Agent AI w firmie — co to jest i kiedy ma sens

Agent AI to program, w którym model językowy sam decyduje, jaki krok wykonać jako następny, i sam sięga po narzędzia: kalendarz, CRM, pocztę, bazę dokumentów. Chatbot odpowiada na pytanie, a agent dostaje cel i sam układa drogę do niego. Tak rozróżnia to Anthropic, twórca modeli Claude, w tekście „Building effective agents” z 19.12.2024. W przepływie pracy (workflow) model i narzędzia działają według ścieżek zapisanych z góry w kodzie. W agencie model sam kieruje swoim działaniem i użyciem narzędzi.

OpenAI stawia granicę z drugiej strony. W przewodniku „A practical guide to building agents” (2025) pisze, że aplikacje, które korzystają z modelu, ale nie oddają mu sterowania przebiegiem pracy, agentami nie są. Wymienia prosty chatbot, pojedyncze zapytanie do modelu i klasyfikator nastroju w opiniach.

Od tego rozróżnienia zależą koszt, ryzyko i obowiązki prawne. Dalej: trzy warunki, przy których agent w firmie ma sens, rachunek kosztu tokenów, przepisy po zmianie AI Act z lipca 2026 r. i dane o tym, ile polskich firm w ogóle używa AI. Stan prawa, cen i danych na 3.10.2026.

Agent AI — co to jest

Agent AI to system, który dostaje cel, sam planuje kroki, wywołuje narzędzia i na podstawie ich wyników decyduje, co dalej — z różnym udziałem człowieka. Cztery firmy, które takie systemy budują albo sprzedają, definiują go podobnie:

• Anthropic: agent to system, w którym model sam kieruje swoim procesem i użyciem narzędzi, zachowując kontrolę nad tym, jak wykona zadanie.
• OpenAI: agenci to systemy, które samodzielnie wykonują zadania w Twoim imieniu.
• Google Cloud: oprogramowanie, które używa AI do realizacji celów i zadań w imieniu użytkownika; wykazuje zdolność rozumowania, planowania i pamięć oraz ma pewien poziom autonomii w podejmowaniu decyzji („What is an AI agent?”, aktualizacja z 2026 r.).
• IBM: system, który autonomicznie wykonuje zadania, sam układając przepływ pracy z dostępnych narzędzi (IBM Think, „What are AI agents?”, 3.07.2024).

Wspólny rdzeń tych definicji: cel zamiast pojedynczego pytania, model językowy, który planuje, narzędzia, przez które agent działa w innych systemach, pętla decyzji (zrób krok, sprawdź wynik, wybierz następny) i autonomia — kolejność kroków wybiera model, a nie programista. Wszystkie cztery definicje pochodzą od firm, które na agentach zarabiają. Prawo definicji agenta nie podaje: AI Act jej nie zawiera.

„Agentic AI” to ta sama rodzina pojęć w angielskiej formie przymiotnikowej: systemy agentowe, czyli zbudowane z agentów albo działające jak agent. „Agenci AI” to liczba mnoga tego samego pojęcia.

Granica pojęcia nie jest ostra. W raporcie eksperckim przygotowanym w programie wsparcia ekspertów Europejskiej Rady Ochrony Danych (I. Barberá, „AI Privacy Risks & Mitigations — Large Language Models”, 10.04.2025) agentic AI to dziedzina, która wciąż się rozwija i nie jest jeszcze w pełni zdefiniowana. Raport wyraża poglądy autorów, nie oficjalne stanowisko EROD. Dla zamawiającego wniosek jest praktyczny: słowo „agent” na produkcie niczego nie gwarantuje. Sprawdzasz, kto w nim wybiera następny krok.

Chatbot, asystent, automatyzacja, agent — cztery rzeczy pod jedną nazwą

Najprostszy test brzmi: kto wybiera następny krok — człowiek, zapisany z góry przepływ czy model? Od odpowiedzi zależy, czy kupujesz chatbota, asystenta, automatyzację, czy agenta.

