AI w ubezpieczeniach — zastosowania, koszty wdrożenia i realne korzyści w 2026

AI w ubezpieczeniach — gdzie naprawdę działa i ile to kosztuje?

Sztuczna inteligencja w ubezpieczeniach to nie futurystyczna wizja — według raportu EY z 2025 roku, aż 89% instytucji finansowych w Polsce prowadzi lub zakończyło przynajmniej jeden projekt związany z AI. Jednocześnie raport Simplifai pokazuje, że tylko 42% firm zdołało wdrożyć AI w przynajmniej jednym obszarze operacyjnym. Luka między eksperymentowaniem a realnym wdrożeniem jest ogromna.

Z mojego doświadczenia wynika, że firmy ubezpieczeniowe mają jedne z najlepszych warunków do wdrażania AI — operują na dużych zbiorach danych, mają powtarzalne procesy i wysokie koszty operacyjne. Problem? Większość projektów utyka na etapie pilotażu. W HeyNeuron widzimy to regularnie — klient przychodzi z entuzjazmem, ale brakuje mu strategii przejścia z proof of concept do produkcji. W tym artykule pokażę, gdzie AI realnie przynosi zwrot z inwestycji i jak uniknąć tak zwanej „pułapki pilota”.

Gdzie AI już zmienia branżę ubezpieczeniową

Nie każde zastosowanie sztucznej inteligencji w ubezpieczeniach jest równie wartościowe. Według raportu KPMG „Inteligentne rozwiązania w sektorze ubezpieczeń”, 60% liderów sektora deklaruje, że AI odgrywa kluczową rolę w ich produktach i usługach. Ale diabeł tkwi w szczegółach — wdrożenia, które przynoszą realne oszczędności, koncentrują się w trzech obszarach.

Obsługa roszczeń i likwidacja szkód to zdecydowanie obszar z największym ROI. Branżowe dane wskazują na nawet 68% redukcję czasu przetwarzania roszczeń po wdrożeniu automatycznej triażu. W praktyce wygląda to tak: AI analizuje zgłoszenie, klasyfikuje typ szkody, weryfikuje dokumentację fotograficzną i automatycznie kieruje sprawę do odpowiedniego likwidatora — lub w prostych przypadkach (np. stłuczka parkingowa z wyraźną dokumentacją) procesuje roszczenie w pełni autonomicznie.

Wykrywanie fraudów to drugi filar. Tradycyjne reguły biznesowe łapały może 10-15% prób wyłudzeń. Modele ML analizujące wzorce zachowań, historię klienta i korelacje między polisami osiągają skuteczność na poziomie 22% wyższą niż systemy regułowe. Allianz UK wdrożył narzędzie BRIAN, z którego korzysta ponad 260 underwriterów do oceny ryzyka w ubezpieczeniach majątkowych — wynik: szybsza wycena i mniej błędów ludzkich.

Trzeci obszar to obsługa klienta przez chatboty i voiceboty. Mówię o tym z pierwszej ręki — w HeyNeuron wdrażaliśmy chatboty i voiceboty w sektorze finansowym. Agent AI potrafi obsłużyć 70-80% standardowych zapytań: status polisy, zmiana danych, zgłoszenie szkody, pytania o zakres ochrony. Allstate w USA wdrożył AI obsługujący ponad 23 000 likwidatorów — system generuje korespondencję i podsumowania spraw automatycznie.

Konkretne zastosowania AI w firmach ubezpieczeniowych

Sztuczna inteligencja w ubezpieczeniach to nie jeden system, lecz zestaw narzędzi dopasowanych do konkretnych procesów w łańcuchu wartości. Poniżej zestawienie najważniejszych zastosowań wraz z typowym zwrotem z inwestycji.

Zastosowanie	Typowy ROI	Czas wdrożenia
Automatyczna triażu roszczeń	40-60% redukcja czasu	3-6 mies.
Wykrywanie fraudów (ML)	20-30% więcej wykrytych	4-8 mies.
Chatbot/voicebot obsługi	50-70% mniej telefonów	2-4 mies.
Dynamiczny pricing	10-25% lepsza marża	6-12 mies.
OCR dokumentów polis	80-90% automatyzacja	1-3 mies.
Predykcja rezygnacji (churn)	15-25% lepsza retencja	3-5 mies.

