CustomGPTs - jak stworzyć własnego asystenta AI dla firmy bez kodowania

Pierwszy CustomGPT, który zbudowałem, był katastrofą. Spędziłem 3 godziny na pisaniu instrukcji, dodałem 20 plików PDF, uruchomiłem z dumą. Po 10 minutach rozmowy agent zaczął halucynować procedury, które nie istniały, ignorował połowę wiedzy i robił rzeczy, których mu zabroniłem. Dlaczego? Bo myślałem, że wystarczy wrzucić pliki i napisać "bądź pomocny". Myliłem się.

W tym artykule pokażę Ci, jak zbudować CustomGPT, który realnie działa - od struktury instrukcji, przez wiedzę, po integracje z zewnętrznymi systemami. Plus wady i ograniczenia, bo OpenAI świetnie sprzedaje wizję, a gorzej z nią w praktyce.

Czytanie: ~10 min

Czym są CustomGPT (i czym nie są)

CustomGPTs to funkcja ChatGPT, która pozwala stworzyć własną wersję asystenta. Bez kodowania, przez interfejs webowy. OpenAI zaprezentowało to w listopadzie 2023 roku na DevDay, od tamtej pory GPT Store zawiera miliony gotowych agentów.

Idea jest prosta: zamiast pisać tę samą instrukcję do ChatGPT przy każdej rozmowie, konfigurujesz agenta raz. On pamięta kontekst, ma dostęp do Twojej wiedzy, zachowuje się tak, jak chcesz. Dostępny pod adresem URL, do udostępnienia zespołowi albo klientom.

Czym CustomGPT nie jest:

Nie jest aplikacją webową (nie postawisz na nim produktu SaaS)
Nie jest botem na stronę WWW (do tego potrzebujesz API + własnego UI)
Nie jest pełnoprawnym systemem RAG (to RAG w uproszczonej formie, z limitami)
Nie jest agentem autonomicznym (nie podejmuje decyzji poza swoim oknem kontekstu)

To rozszerzona wersja ChatGPT, zoptymalizowana pod konkretne zadanie. Warto o tym pamiętać, bo marketingowa retoryka OpenAI czasem sugeruje więcej, niż jest.

Co znajdziesz w środku - pięć elementów

CustomGPT składa się z pięciu komponentów. Warto je rozróżnić, bo każdy odpowiada za co innego.

Instructions - mózg operacji

Najważniejsza część. Instructions (instrukcja) to tekst, który mówi agentowi: kim jest, co ma robić, jak ma odpowiadać, czego unikać. To odpowiednik system promptu w API.

Bez dobrej instrukcji nawet najlepsza baza wiedzy nie pomoże. Z dobrą instrukcją - nawet bez wiedzy - agent radzi sobie dobrze w wielu przypadkach.

Struktura, która u mnie działa najlepiej:

# Rola
Jesteś asystentem działu HR firmy X.

# Zadanie
Odpowiadasz na pytania pracowników dotyczące polityk HR,
urlopów, benefitów, procedur onboardingowych.

# Format odpowiedzi
- Maksymalnie 3 akapity
- Zawsze podawaj źródło (nazwa dokumentu, sekcja)
- Jeśli nie wiesz - napisz "nie mam tej informacji" zamiast zgadywać

# Czego unikać
- Nie radź w sprawach prawnych (odsyłaj do prawnika)
- Nie podawaj konkretnych zarobków innych pracowników
- Nie modyfikuj treści dokumentów

Dobre instructions to te, w których masz precyzję. Nie "bądź pomocny", ale "odpowiadaj w 3 akapitach z cytatem ze źródła".

Knowledge - baza wiedzy

Knowledge to pliki, które wgrywasz. PDF, DOCX, XLSX, CSV, MD - kilkanaście formatów. Każdy plik jest automatycznie indeksowany i możliwy do wyszukiwania przez RAG (retrieval-augmented generation).

Limity (na moment pisania artykułu):

20 plików na GPT w planie Plus
100 plików w planie Team
10000 plików w Enterprise
Maksymalnie 512MB per plik

To brzmi dużo, ale w praktyce po 30-50 plikach zaczynają się kłopoty z jakością wyszukiwania. Agent czasem nie znajduje informacji, które tam są. Albo znajduje, ale nie te.

Pro tip: zamiast 50 małych PDF-ów, lepiej zrobić 5 dużych (połączonych tematycznie). Mniej szumu w wyszukiwaniu.

