Jak AI może wykorzystać biznesowo dane dostępne publicznie?

Sztuczna inteligencja (AI) rewolucjonizuje współczesny biznes, a jej paliwem są dane. W dobie poszukiwania przewag konkurencyjnych przedsiębiorstwa coraz częściej rezygnują z ograniczania się wyłącznie do wewnętrznych zasobów informacyjnych i kierują wzrok ku potężnym pokładom danych dostępnych publicznie. Integracja lub agregacja zasobów z publicznymi rejestrami, repozytoriami open data czy zasobami sieci Web otwiera bezprecedensowe możliwości analityczne i prognostyczne.

Ten proces nie odbywa się jednak w próżni prawnej. Biznesowe wykorzystanie danych publicznych przez systemy AI wymaga poruszania się na styku ewoluujących ram prawnych – zarówno na poziomie krajowym (polskim), jak i unijnym – oraz inżynierii danych. Wszystko to osadzone jest w sformułowanej przez UE zasadzie altruizmu danych, która opiera się na zaufaniu i solidarności cyfrowej. Jej celem jest stworzenie przeciwwagi dla modeli biznesowych Big Techów poprzez uwolnienie ogromnego potencjału danych, które do tej pory były zamknięte w publicznych lub prywatnych zasobach i wykorzystanie ich do uzyskania konkurencyjności.          

Krajowe i unijne ramy prawne wykorzystania danych publicznych

Pojęcie „danych dostępnych publicznie” bywa często błędnie utożsamiane z danymi, co do których dostęp nie jest zablokowany hasłem, murem płatniczym (paywallem) ani ustawieniami prywatności, lub wręcz z „danymi wolnymi od ograniczeń prawnych”. Fakt, że informacja jest widoczna dla każdego użytkownika Internetu lub znajduje się w ogólnodostępnym rejestrze publicznym, nie oznacza jeszcze, że może być ona bezterminowo, w dowolny sposób i w celach komercyjnych przetwarzana przez systemy AI. W rzeczywistości procesy te podlegają regulacjom na kilku płaszczyznach.

Ustawa o otwartych danych i ponownym wykorzystywaniu informacji sektora publicznego

Polska ustawa z dnia 11 sierpnia 2021 r. o otwartych danych i ponownym wykorzystywaniu informacji sektora publicznego implementuje do krajowego porządku prawnego unijną dyrektywę (UE) 2019/1024 (tzw. dyrektywę Open Data). Ustawa ta nakłada na podmioty publiczne (organy administracji rządowej, sądy, samorządy, NFZ, ZUS) obowiązek udostępniania informacji sektora publicznego (ISP) w celu ich ponownego wykorzystywania, również w celach komercyjnych i zarobkowych.

Dla twórców systemów AI regulacja ta stanowi fundament prawny umożliwiający legalne zasilanie algorytmów danymi pochodzącymi z ministerstw, urzędów, samorządów czy danymi instytutów badawczych. Kluczowym pojęciem są tu „otwarte dane”, czyli dane udostępniane w formatach otwartych, nadających się do odczytu maszynowego (np. CSV, JSON, XML), wraz z powiązanymi metadanymi. Ustawa wprowadza zasadę bezpłatności udostępniania ISP oraz zakaz dyskryminacji użytkowników. Podmioty publiczne mogą jednak określić warunki ponownego wykorzystywania (np. obowiązek poinformowania o źródle lub o stopniu przetworzenia informacji), które twórcy systemów AI muszą wdrożyć w architekturze swoich potoków danych (ang. data pipelines).

Dostęp do otwartych danych jest możliwy za pośrednictwem strony internetowej: dane.gov.pl. Przykład: zbiór danych pt. "Liczba dawców i donacji względem liczby mieszkańców" jest udostępniany przez Regionalne Centrum Krwiodawstwa i Krwiolecznictwa im. prof. dr hab. Tadeusza Dorobisza we Wrocławiu na podstawie licencji CC BY 4.0 (Uznanie autorstwa 4.0 Międzynarodowa). Oznacza to, że utwór należy odpowiednio oznaczyć, podać link do licencji i wskazać, jeśli zostały dokonane w nim zmiany. Utwór może być kopiowany i wykorzystywany w dowolnym medium i formacie. Jednocześnie nie można korzystać ze środków prawnych lub technologicznych, które ograniczają innych w korzystaniu z utworu na warunkach określonych w licencji.    

