Szybka odpowiedź: co to jest agent AI?
- W agencie opartym na LLM to model wybiera kolejny krok. Może wywołać narzędzie i na podstawie wyniku zdecydować, co zrobić dalej.
- Asystent może działać jako agent: nazwa produktu nie określa, jak samodzielnie wybiera i wykonuje kroki.
- Workflow ma zapisane reguły przejść, także warunki i pętle, a agent dobiera następne kroki za pomocą modelu.
- Agent pasuje do zadań zmiennych, w których trudno z góry opisać reguły wyboru następnego kroku.
- Proces z jasnymi regułami często łatwiej obsłużyć workflow, ewentualnie z jednym krokiem AI.
Czym jest agent AI
W agencie opartym na określasz cel, dostępne narzędzia i działania wymagające zgody. W tych granicach model wybiera następny krok na podstawie dotychczasowych wyników. W roli narzędzi mogą występować między innymi wyszukiwarka, baza danych, skrzynka pocztowa, przeglądarka, terminal czy dowolne . Cały proces opiera się na pętli: model wybiera odpowiednie narzędzie, system je uruchamia, wynik wraca do modelu, a ten podejmuje decyzję o kolejnym kroku. Działanie kończy się w momencie wykonania zadania, przekazania sprawy człowiekowi lub osiągnięcia narzuconego limitu kroków, czasu albo kosztu. Pojęcie „Agentic AI” oznacza więc zdolność systemu do samodzielnego dobierania i realizowania kolejnych etapów pracy, a nie nieograniczoną autonomię.
Dobrze widać to na przykładzie z mojej codziennej pracy. Agent programistyczny otrzymuje zadanie: „popraw błędny adres kanoniczny we wspólnym szablonie podstron usług”, by potem samodzielnie przeszukać repozytorium, przeanalizować odpowiednie pliki, wprowadzić poprawki i uruchomić testy. To oczywiście najprostszy przykład. W sytuacji, kiedy pojawi się błąd, czyta logi, koryguje kod i powtarza cały proces aż do momentu, gdy testy przejdą pomyślnie. Dopiero wtedy przekazuje gotową zmianę do przeglądu przez drugiego agenta oraz przeze mnie – bez konieczności wcześniejszego wskazywania mu konkretnych plików czy liczby iteracji.
Agent, asystent, chatbot i automatyzacja
Pod hasłem „AI w firmie” kryją się różne rzeczy i najwięcej nieporozumień bierze się z ich mieszania.
| Rozwiązanie | Kto decyduje o krokach | Czy wykonuje działania | Przykład |
|---|---|---|---|
| Prompt | instrukcja dla systemu | zależy od systemu | jednorazowa prośba o streszczenie dokumentu w czacie |
| Chatbot | scenariusz albo model | może, jeśli ma narzędzia | odpowiedzi na pytania klientów na stronie |
| Asystent AI | człowiek lub model | zależy od funkcji i zgód | ChatGPT z instrukcją do pisania ofert |
| Workflow z AI | autor procesu, z góry | tak, według schematu | n8n, który streszcza maila i zapisuje go w CRM |
| Agent AI | model, w trakcie pracy | tak, sam wybiera narzędzia | agent, który diagnozuje reklamację i przygotowuje zwrot do zatwierdzenia |
Te kategorie mogą się nakładać: prompt jest instrukcją, chatbot interfejsem rozmowy, a asystent rolą produktu. Asystent może tylko przygotowywać tekst albo wykonywać zadania jako agent, podczas gdy agent może z kolei wyłącznie działać z dostępem do odczytu, na przykład podczas analizy dokumentów. wykonuje działania po ścieżce zapisanej z góry, na przykład „jeśli przyjdzie mail, streść go, zapisz w i wyślij powiadomienie”, a model jest w nim jednym z kroków.
Workflow porusza się ścieżką wyznaczoną z góry, natomiast agent otrzymuje cel i samodzielnie decyduje, jak do niego dojść. Narzucona z góry struktura ułatwia kontrolę, podczas gdy swoboda wyboru zapewnia elastyczność, ale nie gwarantuje dotarcia do celu. Liczba podłączonych narzędzi niczego tu nie przesądza, ponieważ klasyczny workflow również potrafi łączyć wiele systemów, a także rozgałęziać się i powtarzać kroki w zależności od uzyskanych wyników. Agent ma sens, gdy trudno zapisać reguły wyboru kolejnego kroku. Można też połączyć oba podejścia: agent zbiera informacje, a zwrot pieniędzy przechodzi przez ustalone reguły i akceptację człowieka. Szczegółowe kryteria wyboru poziomu zebrałem w matrycy decyzyjnej AI.
Rodzaje agentów AI i gdzie się sprawdzają
Poniżej znajduje się pięć przykładów zastosowań oraz sposobów działania. Poszczególne kategorie mogą się przenikać – na przykład agent badawczy może korzystać z przeglądarki i uruchamiać się proaktywnie.
