Data opracowania: 2026-06-17
Profil aktualności: Metaf Radar — analiza o wpływie Gaia AI Factory na polski ekosystem sztucznej inteligencji, firmy, naukę, administrację publiczną i zaplecze projektów danych.
Gaia AI Factory w Krakowie to jedna z najważniejszych informacji o polskiej sztucznej inteligencji w 2026 roku. Nie chodzi wyłącznie o kolejny superkomputer, lecz o próbę zbudowania krajowego punktu ciężkości dla projektów AI: od danych, przez moc obliczeniową, po szkolenia, doradztwo i wdrożenia.
Projekt ma budżet około 70 mln euro, czyli blisko 300 mln zł, i jest współfinansowany przez Polskę oraz Unię Europejską w ramach EuroHPC JU. Liderem konsorcjum jest Akademickie Centrum Komputerowe Cyfronet AGH, a nowy superkomputer AI ma działać w Krakowie i być zintegrowany z infrastrukturą PLGrid.
Dla osoby zainteresowanej AI w Polsce najważniejsze pytanie brzmi: czy Gaia AI Factory skróci drogę od prototypu do realnego wdrożenia? Odpowiedź zależy nie tylko od liczby GPU. Zależy też od dostępu do danych, reguł korzystania z infrastruktury, kompetencji zespołów, bezpieczeństwa informacji oraz zdolności firm i instytucji do prowadzenia projektów AI w uporządkowany sposób.
W skrócie
- Gaia AI Factory powstaje w Krakowie jako polski hub AI kierowany przez ACK Cyfronet AGH.
- Projekt ma budżet około 70 mln euro, czyli około 300 mln zł, finansowany w modelu Polska–UE w ramach EuroHPC JU.
- Sercem projektu ma być nowy superkomputer zoptymalizowany pod obciążenia AI, wyposażony w ponad tysiąc akceleratorów GPU.
- Gaia ma wspierać ochronę zdrowia, technologie kosmiczne oraz duże modele językowe.
- Fabryka AI ma być nie tylko maszyną obliczeniową, lecz także platformą usług, szkoleń, doradztwa i współpracy nauki, biznesu oraz administracji.
- Dla firm i instytucji oznacza to nowe pytania o dane, dostęp, procedury, dokumentację, sprzęt testowy, odpowiedzialność i zaplecze fizyczne projektów AI.
- Nie każdy projekt AI wymaga nowych mebli, szaf ani stref technicznych. Gdy jednak organizacja buduje zespół projektowy, laboratorium, salę szkoleniową lub strefę pracy na danych, warto zaplanować także fizyczną organizację zasobów.
Co dokładnie się wydarzyło?
W maju 2026 roku oficjalnie zainaugurowano w Krakowie projekt Gaia AI Factory. Komunikaty Ministerstwa Cyfryzacji, Ministerstwa Nauki i Szkolnictwa Wyższego, AGH, Cyfronetu oraz Krakowa wskazują, że projekt ma stać się jednym z ważnych europejskich ośrodków rozwoju zaufanej sztucznej inteligencji.
Wcześniej, 10 października 2025 roku, EuroHPC JU ogłosiło wybór sześciu kolejnych lokalizacji fabryk AI w Europie. Wśród nich znalazła się Polska z projektem Gaia AI Factory. W oficjalnym opisie wskazano, że projekt ma przyspieszyć rozwój i adopcję zaawansowanych technologii AI w Polsce, obejmując rozbudowę infrastruktury, dostęp do wielkoskalowych repozytoriów danych oraz rozwój kompetencji.
Najważniejsze elementy ogłoszenia:
| Obszar | Potwierdzona informacja | Dlaczego to ma znaczenie |
|---|---|---|
| Lokalizacja | Kraków, ACK Cyfronet AGH | Wzmacnia pozycję Krakowa jako ośrodka obliczeń wielkiej skali, danych i AI. |
| Lider | Akademickie Centrum Komputerowe Cyfronet AGH | Projekt jest osadzony w instytucji, która już obsługuje krajową infrastrukturę superkomputerową i PLGrid. |
| Budżet | Około 70 mln euro, czyli blisko 300 mln zł | To skala wykraczająca poza typowy projekt badawczy; obejmuje infrastrukturę i ekosystem usług. |
| Finansowanie | Polska i Unia Europejska w ramach EuroHPC JU | Gaia wpisuje się w europejską politykę budowania mocy obliczeniowej i suwerenności technologicznej. |
| Infrastruktura | Nowy superkomputer AI z ponad tysiącem akceleratorów GPU | Dostęp do dużej liczby GPU jest krytyczny dla trenowania i testowania modeli. |
| Integracja | PLGrid | Użytkownicy mają korzystać z infrastruktury przez znane środowisko obliczeniowe. |
| Priorytety | Zdrowie, sektor kosmiczny, duże modele językowe | Projekt nie jest ogólnym hasłem „AI dla wszystkiego”; ma wskazane domeny strategiczne. |
Dlaczego Gaia AI Factory jest ważna dla AI w Polsce?
Polski rynek AI ma kompetencje, zespoły badawcze i firmy tworzące dobre produkty, ale w wielu przypadkach brakuje mu dostępu do dużej, przewidywalnej infrastruktury obliczeniowej. To ograniczenie szczególnie widoczne przy trenowaniu modeli, przetwarzaniu dużych zbiorów danych, pracy na obrazowaniu medycznym, symulacjach, danych satelitarnych i dużych modelach językowych.
Gaia AI Factory ma odpowiadać na trzy problemy naraz:
- Moc obliczeniowa — czyli dostęp do infrastruktury, której nie da się łatwo kupić ani utrzymać w małej firmie, instytucie lub jednostce administracji.
- Dane i repozytoria — ponieważ AI bez danych pozostaje prototypem, a nie narzędziem wdrożeniowym.
- Kompetencje i usługi — bo samo udostępnienie GPU nie rozwiązuje problemu przygotowania danych, walidacji modeli, bezpieczeństwa i wdrożenia.
To odróżnia fabrykę AI od samego superkomputera. W praktyce użytkownik potrzebuje nie tylko miejsca, gdzie uruchomi obliczenia. Potrzebuje ścieżki: pomysł → dane → model → test → wdrożenie → utrzymanie → odpowiedzialność.