Warto zwrócić uwagę na OCR dokumentów — to często najszybsza ścieżka do pierwszego sukcesu. W jednym z naszych projektów system rozpoznawania dokumentów skrócił czas wprowadzania danych z polis papierowych z 12 minut do 45 sekund. Copiloty AI dla pracowników — narzędzia wspierające agentów i underwriterów — według EY oszczędzają 10-20% czasu pracy.

Dynamiczny pricing to z kolei domena bardziej zaawansowanych wdrożeń. Modele ML analizują setki zmiennych (historia jazdy, telematyka, dane pogodowe, scoring kredytowy) i w czasie rzeczywistym kalkulują składkę. Ubezpieczyciele korzystający z tego podejścia raportują 10-25% poprawę marży przy jednoczesnym utrzymaniu konkurencyjności cenowej.

Predykcja rezygnacji klientów (churn prediction) to zastosowanie, o którym mówi się rzadziej, ale ma ogromny potencjał. Pozyskanie nowego klienta ubezpieczeniowego kosztuje 5-7 razy więcej niż utrzymanie istniejącego. Model ML analizujący historię interakcji, częstotliwość roszczeń, opóźnienia w płatnościach i aktywność na portalu klienta potrafi z 2-3 miesięcznym wyprzedzeniem wskazać klientów zagrożonych rezygnacją. Dział retencji dostaje listę priorytetów zamiast działać na ślepo.

Underwriting wspomagany AI to kolejny obszar, który w Polsce dopiero raczkuje. Tradycyjny proces oceny ryzyka w ubezpieczeniach korporacyjnych zajmuje 2-4 tygodnie — analityk zbiera dane, weryfikuje dokumentację, kalkuluje scoring. AI skraca to do 2-3 dni, analizując dane finansowe firmy, historię szkodowości w branży, raporty BIK i dane geolokalizacyjne w jednym przepływie. W ubezpieczeniach komunikacyjnych podobną rolę pełnią modele telematyczne — analizują styl jazdy w czasie rzeczywistym i dostosowują składkę.

Zawsze mówię klientom: zacznij od jednego procesu. Najlepiej od takiego, który generuje najwięcej powtarzalnej pracy manualnej. W ubezpieczeniach to prawie zawsze obsługa roszczeń lub wprowadzanie danych z dokumentów.

Polskie realia — AI w sektorze ubezpieczeniowym w 2026

Polski rynek ubezpieczeniowy ma swoją specyfikę, która wpływa na tempo i kierunek adopcji AI. Z jednej strony mamy duże TU (PZU, Warta, Ergo Hestia) z budżetami na R&D i zespołami data science. Z drugiej — setki mniejszych brokerów, TPA i multiagencji, dla których „wdrożenie AI” to chatbot na stronie i automatyzacja wysyłki polis mailem.

Według raportu EY, 65% dużych i średnich firm w Polsce zakończyło lub prowadzi przynajmniej jeden projekt AI, ale w sektorze finansowym odsetek jest jeszcze wyższy — 89%. To dobra wiadomość. Gorsza jest taka, że tylko 50% wskazuje poprawę jakości obsługi jako główną korzyść, a 37,5% — redukcję kosztów operacyjnych. Innymi słowy: wdrożenia są, ale ich wpływ na wyniki biznesowe jest umiarkowany.

Specyficznym wyzwaniem w Polsce jest integracja z systemami KNF (Komisji Nadzoru Finansowego) i raportowanie regulacyjne. AI Act — unijne rozporządzenie wchodzące w życie w 2026 — nakłada dodatkowe obowiązki na systemy „wysokiego ryzyka”, a wiele zastosowań AI w ubezpieczeniach (ocena ryzyka, wycena składki, decyzje o przyznaniu ochrony) wchodzi w tę kategorię. Firmy, które zaczną przygotowania do compliance teraz, unikną kosztownych przeróbek za rok.

Dostrzegam też trend, który nazwałbym „demokratyzacją AI w ubezpieczeniach”. Gotowe narzędzia SaaS (chatboty, systemy OCR, platformy antyfraudowe) obniżają próg wejścia na tyle, że nawet 10-osobowy broker może wdrożyć AI. Nie potrzebujesz zespołu data science — potrzebujesz partnera, który zintegruje gotowe narzędzia z Twoim systemem CRM i procesami obsługi klienta.

