Agent AI w firmie: 4 wdrożenia od pilota do procesu — architektura, koszt miesięczny, granice 

Agent AI w firmie bywa przedstawiany jako jedno kliknięcie, po którym proces działa sam. W praktyce jest to pętla decyzyjna, warstwa pamięci, zestaw narzędzi i - co najczęściej pomijane - zapisana polityka nadzoru. Różnica między wdrożeniem, które działa, a takim, które wyląduje w szufladzie po miesiącu, nie leży w modelu, tylko w granicach ustalonych przed startem.

Ten artykuł rozkłada temat na cztery warstwy: czym agent różni się od zwykłego workflow, jak jest zbudowany, jakie cztery wdrożenia przechodzą drogę od pilota do procesu, ile to kosztuje oraz gdzie leżą granice, których nie da się obejść. Ceny podaję w walucie źródła - jeśli źródło publikuje w dolarach albo koronach, nie przeliczam tego „na nasze warunki", bo przeliczenie zamienia twardą liczbę w zmyśloną.

Co tak naprawdę odróżnia agenta od zwykłej automatyzacji

Definicja, którą podaje Google Cloud, brzmi prosto: agent to aplikacja, która osiąga cel przez przetworzenie danych wejściowych, rozumowanie dostępnymi narzędziami i podjęcie działań na podstawie decyzji. Kluczowe jest to ostatnie słowo - decyzji. Workflow wykonuje kroki, które ktoś wcześniej rozpisał. Agent wybiera spośród dostępnych możliwości, a potem sprawdza, co z tego wynikło.

Ta różnica ma konkretną konsekwencję. Jeśli masz zadanie o ustalonych krokach, agent jest zwykłym niepotrzebnym kosztem. Dokumentacja Google Cloud mówi o tym wprost: możesz używać agentów do problemów otwartych, wymagających samodzielnych decyzji, ale przy deterministycznych zadaniach inne podejścia są wydajniejsze i tańsze. W przykładach wymieniają streszczanie dokumentu, tłumaczenie tekstu i klasyfikację opinii klientów.

Ta sama zasada, niezależnie od dostawcy, pojawia się u polskiej agencji wdrożeniowej jako pierwszy punkt audytu: sprawdzamy, czy problem naprawdę wymaga agenta, czy wystarczy klasyczny workflow, i zaczynamy od tego, co ma sens, a nie od tego, co brzmi nowocześnie. Zanim zamówisz wdrożenie, zadaj sobie pytanie: czy ten proces jest w ogóle otwarty na decyzję, czy tylko wygląda na skomplikowany, bo ma sześć kroków?

Warto też znać podział na agenta płytkiego i głębokiego, który stosuje UiPath. Płytki działa na poziomie pojedynczego zadania. Głęboki jest wieloetapowy, zorientowany na cel, potrafi planować, zachowywać kontekst, odtwarzać się z błędów i koordynować podagentów. Koszt rośnie jednak wraz z horyzontem zadania, a więc z liczbą wywołań modelu.

Kiedy agent jest błędem, a kiedy jest uzasadniony

Uzasadniony jest wtedy, gdy proces ma nieprzewidywalne rozgałęzienia, dane przychodzą w różnych formatach, a wynik ma znaczenie finansowe lub prawne. Nieuzasadniony jest wszędzie tam, gdzie da się rozpisać dziesięć kroków. Do tej drugiej grupy należą zadania, które firmy zgłaszają na pierwszym spotkaniu: sortowanie maili, kategoryzowanie faktur, generowanie podsumowań.

Anatomia agenta: pętla, pamięć, narzędzia, orkiestracja

UiPath opisuje system agentowy jako ciągłą pętlę czterech faz: postrzeganie, planowanie, działanie i uczenie się. Po każdym działaniu agent ocenia wynik, korzystając z informacji zwrotnej oraz pamięci, żeby dopracować kolejne podejście. To wyjaśnia, dlaczego prosty chatbot nie jest agentem - nie ma czego oceniać, bo ma jedną odpowiedź bez działań.

Google Cloud podaje kanoniczną listę ośmiu komponentów systemu: framework interfejsu, framework deweloperski, narzędzia agenta, pamięć agenta, wzorce projektowe, środowisko uruchomieniowe aplikacji, modele AI oraz środowisko serwujące model. Podział na dwie ostatnie pozycje ma znaczenie praktyczne: to one decydują, gdzie płacisz za hosting, a gdzie za tokeny.

