Ekosystem AI
Kontekst, wiedza, finanse i warstwa akcji — w jednym modelu
Ta strona opisuje, jak układamy produkty i integracje AI Bearly. Nie jest to oferta „magicznego AI” — to mapa ról, którą da się przepisać do mentalnego modelu i podpiąć pod agentów.
Jak czytać ten model
Agent (lub człowiek) działa sensownie dopiero wtedy, gdy ma kontekst klienta, wiedzę o projektach i — gdy potrzeba — kontekst finansowy. Khirby, Pokelo i Finsly to te warstwy danych. MCP i skille to warstwa akcji: narzędzie, przez które agent czyta i wykonuje kroki. Bearly buduje też dedykowane integracje LLM oraz agentów i workflowy w systemach klientów.
01
Customer context
Khirby
Self-hosted / open-source CRM — źródło kontekstu o klientach, leadach i korespondencji.
- Pipeline Kanban, kontakty i leady, formularze → leady
- Poczta IMAP/SMTP i boardy w jednym procesie
- RBAC oraz Marketplace / pluginy
- AI compose z BYOK (własny klucz do modelu)
- Cennik od 10 000 zł — Self-hosted lub Managed
02
Project knowledge
Pokelo
Asystent wiedzy / pamięć firmy — warstwa nad dokumentacją, nie wymuszona migracja.
- Łączy Outline, Confluence, Google Drive, Notion, Obsidian i inne
- Drzewo wiedzy + graf powiązań; Q&A ze wskazaniem źródła
- Wbudowany MCP (Cursor, Claude i inne agenty pytają Pokelo)
- Model-agnostic — API lub lokalny LLM
- Self-hosted / open source lub Managed; od 10 000 zł
03
Financial context
Finsly
Własny produkt Bearly — AI finance SaaS do budżetów, celów i analizy wydatków.
- Budżety i cele finansowe
- Kategoryzacja wydatków
- OCR dokumentów finansowych
- Asystent AI i predykcje na podstawie historii danych
04
Action layer
MCP / Skills
Warstwa akcji — agenci działają na kontekście z Khirby, Pokelo i Finsly, a nie na „ogólnej wiedzy modelu”.
- MCP i skille łączą Cursor, Claude i podobne narzędzia z danymi firmy
- Pokelo ma wbudowany MCP — agenty mogą pytać o wiedzę firmową ze źródłem
- Bearly buduje też integracje z OpenAI i Anthropic oraz agentów i workflowy w projektach klientów
- Zakres usług AI: chatboty, klasyfikacja, ekstrakcja, OCR, predykcje, AI w CRM
Jak to łączyć w praktyce
01
Zacznij od danych, nie od modelu
Ustal, co ma być kontekstem klienta (Khirby), wiedzą projektową (Pokelo) i — jeśli potrzeba — finansami (Finsly). Dopiero potem wybierasz model i skille.
02
Agent czyta przez MCP, nie „z pamięci”
Pytania do wiedzy firmowej idą przez Pokelo (odpowiedź ze źródłem). Status klienta i korespondencja — z CRM. Model nie zastępuje sprawdzania.
03
Akcja to osobna warstwa
MCP i skille wykonują kroki w narzędziach. Nie mieszaj roli „skąd wiem” z rolą „co robię”.
04
Dedykowane wdrożenie, gdy gotowy produkt nie wystarczy
W projektach klientów dokładamy AI do CRM i procesów: klasyfikacja, OCR, ekstrakcja, asystenci, predykcje — tylko gdy wynik da się sprawdzić i użyć.
Chcecie ułożyć ten model u siebie?
Napiszcie, jaki kontekst macie dziś (CRM, dokumenty, finanse) i gdzie agent albo automatyzacja ma realnie skrócić pracę. Odpowiadamy w 1 dzień roboczy.