• Chatbot odpowiada na pytania. Rozmowę prowadzi człowiek, a bot poza odpowiedzią niczego nie robi. Według OpenAI to nie agent. Chatboty w obsłudze sklepu internetowego omawiamy w artykule o obsłudze klienta w e-commerce.
• Asystent AI pomaga w pracy: streszcza, pisze szkic, szuka w dokumentach. Gartner w komunikacie z 26.08.2025 nazywa asystentów prekursorem agentów: upraszczają zadania, ale zależą od poleceń człowieka i nie działają samodzielnie. W tej roli występują w pakietach biurowych Copilot w Microsoft 365 i Gemini w Google Workspace, które porównujemy w tekście Google Workspace czy Microsoft 365.
• Automatyzacja (workflow) wykonuje przepływ zapisany z góry: przyszedł formularz, więc zapisz kontakt w CRM i wyślij potwierdzenie. Model językowy może być jednym z kroków, na przykład odczytuje dane z dokumentu, ale o kolejności decyduje to, co ktoś zaprogramował.
• Agent dostaje cel i sam decyduje, które narzędzie wywołać, w jakiej kolejności i kiedy skończyć.

W tym samym komunikacie z 26.08.2025 Gartner pisze, że najczęstsze nieporozumienie to nazywanie asystentów agentami, i nazywa je „agentwashing”. W komunikacie z 25.06.2025 opisuje to jako przemianowywanie istniejących produktów — asystentów AI, robotów RPA i chatbotów — bez rzeczywistych zdolności agentowych. Szacuje też, że spośród tysięcy dostawców „agentic AI” prawdziwych jest tylko około 130. To szacunek analityków, nie spis.

Anushree Verma z Gartnera daje w tym samym komunikacie prostą zasadę podziału: agenci tam, gdzie potrzebne są decyzje, automatyzacja przy rutynowych przepływach pracy, asystenci przy prostym wyszukiwaniu informacji.

Czym integracja systemów różni się od robota RPA i od automatyzacji z AI, rozpisujemy w artykule automatyzacja procesów biznesowych — przykłady i od czego zacząć. Tu wystarczy jedno: agent to automatyzacja, w której drogę wybiera model, a nie reguła.

Jak działa agent AI: model, narzędzia, pętla i granice

Agent działa w pętli: model planuje krok, wywołuje narzędzie, czyta wynik i na tej podstawie decyduje, co dalej — aż do wykonania zadania albo do warunku zatrzymania. Anthropic opisuje agentów jako modele językowe, które w pętli używają narzędzi, kierując się informacją zwrotną z otoczenia. Na każdym kroku agent powinien sprawdzać stan faktyczny, czyli wynik wywołania narzędzia, żeby ocenić postęp. W wyznaczonych punktach albo gdy utknie, może się zatrzymać i poprosić człowieka o decyzję.

Narzędzie to w praktyce API któregoś z Twoich systemów. Anthropic podaje przykład obsługi klienta: narzędzia pobierają dane klienta, historię zamówień i artykuły z bazy wiedzy, a działania takie jak zwrot pieniędzy czy aktualizacja zgłoszenia agent wykonuje programowo.

Narzędzia to uprawnienia. Każde narzędzie, które dajesz agentowi, to dostęp: do danych klientów, do wysyłki wiadomości, do zmiany zamówienia. OpenAI zaznacza, że zabezpieczenia samego modelu (guardrails) trzeba łączyć z solidnym uwierzytelnianiem i autoryzacją, ścisłą kontrolą dostępu i zwykłymi środkami bezpieczeństwa oprogramowania. Agent podłączony do skrzynki i dysku widzi wszystko, co w nich leży, więc zanim go podłączysz, sprawdź, gdzie naprawdę leżą dane firmy i kto powinien mieć do nich dostęp. Tak samo jest z narzędziami podłączanymi przez MCP (Model Context Protocol), standard łączenia aplikacji AI z systemami i danymi firmy: model może przez nie tyle, ile pozwala konto, z którego korzysta serwer.

Bez kontekstu agent zgaduje. Gartner w komunikacie z 11.05.2026 cytuje Ritę Sallam: bez jasnego rozumienia zależności i reguł w danych organizacji agenci nie działają dokładnie i znacznie częściej halucynują, czyli podają nieprawdę jako fakt. Firmy podchodzą do tego ostrożnie. W ankiecie Gartnera z 30.09.2025 tylko 19% z 360 liderów IT miało wysokie lub pełne zaufanie do ochrony przed halucynacjami, którą daje dostawca, a 74% uznało agentów za nowy wektor ataku na firmę. Badanie objęło firmy zatrudniające co najmniej 250 osób w Ameryce Północnej, Europie i Azji, bez osobnych danych dla Polski.