Ile kosztuje wdrożenie AI w firmie ubezpieczeniowej

To pytanie, które słyszę od niemal każdego klienta z branży ubezpieczeniowej. Odpowiedź zależy od skali wdrożenia, ale mogę podać realne widełki na podstawie projektów, które realizowaliśmy.

Koszty wdrożenia AI w ubezpieczeniach dzielą się na trzy kategorie. Pierwsza to narzędzia gotowe (SaaS) — chatbot AI, platforma OCR, system antyfraudowy. Tu mówimy o abonamencie od 2 000 do 15 000 zł miesięcznie, w zależności od skali (liczba dokumentów, rozmów, polis). Druga kategoria to rozwiązania low-code/no-code budowane na platformach typu n8n, Make czy Zapier — koszt wdrożenia 15 000-50 000 zł plus abonament 500-3 000 zł miesięcznie. Trzecia to systemy dedykowane — własne modele ML do pricingu, zaawansowane systemy antyfraude, pełna automatyzacja łańcucha roszczeń — od 80 000 do 350 000 zł za wdrożenie.

Typ wdrożenia	Koszt jednorazowy	Koszt miesięczny
SaaS (gotowe)	5 000-20 000 zł	2 000-15 000 zł
Low-code/custom	15 000-50 000 zł	500-3 000 zł
Dedykowane ML	80 000-350 000 zł	3 000-20 000 zł

Ale uwaga — ukryte koszty potrafią podwoić budżet. Przygotowanie danych (czyszczenie, standaryzacja, ETL) to zazwyczaj 30-50% całkowitego kosztu projektu. Według KPMG, aż 72% organizacji ubezpieczeniowych wskazuje niedostateczne przygotowanie danych jako największe ograniczenie we wdrażaniu AI. Do tego dochodzą szkolenia zespołu — a z raportu EY wynika, że tylko 13% firm przeznaczyło budżet na szkolenie pracowników z zakresu AI. To jeden z głównych powodów, dla których wdrożenia nie przynoszą spodziewanych efektów.

W mojej ocenie realny budżet na pierwsze wdrożenie AI w średniej firmie ubezpieczeniowej (np. TPA, broker, mała TU) to 40 000-120 000 zł przy podejściu hybrydowym: gotowy chatbot + custom automatyzacje procesów + integracja z istniejącymi systemami.

Jak wdrożyć AI w ubezpieczeniach krok po kroku

Raport Simplifai opisuje zjawisko „pułapki pilota” — firmy ubezpieczeniowe tkwią w cyklach obiecujących eksperymentów, które pochłaniają budżety i angażują zespoły, ale nie generują trwałej wartości biznesowej. Według tego samego raportu, 99% ubezpieczycieli prowadzi projekty GenAI, ale rozwiązania działające w pełnej skali produkcyjnej wciąż należą do rzadkości.

Z mojego doświadczenia wdrożenia, które przechodzą z pilota do produkcji, mają pięć wspólnych cech. Opisuję je jako etapy, bo taka kolejność działa najlepiej.

Etap 1: Audyt procesów i identyfikacja quick wins (2-3 tygodnie). Nie zaczynaj od technologii — zacznij od mapowania procesów. Zidentyfikuj 3-5 procesów z największą liczbą manualnych, powtarzalnych kroków. W ubezpieczeniach to zazwyczaj: wprowadzanie danych z wniosków, triażu roszczeń, odpowiadanie na standardowe zapytania klientów, generowanie dokumentów.

Etap 2: Proof of Concept na jednym procesie (4-6 tygodni). Wybierz JEDEN proces z listy i zbuduj MVP. Kluczowe: mierz baseline przed wdrożeniem (ile czasu zajmuje dziś, ile kosztuje, ile błędów). Bez baseline’u nie udowodnisz ROI i projekt zginie w polityce korporacyjnej.

Etap 3: Integracja z systemami legacy (4-8 tygodni). Tu pada większość projektów. Systemy polisowe, brokerskie i likwidacyjne mają zazwyczaj stare API lub nie mają go wcale. Rozwiązanie: middleware layer (API gateway lub iPaaS) który pośredniczy między AI a legacy. W HeyNeuron budujemy takie warstwy integracyjne regularnie — to nasz core przy integracjach systemów.