Capabilities - co GPT potrafi

Toggle, które włączają konkretne umiejętności:

Web Browsing - GPT może szukać informacji w internecie (przez Bing)
DALL-E Image Generation - generuje obrazy na żądanie
Code Interpreter - uruchamia kod Pythona w sandboxie (analiza danych, wykresy, obliczenia)
Vision - rozumie obrazy (analiza screenshotów, diagramów)
Voice - obsługa rozmów głosowych

Włączaj tylko to, czego realnie potrzebujesz. Każda włączona capability to koszt tokenów i ryzyko, że GPT jej użyje, gdy nie powinien.

Actions - łączenie z zewnętrznym światem

Tu robi się ciekawie. Actions to integracje z zewnętrznymi API. Konfigurujesz przez OpenAPI schema (Swagger), podajesz URL endpointu, autoryzację, metody. GPT wie, jak wywołać API i interpretować wynik.

Przykłady actions, które realnie działają:

Pobieranie danych z Twojego CRM (np. Pipedrive)
Wysyłanie powiadomień na Slack
Tworzenie zadań w Asanie albo Jirze
Odpytywanie bazy danych przez API
Sprawdzanie statusu zamówienia w e-commerce

Daje to CustomGPT supermocę - nie tylko "mówi", ale też "działa". Zamiast "powinieneś utworzyć ticket w Jirze", GPT sam go tworzy.

Konfiguracja actions wymaga trochę wiedzy technicznej (OpenAPI schema, autoryzacja). Ale dla prostych API - 30 minut roboty.

Tools - dodatkowe funkcje

Poza capabilities i actions, GPT ma dostęp do:

Data Analysis - analiza plików danych przez code interpreter
File uploads - user może w trakcie rozmowy wrzucić plik do analizy
Custom tools - przez actions

Te elementy rzadko są wystarczające do skomplikowanych przypadków, ale dla prostych workflows - wystarczą.

Jak zbudować CustomGPT w 30 minut - krok po kroku

Najprostsza ścieżka:

Zaloguj się do ChatGPT (wymagany plan Plus, Team lub Enterprise).
Kliknij "Explore GPTs" → "Create" w lewym panelu.
Wybierz tryb konfiguracji. Masz dwie opcje:

Create - builder konwersacyjny (piszesz, co chcesz, GPT sam tworzy)
Configure - manualna konfiguracja (wypełniasz pola samemu)

Dla początkujących polecam Configure. Masz pełną kontrolę nad tym, co jest.

Napisz nazwę i opis. Nazwa widoczna w GPT Store i URL-u. Opis - jednozdaniowy, co agent robi.
Wpisz Instructions. Najważniejsza część. Użyj struktury z sekcji wyżej (rola, zadanie, format, ograniczenia).
Wgraj pliki do Knowledge. Zacznij od 3-5 najważniejszych dokumentów. Testuj, dopiero potem dodawaj więcej.
Włącz capabilities. Tylko te, których potrzebujesz.
Skonfiguruj Actions (opcjonalnie). Jeśli masz API do połączenia.
Zapisz i przetestuj. W prawym górnym rogu jest "Preview". Zadawaj realne pytania, sprawdzaj odpowiedzi.
Publikuj. Trzy opcje:

Only me - tylko Ty masz dostęp
Anyone with link - każdy, kto ma URL
Public - w GPT Store, widoczny dla wszystkich

Pierwszego CustomGPT zbudujesz w 30 minut. Pierwszego dobrego CustomGPT - w kilka dni iteracji.

Do czego realnie warto używać CustomGPT w firmie

Po kilkunastu projektach wyrzeźbił mi się zestaw zastosowań, w których CustomGPT realnie sprawdza się w firmie.

HR i onboarding. Agent, który odpowiada na pytania nowych pracowników - polityki urlopowe, procedury, benefitsy, FAQ. Oszczędność czasu działu HR ogromna.

Wsparcie sprzedaży. Agent, który ma dostęp do katalogu produktów, cenników, FAQ dla handlowców. Sprzedawca pyta "jaki rabat dla klienta X przy wolumenie Y?" - dostaje odpowiedź w sekundę.

Customer service. Agent, który pomaga klientom na podstawie dokumentacji produktu. Nie zastąpi człowieka przy skomplikowanych przypadkach, ale 60-70% zapytań rozwiązuje samodzielnie.

Analiza dokumentów prawnych. Agent wgrany z precedensami, klauzulami, standardami firmy. Prawnik pyta "jak zwykle formułujemy klauzulę X?" - dostaje odpowiedź z cytatami z poprzednich umów.

