Automatyzacja czy AI? Różnice, które musisz znać przed pierwszym projektem 

Ostatnia istotna aktualizacja: 28 października 2026 - co zmieniono: dodałem interaktywne drzewo decyzyjne (reguły, workflow z krokiem AI, agent), kalkulator kosztu tokenów według cennika z października 2026, sekcję o tym, jak AI Act odróżnia automatyzację od systemu AI (z datami po nowelizacji Digital Omnibus z lipca 2026), dane Eurostatu o wykorzystaniu AI w firmach oraz źródła. Usunąłem przestarzały przykład z modelem z 2024 roku i błędne zdanie o obowiązkowej ocenie ryzyka.

Krótka odpowiedź: automatyzacja wykonuje zadania według reguł zapisanych przez człowieka („jeśli A, to B”) i za każdym razem daje ten sam wynik. AI, najczęściej model językowy, wnioskuje z danych: czyta swobodny tekst, skany i nagrania, ale zwraca wynik obarczony prawdopodobieństwem pomyłki. W pierwszym projekcie zacznij od reguł, a model dołóż tylko w kroku, którego reguła nie obsłuży (np. odczytanie maila o dowolnej treści). Agenta, który sam wybiera kolejne kroki, rozważ dopiero wtedy, gdy ścieżki nie da się zaplanować z góry, a jego błąd da się wychwycić przed szkodą.

Ta granica ma też znaczenie prawne. Według motywu 12 AI Act definicja systemu AI nie obejmuje systemów opartych na regułach zdefiniowanych wyłącznie przez ludzi. Scenariusz w n8n z samymi warunkami nie jest więc „systemem AI” w rozumieniu rozporządzenia. Ten sam scenariusz z krokiem, w którym model klasyfikuje wiadomości, już nim jest.

Automatyzacja i AI w jednym zdaniu: wykonać czy wywnioskować?

Automatyzacja procesów to przekazanie powtarzalnych kroków systemowi, który wykonuje je deterministycznie: te same dane wejściowe dają zawsze ten sam wynik. Nie interpretuje intencji i nie zgaduje. Jeśli dane nie pasują do reguły, scenariusz zatrzymuje się albo kieruje sprawę do człowieka.

JEŻELI (zdarzenie == "Nowe opłacone zamówienie")
WTEDY
  KROK_1: Wygeneruj fakturę na podstawie danych zamówienia.
  KROK_2: Zapisz fakturę w systemie księgowym.
  KROK_3: Wyślij fakturę e-mailem do klienta.
KONIEC_JEŻELI

AI w rozumieniu art. 3 pkt 1 AI Act to system, który „wnioskuje” z otrzymanych danych, jak wygenerować wynik: prognozę, treść, rekomendację lub decyzję. W firmach oznacza to najczęściej model językowy (LLM), który radzi sobie z danymi nieuporządkowanymi: wiadomością napisaną po swojemu, skanem umowy o nietypowym układzie, notatką głosową. Ceną tej elastyczności jest probabilistyczny wynik. Model może się pomylić albo „dopowiedzieć” coś, czego w danych nie było.

Różnicę dobrze widać na zgłoszeniu do helpdesku: „Nie mogę połączyć się z siecią firmową z domu, system ciągle odrzuca moje poświadczenia”. Reguła oparta na słowie kluczowym nie zadziała, bo w treści nie ma słowa „VPN”:

wiadomosc = "Nie mogę połączyć się z siecią firmową z domu, system ciągle odrzuca moje poświadczenia"

# Sztywna reguła oparta na słowie kluczowym
if "VPN" in wiadomosc.upper():
    print("Problem przypisany do zespołu sieciowego (VPN).")
else:
    # Reguła nie została spełniona - wiadomość trafia do ogólnej kolejki
    print("Problem przypisany do ogólnej kolejki wsparcia.")

Model językowy połączy „sieć firmową” i „z domu” z dostępem zdalnym i przypisze kategorię mimo braku słowa kluczowego. W praktyce oba podejścia działają razem: automatyzacja pobiera zgłoszenie i zapisuje wynik w systemie, a model wykonuje tylko jeden krok, czyli klasyfikację. Tak może wyglądać ten krok w aktualnym SDK Anthropic dla Pythona:

import anthropic

client = anthropic.Anthropic()  # klucz API ze zmiennej ANTHROPIC_API_KEY

odpowiedz = client.messages.create(
    model="claude-opus-5-5",
    max_tokens=1024,
    output_config={"effort": "low"},  # proste zadanie - niski nakład rozumowania
    system="Klasyfikujesz zgłoszenia helpdesku. Odpowiedz jednym słowem: SIEC, KONTO, SPRZET albo INNE.",
    messages=[{"role": "user", "content": wiadomosc}],
)
kategoria = next(b.text for b in odpowiedz.content if b.type == "text").strip()
# Dalej znów zwykła reguła: jeśli kategoria == "SIEC", przypisz do zespołu sieciowego.