Oś czasu: od wyboru projektu do inauguracji
| Data | Wydarzenie | Znaczenie dla czytelnika |
|---|---|---|
| 30 października 2024 | Rząd poinformował o 69,6 mln zł na wcześniejszy projekt Fabryki AI realizowany przez Cyfronet AGH. | To ważny kontekst, ale nie należy mieszać tej kwoty z budżetem Gaia AI Factory. |
| 10 października 2025 | EuroHPC JU wybrało sześć kolejnych AI Factories, w tym polską Gaia AI Factory. | To moment europejskiej decyzji o projekcie Gaia. |
| 10 października 2025 | Ministerstwo Cyfryzacji i MNiSW poinformowały o projekcie za około 70 mln euro. | Tu pojawia się główna kwota: około 300 mln zł. |
| 1 maja 2026 | Karta projektu OPI PIB wskazuje rozpoczęcie zakresu projektowego. | To potwierdza wejście projektu w fazę realizacyjną, choć dane finansowe OPI dotyczą zakresu tej instytucji, nie całego budżetu 70 mln euro. |
| 11 maja 2026 | W Krakowie zainaugurowano Gaia AI Factory. | To najlepsza data wydarzenia dla analizy o uruchomieniu projektu. |
| 15 maja 2026 | Kraków.pl opublikował lokalny komunikat o uruchomieniu projektu. | Pokazuje znaczenie Gaia dla Krakowa jako ośrodka technologicznego. |
Czego nie należy mylić: 69,6 mln zł i 300 mln zł
W komunikacji o polskich fabrykach AI pojawiają się dwie kwoty, które łatwo pomylić.
Pierwsza to 69,6 mln zł z 2024 roku, związane z wcześniejszym wsparciem projektu Fabryki AI realizowanego przez Cyfronet AGH. Druga to około 70 mln euro, czyli blisko 300 mln zł, dla Gaia AI Factory w ramach EuroHPC JU.
Dla jasności:
| Kwota | Czego dotyczy | Jak opisywać bez ryzyka błędu |
|---|---|---|
| 69,6 mln zł | Wcześniejszy projekt Fabryki AI realizowany przez Cyfronet AGH i rozwój zasobów obliczeniowych. | „Wcześniejsze wsparcie państwa dla projektu Fabryki AI realizowanego przez Cyfronet AGH”. |
| Około 70 mln euro / około 300 mln zł | Gaia AI Factory — projekt europejski w ramach EuroHPC JU. | „Projekt Gaia AI Factory ma budżet około 70 mln euro, czyli blisko 300 mln zł”. |
Najbezpieczniejsze sformułowanie brzmi: Gaia AI Factory to projekt o wartości około 70 mln euro, współfinansowany przez Polskę i Unię Europejską, realizowany przez konsorcjum kierowane przez ACK Cyfronet AGH.
Kto tworzy Gaia AI Factory?
Gaia AI Factory nie jest projektem jednej jednostki, lecz konsorcjum. Liderem jest ACK Cyfronet AGH, a wśród partnerów wymieniane są instytucje reprezentujące superkomputery, sieci badawcze, cyberbezpieczeństwo, zdrowie, biotechnologię, technologie kosmiczne i transfer innowacji.
W komunikatach pojawiają się między innymi:
- Wydział Technologii Kosmicznych AGH,
- Wrocławskie Centrum Sieciowo-Superkomputerowe Politechniki Wrocławskiej,
- Centrum Informatyczne TASK Politechniki Gdańskiej,
- Interdyscyplinarne Centrum Modelowania Matematycznego i Komputerowego Uniwersytetu Warszawskiego,
- Narodowe Centrum Badań Jądrowych,
- NASK-PIB,
- OPI-PIB,
- Sano — Centrum Zindywidualizowanej Medycyny Obliczeniowej,
- Małopolskie Centrum Biotechnologii UJ,
- Instytut Matki i Dziecka,
- Krakowski Park Technologiczny.
Ta lista pokazuje, że projekt jest budowany nie tylko pod informatykę. Gaia ma łączyć obliczenia, dziedziny zastosowań, bezpieczeństwo, dane i wdrożenia.
Co ma być sercem projektu?
Sercem Gaia AI Factory ma być nowy superkomputer AI zlokalizowany w Krakowie. Według komunikatów instytucjonalnych system ma być zoptymalizowany pod obciążenia AI, wyposażony w ponad tysiąc akceleratorów GPU i zintegrowany z krajową infrastrukturą PLGrid.
To istotne, ponieważ projekty AI różnią się od klasycznych obliczeń naukowych. Często potrzebują:
- wielu GPU pracujących równolegle,
- szybkiego dostępu do danych,
- sprawnego transferu dużych zbiorów,
- środowisk do eksperymentów i testów,
- kontroli dostępu do danych i modeli,
- mechanizmów powtarzalności eksperymentu,
- zespołów, które potrafią przenieść wynik z laboratorium do wdrożenia.
Dla użytkownika końcowego sama nazwa procesora graficznego nie jest najważniejsza. Ważniejsze jest to, czy infrastruktura pozwoli testować modele szybciej, taniej i bliżej krajowych danych oraz instytucji, zamiast przenosić każdy ambitniejszy eksperyment do komercyjnej chmury poza własną kontrolą organizacyjną.
Trzy strategiczne obszary: zdrowie, kosmos i duże modele językowe
Oficjalne komunikaty wskazują trzy priorytetowe kierunki Gaia AI Factory. Każdy z nich ma inny typ danych, inne ryzyka i inną ścieżkę wdrożenia.
| Obszar | Typowe dane i zastosowania | Dlaczego potrzebuje mocnej infrastruktury AI |
|---|---|---|
| Ochrona zdrowia | Obrazowanie medyczne, analiza danych klinicznych, wsparcie diagnostyki, personalizacja terapii. | Modele medyczne wymagają dużych zbiorów danych, ostrożnej walidacji i ścisłej kontroli jakości. |
| Technologie kosmiczne | Dane satelitarne, monitoring środowiska, obserwacja Ziemi, analiza zmian klimatu i infrastruktury. | Dane satelitarne są duże, wielowymiarowe i często wymagają szybkiego przetwarzania. |
| Duże modele językowe | Modele dla języka polskiego, administracji, edukacji, usług publicznych i firm. | Trening i dostrajanie LLM wymaga dużej mocy obliczeniowej, danych i kontroli nad procesem. |
W każdym z tych obszarów AI nie działa w próżni. Potrzebuje danych, ludzi, procedur, infrastruktury, jakości i odpowiedzialności. Gaia AI Factory może być miejscem, które łączy te elementy w jeden ekosystem.
