Agenci AI w firmie — co robią, gdzie zawodzą i jak nad nimi zapanować

W 2026 roku kategoria przesunęła się z „AI jako funkcja" na „AI, które wykonuje pracę". Notion uruchomił agentów zewnętrznych jako członków zespołu, monday przepozycjonował się na platformę pracy z AI, a protokół MCP trafił do oferty wszystkich pięciu największych graczy kategorii.

Jednocześnie około 80% organizacji raportuje ryzykowne zachowania agentów (KPMG, 2026).

Te dwa fakty razem opisują sytuację dokładnie: agenci zaczęli robić prawdziwą pracę, zanim ktokolwiek rozwiązał problem panowania nad nimi. Ten przewodnik jest o tym, jak wejść w agentów bez wchodzenia w tę drugą statystykę.

Czym agent różni się od czatu#

Różnica nie leży w modelu. Ten sam model może być jednym i drugim.

Czat dostaje pytanie i zwraca tekst. Jego najgorszy możliwy błąd to zła odpowiedź, którą zobaczysz i odrzucisz.

Agent dostaje narzędzia — prawo do zapisania rekordu, wysłania wiadomości, uruchomienia procesu — i cel. Sam decyduje, których narzędzi użyć i w jakiej kolejności. Jego najgorszy możliwy błąd zostaje w systemie albo wychodzi do klienta.

To przesuwa całą uwagę z jakości odpowiedzi na kontrolę nad skutkami. Model, który myli się w 5% odpowiedzi w czacie, jest użyteczny. Ten sam model wystawiający faktury z 5% błędu jest problemem. Obok czatu i agenta w tej samej rozmowie pojawia się zwykle klasyczna automatyzacja, a wybór między automatyzacją a agentem sprowadza się do tego, czy ktoś potrafi z góry opisać drogę do celu.

Gdzie agenci zawodzą#

Cztery powtarzalne kategorie, w kolejności od najczęstszej:

Działanie na nieaktualnych danych. Agent czyta rekord, podejmuje decyzję, w międzyczasie ktoś zmienia rekord. Agent kończy pracę na stanie sprzed pięciu minut. To nie jest błąd modelu — to jest brak blokady.

Zbyt szerokie uprawnienia. Agent uruchomiony przez właściciela dziedziczy uprawnienia właściciela, czyli widzi wszystko. Zapytany o coś przez szeregowego pracownika, może wyciągnąć dane, do których ten pracownik nie ma dostępu. To jest problem architektury uprawnień, nie AI.

Pewność siebie przy braku danych. Model zapytany o rzecz, której nie ma w danych, częściej zgadnie niż powie „nie wiem". W czacie to irytujące. W agencie, który na podstawie tego zgadnięcia coś zapisuje, to jest wprowadzenie błędu do systemu.

Kaskada. Agent wykonujący serię kroków, w której trzeci krok bazuje na błędnym wyniku pierwszego. Bez możliwości zatrzymania w trakcie dowiadujesz się o problemie na końcu, gdy wszystkie kroki są już wykonane.

Trzy mechanizmy, bez których nie warto zaczynać#

1. Zatwierdzanie pojedynczych akcji#

Agent proponuje akcję, człowiek ją zatwierdza albo odrzuca — przed wykonaniem, pojedynczo.

Kluczowe słowo to „pojedynczo". Zatwierdzanie zbiorcze raz dziennie to nie jest kontrola, tylko rytuał: nikt nie czyta czterdziestu pozycji na liście, wszyscy klikają „zatwierdź wszystko". Kontrola działa wtedy, gdy dotyczy jednej akcji w momencie, w którym ma się wydarzyć.

To jest też mechanizm, który zmienia rozmowę wewnątrz firmy. „AI będzie działać w naszych danych" budzi opór. „AI zaproponuje, ty klikniesz" — nie budzi.

