[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fuimGUuecgdKqBo6mfu3y80HM-p9XE89IjjPoEtceZkg":208,"$fWc2TiGv9v_nO8Qu9s8K_nIcVxSef6qDOtSiyYNwpRbU":235,"atoms-proxy-pointer-rag-jak-nie-utonac-w-gaszczu-relacji":332},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":213,"reviewed_by":213,"reading_time_min":217,"pillar_id":218,"author_id":222,"draft_id":229},"d6eb745e-956b-4243-b7d9-e183fa40a8c0","proxy-pointer-rag-jak-nie-utonac-w-gaszczu-relacji","article",null,"b9f128f2-85f6-4950-ad8f-a913705d7ae2","2026-08-18T07:10:04.063Z","2026-10-22T20:07:20.321Z",7,{"id":219,"name":15,"slug":220,"color_token":221},"ec013b2c-e6c4-4c31-b1ec-9587c629a169","praktyczne-zastosowania","gold",{"display_name":223,"slug":224,"bio_short":225,"social_links":226},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":227,"x":213,"github":213,"website":228},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":230,"meta_description":231,"body_mdx":232,"word_count":233,"schema_type":234},"Proxy-Pointer RAG: jak nie utonąć w gąszczu relacji","Proxy-Pointer RAG łączy wyszukiwanie wektorowe ze strukturą dokumentu. Wyjaśniamy mechanizm, wyniki benchmarku 66 pytań i ograniczenia metody.","## Czym jest Proxy-Pointer RAG?\n\nProxy-Pointer RAG to architektura wyszukiwania informacji autorstwa Parthy Sarkara, udostępniona publicznie na licencji MIT [1][2]. Nie jest klasycznym systemem graph RAG i nie rezygnuje z wyszukiwania wektorowego: korzysta z podobieństwa wektorów, ale trafione fragmenty traktuje jako wskaźniki do pełnych, strukturalnie spójnych sekcji dokumentu [1].\n\nNazwa opisuje dwa etapy pracy. Warstwa proxy wskazuje miejsce w dokumencie, które warto otworzyć. Warstwa pointer wczytuje wybraną sekcję w całości, razem z nagłówkiem i kontekstem. Model dostaje dzięki temu mniej fragmentów, ale każdy z nich jest kompletny.\n\nRepozytorium projektu opisuje trzy warianty: tekstowy, multimodalny oraz narzędzie do porównywania dokumentów [2]. To odróżnia je od wielu demonstracji RAG, które kończą się na jednym skrypcie bez zaplecza testowego.\n\n## Dlaczego zwykłe chunkowanie gubi relacje?\n\nZwykłe chunkowanie dzieli dokument po liczbie znaków, a nie po granicach sekcji. Raport, umowa albo dokumentacja tracą wtedy hierarchię i model nie widzi, do czego odnosi się dany akapit. Architektura ma temu zapobiegać przez zachowanie struktury dokumentu [3].\n\nMechanizm składa się z pięciu elementów: drzewa nagłówków, wstrzykiwania breadcrumbs, chunkowania w granicach sekcji, filtrowania szumu oraz ładowania pełnej sekcji przez metadane wskaźnika [4]. Każdy z nich odpowiada za inny rodzaj kontekstu, którego zwykły podział tekstu nie przenosi.\n\nDrugi wątek projektu dotyczy ekstrakcji encji i relacji w systemach GraphRAG. Struktura dokumentu służy tam jako filtr tego, co w ogóle warto wyodrębniać, co ogranicza pracę modelu nad fragmentami bez wartości [4]. Warstwa lokalizacji semantycznej działa więc przed kosztownym etapem budowy grafu [3].\n\n## Jak wypadają testy na dokumentach finansowych?