Popularny sposób dania agentowi kontekstu to RAG (retrieval-augmented generation): zanim model odpowie, system wyszukuje pasujące fragmenty firmowych dokumentów i podaje je modelowi razem z pytaniem. Jakość odpowiedzi zależy wtedy od jakości tych dokumentów.

Pętla bez limitu kroków to otwarty rachunek

Pętla, która daje agentowi elastyczność, jest też jego największym ryzykiem kosztowym. Gdy polecenie jest niejasne albo narzędzie zwraca błąd, model może próbować dalej: wywołuje narzędzie ponownie, dostaje kolejny błąd, próbuje inaczej. Każdy obieg pętli to kolejne wywołanie modelu, a za każde płacisz od liczby tokenów. Anthropic pisze wprost, że autonomia agentów oznacza wyższe koszty i ryzyko kumulowania się błędów.

Obaj dostawcy podają to samo zabezpieczenie: twardy warunek zatrzymania. Anthropic w tym samym tekście pisze, że zadanie zwykle kończy się po wykonaniu, ale powszechną praktyką jest też warunek zatrzymania, na przykład maksymalna liczba iteracji, żeby zachować kontrolę. OpenAI w przewodniku wymienia osiągnięcie maksymalnej liczby tur wśród typowych warunków wyjścia z pętli. W swoim zestawie narzędzi do budowy agentów (Agents SDK) ma na to parametr max_turns: po jego przekroczeniu SDK zgłasza wyjątek MaxTurnsExceeded (dokumentacja OpenAI Agents SDK, odczyt 3.10.2026). Limit można wyłączyć, więc o jego istnieniu decyduje wykonawca, nie narzędzie.

Wniosek dla zamawiającego: w specyfikacji agenta musi być limit kroków na jedno zadanie i limit budżetu na miesiąc, a po ich przekroczeniu sprawa trafia do człowieka. Ile kosztuje jeden krok, liczymy niżej.

Kiedy agent ma sens — trzy warunki

Agent ma sens tam, gdzie zwykła automatyzacja zawodzi: przy decyzjach z wyjątkami, przy regułach, których nie da się utrzymać, i przy danych, których nie da się ułożyć w tabelę. OpenAI radzi zaczynać od przepływów, które dotąd opierały się automatyzacji, i podaje trzy kryteria, każde z własnym przykładem:

1. Złożone decyzje. Przepływy wymagające wyważonej oceny, wyjątków albo decyzji zależnych od kontekstu. Przykład OpenAI: zatwierdzanie zwrotu pieniędzy w obsłudze klienta.
2. Reguły trudne w utrzymaniu. Systemy, które rozrosły się do tak rozbudowanych zestawów reguł, że każda zmiana jest kosztowna albo grozi błędem. Przykład: przegląd bezpieczeństwa dostawcy, czyli ocena, czy nowy dostawca spełnia wymagania firmy.
3. Dużo danych nieustrukturyzowanych. Interpretowanie języka naturalnego, wydobywanie znaczenia z dokumentów, rozmowa z użytkownikiem. Przykład: obsługa zgłoszenia szkody z ubezpieczenia domu.

OpenAI dodaje warunek wstępny: zanim zdecydujesz się budować agenta, sprawdź, czy Twój przypadek wyraźnie spełnia te kryteria. Jeśli nie, może wystarczyć rozwiązanie deterministyczne, czyli takie, które przy tych samych danych zawsze robi to samo.

Anthropic opisuje ten sam obszar od strony zadania. Agent pasuje do problemów otwartych, w których trudno albo nie da się przewidzieć liczby kroków i nie da się zapisać na sztywno jednej ścieżki. Najwięcej daje tam, gdzie zadanie łączy rozmowę z działaniem, ma jasne kryteria sukcesu, pozwala zbierać informację zwrotną i obejmuje realny nadzór człowieka. Jako przykład podaje obsługę klienta, w której skuteczność da się jasno zmierzyć rozwiązanymi sprawami.

