Agent AI to program, który dostaje cel zamiast instrukcji krok po kroku i sam planuje, jak go osiągnąć. Model językowy wybiera kolejne kroki, wykonuje je narzędziami (poczta, kalendarz, CRM, system fakturowy) i sprawdza wynik, aż zadanie jest zrobione. Tym różni się od chatbota, który kończy pracę, gdy odpowie. Producenci nazywają dziś agentem wszystko, od okienka czatu na stronie po program prowadzący księgowość. Dlatego poniżej wyjaśniamy, jak agent działa od środka, czym różni się od zwykłej automatyzacji i w jakich zadaniach w firmie ma sens, a w jakich nie.
Definicja w trzech zdaniach: model językowy plus narzędzia plus cel
Agent AI to program, który dostaje cel, a nie instrukcję krok po kroku, i sam planuje, jak go osiągnąć. Składa się z trzech elementów: modelu językowego (takiego jak Claude czy GPT), który rozumie polecenie i podejmuje decyzje, zestawu narzędzi (dostęp do poczty, kalendarza, bazy klientów, systemu fakturowego), których model może użyć, i pętli, w której model planuje krok, wykonuje go narzędziem, sprawdza wynik i decyduje, co dalej. Chatbot kończy pracę, gdy odpowie. Agent kończy, gdy zadanie jest zrobione.
Ta definicja nie jest marketingowa. W przeglądzie badań z 2023 r. Wang i współautorzy opisują agenta opartego na modelu językowym dokładnie tak: model plus pamięć plus narzędzia plus zdolność planowania. Anthropic w poradniku „Building effective agents” z grudnia 2024 r. dodaje praktyczne rozróżnienie: przepływ, w którym kroki są z góry ustalone, to „workflow”, a agent to system, w którym model sam decyduje o kolejności kroków i o tym, których narzędzi użyć. Większość rzeczy sprzedawanych jako „agent” to w rzeczywistości workflow z jednym wywołaniem modelu. To nie wada, często jest to lepszy wybór, ale warto wiedzieć, za co się płaci.
Chatbot, automatyzacja, agent: trzy poziomy i ta sama sprawa
Najprościej pokazać różnicę na jednej sprawie. Klient pisze w niedzielę wieczorem: „Czy zrobicie montaż klimatyzacji w przyszłym tygodniu i ile to kosztuje?”
Chatbot (klasyczny, na drzewku scenariuszy) rozpozna słowo „klimatyzacja” i wyświetli przygotowaną odpowiedź: „Nasze usługi montażu znajdziesz tutaj. Zostaw numer, oddzwonimy.” Klient nie dostał ani terminu, ani ceny. W poniedziałek ktoś musi oddzwonić.
Automatyzacja (na przykład w n8n lub Make) zrobi więcej, ale tylko to, co zaprojektowano: zapisze zapytanie w CRM, wyśle klientowi mail z cennikiem PDF i powiadomi handlowca na Slacku. Kroki są sztywne. Jeśli klient zapyta o coś, czego nie przewidziano („a czy montujecie w bloku bez zgody wspólnoty?”), automatyzacja nie ma co z tym zrobić.
Agent przeczyta pytanie, sprawdzi w bazie wiedzy cennik montażu i zasady dotyczące bloków, zajrzy do kalendarza ekipy, znajdzie wolny czwartek, odpisze: „Montaż w bloku wymaga zgody wspólnoty na jednostkę zewnętrzną, tu jest wzór pisma. Wolny termin mamy w czwartek 24 września, koszt montażu jednostki 3,5 kW to 1 200 zł netto, urządzenie osobno. Rezerwuję?” Gdy klient potwierdzi, agent wpisze termin do kalendarza, założy klienta w CRM i wyśle handlowcowi podsumowanie. Jeśli klient zada pytanie, na które w bazie wiedzy nie ma odpowiedzi, agent powie, że sprawdzi, i przekaże rozmowę człowiekowi z kompletem kontekstu.
Trzy poziomy, trzy różne koszty i trzy różne ryzyka. Chatbot jest tani i bezpieczny, ale prawie nic nie załatwia. Automatyzacja jest przewidywalna i tania w utrzymaniu, ale sztywna. Agent załatwia sprawę, ale wymaga bazy wiedzy, uprawnień i nadzoru. Dobre wdrożenie w firmie zwykle łączy te poziomy: agent rozmawia i decyduje, automatyzacja wykonuje rutynowe kroki w tle.