\n\nBenchmark obejmował 66 pytań dotyczących czterech raportów rocznych 10-K: AMD, American Express, Boeinga i PepsiCo [5]. Przy pięciu fragmentach w kontekście autor raportował 66 poprawnych odpowiedzi na 66 pytań, a przy trzech fragmentach 93,9% [5]. Wynik jest wysoki, ale próba jest mała i pochodzi z zestawu przygotowanego na potrzeby projektu.\n\n| Kryterium | Wariant tekstowy | Wariant multimodalny | Narzędzie porównywania dokumentów |\n|---|---|---|---|\n| Jednostka kontekstu | sekcja dokumentu tekstowego | sekcja z tekstem i obrazami | zestawienie treści dwóch dokumentów |\n| Rola struktury | drzewo nagłówków i breadcrumbs [4] | ta sama logika wskazywania sekcji [2] | wskazywanie różnic w układzie i treści [2] |\n| Źródło opisu | repozytorium projektu [2] | repozytorium projektu [2] | repozytorium projektu [2] |\n\n## Czy ta architektura sprawdzi się w banku?\n\nBankowość jest naturalnym kierunkiem testów, bo pracuje na długich dokumentach i gęstych relacjach. Nie ma jednak potwierdzenia, że Proxy-Pointer RAG działa w którymkolwiek polskim banku. Materiały projektu dotyczą raportów finansowych firm amerykańskich oraz dokumentów kredytowych, a nie wdrożeń bankowych [5].\n\nSkala PKO Banku Polskiego pokazuje, o jakim wolumenie danych mówimy. Na koniec 2025 r. grupa raportowała prawie 12,5 mln klientów oraz ponad 8,7 mln aktywnych aplikacji IKO [6]. W 2024 r. boty przeprowadziły w banku prawie 25 mln rozmów [7]. Dla porównania raport za 2023 r. wskazywał 11,9 mln klientów, a za 2024 r. ponad 12,1 mln [8][7].\n\nPKO rozwija własne inicjatywy AI: szukAI, Copilot Chat, analizę dokumentów OCR i GenAI, platformy MLOps oraz LLMOps, modele językowe dla polskiego i analizę grafów relacji biznesowych [6][9]. To osobne, udokumentowane projekty. Nie należy ich łączyć z Proxy-Pointer RAG.\n\nŹródła nie potwierdzają też średnich typu 12 produktów, 4 kontakty i 3 oferty na klienta. Takie liczby nie mają źródła pierwotnego, definicji ani daty pomiaru, więc nie opisują realnych statystyk banku.\n\n## Jakie są ograniczenia metody?\n\nNajwiększym ograniczeniem jest skala dowodu. Benchmark obejmował cztery firmy i 66 pytań, a nie ruch produkcyjny [5]. Wynik 100% przy k=5 nie mówi, jak architektura zachowa się na dziesiątkach tysięcy zapytań dziennie.\n\nDrugie ograniczenie to zależność od jakości struktury dokumentu. Jeśli plik nie ma sensownych nagłówków, warstwa proxy nie ma czego wskazywać. Metoda zakłada też, że dokument da się podzielić na spójne sekcje.\n\nTrzecie ograniczenie dotyczy porównania z graph RAG. Zespół SII opisuje własny eksperyment i wnioski, że prostota oraz zrozumienie danych mogą być skuteczniejsze niż rozbudowa grafu [10]. Niezależne przeglądy wskazują też siedem typowych punktów porażki RAG i sposoby ich oceny [11]. Wybór architektury powinien więc wynikać z testu na własnych danych, a nie z jednego wyniku benchmarku.\n\nOsobny wątek to rozumowanie temporalne. Opis porównujący Proxy-Pointer z podejściem LLM-Wiki pokazuje, że pytania o czas i kolejność zdarzeń wymagają innego przygotowania danych niż pytania o fakty [12].\n\n## Jak zacząć sprawdzenie w swojej organizacji?