Skala TRL, czyli Technology Readiness Levels, od lat jest jednym z podstawowych narzędzi opisu dojrzałości technologii w projektach badawczo-rozwojowych. Posługują się nią instytucje publiczne, eksperci oceniający projekty, doradcy oraz przedsiębiorcy ubiegający się o finansowanie B+R. Jej zaletą jest prostota: technologia przechodzi od poziomu koncepcji, przez walidację laboratoryjną i demonstrację prototypu, aż do pełnego wdrożenia w środowisku operacyjnym.
Problem polega jednak na tym, że klasyczna skala TRL powstała w realiach technologii materialnych: komponentów, urządzeń, systemów technicznych, technologii kosmicznych i przemysłowych. Dobrze opisuje dojrzewanie silnika, materiału, instalacji, modułu elektronicznego czy linii technologicznej. Znacznie trudniej stosować ją wprost do projektów software, data science, machine learning i sztucznej inteligencji.
W projektach IT/AI dojrzałość technologii nie zależy wyłącznie od tego, czy „istnieje prototyp”. Liczy się również to, czy potwierdzono działanie algorytmu, modelu, danych, pipeline’u przetwarzania, architektury, integracji, bezpieczeństwa, skalowalności oraz możliwości działania w środowisku zbliżonym do docelowego lub operacyjnym. Dlatego klasycznego TRL nie należy odrzucać, ale trzeba go uzupełnić o język właściwy dla współczesnych projektów cyfrowych.
Klasyczny TRL – nadal potrzebny, ale wymagający doprecyzowania
Klasyczna skala NASA obejmuje dziewięć poziomów. TRL 1 oznacza zaobserwowanie podstawowych zasad, TRL 2 – sformułowanie koncepcji technologii, a TRL 3 – eksperymentalne potwierdzenie koncepcji. TRL 4 i 5 dotyczą walidacji komponentów odpowiednio w środowisku laboratoryjnym i środowisku zbliżonym do docelowego. TRL 6 oznacza demonstrację modelu lub prototypu systemu w środowisku zbliżonym do docelowego. TRL 7 to demonstracja prototypu systemu w środowisku operacyjnym, TRL 8 – system ukończony i zweryfikowany, a TRL 9 – technologia sprawdzona w rzeczywistym działaniu.
Takie rozumienie wynika m.in. z podręcznika NASA „Technology Readiness Assessment Best Practices Guide” oznaczonego jako NASA/SP-20205003605. Dokument ten wskazuje, że TRL jest skalą pomiaru dojrzałości technologii i opisuje stan danego systemu, podsystemu lub komponentu względem określonych poziomów gotowości. Co szczególnie istotne, NASA podkreśla, że ocena TRL powinna być dokonywana w kontekście konkretnego zastosowania, implementacji i środowiska operacyjnego.
To ważne zastrzeżenie również dla projektów IT/AI. Technologia nie ma jednego, abstrakcyjnego poziomu gotowości oderwanego od sposobu użycia. Ten sam algorytm, model AI albo komponent software może być dojrzały w jednym zastosowaniu, ale niedojrzały w innym – jeżeli zmieniają się dane, użytkownicy, wymagania wydajnościowe, sposób integracji, środowisko działania albo poziom ryzyka.
Dlatego klasyczna skala TRL wymaga w IT doprecyzowania. W przeciwnym razie łatwo o uproszczenie: skoro powstaje kod, to są to prace rozwojowe. Takie podejście jest zbyt mechaniczne. W wielu projektach software najważniejszy etap badawczy polega nie na „pisaniu aplikacji”, lecz na opracowaniu nowego sposobu rozwiązania problemu technologicznego: nowego algorytmu, modelu predykcyjnego, metody klasyfikacji, sposobu przetwarzania danych, architektury integracji albo mechanizmu redukcji błędów.
Czego uczy podejście NASA do software TRL?
Co istotne, sama NASA oraz środowiska powiązane z amerykańskimi programami technologicznymi dostrzegały potrzebę odrębnej interpretacji TRL dla oprogramowania. W podejściu software TRL akcent przesuwa się z samego „istnienia prototypu” na integrację krytycznych komponentów, walidację w odpowiednim środowisku, działanie na realistycznych problemach oraz integrację z istniejącymi systemami sprzętowymi i programowymi.
