Kto utrzymuje AI po wdrożeniu? Build vs Buy vs Managed Operations

Wdrożenie modelu AI to dopiero połowa drogi. Prawdziwe wyzwanie zaczyna się dzień po go-live — gdy system musi działać stabilnie, dostarczać wartość biznesową i ewoluować razem z danymi. W tym artykule rozbieramy na czynniki pierwsze trzy modele utrzymania systemów AI, porównujemy ich koszty i pomagamy podjąć decyzję: budować zespół wewnętrzny, kupić platformę SaaS czy zlecić managed operations?

Jeśli jesteś CTO lub COO firmy, która właśnie zakończyła (lub planuje) wdrożenie AI — ten przewodnik da Ci konkretne liczby, decision tree i realne porównanie kosztów na przestrzeni 12 miesięcy.

Problem, którego nikt nie omawia — co się dzieje PO wdrożeniu AI?

Branża AI consulting uwielbia mówić o wdrożeniach. Case studies, proof-of-concept, MVP, pilotaże — to wszystko brzmi ekscytująco i dobrze wygląda w prezentacjach dla zarządu. Ale jest pytanie, które konsultanci rzadko podnoszą podczas sprzedaży: kto będzie utrzymywał ten system za 6 miesięcy?

Statystyka, która powinna niepokoić

Według raportu Gartner z 2025 roku, 60% projektów AI w firmach średniej wielkości umiera w ciągu pierwszych 12 miesięcy po wdrożeniu. Nie dlatego, że technologia nie działa. Nie dlatego, że biznes nie widzi wartości. Umierają, bo nikt nie zaplanował ich utrzymania.

To zjawisko ma swoją nazwę — „AI deployment graveyard”. Firmy inwestują 200–500 tysięcy złotych w wdrożenie, cieszą się pierwszymi wynikami przez 3–4 miesiące, a potem model zaczyna tracić accuracy, infrastruktura generuje nieplanowane koszty, a zespół IT nie ma kompetencji do retreningu. System zostaje wyłączony „tymczasowo” — i nigdy nie wraca.

Trzy główne przyczyny śmierci systemów AI po wdrożeniu

Model degradation — każdy model uczenia maszynowego trenowany jest na historycznych danych. Świat się zmienia, dane się zmieniają, a model pozostaje statyczny. Bez regularnego retreningu accuracy spada systematycznie — średnio o 10–15% na kwartał w modelach predykcyjnych.

Data drift — dane wejściowe, na których model operuje w produkcji, stopniowo oddalają się od rozkładu danych treningowych. Nowe produkty, nowi klienci, zmiana sezonowości, efekty makroekonomiczne — wszystko to sprawia, że model „widzi” dane, których nigdy wcześniej nie przetwarzał.

Niekontrolowane koszty infrastruktury — GPU instances, storage, transfer danych, monitoring — comiesięczne rachunki za chmurę potrafią rosnąć o 20–40% rok do roku bez aktywnej optymalizacji. Firma, która nie monitoruje kosztów infrastruktury AI, często dowiaduje się o problemie dopiero z faktury za chmurę.

3 modele utrzymania AI

Na rynku wykrystalizowały się trzy podejścia do utrzymania systemów AI po wdrożeniu. Każde ma swoje zalety, ograniczenia i konkretny przedział kosztowy.

Build — wewnętrzny zespół ML/MLOps

Model „Build” oznacza zbudowanie dedykowanego zespołu wewnętrznego odpowiedzialnego za utrzymanie, monitoring i rozwój systemów AI. To podejście wybierają organizacje, dla których AI jest core produktem lub kluczowym wyróżnikiem konkurencyjnym.

Minimalny skład zespołu:

1× ML Engineer (senior) — retraining, feature engineering, optymalizacja modeli
1× MLOps Engineer — pipelines CI/CD, infrastruktura, monitoring
1× Data Engineer — jakość danych, ETL, data pipelines
0,5× Security/Compliance — audyty, GDPR, model governance
0,5× Engineering Manager — koordynacja, SLA, komunikacja z biznesem

Koszt miesięczny: 80 000–150 000 zł (wynagrodzenia + narzędzia + infrastruktura). W Warszawie senior ML Engineer to 25 000–40 000 zł brutto pracodawcy, MLOps Engineer — 22 000–35 000 zł.

