Agencja badań rynku: 8 000 odpowiedzi otwartych przeanalizowanych w 2 godziny

Sytuacja wyjściowa

Klient: agencja badań rynku, 32 osoby, 4 senior researchers, 8 junior analystów. Realizuje projekty B2B (segmentacja, satysfakcja klienta, U&A) dla 60-90 klientów rocznie. Średni budżet projektu: 60-180 tys. zł.

Pytania otwarte w ankietach generowały 70-80% wartości insightów, ale ich analiza zajmowała 60-80% czasu projektu. W konkretnym projekcie (250 firm × 26 pytań otwartych = 8 000 odpowiedzi) analiza ręczna trwałaby 6 tygodni z zespołem 4 osób. Klient czekał. Konkurencja oferowała szybciej (kosztem jakości — często ograniczając się do quanta). Agencja traciła na deadline, nie na merytoryce.

Jakie procesy weszły na AI

• Kategoryzacja semantyczna odpowiedzi otwartych — AI grupuje odpowiedzi w klastry tematyczne, generuje opis każdego klastra, podaje liczbę respondentów. Researcher waliduje i ewentualnie łączy/dzieli klastry — z 8 godzinami zamiast 80.
• Wyciąganie sentymentu i intensywności — Każda odpowiedź dostaje skalę sentymentu (-1 do +1) i intensywność emocji. Pozwala wykrywać silne sygnały (skrajne zadowolenie lub frustracja) ukryte w ogólnym sentymencie.
• Generowanie cytatów reprezentatywnych — Dla każdego klastra AI wybiera 3-5 najbardziej reprezentatywnych cytatów do raportu — z dbałością o anonimizację (PII redact przez hook PreToolUse).
• Cross-tabulacja z danymi quantowymi — AI automatycznie łączy klastry odpowiedzi otwartych z segmentami demograficznymi i behawioralnymi, generując insighty typu „klienci 35-44 z branży X mówią X, podczas gdy klienci 45+ mówią Y".

Architektura rozwiązania

Stack RedAI: Claude Opus 4.7 do kategoryzacji semantycznej i generowania cytatów, embedding e5-large do klastrowania (HDBSCAN), Bielik 7B do klasyfikacji sentymentu. Wszystko on-prem w prywatnej instancji — dane respondentów (potencjalnie wrażliwe) nie wychodzą poza infrastrukturę klienta. Hook redaguje PII z każdej odpowiedzi przed klastrowaniem.

Dane klienta nie wychodzą poza prywatną instancję RedAI. Wszystkie wywołania modeli, retrieval z bazy wiedzy i operacje na systemach źródłowych logowane do audytu (NIS2, AI Act art. 12, RODO art. 32). Hooks Claude wymuszają deterministyczne kontrole uprawnień (ACL) przed każdym wywołaniem narzędzia.

Liczby i wyniki

Setup wdrożenia: 145 tys. zł (model + integracja z SurveyMonkey/Typeform + training). Opex: 9 tys. zł/mies. Korzyść: 78 tys. zł oszczędności kosztu na projekcie × 14 projektów rocznie z AI = 1,09 mln zł rocznie. Payback w 3 miesiące.

„Klient zobaczył raport 5 tygodni szybciej niż się spodziewał. Zamówił rozszerzenie projektu w tej samej rozmowie."

— Head of Research

Co dalej

Kolejna faza: generowanie pierwszej wersji raportu (executive summary) bezpośrednio przez AI, dashboardy w czasie rzeczywistym dla klientów (live tracking field study), predykcja, jakie pytania otwarte przyniosą największą wartość (research design optimization).

RedAI działa jako prywatna instancja w infrastrukturze klienta. Dane nie wychodzą poza firmę. Umówcie 30-minutowe demo — pokażemy analogiczne wdrożenie w Waszej branży i policzymy ROI na Waszych liczbach.