Przejdź do treści

00 — Vision & Scope

Insurance Intelligence System

Właściciel projektu: właściciel projektu
Typ projektu: Agentic SDLC — system budowany z pomocą agentów AI
Data inicjalizacji: 2026-09-17
Status: Faza 1 — MVP w budowie


Zasada nadrzędna — Ekonomia projektu

Wszystko co generuje koszty lub zużywa tokeny wykonujemy w Claude.ai lub Claude Code na licencji Accenture. VPS Hostinger wykorzystujemy wyłącznie do zadań bezkosztowych (hosting, baza danych, scheduler, reverse proxy).

Gdzie Co robimy
Claude.ai / Claude Code Klasyfikacja AI, analiza, generowanie raportów, promptowanie
VPS Hostinger Hosting dashboardu, PostgreSQL, cron scheduler, nginx/Traefik

Źródła danych: wyłącznie darmowe. RSS, scraping stron publicznych, free-tier API (Brave Search, Groq, YouTube Data API). Płatne źródła (GlobalData, raporty agencji ratingowych) świadomie odrzucone na tym etapie — do rewizji tylko jeśli pojawi się budżet dedykowany.


North Star

Market Intelligence & Benchmarking Platform dla wybranego zespołu konsultantów Insurance w Accenture — daje bieżący, wiarygodny dostęp do benchmarku polskich towarzystw ubezpieczeniowych (finanse, dystrybucja, TOM, technologia, likwidacja szkód, Life/Non-life) przez interaktywny dashboard z ad-hoc porównaniami i eksportem do PPT/Excel/PDF — zastępując tygodnie manualnego researchu przed spotkaniami klienckimi i w projektach strategicznych/technologicznych.

Ustalone 2026-09-22, na podstawie sesji doprecyzowania celu z właścicielem projektu.


Kto używa systemu (granica zakresu)

  • Użytkownik: wyłącznie wybrana grupa konsultantów Accenture z zespołów Insurance. Klient nie ma bezpośredniego dostępu do dashboardu.
  • System jest narzędziem pomocniczym dla konsultanta, nie generatorem gotowego deliverable dla klienta — konsultant zawsze weryfikuje i opracowuje insighty przed przekazaniem dalej. Dlatego na tym etapie nie wdrażamy barier informacyjnych (conflict-of-interest walls) między projektami klienckimi — do rewizji, jeśli zakres kiedyś się rozszerzy o generowanie deliverable bezpośrednio dla klienta.
  • Typowe momenty użycia: przygotowanie do spotkania klienckiego (brief w 10 minut), praca w ramach 3-miesięcznego engagementu (deep-dive na konkretne TU), ciągły monitoring rynku (trendy/sentyment/anomalie), projekty technologiczne (co robią inni w PL/Europie/USA).

Cel systemu

Zbudować Market Intelligence & Benchmarking Platform dla polskiego rynku ubezpieczeń, który automatycznie zbiera, strukturyzuje i analizuje publicznie dostępne dane o rynku, a następnie udostępnia je konsultantom przez interaktywny dashboard z możliwością ad-hoc porównań (np. "kanały dystrybucji PZU vs Warta") i eksportu do formatów prezentacyjnych (PPT/Excel/PDF).

System ma zastąpić ręczne monitorowanie rynku i tygodnie researchu przed projektami/spotkaniami klienckimi.

Pełny zakres analityczny (7 warstw: pozycja rynkowa, finanse, regulacje/ESG, dystrybucja, klient/doświadczenie, technologia, kapitał ludzki) opisany jest w 06_INTELLIGENCE_FRAMEWORK.md — to jest źródło prawdy dla zakresu metryk, nie ten dokument.


Problem który rozwiązujemy

Polski rynek ubezpieczeń generuje ogromną ilość sygnałów: wywiady z zarządami TU, raporty KNF i PIU, konferencje branżowe, podcasty eksperckie, dane finansowe. Śledzenie tego ręcznie jest niemożliwe, a konsultanci dziś odtwarzają ten research od zera przy każdym projekcie.

Brak systemu = brak przewagi informacyjnej i powtarzalny koszt czasu zespołu.


Wizja produktu (co system umożliwia)

Faza 1 — Fundament (teraz)

  • ✅ Zbieranie danych z YouTube (wywiady, konferencje, podcasty)
  • 🔲 Zbieranie danych z KNF, PIU, NBP
  • 🔲 Discovery Layer — aktywne wyszukiwanie nowych źródeł (Brave Search API)
  • 🔲 Backfill historyczny — 5 lat wstecz dla danych finansowych top 10 TU
  • 🔲 Klasyfikacja sygnałów (strategiczne vs szum)
  • 🔲 Dynamiczny dashboard z wynikami + telemetria użycia (Faza 1 metryk adopcji)
  • 🔲 Generowanie raportów na żądanie