Czym Gaia AI Factory nie jest?
Dobra analiza wymaga precyzji. Gaia AI Factory nie powinna być opisywana jako „darmowa chmura AI dla wszystkich” ani jako prosty grant dla firm.
| Nieprecyzyjne uproszczenie | Lepsze ujęcie |
|---|---|
| „AGH dostało 300 mln zł na AI”. | „Konsorcjum kierowane przez ACK Cyfronet AGH realizuje projekt Gaia AI Factory o budżecie około 70 mln euro”. |
| „To nowy komputer do AI”. | „To infrastruktura obliczeniowa, dane, szkolenia, doradztwo i platforma współpracy”. |
| „Firmy od razu dostaną GPU”. | „Dostęp ma być organizowany w ramach infrastruktury i reguł projektu, w tym przez PLGrid po uruchomieniu systemu”. |
| „To projekt tylko dla naukowców”. | „Komunikaty wskazują naukę, biznes, startupy, administrację i sektor publiczny”. |
| „Gaia rozwiąże problem polskiej AI”. | „Gaia może usunąć część barier infrastrukturalnych, ale sukces zależy od danych, kompetencji, procedur i użytecznych wdrożeń”. |
Kto może najbardziej skorzystać?
Gaia AI Factory może mieć różny wpływ na różne grupy odbiorców. Dla jednych będzie źródłem mocy obliczeniowej. Dla innych — sygnałem, że AI w Polsce przechodzi z fazy pojedynczych eksperymentów do fazy infrastruktury publicznej i gospodarczej.
| Grupa | Możliwa korzyść | Pytanie kontrolne |
|---|---|---|
| Startupy AI | Dostęp do infrastruktury, której nie da się łatwo sfinansować na wczesnym etapie. | Czy zespół ma dane, scenariusz testu i plan wdrożenia, czy tylko pomysł na model? |
| Firmy przemysłowe | Możliwość testowania modeli dla predykcji, optymalizacji, jakości i przeglądu danych technicznych. | Czy dane produkcyjne są uporządkowane i opisane w sposób umożliwiający trenowanie lub walidację? |
| Administracja publiczna | Wsparcie dla usług publicznych, tłumaczeń, analizy dokumentów i zaufanej AI. | Kto odpowiada za jakość danych, dostęp, audyt decyzji i dokumentację systemu? |
| Uczelnie | Większa skala eksperymentów badawczych oraz dostęp do wspólnej infrastruktury. | Czy projekty mają procedury pracy na danych i ścieżkę współpracy z partnerami? |
| Laboratoria i jednostki R&D | Możliwość łączenia danych eksperymentalnych, symulacji i modeli AI. | Czy fizyczne zaplecze, próbki, dokumentacja i aparatura są objęte czytelną odpowiedzialnością? |
| Szpitale i sektor zdrowia | Wsparcie analizy obrazów, danych klinicznych i badań nad medycyną obliczeniową. | Czy projekt spełnia wymagania etyczne, organizacyjne i bezpieczeństwa danych? |
| Szkoły i edukacja | Pośrednio: rozwój narzędzi, kompetencji, materiałów i projektów edukacyjnych. | Czy sprzęt i dostęp uczniów do urządzeń są przygotowane organizacyjnie? |
Dlaczego „fabryka AI” to trafna nazwa?
Słowo „fabryka” może brzmieć marketingowo, ale w tym przypadku dobrze oddaje sens projektu. AI na poziomie wdrożeniowym wymaga powtarzalnego procesu, a nie jednorazowej demonstracji technologii.
Fabryka AI powinna mieć przynajmniej sześć warstw:
- Infrastrukturę obliczeniową — GPU, pamięć, sieć, systemy plików, kolejki zadań.
- Dane — repozytoria, katalogi, jakość, opisy, prawa dostępu.
- Narzędzia — środowiska treningowe, biblioteki, monitoring, MLOps.
- Ekspertów domenowych — lekarzy, inżynierów, urzędników, analityków, naukowców.
- Bezpieczeństwo i odpowiedzialność — kontrolę dostępu, dokumentację, audyt, cyberbezpieczeństwo.
- Ścieżkę wdrożeniową — szkolenia, doradztwo, walidację i przejście do praktyki.
Dopiero połączenie tych warstw decyduje, czy projekt AI ma szansę działać poza prezentacją. Gaia AI Factory ma sens wtedy, gdy skraca dystans między zespołem z dobrym problemem a środowiskiem, w którym ten problem można policzyć, sprawdzić i wdrożyć.
Gaia AI Factory a suwerenność technologiczna
Jednym z najważniejszych kontekstów projektu jest europejska suwerenność technologiczna. Nie chodzi o izolację od globalnych dostawców. Chodzi o to, aby państwa, uczelnie, firmy i administracja miały dostęp do infrastruktury, która działa w europejskich ramach zaufania, przejrzystości i odpowiedzialności.
W praktyce oznacza to trzy przewagi:
- bliższy dostęp do infrastruktury dla polskich zespołów,
- większą kontrolę nad miejscem i regułami przetwarzania danych,
- możliwość budowania kompetencji w kraju, a nie wyłącznie kupowania gotowych usług.
To szczególnie ważne przy projektach, które dotyczą danych medycznych, danych publicznych, języka polskiego, infrastruktury krytycznej, przemysłu lub sektorów regulowanych.
Co Gaia może zmienić w administracji publicznej?
Administracja publiczna jest jednym z obszarów, w których AI może przynieść duże korzyści, ale też generuje wysokie ryzyko błędów organizacyjnych. Dane są rozproszone, dokumenty mają różne formaty, a odpowiedzialność za decyzje nie może zostać przerzucona na algorytm.
Gaia AI Factory może wspierać administrację w takich obszarach jak:
- analiza dużych zbiorów dokumentów,
- tłumaczenia i usługi wielojęzyczne,
- porządkowanie wiedzy instytucjonalnej,
- obsługa zapytań obywateli,
- wykrywanie anomalii i wsparcie reagowania na incydenty,
- rozwój modeli językowych dla usług publicznych.
Największe wyzwanie nie leży jednak w samym modelu. Leży w danych wejściowych, opisaniu procesu, ograniczeniu dostępu, procedurach zatwierdzania wyników i dokumentowaniu decyzji.
Dla urzędów projekty AI będą wymagały podobnej dyscypliny, jak dobrze prowadzona dokumentacja: kto ma dostęp, do czego, na jakiej podstawie, w jakim celu i z jakim śladem działania.
