Czy AI może nagrywać i transkrybować rozmowy telefoniczne z mieszkańcami w urzędzie?
AI może nagrywać i transkrybować rozmowy telefoniczne w urzędzie. Zanim to wdrożycie, musicie spełnić konkretne wymogi RODO i przygotować odpowiednie procedury.
Tak, AI może nagrywać i automatycznie transkrybować rozmowy telefoniczne w urzędzie. Pod względem technicznym to działa i od kilku lat jest stosowane w dużych call center, a teraz staje się dostępne dla mniejszych instytucji. Zanim jednak urząd włączy nagrywanie, musi spełnić konkretne wymogi RODO: poinformować dzwoniącego, wskazać podstawę prawną i przygotować procedurę dla tych, którzy zgody odmówią. Bez tych kroków nagranie jest bezprawne, nawet jeśli transkrypt ostatecznie nigdy nie opuszcza serwera.
Co AI robi z nagraną rozmową i do czego to przydaje się w urzędzie?
Samo nagrywanie dźwięku to nie nowość. Wiele central telefonicznych w urzędach nagrywa rozmowy od lat, ale te pliki audio lądują zazwyczaj w archiwum i nikt do nich nie wraca. AI dokłada warstwę, której wcześniej nie było:
- Transkrypcja na tekst. Silniki takie jak Whisper (open source, można uruchomić lokalnie), Azure Speech to Text albo Google Speech-to-Text zamieniają nagranie w plik tekstowy. Przy rozmowie trwającej 5 minut wynik pojawia się po kilkudziesięciu sekundach.
- Automatyczne streszczenie. Model językowy czyta transkrypt i generuje podsumowanie: czego dotyczył kontakt, co zgłosił mieszkaniec, jakie padły ustalenia. Zamiast odsłuchiwać nagranie przez cztery minuty, pracownik widzi trzy zdania i decyduje, czy potrzeba więcej.
- Lista zadań do wykonania. Jeśli w rozmowie padło "sprawdzimy i oddzwonimy do środy" albo "prześlemy pismo z decyzją", AI wyłapuje te zobowiązania i dopisuje wpis do rejestru spraw lub przypomnienie w kalendarzu pracownika z terminem.
- Klasyfikacja połączenia. AI przypisuje rozmowę do kategorii: opłata za odpad, podatek od nieruchomości, warunki zabudowy, interwencja komunalna. Po tygodniu macie raport, ile połączeń dotyczyło którego działu, bez ręcznego liczenia.
U jednego z urzędów, z którymi pracujemy, referenci spędzali kilkanaście minut dziennie na ręcznym wpisywaniu notatek z rozmów telefonicznych do systemu obiegu dokumentów. Po wdrożeniu transkrypcji ten czas skrócił się do szybkiego przejrzenia i ewentualnej korekty nazwy własnej albo numeru działki.
Jakie wymogi RODO musicie spełnić zanim włączycie nagrywanie?
To jest właśnie fragment, od którego zależy, czy całe przedsięwzięcie jest legalne. Pominięcie go kończy się interwencją IOD albo skargą mieszkańca do UODO.
- Podstawa prawna przetwarzania. Urząd jako organ publiczny opiera się najczęściej na art. 6 ust. 1 lit. e RODO, czyli realizacji zadania w interesie publicznym lub sprawowaniu władzy publicznej. W pewnych przypadkach możliwa jest przesłanka z lit. f, choć organy publiczne mają tu ograniczone pole. Konkretną podstawę wskazujecie w klauzuli informacyjnej. Przed wdrożeniem powinniście ustalić to razem z Waszym IOD.
- Obowiązek informacyjny. Dzwoniący musi usłyszeć, że rozmowa jest nagrywana i przetwarzana przez AI, kto jest administratorem i w jakim celu. Praktycznie robi się to przez automatyczny komunikat odtwarzany zaraz po wybraniu numeru. Trwa 20-30 sekund i nie da się go pominąć bez rozłączenia.
- Prawo do odmowy. Mieszkaniec może nie wyrazić zgody i urząd nie może uzależnić obsługi jego sprawy od tej zgody. System telefoniczny musi umożliwiać przekierowanie połączenia do pracownika bez aktywnego rejestrowania, gdy dzwoniący zgłosi sprzeciw. Pracownicy muszą wiedzieć dokładnie, co wtedy robić.
- Rejestr czynności przetwarzania. Nagrywanie rozmów z wykorzystaniem AI to nowa czynność przetwarzania. IOD dopisuje ją do rejestru, z opisem celu, podstawy prawnej, kategorii danych, odbiorców i okresu retencji.
- Ocena skutków (DPIA). Przy przetwarzaniu głosu na dużą skalę z użyciem AI RODO wymaga przeprowadzenia oceny skutków dla ochrony danych. Nieduże wdrożenie pilotażowe w jednym dziale może nie wymagać pełnego DPIA, ale to IOD decyduje, nie kierownik referatu.