Faza 2 — Rozszerzenie

  • Transkrypcja podcastów i wywiadów (Whisper)
  • Monitoring mediów branżowych
  • Pełny benchmarking towarzystw ubezpieczeniowych (W1-W7)
  • Elastyczne grupy porównawcze (peer groups definiowane przez konsultanta)
  • Eksport do PPT/Excel
  • Alerty o ważnych sygnałach
  • Metryki wpływu na pracę (Poziom 2: time saved, insight-to-deliverable rate)

Faza 3 — Dojrzałość

  • Rozszerzenie na rynek CEE
  • Integracja z danymi finansowymi TU
  • Predykcja trendów rynkowych
  • Metryki zaufania (Poziom 3: feedback rating, would-cite-to-client)

Zakres geograficzny

  • Priorytet: Rynek polski (KNF, polskie TU, polski kontekst regulacyjny)
  • Kontekst: Europa — grupy ubezpieczeniowe (Allianz, AXA, Generali, VIG, Talanx) gdy dotyczą działalności w Polsce lub trendów wpływających na PL

KPI sukcesu — Faza 1

System działa poprawnie gdy umożliwia:

  1. Zbieranie danych — automatyczny dzienny skan źródeł bez interwencji ręcznej
  2. Konfigurację dashboardu — dynamiczny widok wyników według segmentów i TU
  3. Generowanie raportów — raport tygodniowy/miesięczny na żądanie
  4. Identyfikację sygnałów — system odróżnia sygnały strategiczne od szumu
  5. Audytowalność — każda wartość w dashboardzie (bezpośrednia lub wyliczona) prowadzi do źródła; wartości szacowane/wyliczone mają log logiki kalkulacji (02_DATA_MODEL.md — calculation_log)

Metryki ilościowe i progi akceptacji zostaną zdefiniowane po uruchomieniu Fazy 1. Ramy metryk adopcji/wpływu/zaufania (3 poziomy, wdrażane fazowo) opisane w 03_AGENTS.md — sekcja Agent 5 Reporter.


Metodologia: Agentic SDLC

Standard wytwarzania oprogramowania (Software Development Life Cycle) realizowany z pomocą agentów AI:

Faza SDLC Kto realizuje
Analiza wymagań właściciel projektu (ekspert domenowy) + Claude.ai
Projektowanie architektury Claude.ai
Development Claude Code
Testy Claude Code + właściciel projektu (weryfikacja)
Wdrożenie Claude Code → VPS
Dokumentacja Claude.ai → pliki MD
Iteracja właściciel projektu definiuje → agenci implementują

Zasada: właściciel projektu jako ekspert domenowy definiuje CO i DLACZEGO. Agenci AI realizują JAK.

Zasada dokumentacji (ustalona 2026-09-22): po zakończeniu budowy każdego nowego elementu (agenta, skryptu, workflow n8n, zmiany schematu bazy) dokumentacja (ten plik i pozostałe 01-06) musi być natychmiast zaktualizowana i zapisana — nie odkładana na później. Powód: podczas tej sesji odkryto na VPS classifier/signal_classifier.py — konkurencyjną implementację Agenta 3 z wcześniejszej sesji, nieodnotowaną w dokumentacji, co doprowadziło do ryzyka dwóch niezależnych mechanizmów przetwarzających te same dane bez wzajemnej wiedzy o swoim istnieniu. Odstępstwa od pierwotnego projektu (np. połączenie dwóch agentów w jedno wywołanie) muszą być opisane jako "stan faktyczny" w dokumentacji, nie tylko zamilczane.

Zasada preferowania gotowych węzłów n8n (ustalona 2026-09-22): przy budowie nowych elementów pipeline'u domyślnie sprawdzać, czy n8n ma gotowy węzeł (HTTP Request, RSS Feed Read, Postgres, Extract from File) zamiast pisać nowy kod Python od zera — dotyczy zwłaszcza prostych, standardowych kroków (pobieranie stron, parsowanie RSS, zapytania do bazy). Wyjątek: wywołania Claude NIE idą przez natywny węzeł AI n8n (wymaga płatnego API per-token) — muszą iść przez Claude Code CLI headless (claude -p przez węzeł SSH), zgodnie z zasadą ekonomii wyżej. Ta zasada ustępuje przed zasadą "zero nowych kosztowych centrów" gdy się zderzają.

Zasada weryfikacji przed budową (ustalona 2026-09-22): przed zbudowaniem jakiegokolwiek nowego elementu — a zwłaszcza na początku nowej sesji — należy aktywnie zbadać, co już istnieje: przeczytać aktualną dokumentację (00-06, PROJEKT_KONTEKST.md) ORAZ zweryfikować faktyczny stan VPS (systemctl list-units, zawartość /opt/, stan bazy danych), nie zakładając że dokumentacja jest kompletna. Powód: tego samego dnia odkryto też regulatory-mcp — działający serwer MCP z dedykowanymi narzędziami do KNF (knf_backfill_all) i relacji inwestorskich, o którym dokumentacja nie wspominała wyraźnie, a sources.yaml miało już nakładające się, duplikujące wpisy do tych samych źródeł.