Co Gaia może zmienić w firmach?
Dla firm Gaia AI Factory może stać się sygnałem, że polska infrastruktura AI przestaje być wyłącznie domeną największych graczy. Nie oznacza to, że każda firma od razu zacznie trenować własny model bazowy. Znacznie bardziej realistyczne są projekty średniej skali.
Przykłady:
| Typ firmy | Możliwy projekt AI | Co trzeba przygotować przed wejściem w projekt |
|---|---|---|
| Produkcja | Predykcja awarii, analiza jakości, optymalizacja procesu. | Dane historyczne, opisy zdarzeń, dostęp do systemów, odpowiedzialność za wynik. |
| Logistyka | Prognozowanie obciążenia, optymalizacja tras, analiza zapasów. | Źródła danych, integracje, proces reakcji na rekomendacje modelu. |
| Medtech | Analiza obrazów, wsparcie diagnostyki, walidacja algorytmów. | Dane, zgody, procedury, ścieżka walidacji i dokumentacja. |
| Software house | Budowa rozwiązań AI dla klientów sektorowych. | Zespół MLOps, plan kosztów, środowiska testowe, bezpieczeństwo danych. |
| Energetyka | Prognozy, inspekcje, analiza obciążeń i danych infrastrukturalnych. | Dane pomiarowe, modele ryzyka, ograniczenia dostępu i procedury operacyjne. |
| Edukacja i szkolenia | Narzędzia do nauki, asystenci, personalizacja materiałów. | Bezpieczeństwo użytkowników, kontrola treści, organizacja urządzeń i kont. |
Wniosek dla firm jest prosty operacyjnie: nie zaczynaj projektu AI od pytania „jaki model wybrać?”. Zacznij od pytania, czy masz dane, proces, odpowiedzialność i środowisko pracy.
Co Gaia może zmienić w nauce?
W nauce dostęp do dużej mocy obliczeniowej może zmienić zakres pytań badawczych. Projekty, które wcześniej kończyły się na próbkach danych, mniejszych modelach lub symulacjach o ograniczonej skali, mogą przejść do większych eksperymentów.
Najbardziej oczywiste obszary to:
- modelowanie biomedyczne,
- analiza obrazowania,
- bioinformatyka,
- klimat i środowisko,
- dane satelitarne,
- automatyczna analiza tekstu,
- modele językowe dla języka polskiego,
- symulacje wielkoskalowe,
- robotyka i systemy autonomiczne.
Dla zespołów naukowych Gaia może oznaczać większą niezależność od zewnętrznych zasobów. Jednocześnie wzmocni znaczenie dobrego przygotowania projektu: dokumentacji danych, reproducibility, etyki badań, zarządzania dostępem i publikowania wyników.
Co Gaia może zmienić w edukacji?
Gaia AI Factory nie jest projektem szkolnym w sensie doposażenia klas. Jej wpływ na edukację może być jednak silny pośrednio.
Możliwe skutki:
- więcej materiałów edukacyjnych o AI tworzonych lokalnie,
- lepszy dostęp do szkoleń i warsztatów,
- rozwój kompetencji studentów i młodych specjalistów,
- większa liczba projektów badawczo-edukacyjnych,
- narzędzia wspierające naukę języka polskiego i pracy z dokumentami,
- większe zainteresowanie pracowniami AI w szkołach i na uczelniach.
Ten wątek łączy się z innym tematem Metaf Radar: 12 tys. pracowni AI i organizacja sprzętu w szkołach. Tam problem jest bardziej przyziemny: laptopy, tablety, ładowanie, wydawanie, zwrot i odpowiedzialność za urządzenia. Gaia dotyczy innej skali, ale oba tematy pokazują ten sam kierunek — AI wymaga infrastruktury, a infrastruktura wymaga porządku operacyjnego.
Fizyczna warstwa projektów AI: dokumenty, urządzenia, nośniki i strefy pracy
AI jest cyfrowa, ale projekty AI nigdy nie są wyłącznie cyfrowe. Nawet najbardziej zaawansowany model powstaje w organizacji, która ma ludzi, dokumenty, urządzenia, sale, laboratoria, nośniki danych, prototypy, klucze, środki czystości, próbki, sprzęt testowy i miejsca pracy.
Ten fragment nie oznacza, że Gaia AI Factory „generuje zapotrzebowanie na szafy”. Takie stwierdzenie byłoby zbyt daleko idące. Oznacza tylko, że organizacje wchodzące w projekty AI często muszą równolegle uporządkować fizyczne zaplecze pracy.
Przykład zdjęcia z metaf.pl: szafa aktowa metalowa SBM 206 jako kierunek dla dokumentacji projektowej, segregatorów, akt, umów i materiałów administracyjnych.
Kiedy szafa metalowa pojawia się w projekcie AI w naturalny sposób?
| Sytuacja w projekcie AI | Co trzeba uporządkować | Delikatny, praktyczny kierunek |
|---|---|---|
| Zespół pracuje na dokumentacji projektowej, umowach, protokołach i materiałach kontrolnych. | Dostęp do dokumentów, segregatory, wersje papierowe, odpowiedzialność za akta. | Szafy aktowe metalowe SBM jako zaplecze dokumentacji, nie jako „rozwiązanie AI”. |
| Sala szkoleniowa lub projektowa korzysta ze współdzielonych laptopów i tabletów. | Ładowanie, ewidencja, wydawanie i zwrot urządzeń. | Szafy i wózki na laptopy i tablety tam, gdzie sprzęt krąży między użytkownikami. |
| Organizacja wprowadza strefę, w której telefony mają być poza stanowiskiem pracy. | Depozyt urządzeń mobilnych, klucze, podział skrytek. | Szafy na telefony komórkowe w strefach ograniczonego dostępu lub salach testowych. |
| Prototypownia lub zaplecze R&D pracuje na narzędziach i komponentach. | Narzędzia, części, akcesoria, wyposażenie serwisowe. | Szafy i meble warsztatowe jako element organizacji stanowiska, gdy projekt ma część sprzętową. |
| Laboratorium AI łączy dane z eksperymentami chemicznymi lub materiałowymi. | Próbki, odczynniki, SDS, substancje łatwopalne, procedury BHP/PPOŻ. | Szafy chemiczne ognioodporne HTG tylko wtedy, gdy wynika to z realnego ryzyka i dokumentacji substancji. |
Nie kupuj wyposażenia dlatego, że projekt nazywa się „AI”. Rozważ je dopiero wtedy, gdy potrafisz wskazać konkretny zasób: dokument, urządzenie, narzędzie, próbkę, nośnik, klucz lub materiał wymagający kontroli dostępu.