Agenty kodujące
Jednym z praktycznych zastosowań jest programowanie, z którym mam osobiście najwięcej do czynienia przy pracy na repozytoriach. Agenty kodujące, takie jak Claude Code czy Codex, przeszukują repozytorium, piszą kod, uruchamiają testy i poprawiają błędy. Testy dają agentom szybką informację zwrotną, ale ich przejście nie gwarantuje ani poprawności, ani bezpieczeństwa zmiany – konieczny jest także przegląd kodu. Do wpuszczam je z węższą rolą, w której Claude Code czyta i komentuje go bez prawa do zmian, a cały mechanizm rozpisałem w tekście o agentach AI w GitHub Actions. Przy audycie SEO w repozytorium agent łączy dane z Search Console z kodem strony i dopiero po mojej akceptacji hipotez wprowadza poprawki na osobnej gałęzi.
Agenty w obsłudze zgłoszeń i back-office
W obsłudze zgłoszeń agent analizuje wiadomość, weryfikuje zamówienie w systemie, ocenia zasadność zwrotu i przygotowuje projekt odpowiedzi do akceptacji. W księgowości zestawia fakturę z zamówieniem i wychwytuje rozbieżności, natomiast w sprzedaży uzupełnia dane kontaktowe w CRM na podstawie informacji ze strony firmy. Wybór miejsca uruchomienia, w czy na , wpływa na utrzymanie i przepływ danych. Własny serwer n8n nie oznacza, że dane zostają lokalnie: nadal mogą trafiać do zewnętrznego modelu i usług. Te różnice opisuję w artykule o agentach AI w back-office, a same platformy porównuję w zestawieniu Make czy n8n.
Agenty przeglądarkowe
Ta grupa obsługuje strony internetowe tak jak człowiek, czyli klika, wypełnia formularze i porównuje oferty. W firmie przydaje się tam, gdzie system nie ma API, na przykład przy przepisywaniu danych z portalu dostawcy, ale często bywa wolniejsza i bardziej podatna na zmiany interfejsu niż integracja przez API. Dla właściciela strony to nowy odwiedzający, który może korzystać z , lub zrzutów ekranu. Niedostępne formularze i przyciski bez etykiet utrudniają mu pracę. Co sprawdza eksperymentalna kategoria Przeglądanie agentowe w Lighthouse i PageSpeed Insights, wyjaśniam w tekście o przeglądaniu agentowym.
Agenty badawcze
Agent badawczy samodzielnie wyszukuje źródła, analizuje je, porównuje i generuje gotowy raport. Może to skrócić czas zbierania i porównywania źródeł przy analizie rynku, konkurencji czy dokumentacji technicznej. Przed wykorzystaniem raportu sprawdź, czy przywołane źródła uzasadniają jego wnioski. Model potrafi bowiem zbudować spójny i niezwykle przekonujący wywód w oparciu o jeden błędny cytat.
Agenty proaktywne
To sposób uruchamiania agentów: harmonogram lub zdarzenie inicjuje pracę, a agent może na przykład co kilka godzin przeglądać pocztę, kalendarz czy system fakturowy, zgłaszać, co wymaga reakcji, i po Twojej zgodzie wykonywać zadania w tle. Sam harmonogram nie czyni automatyzacji agentem. Model może decydować, czy wynik wymaga powiadomienia, więc granica między pomocą a nadmiarem powiadomień zależy od tego, jak go skonfigurujesz. W artykule o Claude Duet zebrałem dostępne informacje o jego działaniu i ograniczeniach. Nie miałem dostępu do narzędzia.
Jak zbudować agenta AI
Od strony technicznej agent składa się z modelu, zestawu narzędzi oraz pętli, która spina to wszystko w całość. W jej budowie pomagają gotowe biblioteki, takie jak , OpenAI Agents SDK czy LangGraph, ale różnią się one zakresem gotowych rozwiązań. Claude Agent SDK zapewnia od razu pętlę i zarządzanie kontekstem, natomiast LangGraph oddaje w ręce twórcy więcej niskopoziomowej kontroli nad przepływem i stanem. Obsługę błędów, utrwalanie stanu oraz zasady pamięci trzeba jednak dopasować do konkretnej aplikacji.
Narzędzia opisujesz nazwą, opisem i , żeby model wiedział, kiedy ich użyć. Coraz częściej robi się to przez protokół , który standaryzuje sposób podłączania narzędzi i danych do aplikacji AI, z których korzysta model. Czym jest MCP, wyjaśniam w przewodniku po Model Context Protocol, a jak napisać własny serwer, w tekście o serwerze MCP w TypeScript.
MCP nie jest konieczny do zbudowania agenta: narzędzia można podłączyć bezpośrednio przez funkcje i API. Sam protokół nie zastępuje kontroli uprawnień.
Najwięcej pracy wymaga otoczenie agenta. Trzeba ustalić, do czego ma dostęp, które działania wymagają zgody człowieka, jak logować jego kroki i jak go zatrzymać, gdy zacznie krążyć w kółko.
Pamięć, kontekst i ocena jakości agenta
Pamięć zadania zapewnia aplikacja lub usługa przechowująca stan rozmowy. Nie oznacza to, że model uczy się na bieżąco przez zmianę swoich . Informacje potrzebne do odpowiedzi muszą być dostępne w jego lub zostać pobrane narzędziem. Dlatego, projektując agenta, decydujesz, co w tym kontekście się ostatecznie znajdzie.
