Agent AI to program, który samodzielnie wykonuje zadania bez ciągłego nadzoru człowieka. Dostaje cel, planuje kroki, korzysta z narzędzi (mail, CRM, baza danych) i realizuje zadanie od początku do końca. W odróżnieniu od chatbota, który odpowiada na pytania, agent działa - wysyła maile, przetwarza dokumenty, aktualizuje dane w systemach.
Brzmi jak automatyzacja z Zapiera? Nie do końca. Różnica polega na tym, że agent podejmuje decyzje w trakcie działania. Klasyczna automatyzacja wykonuje te same kroki za każdym razem. Agent analizuje sytuację i dostosowuje swoje działanie do kontekstu.
Jak agent AI działa w praktyce
Każdy agent AI działa w pętli składającej się z czterech kroków: obserwuj, zdecyduj, działaj, sprawdź.
Załóżmy, że agent obsługuje leady przychodzące przez formularz kontaktowy. Kiedy pojawia się nowe zgłoszenie, agent je czyta (obserwuj). Następnie ocenia, czy to zapytanie o wycenę, reklamacja, czy spam (zdecyduj). Na tej podstawie wysyła odpowiednią odpowiedź, przypisuje lead do handlowca albo odrzuca zgłoszenie (działaj). Po kilku godzinach sprawdza, czy klient odpowiedział i czy handlowiec podjął kontakt (sprawdź). Jeśli nie, wysyła przypomnienie.
Ta pętla powtarza się aż do zamknięcia sprawy. Agent nie czeka na polecenie człowieka po każdym kroku. Sam decyduje, co zrobić dalej, na podstawie reguł i kontekstu, który zebrał wcześniej.
W tle pracuje duży model językowy (LLM), który odpowiada za rozumienie tekstu i podejmowanie decyzji. Model jest podpięty do narzędzi: API maila, CRM-u, bazy danych, kalendarza. Agent "wie", które narzędzie użyć w danej sytuacji, bo dostał instrukcje opisujące jego zadania i zasady działania.
Czym agent różni się od chatbota
Chatbot reaguje na pytania. Klient pyta, chatbot odpowiada. Koniec interakcji. Dobry chatbot oparty na RAG potrafi szukać w firmowej bazie wiedzy i dawać trafne odpowiedzi, ale cały czas czeka na input użytkownika.
Agent działa proaktywnie. Może sam zainicjować działanie: wysłać raport, przenieść plik, zaktualizować rekord w bazie, odpisać na maila. Chatbot to konsultant przy biurku. Agent to pracownik, który dostaje zadanie i wraca z wynikiem.
Jest też kwestia skali zadań. Chatbot obsługuje jedną turę rozmowy. Agent prowadzi wieloetapowe procesy, które mogą trwać godziny albo dni. Może czekać na odpowiedź klienta, eskalować sprawę do człowieka, wrócić do zadania następnego dnia.
Do tego dochodzą integracje. Chatbot zazwyczaj działa w jednym kanale (widget na stronie, Messenger). Agent łączy się z wieloma systemami jednocześnie, bo jego zadanie często wymaga operacji w kilku miejscach naraz.
Czym agent różni się od RPA
RPA (Robotic Process Automation) to skryptowana automatyzacja. Bot RPA klika w te same przyciski, w tej samej kolejności, za każdym razem. Jeśli zmieni się układ strony albo pojawi się niestandardowy przypadek, bot się zatrzymuje.
Agent AI radzi sobie z wyjątkami. Kiedy napotka sytuację, której nie ma w instrukcji, może ją zinterpretować i podjąć rozsądną decyzję. RPA przetworzy 500 faktur z identycznym układem. Agent przetworzy 500 faktur od różnych dostawców, z różnymi formatami, i sam ustali, gdzie jest kwota netto, a gdzie numer faktury.
To nie znaczy, że agent zastępuje RPA we wszystkim. Przy prostych, powtarzalnych zadaniach z jasną strukturą RPA jest tańsze i szybsze. Agent ma sens tam, gdzie dane są niestrukturyzowane albo proces wymaga oceny sytuacji.
Konkretne zastosowania w firmach
W obsłudze leadów agent monitoruje formularze, maile i wiadomości na czacie. Klasyfikuje zgłoszenia, odpowiada na typowe pytania, przypisuje leady do handlowców. Jeśli klient nie odpowiada przez 48 godzin, wysyła follow-up. Handlowiec dostaje powiadomienie dopiero wtedy, gdy lead jest zakwalifikowany i gotowy do rozmowy.
Przy przetwarzaniu dokumentów agent czyta faktury, umowy, CV albo wnioski. Wyciąga dane, wpisuje je do systemu, flaguje dokumenty wymagające ludzkiej uwagi. Firma ubezpieczeniowa może użyć agenta do wstępnej analizy roszczeń, co skraca czas obsługi z dni do minut.