To bardzo ważna wskazówka dla projektów IT/AI. Dla oprogramowania TRL 4 nie powinien oznaczać po prostu, że napisano pierwszą wersję kodu. Bardziej właściwe jest stwierdzenie, że zintegrowano i sprawdzono funkcjonalnie krytyczne komponenty software w warunkach laboratoryjnych. TRL 5 powinien oznaczać, że elementy systemu zostały połączone i przetestowane w środowisku zbliżonym do docelowego, z uwzględnieniem danych, wydajności i przewidywanego sposobu działania. TRL 6 powinien natomiast potwierdzać demonstrację prototypowej implementacji na realistycznym problemie, w większej skali i z częściową integracją z istniejącymi systemami.
W przypadku AI trzeba iść jeszcze krok dalej. Pojęcie „demo” może być zrozumiałe przy klasycznym systemie IT, ale w przypadku modelu AI lub agenta nie zawsze jest wystarczająco precyzyjne. Lepiej mówić o demonstracji modelu, agenta lub systemu na określonym problemie, danych i środowisku. Model językowy, agent AI albo system predykcyjny nie powinien być oceniany przez sam fakt, że „coś pokazuje” użytkownikowi. Trzeba ocenić, czy działa na reprezentatywnych danych, czy osiąga określone metryki, czy jest odporny na błędy, czy daje się monitorować, czy może działać w procesie biznesowym i czy jego zachowanie można kontrolować.
Propozycja: TRL-IT/AI jako praktyczne tłumaczenie klasycznej skali
W projektach software i AI warto stosować klasyczne TRL, ale tłumaczyć je przez warstwy właściwe dla technologii cyfrowych. Oceniając poziom gotowości, należy pytać nie tylko o produkt, lecz także o: algorytm lub model, dane, pipeline przetwarzania, architekturę systemu, integrację, testy, metryki, bezpieczeństwo, dokumentację i gotowość operacyjną.
W praktyce można przyjąć następujące rozumienie:
TRL 3 – potwierdzono wykonalność koncepcji, np. proof of concept algorytmu, modelu, metody klasyfikacji, predykcji lub krytycznej funkcji systemu.
TRL 4 – zwalidowano kluczowe komponenty w środowisku laboratoryjnym, np. moduł AI, pipeline danych, mechanizm przetwarzania, algorytm decyzyjny lub eksperymentalną architekturę.
TRL 5 – opracowano prototyp lub model badawczy działający na danych reprezentatywnych albo w środowisku zbliżonym do docelowego; rozpoczęto weryfikację metryk jakości, wydajności i ograniczeń technologii.
TRL 6 – zademonstrowano model, agenta lub system na realistycznym problemie, w większej skali, z częściową integracją z istniejącymi systemami, danymi lub infrastrukturą.
TRL 7 – system lub agent działa w środowisku operacyjnym z realnymi danymi, użytkownikami, procesami i integracją z otoczeniem systemowym.
TRL 8 – system jest przygotowany do wdrożenia produkcyjnego: posiada dokumentację, procedury testowe, zabezpieczenia, monitoring, mechanizmy utrzymania i potwierdzone parametry działania.
TRL 9 – technologia działa stabilnie w warunkach produkcyjnych, jest monitorowana, utrzymywana, aktualizowana i wykorzystywana w rzeczywistych procesach.
Takie ujęcie nie tworzy alternatywy wobec klasycznego TRL. Ono go doprecyzowuje. Dzięki temu eksperci i wnioskodawcy mogą mówić tym samym językiem, ale bez przykładania do systemu AI logiki właściwej dla urządzenia mechanicznego.
AI jeszcze bardziej komplikuje ocenę gotowości technologicznej
Sztuczna inteligencja wymaga większej precyzji niż klasyczne oprogramowanie. W projektach AI sama aplikacja często nie jest najważniejszą technologią. Kluczowy może być model, metoda uczenia, sposób przygotowania danych, mechanizm ograniczania halucynacji, metoda ewaluacji odpowiedzi, algorytm rekomendacyjny, sposób detekcji anomalii albo architektura integrująca model językowy z systemem przedsiębiorstwa.
Dlatego tworzenie rozwiązania AI nie powinno być automatycznie kwalifikowane jako prace rozwojowe tylko dlatego, że powstaje kod. Jeżeli istotą projektu jest opracowanie nowej metody, modelu, algorytmu, sposobu klasyfikacji, predykcji lub optymalizacji, a rezultat nie jest oczywisty na starcie, to projekt może mieć charakter badań przemysłowych. Kod jest wtedy nośnikiem eksperymentu technologicznego, a nie rutynowym produktem programistycznym.