Wiele urzędów traktuje nagrywanie rozmów jak oczywistość: "centrala to robiła od zawsze". Ale sama rejestracja dźwięku przez centralę to jedno, a przekazywanie transkryptu do zewnętrznego modelu językowego to drugie przetwarzanie danych. Każdy z tych kroków wymaga osobnej analizy.
Gdzie transkrypt powinien trafić, żeby miał sens?
Transkrypt sam w sobie nie ma wartości, jeśli leży w folderze, do którego nikt nie zagląda. Sensowne podłączenie to co najmniej jedno z tych miejsc:
- Dołączenie streszczenia do akt sprawy w systemie EZD (EZD RP, SIDAS Madkom, Finn EZD albo innym, który macie), jeśli rozmowa dotyczyła konkretnej sprawy z sygnaturą.
- Wpis do rejestru kontaktów telefonicznych: data, identyfikator rozmówcy (imię lub numer, jeśli się przedstawił), kategoria sprawy, ustalenia. Uproszczony dziennik połączeń z treścią dostępny dla kierownika referatu.
- Przekazanie listy zadań do systemu zadań albo kalendarza pracownika, z terminem wynikającym wprost z rozmowy.
Bez integracji z jednym z tych kanałów transkrypcja to dodatkowy plik do szukania. Integrację z systemem, który już macie, warto zaplanować zanim kupiecie jakiekolwiek oprogramowanie do transkrypcji, bo od niej zależy, czy wdrożenie w ogóle przyniesie zmianę w pracy referentów.
Jak to wygląda technicznie i czy dane muszą trafiać do internetu?
Nie potrzebujecie wymieniać centrali telefonicznej. Typowe podejście składa się z kilku kroków:
- Centrala VoIP (np. 3CX, Yeastar, FreePBX) nagrywa połączenia i odkłada pliki audio na serwer urzędu.
- Skrypt lub kolejka zadań pobiera nowe nagrania i przekazuje je do silnika transkrypcji.
- Gotowy tekst trafia do modelu językowego, który generuje streszczenie i listę zadań.
- Wynik wędruje do systemu obiegu dokumentów lub rejestru kontaktów.
Silnik Whisper uruchomiony lokalnie na serwerze urzędu pozwala przetwarzać całość bez wysyłania danych do internetu. To ważne z punktu widzenia RODO: audio z rozmów mieszkańców nie opuszcza infrastruktury urzędu. Whisper jest open source i daje dobrą dokładność przy czystym nagraniu w standardowej polszczyźnie.
Azure Speech to Text i Google Speech-to-Text to alternatywy chmurowe: wyższy koszt, ale lepsza dokładność przy trudniejszych nagraniach z hałasem w tle. Wymagają transferu audio do serwerów dostawcy, co oznacza obowiązek zawarcia umowy powierzenia danych i analizę, czy dane mogą opuszczać UE. Azure ma centra danych w Europie i gotową umowę powierzenia dostosowaną do RODO, co ułatwia formalności.
Jeśli urząd działa na analogowej centrali bez możliwości eksportu nagrań, trzeba albo wymienić sprzęt, albo dodać bramkę VoIP przed centralą. To etap konfiguracyjny, który zazwyczaj zajmuje informatykowi jeden dzień roboczy.
Co to zmienia w jakości obsługi mieszkańców i pracy kierownika?
Transkrypcja i streszczenie rozmów mają jeden efekt, o którym rzadko się mówi przy wdrożeniach: koniec z "nikt mi nic takiego nie obiecał". Jeśli pracownik powiedział w poniedziałek, że sprawa zostanie załatwiona do piątku, transkrypt jest dowodem. To działa w dwie strony: chroni urząd przed bezpodstawnymi skargami, ale też mobilizuje do dotrzymywania obietnic.
Kierownik referatu może przeglądać streszczenia z całego tygodnia w kilka minut. Widzi, które tematy wracają najczęściej, gdzie mieszkańcy napotykają na trudności i gdzie pracownicy potrzebują wsparcia. Bez nagrań i transkrypcji ta wiedza po prostu ginie razem z rozmową. Zastanówcie się, ile razy zdarzyło się Wam, że mieszkaniec twierdził, że "pani mówiła inaczej", a nie było jak tego zweryfikować.
Na co zwrócić uwagę, żeby nie wpaść w pułapkę na początku?
Kilka rzeczy, które wychodzą dopiero po uruchomieniu i lepiej wiedzieć o nich wcześniej:
- Nazwy własne. Whisper i inne silniki dobrze radzą sobie z polszczyzną ogólną, ale "działka 142/3 obręb Małoszowice" albo imię "Zbyszek Wróblewski" potrafią wyjść przekręcone. Transkrypt wymaga szybkiego przejrzenia, nie jest gotowym dokumentem bez korekty człowieka.