Czas uruchomienia: 3–6 miesięcy (rekrutacja + onboarding + budowa procesów).

Buy — platforma SaaS / managed platform

Model „Buy” oznacza wykorzystanie gotowej platformy MLOps (np. Weights & Biases, MLflow managed, Databricks, Vertex AI) do automatyzacji monitoringu i retreningu. Firma kupuje narzędzie, ale nadal potrzebuje kogoś wewnętrznie, kto je obsługuje.

Koszt miesięczny: 5 000–30 000 zł (licencja platformy + 0,5–1 FTE wewnętrznie do obsługi).

Ograniczenia: platformy SaaS działają świetnie dla standardowych przypadków użycia. Ale gdy model jest customowy, dane mają specyficzną strukturę, a wymagania compliance wykraczają poza standard — zaczyna się walka z ograniczeniami platformy. Customizacja jest możliwa, ale kosztowna i czasochłonna.

Czas uruchomienia: 2–4 tygodnie (konfiguracja platformy + integracja).

Managed Ops — outsourcing utrzymania do partnera

Model „Managed Ops” oznacza przekazanie odpowiedzialności za utrzymanie systemów AI zewnętrznemu partnerowi, który zapewnia dedykowany zespół, procesy i SLA. To hybryda — firma zachowuje kontrolę strategiczną, ale operacyjne utrzymanie leży po stronie partnera.

Koszt miesięczny: 10 000–50 000 zł (w zależności od złożoności systemu i poziomu SLA).

Zalety: pełna elastyczność customizacji (partner pracuje na Twoim stacku), brak ryzyka rekrutacyjnego, szybki start, kary umowne za niedotrzymanie SLA.

Czas uruchomienia: 1–2 tygodnie (onboarding + przejęcie systemu).

Tabela porównawcza modeli utrzymania AI

Kryterium	Build (in-house)	Buy (SaaS)	Managed Ops
Koszt miesięczny	80 000–150 000 zł	5 000–30 000 zł	10 000–50 000 zł
Kontrola	Pełna	Ograniczona do możliwości platformy	Pełna (Twój stack)
Elastyczność	Maksymalna	Niska–średnia	Wysoka
Czas startu	3–6 miesięcy	2–4 tygodnie	1–2 tygodnie
Ryzyko rekrutacyjne	Wysokie	Brak	Brak
SLA z karą umowną	Brak (wewnętrzne KPI)	Zależy od dostawcy	Tak
Skalowalność	Ograniczona budżetem HR	Ograniczona planem	Elastyczna

Co wchodzi w utrzymanie systemu AI? (Checklist)

Utrzymanie systemu AI to nie tylko „patrzenie, czy działa”. To zestaw regularnych, powtarzalnych czynności, które muszą być wykonywane systematycznie — często w reżimie 24/7. Poniżej kompletna lista zadań, które składają się na profesjonalne managed operations.

Monitoring metryki modelu

Śledzenie accuracy, precision, recall, F1-score w czasie rzeczywistym
Alerting przy spadku metryki poniżej ustalonego progu (np. accuracy < 85%)
Dashboardy biznesowe — translacja metryk technicznych na KPI zrozumiałe dla zarządu
A/B testing nowych wersji modelu przed deployment do produkcji

Retraining pipeline

Automatyczny lub półautomatyczny retraining na nowych danych (tygodniowy/miesięczny)
Walidacja nowego modelu przed wdrożeniem (automated testing, canary deployment)
Wersjonowanie modeli — możliwość rollback do poprzedniej wersji w < 15 minut
Feature store management — aktualizacja i walidacja cech wejściowych

Infrastruktura

Zarządzanie compute resources (GPU/CPU scaling)
Optymalizacja kosztów chmury (right-sizing, spot instances, reserved capacity)
Backup i disaster recovery — RPO < 1h, RTO < 4h
Zarządzanie secrets, credentials, API keys rotation

Bezpieczeństwo

Monitoring podatności w zależnościach (CVE scanning)
Penetration testing endpointów inference
Model security — ochrona przed adversarial attacks, prompt injection (dla LLM)
Audit trail — logowanie wszystkich zmian w modelu i danych

Compliance i governance

Dokumentacja modelu (model cards, data sheets)
GDPR compliance — prawo do wyjaśnienia decyzji automatycznych (Art. 22)
Audyty bias i fairness — kwartalna walidacja równości traktowania
Raportowanie do regulatora (EU AI Act — od sierpnia 2026 obowiązkowe dla high-risk)

SLA i incident management

Zdefiniowane czasy reakcji (P1: 15 min, P2: 1h, P3: 4h, P4: 24h)
Runbooki dla typowych incydentów
Post-mortem po każdym poważnym incydencie
Comiesięczne raporty SLA z metrykami dostępności

Model degradation — dlaczego AI przestaje działać po 6 miesiącach?