Jak agent działa od środka: baza wiedzy, narzędzia, pamięć, granice
Baza wiedzy. Model językowy sam z siebie nie zna Twojego cennika ani regulaminu. Agent dostaje je przez technikę RAG (retrieval-augmented generation): przed odpowiedzią wyszukuje w Twoich dokumentach fragmenty pasujące do pytania i odpowiada na ich podstawie, a nie z ogólnej wiedzy z internetu. Jakość agenta zależy więc w pierwszej kolejności od jakości dokumentów: aktualny cennik, spisane zasady, FAQ z prawdziwych pytań klientów.
Narzędzia. Każda rzecz, którą agent ma zrobić poza rozmową, to narzędzie: „sprawdź wolny termin”, „załóż klienta w CRM”, „wystaw fakturę”. Narzędzia podpina się przez API systemów albo, coraz częściej, przez MCP (Model Context Protocol), otwarty standard, w którym system firmy wystawia listę narzędzi, a agent korzysta z nich niezależnie od tego, na jakim modelu działa. Lista narzędzi jest jednocześnie listą uprawnień: agent nie zrobi nic, czego na niej nie ma.
Pamięć. Agent pamięta bieżącą rozmowę i, jeśli tak go skonfigurujesz, historię klienta z CRM. Nie „uczy się” sam z każdej rozmowy w sensie zmiany modelu. To dobrze: zmiany w jego zachowaniu wprowadzasz świadomie, przez bazę wiedzy i reguły, a nie przez przypadkowe rozmowy.
Granice. Dobrze wdrożony agent ma trzy rodzaje granic: co widzi (zakres danych), co może zrobić sam (na przykład odpowiedzieć i umówić termin), a co wymaga akceptacji człowieka (wysłać ofertę powyżej 10 000 zł, wystawić korektę). Na starcie granice są ciasne i rozszerza się je, gdy statystyki pokazują, że agent na to zasłużył.
Najczęstsze błędne założenie, z jakim firmy do nas przychodzą: agent będzie wykonywał pracę bez nadzoru i pracownik przestanie być potrzebny. Tak nie jest. W tym momencie AI zwiększa produktywność, ale nie jest jeszcze na etapie, na którym w 100% zastępuje ludzi i pozwala ich zwolnić.
Przykłady z polskiej firmy: zapytania, oferty, faktury i KSeF, wizyty
Z naszych wdrożeń. Wdrożyliśmy agenta, który tworzy instrukcje, karty charakterystyki i etykiety w jednolitym designie. Klient wrzuca tekst, AI zbiera informacje, a jeżeli czegoś brakuje, dopytuje. Po zebraniu wszystkich informacji tworzy wybrany dokument. Ostatnio zbudowaliśmy też agenta, który przygotowuje oferty przetargowe.
Obsługa zapytań. Klasyczny audyt Harvard Business Review z 2011 r. na 2 241 firmach pokazał, że kontakt z zainteresowanym klientem w ciągu godziny daje około siedmiokrotnie większą szansę na rozmowę decyzyjną niż godzinę później, a średni czas odpowiedzi badanych firm wynosił 42 godziny. Agent odpowiada w minutę, o każdej porze, i dopytuje o szczegóły potrzebne do wyceny. Człowiek dostaje rano gotowe, uporządkowane zapytanie zamiast maila „proszę o kontakt”.
Przygotowanie oferty. Agent składa ofertę według cennika i szablonu firmy, zapisuje ją w CRM i, jeśli mieści się w ustalonym limicie, wysyła; powyżej limitu czeka na kliknięcie handlowca. Po trzech dniach bez odpowiedzi przypomina się klientowi.
Faktury i KSeF. Od kwietnia 2026 r. faktury między firmami przechodzą przez KSeF. Agent na polecenie „wystaw fakturę za wrzesień dla firmy X” pobiera dane z umowy, składa fakturę, przekazuje ją integracji z KSeF i odsyła numer KSeF z UPO. Sam KSeF to zadanie dla automatyzacji, nie dla agenta (ma sztywne reguły), ale agent jest wygodnym interfejsem do niej.
Umawianie wizyt. W gabinecie, serwisie lub salonie agent sprawdza wolne terminy, umawia, potwierdza SMS-em dzień wcześniej i przekłada wizytę, gdy klient poprosi. Przegląd badań Hasvolda i Woottona z 2011 r. wskazuje, że proste przypomnienia ograniczają nieobecności o około jedną trzecią.
Narzędzia: n8n, Dify, Claude, OpenAI, Microsoft 365. Kiedy gotowe, kiedy dedykowane
Agenta nie trzeba pisać od zera. n8n ma węzeł AI Agent, w którym podpinasz model, bazę wiedzy i narzędzia bez kodu, i nadaje się do agentów wbudowanych w automatyzacje (zapytanie wpada, agent klasyfikuje, przepływ robi resztę). Dify to platforma do budowania asystentów i agentów na bazie wiedzy, z panelem do testowania odpowiedzi. Microsoft Copilot Studio ma sens w firmach żyjących w Microsoft 365, bo widzi SharePoint, Outlook i Teams od razu. Claude i OpenAI dostarczają same modele przez API i to na nich działają wszystkie powyższe narzędzia.