Zwróć uwagę na ostatnią linię. Wynik modelu trafia z powrotem do deterministycznej reguły. Jeśli model zwróci coś spoza listy, reguła może to wychwycić i skierować sprawę do człowieka.

Reguły, workflow z krokiem AI czy agent: trzy poziomy, nie dwa

Pytanie „automatyzacja czy AI” w 2026 roku ma trzecią odpowiedź: agenta. Anthropic w poradniku „Building effective agents” rozdziela dwa rodzaje systemów z modelem językowym. Workflow to system, w którym model i narzędzia są sterowane z góry zaplanowaną ścieżką w kodzie. Agent to system, w którym model sam kieruje swoim działaniem i sam decyduje, których narzędzi użyć. Ten sam tekst radzi szukać „najprostszego możliwego rozwiązania” i zwiększać złożoność tylko wtedy, gdy jest potrzebna. Zaznacza też, że systemy agentowe zwykle płacą opóźnieniem i kosztem za lepszy wynik.

Drzewo decyzyjne: co wybrać do pierwszego projektu?

Odpowiedz na kilka pytań o jeden konkretny proces. Drzewo opiera się na trzech kryteriach z tekstu powyżej: formacie danych, przewidywalności ścieżki i odwracalności błędu. To moja synteza (opinia oparta na źródłach), a nie norma, ale każde rozgałęzienie da się uzasadnić cytowanym źródłem.

Te same reguły w formie tekstu:

1. Dane mają stały format, a wszystkie decyzje da się zapisać jako „jeśli A, to B” - wybierz automatyzację regułową (n8n, Make, Zapier, Power Automate). Model językowy niczego tu nie poprawi, a doda koszt i niepewność.
2. Dane są swobodne (maile, skany, głos) albo część przypadków wymaga oceny treści, ale kroki procesu są zawsze te same - wybierz workflow z jednym krokiem AI: reguły pobierają, walidują i zapisują dane, a model tylko odczytuje lub klasyfikuje.
3. Ścieżki nie da się zaplanować z góry, błąd da się cofnąć, a zadanie jest warte wyższego kosztu - rozważ agenta, który przygotowuje wersję roboczą do akceptacji człowieka.
4. Ścieżki nie da się zaplanować, a działanie jest od razu nieodwracalne (przelew, wysyłka do klienta, decyzja o kandydacie) - nie buduj agenta. Zostaw decyzję człowiekowi, a AI daj rolę przygotowania materiału.

Ile kosztuje krok AI? Kalkulator tokenów

Automatyzacja regułowa po wdrożeniu kosztuje głównie utrzymanie serwera lub abonament platformy. Krok AI ma dodatkowy koszt zmienny: płacisz za tokeny wysłane do modelu i przez niego wygenerowane. Poniższy kalkulator liczy ten koszt według cennika API Anthropic z października 2026 roku. Ceny w Amazon Bedrock i Vertex AI ustalają ci dostawcy osobno.

Wyliczenie (derived, ceny z 28.10.2026): klasyfikacja 2000 maili miesięcznie, po ok. 800 tokenów wejścia (instrukcja i treść maila) i 150 tokenów wyjścia, kosztuje w tokenach ok. 0,31 USD miesięcznie na Claude Haiku 5.5, ok. 6,20 USD na Claude Sonnet 5.5 i ok. 12,40 USD na Claude Opus 5.5. Batch API obniża te kwoty o połowę. Liczby wejściowe to założenie: tokeny rozumowania modelu też liczą się jako wyjście, więc zmierz je na próbce własnych danych. Wniosek: w małej firmie koszt tokenów jest zwykle mniejszy niż godzina pracy osoby, która zbuduje, przetestuje i będzie nadzorować krok AI. To ta praca, a nie API, decyduje o koszcie projektu (opinia).