W niezależnych źródłach powtarza się podział na moduły: percepcji jako oczy i uszy agenta, poznawczy jako jądro decyzyjne z czterema rodzinami algorytmów - rozumowanie, wyszukiwanie wiedzy, optymalizacja i planowanie - oraz działania i uczenia się. Wspólny wzorzec łączenia rozumowania z działaniem bywa określany jako ReAct.

MCP, czyli Model Context Protocol, to warstwa, która zrobiła najwięcej dla uproszczenia wdrożeń. Google Cloud definiuje go jako otwarty protokół dający agentowi ustandaryzowany interfejs dostępu do narzędzi i danych, który odcina logikę rozumowania od konkretnej implementacji narzędzi. Praktyczna konsekwencja jest taka, że wymiana bazy wektorowej czy systemu ticketowego nie oznacza przepisywania logiki agenta. Konfigurację tego protokołu przy automatycznym przepływie opisuje osobny materiał o integracji MCP z automatyzacją w n8n.

Pamięć, bez której autonomia nie istnieje

TechTarget formułuje to najmocniej ze wszystkich źródeł: autonomia, czyli zdolność agenta do podejmowania decyzji i działania bez interwencji człowieka, jest niemożliwa bez pamięci. Bez niej AI byłoby po prostu kolejną formą automatyzacji zadań, ślepo podążającą za ustalonymi regułami. Uzupełnia to IBM: duże modele językowe same z siebie nic nie zapamiętują, komponent pamięci trzeba dodać osobno.

Podział podstawowy jest na pamięć krótkotrwałą i długotrawałą. Krótkotrwała to bufor przewijany albo okno kontekstowe o ograniczonej pojemności, nadpisywane i gubione po zakończeniu sesji - w praktyce nadaje się do wnioskowania w obrębie jednej rozmowy, ale nie do personalizacji. Długotrwała to trwały magazyn między sesjami, realizowany w bazach, grafach wiedzy albo osadzeniach wektorowych; wolniejszy w dostępie, ale o dużej pojemności.

Szerzej pamięć dzieli się na cztery typy: epizodyczna zapamiętuje konkretne zdarzenia i ich wyniki, semantyczna trzyma fakty, definicje i reguły, proceduralna przechowuje wyuczone sekwencje działań, dzięki czemu agent działa bez ponownego planowania. Implementacja Microsoft z bazą grafną wyróżnia jeszcze pamięć rozumowania, czyli poprzednie ślady toku myślenia, której w katalogach IBM i TechTarget nie ma.

Granice pamięci opisuje wprost materiał o pamięci, narzędziach i human-in-the-loop w agentach budowanych w n8n. Najczęstszy wzorzec to okno o stałym rozmiarze, w przykładzie z LangChain zapisanym jako pamięć buforowa z trzema ostatnimi rozmowami; pamięć na grafie wiedzy odpytuje pięć najtrafniejszych połączeń. Oba numery są małe, bo chodzi o to, ile kontekstu model dostaje w jednym zapytaniu, a nie o to, ile zapamiętał na stałe.

Jest tu też rachunek, o którym mówi się rzadko. TechTarget zestawia pięć kompromisów projektowych i jeden brzmi: większa pamięć daje głębsze i bardziej autonomiczne wyniki, ale jednocześnie zwiększa ryzyko nieprzewidywalnych zachowań, w tym halucynacji. Sposoby na ograniczenie tego ryzyka opisuje dziewięć technik ograniczania halucynacji.

Jedno zastrzeżenie, bo to częsty błąd przy czytaniu dokumentacji: warstwa RAG sama w sobie pamięcią nie jest. Według TechTarget jest fundamentalnie bezstanowa i dopiero w połączeniu z osobnym mechanizmem pamięci daje dostęp do modelu, aplikacji zewnętrznej, pamięci krótko- i długoterminowej oraz źródeł danych. RAG daje wiedzę, pamięć daje zdolność uczenia się na własnych doświadczeniach.

