Firmy przez wiele miesięcy sprawdzały, co potrafi AI. Teraz rynek zaczyna liczyć rachunek. Uber przepalił roczny budżet w 120 dni. Polscy praktycy mówią, jak nie powtórzyć tego błędu – i jak wreszcie zobaczyć wartość, a nie tylko wartości na liczniku API.
To był maj, i choć Saska Kępa nie pachniała jeszcze szalonym, zielonym bzem, to San Francisco i Dolinę Krzemową przepełnił zapach spalonych tokenów. Historia będzie pamiętać ten dzień jako kamień milowy – dzień, w którym Andrew Macdonald, COO Ubera, ze szczerością dziecka wyszedł przed publiczność i powiedział (w skrócie): Wypaliliśmy w kwartał roczną pulę tokenów i szczerze? Nie wiem, czy coś z tego mamy…
Coś, co byłoby w normalnych okolicznościach memem, było jednak bardzo ważnym sygnałem w wyścigu na wdrożenia AI. Model biznesowy Ubera jest jednym z najbardziej zaawansowanych pod względem sztucznej inteligencji w Dolinie Krzemowej. Sztuczna inteligencja ustala cenę przejazdu, optymalizuje trasę oraz oferuje inne funkcje predykcyjne. Jednak, pomimo tych zaawansowanych funkcji, jeden z dyrektorów Ubera bije na alarm w związku z wydatkami tej firmy na sztuczną inteligencję. Tak oto biznesowy boom na sztuczną inteligencję wszedł w fazę brutalnej weryfikacji kosztów. Bo tajemnicą Poliszynela było, że firmy na całym świecie masowo przepalają budżety na wdrożenia AI, nie uzyskując w zamian proporcjonalnego zwrotu z inwestycji (ROI). Zainicjowany przez COO Ubera z tak brutalną szczerością temat wywołał głośną debatę o tzw. tokenmaxxingu – zjawisku bezrefleksyjnego nabijania liczników zużycia API bez jasnego przełożenia na wartość biznesową.
Case study: jak Uber przepalił roczny budżet w 120 dni
Choć dyrektor generalny Dara Khosrowshahi dumnie ogłaszał, że autonomiczne agenty piszą już ponad 10% kodu produkcyjnego firmy, za kulisami rozegrał się finansowy dramat. W grudniu wdrożono dla około 5000 programistów zaawansowane narzędzia asystenckie (m.in. Claude Code od Anthropic oraz Cursor). Chcąc przyspieszyć adopcję nowej technologii, kierownictwo popełniło kardynalny błąd: stworzyło wewnętrzne rankingi (leaderboards), w których oceniano zespoły na podstawie… intensywności korzystania z AI. Rywalizujący ze sobą inżynierowie generowali gigantyczny ruch.
I tak oto mieliśmy zjawisko niemal instant-karma na własne życzenie. Miesięczny koszt utrzymania jednego dewelopera potrafił wzrosnąć z bazowych 150 dolarów do nawet 2000 dolarów. Sam CTO Ubera, Praveen Neppalli Naga, podczas jednej, zaledwie dwugodzinnej prezentacji na żywo przepalił tokeny o wartości 1200 dolarów. A przez niekontrolowane zapytania (prompting), w kwietniu roczny budżet na AI przestał istnieć. Na koniec COO Ubera zebrał się na to słynne, szczere wyznanie na łamach podcastu Rapid Response.
„That link is not there yet” – powiedział Macdonald, tłumacząc, że nie potrafi narysować prostej linii od rosnącego zużycia tokenów do 25 procent większej liczby użytecznych funkcji dla pasażerów i kierowców. W czerwcu firma nałożyła limit 1500 dolarów miesięcznie na pracownika i narzędzie. Tokenmaxxing skończył się tam, gdzie zwykle kończą się korporacyjne eksperymenty: na slajdzie z capem (limitem kosztów) i na rozmowie o headcouncie (zatrudnieniu). W Uberze po przepaleniu rocznego budżetu nałożono twardy pułap: ok. 1500 dolarów miesięcznie na pracownika i narzędzie (Claude Code i Cursor osobno). Ponad ten limit wymagana zgoda przełożonego. Po takiej lekcji Macdonald powiedział też wprost, że przy braku wyraźnego przełożenia tokenów na więcej użytecznych funkcji dla klienta, firma musi zacząć stawiać i próbować odpowiadać na pytanie: dopłacać do tokenów czy raczej zatrudniać ludzi.