Gdzie automatyzacja, gdzie AI: podział ról w typowych procesach

Automatyzacja regułowa pasuje tam, gdzie logika jest stała, a dane mają ustalony format. Typowe przykłady: faktura generowana po opłaconym zamówieniu, monity do spóźnionych kontrahentów, przenoszenie danych z formularza do CRM, cykliczny raport wysyłany o stałej porze, sprawdzenie NIP w rejestrach przed wystawieniem dokumentu. Popularne narzędzia:

• Zapier - chmurowe no-code do szybkich integracji popularnych aplikacji SaaS.
• Make i n8n - scenariusze z rozgałęzieniami; n8n można uruchomić na własnym serwerze, co daje kontrolę nad danymi i ogranicza vendor lock-in.
• Power Automate - dla firm opartych na Microsoft 365, łączy chmurę z procesami na komputerach z Windows.
• UiPath - platforma RPA naśladująca ruchy użytkownika w interfejsie; przydaje się przy starszych systemach bez API.

W procesach z danymi nieuporządkowanymi obie technologie dzielą się pracą:

• Faktury kosztowe: automatyzacja pobiera załącznik ze skrzynki, pilnuje etapów akceptacji i zleca przelew. AI odczytuje dane z faktury o nietypowym układzie i proponuje kategorię budżetową.
• Helpdesk: automatyzacja nadaje numer zgłoszenia, mierzy SLA i wysyła powiadomienia. AI klasyfikuje treść i przygotowuje szkic odpowiedzi na podstawie bazy wiedzy.
• Umowy: automatyzacja pilnuje kolejności zatwierdzeń i archiwizuje podpisane wersje. AI wyłapuje nietypowe zapisy, np. długi okres wypowiedzenia albo wysokie kary umowne, i pisze podsumowanie.
• Onboarding: automatyzacja zakłada konta i wysyła dokumenty kadrowe. AI odpowiada nowej osobie na pytania o procedury na podstawie firmowej dokumentacji.

Kiedy agent ma sens

Agent to model językowy połączony z narzędziami (baza danych, CRM, API) i działający w pętli: sam decyduje, co sprawdzić i jaki krok wykonać dalej. Przykład: z celem „przygotuj wycenę na podstawie zapytania mailowego” agent czyta maila, sprawdza stany magazynowe i historię rabatów w CRM, wylicza cenę w ramach nadanych uprawnień i zostawia wersję roboczą oferty do akceptacji.

Sprawdzają się tu procesy zmienne w szczegółach, ale powtarzalne co do celu: kwalifikacja zapytań ofertowych, monitorowanie przesyłek z powiadamianiem opiekuna o opóźnieniu, przygotowanie materiałów do spotkania z danych z kilku systemów. Uwaga na HR: załącznik III AI Act wymienia systemy AI do rekrutacji, w szczególności do „analizowania i filtrowania podań o pracę” i oceny kandydatów, jako systemy wysokiego ryzyka. Agent, który wstępnie odsiewa CV, nie jest więc dobrym „pierwszym projektem”.

Co mówi AI Act: automatyzacja a system AI

Dla właściciela firmy najważniejsza konsekwencja wyboru technologii jest taka: dopóki proces opiera się wyłącznie na regułach napisanych przez ludzi, AI Act go nie dotyczy (motyw 12). Gdy dodasz krok z modelem, stajesz się „podmiotem stosującym” system AI. Obowiązki zależą wtedy od kategorii ryzyka, a nie od samego faktu użycia AI. Wcześniejsza wersja tego artykułu twierdziła, że każdy projekt AI musi przejść ocenę ryzyka - to było nieprecyzyjne.

• Od 2 lutego 2025 obowiązuje art. 4: dostawcy i podmioty stosujące mają podejmować działania wspierające kompetencje w zakresie AI (AI literacy) u osób, które obsługują system. Po nowelizacji przepis wprost mówi, że nie wymaga to zagwarantowania konkretnego poziomu wiedzy każdej osoby.
• Od 2 sierpnia 2026 stosuje się obowiązki przejrzystości z art. 50: m.in. osoba rozmawiająca z systemem AI ma wiedzieć, że to AI, chyba że jest to oczywiste z kontekstu. Dotyczy to np. asystenta odpowiadającego klientom.
• Od 2 grudnia 2027 (zamiast 2 sierpnia 2026) mają zastosowanie wymogi dla systemów wysokiego ryzyka z załącznika III, np. rekrutacji, a od 2 sierpnia 2028 dla systemów wbudowanych w produkty z załącznika I. Przesunięcie wprowadziło rozporządzenie Digital Omnibus o AI (UE) 2026/1744, opublikowane w Dzienniku Urzędowym 24 lipca 2026 i obowiązujące od 27 lipca 2026 (via National Law Review, Addleshaw Goddard; daty potwierdza skonsolidowany art. 113).