Europejskie przestrzenie danych

Inny obszar znajdujący się na styku danych publicznych i prywatnych, zmierzający do stworzenia jednolitego rynku danych w UE to europejska przestrzeń danych, budowana w ramach Europejskiej Strategii Danych. 

Kluczową rolę odgrywa tu Akt w sprawie zarządzania danymi (Data Governance Act, rozporządzenie UE 2022/868), który tworzy mechanizmy zwiększające dostępność danych, reguluje działalność pośredników danych oraz wspiera koncepcję altruizmu danych. Uzupełnia go Akt o danych (Data Act), obowiązujący od 11 stycznia 2024 r., który stanowi jeden z głównych filarów tej strategii i określa m.in. zasady dostępu do danych generowanych przez np. urządzenia IoT (Internet Rzeczy, ang. Internet of Things).

Wspólne europejskie przestrzenie danych (ang. Common European Data Spaces) oraz krajowe i unijne ramy prawne wykorzystania danych publicznych to dwa uzupełniające się elementy tej samej strategii gospodarczej UE. Innymi słowy: ramy prawne to „kodeks drogowy” i przepisy, natomiast przestrzenie danych to „autostrady i infrastruktura”, które pozwalają na bezpieczny i łatwy dostęp tych danych.

Ogólne Rozporządzenie o Ochronie Danych (RODO)

Fakt, że dane osobowe zostały upublicznione (np. w rejestrze przedsiębiorców lub na profilu społecznościowym), nie wyłącza stosowania rozporządzenia Parlamentu Europejskiego i Rady (UE) 2016/679 (RODO). Zgodnie z art. 4 pkt 1 RODO, danymi osobowymi są wszelkie informacje o zidentyfikowanej lub możliwej do zidentyfikowania osobie fizycznej.

Dla systemów AI kluczowe znaczenie ma zdefiniowanie podstawy prawnej przetwarzania (art. 6 RODO). W kontekście pozyskiwania danych publicznych przedsiębiorcy najczęściej powołują się na prawnie uzasadniony interes administratora (art. 6 ust. 1 lit. f RODO). Podstawa ta wymaga jednak przeprowadzenia tzw. testu równowagi, czyli wykazania, że interesy komercyjne firmy nie przeważają nad prawami i wolnościami jednostki. Dla przykładu, podstawą prawną dla tworzenia tzw. czarnych list klientów nie może być prawnie uzasadniony interes administratora.

Innym istotnym wyzwaniem jest realizacja obowiązku informacyjnego.

Jeśli nie przetwarzamy danych osobowych lub dane są zanonimizowane, wówczas przepisy RODO prawdopodobnie nie będą miały zastosowania.

Prawo autorskie i prawa pokrewne (w tym Dyrektywa DSM)

Niektóre dane publiczne mogą stanowić element utworów chronionych prawem autorskim lub wchodzą w skład baz danych chronionych prawem (ustawa z dnia 27 lipca 2001 r. o ochronie baz danych). Masowe pobieranie treści internetowych w celu trenowania modeli AI lub tworzenia systemów AI może uderzać bezpośrednio w prawa autorskie.

Kwestię tę na nowo definiuje implementacja dyrektywy Parlamentu Europejskiego i Rady (UE) 2019/790 w sprawie prawa autorskiego i praw pokrewnych na jednolitym rynku cyfrowym (tzw. dyrektywa DSM). Kluczowe dla sektora AI są art. 3 i 4 tej dyrektywy, wprowadzające wyjątki dotyczące eksploracji tekstów i danych (ang. Text and Data Mining – TDM). Art. 4 DSM wprowadza ogólny wyjątek TDM, który pozwala podmiotom komercyjnym na powielanie i pobieranie utworów dostępnych publicznie w celu eksploracji danych, chyba że podmiot uprawniony wyraźnie zastrzegł wyłączenie takiego korzystania (tzw. mechanizm opt-out). Zastrzeżenie to musi być wyrażone w odpowiedni sposób, np. za pomocą środków nadających się do odczytu maszynowego w przypadku treści udostępnionych publicznie w internecie (np. protokół robots.txt lub metadane w kodzie strony). Jeśli np. wydawca serwisu zastosuje skuteczny opt-out, komercyjne trenowanie generatywnej AI na jego danych bez licencji staje się naruszeniem prawa.

