Sztuczna inteligencja w Budżecie Obywatelskim - jak AI wspiera weryfikację projektów

Q: Sztuczna inteligencja w Budżecie Obywatelskim - jak AI wspiera weryfikację projektów?

Jak wykorzystać AI w procesie BO? Automatyczna kategoryzacja, wykrywanie duplikatów, analiza sentymentu i predykcja kosztów. Praktyczne przykłady z polskich miast.

Sztuczna inteligencja rewolucjonizuje administrację publiczną. W Budżecie Obywatelskim AI może przyspieszyć weryfikację, poprawić jakość projektów i zwiększyć zaangażowanie mieszkańców. Według raportu Ministerstwa Cyfryzacji z 2025 roku, 42% polskich miast powyżej 100 tys. mieszkańców rozważa lub już testuje elementy AI w procesach partycypacyjnych. Jakie są realne możliwości i ograniczenia?

Gdzie AI może pomóc w BO?

1. Automatyczna kategoryzacja projektów

Modele NLP (Natural Language Processing) analizują treść projektu i automatycznie sugerują:

Kategorię tematyczną — infrastruktura, zieleń, kultura, sport, edukacja, bezpieczeństwo
Właściwy wydział do weryfikacji merytorycznej (np. Wydział Dróg dla chodników, Wydział Środowiska dla nasadzeń)
Podobne projekty z poprzednich lat — algorytm porównuje opisy semantycznie, nie tylko po słowach kluczowych
Priorytety realizacyjne — na podstawie historii realizacji podobnych projektów

Korzyść: Oszczędność 2-3 godzin pracy przy 100 projektach. W mieście takim jak Kraków, gdzie rocznie wpływa 700-900 projektów, to potencjalnie 20-30 roboczogodzin zaoszczędzonych tylko na etapie wstępnej segregacji.

Jak to działa w praktyce? System trenowany jest na danych historycznych — projektach z 3-5 poprzednich edycji BO. Model uczy się, że np. wniosek zawierający frazy “plac zabaw”, “huśtawka”, “piaskownica” trafia do kategorii “infrastruktura rekreacyjna” i powinien być weryfikowany przez Wydział Gospodarki Komunalnej. Dokładność takiego modelu po wytrenowaniu na 500+ projektach osiąga 85-92%.

2. Wykrywanie duplikatów i projektów powiązanych

Co roku w dużych miastach pojawia się problem powtarzających się projektów. W Gdańsku w edycji 2024 spośród 847 zgłoszeń zidentyfikowano ponad 60 par projektów o nakładającym się zakresie. Ręczna identyfikacja takich powiązań jest czasochłonna i podatna na błędy.

System AI porównuje nowe zgłoszenie z:

Projektami z bieżącej edycji — wykrywa duplikaty i projekty komplementarne
Archiwum poprzednich lat — identyfikuje powtórki odrzuconych wniosków
Istniejącymi inwestycjami gminy — sprawdza, czy podobna inwestycja nie jest już planowana w budżecie miasta
Projektami z sąsiednich lokalizacji — wykrywa nakładające się zakresy terytorialne (np. dwa wnioski o chodnik na tej samej ulicy)

Efekt: System generuje alert gdy podobieństwo semantyczne przekracza 70%, wraz z sugestią:

>90% podobieństwa — prawdopodobny duplikat, rekomendacja połączenia
70-90% podobieństwa — projekty powiązane, warto skonsultować z wnioskodawcami
50-70% podobieństwa — projekty komplementarne, informacja dla komisji weryfikacyjnej

3. Analiza sentymentu i opinii publicznej

W miastach, które prowadzą konsultacje online nad projektami BO, AI monitoruje komentarze i dyskusje:

Identyfikacja kontrowersyjnych tematów — np. projekty budowy parkingu vs. zieleni w tym samym miejscu
Wczesne wykrywanie konfliktów — algorytm flaguje projekty z rosnącym negatywnym sentymentem, zanim eskalują do mediów
Analiza opinii mieszkańców — agregacja komentarzy w kluczowe tematy i postulaty
Monitoring mediów społecznościowych — śledzenie dyskusji na Facebooku, lokalnych forach i portalach informacyjnych

W Poznaniu w 2024 roku analiza sentymentu pozwoliła wcześnie zidentyfikować kontrowersję wokół projektu parkingu wielopoziomowego na Wildzie — urząd zdążył zorganizować dodatkowe konsultacje, zanim temat zdominował dyskusję w mediach lokalnych.