Typowy pierwszy projekt, czyli odczyt faktur albo klasyfikacja zgłoszeń, nie jest systemem wysokiego ryzyka. W praktyce oznacza to przeszkolenie osób, które z nim pracują, i informowanie klientów, gdy rozmawiają z AI. Nie jest to porada prawna. Przy procesach dotyczących ludzi (kadry, ocena zdolności kredytowej) skonsultuj się z prawnikiem.

Dane w projektach z AI: co faktycznie gwarantują dostawcy

Najczęstsza obawa brzmi: „czy nasze dane posłużą do trenowania modelu?”. Przy dostępie komercyjnym odpowiedź jest udokumentowana:

• Anthropic deklaruje, że domyślnie nie używa danych wejściowych ani wyników z produktów komercyjnych (w tym API) do trenowania modeli. Wyjątkiem są sytuacje, gdy sam prześlesz opinię, np. przyciskiem kciuka, albo wyrazisz zgodę.
• Amazon w FAQ Bedrock pisze, że treści klientów nie służą do ulepszania modeli bazowych i nie są udostępniane dostawcom modeli. W dokumentacji ochrony danych dodaje, że dostawcy modeli nie mają dostępu do promptów ani odpowiedzi klientów.

To nie zwalnia z RODO. Potrzebujesz umowy powierzenia, wyboru regionu przetwarzania i zasady minimalnych uprawnień: integracja ma dostęp tylko do tych tabel i folderów, których wymaga dany krok. Przy najbardziej wrażliwych danych rozważ n8n na własnym serwerze i model open-source uruchomiony lokalnie, kosztem jakości i utrzymania.

Jak przygotować pierwszy projekt

Punktem wyjścia jest konkretny problem, a nie pytanie „jak wdrożyć u nas AI?”. Kontekst rynkowy: według Eurostatu w 2025 roku AI wykorzystywało 20,0% firm w UE zatrudniających co najmniej 10 osób (13,5% rok wcześniej), ale w Polsce tylko 8,4%. To jeden z trzech najniższych wyników w UE, obok Rumunii (5,2%) i Bułgarii (8,5%). Większość polskich firm zaczyna więc od zera i dlatego warto zacząć od prostych rzeczy.

1. Uporządkuj proces przed automatyzacją. Technologia nie naprawi bałaganu, tylko go przyspieszy. Usuń zbędne etapy i spisz jedną obowiązującą wersję procedury.
2. Zmierz punkt wyjścia. Policz, ile godzin tygodniowo zajmuje operacja, jak często zdarzają się wyjątki i w jakim formacie spływają dane. Bez tej liczby nie ocenisz zwrotu.
3. Przejdź drzewo decyzyjne z tego artykułu i wybierz najniższy poziom, który rozwiązuje problem.
4. Ustal mierzalny cel, np. odzyskanie 10 godzin tygodniowo w administracji albo skrócenie pierwszej odpowiedzi na zapytanie ofertowe z 24 godzin do 15 minut.
5. Zrób pilotaż na jednym procesie i małej próbie danych. Przy kroku AI sprawdź wynik na kilkudziesięciu prawdziwych przypadkach, zanim go uruchomisz, a w procesach finansowych i prawnych zostaw akceptację człowieka (human-in-the-loop).

Najczęstsze pytania

Dobra automatyzacja jest nudna: raz ją konfigurujesz, spisujesz zakres na piśmie, a system po cichu odciąża zespół. Zacznij od jednego wąskiego gardła i sprawdź, które narzędzie najszybciej zwróci ci stracony czas.

Źródła

1. AI Act, motyw 12, art. 3, art. 4, art. 50, art. 113, załącznik III - tekst skonsolidowany rozporządzenia (UE) 2024/1689, serwis AI Act Explorer (Future of Life Institute).
2. Eurostat: wykorzystanie AI w przedsiębiorstwach UE w 2025 r.
3. Anthropic: Building effective agents (19.12.2024).
4. Anthropic: cennik API Claude (stan z 28.10.2026).
5. Anthropic Privacy Center: czy moje dane służą do trenowania modeli.
6. Amazon Bedrock FAQ i Amazon Bedrock: Data protection.
7. National Law Review: EU Digital Omnibus on AI enters into force.
8. Addleshaw Goddard: EU AI Act - AI Omnibus formally adopted.