Agenty AI dla firm

Chatbot odpowiada na pytania. Asystent AI pomaga człowiekowi w pracy, ale to człowiek prowadzi zadanie. Agent AI wykonuje pracę sam: czyta dokumenty, podejmuje decyzje, korzysta z systemów firmy i doprowadza zadanie do końca. Chatbot to recepcja, asystent to pomocnik przy biurku, a agent to pracownik z własną listą zadań. Więcej piszemy w artykule Agent AI, asystent czy chatbot?

Bardzo dużo: od klasyfikacji maili, przez czytanie faktur, umów i raportów, uzupełnianie CRM, po zaawansowane zadania programistyczne. Najczęściej wdrażamy agentów AI w księgowości, kadrach i HR, kancelariach oraz w obsłudze zgłoszeń klientów. Zawsze jednak warto pamiętać, że to wciąż maszyna, a nie cudotwórca... najlepiej pracuje tam, gdzie zadanie da się jasno opisać i sprawdzić.

W użyciu są obie formy. "Agenci AI" brzmi jak o ludziach, "agenty AI" jak o programach, i obie spotkasz w tekstach o sztucznej inteligencji. Używamy obu, bo dla rezultatu liczy się nie końcówka, tylko to, czy agent dowiezie zadanie.

Zwykle dni, nie tygodnie czy miesiące. Ile dokładnie, zależy od zakresu integracji i liczby narzędzi, które agent ma obsługiwać. Prosty agent na jednym procesie jest gotowy szybko, a szeroki dostęp do wielu systemów to po prostu kilka dni więcej.

Zazwyczaj już w ciągu 30 minut pracownicy potrafią wykonać z agentem pierwsze zadania. Po kilku dniach znają pełnię jego możliwości i sami zaczynają eksperymentować z wdrażaniem go do własnych procesów. To nie jest wdrożenie na kwartał, tylko na jedno popołudnie.

To proces ciągły. Nasze agenty wyposażamy w pamięć długotrwałą, dostępną między sesjami: w trakcie pracy użytkownicy zbierają doświadczenia i proszą agenta o dopisanie własnych instrukcji oraz uwag. Te instrukcje pracownicy mogą sami edytować i dodawać, trwale modyfikując i dopieszczając agenta pod swój sposób pracy. Co więcej, agent po rozwiązaniu problemu (np. gdy źle zrozumiał instrukcję i odkrył właściwe podejście) sam zapisuje swoje wnioski w pamięci długotrwałej. Dlatego szkolenie agenta właściwie nigdy się nie kończy... on uczy się dalej, kiedy Ty pracujesz.

Tak, ale nie zaczynamy od automatu. Najpierw jest etap adaptacji: pracownicy działają razem z agentem i w oparciu o niego wykonują swoje zadania. Z czasem, gdy agent zaczyna coraz więcej zadań robić sprawnie już od pierwszego promptu, takie zadania selekcjonujemy i możemy uruchamiać je automatycznie... na przykład gdy przyjdzie określony typ maila albo do wskazanego folderu trafi firmowy raport. Automat wchodzi wtedy, gdy jest już zaufanie poparte wynikami, a nie na wiarę.

Zależy od zakresu i liczby procesów, a dokładną wycenę podajemy po bezpłatnej konsultacji. Planujemy wdrożenie pod szybki zwrot, nie pod długi projekt: zaczynamy od jednego procesu, który najszybciej się spina, i rozbudowujemy agenta dopiero wtedy, gdy widać efekty.

To zależy, z jakich modeli korzystamy i jak skomplikowane zadania agent wykonuje... to bardzo szerokie zagadnienie. Zwykle wykonanie zadania przez agenta to ułamek kosztu tej samej pracy wykonanej przez człowieka. Bywają jednak sytuacje, w których agent policzy sobie na zadanie więcej czasu i pieniędzy niż człowiek. Nie zamierzamy pokazywać tylko różowej strony: jak każda technologia, agenty mają plusy i minusy, i właśnie dlatego potrzebni są profesjonaliści, żeby wdrożenie miało tych plusów więcej niż minusów. Do tego dochodzi stały koszt infrastruktury, na której agent mieszka i przechowuje swoje dane... najczęściej rząd wielkości 100-200 zł miesięcznie za utrzymanie środowiska dla agenta lub grupy agentów.

Prostego agenta do własnych zadań da się zbudować bez dużych kosztów, np. w ChatGPT, Gemini, Copilocie albo w n8n. Agent dla firmy to jednak coś więcej niż sam model: integracja z systemami, uprawnienia, bezpieczeństwo danych, logowanie decyzji i utrzymanie. Za darmo bywa model, a nie agent, który bezpiecznie pracuje na danych Twojej firmy.

Tak. Agent nie jest przywiązany do jednego dostawcy: dobieramy model do zadania i do budżetu, a w razie potrzeby zmieniamy go bez przebudowy całego systemu. Często na co dzień pracują tańsze modele, a najmocniejsze wchodzą tylko tam, gdzie naprawdę są potrzebne.

Tak, jeśli jest dobrze zaprojektowany. Agent dostaje minimalne niezbędne dostępy, działa w kontrolowanym środowisku, a każda jego decyzja jest logowana. Widzi tylko to, co musi... zupełnie jak dobrze wdrożony pracownik.

Jest kilka dróg, a wybór zależy od potrzeb i ryzyk. Możemy zbudować własną infrastrukturę, w której lokalne, otwarte modele pracują wyłącznie na rzecz firmy: wtedy masz 100% kontroli nad danymi, ale pula modeli ogranicza się do rozwiązań open source, które w niektórych przypadkach odstają od najlepszych modeli na rynku, a utrzymanie takiej infrastruktury to inwestycja liczona w setkach tysięcy złotych. Możemy też dołożyć warstwę anonimizacji (rynkową albo lokalną, koszt jak przy własnej infrastrukturze, ale drastycznie niższy), która anonimizuje dane wysyłane do modeli rynkowych. Trzecia opcja to dedykowane usługi klasy enterprise, gdzie zabezpieczeniem są umowy i wiarygodność partnerów kalibru Microsoft Azure czy Google Vertex: udostępniają modele LLM, nie używając Twoich danych do treningu, i przechowują je w sposób trwale anonimowy albo nie przechowują ich wcale.

Jeśli proces da się opisać sztywną instrukcją krok po kroku, wystarczy tańsza automatyzacja procesów. Agent wchodzi tam, gdzie potrzebny jest kontekst: nietypowe dokumenty, niejednoznaczne zgłoszenia, decyzje z wyjątkami.