Etap 4: Pilotaż z realnym zespołem (4-8 tygodni). Nie testuj AI na syntetycznych danych. Oddaj narzędzie 5-10 pracownikom do codziennej pracy. Zbieraj feedback, mierz KPI, iteruj. KPMG podaje, że tylko 19% firm ubezpieczeniowych ma w pełni zintegrowaną strategię AI — pilotaż z realnym zespołem to moment, w którym strategia weryfikuje się z rzeczywistością.

Etap 5: Scale-up i optymalizacja (ongoing). Jeśli pilot pokazał pozytywne KPI — rozszerzaj na kolejne procesy i zespoły. 67% firm ubezpieczeniowych planuje zwiększyć udział AI w budżecie — to dobry moment żeby zabezpieczyć finansowanie na scale-up.

Regulacje i compliance — o czym nie możesz zapomnieć

Branża ubezpieczeniowa jest jedną z najbardziej regulowanych. Wdrażając AI, musisz uwzględnić kilka kluczowych aspektów prawnych, które wykraczają poza standardowe wyzwania technologiczne.

Unijne rozporządzenie AI Act klasyfikuje wiele zastosowań AI w ubezpieczeniach jako „wysokiego ryzyka” — dotyczy to szczególnie systemów wpływających na decyzje o przyznaniu ochrony ubezpieczeniowej, wycenie składki czy likwidacji szkody. To oznacza obowiązek przeprowadzenia oceny wpływu, zapewnienia transparentności algorytmów i możliwości ludzkiego nadzoru nad decyzjami.

RODO i przetwarzanie danych osobowych to drugi filar. Modele ML trenowane na danych klientów (historia szkodowości, dane medyczne, scoring) wymagają precyzyjnych podstaw prawnych przetwarzania. Raport Insly podaje, że 46% ekspertów ubezpieczeniowych wskazuje kwestie transparentności regulacyjnej jako główną barierę, a 43% obawia się ryzyka naruszenia bezpieczeństwa danych.

W praktyce oznacza to, że zanim wdrożysz AI w firmie, potrzebujesz opinii prawnej i DPIA (Data Protection Impact Assessment). Koszt? Dodatkowe 10 000-30 000 zł — ale pominięcie tego kroku może kosztować wielokrotnie więcej przy kontroli KNF czy UODO.

Z mojego doświadczenia, firmy które angażują prawnika od pierwszego dnia projektu AI, oszczędzają średnio 2-3 miesiące na etapie compliance.

5 najczęstszych błędów przy wdrażaniu AI w ubezpieczeniach

Przez ostatnie lata widziałem dziesiątki projektów AI w sektorze finansowym. Te same błędy powtarzają się z zaskakującą regularnością.

Zaczynanie od zbyt ambitnego projektu. Firma chce od razu pełną automatyzację likwidacji szkód z analizą obrazu, NLP i autonomicznymi decyzjami. Po 12 miesiącach i 500 000 zł projekt umiera. Lepiej: zautomatyzuj triażu dokumentów — to 3 miesiące i 40 000 zł, a daje natychmiastowe oszczędności.
Ignorowanie jakości danych. 72% firm ubezpieczeniowych ma problem z przygotowaniem danych do AI (KPMG). Bez czystych, ustandaryzowanych danych najlepszy model ML jest bezużyteczny. Zabudżetuj na ETL i data quality minimum 30% całkowitego kosztu projektu.
Brak mierzalnych KPI przed startem. Jeśli nie zmierzysz ile czasu, ile błędów i ile kosztuje dany proces PRZED wdrożeniem AI, nie udowodnisz wartości PO wdrożeniu. Raport Simplifai podkreśla — 42% ubezpieczycieli nie śledzi żadnych metryk AI.
Pomijanie compliance i regulacji. AI Act, RODO, wytyczne KNF, rekomendacje EIOPA — branża ubezpieczeniowa ma unikalnie złożone środowisko regulacyjne. Wdrożenie chatbota bez DPIA to proszenie się o problemy. Raport EY wskazuje, że działy ryzyka i compliance często nie posiadają wystarczających kompetencji do interpretacji regulacji AI.
Brak championu biznesowego. Projekty AI sponsorowane wyłącznie przez IT giną w organizacji. Potrzebujesz menedżera biznesowego (np. dyrektora likwidacji szkód), który rozumie problem i ma budżet. Według KPMG, 85% firm traktuje AI jako źródło przewagi konkurencyjnej — ale 75% woli wstrzymać większe inwestycje do momentu stabilizacji rynku. Champion biznesowy przełamuje tę inercję.