Model degradation to największy cichy zabójca projektów AI. W przeciwieństwie do tradycyjnego software’u, który działa tak samo dobrze (lub źle) przez lata — modele ML mają wbudowaną „datę ważności”. Zrozumienie tego mechanizmu jest kluczowe dla każdego CTO zarządzającego systemami AI.

Data drift — dane się zmieniają, model nie

Data drift występuje, gdy rozkład danych w produkcji odchodzi od rozkładu danych treningowych. Przyczyny mogą być subtelne:

Sezonowość — model trenowany na danych zimowych źle radzi sobie latem
Zmiana zachowań klientów — pandemia, inflacja, nowe trendy zakupowe
Nowe produkty/usługi — model nie „widział” ich podczas treningu
Zmiany w źródłach danych — nowy system ERP, migracja CRM, zmiana formatu danych

Concept drift — zmienia się to, co model ma przewidzieć

Concept drift jest groźniejszy niż data drift, bo zmienia się sama relacja między danymi wejściowymi a wynikiem. Przykład: model przewidujący ryzyko churnu klientów trenowany przed podwyżką cen — po podwyżce zupełnie inne czynniki wpływają na rezygnację klientów.

Feedback loop degradation

W systemach, gdzie decyzje modelu wpływają na przyszłe dane treningowe, powstaje pętla sprzężenia zwrotnego. Model, który odrzuca pewną kategorię kandydatów, nigdy nie zobaczy danych o ich ewentualnym sukcesie — i jeszcze bardziej się utwierdza w błędnej decyzji.

Brak monitoringu — „nie wiesz, czego nie wiesz”

Najgorszy scenariusz to model, który degraduje w ciszy. Bez aktywnego monitoringu firma dowiaduje się o problemie dopiero, gdy biznes zaczyna tracić pieniądze — a to może trwać miesiącami.

Przykład z praktyki

Model predykcyjny popytu wdrożony w firmie produkcyjnej. Dane treningowe: 2 lata historii sprzedażowej. Wynik po wdrożeniu:

Miesiąc 1–3: accuracy 92%, oszczędności magazynowe 180 000 zł/kwartał
Miesiąc 4–6: accuracy 84% (−8pp), oszczędności spadają do 120 000 zł/kwartał
Miesiąc 7–9: accuracy 71% (−13pp od startu), model generuje więcej błędnych prognoz niż trafnych
Miesiąc 10–12: system wyłączony, powrót do ręcznego planowania

Spadek accuracy: ~15 punktów procentowych na kwartał bez retreningu. To nie wyjątek — to norma dla modeli predykcyjnych operujących na dynamicznych danych biznesowych.

Z regularnym retrainingiem (co 4–6 tygodni) ten sam model utrzymuje accuracy > 88% przez cały okres — potwierdzone w naszych wdrożeniach QCare.

Ile kosztuje BRAK utrzymania? (Ukryte straty)

Paradoks utrzymania AI polega na tym, że koszt braku utrzymania jest wielokrotnie wyższy niż koszt profesjonalnych managed operations. Firmy, które „oszczędzają” na utrzymaniu, płacą za to w sposób, który często nie jest bezpośrednio widoczny w budżecie IT.

Downtime i utrata przychodów

Gdy system AI przestaje działać poprawnie, procesy biznesowe, które od niego zależą, wracają do trybu ręcznego. Dla firmy z automatyzacją obsługi klienta (chatbot, routing zapytań) każda godzina downtime to:

Wydłużony czas odpowiedzi — spadek NPS o 5–15 punktów
Dodatkowe obciążenie zespołu — nadgodziny, wypalenie
Utracone konwersje — klienci, którzy odchodzą, bo nie dostali odpowiedzi w 5 minut

Szacunkowy koszt 1 godziny downtime systemu AI w firmie 50–200 osób: 2 000–15 000 zł (w zależności od krytyczności procesu).