Pułapka rozliczeń pay-per-token. Dlaczego CFO tracą kontrolę
Token to jednostka rozliczeniowa modelu, nie „cały prompt”, ani nie „jeden znak”. Model nie czyta tekstu znak po znaku, ani słowo po słowie. Dzieli go na kawałki – tokeny. To mogą być: całe częste słowa (the, token); części słów (przepala + nie); znaki interpunkcyjne, spacje, fragmenty kodu. W przybliżeniu dla języka angielskiego: 1 token to mniej więcej 4 znaki, około ¾ słowa. Co ciekawe, w języku polskim z tym rozliczeniem bywa gorzej: znaki diakrytyczne i dłuższe formy często zjadają więcej tokenów niż ten sam sens po angielsku.
W fakturze za API płacisz zwykle za dwa strumienie: tokeny wejściowe – prompt, instrukcja systemowa, wklejony dokument, historia czatu, wynik narzędzia, które model znowu „czyta” – i za tokeny wyjściowe – to, co model wygeneruje (zwykle droższe od wejścia).
Dlatego jeden prompt to nie jeden token. Krótka komenda „podsumuj” to kilka tokenów. Wklejenie 20-stronicowego PDF-a do tego samego zdania to tysiące tokenów wejściowych. A agent, który w pętli odpytuje model i za każdym razem dokłada kontekst, mnoży ten licznik wielokrotnie – i to jest właśnie tokenmaxxing.
Tradycyjny model SaaS przyzwyczaił działy finansowe (CFO) do przewidywalnych opłat stałych – kupujemy 100 licencji i znamy koszt roczny. Wdrożenia generatywnej AI działają jednak jak licznik prądu czy wody. Płacimy za każdy token wejściowy (liczba znaków w prompcie) oraz wyjściowy (odpowiedź modelu), a do tego nigdy nie wiemy, czy kryjący się w naszej szafie niezbyt świadomy otoczenia i lotny agent nie zacznie biegać po osiedlu z naszym przewodem, podpinając co się da i nie zakręci się w nim jak Diabeł Tasmański. Dlatego sytuację pogarsza ewolucja AI w kierunku systemów agentowych, gdzie jeden monit użytkownika może uruchomić pętlę, w której model w nieskończoność odpytuje samego siebie, analizuje dokumenty i wywołuje zewnętrzne narzędzia. W takich warunkach koszty rosną wykładniczo w kilka sekund, a funkcja rozwiązania problemu przestaje być funkcją celu i zaczyna przypominać dyplomację, w której chodzi o to, żeby jak najdłużej zawracać głowę jak największej liczbie ważnych osób, ale nie o to, żeby rozwiązać problem.
Sprawa Ubera nie jest już tylko „anegdotą z Doliny”. Gartner w 2026 roku szacował, że agenty zużywają od 5 do 30 razy więcej tokenów na zadanie niż klasyczny chatbot. Anthropic na własnych pomiarach multiagentowego researchu podawał skromniej: pojedynczy agent około cztery razy więcej, system wielu agentów – około piętnastu. Stanisław Korwin-Kossakowski, Solution Architect i CEO GoNextStage, podsumowuje to zdaniem, które powinno wisieć nad każdym pilotażem: agenci potrafią zużyć od 4 do 15 razy więcej tokenów niż klasyczne chatboty, a koszt czasem rośnie szybciej niż liczba użytkowników.
– Realną kalkulację kosztów AI warto robić dopiero po przeprowadzeniu projektu optymalizacji zapytań – nie przed nim. Dopiero wtedy koszt odzwierciedla wartość, a nie rozrzutność niedostrojonego wdrożenia – ocenia Stanisław Korwin-Kossakowski, CEO GoNextStage.
Dolina rozczarowania, czyli moment, w którym kończy się pokaz slajdów
Firmy przez wiele miesięcy sprawdzały, co potrafi AI. Teraz rynek zaczyna liczyć koszty i wygląda na to, że wchodzimy w to, co Korwin-Kossakowski nazywa doliną rozczarowania. Pierwsze emocje opadły. Pojawiają się pytania o skalowalność, koszty i zwrot z inwestycji. A ten rachunek potrafi zaskoczyć.