4. Predykcja kosztów i analiza wykonalności

Na podstawie historycznych danych z realizacji projektów BO, modele AI szacują:

Realistyczny koszt realizacji — porównanie z ceną rynkową podobnych inwestycji z ostatnich 2-3 lat
Ryzyko przekroczenia budżetu — analiza czynników takich jak złożoność projektu, sezonowość, dostępność wykonawców
Koszty utrzymania — roczne koszty eksploatacji po realizacji (np. utrzymanie zieleni: 15-25 zł/m² rocznie, monitoring: 3-5 tys. zł/rok)
Prawdopodobieństwo terminowej realizacji — bazując na historycznych danych z projektów o podobnym zakresie

Typ projektu	Średnie odchylenie kosztorysu od realizacji	Po wdrożeniu AI
Zieleń i nasadzenia	+18%	+7%
Infrastruktura drogowa	+25%	+12%
Place zabaw	+12%	+5%
Oświetlenie	+15%	+8%
Obiekty sportowe	+30%	+15%

5. Wsparcie weryfikacji formalnej

Automatyczne sprawdzenie kompletności wniosku to najprostsze i jednocześnie najszybsze do wdrożenia zastosowanie AI:

Kompletność wniosku — czy wypełniono wszystkie wymagane pola, czy opis ma wymaganą długość
Poprawność danych — walidacja kodów pocztowych, numerów działek, formatów danych
Zgodność lokalizacji z bazą terenów gminnych — automatyczne sprawdzenie, czy wskazana działka należy do gminy (integracja z geoportalem)
Weryfikacja krzyżowa — czy szacowany koszt jest realistyczny dla wskazanej kategorii i zakresu
Sprawdzenie zgodności z regulaminem — czy projekt nie dotyczy wykluczonych kategorii (np. dotacje dla organizacji, projekty komercyjne)

Wynik: W miastach, które wdrożyły automatyczną weryfikację formalną, odsetek wniosków odrzucanych z przyczyn formalnych spadł z 15-20% do 5-8%, bo system podpowiada wnioskodawcom brakujące elementy jeszcze na etapie wypełniania formularza.

6. Personalizacja rekomendacji dla mieszkańców

AI może także usprawnić stronę mieszkańców — nie tylko urzędników:

Rekomendacje projektów — na podstawie lokalizacji zamieszkania i wcześniejszych głosów
Inteligentne wyszukiwanie — rozumienie zapytań w języku naturalnym (“coś dla dzieci na Mokotowie”)
Podsumowania projektów — automatyczne generowanie skróconych opisów dla projektów z długimi wnioskami
Powiadomienia kontekstowe — informowanie o nowych projektach w okolicy użytkownika

Przykłady wdrożeń w polskich miastach

Wrocław — automatyczna kategoryzacja (2024)

Wrocław jako jedno z pierwszych miast w Polsce wdrożył moduł automatycznej kategoryzacji projektów BO. Przy 650 zgłoszeniach rocznie system osiągnął następujące rezultaty:

Dokładność kategoryzacji: 88% (na 650 projektów, 572 przypisane prawidłowo bez interwencji)
Oszczędność czasu: 45 roboczogodzin w fazie weryfikacji formalnej
Redukcja błędów przypisania do wydziału: z 12% do 3%

Poznań — analiza duplikatów i projektów powiązanych (2024)

Poznań wdrożył moduł wykrywania duplikatów w edycji 2024:

Wykryte duplikaty: 34 pary z 580 zgłoszeń
Projekty połączone po konsultacji z wnioskodawcami: 22 (z 68 projektów powstało 34 wzmocnionych wniosków)
Efekt: projekty po połączeniu zdobywały średnio o 40% więcej głosów niż pojedyncze odpowiedniki

Kraków — predykcja kosztów (pilotaż 2025)

Kraków testuje model predykcji kosztów trenowany na danych z 8 lat realizacji BO:

Baza treningowa: 2400 zrealizowanych projektów z lat 2016-2024
Dokładność szacunków: ±12% (vs. ±25% dla szacunków wnioskodawców)
Identyfikacja zawyżonych kosztorysów: 47 projektów ze szacunkami >30% powyżej wartości rynkowej

Ograniczenia AI w Budżecie Obywatelskim

Czego AI NIE może i NIE powinna robić:

Podejmować ostatecznych decyzji o dopuszczeniu lub odrzuceniu projektu — AI rekomenduje, człowiek decyduje
Oceniać zasadności społecznej projektu — czy park jest ważniejszy od chodnika to kwestia wartości, nie algorytmu
Zastąpić ludzkiego osądu w sprawach spornych — np. gdy projekt jest formalnie poprawny, ale budzi kontrowersje lokalne
Gwarantować 100% dokładności — każda decyzja AI wymaga ścieżki odwoławczej z weryfikacją przez człowieka
Profilować mieszkańców — AI nie powinna budować profili głosujących ani przewidywać ich preferencji politycznych

Zasada nadrzędna: AI wspiera, człowiek decyduje

AI to narzędzie, nie decydent. Ostateczna odpowiedzialność za każdą decyzję w procesie BO zawsze spoczywa na człowieku — urzędniku, komisji weryfikacyjnej lub radzie miasta. Algorytm przygotowuje materiał, priorytetyzuje, flaguje problemy — ale nie podpisuje się pod decyzją.