Błędne predykcje — decyzje na złych danych

Gorszy od wyłączonego modelu jest model, który działa, ale podaje błędne wyniki — a organizacja tego nie wie. Przykłady realnych strat:

Model cenowy, który zaniża ceny o 12% przez 3 miesiące — strata marży: 340 000 zł
Model scoringowy, który nadmiernie odrzuca leadów — utracone przychody: 180 000 zł/kwartał
Model prognozujący popyt, który zawyża zamówienia — nadmiarowy stock: 200 000 zł zamrożonego kapitału

Compliance violations

Od sierpnia 2026 EU AI Act nakłada obowiązki dokumentacyjne i monitoringowe na systemy AI wysokiego ryzyka. Brak utrzymania compliance oznacza:

Kary administracyjne do 3% globalnego obrotu
Obowiązek wycofania systemu z rynku
Odpowiedzialność osobista zarządu (Art. 49 AI Act)

Utrata zaufania zespołu

To koszt najtrudniejszy do zmierzenia, ale realny. Gdy system AI zawodzi — zespoły operacyjne tracą zaufanie do technologii. Kolejne wdrożenie AI spotka się z oporem: „ostatnim razem też obiecywali, że zadziała”. Odbudowanie zaufania organizacji do AI po nieudanym projekcie zajmuje 12–18 miesięcy.

Łączny koszt braku utrzymania systemu AI przez 12 miesięcy w typowej firmie MSP: 300 000–800 000 zł (suma downtime, błędnych decyzji, compliance i opportunity cost).

QCare od QA10 — managed operations z SLA

QCare to usługa managed AI operations zaprojektowana specjalnie dla firm MSP, które wdrożyły systemy AI i potrzebują profesjonalnego, przewidywalnego kosztowo utrzymania — bez budowania wewnętrznego zespołu MLOps.

5 planów dopasowanych do skali

Plan	Cena miesięczna	Modele objęte	SLA uptime	Czas reakcji P1
Lite	1 800 zł	1 model	99,0%	4h
Standard	4 500 zł	do 3 modeli	99,3%	2h
Professional	8 500 zł	do 5 modeli	99,5%	1h
Business	13 000 zł	do 10 modeli	99,5%	30 min
Enterprise	18 500 zł	bez limitu	99,9%	15 min

Co wchodzi w cenę każdego planu QCare?

Monitoring 24/7 — ciągłe śledzenie metryk modelu, alerting, dashboardy dostępne dla Twojego zespołu. Nie musisz czekać na raport — widzisz stan systemu w czasie rzeczywistym.

Retraining pipeline — automatyczny lub zarządzany proces retreningu modelu na nowych danych. Częstotliwość dostosowana do dynamiki Twoich danych — od tygodniowej do miesięcznej.

SLA 99,5% uptime (plan Professional i wyższe) — gwarantowana dostępność systemu z karą umowną za niedotrzymanie. To nie marketingowa obietnica — to zobowiązanie kontraktowe.

Incident response — dedykowany zespół reagujący na incydenty w czasie określonym w SLA. Runbooki przygotowane dla Twojego systemu, eskalacja do ML Engineers w < 15 minut.

Miesięczne raporty — performance modelu, trendy data drift, rekomendacje optymalizacyjne, prognoza kosztów infrastruktury na kolejny kwartał.

Compliance support — dokumentacja modelu zgodna z EU AI Act, wsparcie w audytach, aktualizacja model cards przy każdym retreningu.

Kara umowna za niedotrzymanie SLA

QCare to jedyna na polskim rynku usługa managed AI operations z kontraktową karą umowną za niedotrzymanie SLA. Jeśli w danym miesiącu uptime spadnie poniżej gwarantowanego poziomu:

Spadek o 0,1–0,5pp → credit 10% miesięcznej opłaty
Spadek o 0,5–1,0pp → credit 25% miesięcznej opłaty
Spadek o > 1,0pp → credit 50% miesięcznej opłaty

To realne „skin in the game” — nasz interes jest zbieżny z Twoim interesem. Utrzymujemy Twój system, bo za jego awarię płacimy z własnej kieszeni.

Kiedy budować zespół wewnętrzny, a kiedy outsource?