Liczby z ostatnich kwartałów układają się w ten sam wzór. Autorzy raportu MIT NANDA „The GenAI Divide” (2025) – głośny i ostrożnie czytany metodologicznie – stwierdzili, że około 95 procent pilotaży generatywnej AI nie zostawiło mierzalnego śladu w Profit and Loss (zyskach i stratach, P&L). Gartner podał, że tylko 28 procent projektów AI w infrastrukturze i operacjach w pełni spełnia oczekiwania wobec ROI, a 20 procent kończy się jawną porażką; w osobnym badaniu z 2026 roku zaledwie 22 procent organizacji przeskalowało AI na wiele jednostek biznesowych. PwC odnotowało, że aż 56 procent CEO nadal nie widzi na razie ani przychodu, ani oszczędności z inwestycji w AI.
To nie znaczy, że „AI nie działa”. To znaczy, że działa tam, gdzie ktoś najpierw nazwał i zaadresował realny problem, a dopiero potem dobrał model. Nie działa też tam, gdzie organizacja kupiła licznik tokenów, a potem zaczęła szukać, do czego go podłączyć.
AI przyspiesza także błędy. Najpierw proces, potem model
Kaizen Institute od lat powtarza statystykę, która w erze agentów nabiera nowej ostrości, a która też przecież najmocniej wybrzmiała z zeszłorocznych globalnych raportów o kompletnym fiasku wdrożeń sprzed dwóch lat: 70 procent projektów transformacji cyfrowej nie osiąga zdefiniowanych celów, bo jednym z głównych powodów jest zła kolejność zmian. Firmy inwestują w sztuczną inteligencję, automatyzację czy internet rzeczy, zanim uporządkują procesy, które te technologie mają usprawnić. W efekcie nawet kosztowne wdrożenia nie muszą przekładać się na wzrost efektywności – potrafią wręcz i często jedynie sprawić, że te same błędy pojawią się szybciej i na większą skalę.
– „Technologia powinna wspierać procesy i ludzi, którzy za nimi stoją, a nie zastępować myślenie o tym, jak organizacja funkcjonuje. Procesy te powinny z zasady być dobrze zaprojektowane” – komentuje dr inż. Mariusz Bryke, CEO Kaizen Institute Poland.
Bryke opisuje cztery filary, bez których wdrożenia Industry 4.0 i 5.0 zostają tylko ładnym slajdem. Cyfryzacja nie kasuje metodologii Kaizen – wzmacnia ją. Zawsze lubiłem kwintesencję opisu tej metodologii, znanej też jako „baby steps” – nie wszystko naraz, metodycznie, a parafrazując Rafała Paczesia: „powolutku, w swoim tempie, tup-tup-tup”. Niestabilny proces podłączony do drogiego modelu generuje szum i chaos, nie wartość. Zanim pojawi się agent, trzeba wrócić do eliminacji marnotrawstwa i standaryzacji. Sukces nie jest projektem z datą kick-offu, tylko kulturą drobnych, codziennych korekt. Reguła jest staroświecka i właśnie dlatego działa: uprościć i ustandaryzować proces, zanim się go przyspieszy. W SSC/BPO oznacza to obcinanie zbędnych procedur, w IT – porządek pracy zespołów, w ochronie zdrowia – ścieżkę pacjenta, w logistyce – przepływ towarów. Dopiero na takim gruncie AI przestaje być ozdobą budżetu, albo, podobnie do green-washingu z raportowania ESG – elementem AI-washingu.
Tu wraca lekcja Klarny. W 2024 roku firma ogłosiła, że asystent AI przejął pracę około 700 etatów i dwie trzecie rozmów z klientami. Rok później prezes Sebastian Siemiatkowski przyznał, że za bardzo patrzono na koszt, a za mało na jakość obsługi. Klarna wróciła więc do rekrutacji konsultantów i obiecała, że klient zawsze będzie mógł rozmawiać z człowiekiem. Bot ma ogarniać proste, masowe sprawy. Trudne przypadki i odpowiedzialność za klienta zostają po stronie ludzi. Taniej wygenerowana zła odpowiedź to nadal zła odpowiedź – tylko szybciej traci się przez nią klienta.
