Wszędzie ogłasza się “rok agentów AI”. Na YouTube, X i w prelekcjach konferencyjnych obietnice się przelicytowują: agenci mają zastąpić całe działy i wkrótce uchodzić za pełnoprawnych pracowników. Wiele z tego jest po prostu nieprawdą albo przynajmniej mocno przesadzone. W rozmowie w podcaście “Marketing Against the Grain” Joe Mora, CEO i założyciel crewAI, trzeźwo porządkuje sytuację – łącznie z uczciwą oceną, co dziś działa, a co jeszcze nie. Dla decydentów w MŚP właśnie to rozdzielenie substancji od marketingu jest rozstrzygające, zanim popłyną budżety.
- Agent AI to więcej niż chatbot: dostaje zadanie, pracuje autonomicznie i korzysta przy tym z pamięci (memory) i narzędzi (tools), by sięgać do systemów jak CRM czy ERP.
- Agenci są realnie w użyciu – ale wolniejsi i bardziej podatni na błędy, niż sugeruje szum. Tkwimy w fazie próbowania, a nie pełnej automatyzacji całych działów.
- Właściwy start oznacza: wybrać proste przypadki użycia o niskim wymaganiu precyzji, a nie procesy wysoce krytyczne jak formularze podatkowe.
- W procesie zostaje więcej ludzi (“human in the loop”), niż wielu oczekuje. Kontrola i możliwość prześledzenia są centralne.
- Dopiero około 15 procent ankietowanych firm ma agentów produkcyjnie w użyciu – kto zaczyna teraz, należy do wcześnie ruszających.
Czym w ogóle jest agent AI
Duże modele językowe jak te stojące za ChatGPT czy Claude są w istocie bardzo dobre w przewidywaniu następnego słowa i wytwarzaniu treści. Napiszą e-mail, na życzenie zrobią go luźniejszym, a nawet potrafią wybrać między dwoma wariantami z uzasadnieniem – swego rodzaju szczątkowa ocena.
Agent wykorzystuje dokładnie tę zdolność, by samodzielnie przemyśleć problem. Różnica wobec czatu: dają Państwo agentowi zadanie i mogą wyjść z pokoju. On próbuje wtedy autonomicznie, przez wiele kroków, osiągnąć cel. Mora ujmuje to celnie: agent potrzebuje agency, czyli zdolności do działania.
Typowe są do tego dwa elementy:
- Memory (pamięć): Żeby agent zachowywał informacje w poprzek poszczególnych kroków – krótko- i długoterminowo.
- Tools (narzędzia): Interfejsy do innych systemów jak CRM, ERP czy usługi researchowe, żeby agent mógł działać zastępczo.
Test rzeczywistości: powolny, ale użyteczny w tle
Za przykład służy “Operator” od OpenAI, dostępny w wariancie ChatGPT Pro za około 200 dolarów amerykańskich miesięcznie. Agent steruje przeglądarką i potrafi na przykład wyszukiwać hotele, loty czy restauracje. Ocena w rozmowie jest trzeźwa: Operator jest powolny i po części nieporęczny – szacunkowo dziesięć razy wolniejszy niż człowiek przy tym samym zadaniu.
Rozstrzygający punkt: przy zadaniach, które mogą biec w tle, powolność nie odgrywa większej roli. Mora opisuje, jak używa agentów do swoich postów w mediach społecznościowych: wpisać pomysł, pójść po kawę, pracować dalej – a szkic jest gotowy, gdy wraca. W ten sposób regularnie załatwia coś, co inaczej z braku czasu zostawiał.
Myśl przewodnia: Opóźnienie jest niekrytyczne, gdy małe “wojsko” agentów odrabia zadania w tle, podczas gdy Państwo zajmują się ważniejszymi rzeczami.
Zaufanie i kontrola: dlaczego człowiek musi pozostać widoczny
Centralnym pytaniem przy autonomicznych agentach jest logika obsługi: czy agent ma po prostu zgłosić rezerwację w restauracji jako “załatwioną”, czy też ma dać się obserwować przy pracy? Operator stawia na to, by agent pracował widocznie i by dało się w każdej chwili wkroczyć.