Czwarty warunek dotyczy granic: człowiek zatwierdza to, czego nie da się cofnąć. W tym samym przewodniku OpenAI pisze, że działania wrażliwe, nieodwracalne albo o wysokiej stawce powinny uruchamiać nadzór człowieka, dopóki zaufanie do niezawodności agenta nie wzrośnie. Wymienia anulowanie zamówień klienta, zatwierdzanie dużych zwrotów i płatności. Agent może więc przygotować zwrot, zebrać dokumenty i zaproponować decyzję, ale przycisk „zatwierdź” zostaje u pracownika.

Test dla Twojego procesu: czy umiesz zapisać regułę? Opisz proces jako listę „jeśli… to…”. Jeśli lista się zamyka i obejmuje prawie wszystkie przypadki, potrzebujesz automatyzacji, nie agenta: będzie tańsza, szybsza i przewidywalna. Jeśli lista rośnie z każdym nowym przypadkiem, a wyjątki i tak rozstrzygają ludzie na podstawie maili i dokumentów, masz kandydata na agenta. Pod jednym warunkiem: systemy, z których agent ma korzystać, muszą mieć API.

Kiedy agent nie ma sensu

W wielu firmowych zadaniach agent nie jest potrzebny — piszą to sami dostawcy modeli. Anthropic zaleca szukać najprostszego możliwego rozwiązania i zwiększać złożoność tylko wtedy, gdy to konieczne, „co może oznaczać, że w ogóle nie budujesz systemów agentowych” (tłumaczenie nasze). W wielu zastosowaniach, jak dodaje, zwykle wystarcza dopracowane pojedyncze wywołanie modelu z wyszukiwaniem w dokumentach i przykładami w poleceniu. Systemy agentowe płacą czasem odpowiedzi i kosztem za lepszy wynik zadania, a Ty oceniasz, czy ta wymiana się opłaca.

Gartner przewiduje w komunikacie z 25.06.2025, że ponad 40% projektów agentowych zostanie anulowanych do końca 2027 r. z powodu rosnących kosztów, niejasnej wartości biznesowej albo niewystarczającej kontroli ryzyka. To prognoza analityków, nie pomiar. Ważniejsze jest zdanie Anushree Verma z tego samego komunikatu: wiele zastosowań przedstawianych dziś jako agentowe wcale nie wymaga wdrożenia agenta.

Agent nie ma sensu, gdy:

• proces da się zapisać regułą — wtedy wystarczy automatyzacja, na przykład w n8n albo Make, które opisujemy w tekście o low code i no code;
• chodzi tylko o odpowiedź na pytanie na podstawie dokumentów — wtedy jedno wywołanie modelu z wyszukiwaniem, bez pętli i bez narzędzi wykonawczych;
• systemy nie mają API, a dane leżą w arkuszach i skrzynkach — agent nie ma czym działać; ile polskich firm ma systemy, które da się w ten sposób połączyć, pokazujemy na danych GUS w artykule o automatyzacji procesów biznesowych;
• skutek błędu jest nieodwracalny, a nikt nie może zatwierdzić decyzji przed wykonaniem;
• nie umiesz powiedzieć, kiedy zadanie jest wykonane — bez kryterium sukcesu agent nie wie, kiedy skończyć, a Ty nie wiesz, czy działa.

Ile kosztuje agent AI — rachunek tokenów

Za działanie agenta płacisz od tokenów, a agent zużywa ich wielokrotnie więcej niż czat, bo w każdym kroku model dostaje cały dotychczasowy przebieg zadania. Token to fragment tekstu, w którym dostawcy liczą to, co do modelu wysyłasz, i to, co model zwraca. Anthropic podaje ceny w dolarach za milion tokenów (cennik Claude API, odczyt 3.10.2026), OpenAI rozlicza się w tej samej jednostce (cennik OpenAI API, odczyt 3.10.2026). Jak model językowy dzieli tekst na tokeny i dlaczego polski tekst ma ich więcej niż angielski, wyjaśniamy w artykule o dużych modelach językowych (LLM).

Policzyliśmy przykład na cenniku Anthropic: model Claude Sonnet 5.5 kosztuje 2 $ za milion tokenów wejścia i 10 $ za milion tokenów wyjścia. Dolara przeliczamy po kursie NBP z 2.10.2026: 3,8881 zł. Liczby tokenów to nasze założenia, nie średnia rynkowa.