Decyzja „Build vs Managed Ops” nie jest binarna — zależy od kontekstu organizacji. Poniżej decision tree, który stosujemy podczas konsultacji z klientami QA10.

Buduj zespół wewnętrzny, gdy:

AI jest Twoim produktem — sprzedajesz rozwiązanie oparte na AI i potrzebujesz pełnej kontroli nad IP
Budżet > 200 000 zł/miesiąc na zespół AI — masz zasoby na rekrutację, narzędzia i rozwój
Masz > 10 modeli w produkcji — skala uzasadnia dedykowany zespół
Regulacyjne wymogi wymagają pełnej internalizacji — sektor finansowy, obronny, medyczny z restrykcjami dot. dostawców zewnętrznych
AI kompetencje są Twoim moatem konkurencyjnym — utrzymanie know-how wewnątrz organizacji jest strategicznie kluczowe

Outsource do managed ops, gdy:

AI jest narzędziem operacyjnym — wspiera procesy, ale nie jest produktem
Budżet < 100 000 zł/miesiąc — nie stać Cię na pełny zespół ML/MLOps
Masz 1–5 modeli w produkcji — skala nie uzasadnia dedykowanego zespołu
Chcesz szybko zacząć — nie masz 3–6 miesięcy na rekrutację
Potrzebujesz przewidywalnych kosztów — stała opłata miesięczna zamiast zmiennych kosztów HR
Chcesz SLA z karą umowną — wewnętrzny zespół nie da Ci kontraktowego zobowiązania

Szara strefa — model hybrydowy

W praktyce wiele firm wybiera model hybrydowy: wewnętrzny Data Scientist (1 FTE) odpowiada za strategię i priorytetyzację, a operacyjne utrzymanie leży po stronie partnera managed ops. To daje kontrolę strategiczną przy niskim koszcie operacyjnym — typowy budżet: 30 000–60 000 zł/miesiąc (1 FTE + plan QCare Professional/Business).

Case study: Firma produkcyjna — QCare vs wewnętrzny zespół

Aby zilustrować różnicę kosztową między modelami, przeanalizujmy realny scenariusz firmy produkcyjnej (150 osób, 3 modele AI w produkcji: predykcja popytu, optymalizacja produkcji, quality control).

Scenariusz A: Wewnętrzny zespół (Build)

Pozycja	Koszt miesięczny	Koszt roczny
ML Engineer (senior)	35 000 zł	420 000 zł
MLOps Engineer	28 000 zł	336 000 zł
Data Engineer (0,5 FTE)	14 000 zł	168 000 zł
Narzędzia i licencje	8 000 zł	96 000 zł
Infrastruktura (GPU, storage)	12 000 zł	144 000 zł
Rekrutacja (jednorazowo, amortyzacja 12 mies.)	7 500 zł	90 000 zł
SUMA	104 500 zł	1 254 000 zł

Dodatkowe ryzyka: rotacja pracowników (średni tenure ML Engineera w Polsce — 18 miesięcy), czas na onboarding nowego członka zespołu (2–3 miesiące), brak SLA (zespół wewnętrzny nie podpisuje kontraktu z karą umowną).

Realistyczny 12-miesięczny koszt z uwzględnieniem rotacji i przestojów: ~480 000–600 000 zł (przy założeniu 1 rotacji i 2-miesięcznego vacancy gap).

Scenariusz B: QCare Professional

Pozycja	Koszt miesięczny	Koszt roczny
QCare Professional (do 5 modeli)	8 500 zł	102 000 zł
Infrastruktura (przechodzi na klienta)	10 000 zł	120 000 zł
SUMA	18 500 zł	222 000 zł

Oszczędność roczna: 258 000–378 000 zł w porównaniu z zespołem wewnętrznym.

Co zyskuje firma na QCare vs in-house?

Brak ryzyka rekrutacyjnego — nie musisz szukać ML Engineera na rynku, gdzie na 1 ofertę przypada 0,3 kandydata
SLA z karą umowną — kontraktowe zobowiązanie do 99,5% uptime
Natychmiastowy start — przejęcie systemu w 1–2 tygodnie vs 3–6 miesięcy rekrutacji
Przewidywalny budżet — stała kwota, bez niespodzianek związanych z podwyżkami, L4, rotacją
Dostęp do zespołu ekspertów — nie 1 ML Engineer, ale zespół z doświadczeniem w dziesiątkach wdrożeń

Kiedy in-house się opłaca?