Orkiestracja jako warstwa kontroli, nie dodatek

UiPath nazywa orkiestrację płaszczyzną sterowania, która zarządza współpracą agentów, robotów, API, danych, dokumentów i ludzi w długotrwałych procesach i sprawach. Określa role, uprawnienia, kolejność i reguły przekazania, a w zamian zapewnia obserwowalność działań i audytowalność decyzji. Obok niej działa druga warstwa: zasady i kontrole wymuszające uprawnienia dostępu, kontrole bezpieczeństwa, granice decyzji oraz warunki eskalacji.

To jest miejsce, w którym odróżnia się wdrożenie firmowe od zabawy. Agent wywołujący kilka narzędzi bez warstwy kontroli nie ma śladu audytowego, więc nie da się odpowiedzieć, dlaczego podjął daną decyzję. Standard wdrożenia wymieniany przez polską agencję obejmuje cztery elementy: minimalne uprawnienia do narzędzi, logi decyzji i danych wejściowych, testy na przypadkach brzegowych oraz reguły eskalacji do człowieka.

Do tego dochodzi warstwa RPA: agenci kierują robotami do wykonywania deterministycznych, strukturalizonych akcji, a sami zajmują się krokami wymagającymi rozumowania. Podział jest oszczędny, bo robot jest tańszy od modelu tam, gdzie nie ma czego rozumować.

Cztery wdrożenia: od pilota do procesu

Poniższe cztery przypadki wybieram nie dlatego, że są najpopularniejsze, tylko dlatego, że przy każdym z nich wiadomo, co konkretnie agent robi, gdzie leży granica decyzji i jak wygląda pierwszy krok. Każdy startuje od pilota na jednym procesie.

1. Kwalifikacja leadów

Agent analizuje formularz, treść wiadomości i źródło zgłoszenia, ocenia dopasowanie i pilność, a handlowcowi proponuje kolejny krok. To przypadek z otwartym zakończeniem, w którym wynik wpływa na decyzję finansową, więc agent tej decyzji podejmować nie powinien. U polskiego dostawcy ten typ wdrożenia jest zakwalifikowany do najwyższego z trzech poziomów nadzoru, czyli do decyzji zawsze podejmowanej przez człowieka.

Ilustracyjna kalkulacja, którą podaje amerykańska agencja: przy 10 godzinach tygodniowo na jednego handlowca i 15 handlowcach to 150 godzin tygodniowo, czyli około 15 tys. dolarów tygodniowo przy stawce 100-150 dolarów za godzinę. Scenariusz kończy się zwrotem rzędu 10 razy w ciągu 3-6 miesięcy. Traktuj to jako założenie sprzedażowe, nie pomiar: liczby poprzedzające są zadeklarowane, a nie zmierzone, a dostawca tej kwoty ROI wprost nie gwarantuje.

2. Skrzynka e-mail i klasyfikacja zgłoszeń

Agent rozpoznaje typ sprawy, streszcza wiadomość, nadaje kategorię i uruchamia odpowiedni przepływ w narzędziu automatyzacyjnym albo w systemie CRM. Wariant obsługowy jest szerszy: ocena tematu, pilności i intencji, przygotowanie szkicu odpowiedzi oraz przekierowanie sprawy do właściwej osoby albo kolejki.

Tu jest jednak haczyk. Klasyfikacja należy do zadań, dla których dokumentacja Google Cloud wprost nie zaleca agenta. Jeśli jedyną rzeczą, jakiej potrzebujesz, jest rozłożenie maili po folderach, zapłać za prosty skrypt albo regułę, nie za pętlę decyzyjną z modelem. Agenta warto włączać dopiero wtedy, gdy wyjście z klasyfikacji uruchamia dalszy proces - odpowiedź, zmianę w CRM czy zlecenie zadania.

Liczby z case'ów dostawców to opis przypadku klienta, bez okresu pomiaru i bez metodyki. Jedna firma raportuje 80 procent zautomatyzowanych wiadomości i 99 procent redukcji powtarzalnych maili, inna, z zarządzania nieruchomościami w USA, 80 procent rozwiązanych zgłoszeń bez konsultanta i 81 procent spadku czasu do pierwszej odpowiedzi. Ten drugi przypadek jest najbliższy polskiemu MŚP rozmiarem.

Praktyczny sprawdzian, czy wdrożenie w ogóle ma sens: test dziesięciu zadań biznesowych na agentach pokazuje, które z nich realnie przechodzą, a które wyglądają dobrze tylko w prezentacji.