Rachunek krok po kroku (nasza arytmetyka):

• Odpowiedź czatu: 3 000 tokenów wejścia (pytanie, instrukcja i fragmenty dokumentów) × 2 $ za milion = 0,006 $; 300 tokenów odpowiedzi × 10 $ za milion = 0,003 $. Razem 0,009 $, czyli około 0,035 zł.
• Zadanie agenta: 10 wywołań modelu, średnio 8 000 tokenów wejścia na krok, bo kontekst rośnie o wyniki kolejnych narzędzi, i 500 tokenów wyjścia. Jeden krok to 0,016 $ + 0,005 $ = 0,021 $, czyli około 0,08 zł. Dziesięć kroków to 0,21 $, około 0,82 zł — około 23 razy więcej niż odpowiedź czatu.
• Miesiąc: 1 000 takich zadań to 210 $, czyli 816,50 zł, około 817 zł.

Cennik Anthropic podaje też niższe stawki dla przetwarzania wsadowego i dla danych z pamięci podręcznej (cache); nasz rachunek ich nie uwzględnia. Z drugiej strony agent, który się zapętli, płaci za każdy kolejny obieg pętli: w naszym przykładzie około 0,08 zł za krok, a w praktyce więcej, bo kontekst wciąż rośnie. Limit kroków z poprzedniej sekcji wyznacza górną granicę kosztu jednego zadania.

Rząd wielkości potwierdza Gartner. W komunikacie z 17.08.2026 pisze, że przekazanie zadania agentowemu modelowi rozumującemu zwiększa koszt obliczeń dostawcy co najmniej pięciokrotnie w porównaniu ze zwykłą interakcją z chatbotem, a często znacznie bardziej, gdy zadanie jest złożone. To koszt po stronie dostawcy modelu, nie cena dla klienta. Koszty działania już dziś hamują firmy: w badaniu McKinsey „The state of AI in 2026” (25.08.2026, 1 719 respondentów z 97 krajów, deklaracje) około 20% badanych podało, że koszty operacyjne AI, w tym koszt tokenów, ograniczyły korzystanie z AI.

Tokeny to tylko koszt działania. Koszt budowy agenta, czyli integracji, uprawnień, testów i okresu obserwacji, zależy od liczby narzędzi i systemów, a niezależnego badania tych cen w Polsce nie ma. Jedna zasada obowiązuje jednak niezależnie od ceny: budżet powinien być wbudowany w samego agenta, a nie sprawdzany na fakturze po miesiącu. W projekcie czatu na naszej stronie przekroczenie miesięcznego budżetu tokenów jest jednym z warunków, po których rozmowę przejmuje człowiek.

Agent AI a AI Act, polska ustawa i RODO

AI Act nie definiuje agenta. Agent podlega rozporządzeniu wtedy, gdy spełnia definicję systemu AI, a obowiązki zależą od tego, do czego go używasz, nie od tego, że jest agentem. Rozporządzenie (UE) 2024/1689 w art. 3 pkt 1 opisuje system AI jako system maszynowy „zaprojektowany do działania z różnym poziomem autonomii”, który „wnioskuje, jak generować na podstawie otrzymanych danych wejściowych wyniki, takie jak predykcje, treści, zalecenia lub decyzje”. Agenta opartego na modelu językowym trzeba więc sprawdzić pod kątem tej definicji, ale Komisja Europejska w wytycznych do definicji systemu AI (niewiążących) zaznacza, że „nie jest możliwe automatyczne określanie systemów”, które wchodzą w jej zakres, i że obowiązkom regulacyjnym „podlegają jedynie niektóre systemy AI”.

Informacja o rozmowie z AI (art. 50 ust. 1). Od 2.08.2026 dostawcy systemów AI przeznaczonych do bezpośredniej interakcji z ludźmi muszą je projektować tak, żeby rozmówca wiedział, że rozmawia z systemem AI, chyba że jest to oczywiste. Informacja ma się pojawić „najpóźniej w momencie pierwszej interakcji” (ust. 5). Obowiązek obciąża dostawcę systemu. Definicja dostawcy (art. 3 pkt 3) obejmuje nie tylko tego, kto system AI rozwija, ale też tego, kto „zleca rozwój systemu AI” i oddaje go do użytku „pod własną nazwą lub własnym znakiem towarowym”. Oficjalnej interpretacji dla firmy, która zamawia agenta u wykonawcy i uruchamia go pod własną marką, nie znamy; przy konkretnym wdrożeniu rozstrzyga prawnik. Komisja Europejska w wytycznych do art. 50 z 20.07.2026 pisze wprost, że przepis obejmuje agentów AI, jeśli kontaktują się z osobą, która zleca im zadanie, albo z innymi ludźmi przy jego wykonywaniu (rezerwacje, korespondencja, zakupy), i że agent musi ujawniać zarówno to, że jest systemem AI, jak i to, w czyim imieniu działa. Wytyczne nie są wiążące. Za naruszenie art. 50 grozi kara do 15 mln euro albo do 3% całkowitego rocznego światowego obrotu, w zależności od tego, która kwota jest wyższa (art. 99 ust. 4). Dla MŚP liczy się kwota niższa (art. 99 ust. 6). Jak to wygląda w czacie sklepu, opisujemy w artykule o obsłudze klienta.