Przykład: w ramach ciekawostki można sprawdzić adres: https://www.pap.pl/robots.txt gdzie znajdują się ścieżki i foldery, których Polska Agencja Prasowa nie pozwala automatycznie skanować i pobierać.    

Akt w sprawie sztucznej inteligencji (AI Act)

Rozporządzenie Parlamentu Europejskiego i Rady ustanawiające zharmonizowane przepisy dotyczące sztucznej inteligencji (AI Act) również jest istotnym źródłem obowiązków podmiotów wykorzystujących dane w związku z AI. Zgodnie z unijnym podejściem opartym na ryzyku (ang. risk-based approach), wymagania rosną wraz z potencjalnym zagrożeniem generowanym przez system AI.

W kontekście danych publicznych, AI Act kładzie szczególny nacisk na zarządzanie danymi i ład danych (ang. data governance) w systemach AI wysokiego ryzyka (np. stosowanych w medycynie, infrastrukturze krytycznej czy rekrutacji). Zgodnie z przepisami zbiory danych treningowych, walidacyjnych i testowych muszą podlegać odpowiednim procedurom zarządzania. Muszą być one analizowane pod kątem ewentualnych uprzedzeń (ang. biases), braków informacyjnych oraz zgodności z prawami podstawowymi (np. zakaz dyskryminacji ze względu na płeć). Ponadto, twórcy tzw. modeli GPAI (General Purpose AI – AI ogólnego przeznaczenia, np. Claude, Gemini) zostali zobligowani do sporządzania i upubliczniania szczegółowych podsumowań dotyczących treści wykorzystanych do trenowania ich modeli, co ma m.in. ułatwić właścicielom praw autorskich egzekwowanie wspomnianego mechanizmu opt-out.

Katalog źródeł danych publicznych

Skuteczność wdrożenia systemów AI w biznesie zależy od precyzyjnego doboru źródła danych. Dane publiczne możemy sklasyfikować np. według ich pochodzenia, struktury oraz ograniczeń prawno-technicznych.

Open data oraz publiczne rejestry i e-administracja

Ogólnoeuropejski data.europa.eu oraz polski dane.gov.pl – dostarczają czystych, zwalidowanych, maszynowo czytelnych zbiorów dotyczących transportu publicznego, zanieczyszczenia powietrza czy np. budżetów samorządowych. Dane te są istotne dla AI, ponieważ nie wymagają etapów czyszczenia i wstępnego parsowania (analizowania składniowego) tekstu.

Stanowią one najbardziej wiarygodne, ustrukturyzowane źródło danych o charakterze gospodarczym, prawnym i społecznym w Polsce.

Poza tym publicznymi rejestrami, z których powszechnie pobiera się dane, są:

• Krajowy Rejestr Sądowy (KRS) oraz Centralna Ewidencja i Informacja o Działalności Gospodarczej (CEIDG), które udostępniają interfejsy API umożliwiające pobieranie w czasie rzeczywistym danych o statusie prawnym podmiotów, ich reprezentacji, powiązaniach kapitałowych oraz sprawozdaniach finansowych. Są one wykorzystywane przez algorytmy do automatycznej oceny ryzyka kontrahenta (KYC – Know Your Customer), czy wykrywania anomalii finansowych;
• Główny Urząd Statystyczny (GUS) i Bank Danych Lokalnych (BDL) GUS – jest to gigantyczne repozytorium makro- i mikroekonomiczne. Zawiera ustrukturyzowane informacje m.in. o demografii, rynku pracy, stopniu zurbanizowania czy wskaźnikach cenowych. Algorytmy AI przetwarzają te dane w celach geomarketingowych oraz predykcji trendów rynkowych;
• Księgi Wieczyste (KW) i Elektroniczny system ksiąg wieczystych (dostępny przez portal Ministerstwa Sprawiedliwości) – dostarcza danych o stanie prawnym nieruchomości. Choć masowy dostęp do tych danych jest ograniczony barierami technicznymi (brak otwartego API), systemy AI wyspecjalizowane w analizie rynku nieruchomości agregują te dane w celu wyceny aktywów i analizy struktury własnościowej gruntów.

Dane medyczne i publiczny sektor ochrony zdrowia

Dane publikowane przez Narodowy Fundusz Zdrowia (NFZ) oraz Ministerstwo Zdrowia (np. za pośrednictwem Centrum E-Zdrowia czy portalu dane.gov.pl) obejmują m.in. statystyki zachorowalności, mapy potrzeb zdrowotnych, rejestry dystrybucji produktów leczniczych czy stopień obłożenia placówek szpitalnych.