3. Ekstrakcja danych z dokumentów

Agent wyciąga z umów, faktur i wniosków pola potrzebne w procesie, wskazuje braki i przygotowuje krótkie podsumowanie. W wariancie sprzedażowym dochodzi notatka po rozmowie, propozycja kontaktu i aktualizacja CRM - wszystko po zatwierdzeniu przez handlowca.

Polski dostawca opisuje to przez porównanie czasu: bez AI dwa dni pracy, z AI trzydzieści minut i pięć gotowych dokumentów, przy wartości kontraktu 16 tysięcy złotych netto. Osobno podaje drugi przypadek, w którym rozwiązanie kosztowało 13 200 złotych przy wartości 25 tysięcy, czyli około 47 procent mniej. Dwie rzeczy trzeba zaznaczyć: „koszt 0 złotych" w takich zestawieniach oznacza koszt czasu autora, nie projektu, a obie kwoty to kalkulacje jednego dostawcy na własnych wdrożeniach, nie benchmark rynkowy.

4. Asystent procedur wewnętrznych

Agent odpowiada na pytania pracowników na podstawie firmowej dokumentacji i prowadzi przez procedurę krok po kroku. Wariant wdrożenia jest tu najlżejszy, bo start nie wymaga trenowania modelu - wystarczy podpiąć istniejącą bazę wiedzy.

Ten przypadek ma najlepszy stosunek kosztu do efektu, ale też najwięcej pułapek: odpowiedź oparta na firmowej dokumentacji, z której nikt nie aktualizuje od roku, jest gorsza niż brak odpowiedzi. Dlatego wdrożenia na tej warstwie zaczynają się od audytu dokumentacji, a nie od wyboru modelu. Trzy warianty wdrożenia dla takich asystentów, wraz z kosztem każdego, zestawia osobny materiał o asystentach AI w firmie.

Koszt wdrożenia: dlaczego 350 USD i 400 tysięcy USD to ten sam temat

Jeśli szukasz jednej liczby, nie znajdziesz jej. Ten sam zakres - prosty chatbot odpowiadający na FAQ - wyceniany jest w zebranym materiale od 350 do 200 tysięcy dolarów, a rozpiętość wynika z rozmiaru zespołu i rynku, nie z definicji chatbota. Dlatego koszty podaję w rozbiciu na zakresy.

Zakres	Kwota	Źródło i charakter
Jeden prosty przepływ (6-60 godzin pracy)	350-3500 USD	polska firma, stawki USD, wartość rynkowa, nie cennik
Jeden przepływ dla małej firmy	7000-15000 USD	ta sama firma, stawki USD
Prosty chatbot FAQ, gotowy produkt z zespołem	10000-50000 USD	agencja amerykańska
Prosty chatbot, reaktywny model	20000-35000 USD i wyżej	agencja amerykańska
Agent z integracjami, kontekst i pamięć krótkotrwała	50000-120000 USD i wyżej	agencje amerykańskie, dwie różne wyceny
Agent autonomiczny z planowaniem i orkiestracją narzędzi	80000-120000 USD i wyżej	agencja amerykańska
System enterprise: domena, roje agentów, systemy legacy	100000-200000 USD i wyżej	agencja amerykańska
Orkiestracja wielu agentów	150000-400000 USD i wyżej	agencja amerykańska

Dwie uwagi do tabeli. Jedna z agencji podaje w tym samym artykule dwa różne dolne granice dla tej samej pozycji cennikowej - 20000 i 40000 dolarów, czyli widełki z blogów agencji to orientacja, a nie wycena. Kwoty amerykańskie obejmują zespół, spotkania, integracje i gwarancję, więc to inny model dostawy niż konfiguracja gotowej platformy w Polsce, a nie ta sama usługa po niższej stawce.

Najbardziej użyteczną liczbą jest porównanie kupna i budowy: budowa własnego agenta to 50 000-300 000 USD i więcej, gotowy abonament to 10 000-100 000 USD rocznie, przy czasie dojścia na rynek odpowiednio 3-6 miesięcy i 2-6 tygodni. Inna firma podaje czas do pierwszej wartości na poziomie 1-3 tygodni przy gotowych narzędziach i 6-15 tygodni przy budowie od zera. To dwa realne warianty zakupu, a nie sprzeczność.