Historia bieżącego zadania, czyli kolejne kroki i wyniki narzędzi, rośnie przy długiej pracy bardzo szybko. Niektóre narzędzia automatycznie ją streszczają lub usuwają stare wyniki, a w innych trzeba to skonfigurować, ale za cenę utraty szczegółów, o które agent może później potknąć się w połowie zadania. Wiedzę, która ma przetrwać między zadaniami, czyli zasady firmy, opis projektu czy wcześniejsze decyzje, trzymasz w plikach z instrukcjami, w bazie danych albo w , z której agent pobiera tylko potrzebne fragmenty. W agentach kodujących pełnią tę rolę pliki CLAUDE.md i AGENTS.md, opisane w przewodnikach po Claude Code i Codexie.
Nie należy zapominać także o ocenie jakości pracy agenta, ponieważ w przypadku zmiany modelu, instrukcji albo jednego narzędzia może zacząć popełniać błędy, których wcześniej nie robił. Zbierz zestaw kilku realnych przypadków z oczekiwanym wynikiem i uruchamiaj na nim agenta po każdej zmianie, jak testy regresyjne przed wdrożeniem. Kluczowe scenariusze powtórz w tych samych warunkach, aby zmierzyć powtarzalność i oszacować koszt, a część odłóż do niezależnej weryfikacji po poprawkach promptu. W swojej ocenie uwzględnij realizację celu, poprawność danych, uprawnienia, eskalację do człowieka, braki w danych, błędy narzędzi oraz próby wstrzyknięcia poleceń w treści dokumentów.
Ryzyka i ograniczenia
Błędy mogą się kumulować. Agent, który pomyli się na początku, potrafi konsekwentnie budować na tym błędzie przez kolejne dziesięć kroków.
Zbyt szerokie uprawnienia zwiększają skutki błędu lub ataku. Agent z dostępem do poczty i systemów firmy może zostać zmanipulowany treścią, którą przeczyta, na przykład mailem z ukrytą instrukcją. Ten atak nazywa się pośrednim i nie ma na niego pełnego zabezpieczenia. Agent powinien więc mieć tylko te uprawnienia, których naprawdę potrzebuje, a działania nieodwracalne, takie jak zwrot pieniędzy czy usunięcie danych, powinien zatwierdzać człowiek.
Uprawnienia i zatwierdzenia egzekwuj w kodzie aplikacji lub narzędzia, nie tylko w instrukcji dla modelu. Przed zleceniem zwrotu sprawdź uprawnienia i wymaganą zgodę. Po wywołaniu zapisz identyfikator i status transakcji. W logach zachowuj tylko dane potrzebne do diagnozy. Ogranicz czas i liczbę ponowień. Operacje takie jak zwrot pieniędzy zabezpiecz przed podwójnym wykonaniem po awarii lub ponowieniu żądania.
Jak wdrożyć agenta AI w firmie
Przed wprowadzeniem AI określ, do których danych agent powinien mieć dostęp, co może zrobić samodzielnie i kiedy aplikacja musi poprosić człowieka o zgodę. To ostatnie jest szczególnie ważne, jeśli chcemy uniknąć kłopotów.
- Wybierz jeden proces, który jest powtarzalny co do celu, ale zmienny co do przebiegu, na przykład obsługę reklamacji albo przygotowanie raportu z kilku źródeł. Sprawdź w matrycy decyzyjnej AI, czy nie wystarczy prostsze rozwiązanie.
- Wyznacz właściciela procesu, czyli osobę, która odpowiada za wyniki agenta i decyduje o zmianach w jego instrukcjach.
- Zmierz punkt wyjścia, czyli obecny czas, koszt i liczbę błędów w procesie, żeby po pilotażu było z czym porównać.
- Ustaw uprawnienia, punkty kontrolne i zestaw testowy według zasad z sekcji o ryzykach i ocenie jakości.
- Określ kryterium zatrzymania, na przykład próg błędów albo kosztu, po którego przekroczeniu wracasz do starego procesu.
- Zacznij od środowiska testowego lub trybu tylko do odczytu, a potem uruchom pilotaż na części ruchu i porównaj wyniki z punktem wyjścia, zanim oddasz agentowi całość.
Drugą połową wdrożenia są ludzie, którzy mają z agentem pracować i którym trzeba wyjaśnić, co się zmienia i dlaczego. O tej stronie zmian piszę w tekstach o modelu ADKAR i o roli lidera zmiany w transformacji AI.
Ile kosztuje agent AI
Koszt jednego poprawnie wykonanego zadania policz na przykładach z pilotażu. Zsumuj koszt modelu, płatnych narzędzi i czasu osoby sprawdzającej wyniki. Uwzględnij także nieudane próby. Podziel całość przez liczbę poprawnie ukończonych zadań. Przykłady rozliczeń znajdziesz w artykułach o agentach AI w GitHub Actions i cenie Claude Code.