Ma to dwa powody: bezpieczeństwo i zaufanie. Widać, co się dzieje, i można poprawić. Ostrzegawczy przykład z rozmowy: wczesny agent do e-maili miał tylko tworzyć szkice, ale zaczął samodzielnie wysyłać po części osobliwe maile. Zwłaszcza w firmach obowiązuje: kto automatyzuje krytyczny proces, chce go wizualizować, kontrolować i móc później sprawdzić.
Właściwy start: najpierw niska precyzja
Chyba najbardziej praktyczna rekomendacja dotyczy doboru pierwszych przypadków użycia. Mora rozróżnia niskie i wysokie wymaganie precyzji:
- Niska precyzja (wystarcza około 90 procent dokładności): na przykład agent tworzący z transkryptów rozmów albo danych CRM szkice prezentacji sprzedażowych. Błędy są tu do przełknięcia i łatwe do poprawienia.
- Wysoka precyzja (potrzebne 99,99 procent): na przykład wypełnianie formularzy podatkowych albo urzędowych. Mora wymienia formularze liczące ponad 70 stron i podręczniki na 620 stron – tu nic nie może pójść źle.
Jasny komunikat: Proszę nie zaczynać od wysokiej precyzji, bo inaczej sparzą sobie Państwo palce. Proszę zacząć prosto i stamtąd skalować.
Cztery wytyczne na start
- Adoptować wcześnie: Proszę zapewnić sobie przewagę, zamiast czekać.
- Nie czekać na cudze przypadki użycia: Proszę nie patrzeć, co robi koncern X – proszę znaleźć własny, prosty punkt startowy.
- Zacząć prosto: Proszę rozłożyć rolę na pojedyncze zadania i wyjąć te o niskim wymaganiu precyzji.
- Rozbudowywać w kierunku “low risk, high impact”: Proszę rozszerzać stopniowo na przypadki o niskim ryzyku i dużej korzyści.
Praktyczna wskazówka z rozmowy: proszę wziąć konkretną rolę – na przykład handlowca (BDR) – i kazać podzielić zadania na niską i wysoką precyzję. Właśnie te nisko precyzyjne zadania są idealnymi polami do eksperymentów. Do budowania jest dziś kilka dróg: platformy no-code dla mniej technicznych użytkowników, jak również frameworki dla programistów, którzy programują agentów w Pythonie.
Jak firmy właściwie stosują agentów
Błędnym podejściem jest budowanie agentów jako czystej kopii 1:1 ludzkiej pracy. Skuteczniejsze jest automatyzowanie pojedynczych mikrozadań, tak by ludzie zwolnili się do ważniejszych rzeczy – swego rodzaju awans: odpowiedzialność za wynik końcowy zostaje przy człowieku, agent przejmuje pracę przygotowawczą.
Przykład z praktyki: firma telekomunikacyjna automatyzuje analizę umów. Zanim umowa trafi do działu prawnego, agenci dostarczają już rekomendacje i zaznaczone zmiany (“red lines”). W ten sposób da się skalować rzeczy, które wcześniej były zbyt drogie.
Co do zakotwiczenia w firmie rysuje się pewien wzorzec: od pojedynczych pracowników używających po cichu ChatGPT i przy tym być może ujawniających wrażliwe dane oraz zamykających wiedzę w silosach – ku centralnemu sterowaniu, często pod CIO, CTO albo Head of AI. Daje to kontrolę nad tym, jakie modele są używane i jak obchodzi się z danymi osobowymi. Naprawdę dużą wartość dodaną podnoszą zespoły techniczne, bo złożone automatyzacje trzeba głęboko wpiąć w dane nieustrukturyzowane i własne systemy.
Konkretne przypadki użycia w marketingu i sprzedaży
Trzy przykłady z rozmowy pokazują, do czego agenci dziś się nadają:
- Wzbogacanie leadów o hipotezy: Gdy ktoś rejestruje się na stronie internetowej, agenci researchują tę osobę i firmę. Ponadto formułują hipotezy, jak ta osoba mogłaby używać produktu, strukturyzują wynik jako JSON i przekazują go do HubSpot oraz do bazy danych produktu. Rezultat: hiperspersonalizowane e-maile i dopasowane podglądy produktu.