Stawki w złotych: jeden cennik i dlaczego to nie benchmark

W zebranym materiale jest jedno polskie źródło z jawnymi stawkami w złotówkach i jest to cennik jednej firmy, nie benchmark rynkowy. Podaję go, bo innych liczb nie ma - z zastrzeżeniem, że to oferta.

Pozycja	Cena netto	Co obejmuje
Bezpłatna diagnoza	0 zł	30 minut rozmowy, mini-raport, trzy rekomendacje
Przymierzalnia	1900 zł	2 godziny, jeden asystent skonfigurowany pod kontekst firmy
Etap 1: asystenci AI	9600 zł	12 godzin pracy, pakiet zgodności regulacyjnej, materiały, kontrola po 30 dniach
Etap 2: agenci „autopilot"	16000 zł	8 godzin wdrożenia
Etap 3: „cyfrowy mózg"	16000 zł	8 godzin, komunikacja między agentami
Wdrożenie grupowe 2+ osób	16000 zł	8 godzin, na dokumentach i procesach firmy
Etap 4: AI na własnym serwerze	od 50000 zł	dane nie opuszczają budynku, brak transferu do USA

Ten sam dostawca operuje stawkami specjalistów rzędu 200-650 złotych za godzinę, a w kalkulatorze zwrotu przyjmuje 250 złotych. Traktuj to jako założenie sprzedawcy, nie jako stawkę rynkową. Kalkulacja własnego zwrotu na podstawie założonej stawki godzinowej, w podobny sposób opisuje realny koszt miesięczny AI przy dziesięciu stanowiskach. Trzy scenariusze wyboru między własnym modelem a API, policzone na dwanaście miesięcy, zestawia osobny materiał o kosztach własnego modelu wobec API.

Miesięcznego kosztu abonamentowego w złotówkach dla polskiego MŚP w materiale nie ma. Jedyne zestawienie w tej walucie pochodzi od dostawcy czeskiego: 60 000 koron za konfigurację i 29 000 koron miesięcznie za prowadzenie czterech agentów wraz z optymalizacją, czyli około 408 000 koron w pierwszym roku. To cennik jednej firmy z jednego kraju, więc służy głównie jako punkt odniesienia przy porównywaniu ofert.

Koszt miesięczny: dwie liczby, których nie wolno pomylić

Tu najczęściej popełnia się błąd, bo w obiegu są dwie kwoty podobne wizualnie, a znaczące co innego. Pierwsza to utrzymanie pojedynczego przepływu: 384-1280 dolarów miesięcznie przy stawce niskiej, 480-1600 dla średniej firmy i 720-2400 dla dużej. Obejmuje poprawki i nadzór, ale nie tokeny modelu. Druga to suma operacyjna pięciu kategorii dla agenta produkcyjnego z realnym ruchem użytkowników: 3200-13 000 dolarów miesięcznie, i ta obejmuje tokeny, hosting bazy wektorowej, monitoring, strojenie promptów i bezpieczeństwo. Większość zespołów nie ujmuje jej w budżecie, dopóki nie przyjdzie faktura.

Te dwie liczby nie wolno dodawać, odejmować ani uśredniać - to utrzymanie jednego przepływu albo produkcyjny agent z ruchem, czyli 4610-15360 albo 38400-156000 dolarów rocznie.

Rozbicie pozycji pokazuje, gdzie realnie ucieka budżet.

Pozycja	Miesięcznie	Uwaga
Zużycie modeli (LLM)	1000-5000 USD	tokeny wejściowe i wyjściowe, powtórzenia, kontekst
Baza wektorowa i pamięć	500-2500 USD	rozliczenie za objętość i częstotliwość zapytań
Monitoring i logi	200-1000 USD	w jednym ujęciu wraz z czasem QA
Strojenie promptów	1000-2500 USD	10-20 godzin pracy miesięcznie
Dostęp i bezpieczeństwo	500-2000 USD	zależnie od zakresu i wymogów zgodności

Do tego dochodzą pozycje, o których mówi się mniej: rezerwa roczna sięgająca 10 procent budżetu początkowego na odświeżenie promptów, rozbudowę zbioru testów i dostrajenie zabezpieczeń, plus około 5 procent budżetu początkowego na red teaming przed premierą. Cennik jednej agencji pokazuje też, jak mocno rośnie poziom zabezpieczeń wraz z zakresem: audytowana logika wysokiego ryzyka z mechanizmem polityk, wycofaniem operacji, podpisanymi logami i przepływem eskalacji to 6500-10400 USD. Ta sama firma mówi wprost, że im mniej ręcznych kontroli, tym więcej zabezpieczeń i tym wyższy koszt.