Zaczynać od problemu, nie od modelu
Michał Torzewicz, Product Manager w Asseco Poland, rozbija mit, który wciąż krąży po zarządach: że sednem problemu jest samo zużycie dużej liczby tokenów. Nie jest. Sednem jest to, czy firma wie, na co je wydaje, i czy ten wydatek ma cel biznesowy. Trzeba oszacować, na ile AI redukuje koszty albo przyspiesza proces i porównać dwa scenariusze tego samego zadania: z modelem i bez. Przy czym tańszy przebieg nic nie jest wart, jeśli jakość spadnie na łeb na szyję.
Nie każde zadanie wymaga flagowego LLM-a. Czasem wystarczy znacznie prostsze narzędzie. Punktem wyjścia powinien być problem organizacji, a dopiero potem klasa modelu. Odwrotna kolejność – najpierw narzędzie, potem poszukiwanie zastosowania – to najkrótsza droga do tokenmaxxingu.
– „Warto, aby punktem wyjścia był problem biznesowy, z którym zmaga się organizacja. Następnie należy podjąć decyzję, jakiej klasy model potrzebujemy, aby go rozwiązać. To o wiele lepsze podejście niż implementacja narzędzi AI i dopiero później szukanie dla nich zastosowań – mówi Michał Torzewicz, Product Manager, Asseco Poland.
Dobrą praktyką, mówi Torzewicz, jest specjalizacja: rozwiązania dopasowane do działów, w których LLM zarządza przebiegiem procesu, a nie udaje omnibusa. Innego zestawu narzędzi potrzebuje programista, innego księgowy. W obu przypadkach da się wyłuskać powtarzalne czynności i je usprawnić. Specjalizacja sprawia, że system nie szuka za każdym razem odpowiedzi od zera – ma bazę podobnych przypadków i zestaw narzędzi. A to już przekłada się na mniejsze zużycie tokenów, zanim ktokolwiek zdąży krzyknąć o cap „poszło!”.
Paweł Górka, CIO w Bruk-Bet, wskazuje to, czego w Uberze zabrakło: najpierw program wdrożenia, a nie rozdanie narzędzi pięciu tysiącom osób. Trzeba w firmie powiedzieć wprost, czym jest AI i po co ma być używana. Potem wybrać konkretne problemy do rozwiązania i sprawdzać, czy te cele są realizowane. Codex, Claude albo inny agent trafia do ludzi dopiero ze szkoleniem z pisania poleceń i z jasnym celem, do czego to narzędzie służy.
– „Przede wszystkim mamy do wykorzystania LLM-y, których jest bardzo dużo i musimy wybrać konkretny, ale również musimy mieć na uwadze, że są również agenci AI, którzy specjalizują się w ściśle określonych funkcjach. Jeśli chcemy wdrażać Codexa, Claude lub inne to ludzie naprawdę muszą otrzymać dobre szkolenie z pisania promptów, ale przede wszystkim organizacja musi im przekazać wizję i cel w jakim mają wykorzystywać te narzędzia. Po drugie należy podzielić organizację na grupy celowane i przypisać im odpowiednie pakiety tokenów. Inne narzędzia i ilość tokenów będzie miał programista, pracownik biurowy a inne analityk finansowy. Tak samo cele wykorzystania tych agentów AI będą inne przez różne grupy docelowe, które będą miały różne cele wykorzystania. Uświadomienie, przypisanie tokenów, konkretnych agentów jak i również monitorowanie osiągniecia celów nie doprowadzi do nadmiernego wykorzystania Tokenów. Na koniec rodzi się kolejne pytanie, które z Państwem zostawię, Czy w dobie wykorzystania Agentów AI ma racje bytu robotyzacja?” – ocenia Paweł Górka, CIO w Bruk-Bet.
Nie wszyscy w firmie dostają ten sam garniec z tokenami. Programista, pracownik biura i analityk finansowy mają inne zadania, więc dostają inny limit i inne narzędzie. Ludziom trzeba powiedzieć, po co z tego korzystają, ile mogą wydać i czy cel został osiągnięty – to odwrotność tego, co zrobił Uber, gdy nagradzał zespoły za samo zużycie AI.