Checklist gotowości do wdrożenia AI w ubezpieczeniach

Zanim wydasz pierwszy złotówki na AI, sprawdź czy Twoja firma jest gotowa. Ta lista opiera się na moim doświadczeniu z kilkunastu projektów w sektorze finansowym.

Zidentyfikowałeś 3 procesy do automatyzacji — z mierzalnymi KPI (czas, koszt, błędy)
Dane są czyste i dostępne — masz API lub eksport z systemu polisowego/CRM
Masz baseline operacyjny — wiesz ile czasu i kosztuje dany proces dziś
Budżet obejmuje dane i szkolenia — nie tylko licencję/development
Compliance jest zaangażowany od dnia 1 — prawnik, DPO, DPIA gotowe
Masz championa biznesowego — menedżer z budżetem i motywacją
Zespół IT zna ograniczenia legacy — wiesz jakie integracje są możliwe
Masz plan na scale-up — co po udanym pilocie? Które procesy następne?

Przyszłość AI w ubezpieczeniach — trendy 2026-2027

Branża ubezpieczeniowa wchodzi w fazę, którą analitycy nazywają „od eksperymentów do transformacji”. Trzy kierunki, na które zwracam szczególną uwagę.

Agenci AI (Agentic AI) to systemy, które samodzielnie realizują złożone zadania ubezpieczeniowe z minimalnym nadzorem ludzkim — od oceny ryzyka po obsługę roszczeń. To ewolucja chatbotów i RPA w stronę autonomicznych agentów AI. W HeyNeuron już budujemy takich agentów dla firm — ubezpieczenia będą jednym z pierwszych sektorów masowej adopcji.

Touchless Insurance — przetwarzanie prostych roszczeń w pełni automatycznie, bez udziału człowieka. Klient zgłasza szkodę przez aplikację, AI weryfikuje dokumentację fotograficzną, oblicza odszkodowanie na podstawie modelu wyceny i autoryzuje wypłatę. Cały proces trwa minuty zamiast dni. Już teraz działa to dla prostych szkód komunikacyjnych. W przyszłości obejmie też ubezpieczenia mieszkaniowe (zalania, włamania z monitoringiem) i zdrowotne (refundacja standardowych wizyt). Konsumenci są na to gotowi — według badania z 2026 roku, 46% klientów jest skłonnych pozwolić AI na wygenerowanie wyceny polisy, a 39% czuje się komfortowo ze śledzeniem statusu roszczenia przez AI.

Embedded Insurance — ubezpieczenia wbudowane w inne produkty i usługi (np. ubezpieczenie podróżne automatycznie dodawane przy zakupie biletu lotniczego, OC przy wynajmie samochodu przez aplikację). AI analizuje kontekst zakupu i dobiera odpowiednie ubezpieczenie w czasie rzeczywistym, bez udziału agenta. To model, który wymaga silnych integracji systemowych i API-first architecture.

Hiperpersonalizacja polis — składki kalkulowane w czasie rzeczywistym na podstawie danych telematycznych (styl jazdy), IoT (czujniki w domu), danych zdrowotnych (wearables). To wymaga zaawansowanego dynamic pricingu, ale firmy które go wdrożą, zyskają istotną przewagę konkurencyjną.

Warto też spojrzeć na AI w kontekście sprzedaży B2B w ubezpieczeniach. Agenci korporacyjni, którzy obsługują duże portfele klientów biznesowych, mogą korzystać z AI do automatycznego scoringu leadów, generowania ofert i personalizacji komunikacji. To jest obszar, który łączy technologię z biznesem w sposób bezpośrednio wpływający na przychody — nie tylko na redukcję kosztów.

Często zadawane pytania

Ile kosztuje wdrożenie AI w firmie ubezpieczeniowej?

Koszt zależy od skali. Gotowe narzędzia SaaS (chatbot, OCR) to 5 000-20 000 zł jednorazowo plus 2 000-15 000 zł miesięcznie. Rozwiązania dedykowane — od 80 000 do 350 000 zł za wdrożenie. Realistyczny budżet na pierwsze wdrożenie w średniej firmie: 40 000-120 000 zł.