Wsparcie marketingu. Agent, który ma brand voice guideline, przykłady dobrych postów, słownik zakazanych słów. Pisze copy zgodnie z tonacją marki.

Asystent analityka danych. Agent z włączonym code interpreterem, wgrany z template'ami raportów. Wrzucasz CSV, pytasz "zrób analizę trendów" - dostajesz wykres i wnioski.

Wszystkie te zastosowania mają wspólną cechę: są to zadania, w których agent ma jasny kontekst i jasne ograniczenia. CustomGPT nie sprawdza się tam, gdzie kontekst jest nieograniczony albo wymaga realnego reasoningu wielokrokowego.

CustomGPT vs Claude Projects vs Gemini Gems

Konkurencja nie śpi. Krótkie porównanie trzech podobnych rozwiązań:

CustomGPTs (OpenAI) - najdojrzalsze, największy ekosystem (GPT Store, miliony gotowych agentów), integracje Actions. Minusy: zamknięte na OpenAI, drogie dla zespołów.

Claude Projects (Anthropic) - prostsze, ale z silniejszym modelem reasoningu (Claude Sonnet/Opus). Lepsze do analizy długich dokumentów. Minusy: mniej integracji, mniejszy ekosystem.

Gemini Gems (Google) - integrują się z Google Workspace (Docs, Sheets, Drive). Minusy: słabszy reasoning niż Claude i GPT-4, ograniczone Actions.

Copilot Studio (Microsoft) - najmocniejszy w kontekście enterprise, integracja z Microsoft 365 i Teams. Minusy: złożony, wymaga licencji Microsoft.

Wybór zależy od ekosystemu, w którym pracujesz. Jeśli masz Google Workspace - bierz Gemini. Jeśli Microsoft - Copilot Studio. Jeśli mieszany - CustomGPT albo Claude Projects.

Wady i ograniczenia - co trzeba wiedzieć

Tu lista rzeczy, które OpenAI chętnie przemilcza:

Halucynacje. CustomGPT halucynuje. Czasem zmyśla informacje, które nie istnieją w Twojej bazie wiedzy. Weryfikacja konieczna, szczególnie w przypadkach krytycznych (prawo, finanse, medycyna).

Niska jakość RAG przy dużej bazie. Po 30-50 plikach jakość wyszukiwania spada. GPT czasem nie znajduje informacji, które tam są. Trzeba ograniczać liczbę plików albo łączyć je tematycznie.

Brak pełnej pamięci konwersacji. CustomGPT pamięta tylko bieżącą rozmowę. Nie pamięta, co user pytał wczoraj. Dla niektórych zastosowań (np. customer service) to bloker.

Ograniczenia actions. Actions nie wspierają streaming-u, są czasem wolne, mają limity rozmiaru. Dla intensywnych integracji API - zabójcze.

Cena. Plan Plus: 20$/miesiąc, ale z limitami. Team: 30$/user/miesiąc. Enterprise: od 60$/user. Dla zespołu 10 osób - realne pieniądze.

Brak analityki. Nie dostajesz danych o tym, jak ludzie używają Twojego CustomGPT. Co pytają, gdzie się myli, co poprawiać. Analityka jest podstawowa.

Vendor lock-in. Twój CustomGPT jest zamknięty w ekosystemie OpenAI. Nie możesz go przenieść do Claude albo Gemini. Migrujesz ręcznie (instrukcje, pliki, actions).

Mimo tych wad - CustomGPTs są dziś najszybszą drogą od pomysłu do działającego agenta AI. Jeśli masz jasne zastosowanie i skromne wymagania techniczne, zbudujesz działające rozwiązanie w dzień.

Mini case study: CustomGPT dla działu HR

Firma 200 osób, dział HR 3 osoby. Problem: te same pytania (urlopy, benefitsy, procedury) spływają codziennie. Dział HR spędza na odpowiedziach 2-3h dziennie.