Kompetencje pracowników (art. 4) po zmianie z lipca 2026 r. Rozporządzenie zmieniające 2026/1744, w mocy od 27.07.2026, złagodziło ten obowiązek. Dostawcy i podmioty stosujące systemy AI „podejmują środki, które wspierają rozwój kompetencji w zakresie AI” wśród personelu, a przepis wprost mówi, że nie muszą zapewniać określonego poziomu kompetencji. Komisja w pytaniach i odpowiedziach o AI literacy (aktualizacja 27.07.2026) dodaje, że art. 4 nie nakłada obowiązku mierzenia wiedzy pracowników.

Wysokie ryzyko od 2.12.2027. Agent staje się systemem wysokiego ryzyka przez zastosowanie. Załącznik III wymienia na przykład systemy AI do rekrutacji, „analizowania i filtrowania podań o pracę oraz do oceny kandydatów”. Po zmianie z lipca 2026 r. obowiązki dla systemów z załącznika III stosuje się od 2.12.2027, a dla systemów z załącznika I od 2.08.2028. Prezes UODO zwrócił uwagę 16.07.2026, że dociera do niego coraz więcej sygnałów o stosowaniu AI w rekrutacji.

Polska ustawa. Ustawa z 3.07.2026 o systemach sztucznej inteligencji (Dz.U. 2026 poz. 1003) obowiązuje od 11.08.2026. Organem nadzoru rynku jest Komisja Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI). Rozdziały o kontroli, postępowaniu i karach wchodzą w życie 28.10.2026, więc praktyki nadzoru jeszcze nie ma.

RODO. Europejska Rada Ochrony Danych w opinii 28/2024 (17.12.2024) wskazuje, że organy nadzorcze powinny brać pod uwagę, czy firma wdrażająca model oceniła, że nie powstał on z bezprawnego przetwarzania danych osobowych. W polskiej notce do opinii EROD podaje przykład agenta konwersacyjnego, który może opierać się na uzasadnionym interesie, „ale tylko wtedy, gdy przetwarzanie okaże się absolutnie niezbędne”. Halucynacje nie zwalniają z RODO: w raporcie grupy zadaniowej ds. ChatGPT (23.05.2024) EROD przypomina, że zasada prawidłowości danych obowiązuje mimo probabilistycznej natury modelu.

Role dostawcy i podmiotu stosującego, wszystkie terminy i kary dla MŚP rozpisujemy w artykule AI Act dla firmy.

To opis przepisów, nie porada prawna.

Agenci AI w polskich firmach — co mówią dane

O agentach w polskich firmach nie ma żadnych danych; jest tylko statystyka używania AI w ogóle, i ta pokazuje Polskę prawie na końcu Unii. Według GUS w 2025 r. z technologii AI korzystało 8,7% przedsiębiorstw zatrudniających co najmniej 10 osób: 6,1% małych, 15,6% średnich i 42,0% dużych. Najczęściej były to technologie generujące tekst lub głos (5,3%), a najczęstszym sposobem nabycia był zakup gotowego rozwiązania komercyjnego (6,4%).

Eurostat, który porównuje kraje Unii, podaje dla Polski 8,36% (obie statystyki obejmują firmy od 10 osób, bez sekcji K, czyli finansów i ubezpieczeń). Według komunikatu Eurostatu z 11.12.2025 AI używało 20,0% firm w UE; Polska jest 26. z 27 krajów, przed Rumunią.