Etyka i transparentność wdrożenia AI

Wdrażając AI w Budżecie Obywatelskim, samorząd musi przestrzegać zasad odpowiedzialnego wykorzystania technologii:

Transparentność

Informuj mieszkańców o wykorzystaniu AI w procesie — jakie elementy są wspierane algorytmicznie
Publikuj raporty z działania systemu — ile projektów automatycznie skategoryzowano, ile duplikatów wykryto
Udostępniaj logikę decyzji — wnioskodawca powinien wiedzieć, dlaczego AI zasugerowała określoną kategorię

Odwoływalność

Zapewnij możliwość odwołania od każdej decyzji wspartej przez AI
Ścieżka eskalacji do człowieka musi być jasna i łatwo dostępna
Nie ukrywaj roli AI — jeśli odrzucenie formalne wynika z automatycznej weryfikacji, powiedz o tym wprost

Audyt i monitoring

Regularnie audytuj algorytmy pod kątem błędów systematycznych (bias) — np. czy model nie faworyzuje projektów z bogatszych dzielnic
Monitoruj rozkład decyzji — czy automatyczna kategoryzacja nie dyskryminuje pewnych typów projektów
Testuj na danych historycznych — porównuj decyzje AI z rzeczywistymi decyzjami komisji weryfikacyjnych

Równość

Nie dyskryminuj żadnych grup projektów ani wnioskodawców
Uwzględniaj różnorodność językową — wnioski pisane prostszym językiem nie powinny być gorzej kategoryzowane
Waliduj model na danych z różnych dzielnic — wyniki powinny być równie dobre dla Śródmieścia, jak dla peryferii

Jak zacząć wdrożenie AI w BO?

Etap 1: Audyt danych (1-2 miesiące)

Zanim wdrożysz AI, oceń jakość danych historycznych:

Ile edycji BO masz zarchiwizowanych cyfrowo? (minimum 3 lata danych)
Czy dane są ustrukturyzowane? — kategorie, lokalizacje, kosztorysy vs. realizacja
Jakie metadane towarzyszą projektom? — im więcej, tym lepiej
Czy masz dane o realizacji? — faktyczne koszty, terminy, problemy

Etap 2: Quick wins (2-3 miesiące)

Zacznij od zastosowań o najwyższym ROI i najniższym ryzyku:

Automatyczna walidacja formalna — sprawdzanie kompletności wniosków (zero ryzyka, natychmiastowa korzyść)
Wykrywanie duplikatów — porównywanie tekstów wniosków (niskie ryzyko, łatwe do zweryfikowania)
Kategoryzacja z sugestią — AI sugeruje, urzędnik zatwierdza jednym kliknięciem

Etap 3: Zaawansowane zastosowania (6-12 miesięcy)

Po walidacji podstawowych modeli, rozszerzaj zakres:

Predykcja kosztów — wymaga danych o faktycznej realizacji
Analiza sentymentu — wymaga dostępu do komentarzy i mediów społecznościowych
Personalizacja — rekomendacje projektów dla mieszkańców

Etap 4: Ewaluacja i iteracja (ciągle)

Mierz efekty — czas weryfikacji, dokładność kategoryzacji, satysfakcja urzędników
Zbieraj feedback — od urzędników (czy rekomendacje AI są trafne?) i mieszkańców (czy system jest transparentny?)
Iteruj — rozwijaj model na podstawie nowych danych z każdej edycji

Koszty wdrożenia AI w BO

Element	Koszt orientacyjny	Uwagi
Audyt danych i przygotowanie	15-30 tys. zł	Jednorazowo
Moduł walidacji formalnej	20-40 tys. zł	Najprostszy do wdrożenia
Moduł wykrywania duplikatów	30-50 tys. zł	Wymaga NLP
Moduł kategoryzacji	25-45 tys. zł	Wymaga treningu na danych
Predykcja kosztów	40-70 tys. zł	Wymaga danych o realizacji
Utrzymanie roczne	15-25 tys. zł	Monitoring, aktualizacja modeli

Łącznie dla miasta 100-300 tys. mieszkańców: 80-150 tys. zł za pierwsze wdrożenie + 15-25 tys. zł rocznie. Przy oszczędności 200-400 roboczogodzin rocznie (koszt: 60-120 tys. zł), inwestycja zwraca się w 1-2 lata.

Podsumowanie

AI w Budżecie Obywatelskim to nie futurystyczna wizja — to narzędzie, które już działa w polskich miastach:

Przyspieszenie weryfikacji o 30-40% — automatyczna walidacja i kategoryzacja
Wyższa spójność decyzji — algorytm stosuje te same kryteria do każdego projektu
Lepsze wykorzystanie danych historycznych — 5-10 lat archiwum BO to kopalnia wiedzy dla modeli AI
Wsparcie, nie zastąpienie człowieka — AI przygotowuje, człowiek decyduje
Mierzalny ROI — zwrot z inwestycji w 1-2 lata

Nowoczesna platforma BO: ARDVote wykorzystuje elementy automatyzacji w procesie weryfikacji projektów — od walidacji formalnej po wykrywanie duplikatów. Sprawdź szczegóły techniczne lub pakiety cenowe dopasowane do wielkości gminy.

Umów bezpłatną prezentację systemu →