Przy budżecie > 200 000 zł/miesiąc i > 10 modeli w produkcji — wewnętrzny zespół zaczyna być bardziej efektywny kosztowo. Ale dla typowej firmy MSP z 1–5 modelami AI, managed ops jest racjonalnym wyborem finansowym.

FAQ — najczęstsze pytania o utrzymanie AI

Czy mogę utrzymywać system AI samodzielnie, bez dedykowanego zespołu?

Teoretycznie tak — jeśli masz wewnętrznego Data Scientista, który wdrażał model, może on prowadzić podstawowy monitoring. W praktyce to rozwiązanie działa przez 3–6 miesięcy, po czym brak czasu (Data Scientist ma inne obowiązki) i brak procesów (retraining ad-hoc, brak runbooków) prowadzą do degradacji systemu. Utrzymanie AI wymaga systematyczności i procesów — nie tylko kompetencji technicznych.

Ile czasu zajmuje onboarding do QCare?

Standardowy onboarding trwa 5–10 dni roboczych. W tym czasie: przejmujemy dostęp do infrastruktury, dokumentujemy architekturę systemu, konfigurujemy monitoring, przygotowujemy runbooki i przeprowadzamy knowledge transfer z Twoim zespołem. Od dnia 11 system jest pod naszą opieką z pełnym SLA.

Co się stanie, jeśli chcę wrócić do utrzymania wewnętrznego?

QCare nie ma lock-in. Umowa przewiduje 30-dniowy okres wypowiedzenia, w ramach którego przeprowadzamy pełny knowledge transfer — dokumentacja, runbooki, dostępy, historię incydentów. Odchodzimy czysto, zostawiając Ci kompletny pakiet operacyjny.

Czy QCare obejmuje koszty infrastruktury (GPU, cloud)?

Nie — koszty infrastruktury cloud są rozliczane bezpośrednio między klientem a dostawcą chmury (AWS, GCP, Azure). QCare obejmuje zarządzanie tą infrastrukturą — optymalizację kosztów, skalowanie, monitoring — ale sam rachunek za compute leży po stronie klienta. Dzięki temu zachowujesz pełną transparentność kosztów i kontrolę nad dostawcą.

Czy mogę zacząć od planu Lite i przejść na wyższy?

Tak — upgrade planu jest możliwy w dowolnym momencie trwania umowy z zachowaniem ciągłości SLA. Downgrade wymaga 30-dniowego wyprzedzenia (ze względu na reorganizację zasobów po naszej stronie). Większość klientów zaczyna od planu Standard lub Professional i skaluje w miarę uruchamiania kolejnych modeli.

Podsumowanie — nie pozwól, by Twoje AI umarło po wdrożeniu

Wdrożenie systemu AI to inwestycja — często rzędu 200 000–500 000 zł. Pozwolić, by ta inwestycja straciła wartość przez brak utrzymania, to jak kupić samochód za milion złotych i nie zmieniać oleju. Technicznie możliwe — ale ekonomicznie absurdalne.

Trzy rzeczy, które powinieneś zrobić teraz:

Sprawdź, czy Twój obecny system AI ma profesjonalne utrzymanie — monitoring, retraining, SLA. Jeśli odpowiedź na którekolwiek z tych pytań brzmi „nie” — Twój system prawdopodobnie już degraduje.
Policz realny koszt — porównaj koszt zespołu wewnętrznego (80 000–150 000 zł/miesiąc) z managed operations (8 500–18 500 zł/miesiąc). Dla większości firm MSP outsourcing jest 3–5× tańszy.
Zaplanuj utrzymanie PRZED wdrożeniem — jeśli dopiero planujesz wdrożenie AI, wlicz koszt utrzymania w budżet od dnia zero. To nie opcjonalny dodatek — to integralna część projektu.

QCare od QA10 — managed AI operations z karą umowną za SLA.

Od 1 800 zł/miesiąc. Monitoring 24/7. Retraining pipeline. Incident response. Bez lock-in.

Sprawdź plany QCare →

Masz pytania o utrzymanie Twojego systemu AI? Umów bezpłatną konsultację — przeanalizujemy Twój case i zaproponujemy optymalny model utrzymania.