Stawki za tokeny i jak z nich policzyć rachunek

Stawek jest kilka i mieszają się jednostki oraz modele. Jeden dostawca podaje dla GPT-4o w wersji hostowanej od 5 do 30 dolarów za milion tokenów, czyli 1000-8000 dolarów miesięcznie, a dla Claude 3 od 8 do 25 dolarów za milion, czyli 1500-6000 miesięcznie. Inny podaje dla GPT-4 Turbo około 0,01-0,03 dolara za tysiąc tokenów, co daje od 10 do 30 dolarów za milion. To dwa różne modele, więc nie wolno zestawiać ich w jedno zdanie jako „koszt LLM od X do Y".

Skala zużycia podaje skala realny problem: produkt z tysiącem aktywnych użytkowników dziennie, prowadzącymi rozmowy wieloturowe, potrafi zużyć 5-10 milionów tokenów miesięcznie. W skali roku to 60-120 milionów tokenów, czyli przy stawce 5-30 dolarów za milion wyłącznie same wywołania modelu dają od 300 do 3600 dolarów rocznie. Przy dwóch agentach rozmawiających ze sobą mnożnik jest większy, bo liczy się każde powtórzenie, każdy retry i każdy element kontekstu przekazany dalej.

Kontrola kosztu sprowadza się do czterech ruchów: przycinanie kontekstu promptu, budżet tokenów i równoległości na poziomie przepływu, cache odpowiedzi dla powtarzalnych zapytań oraz śledzenie kosztu każdego wykonania. Na etapie prototypu rekomenduje się modele otwarte, żeby eksperymentować bez opłat tokenowych. Przewidziany jest też skok zużycia: kilkukrotny wzrost po pilocie, ale jeszcze przed pełnym wdrożeniem.

Porównanie kosztowe modeli na realnym wolumenie zadań automatyzacji znajdziesz w zestawieniu poświęconym temu, który model wybrać przy 1000 zadań.

Granice: czego agentowi nie wolno powierzać

Najkrótsza poprawna odpowiedź: granicą jest zapisana polityka firmy, nie zdolność modelu. Agent nie wychodzi poza politykę, niezależnie od tego, jak dobrze rozumuje. Reszta jest już konsekwencją - tylko trzeba ją spisać, zanim agent dostanie dostęp do czegokolwiek.

Trzy poziomy nadzoru, które ustala się przed wdrożeniem

Praktyczny schemat, który stosuje polska agencja wdrożeniowa, jest prosty i warto go skopiować dosłownie. Dla każdej czynności ustala się jeden z trzech poziomów: im wyższe ryzyko błędu, tym więcej kontroli.

• Agent wykonuje sam - czynności o niskim ryzyku i łatwe do cofnięcia: kategoryzacja, tagowanie, streszczenie, utworzenie zadania.
• Agent przygotowuje, człowiek zatwierdza - odpowiedź do klienta, zmiana w CRM, oferta czy wezwanie do zapłaty trafiają do akceptacji jednym kliknięciem.
• Zawsze decyduje człowiek - sprawy finansowe, reklamacje, tematy wrażliwe i wszystko, czego agent nie jest pewien, z pełnym kontekstem sprawy.

Prompt injection, nadużycia uprawnień, agenci poza ewidencją

Główne zagrożenia opisane przez dostawcę bezpieczeństwa to prompt injection i próby jailbreak. Osobno wyróżniony jest atak pośredni, ukryty w plikach, stronach albo treści dostawcy trzeciego - jest groźniejszy, bo bezpiecznie napisany prompt przed nim nie chroni.