\n\nPolecamy zacząć od pytań, nie od narzędzi. Zbierz 50 do 100 realnych pytań, na które odpowiedzi mają znać pracownicy lub klienci. Następnie sprawdź, ile z nich wymaga informacji rozproszonej w kilku sekcjach dokumentu. Tam struktura ma największe znaczenie.\n\nKolejny krok to audyt dokumentów. Oceń, czy pliki mają spójne nagłówki i czy da się je dzielić po sekcjach. Jeśli nie, najpierw uporządkuj konwersję i formatowanie.\n\nTrzeci krok to porównanie na tym samym zestawie pytań. Zmierz poprawność odpowiedzi, liczbę fragmentów w kontekście i koszt wywołań. Proxy-Pointer RAG testuj jako jeden z wariantów obok obecnego pipeline'u, nie jako z góry przyjęte rozwiązanie.\n\nSzerszy kontekst przejścia od pilotażu do produkcji opisujemy w artykule [Praktyczne zastosowania AI](\u002Fposts\u002Fpraktyczne-zastosowania-przewodnik). Jeśli interesują Cię same benchmarki modeli, zobacz tekst o [benchmarkach AI i OpenClaw](\u002Fposts\u002Fbenchmarki-ai-dlaczego-nvidia-postawila-na-openclaw-zamiast-kolejnego-hype-u).\n\n## Najczęstsze pytania\n\n### Czy Proxy-Pointer RAG to to samo co graph RAG?\n\nNie. Graph RAG buduje graf encji i relacji, a Proxy-Pointer RAG zostaje przy wyszukiwaniu wektorowym. Różnica polega na tym, że trafiony fragment jest tylko wskaźnikiem do pełnej sekcji dokumentu, a nie samodzielną odpowiedzią [1][3]. Struktura dokumentu zastępuje więc część pracy, którą w graph RAG wykonuje ekstrakcja relacji.\n\n### Ile dokumentów potrzeba, żeby metoda zadziałała?\n\nNie ma potwierdzonego progu. Benchmark opierał się na czterech raportach 10-K i 66 pytaniach [5]. Metoda ma sens wszędzie tam, gdzie dokumenty mają wyraźną strukturę sekcji, niezależnie od ich liczby. Przy krótkich notatkach bez nagłówków korzyść będzie mała.\n\n### Czy projekt jest darmowy?\n\nRepozytorium jest dostępne na licencji MIT, a sam kod można uruchomić lokalnie [2]. Koszty pojawiają się po stronie modelu i infrastruktury, którą trzeba utrzymać. Materiały zapowiadające projekt mówią o konfiguracji zajmującej około pięciu minut [5].\n\n### Gdzie sprawdzi się najlepiej?\n\nW długich dokumentach, które mają strukturę: raportach finansowych, umowach, dokumentacji technicznej i regulaminach [4]. W takich plikach utrata kontekstu przy chunkowaniu jest najbardziej kosztowna. Przy prostym wyszukiwaniu po identyfikatorze korzyść jest znikoma.\n\n## Źródła\n\n1. [Proxy-Pointer RAG: Achieving Vectorless Accuracy at Vector RAG Scale and Cost (Towards Data Science, 2026)](https:\u002F\u002Ftowardsdatascience.com\u002Fproxy-pointer-rag-achieving-vectorless-accuracy-at-vector-rag-scale-and-cost)\n2. [Proxy-Pointer RAG — repozytorium projektu (GitHub, 2026)](https:\u002F\u002Fgithub.com\u002FProxy-Pointer\u002FProxy-Pointer-RAG)\n3. [Proxy-Pointer RAG: Solving Entity and Relationship Sprawl in Large Knowledge Graphs (Towards Data Science, 2026)](https:\u002F\u002Ftowardsdatascience.com\u002Fproxy-pointer-rag-solving-entity-and-relationship-sprawl-in-large-knowledge-graphs\u002F)\n4. [Proxy-Pointer RAG: Eliminating Wasteful Entity & Relations Extraction in Knowledge Graphs (Towards Data Science, 