A czy przy agentach AI klasyczna robotyzacja procesów (RPA) ma jeszcze sens? Z pozostałych głosów wynika, że tak. Agent przydaje się tam, gdzie jest język, niepewność i wyjątek. Tam, gdzie zasada jest twarda i powtarzalna, taniej zrobi to zwykły skrypt albo robot. Tym bardziej nie ma powodu płacić najdroższym modelem za pracę, którą może wykonać zwykły skrypt.
Architektura hybrydowa: tanie tam, gdzie masowo, drogie tam, gdzie trzeba
Arkadiusz Ilgowski, CEO NATEK, opisuje ruch, który w drugiej połowie 2026 roku przestał być eksperymentem hobbystów, a stał się praktyką i polityką kosztową. Wraz z rozwojem modeli open-weight coraz więcej organizacji wdraża je we własnych albo kontrolowanych środowiskach chmurowych. Otwarte wagi wciąż mogą ustępować najlepszym modelom zamkniętym w najbardziej złożonych zadaniach, ale do automatyzacji dużej części powtarzalnych procesów – obsługi i klasyfikacji dokumentów, contact center, testowania oprogramowania, wyszukiwania wiedzy, generowania standardowych treści, back-office – ich możliwości już wystarczają.
Przy dużych wolumenach samo API OpenAI albo Anthropic nie zawsze jest ekonomicznie optymalne. Hostowane modele dają kontrolę nad kosztem, bezpieczeństwem danych i wydajnością. Modele zamknięte zostają tam, gdzie liczy się najwyższa jakość, rozumowanie, niejednorodne źródła, wyjątki albo złożona multimodalność oraz tam, gdzie skala jest zbyt mała, by budować własną infrastrukturę.
– „Najbardziej efektywnym rozwiązaniem będzie architektura hybrydowa: tańsze modele otwarte obsługują masowe i przewidywalne zadania, a modele komercyjne uruchamiane są selektywnie. Takie podejście nie musi zmniejszać liczby tokenów, ale może radykalnie obniżyć koszt ich przetwarzania” – ocenia Arkadiusz Ilgowski, CEO NATEK.
Silnym sygnałem, że rynek idzie właśnie w tę stronę, była wrześniowa decyzja Nvidii o przejęciu Hugging Face za blisko 13 miliardów dolarów. To zakład na to, że modele otwarte staną się trwałym elementem infrastruktury AI, a nie przystawką do zamkniętego API. Internalizacja modeli niesie własne koszty: cyberbezpieczeństwo, administracja chmurowa, monitoring, aktualizacje, utrzymanie. Ilgowski spokojnie zauważa, że branża IT umie sobie z tym radzić, także rękami partnerów. Ważniejsze jest coś innego: hybryda łamie monopol jednego licznika. Token przestaje być walutą jednego dostawcy.
Jak nie przepalać tokenów w napalm do nalotów dywanowych – zestaw praktyk
Z głosów ekspertów, z case’u Ubera i z tego, co widać w danych Gartnera, MIT i PwC, składa się lista zaskakująco niemodna. Nie ma w niej magicznego modelu. Jest po prostu sprawdzona, logiczna i spójna kolejność:
1. Najpierw proces, potem automatyzacja.
Ustabilizować i uprościć przepływ pracy, zanim podłączy się agenta. Automatyzacja chaosu daje szybszy chaos. Filary Brykego nie są ozdobnikiem – to warunek, żeby token w ogóle miał po co się spalać.
2. Cel biznesowy przed wyborem modelu.
Nazwać problem, porównać scenariusz z AI i bez AI, ustalić, co jest sukcesem (czas cyklu, koszt jednostkowy, jakość, ryzyko), i dopiero dobrać klasę modelu. Flagowy LLM do odczytu faktury to tylko marnotrawstwo.
3. Mierzyć wynik, nie apetyt.
Ranking zespołów według zużycia tokenów uczy złego nawyku: wygrywa ten, kto więcej pyta model, a nie ten, kto coś dostarcza. Na tablicy powinny być rzeczy, które widać w firmie: nowa funkcja, krótszy czas realizacji, mniej poprawek, załatwione sprawy. Koszt tokena ma się pojawić dopiero obok tego wyniku – ile zapłaciliśmy za jedną skończoną rzecz. Macdonald w Uberze nie umiał pokazać takiego powiązania. To nie znaczy, że u siebie też nie warto go szukać.