Czy AI w ubezpieczeniach jest zgodne z RODO?

Tak, pod warunkiem przeprowadzenia DPIA, zapewnienia transparentności algorytmów i podstawy prawnej przetwarzania danych. AI Act dodatkowo wymaga oceny ryzyka dla systemów „wysokiego ryzyka”, co obejmuje wiele zastosowań ubezpieczeniowych.

Od jakiego procesu najlepiej zacząć wdrożenie AI?

Rekomenduje trzy najczęstsze punkty startu: automatyzacja OCR dokumentów (najszybszy ROI, 1-3 miesiące), chatbot obsługi klienta (2-4 miesiące) lub triażu roszczeń (3-6 miesięcy). Wybierz proces z największą liczbą powtarzalnych kroków manualnych.

Czy AI zastąpi agentów ubezpieczeniowych?

Nie w najbliższych latach. AI najlepiej sprawdza się jako wsparcie agentów — automatyzuje powtarzalne zadania (wypełnianie wniosków, porównywanie ofert, generowanie dokumentów), pozwalając agentom skupić się na relacjach z klientem i złożonych przypadkach.

Jak długo trwa wdrożenie AI w firmie ubezpieczeniowej?

Prosty chatbot lub system OCR — 1-4 miesiące. Zaawansowany system antyfraudowy lub dynamiczny pricing — 6-12 miesięcy. Pełna transformacja łańcucha wartości — 12-24 miesiące w podejściu fazowym.

Jakie dane są potrzebne do wdrożenia AI w ubezpieczeniach?

Dane zależą od zastosowania: historia roszczeń (triażu), dane klientów i polis (churn prediction), dokumentacja szkodowa z fotografiami (likwidacja), dane transakcyjne (fraud detection). Kluczowe: dane muszą być czyste, ustandaryzowane i dostępne przez API.

Czy mała firma ubezpieczeniowa (TPA, broker) może wdrożyć AI?

Tak — gotowe narzędzia SaaS demokratyzują dostęp do AI. Broker z 10-osobowym zespołem może wdrożyć chatbota na stronie za 5 000-15 000 zł i obsłużyć 50-70% standardowych zapytań automatycznie. Kluczowe to zacząć od jednego procesu zamiast próbować automatyzować wszystko naraz.

Jaki jest typowy ROI wdrożenia AI w ubezpieczeniach?

Według danych branżowych, firmy raportują 50-75% szybsze przetwarzanie roszczeń, 22% lepsze wykrywanie fraudów i do 20% redukcji kosztów operacyjnych. Typowy okres zwrotu to 6-12 miesięcy przy dobrze zaplanowanym wdrożeniu jednego procesu. Kluczowe: mierz ROI od pierwszego dnia — bez baseline’u nie udowodnisz wartości wdrożenia.

Jakie narzędzia AI są najpopularniejsze w polskich firmach ubezpieczeniowych?

W Polsce dominują trzy kategorie: chatboty i voiceboty do obsługi klienta (PZU, Warta), systemy OCR do digitalizacji dokumentów (popularne wśród TPA i brokerów) oraz platformy antyfraudowe oparte na ML. Coraz częściej widzę też wdrożenia agentów AI do automatyzacji korespondencji i triażu zgłoszeń mailowych.

Podsumowanie

AI w ubezpieczeniach to nie kwestia „czy”, ale „jak szybko i od czego zacząć”. Rynek rośnie (z $10.24 mld w 2025), 89% instytucji finansowych w Polsce już eksperymentuje z AI, a firmy, które przejdą od pilotów do produkcji, zyskają trudną do nadrobienia przewagę. Kluczowe to uniknąć „pułapki pilota” — zacząć od jednego procesu, zmierzyć baseline, zbudować MVP i dopiero potem skalować. Więcej o tym, jak sztuczna inteligencja zmienia biznes w Polsce, przeczytasz w naszym kompletnym przewodniku.

Jeśli planujesz wdrożenie sztucznej inteligencji w firmie ubezpieczeniowej i szukasz partnera technologicznego z doświadczeniem w AI, chatbotach, voicebotach i automatyzacji procesów — skontaktuj się z nami. Zaczynamy od bezpłatnej konsultacji i audytu procesów.