2026)](https:\u002F\u002Ftowardsdatascience.com\u002Fproxy-pointer-rag-eliminating-wasteful-entity-relations-extraction-in-knowledge-graphs\u002F)\n5. [Proxy-Pointer RAG: Structure Meets Scale at 100% Accuracy with Smarter Retrieval (Towards Data Science, 2026)](https:\u002F\u002Ftowardsdatascience.com\u002Fproxy-pointer-rag-structure-meets-scale-100-accuracy-with-smarter-retrieval\u002F)\n6. [The PKO Bank Polski S.A. Group Director's Report for 2025 (PKO BP, 2026)](https:\u002F\u002Fwww.pkobp.pl\u002Fapi\u002Fpublic\u002Fb87ee713-e22e-4067-8265-a1bc819a860a.pdf?content-disposition=filename%3DThe_PKO_Bank_Polski_S.A._Group_Director%E2%80%99s_Report_for_2025_%5B.pdf%5D.pdf)\n7. [Financial results 2024 — 2024 Solid result, ready (PKO BP, 2025)](https:\u002F\u002Fwww.pkobp.pl\u002Fmedia_files\u002Ff55eec59-1f5b-47aa-99e7-c43000203599.pdf)\n8. [Business description — Annual Report PKO BP 2023 (PKO BP, 2024)](https:\u002F\u002Fraportroczny2023.pkobp.pl\u002Fen\u002Fabout-us\u002Fbusiness-description)\n9. [PKO Bank Polski S.A. Group — the #1 bank in Poland (PKO BP, 2026)](https:\u002F\u002Fwww.pkobp.pl\u002Fapi\u002Fdefault\u002F03bcfd0d-4e7d-4c4d-9dc6-08c33085b893.pdf)\n10. [Jak pokonać graph RAG-a: praktyczne zastosowanie (SII, 2026)](https:\u002F\u002Fsii.pl\u002Fblog\u002Fjak-pokonac-graph-rag-a-badawcza-ciekawosc-kontra-praktyczne-zastosowanie\u002F)\n11. [Jak zbudować niezawodny RAG: wprowadzenie do 7 punktów porażki (Unite.AI, 2026)](https:\u002F\u002Fwww.unite.ai\u002Fpl\u002Fhow-to-build-reliable-rag-a-deep-dive-into-7-failure-points-and-evaluation-frameworks\u002F)\n12. [Proxy-Pointer RAG: Temporal Reasoning Without Semantic Precompilation (Towards Data Science, 2026)](https:\u002F\u002Ftowardsdatascience.com\u002Fproxy-pointer-rag-temporal-reasoning-without-semantic-precompilation\u002F)\n",1314,"Article",[236,242,248,254,260,266,272,278,284,290,296,302,308,314,320,326],{"id":237,"slug":238,"pillar_id":239,"draft_id":240},"fad1d7ad-8fa0-43af-b45a-a0be58875324","codex-w-operacjach-biznesowych-jak-zamienic-20-godzin-pracy-w-8-minut",{"color_token":221},{"title":241},"Codex w operacjach biznesowych: jak zamienić 20 godzin pracy w 8 minut",{"id":243,"slug":244,"pillar_id":245,"draft_id":246},"15de5316-98c5-4e40-bfd7-15db1ee47fd3","codex-w-sprzedazy-jak-polskie-zespoly-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":247},"Codex w sprzedaży: jak polskie zespoły automatyzują briefy i forecasty bez kodu",{"id":249,"slug":250,"pillar_id":251,"draft_id":252},"3711d3a5-d1b6-41f0-83bf-cede7e357934","codex-w-operacjach-jak-polskie-firmy-odzyskuja-15-godzin-tygodniowo",{"color_token":221},{"title":253},"Codex w operacjach: jak polskie firmy odzyskują 15 godzin tygodniowo",{"id":255,"slug":256,"pillar_id":257,"draft_id":258},"b77317b3-6449-4e20-bcc2-40177a5635c3","debata-agentow-ai-jak-10-modeli-wygenerowalo-guardrails-za-1-3-ceny",{"color_token":221},{"title":259},"Debata agentów AI: jak 10 modeli wygenerowało guardrails za 1\u002F3 ceny",{"id":261,"slug":262,"pillar_id":263,"draft_id":264},"d0badd80-84fc-4a82-a928-d57869fbe3d7","wordpress-bez-kodowania-jak-zbudowac-strone-w-2-godziny-zamiast-20",{"color_token":221},{"title":265},"WordPress