2. Zatrzymanie w trakcie#

Agent w połowie serii kroków musi dać się przerwać. Bez tego jedyną opcją jest czekanie do końca i sprzątanie po fakcie.

3. Dziennik zmian z cofaniem#

Każda zmiana — ludzka i maszynowa — zapisana z informacją kto, co i kiedy, z możliwością cofnięcia.

To jest mechanizm, który najbardziej zmienia charakter wdrożenia. Gdy każdy błąd da się odwrócić jednym kliknięciem, przestaje być awarią wymagającą procedury, a staje się drobiazgiem. Zespół, który to wie, testuje śmielej i wdraża szybciej.

Szczegółowo o tym, jak wygląda dobrze zaprojektowany ekran zatwierdzania, piszemy w tekście o zatwierdzaniu akcji AI przez człowieka.

Jak zacząć w firmie 11–200 osób#

Pierwszy agent powinien tylko czytać. Odpowiadanie na pytania o dane firmy — „ile mamy otwartych zleceń u tego klienta", „kiedy była ostatnia wizyta" — nie niesie ryzyka zapisu, a od razu pokazuje, czy dane są w porządku. Jeśli agent odpowiada źle, problem prawie zawsze leży w danych, nie w modelu. Sam wybór czynności też nie jest obojętny: o tym, które zadanie oddać agentowi jako pierwsze, rozstrzyga test z pięciu pytań — od odwracalności skutku po liczbę osób, które muszą zmienić nawyk.

Drugi agent zapisuje, ale za zgodą. Zmiana statusu, dopisanie notatki, utworzenie zadania — wszystko przez ekran zatwierdzenia. Po dwóch tygodniach zobaczysz, ile propozycji akceptujesz bez zmian. To jest twoja miara zaufania i jednocześnie sygnał, kiedy można poluzować.

Trzeci agent działa na zewnątrz — i to jest granica, przy której warto się zatrzymać. Wiadomości do klientów, dokumenty wychodzące, cokolwiek, czego nie da się cofnąć po drugiej stronie. Tutaj zatwierdzanie powinno zostać na stałe, niezależnie od tego, jak dobrze agent sobie radzi.

Kwestia, o której warto wiedzieć zawczasu: koszt#

Modele językowe rozliczają się za użycie. Agent wykonujący serię kroków zużywa wielokrotnie więcej niż pojedyncze pytanie w czacie, bo każdy krok to osobne wywołanie z całym kontekstem.

Praktyczne konsekwencje:

• Pytaj dostawcę, jak rozlicza AI. Wliczone w abonament, kredyty, płatność za użycie — to trzy różne modele o bardzo różnym profilu ryzyka przy rosnącym wykorzystaniu.
• Sprawdź, czy widzisz zużycie. Narzędzie, które nie pokazuje, ile kosztowała konkretna operacja, nie pozwoli ci zapanować nad rachunkiem, gdy zespół zacznie z niego realnie korzystać.
• Uważaj na agentów uruchamianych automatycznie. Agent reagujący na każdą zmianę rekordu w aktywnej bazie potrafi wygenerować koszt nieproporcjonalny do wartości.

Model-agnostyczność: dlaczego to ma znaczenie#

Rynek modeli zmienia się co kwartał. Narzędzie przywiązane na sztywno do jednego dostawcy przenosi to ryzyko na ciebie: zmiana cennika albo pogorszenie jakości u dostawcy staje się twoim problemem, bez opcji wyjścia.

Praktyczny wniosek przy wyborze narzędzia: sprawdź, czy da się zmienić model bez przebudowy tego, co już zbudowałeś. Standardem, który to umożliwia, jest MCP — opisujemy go w przewodniku o integracji AI z danymi firmy.

Co dalej#

• Zatwierdzanie akcji AI przez człowieka — jak to wygląda w praktyce
• Wdrożenie AI w firmie — szerszy kontekst całego procesu
• Integracja AI z danymi firmy — jak podłączyć model do własnych danych