Ważne zastrzeżenie – dane te mają charakter agregowany i zanonimizowany. Zgodnie z RODO, indywidualne dane medyczne stanowią dane szczególnej kategorii (art. 9 RODO), stąd publicznie dostępne są wyłącznie wskaźniki statystyczne, które AI może interpretować np. w celu optymalizacji łańcuchów dostaw farmaceutyków czy prognozowania obciążeń systemów opieki medycznej.

Ponadto już w 2027 r. czeka nas istotna, pozytywna zmiana w dostępie do danych medycznych na obszarze UE. Na podstawie unijnego rozporządzenia (Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2025/327 z dnia 11 lutego 2025 r. w sprawie europejskiej przestrzeni danych dotyczących zdrowia oraz zmiany dyrektywy 2011/24/UE i rozporządzenia (UE) 2024/2847) przedsiębiorcy będą mogli skorzystać z tzw. wtórnego wykorzystania danych dotyczących zdrowia w ramach Europejskiej Przestrzeni Danych Zdrowotnych. Rozporządzenie przewiduje możliwość trenowania algorytmów AI na danych dotyczących zdrowia pozyskiwanych bezpośrednio od m.in. podmiotów leczniczych w bezpiecznym środowisku stworzonym i zarządzanym przez powołany do tego organ. Aby uzyskać dostęp do określonych zbiorów danych, przedsiębiorca będzie musiał złożyć odpowiedni wniosek oraz uiścić opłatę. Szczegóły powinniśmy poznać wkrótce. Niezależnie jednak od ich kształtu, stworzenie Europejskiej Przestrzeni Danych Zdrowotnych znacząco ułatwi tworzenie i doskonalenie systemów AI w sektorze medycznym.

Wspólne europejskie przestrzenie danych

Wspomniane wcześniej wspólne europejskie przestrzenie danych (ang. Common European Data Spaces) są jednym z głównych instrumentów Europejskiej Strategii Danych i mają służyć stworzeniu warunków do bezpieczniejszego, łatwiejszego i bardziej uporządkowanego dostępu do danych oraz ich wymiany pomiędzy przedsiębiorstwami, administracją publiczną, nauką i innymi uczestnikami rynku w ramach UE.

Ich celem jest zwiększenie dostępności i ponownego wykorzystania danych przy zachowaniu interoperacyjności, zaufania i jasnych zasad zarządzania, tak aby dane mogły efektywniej wspierać innowacje, rozwój usług cyfrowych i sztucznej inteligencji. Istotnym elementem tej koncepcji jest także suwerenność danych, rozumiana jako utrzymanie kontroli nad tym, kto, w jakim zakresie i na jakich warunkach może korzystać z danych, z poszanowaniem europejskich standardów prawnych, bezpieczeństwa i ochrony praw podmiotów danych.

Wspólne europejskie przestrzenie danych są obecnie opracowywane poza zdrowiem w kilkunastu sektorach takich jak m.in. rolnictwo, energia, finanse, produkcja czy mobilność.

Legalne przetwarzania danych

Implementacja operacji na danych wymaga zachowania ścisłej synergii pomiędzy inżynierią danych a doradztwem prawnym (tzw. podejście Compliance-by-Design).

Architektura procesu pozyskiwania danych (Web Scraping)

Web scraping (automatyczne pobieranie zawartości stron WWW) jest powszechną praktyką techniczną, jednak jego legalność zależy od sposobu wykonania. Z perspektywy technicznej, architektura scrapera musi szanować infrastrukturę serwerową źródła. Agresywne odpytywanie serwera może zostać uznane za atak typu DDoS (Distributed Denial of Service).

Prawny wymiar web scrapingu nakłada obowiązek respektowania pliku robots.txt oraz regulaminów serwisów. Naruszenie regulaminu serwisu, który zakazuje scrapingu, może skutkować odpowiedzialnością kontraktową, jeśli użytkownik był zalogowany i zaakceptował regulamin. Dodatkowo w grę wkracza wspomniany art. 4 dyrektywy DSM – jeśli strona deklaruje cyfrowy sprzeciw wobec TDM, scraping na cele komercyjnego uczenia maszynowego jest niezgodny z prawem.