Przykład zdjęcia z metaf.pl: szafa WSS 60 do depozytu telefonów. Ma sens w salach szkoleniowych, strefach testowych i miejscach, gdzie organizacja chce oddzielić urządzenia prywatne od procesu pracy.
Laboratoria AI i R&D: kiedy temat przechowywania chemii pojawia się naprawdę
Część projektów AI dotyczy zdrowia, biotechnologii, materiałów, przemysłu, kontroli jakości lub eksperymentów laboratoryjnych. W takich sytuacjach obok danych pojawia się fizyczne środowisko badawcze.
Jeżeli w pracowni występują substancje niebezpieczne albo substancje łatwopalne, temat przechowywania nie wynika z mody na AI. Wynika z kart charakterystyki SDS, procedur BHP, oceny ryzyka i organizacji laboratorium.
W takim kontekście mogą pojawić się:
- szafy chemiczne do wydzielonego przechowywania materiałów,
- szafy ognioodporne do cieczy łatwopalnych, jeżeli potwierdza to analiza substancji i wymagań,
- szafy HTG jako jedna z rodzin Metaf dla laboratoriów i zapleczy badawczych,
- pytania o wentylację, oddzielenie grup substancji, uziemienie, oznakowanie i odpowiedzialność za klucze.
Przykład zdjęcia z metaf.pl: szafa chemiczna ognioodporna HTG 085-01. Taki kierunek ma sens tylko wtedy, gdy w konkretnym laboratorium występują substancje wymagające odrębnej analizy przechowywania.
Szafa chemiczna może wspierać organizację przechowywania i ograniczanie ryzyka, ale nie zastępuje oceny ryzyka, wentylacji, instrukcji stanowiskowych, dokumentacji SDS, procedur PPOŻ ani konsultacji z osobą odpowiedzialną za BHP lub ochronę przeciwpożarową. Nie należy też zakładać klasy odporności, normy ani przeznaczenia konkretnego modelu bez potwierdzenia w dokumentacji produktu i wymaganiach obiektu.
Gaia AI Factory a dane: największe wyzwanie jest mniej widowiskowe niż GPU
Ponad tysiąc GPU robi wrażenie, ale w projektach AI często wygrywa ten, kto ma lepsze dane, a nie tylko większą moc obliczeniową. Dane muszą być dostępne, legalne, opisane, dobrej jakości i możliwe do użycia w modelu.
Najczęstsze problemy danych w organizacjach:
| Problem | Objaw | Skutek dla projektu AI |
|---|---|---|
| Dane są rozproszone | Każdy dział ma własne pliki, formaty i nazwy. | Trening modelu trwa dłużej, a wynik jest trudny do interpretacji. |
| Brakuje właściciela danych | Nikt nie wie, kto może zatwierdzić dostęp. | Projekt zatrzymuje się na etapie formalnym. |
| Dane nie mają metadanych | Nie wiadomo, skąd pochodzą, kiedy powstały i co oznaczają pola. | Model uczy się na materiale o niepewnej jakości. |
| Dane są mieszane z dokumentacją papierową | Część informacji istnieje tylko w aktach, skanach lub notatkach. | Potrzebne są procesy digitalizacji, selekcji i kontroli wersji. |
| Dostęp jest zbyt szeroki | Zbyt wiele osób może otworzyć zasoby. | Rośnie ryzyko naruszeń, błędów i braku rozliczalności. |
| Dostęp jest zbyt wąski | Zespół projektowy nie może sprawdzić danych w czasie. | Model nie powstaje albo powstaje na danych zastępczych. |
W praktyce każdy ambitny projekt AI powinien mieć własną matrycę dostępu. Dotyczy ona zarówno systemów informatycznych, jak i dokumentów, nośników, sprzętu testowego oraz miejsc pracy. Dla administracji dobrym punktem odniesienia jest poradnik Metaf o matrycy wydziałów, dokumentów i dostępu.
Pięć pytań, które warto zadać przed zgłoszeniem projektu AI
Przed wejściem do programu, akceleratora, konkursu lub partnerstwa wokół AI organizacja powinna umieć odpowiedzieć na konkretne pytania.
| Pytanie | Dlaczego jest krytyczne |
|---|---|
| Jaki problem ma rozwiązać AI? | Bez jasnego problemu projekt zamieni się w eksperyment bez wdrożenia. |
| Jakie dane są dostępne i kto nimi zarządza? | Dane są paliwem projektu; brak właściciela danych blokuje pracę. |
| Czy dane mogą być użyte do trenowania, testowania lub walidacji? | Uprawnienia, zgody, tajemnice przedsiębiorstwa i dane wrażliwe trzeba wyjaśnić przed obliczeniami. |
| Kto będzie oceniać jakość wyników modelu? | AI bez eksperta domenowego łatwo generuje pozornie dobre odpowiedzi. |
| Jak wynik zostanie wdrożony w procesie? | Model, którego nikt nie używa, pozostaje kosztem, nie aktywem. |
| Jak będzie kontrolowany dostęp do danych, urządzeń i dokumentacji? | Bez kontroli dostępu trudno udowodnić odpowiedzialność i odtworzyć decyzje. |
| Jakie elementy fizycznego zaplecza są potrzebne? | Sprzęt, nośniki, dokumenty, próbki i narzędzia także wymagają organizacji. |
| Jak będzie wyglądać utrzymanie modelu po wdrożeniu? | Modele starzeją się, dane się zmieniają, a odpowiedzialność pozostaje. |
Co oznacza „zaufana AI” w praktyce?
Oficjalne komunikaty o Gaia AI Factory mówią o zaufanej, przejrzystej i odpowiedzialnej sztucznej inteligencji. To nie jest tylko język polityki europejskiej. W praktyce oznacza to konkretne wymagania projektowe.
Zaufana AI wymaga:
- wyjaśnienia, do czego model jest używany,
- dokumentacji danych treningowych i testowych,
- kontroli jakości wyników,
- mechanizmu zgłaszania błędów,
- jasnej odpowiedzialności człowieka,
- ograniczenia dostępu do danych i modeli,
- cyberbezpieczeństwa,
- zgodności z wewnętrznymi procedurami organizacji,
- możliwości audytu,
- aktualizacji modelu, gdy zmieniają się dane.