4. Paczki tokenów, nie wspólna studnia.
Programiści, back-office, finanse i contact center dostają różne limity, różnych agentów i różne cele. Paweł Górka nazywa to grupami celowanymi. Uber pokazał, czym kończy się jedna studnia dla pięciu tysięcy ludzi z rankingiem zużycia jako priorytetem.
5. Optymalizacja promptów zanim pojawi się budżet skalowania.
Stanisław Korwin-Kossakowski wymienia zestaw, który obniża rachunek bez obniżania jakości: tańszy model do prostych zadań, cache powtarzalnych instrukcji i szablonów, skracanie kontekstu (RAG zamiast wklejania całego dokumentu), routing zapytań. Koszt policzony przed tą pracą jest kosztem chaosu, nie kosztem AI.
6. Architektura hybrydowa.
Open-weight na wolumen i przewidywalność, modele zamknięte na rozumowanie, wyjątki i multimodalność. Arkadiusz Ilgowski podkreśla: nie musi spaść liczba tokenów, ma spaść cena ich przetworzenia i zależność od jednego API.
7. Specjalizacja zamiast jednego omnibusa.
Dedykowane rozwiązania działowe z pamięcią podobnych przypadków i własnym zestawem narzędzi. Michał Torzewicz wskazuje, że system, który nie zaczyna od zera przy każdym tickecie, jest z definicji oszczędniejszy.
8. Ludzie, jakość, właściwe narzędzie do zadania.
Narzędzie bez celu i bez szkolenia tylko kręci licznik. Klarna pokazała, czym to się kończy: na fakturze taniej, w obsłudze gorzej. Klient to wyczuwa, a strata wychodzi później. Tu pytanie o RPA warto odwrócić. Agent przydaje się, gdy sprawa jest niejednoznaczna: trzeba zrozumieć język, wyjątek, kontekst. Formularz, sztywna reguła i powtarzalne przerzucanie danych taniej zrobi zwykła automatyzacja. Nie płaci się najdroższym modelem za pracę, którą może wykonać skrypt.
Co zostaje, gdy dym opadnie
Uber nie przegrał ze sztuczną inteligencją. Na chwilę stracił nad nią kontrolę. Ta firma od lat używa modeli do wyceny kursu i układania trasy, więc problem nie leżał w algorytmie. Leżał w bodźcu, który dano ludziom: nagradzano to, ile tokenów spala zespół, a nie to, co z tej pracy zostaje. Właśnie ta część historii uczy więcej niż sam kwietniowy rachunek za przejazd Uberem, który zaskoczył sam zarząd.
Polscy praktycy mówią w gruncie rzeczy to samo. Michał Torzewicz radzi zaczynać od problemu biznesowego. Paweł Górka – dać cel, limit i kogoś, kto za to odpowiada. Mariusz Bryke radzi nie automatyzować bałaganu. Stanisław Korwin-Kossakowski poleca najpierw uporządkować zapytania, a dopiero potem liczyć całkowity koszt. Arkadiusz Ilgowski ostrzega, by nie wołać najdroższego modelu do każdej faktury. Nikt z nich nie twierdzi, że tokenów ma być jak najmniej. Twierdzą, że każdy wydatek musi być do czegoś przypisany.
Zapach spalonych tokenów nie bierze się z tego, że modele są za drogie (jeszcze). Bierze się z tego, że przez dwa sezony firmy kupowały poczucie nowoczesności, a teraz dyrektor finansowy pyta „co z tego mam?”. Tam, gdzie proces był uporządkowany, AI go przyspiesza. Tam, gdzie nie był, przyspiesza błędy, winduje bzdurne wewnętrzne rankingi, a do tego kwotę realnej faktury od dostawcy.
Saska Kępa od dawna już nie pachnie bzem. W Dolinie Krzemowej, a nawet na Wall-Street, zapach przepalonych tokenów wciąż czuć bardzo wyraźnie. Różnica nie polega na tym, u kogo firma kupuje model. Polega na tym, czy zanim wdroży narzędzie, potrafi powiedzieć, jaki problem ma ono rozwiązać i po czym pozna, że się to udało.
Maksymilian Wysocki
CZYTAJ TEŻ: Firmy wdrażają i doceniają AI, ale realne efekty mierzą tylko w ograniczonym stopniu
CZYTAJ TEŻ: Firmy wdrażają AI na złych danych. 89% miało problemy z wynikami