bez kodowania: jak zbudować stronę w 2 godziny zamiast 20",{"id":267,"slug":268,"pillar_id":269,"draft_id":270},"ab48fe44-3cec-4ee3-9c7a-e04587d706a4","codex-w-sprzedazy-jak-oszczedzic-10-godzin-tygodniowo-bez-pisania-kodu",{"color_token":221},{"title":271},"Codex w sprzedaży: jak oszczędzić 10 godzin tygodniowo bez pisania kodu",{"id":273,"slug":274,"pillar_id":275,"draft_id":276},"d65aeb1e-b7f5-4221-836c-4e751d758397","czy-twoje-narzedzia-ai-to-tylko-cyfrowy-smietnik-jak-przestac-placic-za-nieuzywane-zakladki",{"color_token":221},{"title":277},"Czy twoje narzędzia AI to tylko cyfrowy śmietnik? Jak przestać płacić za nieużywane zakładki",{"id":279,"slug":280,"pillar_id":281,"draft_id":282},"0c185ca8-0e4c-46c3-b06a-cb5c2d632be3","milion-zlotych-straty-przez-zmienne-z-llm-gdzie-analiza-przyczynowa-traci-grunt",{"color_token":221},{"title":283},"Milion złotych straty przez zmienne z LLM — gdzie analiza przyczynowa traci grunt",{"id":285,"slug":286,"pillar_id":287,"draft_id":288},"9a45d404-d037-405f-b9e1-4f649c1d6c72","twoj-agent-ma-72-skutecznosci-zmiana-modelu-tego-nie-naprawi",{"color_token":221},{"title":289},"LLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury",{"id":291,"slug":292,"pillar_id":293,"draft_id":294},"b1b01fdd-dab1-42b9-89e6-e8e6cb382bf6","ile-kosztuje-godzina-szkolenia-ai-nowa-metoda-liczy-to-w-8-sekund",{"color_token":221},{"title":295},"Ile kosztuje godzina szkolenia AI? Nowa metoda liczy to w 8 sekund",{"id":297,"slug":298,"pillar_id":299,"draft_id":300},"21da4438-3fa2-41e0-a7f6-1768c752628e","twoj-pilot-ai-zachwycil-zarzad-dlaczego-nigdy-nie-trafi-na-hale-produkcyjna",{"color_token":221},{"title":301},"Dlaczego pilotaż AI trafia do produkcji, ale biznes go nie widzi — 5%",{"id":303,"slug":304,"pillar_id":305,"draft_id":306},"5fa11e1e-4f17-4996-9132-df455ed2fcbc","web-search-rag-pipeline-zanim-napiszesz-kolejny-scraper-przeczytaj-o-czterech-pulapkach",{"color_token":221},{"title":307},"Web scraping dla AI: czyszczenie HTML zmniejsza tokeny",{"id":309,"slug":310,"pillar_id":311,"draft_id":312},"9607dd0d-10bf-4236-86cb-f658bad984b8","twoj-agent-ai-wlasnie-zjadl-trucizne-i-nawet-o-tym-nie-wie",{"color_token":221},{"title":313},"Twój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym",{"id":315,"slug":316,"pillar_id":317,"draft_id":318},"6f5c7a22-1999-4ee4-8abf-82ed26b88ca4","codex-w-sprzedazy-jak-polskie-firmy-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":319},"Codex w sprzedaży: jak polskie firmy automatyzują briefy i forecasty bez kodu",{"id":321,"slug":322,"pillar_id":323,"draft_id":324},"1b8f6283-ddf2-45ca-93a2-589e667f48d8","kiedy-brak-llm-gateway-zaczyna-kosztowac-mapa-decyzji-dla-operatora",{"color_token":221},{"title":325},"Lokalne modele AI vs API w chmurze: kiedy się opłaca przejść na",{"id":327,"slug":328,"pillar_id":329,"draft_id":330},"1d9444f2-f6f3-45b5-9365-57b448334476","ai-w-sprzedazy-5-zadan-ktore-przestaja-zajmowac-czas-twojemu-zespolowi",{"color_token":221},{"title":331},"AI w sprzedaży: 5 zadań, które przestają zajmować czas twojemu zespołowi",[]]