Dla firm i administracji oznacza to, że AI nie może być traktowana jak zwykła aplikacja kupiona „z półki”. W wielu przypadkach będzie bliżej procesu organizacyjnego niż prostego narzędzia IT.
Gaia AI Factory a zamówienia publiczne i zakupy technologiczne
Duża infrastruktura AI tworzy impuls dla zamówień publicznych, partnerstw, projektów badawczych i zakupów B2B. Część z nich będzie dotyczyć bezpośrednio infrastruktury IT. Część będzie dotyczyć usług, szkoleń, danych, integracji, bezpieczeństwa, wyposażenia laboratoriów i organizacji przestrzeni.
Dla osób przygotowujących zapytania najważniejsze będzie opisanie potrzeby funkcjonalnej, a nie wymienianie modnych haseł.
| Zły punkt startowy | Lepszy punkt startowy |
|---|---|
| „Potrzebujemy AI”. | „Chcemy skrócić analizę dokumentów z X dni do Y godzin”. |
| „Kupujemy model językowy”. | „Potrzebujemy systemu do obsługi dokumentów w języku polskim z kontrolą jakości i śladem decyzji”. |
| „Chcemy używać GPU”. | „Potrzebujemy przetestować model na zbiorze danych o określonej wielkości i ograniczeniach”. |
| „Robimy laboratorium AI”. | „Budujemy zespół, który będzie pracował z danymi, urządzeniami, dokumentacją i procedurami dostępu”. |
| „Potrzebujemy wyposażenia do projektu”. | „Musimy przechować określone dokumenty, urządzenia, nośniki, narzędzia lub materiały w konkretnych strefach”. |
W projektach wyposażeniowych Metaf udostępnia Kreator zapytania bez znajomości modeli. Może się przydać wtedy, gdy organizacja nie chce wybierać symbolu produktu, tylko opisać cel, skalę, ograniczenia pomieszczenia i oczekiwany sposób dostępu.
Jak mierzyć sukces Gaia AI Factory?
Sukces projektu nie powinien być oceniany wyłącznie liczbą akceleratorów GPU. Znacznie lepsze będą wskaźniki pokazujące realny wpływ na ekosystem.
| Wskaźnik | Dlaczego jest ważny |
|---|---|
| Liczba aktywnych projektów z firmami i administracją | Pokazuje, czy infrastruktura wychodzi poza środowisko akademickie. |
| Liczba projektów zakończonych wdrożeniem | Oddziela eksperymenty od praktycznych zastosowań. |
| Czas od zgłoszenia do uruchomienia obliczeń | Mierzy dostępność infrastruktury w praktyce. |
| Liczba zespołów przeszkolonych z AI i danych | Pokazuje budowanie kompetencji, nie tylko zakup sprzętu. |
| Liczba projektów w zdrowiu, kosmosie i LLM | Pozwala ocenić, czy priorytety są realizowane. |
| Jakość dokumentacji i zasad dostępu | Decyduje o zaufaniu do ekosystemu. |
| Współpraca z PIAST AI Factory i LUMI AI Factory | Pokazuje, czy Polska jest częścią europejskiej sieci, a nie samotnym węzłem. |
| Udział MŚP i startupów | Wskazuje, czy infrastruktura jest dostępna dla mniejszych podmiotów. |
Jeżeli Gaia AI Factory ma budować polską przewagę, powinna być oceniana przez pryzmat użyteczności: ile realnych problemów udało się szybciej policzyć, przetestować i wdrożyć.
Ryzyka i ograniczenia
Każdy duży projekt infrastrukturalny ma ryzyka. W przypadku Gaia AI Factory najważniejsze są nie tylko techniczne.
| Ryzyko | Na czym polega | Co powinno ograniczać ryzyko |
|---|---|---|
| Zbyt trudny dostęp | Użytkownicy nie wiedzą, jak zgłosić projekt lub przejść procedurę. | Jasne ścieżki dostępu, instrukcje, szkolenia i punkty kontaktowe. |
| Brak danych gotowych do użycia | Firmy i instytucje mają dane, ale nie w formie przydatnej do AI. | Doradztwo, standardy opisów, repozytoria, dobre praktyki. |
| Przeciążenie infrastruktury | Popyt przewyższa możliwości kolejek i czasu obliczeniowego. | Priorytetyzacja projektów, limity, transparentne reguły. |
| Projekt bez wdrożenia | Zespół trenuje model, ale organizacja nie zmienia procesu. | Wymóg planu wdrożenia, właściciel biznesowy, metryki efektu. |
| Ryzyko bezpieczeństwa | Dane, modele lub wyniki są zbyt szeroko dostępne. | Kontrola dostępu, cyberbezpieczeństwo, audyt, dokumentacja. |
| Nadmierne oczekiwania | AI ma rozwiązać problemy organizacyjne, których nie uporządkowano. | Realistyczny zakres, etapowanie i odpowiedzialność człowieka. |
Najbardziej praktyczna lekcja dla firm: Gaia może dać moc obliczeniową, ale nie uporządkuje za Ciebie danych, procesów i odpowiedzialności.
Checklista dla firmy lub instytucji, która chce wejść w projekt AI
Użyj tej listy przed rozmową z partnerem technologicznym, uczelnią, centrum obliczeniowym albo dostawcą wdrożenia.
Dane i model
- Czy problem biznesowy lub publiczny jest opisany jednym zdaniem?
- Czy wiesz, jakie dane będą potrzebne?
- Czy dane są cyfrowe, aktualne i opisane?
- Czy dane mają właściciela?
- Czy można je użyć w projekcie AI?
- Czy są dane testowe i dane walidacyjne?
- Czy wynik modelu będzie oceniany przez eksperta domenowego?
Organizacja i odpowiedzialność
- Kto odpowiada za projekt po stronie organizacji?
- Kto zatwierdzi dostęp do danych?
- Kto będzie użytkownikiem wyniku?
- Kto podejmie decyzję, gdy model się pomyli?
- Jak będzie dokumentowany przebieg projektu?
- Jak organizacja będzie reagować na błędy, halucynacje lub wyniki niepewne?
Infrastruktura i zaplecze
- Czy zespół ma miejsce do pracy na danych i dokumentacji?
- Czy urządzenia testowe są ewidencjonowane?
- Czy nośniki, dokumenty i klucze mają określony sposób przechowywania?
- Czy stanowiska projektowe wymagają szaf, skrytek, regałów albo zaplecza warsztatowego?
