Agent AI to teraz najczęściej odmieniane hasło w automatyzacji, i połowa tego, co się pod nim sprzedaje, to zwykły chatbot z lepszym marketingiem. Warto rozdzielić jedno od drugiego, zanim wydasz pieniądze.
Obsługuję kilka firm jako zewnętrzny informatyk i od kilku miesięcy w prawie każdej rozmowie pada pytanie o agentów AI. Zwykle w wersji "wszyscy o tym mówią, czy my też powinniśmy coś z tym zrobić". Poniżej to, co sam sprawdziłem na realnych procesach, na chłodno.
Chatbot odpowiada, agent działa
Chatbot dostaje pytanie i zwraca odpowiedź według scenariusza. Nie zmienia niczego w Twoich systemach, nie podejmuje decyzji poza tym, co mu wpisano.
Agent AI dostaje cel i zestaw narzędzi. Sam układa kroki, żeby ten cel zrealizować. Przykład: zamiast odpowiedzieć na maila zdaniem z bazy wiedzy, agent czyta treść wiadomości, sprawdza dane klienta w systemie, ustala czego dotyczy sprawa, przygotowuje odpowiedź i, jeśli mu na to pozwolisz, wysyła ją albo tworzy zadanie dla człowieka.
Różnica jest praktyczna, nie akademicka. Chatbot obsłużysz jednym oknem czatu na stronie. Agent wymaga dostępu do Twoich danych i narzędzi, bo jego wartość polega właśnie na tym, że coś realnie robi. To też oznacza, że wdrożenie agenta jest poważniejszą decyzją niż wrzucenie widgetu na stronę.
Gdzie agent AI naprawdę zarabia na siebie
Z mojego doświadczenia agent ma sens tam, gdzie spełnione są trzy warunki naraz: zadanie jest powtarzalne, wymaga zrozumienia nieustrukturyzowanego tekstu, i dzisiaj robi to człowiek w kółko. Kilka konkretnych obszarów.
Sortowanie i wstępna obsługa poczty. Skrzynka, do której spływają zapytania różnego typu - reklamacje, zamówienia, pytania o ofertę, faktury. Agent czyta wiadomość, klasyfikuje ją, wyciąga kluczowe dane i albo przygotowuje wersję roboczą odpowiedzi, albo kieruje sprawę do właściwej osoby. Sztywny filtr po słowach kluczowych tu nie wystarcza, bo ludzie piszą to samo na sto sposobów.
Wyciąganie danych z dokumentów. Faktury, umowy, formularze, zamówienia w PDF. Agent odczytuje treść, mapuje pola na strukturę Twojego systemu i wprowadza dane albo przygotowuje je do zatwierdzenia. Tam, gdzie ktoś przepisuje ręcznie z dokumentu do systemu, agent zdejmuje najbardziej męczącą część roboty.
Kwalifikacja zapytań sprzedażowych. Lead przychodzi z formularza albo maila. Agent sprawdza, czy zapytanie pasuje do tego, co robisz, uzupełnia je o dane z ogólnodostępnych źródeł, przypisuje priorytet i tworzy wpis w CRM z podsumowaniem. Ty dostajesz gotowy do rozmowy kontekst zamiast surowej wiadomości.
Wspólny mianownik: wszędzie tam wcześniej ktoś czytał tekst i podejmował prostą, ale niesztywną decyzję. To jest dokładnie miejsce, w którym model językowy dokłada wartość, której zwykła automatyzacja nie da.
Gdzie agent AI to strata pieniędzy
Równie ważne jest to, czego agentem nie warto ruszać.
Jeśli zadanie da się opisać sztywną regułą, nie potrzebujesz AI. Przeniesienie pliku, wysłanie przypomnienia o płatności w konkretnym dniu, wygenerowanie raportu z bazy danych - to robota dla zwykłego skryptu albo dla n8n. Skrypt jest tańszy, szybszy i przewidywalny. Model językowy dołożony tam, gdzie wystarczy if, to koszt bez korzyści i dodatkowe ryzyko, że coś zinterpretuje inaczej niż chcesz.
Nie ma też sensu wpuszczać agenta bez nadzoru w procesy, gdzie błąd jest drogi i nieodwracalny. Samodzielna wysyłka umów, księgowanie, decyzje finansowe - tu agent może co najwyżej przygotować wersję roboczą, którą zatwierdza człowiek. Modele językowe potrafią się mylić w sposób pewny siebie, i akurat przy pieniądzach ta cecha kosztuje.
Ostatnia pułapka to sporadyczność. Zbudowanie i utrzymanie agenta ma sens, gdy proces powtarza się często. Do zadania, które robisz raz na kwartał, taniej jest poświęcić godzinę ręcznie niż utrzymywać automat, który trzeba doglądać.
Jak to poskładać technicznie
Nie trzeba budować wszystkiego od zera. Dla większości małych firm sensowny stack wygląda prosto: platforma automatyzacji jak n8n jako szkielet przepływu, model językowy przez API jako "mózg", i integracje z Twoimi systemami przez ich API albo bazę danych.
Model odpytujesz przez API dostawcy, przekazując mu kontekst zadania i opis dostępnych narzędzi. Agent zwraca decyzję, co zrobić, a platforma wykonuje konkretne akcje - zapis do bazy, wysyłkę maila, utworzenie zadania. Tam, gdzie potrzeba czegoś nietypowego, dokładam własny moduł w Pythonie.
Kluczowa zasada, której się trzymam: agent zaczyna od trybu, w którym proponuje, a człowiek zatwierdza. Dopiero gdy przez tygodnie widać, że decyzje są trafne, zdejmuję zatwierdzanie z najprostszych, najbezpieczniejszych przypadków. Odwrotna kolejność, czyli pełna automatyzacja od pierwszego dnia, to prosta droga do sprzątania po agencie.
Od czego zacząć w praktyce
Nie zaczynaj od pytania "jak wdrożyć agenta AI". Zacznij od pytania "który proces zjada mi najwięcej czasu i polega na czytaniu tekstu oraz podejmowaniu prostych decyzji". To jest Twój pierwszy kandydat.
Weź jeden taki proces, opisz go krok po kroku tak, jak robi go dziś człowiek, i policz ile razy w tygodniu się powtarza. Jeśli to kilka albo kilkanaście razy, jest o czym rozmawiać. Jeśli raz na jakiś czas, odpuść i poszukaj czegoś częstszego.
Masz proces, który wygląda na dobrego kandydata, ale nie wiesz czy to robota dla agenta AI, czy wystarczy zwykły skrypt? Napisz, przejrzę go z Tobą i powiem wprost, co się opłaca, a co nie.