Niemal każda prezentacja sprzedażowa na temat Agentic AI mówi to samo: rewolucja. To oprogramowanie, które potrafi samodzielnie planować, decydować i działać, przejmując pracę, by ludzie nie musieli jej wykonywać, a jedynym ryzykiem jest zbyt powolne wdrażanie. Rynek też w to wierzy. Według prognoz wydatki na agentów AI wzrosną z około 7,8 mld dolarów w 2025 roku do mniej więcej 52 mld dolarów w 2030 roku, a Gartner przewiduje, że do 2028 roku jedna trzecia oprogramowania biznesowego będzie zawierać Agentic AI (MarketsandMarkets, 2025; Gartner, 2025).
W praktyce jest jednak trudniej. Gartner prognozuje też, że do końca 2027 roku ponad 40% projektów Agentic AI zostanie zarzuconych jako zbyt kosztowne, o niejasnej wartości i zbyt trudne do kontrolowania (Gartner, 2025). Z kolei szeroko cytowane (choć mocno kontrowersyjne) badanie MIT wykazało, że 95% firmowych pilotaży AI nie przyniosło mierzalnego zwrotu (MIT Project NANDA, 2025).
Większość projektów nie upada dlatego, że AI jest niewystarczająco inteligentne. Upadają z powodu tego, co je otacza.
Czego nie znajdziesz w ulotce
Kiedy przejmujemy projekty Agentic AI od naszych klientów lub innych dostawców, wciąż widzimy te same trzy problemy. Większość zespołów mierzy się z przynajmniej jednym z nich, a wiele z wszystkimi jednocześnie.
- Automatyzacja niewłaściwej rzeczy. Najtrudniejsza decyzja zapada jeszcze przed napisaniem choćby linijki kodu: czy to w ogóle zadanie dla agenta? Mnóstwo projektów upada właśnie tutaj, gdy zadanie jest zbyt ogólne, koszt błędnej odpowiedzi jest zbyt wysoki albo gdy prosta reguła czy skrypt poradziłyby sobie taniej i lepiej. Wybierz zły cel, a żadna inżynieria już tego nie uratuje.
- Nikt nie jest w stanie stwierdzić, czy agent naprawdę ma rację. Często system, który olśniewa na demo przy prostych scenariuszach, zawodzi w zderzeniu z rzeczywistością. A ponieważ większość zespołów wdraża Agentic AI bez realnej oceny jego skuteczności, nikt nie zauważa tego problemu odpowiednio wcześnie. Agent, którego nie potrafisz zmierzyć, to agent, któremu nie możesz ufać i którego nie możesz ulepszyć.
- Powstaje, ale nikt mu nie ufa ani z niego nie korzysta. Nawet działający agent nic nie daje, jeśli ludzie nie wiedzą, dlaczego zrobił to, co zrobił, nie chcą zmienić sposobu pracy albo po prostu mu nie ufają. To rzadko technologia jest tu przeszkodą – jest nią organizacja, która ją otacza.
Aby uniknąć tych problemów, musimy zmienić sposób myślenia o Agentic AI.
Agentic AI to system, a nie prompt
Model to dziś towar masowy. Twoją przewagą jest wszystko, co go otacza – integracje, dane, narzędzia i to, by ludzie naprawdę z niego korzystali.
Cała prawdziwa praca inżynierska toczy się wokół celu i zaczyna się od niego: precyzyjne określenie, do czego agent ma służyć, oraz gotowość do uznania, że niektóre zadania w ogóle nie powinny być realizowane przez agentów to pierwsza i najważniejsza decyzja. Skup się przede wszystkim na odkryciu, gdzie Agentic AI w Twojej organizacji jest faktycznie potrzebny, a nie na wymyśleniu, gdzie stosować rozwiązanie dla samego stosowania.
Agentic AI składa się z wielu elementów:
- kanały interakcji – miejsca, w których użytkownik komunikuje się z agentem,
- orkiestrator – odpowiada za planowanie, ponawianie prób i przekazywanie zadań; działa jak przejrzysta maszyna stanów i często wykorzystuje pamięć,
- narzędzia i API – udostępniane z odpowiednimi uprawnieniami przez MCP,
- warstwy wyszukiwania (ang. retrieval) – oparte na warstwie semantycznej, dzięki czemu agent rozumie Twój biznes, a nie surowe dane,
- pamięć – utrzymuje kontekst.
Warstwa, która decyduje o wdrożeniu
Pod tym wszystkim działa warstwa, którą większość prezentacji pomija, a to właśnie ona decyduje, czy agent kiedykolwiek trafi na produkcję.
- Ewaluacja – czy to działa? Wersjonowany zestaw testów oceniający system komponent po komponencie: wyszukiwanie kontekstu, wywołania narzędzi, ścieżkę rozumowania i ostateczną odpowiedź, zbudowany na frameworkach takich jak RAGAS czy DeepEval. Uruchamia się przy każdej zmianie jako bramka regresyjna ze sztywnymi progami dla dokładności, kosztu na zadanie i opóźnień, a niezawodność mierzy się na wielu powtórzonych przebiegach (pass@k), bo model jest stochastyczny i jedno udane demo niczego nie dowodzi.
- Obserwowalność – co robi w tej chwili? Rozproszone śledzenie każdego kroku, wywołania narzędzia, ponowienia i tokena, np. z wykorzystaniem OpenTelemetry i narzędzi takich jak LangSmith lub Langfuse. Obejmuje koszty i opóźnienia mierzone na zadanie i na użytkownika, a także monitorowanie dryfu danych oraz narzędzi, od których zależy agent, a nie tylko samego modelu.
