRS, BDL GUS), przeprowadzenie pilotażowego wdrożenia platformy w wybranym urzędzie samorządowym oraz ewaluację jakości odpowiedzi systemu w kontekście wymogów AI Act. Istotne jest również zbadanie możliwości wykorzystania polskich modeli językowych — PLLuM i Bielik.AI — jako alternatywy dla komercyjnych rozwiązań, co wpisywałoby się w postulat suwerenności technologicznej formułowany przez Polską Izbę Informatyki i Telekomunikacji.

Sztuczna inteligencja w administracji publicznej ma sens wówczas, gdy służy konkretnym celom — skróceniu czasu oczekiwania obywateli, redukcji błędów formalnych w dokumentacji, lepszemu wykorzystaniu danych publicznych — a nie gdy jest wdrażana jako cel sam w sobie. Zaproponowana architektura stawia te cele w centrum, traktując technologię jako narzędzie w rękach urzędników, nie jako ich zastępstwo.

#Referencje

• AI Driven, „Sztuczna inteligencja w służbie obywateli – jak wpływa na usługi cyfrowe w administracji publicznej", aidriven.pl, 2026 — dostęp 16 kwietnia 2026.
• EY Polska, „Badanie EY: Firmy w Polsce przyspieszają w dostosowaniu się do AI Act", ey.com/pl_pl, styczeń 2026 — dostęp 16 kwietnia 2026.
• Implement Consulting Group, AI LAB SGH, raport dot. potencjału AI w administracji publicznej w Polsce, 2025.
• Instytut Nauk Prawnych PAN, „Wpływ Aktu w sprawie sztucznej inteligencji na funkcjonowanie administracji publicznej", konferencja naukowa, marzec 2025 — materiały dostępne na inp.pan.pl.
• ITwiz, „Jaka powinna być strategia Polski rozwoju AI na lata 2026–2030", itwiz.pl, styczeń 2026 — dostęp 16 kwietnia 2026.
• ITwiz, „Ministerstwo Cyfryzacji ogłosiło plany na lata 2026–2027", itwiz.pl, styczeń 2026 — dostęp 16 kwietnia 2026.
• Ministerstwo Cyfryzacji, „Polityka rozwoju sztucznej inteligencji w Polsce do 2030 roku", projekt do konsultacji publicznych, 2025.
• PFR, „Mapa kompetencji AI w Polsce. Potrzeby i kierunki rozwoju", raport, 2025.
• PFR, „AI w administracji publicznej. Od strategii do wdrożenia — warsztat kompetencyjny", pfr.pl, 2026 — dostęp 16 kwietnia 2026.
• Rzeczpospolita / rp.pl, „AI w samorządzie. Jak polskie miasta wdrażają sztuczną inteligencję?", regiony.rp.pl, listopad 2025 — dostęp 16 kwietnia 2026.
• Sendyka, A., „Polish Academic MCP — zdalny serwer MCP udostępniający polskie repozytoria naukowe jako narzędzia AI", repozytorium GitHub, 2026. Dostępne: https://github.com/asterixix/polish-academic-mcp.
• Szkolenia Administracja Publiczna, „Implementacja systemów AI w administracji publicznej", szkolenia.administracjapubliczna.pl, grudzień 2025 — dostęp 16 kwietnia 2026.

#Źródła technologiczne

• Mastra.ai — The TypeScript AI Framework, https://mastra.ai — dostęp 16 kwietnia 2026.
• Assistant-ui — TypeScript/React Library for AI Chat, https://www.assistant-ui.com — dostęp 16 kwietnia 2026.
• MongoDB Atlas Vector Search, dokumentacja, https://www.mongodb.com/docs/atlas/atlas-vector-search/ — dostęp 16 kwietnia 2026.
• Model Context Protocol (MCP), specyfikacja, https://modelcontextprotocol.io — dostęp 16 kwietnia 2026.
• Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z dnia 13 czerwca 2024 r. ustanawiające zharmonizowane przepisy dotyczące sztucznej inteligencji (Akt w sprawie sztucznej inteligencji / AI Act).