- Czy projekt obejmuje laboratorium, próbki lub substancje wymagające osobnej oceny BHP/PPOŻ?
- Czy organizacja umie opisać wyposażenie bez zgadywania symboli produktów?
Zakupy i budżet
- Czy projekt ma osobny budżet na dane, integracje i utrzymanie?
- Czy budżet obejmuje szkolenia?
- Czy zaplanowano koszty walidacji i audytu?
- Czy zaplecze fizyczne projektu jest elementem planu, czy zostanie dopisane dopiero po problemach?
- Czy zapytanie opisuje funkcję i skalę, a nie tylko hasło „AI”?
Jak przygotować zaplecze projektu AI bez nadmiernego kupowania
Nie każda inicjatywa AI potrzebuje nowych pomieszczeń, nowych mebli i rozbudowanego zaplecza. Najrozsądniejszy schemat wygląda tak:
- Nazwij zasób — dokumenty, nośniki, telefony, laptopy, narzędzia, próbki, substancje, elementy aparatury.
- Określ użytkowników — zespół projektowy, goście, studenci, pracownicy zmianowi, serwis, administratorzy.
- Zdefiniuj dostęp — indywidualny, zespołowy, administracyjny, czasowy, ograniczony.
- Ustal miejsce — biuro, sala szkoleniowa, laboratorium, serwerownia, warsztat, magazyn, archiwum.
- Opisz skalę — liczba dokumentów, urządzeń, stanowisk, próbek, lokalizacji.
- Dopiero wtedy wybierz rodzinę wyposażenia — szafa aktowa, wózek na laptopy, depozyt telefonów, szafa warsztatowa, regał, szafa chemiczna.
- Wyślij zapytanie z kontekstem, a nie samym symbolem produktu.
Jeżeli nie masz pewności, od której rodziny zacząć, użyj narzędzia Dobierz szafę w 3 krokach. Jeśli projekt obejmuje kilka pomieszczeń lub stref, bardziej praktyczny może być Konfigurator biura albo Konfigurator warsztatu, zależnie od charakteru zaplecza.
Najczęstsze błędy w interpretowaniu wiadomości o Gaia AI Factory
Błąd 1: sprowadzenie projektu do „dużego komputera”
Superkomputer jest centralnym elementem projektu, ale Gaia ma obejmować także dane, szkolenia, doradztwo i wsparcie wdrożeń. Bez tych warstw użytkownik dostałby moc obliczeniową bez procesu, który pozwala ją sensownie wykorzystać.
Błąd 2: zakładanie, że infrastruktura sama zbuduje produkty AI
Infrastruktura pomaga, ale nie zastępuje zespołu, danych, domenowej wiedzy, budżetu, etyki, cyberbezpieczeństwa i planu wdrożenia. Projekt AI jest tak dobry, jak problem, który rozwiązuje.
Błąd 3: mylenie Gaia z komercyjną chmurą
Fabryka AI w ramach EuroHPC JU działa w innym modelu niż standardowa usługa chmurowa. O szczegółach dostępu będą decydować zasady infrastruktury i programu.
Błąd 4: ignorowanie fizycznej organizacji pracy
AI kojarzy się z kodem, ale w realnych instytucjach obok kodu są dokumenty, urządzenia, umowy, próbki, nośniki, klucze i odpowiedzialność za dostęp. Ten poziom organizacji jest mniej atrakcyjny medialnie, ale często decyduje o powodzeniu projektu.
Błąd 5: traktowanie każdego tematu AI jako tematu zakupowego
Gaia AI Factory jest przede wszystkim wydarzeniem infrastrukturalnym i technologicznym. Wątki zakupowe pojawiają się dopiero wtedy, gdy konkretna organizacja buduje własną przestrzeń pracy, laboratorium, zaplecze szkoleniowe lub procedury dostępu.
FAQ
Czy Gaia AI Factory to największy projekt AI w Polsce?
To jeden z najważniejszych publicznie ogłoszonych projektów infrastrukturalnych AI w Polsce. Jego skala — około 70 mln euro — oraz osadzenie w EuroHPC JU sprawiają, że ma znaczenie krajowe i europejskie. Warto jednak porównywać projekty według celu: Gaia dotyczy infrastruktury, danych, kompetencji i usług, a nie wyłącznie jednego modelu lub aplikacji.
Czy Gaia AI Factory będzie dostępna dla firm?
Oficjalne komunikaty wskazują naukę, biznes, startupy, MŚP, administrację i sektor publiczny jako grupy, które mają korzystać z ekosystemu fabryki AI. Szczegółowe zasady dostępu należy sprawdzać w komunikatach Gaia AI Factory, Cyfronetu i PLGrid.
Czy projekt dotyczy polskich modeli językowych?
Tak, duże modele językowe są jednym z trzech wskazanych obszarów strategicznych obok ochrony zdrowia i technologii kosmicznych. Dla Polski ma to znaczenie szczególnie przy usługach publicznych, języku polskim, dokumentach administracyjnych i narzędziach edukacyjnych.
Czy Gaia AI Factory zastąpi komercyjne chmury?
Nie. Bardziej prawdopodobne jest współistnienie kilku modeli: komercyjnych chmur, infrastruktury publicznej, zasobów akademickich i zasobów prywatnych. Gaia może natomiast dać krajowym zespołom dostęp do infrastruktury i kompetencji, których wcześniej brakowało albo które były trudne do sfinansowania.
Czy każda firma powinna teraz robić projekt AI?
Nie. Firma powinna zacząć od problemu, danych i procesu. Jeżeli problem jest dobrze opisany, dane są dostępne, a wynik można wdrożyć, projekt AI może mieć sens. Jeżeli organizacja chce tylko „mieć AI”, ryzyko kosztownego eksperymentu jest wysokie.
Czy przy projektach AI trzeba kupować szafy, skrytki lub zaplecze fizyczne?
Nie automatycznie. Wyposażenie ma sens dopiero wtedy, gdy istnieje konkretny zasób do przechowywania: dokumenty, nośniki, urządzenia, narzędzia, próbki, substancje lub elementy aparatury. Wtedy szafa metalowa jest elementem porządku operacyjnego, a nie częścią samego algorytmu.
Czy szafy chemiczne HTG są powiązane z Gaia AI Factory?