Prace rozwojowe zaczynają dominować dopiero wtedy, gdy znana już technologia jest integrowana, skalowana, dostosowywana do użytkowników, dokumentowana, zabezpieczana i przygotowywana do działania produkcyjnego. To bardzo ważne rozróżnienie, bo bez niego projekty AI mogą być oceniane zbyt powierzchownie.
Potrzebny jest krajowy załącznik TRL-IT/AI
Podręcznik Frascati pozostaje fundamentem rozumienia działalności B+R. Nie jest jednak szczegółową instrukcją oceny projektów software, data science, ML i AI w realiach 2026 roku. Rozwój modeli językowych, systemów generatywnych i agentów AI powoduje, że instytucje takie jak NCBR i PARP powinny dysponować bardziej praktycznym narzędziem interpretacyjnym.
Potrzebny byłby krajowy załącznik TRL-IT/AI, który zawierałby mapę klasycznych poziomów TRL na projekty software i sztucznej inteligencji, przykłady badań przemysłowych i prac rozwojowych w IT, katalog dowodów osiągnięcia danego poziomu oraz przykładowe metryki: accuracy, precision, recall, latency, koszt inferencji, odporność modelu, drift danych, poziom halucynacji czy skuteczność mechanizmów kontroli.
Nie chodzi o to, aby zastąpić TRL. Chodzi o to, aby przestać udawać, że technologia AI dojrzewa tak samo jak urządzenie przemysłowe. Klasyczny TRL powinien pozostać wspólnym językiem oceny technologii, ale w projektach IT/AI musi być tłumaczony przez realia współczesnego software’u: dane, modele, algorytmy, architekturę, integrację, bezpieczeństwo i walidację operacyjną.
Bez takiego podejścia ocena projektów cyfrowych będzie coraz częściej rozmijać się z rzeczywistym charakterem prac badawczo-rozwojowych. A to oznacza ryzyko, że najbardziej innowacyjne projekty AI będą oceniane według narzędzi stworzonych dla zupełnie innego świata technologii.
Źródła
- NASA, Technology Readiness Levels.
- NASA ESTO, Technology Readiness Levels, w tym interpretacja poziomów dla software.
- NASA, Technology Readiness Assessment Best Practices Guide, NASA/SP-20205003605, Office of the Chief Technologist.
- Robert Gold, David Jakubek, Technology Readiness Assessments for IT and IT-Enabled Systems, CROSSTALK, The Journal of Defense Software Engineering, May 2005.
- OECD/GUS, Podręcznik Frascati 2015. Zalecenia dotyczące pozyskiwania i prezentowania danych z zakresu działalności badawczej i rozwojowej.
- Biznes.gov.pl, Czym jest B+R – definicje w praktyce.
Artykuł przygotował: Dr Adrian Gorgosz
Najczęściej zadawane pytania (FAQ)
1. Czym jest skala TRL?
TRL, czyli Technology Readiness Levels, to dziewięciostopniowa skala służąca do oceny dojrzałości technologii. Pokazuje, na jakim etapie znajduje się dane rozwiązanie — od wstępnej koncepcji, przez walidację laboratoryjną i demonstrację prototypu, aż po pełne wdrożenie w warunkach operacyjnych.
2. Czy klasyczną skalę TRL można stosować do projektów IT i AI?
Tak, ale nie należy robić tego mechanicznie. W projektach IT i AI sama obecność kodu lub prototypu nie przesądza jeszcze o poziomie gotowości technologii. Trzeba ocenić również algorytm, model, dane, pipeline przetwarzania, integrację, bezpieczeństwo, skalowalność, metryki jakości oraz możliwość działania w środowisku zbliżonym do docelowego lub produkcyjnym.
3. Kiedy projekt AI może mieć charakter badawczo-rozwojowy?
Projekt AI może mieć charakter B+R wtedy, gdy jego istotą jest opracowanie nowej metody, modelu, algorytmu, sposobu klasyfikacji, predykcji, optymalizacji albo integracji, a rezultat nie jest oczywisty na starcie. W takim przypadku kod jest narzędziem eksperymentu technologicznego, a nie wyłącznie rutynowym elementem tworzenia aplikacji.