- Wyjaśnialność – dlaczego podjął taką decyzję? Każda odpowiedź może wskazać swoje źródła i pokazać użyte narzędzia, a decyzje są zapisywane prostym, biznesowym językiem, zrozumiałym dla właściciela procesu czy audytora.
- Nadzór – co wolno mu robić? Minimalne, ściśle ograniczone uprawnienia narzędzi, bariery ochronne wynikające z polityk, akceptacja przez człowieka (ang. human-in-the-loop) przy działaniach nieodwracalnych oraz niezmienne dzienniki audytowe – te same mechanizmy, które spełniają wymogi regulacji takich jak EU AI Act.
- Zarządzanie zmianą – czy ludzie będą tego używać? Osoby odpowiedzialne za dany proces obecne przy projekcie od pierwszego dnia, bo nawet technicznie bezbłędny agent i tak upadnie, jeśli zespół, dla którego powstał, mu nie ufa albo nie wie, jak z nim współpracować.
Od pojedynczych agentów do platformy agentowej
Coraz więcej naszych klientów przestało budować agentów pojedynczo. Gdy raz wdrożysz jednego agenta na produkcję jako prawdziwy system, wraz z integracjami, warstwą semantyczną, ewaluacją, obserwowalnością i nadzorem, masz już zbudowaną większość trudnych elementów każdego kolejnego agenta.
Rozsądnie jest więc potraktować tę wspólną infrastrukturę jako platformę, a każdego nowego agenta jako cienką warstwę zbudowaną na niej – narzędzia i konektory udostępnione raz przez MCP, wspólny stack do wyszukiwania kontekstu i ewaluacji oraz jedną płaszczyznę obserwowalności. Nowe zastosowania zostaną złożone z gotowych elementów, a nie budowane od zera, zaś czas wdrożenia spadnie z kwartałów do tygodni.
Jeszcze większą korzyścią jest jednorazowe wdrożenie nadzoru. Zdefiniuj kontrolę dostępu, uprawnienia narzędzi, bariery ochronne, audyt i zgodność z EU AI Act na poziomie platformy, a każdy agent odziedziczy je domyślnie. Pierwszy agent ponosi koszt zrobienia tego dobrze, a każdy następny ponownie z niej korzysta i to jest różnica między bezpiecznym prowadzeniem jednego agenta a bezpiecznym prowadzeniem pięćdziesięciu.
Od ulotki do produkcji
Gdy Agentic AI buduje się jako systemy na wspólnej platformie, agenci przestają być demami i zaczynają tworzyć poważną, mierzalną wartość.
Poniżej znajduje się kilka zanonimizowanych przykładów z naszego podwórka, a każdy zasłużył na swoje miejsce konkretnym wynikiem, a nie pokazem:
- Automatyzacja service desku (produkcja przemysłowa) – rozwiązanie zintegrowane z ServiceNow i Microsoft Teams obniżyło koszty service desku o 70% i podniosło przepustowość o 30%, bo działało wewnątrz systemów, z których ludzie już korzystali, a nie obok nich.
- Monitorowanie zgodności (branża prawna i compliance) – zautomatyzowany przegląd umów i zgodności, który samodzielnie wychwytuje 94% naruszeń, angażując ludzi wyłącznie w naprawdę nietypowych przypadkach.
- Diagnostyka Edge AI (półprzewodniki) – w pełni lokalny asystent rozwiązywania problemów, osiągający około 80% skuteczności czołowego modelu, na tyle kompaktowy, że działa na sprzęcie wbudowanym, to dowód, że największy model nie zawsze jest tym właściwym.
Różne branże, różne stacki, ale jeden wspólny wzorzec: model był elementem wymiennym. O gotowości tych rozwiązań do produkcji decydowały integracje, dane i uwzględnienie człowieka w procesie (human-in-the-loop).
Artificial Intelligence
Dostarczamy rozwiązania AI dopasowane do Twojego biznesu, które zwiększają efektywność i podnoszą produktywność Twojego zespołu.
Oferta AINie podążaj za modą, po prostu buduj
Modele są już wystarczająco dobre, a narzędzia (orkiestracja, wyszukiwanie kontekstu, ewaluacja, obserwowalność i nadzór) są dojrzałe na tyle, by dziś wdrażać Agentic AI na produkcję. Zespoły, które wciąż gonią za najnowszą wersją LLM-u lub frameworka, rzadko dowożą gotowe rozwiązania. Te, które wybierają solidny stack i konsekwentnie się go trzymają – znacznie częściej.
Model nigdy nie był najtrudniejszą częścią. Niemal każdy agent, który zawodzi, zawodzi przez to, co go otacza – integracje, dane, nadzór, ludzi – i niemal każdy, który odnosi sukces, zawdzięcza go właśnie tym elementom. Przestań więc optymalizować pod kątem najlepszego modelu i zacznij projektować system wokół problemu, który chcesz rozwiązać. Na tym polega cała praca, którą możesz zacząć już dziś razem z nami.
Źródła
- Gartner, „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027”, komunikat prasowy, 25 czerwca 2025
- Prognozy Gartnera dotyczące adopcji Agentic AI do 2028 roku, za Reuters, 2025
- MIT Project NANDA, „The GenAI Divide: State of AI in Business 2025”, lipiec 2025; za Fortune
- MarketsandMarkets, „AI Agents Market — Global Forecast to 2030”
Zostaw komentarz