Jeden eksperyment, jedna zasada, która z niego wynika, i jeden rachunek, którego nikt nie pokazuje na konferencjach. Po dziesięciu minutach będziesz wiedział, co da się zrobić w Twoim gabinecie w przyszłym tygodniu, a co jest projektem na dwa lata.
Poniżej jest schematyczny pantomogram i dwa rodzaje modelu, które patrzą na dokładnie to samo zdjęcie. Jeden z nich to model, którego pewnie już używasz. Drugi to model zbudowany do tego konkretnego zadania.
Przełącz i zobacz, co każdy z nich zwraca. Cała reszta tego tekstu wynika z tej jednej różnicy.
Co jest mierzone: odległość od połączenia szkliwno-cementowego do brzegu kostnego. Fizjologicznie to około 2 mm, wartości wyraźnie większe wskazują na utratę kości.
Model ogólny nie jest głupi. On po prostu odpowiada zdaniem, bo zdanie jest wszystkim, co potrafi zwrócić. Model dedykowany zwraca liczbę przy każdym zębie, i dopiero z takiej liczby da się zbudować kryterium: ubytek przy co najmniej dwóch niesąsiadujących zębach.
Zapamiętaj to zdanie, bo przez resztę tekstu będzie wracać: o wartości modelu decyduje to, co ma na wyjściu, a nie to, jak mądrze brzmi.
To jest cały pojęciowy węzeł, który blokuje większość rozmów o AI, zanim się zaczną. Ludzie mówią "sztuczna inteligencja", mając na myśli cztery zupełnie różne narzędzia, tak jakby mówić "sprzęt medyczny" o skalerze i o tomografie.
Popatrz na te cztery rodziny przez to samo pytanie: co przyjmuje, co zwraca.
Reguła kciuka: zdjęcie na wejściu przyjmują trzy z tych rodzin i każda zrobi z nim coś zupełnie innego. Dlatego pytanie "czy AI to zrobi" nie ma odpowiedzi, dopóki nie powiesz, co ma być na wyjściu.
To jest jedyna wiedza teoretyczna, jakiej potrzebujesz. Od tej chwili każdą ofertę, którą ktoś Ci przyniesie, umiesz sprawdzić jednym pytaniem: co ten model dostaje i co dokładnie zwraca. Jeśli sprzedawca odpowiada na to ogólnikami, rozmowa jest skończona.
Tu przychodzi część, której nie pokazują na konferencjach. Model wizyjny nie uczy się ze zdjęć. Uczy się z opisanych zdjęć, a opis produkuje człowiek, który wie, na co patrzy.
Cztery tysiące zdjęć w archiwum brzmi jak przewaga. Przesuń oba suwaki i zobacz, ile ta przewaga naprawdę kosztuje, i w jakiej walucie.
Skąd te liczby: czasy opisu (2, 5 i 14 minut na zdjęcie) to mój własny szacunek, oparty na tempie oznaczania punktów przy każdym zębie. Publikowanych danych o czasie anotacji zdjęć stomatologicznych nie znalazłem i nie udaję, że istnieją. Skuteczność też jest szacunkiem rzędu wielkości, zakotwiczonym w literaturze: przegląd systematyczny 30 prac daje zbiorczo czułość 87 procent, swoistość 76 i dokładność 84, a najlepszy opublikowany wynik to AUROC 94,2 procent (npj Digital Medicine, 2025), przy modelu uczonym na 10 881 zdjęciach panoramicznych i testowanym w czterech ośrodkach. Wielkości zbiorów w publikowanych pracach wahają się od 85 do ponad 12 000 zdjęć.
Zwróć uwagę, który suwak naprawdę rusza wynikiem. Podwojenie liczby zdjęć pomaga trochę. Zmiana sposobu opisu przesuwa go znacznie mocniej, a płaci się za nią godzinami lekarza. To jest prawdziwy budżet takiego projektu i dlatego tak wiele z nich kończy się na etapie wniosku: pieniądze były policzone, godziny nie.
I jeszcze jedno, co przewraca projekty na końcu, a nie na początku: status prawny danych trzeba ustalić, zanim cokolwiek wyjdzie z gabinetu. Zdjęcie rentgenowskie pacjenta to dane zdrowotne, więc albo są skutecznie zanonimizowane i przestają być danymi osobowymi, albo zostają nimi i wtedy potrzebna jest podstawa prawna oraz umowa powierzenia z dostawcą chmury. Obie drogi są przejezdne, ale wybór między nimi jest decyzją na początek, nie po pierwszym treningu. Piszę o tym osobno w tekście o RODO a AI w firmie.
A skoro o budżecie: jest jedno pytanie, o które ludzie spierają się godzinami, choć jest tanie i ma jednoznaczną odpowiedź.