Nie bezpośrednio. Szafy chemiczne ognioodporne HTG pojawiają się jako temat tylko w konkretnych laboratoriach, gdzie projekt AI łączy się z pracą na materiałach, próbkach, odczynnikach lub substancjach łatwopalnych. W takim przypadku trzeba analizować SDS, procedury BHP/PPOŻ i wymagania obiektu. Nie należy przenosić tego wątku na każdy projekt AI.
Czy Gaia AI Factory gwarantuje Polsce przewagę w AI?
Nie ma takiej gwarancji. Projekt zwiększa szanse, bo daje infrastrukturę, kompetencje i punkt współpracy. Przewaga powstanie dopiero wtedy, gdy z infrastruktury będą korzystać zespoły z dobrymi danymi, jasnymi problemami i zdolnością wdrażania wyników.
Powiązane treści i narzędzia Metaf
Jeżeli interesuje Cię AI jako infrastruktura organizacji, mogą przydać się materiały, które pokazują mniej medialną, ale praktyczną stronę projektów: sprzęt, dokumentację, dostęp i zaplecze.
- 12 tys. pracowni AI: szafy na laptopy, ładowanie i przechowywanie — analiza Metaf Radar o szkolnym wymiarze infrastruktury AI.
- Szafy na laptopy i tablety: jak planować bezpieczne ładowanie i przechowywanie w organizacji — przewodnik dla organizacji pracujących na współdzielonym sprzęcie.
- Szafy metalowe do urzędu: matryca wydziałów, dokumentów i dostępu — pomocny przy projektach AI w administracji i pracy z dokumentami.
- Czy zwykła szafa metalowa chroni dokumenty przed pożarem? — materiał dla organizacji, które chcą rozdzielić kontrolę dostępu od ochrony przeciwpożarowej dokumentów.
- Kreator zapytania bez znajomości modeli — narzędzie do opisania potrzeby wyposażenia zaplecza projektu bez wybierania symboli produktów.
- Dobierz szafę w 3 krokach — szybka ścieżka, gdy wiesz, co chcesz przechowywać, ale nie znasz właściwej rodziny produktu.
Co możesz zrobić dalej
Jeżeli śledzisz rozwój Gaia AI Factory, obserwuj przede wszystkim komunikaty ACK Cyfronet AGH, PLGrid, EuroHPC JU oraz ministerstw odpowiedzialnych za projekt. Tam będą pojawiać się informacje o dostępie, usługach, szkoleniach i kolejnych etapach uruchomienia.
Jeżeli natomiast planujesz projekt AI we własnej firmie, uczelni, urzędzie lub laboratorium, zacznij od krótkiej listy:
- jaki problem chcesz rozwiązać,
- jakie dane są potrzebne,
- kto odpowiada za dostęp,
- gdzie będzie pracował zespół,
- jakie dokumenty, urządzenia, nośniki lub próbki będą częścią projektu,
- czy zaplecze fizyczne wymaga uporządkowania,
- jakie elementy trzeba opisać w zapytaniu.
Gdy projekt obejmuje dokumenty, urządzenia, narzędzia lub zaplecze pracowni, możesz przygotować opis potrzeby w Kreatorze zapytania Metaf. Wystarczy cel, skala i ograniczenia — bez publicznych cen i bez zgadywania symboli modeli.
Źródła
- Ministerstwo Cyfryzacji — Gaia AI. Fabryka sztucznej inteligencji powstaje w Krakowie — komunikat o inauguracji, budżecie, konsorcjum i współfinansowaniu; data dostępu: 2026-06-17.
- Ministerstwo Cyfryzacji — Druga w Polsce Fabryka AI powstanie w Krakowie — komunikat z 10 października 2025 r. o projekcie Gaia AI Factory; data dostępu: 2026-06-17.
- EuroHPC JU — EuroHPC JU selects six additional AI Factories — źródło decyzji o wyborze kolejnych fabryk AI w Europie; data dostępu: 2026-06-17.
- ACK Cyfronet AGH — Inauguracja Gaia AI Factory — informacja o inauguracji projektu w Krakowie; data dostępu: 2026-06-17.
- ACK Cyfronet AGH — Gaia AI Factory — opis projektu, konsorcjum, infrastruktury i dostępu; data dostępu: 2026-06-17.
- AGH — Polska uruchamia Gaia AI Factory — komunikat uczelni o projekcie, budżecie, obszarach strategicznych i superkomputerze; data dostępu: 2026-06-17.
- NASK — NASK partnerem prestiżowego projektu Gaia AI Factory — komunikat o roli NASK, bezpieczeństwie AI i obszarach zastosowań; data dostępu: 2026-06-17.
- OPI PIB — Gaia AI Factory — karta projektu i opis roli OPI PIB; data dostępu: 2026-06-17.
- Gaia AI Factory — strona projektu PLGrid — oficjalna strona projektu; data dostępu: 2026-06-17.
- Kraków.pl — W Krakowie ruszyła fabryka sztucznej inteligencji Gaia AI Factory — komunikat miejski o uruchomieniu projektu; data dostępu: 2026-06-17.
- Metaf — szafy aktowe metalowe SBM — powiązana rodzina produktów dla dokumentacji projektowej; data dostępu: 2026-06-17.
- Metaf — szafy i wózki na laptopy i tablety — powiązana rodzina produktów dla współdzielonych urządzeń; data dostępu: 2026-06-17.
- Metaf — szafy na telefony komórkowe — powiązana rodzina produktów dla depozytu urządzeń mobilnych; data dostępu: 2026-06-17.
- Metaf — szafy i meble warsztatowe — powiązana rodzina produktów dla zapleczy technicznych i R&D; data dostępu: 2026-06-17.
- Metaf — szafy chemiczne ognioodporne HTG — powiązana rodzina produktów dla laboratoriów z realnym tematem substancji niebezpiecznych lub łatwopalnych; data dostępu: 2026-06-17.
Nota informacyjna
Materiał ma charakter informacyjny i organizacyjny. Nie jest poradą prawną, techniczną, BHP, PPOŻ, zamówieniową ani rekomendacją bezpieczeństwa dla konkretnego systemu AI, laboratorium lub obiektu.
Przed decyzją projektową zweryfikuj aktualne komunikaty instytucji, wymagania organizacji, procedury bezpieczeństwa, dokumentację techniczną oraz wymagania BHP/PPOŻ. W przypadku laboratoriów i substancji łatwopalnych decyzje dotyczące przechowywania wymagają analizy kart SDS, oceny ryzyka oraz konsultacji z osobą odpowiedzialną za BHP lub ochronę przeciwpożarową.