Anonimizacja i pseudonimizacja w potokach danych AI

W celu wyłączenia niektórych obowiązków wynikających z RODO, dane publiczne zawierające informacje o osobach fizycznych muszą zostać poddane procesowi anonimizacji na możliwie wczesnym etapie potoku danych. Anonimizacja może wymagać zastosowania zaawansowanych technik matematyczno-informatycznych, w taki sposób by identyfikacja osoby, której dane dotyczą, nie była możliwa.

Tylko na marginesie należy przypomnieć, że podmiot wdrażające AI musi dowieść (zasada rozliczalności art. 5 RODO), że zaimplementowano filtry odrzucające dane zbędne. Jeśli celem algorytmu jest prognoza cen nieruchomości na podstawie ofert publicznych, system powinien odrzucić np. dane kontaktowe (imię, nazwisko właściciela czy agenta), przetwarzając wyłącznie parametry techniczne lokalu i lokalizację zredukowaną do poziomu dzielnicy lub ulicy.

Trenowanie modeli AI

Trenowanie modeli AI różni się od standardowego przetwarzania danych w relacyjnych bazach danych. W procesie uczenia wagi sieci neuronowej ulegają modyfikacji pod wpływem analizowanych próbek. Dane wejściowe zazwyczaj nie są trwale przechowywane wewnątrz gotowego modelu, lecz dochodzi do wytworzenia matematycznej reprezentacji cech tych danych.

W świetle prawa unijnego kluczowa jest odpowiedź na pytanie: czy samo przetworzenie danych publicznych w celu optymalizacji wag modelu stanowi naruszenie praw autorskich lub RODO?

Dlatego szczególnie niezwykle przydatne może być korzystanie z danych publicznych udostępnianych przez sektor publiczny w celu ich ponownego wykorzystywania przez podmioty komercyjne. Otwarte dane są bezpłatne, można z nich korzystać bez istotnych formalności czy ograniczeń. W niektórych przypadkach instytucja udostępniająca dane wymaga np. jedynie spełnienia określonych warunków przy wykorzystywaniu danych np. podania ich źródła lub złożenia stosownego wniosku.

Obszary zastosowań AI opartej na danych publicznych

Integracja systemów AI z danymi publicznymi pozwala na generowanie wartości dodanej w niemal każdym sektorze gospodarki.

Medycyna i farmacja (ang. HealthTech)

W sektorze medycznym algorytmy uczenia maszynowego agregują zanonimizowane bazy pozwalając lepiej zarządzać łańcuchami dostaw, prowadzić nadzór i poprawę jakości leczenia pacjentów czy badać zasoby ochrony zdrowia, w tym terminy leczenia. Ponadto takie bazy np. danych epidemiologicznych z NFZ i WHO pozwalają na tworzenie systemów wczesnego ostrzegania przed lokalnymi ogniskami chorób zakaźnych.

Zagregowane dane publicznie zawierają także wyniki międzynarodowych badań klinicznych, publikacji naukowych, bazy struktur chemicznych cząsteczek (ang. open science), czy np. listy surowców farmaceutycznych.

Przemysł i produkcja

Nowoczesny przemysł (Industry 4.0) łączy wewnętrzne dane z sensorów IoT z zewnętrznymi danymi publicznymi. Przykładowo, algorytmy predictive maintenance (prognozowania awarii) uzupełniają swoje modele o publiczne dane meteorologiczne (IMGW). Wysoka wilgotność, skrajne temperatury czy gwałtowne zmiany ciśnienia atmosferycznego, skorelowane z historycznymi danymi o awariach infrastruktury przesyłowej, pozwalają systemom AI na precyzyjne planowanie okien serwisowych, zanim dojdzie do fizycznego uszkodzenia parku maszynowego.

Logistyka i zarządzanie łańcuchem dostaw (ang. Supply Chain AI)

Optymalizacja tras transportowych i zarządzanie flotą w czasie rzeczywistym opierają się na algorytmach przetwarzających otwarte dane miejskie i infrastrukturalne. Systemy AI analizują strumienie danych z systemów ITS (ang. Intelligent Transportation Systems) udostępnianych przez samorządy, informacje o remontach dróg (GDDKiA), rozkłady jazdy oraz publiczne rejestry wypadków. Dzięki temu systemy predykcyjne są w stanie dynamicznie przekierowywać pojazdy ciężarowe, minimalizując ślad węglowy, zużycie paliwa oraz czas dostaw (ETA – Estimated Time of Arrival).