Założenia, sierpień 2026: stacja robocza z kartą klasy zawodowej około 55 000 zł, bo sama karta RTX 6000 Ada kosztuje dziś w polskich sklepach 35 do 38 tysięcy, amortyzowana przez 3 lata, plus około 250 zł miesięcznie na prąd i utrzymanie. Wynajem karty klasy A100 to około 1,50 dolara za godzinę, czyli mniej więcej 5 zł przy kursie 3,70; tańsze karty schodzą do 3 zł, mocniejsze idą powyżej 7.
Odpowiedź jest zawsze ta sama: wynająć, bo taki projekt pracuje zrywami i własny sprzęt stoi przez większość miesiąca. Warto to zapamiętać głównie po to, żeby przestać o tym rozmawiać. Sprzęt to jest kilka tysięcy złotych. Opisywanie zdjęć to są setki godzin lekarza. Dyskusja zwykle toczy się o tę tańszą połowę.
Do tej pory czytałeś o projekcie na dwa lata. Teraz odwrócę perspektywę, bo rzeczy, które realnie oszczędzają czas w gabinecie w przyszłym tygodniu, wyglądają zupełnie inaczej.
Weźmy coś, co brzmi jak magia: konto, na którym same pojawiają się opisy przypadków. Ludzie pytają, czy ChatGPT sam się tam loguje. Nie loguje się. To jest łańcuch prostych ogniw, z których każde robi jedną rzecz, a człowiek jest potrzebny tylko na samym początku.
Zwróć uwagę na ogniwo zero i ogniwo pięć. Pierwsze jest jedynym, które wymaga lekarza. Ostatnie to zwykły skrypt, ten sam rodzaj programu, który wysyła Ci przypomnienia o wizytach. Cała reszta to modele, które dostają coś na wejściu i oddają coś na wyjściu, dokładnie jak w zasadzie z drugiej sekcji.
Zauważ, co z tego wynika. Jeśli cały łańcuch jest automatyczny poza pierwszym ogniwem, to jakość wyniku jest ustalana w tych kilkudziesięciu sekundach, w których coś mu dajesz. Nic dalej tego nie naprawi.
Przesuń suwak i zobacz ten sam post napisany przy różnym wkładzie. To jest realna decyzja: ile sekund po wizycie chcesz na to poświęcić.
Tu jest cała tajemnica: nie da się mieć jednocześnie zerowego wkładu i dobrego wyniku, ale da się przenieść wkład tam, gdzie i tak już jesteś. Trzydzieści sekund mówienia do telefonu w drodze z gabinetu to nie jest nowa praca. Pisanie posta wieczorem to jest nowa praca.
To samo dotyczy dyktowania kart, przypomnień, odpowiedzi na wiadomości i wszystkiego innego, co ktoś Ci sprzeda jako automatyzację. Zawsze sprowadza się do tego samego pytania: co mu dajesz i ile Cię to kosztuje w sekundach.
Ta obawa jest słuszna i warto wiedzieć, kiedy dokładnie się materializuje. Model tekstowy potrafi brnąć w bzdurę i brzmieć przy tym pewnie. Ale to jest problem otwartej rozmowy, w której model sam decyduje, co zrobić dalej.
W łańcuchu z poprzednich sekcji tego nie ma. Model wizyjny dostaje jedno zdjęcie, zwraca liczby i kończy. Nie ma gdzie się zapętlić, bo nie ma wątku. To nie jest przypadek, to jest sposób projektowania: łańcuch krótkich, sprawdzalnych kroków zamiast jednej długiej rozmowy.
I dlatego w każdym sensownym rozwiązaniu medycznym ostatnie słowo ma lekarz. Nie jako uprzejmość wobec zawodu, tylko jako element konstrukcji. Warto zresztą wiedzieć, że nawet najlepszy model liczący piksele daje przesłankę, a nie rozpoznanie: klasyfikacja z 2017 roku opiera stopniowanie przede wszystkim na klinicznej utracie przyczepu, a obraz radiologiczny wchodzi tam, gdzie pomiaru klinicznego nie ma.
Wszystko powyżej sprowadza się do jednej decyzji: od którego końca zacząć. Kolejność poniżej idzie od najtańszego do najdroższego, bo dwa pierwsze kroki dają Ci wyczucie, którego nie kupisz w żadnej ofercie.
Robię wdrożenia AI w małych i średnich firmach: automatyzacje, systemy agentowe, rzeczy, które odejmują powtarzalną pracę zamiast dokładać kolejne narzędzie. Prowadzę też warsztaty dla zespołów, po których wiadomo, co da się zbudować, a co jest kosztowną obietnicą.
Zaczynamy zwykle od krótkiej rozmowy o tym, gdzie w Waszym tygodniu siedzi powtarzalna praca.
Napisz do mnie