Agent sprawdza się też w monitoringu. Śledzi metryki biznesowe, logi systemowe albo media społecznościowe. Kiedy wykryje anomalie (nagły wzrost reklamacji, spadek konwersji, negatywna wzmianka o marce), wysyła alert do odpowiedniej osoby z kontekstem i sugerowaną reakcją.
Raportowanie to kolejny obszar. Zbieranie danych z różnych źródeł, łączenie w jeden raport, wysyłka do menedżera co tydzień. Zamiast spędzać dwie godziny w Excelu, menedżer dostaje gotowy raport w mailu o 8 rano.
W onboardingu agent prowadzi nowego pracownika przez proces wdrożenia: wysyła kolejne dokumenty do podpisu, przypomina o szkoleniach, odpowiada na pytania o procedury, zbiera feedback po pierwszym tygodniu. HR nie musi pamiętać o każdym kroku.
Więcej o tym, jak automatyzacja procesów wygląda w praktyce, opisuję na stronie usług.
Kiedy agent AI ma sens, a kiedy to przesada
Agent AI sprawdza się, gdy proces spełnia kilka warunków: jest powtarzalny, ale wymaga oceny sytuacji; angażuje wiele systemów; zajmuje pracownikom czas, który mógłby iść na coś bardziej wartościowego. Typowy przykład: obsługa zapytań od klientów, która wymaga sprawdzenia statusu zamówienia w jednym systemie, historii kontaktu w drugim i wysyłki odpowiedzi w trzecim.
Agent nie ma sensu, gdy proces jest prosty i liniowy. Jeśli zadanie sprowadza się do "kiedy pojawi się X, zrób Y", wystarczy zwykła automatyzacja w n8n albo Make. Ustawiasz to raz i działa. Nie potrzebujesz modelu językowego ani kosztów API, a ryzyko halucynacji znika.
Agent nie ma też sensu, gdy skala jest za mała. Firma, która dostaje 10 zapytań od klientów dziennie, nie potrzebuje agenta do ich obsługi. Człowiek zrobi to w pół godziny. Koszt wdrożenia i utrzymania agenta nie zwróci się przy takiej skali.
Z drugiej strony, firma, która przetwarza 200 zapytań dziennie i traci na to etat jednego pracownika, ma dobry powód, żeby rozważyć agenta. Szczególnie jeśli część tych zapytań jest powtarzalna i może być obsługiwana bez udziału człowieka.
Ogólna zasada: jeśli możesz opisać proces na kartce A4 jako schemat blokowy z jasnym początkiem i końcem, agent prawdopodobnie da radę go wykonać. Jeśli proces wymaga kreatywności, negocjacji międzyludzkich albo budowania relacji, agent sobie nie poradzi.
Jak wygląda wdrożenie
Wdrożenie agenta AI nie zaczyna się od kodu. Zaczyna się od zmapowania procesu, który agent ma przejąć. Trzeba odpowiedzieć na pytania: jakie dane wchodzą, jakie wychodzą, jakie decyzje są podejmowane po drodze, jakie systemy są używane i kto odpowiada za wynik.
Następnie trzeba przygotować dostęp do danych. Agent potrzebuje API do systemów, z którymi ma pracować. Jeśli CRM nie ma API albo dane są trzymane w Excelu na dysku współdzielonym, trzeba to najpierw ułożyć. To często najtrudniejszy etap, bo wychodzi na jaw, że dane w firmie są rozproszone, niespójne albo nieaktualne.
Samo wdrożenie agenta to konfiguracja modelu, podpięcie narzędzi, napisanie instrukcji (tzw. prompty systemowe) i testy. Agenta trzeba przetestować na realnych danych, zidentyfikować przypadki brzegowe i ustawić zabezpieczenia: co agent może zrobić sam, a co wymaga zatwierdzenia człowieka.
Jeśli chodzi o koszty, typowe wdrożenie agenta dla małej firmy to od 5 do 30 tysięcy złotych. Dolna granica to prosty agent na n8n z gotowym LLM i jedną integracją. Górna to custom agent z wieloma integracjami (CRM, mail, baza danych) i testami. Do tego dochodzi miesięczny koszt utrzymania: API do modelu językowego (od 100 do 1000 zł miesięcznie, zależnie od wolumenu) plus hosting. Proste wdrożenie można postawić w 2-4 tygodnie. Bardziej złożone, z wieloma integracjami i testami, zajmie 1-3 miesiące.
Ważna rzecz: agent AI wymaga nadzoru, szczególnie na początku. Trzeba monitorować jego decyzje, poprawiać instrukcje i reagować na przypadki, których nie przewidzieliśmy. Z czasem agent się "dociera" i potrzebuje mniej uwagi, ale całkowita autonomia to mit. Zawsze powinien być człowiek, który może wkroczyć.
Budujesz proces, który mógłby wykonywać agent? Albo chcesz sprawdzić, czy w Twojej firmie jest miejsce na taką automatyzację? Napisz do mnie, porozmawiamy o konkretach.