- Przygotowanie sprzedażowe: Agenci researchują klientów z wyprzedzeniem – na przykład przez narzędzia researchowe jak Sonar od Perplexity. Dzięki temu handlowiec przygotowuje się wprawdzie niekoniecznie szybciej, ale szerzej i lepiej, i może obsłużyć więcej spotkań. Kusząca jest też myśl o replikowaniu sposobu działania najlepszego handlowca, tak by wszyscy byli przygotowani na tym poziomie.
- Optymalizacja SEO i konwersji: Agenci tworzą zrzuty ekranu własnej strony internetowej, analizują teksty i konkurencję i wyprowadzają z tego hipotezy, co dałoby się zmienić. Ludzki wkład pozostaje szczupły: własna strona, opis branży i cel optymalizacji. Resztę załatwiają agenci i dostarczają propozycje testów A/B.
Gdzie oczekiwania i technika się rozjeżdżają
Największa rozbieżność między szumem a rzeczywistością leży według Mory w dwóch punktach:
- Więcej człowieka w procesie, niż się sądzi: Właśnie teraz potrzeba wyraźnie więcej “human in the loop”. Pełna, przechodząca na wskroś automatyzacja end-to-end – szczególnie przy procesach wysoce precyzyjnych – nie jest jeszcze na tym etapie. Agenci wciąż często zawodzą w połowie drogi.
- Integracja jest bardziej pracochłonna, niż się oczekuje: W firmach tkwi dużo “kleju” między systemami. Żeby agenci mogli nawigować po tych ścieżkach, potrzeba czystego kodu i jasnych instrukcji. Nieprzypadkowo branża zaczyna od przeglądarki – tam istnieje wspólny interfejs. Wiele firm używa jednak oprogramowania desktopowego, które nie jest nawet online.
Godna uwagi jest liczba dotycząca adopcji: z około 4.000 do 4.500 ankietowanych osób tylko mniej więcej 15 procent miało agentów produkcyjnie w użyciu, w dużych firmach około 23 procent. Ponieważ ci ankietowani są i tak technicznie zorientowani, w całej gospodarce liczba jest zapewne niższa. Przesłanie dla decydentów: jest bardzo wcześnie – a kto startuje teraz, należy jeszcze do szybko ruszających.
Agenci jako przyszłe kryterium rekrutacyjne
Prognoza, która każe nadstawić ucha: CEO Microsoftu Satya Nadella naszkicował, że ludzi mogłoby się w przyszłości zatrudniać także ze względu na agentów, których sobie zbudowali – zamiast tylko ze względu na certyfikaty i wcześniejsze doświadczenie zawodowe. Mora się zgadza, mniej ze względu na samych agentów, a bardziej dlatego, że mówią oni coś o danej osobie. W crewAI kandydaci mogą w rozmowie inżynierskiej wyraźnie używać wszystkich narzędzi AI – kto tego nie robi, odpada. To, jak dobrze ktoś posługuje się tymi narzędziami, w istotnym stopniu wpływa na decyzję o zatrudnieniu.
Podsumowanie
Obecnie jest to faza, w której wiele firm próbuje agentów i wprowadza ich na produkcję – ale nie faza, w której agenci przejmują załogę. Trzeźwa rzeczywistość: agenci są dziś często wolniejsi niż ludzie, potrzebują nadzoru i wciąż regularnie zawodzą. Ich wartość rozwija się przy zadaniach w tle, przy mikrozadaniach wewnątrz roli i wszędzie tam, gdzie błędy są do przełknięcia. Dla decydentów w MŚP oznacza to: zaczynać mało i prosto, rozpoczynać od niskiego wymagania precyzji, trzymać człowieka widocznie w pętli i stopniowo rozbudowywać na przypadki o małym ryzyku i dużym oddziaływaniu. Kto tak postąpi, zbiera dziś praktyczne doświadczenie – nie dając się złapać na szum.