Gotowe platformy wystarczą, gdy zadanie jest typowe (odpowiadanie na pytania, umawianie, klasyfikacja) i gdy Twoje systemy mają API lub gotowe integracje. Agent dedykowany jest potrzebny, gdy pracuje na systemie, którego nikt wcześniej nie podłączył (własny ERP, system dedykowany), gdy wymaga wieloetapowego procesu z akceptacjami albo gdy dane nie mogą opuścić Twojej infrastruktury. Wtedy budujemy serwer MCP dla Twojego systemu i agenta, który z niego korzysta. O n8n i jego agentach piszemy w artykule n8n: co to jest i kiedy go wybrać.
Ryzyka: halucynacje, dane osobowe, koszt. Jak je ograniczyć
Halucynacje. Model może odpowiedzieć pewnie i błędnie. Ograniczasz to trzema rzeczami: baza wiedzy zamiast wiedzy ogólnej, zasada „nie wiesz, przekaż człowiekowi” zapisana w regułach agenta i przegląd rozmów w pierwszych tygodniach. W praktyce agent ograniczony do bazy wiedzy myli się rzadziej niż nowy pracownik w pierwszym miesiącu, ale trzeba to sprawdzać, nie zakładać.
Z naszego doświadczenia taki agent oszczędza wiele godzin mozolnej pracy, ale jego pracę trzeba dobrze sprawdzać, bo może popełniać błędy. Rozkład pracy to mniej więcej 80/20: AI wykonuje 80% pracy, a Ty pozostałe 20%.
Dane osobowe. Agent przetwarza dane klientów, więc podlega RODO jak każde inne narzędzie. Trzy warunki: umowa powierzenia z dostawcą modelu (Anthropic, OpenAI i Microsoft mają je dla klientów biznesowych i w tych umowach nie trenują modeli na Twoich danych), minimalny zakres danych (agent od umawiania wizyt nie potrzebuje dostępu do faktur) i informacja w polityce prywatności. Od 2 sierpnia 2026 r. unijny AI Act dodaje obowiązek: klient musi wiedzieć, że rozmawia z AI. Wystarczy jedno zdanie w pierwszej wiadomości.
Koszt. Sam „prąd dla AI”, czyli zapytania do modelu, bywa tani: przy kilkuset krótkich rozmowach miesięcznie to kilkadziesiąt złotych. Rachunek rośnie szybko, gdy agent przetwarza długie dokumenty na drogich modelach. Realny koszt to wdrożenie (baza wiedzy, integracje, testy) i opieka (przegląd rozmów, poprawki, rozszerzanie zakresu). Dlatego uczciwe oferty agentów są abonamentowe, a nie „za tokeny”.
Tego nauczyły mnie własne wdrożenia: AI potrafi być drogie, w szczególności gdy korzystasz z API. Niefrasobliwe używanie drogich modeli może skończyć się wysokim rachunkiem. Dlatego zawsze szacuję miesięczne koszty dla klienta przed wdrożeniem.
Kiedy agent się nie opłaca
Nie każde zadanie potrzebuje agenta. Jeśli proces ma stałe kroki i nie wymaga rozumienia treści (co miesiąc wystaw fakturę cykliczną, co poniedziałek wyślij raport), zwykła automatyzacja jest tańsza, szybsza i łatwiejsza do sprawdzenia. Jeśli zapytań jest kilka w tygodniu, człowiek obsłuży je szybciej, niż zwróci się wdrożenie. Jeśli firma nie ma spisanej oferty, cennika i zasad, agent nie ma na czym pracować i najpierw trzeba to spisać (co samo w sobie bywa najbardziej wartościową częścią projektu).
Odradzamy też automatyzację, kiedy rzeczy do wykonania jest naprawdę mało. Wtedy jest po prostu zbędna, potocznie mówiąc: za dużo zachodu.
Agent opłaca się tam, gdzie zadanie się powtarza, wymaga rozumienia języka lub dokumentów, ma jasne reguły i zjada czas ludzi, którzy mogliby robić coś ważniejszego. Obsługa zapytań, oferty, umawianie, porządkowanie danych z maili. Na tym warto zacząć, od jednego zadania, z liczbą, którą po miesiącu da się zmierzyć. Jak wdrażamy to u klientów, opisujemy na stronie agenci AI dla firm.