Wdrożenie CustomGPT:

Instructions: rola asystenta HR, zakres tematyczny, format odpowiedzi, ograniczenia
Knowledge: 12 dokumentów (polityka urlopowa, regulamin pracy, benefitsy, FAQ, procedury on/offboarding)
Capabilities: tylko Web Browsing (do sprawdzania aktualności prawa pracy)
Actions: brak na starcie (planowane później)
Dostęp: link dla wszystkich pracowników, na intranecie

Pierwszy miesiąc:

60% zapytań do HR obsłużonych przez GPT
40% nadal wymagało człowieka (skomplikowane przypadki, konfidencjalne)
Dział HR oszczędza 2h dziennie
Pracownicy chwalą odpowiedzi 24/7

Trzy miesiące później:

Dodane Actions (integracja z systemem HR dla zgłoszeń urlopów)
Halucynacje spadły z 15% do 4% (dzięki lepszemu instructions i deduplikacji plików)
HR ma czas na strategiczne zadania zamiast na odpowiadanie na maile

ROI zamknięte w 6 tygodni. Koszt: 1 licencja Plus 20$/miesiąc.

Dobre praktyki pisania instructions

Po kilkunastu projektach wyrzeźbiłem zasady, które działają:

Bądź konkretny. Zamiast "odpowiadaj profesjonalnie" - "odpowiadaj w 2-3 akapitach, w tonie formalnym, bez potocznego języka".

Wymień, czego NIE ma agent robić. Negatywne instrukcje często ważniejsze niż pozytywne. "Nie radź w sprawach prawnych" jest ważniejsze niż "pomagaj w sprawach HR".

Zdefiniuj eskalację. Co ma zrobić GPT, gdy nie wie? "Napisz 'nie mam tej informacji' i podaj kontakt do działu HR ([email protected])".

Podawaj przykłady. Jeśli chcesz konkretny format odpowiedzi, pokaż przykład. "Pytanie: ile mam dni urlopu? Odpowiedź: Masz 26 dni urlopu w roku kalendarzowym (źródło: Polityka urlopowa, sekcja 2.1)."

Testuj na realnych pytaniach. Zbierz 20 pytań, które realnie dostaje dział HR. Po każdej zmianie instrukcji uruchom wszystkie 20 i zobacz, co się poprawiło, a co pogorszyło.

Iteruj. Pierwsza wersja instrukcji zawsze jest zła. Dopiero 5-10 iteracji daje realnie dobry efekt. To proces, nie jednorazowe zadanie.

Kiedy CustomGPT ma sens, a kiedy nie

Bierz CustomGPT, jeśli:

Masz jasne zastosowanie z określonym zakresem (HR, sales support, customer service)
Twoja wiedza mieści się w 20-50 plikach
Akceptujesz, że czasem GPT będzie się mylił
Nie potrzebujesz pełnego API i aplikacji webowej
Masz budżet 20-100$/miesiąc

Lepiej szukać czegoś innego, jeśli:

Potrzebujesz agenta na stronę WWW z brandingiem (bierz własną aplikację z API)
Twoja wiedza to setki tysięcy dokumentów (bierz Azure AI Foundry, OpenAI Assistants API albo własne RAG)
Agent musi działać autonomicznie, bez człowieka (bierz LangChain / LangGraph / Agent SDK)
Masz restrykcyjne wymagania compliance (data residency, audit logi)
Zależy Ci na analityce i optymalizacji

CustomGPT to świetne narzędzie na start. Szybkie prototypowanie, niski próg wejścia, działający efekt w dzień. Ale jak każde narzędzie - ma swoje granice. Przekraczasz je, musisz szukać czegoś mocniejszego.

Chcesz wdrożyć agenta AI w firmie - szkolenie albo wdrożenie

Jeśli czytasz ten artykuł i myślisz "brzmi fajnie, ale nie mam czasu sam tego budować" - rozumiem. CustomGPT na pierwszy rzut oka wygląda banalnie, ale zbudowanie dobrego agenta wymaga iteracji, testów, wiedzy o prompt engineeringu.

Pomagam firmom wdrożyć agenty AI - od CustomGPT, przez Claude Projects, po pełne systemy na API z RAG i integracjami. Zaczynamy od audytu zastosowań (gdzie AI realnie zaoszczędzi czas), projektujemy agenta, konfigurujemy, testujemy na realnych danych, szkolimy zespół.

Prowadzę też szkolenia z budowy CustomGPT dla zespołów - po szkoleniu Twój zespół sam buduje i iteruje agentów bez zewnętrznego wsparcia. Każde szkolenie dostosowane do Twojego stacku i zastosowań.

Jeśli masz pomysł na agenta AI albo proces, który chciałbyś zautomatyzować - napisz do mnie przez mwozniczka.net/kontakt. Powiem Ci wprost, czy CustomGPT ma sens dla Twojego przypadku, czy lepiej poszukać czegoś mocniejszego. Bez sprzedaży na siłę, bez combo ofert.