Największa różnica dotyczy małych firm: w Polsce AI używa co siedemnasta, w UE co szósta. W dużych firmach różnica jest najmniejsza: 45,81% wobec 55,03%. Wśród firm w UE, które kiedykolwiek rozważały AI, ale jej nie używały, najczęstszym powodem był brak wiedzy (70,89%), potem niejasne skutki prawne (52,52%) i obawy o ochronę danych (48,83%) według Eurostatu. Dwa z trzech głównych powodów to prawo i dane, czyli tematy z poprzedniej sekcji.

O samych agentach mówią tylko badania globalne. W badaniu McKinsey z 2026 r. skalowanie agentów AI zadeklarowało 40% respondentów z dużych organizacji (przychody powyżej 1 mld dolarów, rok wcześniej 27%) i 22% z mniejszych, bez zmiany rok do roku. „Mniejsze” oznacza tu przychody poniżej miliarda dolarów, więc to nie są MŚP w polskim rozumieniu.

Szerszy obraz AI w firmach, od asystentów w pakietach biurowych po przepisy, zbieramy w dziale AI w firmie.

Jak zacząć: jeden proces, człowiek w pętli, limit kosztu

Zacznij od jednego procesu i najprostszego rozwiązania, które go obsłuży; agenta dokładaj dopiero wtedy, gdy prostszy przepływ się nie mieści. OpenAI ujmuje to w przewodniku krótko: zacznij od małego zakresu, sprawdź z prawdziwymi użytkownikami i rozszerzaj możliwości z czasem. W praktyce to sześć kroków:

1. Wybierz proces, który spełnia warunki z sekcji o sensie agenta: decyzje z wyjątkami, reguły nie do utrzymania, dużo tekstu i dokumentów.
2. Najpierw zbuduj przepływ. Zapisz w workflow wszystko, co da się zapisać, a model wstaw tylko tam, gdzie reguła nie wystarcza. Tak budujemy automatyzacje procesów: najpierw przepływ, model tylko w kroku, który go wymaga.
3. Na start daj agentowi narzędzia tylko do odczytu: wyszukiwanie w dokumentach, podgląd zamówienia, wolne terminy.
4. Działania nieodwracalne niech zatwierdza człowiek: zwrot, płatność, anulowanie, wysyłka do klienta.
5. Ustaw limity: kroków na jedno zadanie i budżetu tokenów na miesiąc, z przekazaniem sprawy człowiekowi po ich przekroczeniu.
6. Przeglądaj rozmowy i logi regularnie, zanim rozszerzysz uprawnienia.

Każdy z tych kroków — od kryterium „zadanie wykonane”, przez narzędzia, uprawnienia i limity, po testy na prawdziwych zadaniach — rozpisujemy w poradniku jak zbudować agenta AI.

Tak projektujemy czat AI na digitalvantage.pl. Wdrażamy go na naszej stronie i wyników jeszcze nie ma, więc opisujemy założenia, nie efekty. Pierwsza wiadomość bota informuje, że odpowiada AI. W godzinach pracy rozmowę przejmuje człowiek w sześciu sytuacjach: gdy rozmówca o to prosi, gdy bot nie znajduje odpowiedzi w bazie wiedzy albo ma niską pewność, gdy rozmówca dostaje wysoką ocenę jako potencjalny klient, przy reklamacji i tematach prawnych lub finansowych wykraczających poza to, co opublikowaliśmy, gdy pisze ktoś, kto już jest naszym klientem, i gdy przekroczony zostanie miesięczny budżet tokenów. Poza godzinami pracy bot nie przekazuje rozmowy automatycznie, mówi o tym wprost i proponuje wolny termin spotkania. Po przejęciu przez człowieka bot milczy. Do CRM trafia podsumowanie rozmowy, a pełny zapis zostaje w skrzynce obsługi. Po uruchomieniu przez co najmniej cztery tygodnie będziemy obserwować działanie bota i co tydzień sprawdzać, gdzie zmyślił; dopiero potem zaproponujemy podobne rozwiązanie klientom.

Według definicji Anthropic ten czat jest bliżej workflow niż autonomicznego agenta: odpowiada na podstawie bazy wiedzy i korzysta z kilku narzędzi, takich jak rezerwacja spotkania, ale w stałym przepływie. To świadomy wybór, zgodny z radą samych dostawców modeli: tyle autonomii, ile proces wymaga, i ani kroku więcej.