- Gwara i silny akcent regionalny. W gminach wiejskich część rozmów bywa prowadzona gwarą. Dokładność transkrypcji spada. Przetestujcie to na próbce 20-30 nagrań zanim podejmiecie decyzję o silniku.
- Rozmowy wieloosobowe. Jeśli przy aparacie jest kilka osób naraz lub pracownik i mieszkaniec mówią jednocześnie, model miesza wypowiedzi. Transkrypcja jest wtedy mniej czytelna i wymaga większej poprawki.
- Procedura odmowy. Pewien odsetek mieszkańców odmówi nagrywania. Pracownicy muszą wiedzieć dokładnie, co wtedy robić: jaką klawiaturę nacisnąć, żeby przekierować połączenie bez rejestracji, jak zanotować rozmowę ręcznie. Brak tej procedury tworzy zamieszanie przy pierwszym realnym przypadku.
- Bezpieczeństwo plików audio. Nagrania rozmów z mieszkańcami zawierają dane osobowe, często wrażliwe: kłopoty finansowe, sytuacja rodzinna, spory sąsiedzkie. Pliki audio muszą być przechowywane z tymi samymi środkami bezpieczeństwa co inne dane osobowe: szyfrowanie, ograniczony dostęp, log który pokazuje, kto i kiedy słuchał konkretnego nagrania.
Od czego zaczynacie?
Praktyczny punkt startowy to nie instalacja systemu, lecz rozmowa z IOD. Pokażcie mu, jakie dane będą nagrywane, gdzie będą trafiać, kto będzie miał dostęp i jak długo będą przechowywane. Niech przygotuje klauzulę informacyjną i zaktualizuje rejestr czynności przetwarzania. Bez tego dokumentu nie uruchamiajcie nagrywania.
Równolegle sprawdźcie, co robi Wasza centrala. Czy już nagrywa? Czy eksportuje pliki audio? Większość nowoczesnych central VoIP ma tę funkcję wbudowaną, tylko bywa domyślnie wyłączona lub pliki trafiają do folderu, o którym nikt nie wiedział.
Pilot warto zacząć od jednego działu. Referat podatków albo stanowisko obsługi telefonicznej mieszkańców to dobre punkty wejścia. Trzy miesiące działania, zebranie opinii pracowników: czy transkrypt faktycznie pomaga, jak duże błędy pojawiają się w nazwach własnych, ile połączeń kończy się odmową nagrywania. Dopiero po ocenie pilota decyzja o wdrożeniu szerzej.
Chcecie sprawdzić, jak to wdrożyć w Waszym urzędzie i na jakie kroki techniczne oraz prawne się przygotować? Zapraszamy na bezpłatny audyt. Możecie też zajrzeć na nasze realne wdrożenia, żeby zobaczyć, jak podobne podejście działa u innych podmiotów publicznych, zanim podejmiecie decyzję.
Najczęstsze pytania
Czy urząd ma obowiązek informować mieszkańca, że rozmowa jest nagrywana przez AI?
Tak, obowiązek informacyjny z art. 13 RODO musi być spełniony przed nagraniem lub najpóźniej na początku rozmowy, komunikatem odtwarzanym automatycznie po wybraniu numeru. Brak takiego komunikatu czyni nagranie bezprawnym.
Na jakiej podstawie prawnej urząd może nagrywać rozmowy telefoniczne z mieszkańcami?
Najczęściej wskazuje się realizację zadania w interesie publicznym lub sprawowanie władzy publicznej (art. 6 ust. 1 lit. e RODO). Konkretna podstawa powinna być wskazana w klauzuli informacyjnej i uzgodniona z IOD przed uruchomieniem nagrywania.
Czy AI dokładnie transkrybuje po polsku, zwłaszcza nazwy miejscowości i numery działek?
Silniki takie jak Whisper dobrze radzą sobie z polszczyzną ogólną, ale nazwy własne, regionalizmy i numery ewidencyjne wymagają weryfikacji przez pracownika. Transkrypt to punkt wyjścia do edycji, nie gotowy dokument bez korekty.
Czy mieszkaniec może odmówić nagrywania i czy urząd może mu wtedy odmówić obsługi?
Mieszkaniec może odmówić i urząd nie może uzależnić obsługi sprawy od tej zgody. System musi umożliwiać przekierowanie do pracownika bez aktywnego rejestrowania, gdy dzwoniący zgłosi sprzeciw.
Jak długo urząd może przechowywać nagrania i transkrypcje rozmów telefonicznych?
Okres retencji powinien wynikać z celu przetwarzania i być określony w polityce bezpieczeństwa informacji. Typowo przyjmuje się okres analogiczny do akt sprawy, której rozmowa dotyczyła, ale konkretny termin ustala IOD, nie kierownik referatu.
Opracowanie: zespół redAi z wykorzystaniem narzędzi AI.
Chcecie sprawdzić, jak AI rozwiąże to u Was?
Bezpłatny audyt potrzeb i pokaz działającego wdrożenia. Bez zobowiązań.