Sama klasa zagrożenia, o której firmy nie myślą, to agenci nieznani lub niezarządzani: powstają na platformach low-code i chmurze poza ewidencją IT, szybciej niż zespoły bezpieczeństwa potrafią ich śledzić. Ściąga tego typu systemu opisuje praktyczny opis ataków na agentów i sposobów zabezpieczenia. Z tego wynikają cztery wymagania wobec wdrożenia. Kontrola uprawnień musi działać w czasie rzeczywistym, a nie na etapie projektu: reguły zezwalające i blokujące dla narzędzi i serwerów MCP, egzekwowane w trakcie wykonania. Musi blokować przed akcją, nie po niej - skutku wykonanej decyzji nie da się cofnąć. Nadużycie uprawnień to osobna kategoria zagrożeń, a nie błąd modelu: agent zbyt szeroko uprawniony do narzędzi staje się wektorem. I wreszcie wyjście agenta może być szkodliwe lub niezgodne z prawem, a klasyczne zabezpieczenia tego nie zauważą - odpowiedzi agenta nie wolno traktować jako zweryfikowanej.

Odpowiedzialność, która zostaje w firmie

Kwoty podaję z zastrzeżeniem, że to odczyt przepisów przez dostawcę, a nie komentarz prawny. Za naruszenie unijnego AI Act podaje się kary do 35 milionów euro lub 7 procent obrotu, w zależności od wagi przewinienia. RODO daje do 20 milionów euro lub 4 procent rocznego obrotu światowego, a NIS2 wraz z KSC do 10 milionów euro z odpowiedzialnością osobistą zarządu. Liczby dotyczą odpowiedzialności firmy, nie agenta.

Praktyczne obowiązki, które dostawcy wskazują jako warunek legalnego wdrożenia, to szkolenie pracowników z AI, rejestr stosowanych systemów AI oraz nadzór człowieka nad decyzjami, które tego wymagają, plus obowiązek informowania, że ktoś komunikuje się z systemem AI. Przykładowa kalkulacja ryzyka z tej samej strony - firma o obrocie 10 milionów złotych, czyli około 1,3 miliona złotych realnego ryzyka - to założenie liczbowe dostawcy, a nie wyliczenie ustawowe, więc traktuj je jako ilustrację rzędu wielkości.

Ten sam materiał zawiera trzy procenty, które łatwo przedstawić jako polskie badanie: 69 procent pracowników korzysta z AI bez wiedzy pracodawcy, 72 procent wklejało dane firmowe do ChatGPT, 27 procent udostępniało dane wrażliwe. Pomijam je, bo w materiale nie ma autora, próby, roku ani instytucji badawczej. Zasady tego, czego nie wklejać do modelu, opisuje osobny materiał o danych wrażliwych w AI.

Ścieżka wdrożenia i kryterium, które spisuje się przed startem

Najbardziej operacyjny opis ścieżki wdrożenia, jaki znalazłem, wygląda tak. Tydzień pierwszy to audyt procesów, mapa ścieżki klienta i plan automatyzacji, z ustaleniem na starcie, czy problem wymaga agenta. Tygodnie 1-2 to programowanie: podłączenie do CRM, poczty i czatu, w tym ustawienie reguł eskalacji na człowieka. Tygodnie 2-3 to trening i testy na produktach, cenach, FAQ oraz na przypadkach brzegowych. Dalej monitoring i comiesięczny raport. Podstawowe wdrożenie zajmuje dwa do trzech tygodni.

UiPath opisuje tę samą ścieżkę w trzech krokach: wybierz proces, w którym rozumowanie ma znaczenie, i zdefiniuj kryteria sukcesu; przeprowadź pilota na jednym wąskim zadaniu, żeby zaobserwować, jak agent planuje i działa; skaluj stopniowo, monitorując wydajność i dryf.

Microsoft stawia to w formie czterech warunków wejścia na produkcję: jasno zdefiniowany przypadek użycia, agenci wnoszący mierzalną wartość biznesową oraz potrzeba fachowej pomocy przy projektowaniu, integracji i nadzorze.

Jest jeszcze jedna praktyka warta więcej niż wszystkie poprzednie. Przy audycje zapisuje się z klientem, co agent ma miesięcznie odstawić, wpisuje tę liczbę do umowy i ustala, że jeśli jej nie osiągnie, kolejnego miesiąca się nie płaci. Dodatkowo agenci zostają własnością klienta. To najtańsza ochrona przed najczęstszym problemem wdrożeń, czyli dryfem: rośnie zużycie tokenów i spada dokładność, ktoś pyta, dlaczego padła dziwna odpowiedź, a w pewnym momencie zespół nie dodaje funkcji, tylko zarządza zachowaniem agenta.