Finanse, bankowość i ubezpieczenia (ang. FinTech / InsurTech)

Sektor finansowy wykorzystuje AI do automatyzacji procesów scoringowych oraz wykrywania nadużyć (ang. Anti-Money Laundering – AML). Algorytmy AI w ułamku sekundy skanują rejestry KRS, CEIDG, wykazy dłużników oraz publiczne spisy podmiotów zarejestrowanych jako podatnicy VAT (tzw. biała lista podatników VAT). Łączenie tych danych pozwala systemom antyfraudowym na identyfikację tzw. karuzel podatkowych, spółek-słupów czy nagłych, podejrzanych powiązań personalno-kapitałowych pomiędzy podmiotami aplikującymi o kredyt. W ubezpieczeniach (InsurTech) systemy mogą analizować publicznie dostępne dane do oceny ryzyka powodziowego lub pożarowego ubezpieczanych nieruchomości.

Energetyka i OZE

Zarządzanie siecią elektroenergetyczną przy wysokim udziale odnawialnych źródeł energii (OZE) wymaga zaawansowanego bilansowania mocy. Systemy AI wykorzystują publiczne, godzinowe dane o generacji energii publikowane przez Polskie Sieci Elektroenergetyczne (PSE), dane z giełd energii (TGE) oraz globalne prognozy pogody i nasłonecznienia. Na tej podstawie algorytmy prognozują podaż energii z farm wiatrowych i fotowoltaicznych, optymalizując pracę tradycyjnych elektrowni oraz zarządzając magazynami energii w celu uniknięcia blackoutów.

Business Intelligence i analityka rynkowa

Systemy BI zasilane sztuczną inteligencją agregują dane z portali ogłoszeniowych, stron e-commerce, danych demograficznych GUS oraz rejestrów REGON. Pozwala to na tworzenie interaktywnych pulpitów menedżerskich (dashboards) przedstawiających kompleksową mapę konkurencji w danym regionie.

Szanse i korzyści

Biznesowe wykorzystanie danych publicznych w systemach AI może przynieść:

• redukcję kosztów pozyskiwania informacji – wykorzystanie darmowych repozytoriów otwartych danych eliminuje konieczność zakupu drogich, komercyjnych baz danych;
• wzrost precyzji – dostęp do masowych danych zewnętrznych pozwala na unikanie zjawiska przeuczenia (ang. overfittingu) w przypadku szkolenia wyłącznie na wąskich danych wewnętrznych;
• szybszą identyfikację trendów (ang. Time-to-Market) – algorytmy analizujące otwarte dane oraz zasoby internetu są w stanie wykryć subtelne przesunięcia w zachowaniach konsumenckich czy ruchach konkurencji znacznie wcześniej niż tradycyjne metody badań rynkowych;
• demokratyzację innowacji – małe i średnie przedsiębiorstwa (MŚP), dzięki dostępowi do open data, mogą budować zaawansowane systemy AI, które dotychczas były zarezerwowane wyłącznie dla globalnych korporacji z gigantycznymi budżetami badawczymi.

Wdrożenie systemów AI operującej na danych publicznych nie jest wyłącznie projektem z zakresu IT. Wymaga ono powołania interdyscyplinarnych zespołów, w których inżynierowie ściśle współpracują z ekspertami ds. prawa własności intelektualnej i ochrony danych osobowych. Strategia oparta na świadomym mapowaniu źródeł i wyborze źródła danych, automatyzacji procesów i szacunku dla prywatności stanowi drogę do budowy trwałej i bezpiecznej przewagi konkurencyjnej w erze gospodarki opartej na sztucznej inteligencji.

r. pr. Agnieszka Wojtczyk-Kowalska

r. pr. Michał Skrzywanek

Dotlaw: W dotlaw projektujemy architekturę prawną dla firm technologicznych. Prowadzimy je przez ochronę danych osobowych, IP, ład korporacyjny i podatki. W szczególności działamy w branżach IT, FinTech, GameDev, MedTech i Ecommerce. Zamiast prawniczego żargonu dostarczamy konkretne rekomendacje biznesowe: co zrobić, w jakim terminie i z jakim skutkiem. Działamy blisko technologii i blisko biznesu, żeby przełomowe rozwiązania trafiały na rynek szybko i bezpiecznie.

Artykuł powstał w ramach realizacji projektu Centrum Rozwoju Małych i Średnich Przedsiębiorstw sfinansowanego ze środków Ministerstwa Rozwoju i Technologii.