Agenci AI: co to jest i jak działają w firmie

W skrócie

• Agent AI to model językowy z dostępem do narzędzi, który sam decyduje, jakie kroki wykonać, żeby osiągnąć cel, i po każdym kroku sprawdza wynik.
• Od automatyzacji w n8n czy Zapierze różni go to, kto ustala ścieżkę. W automatyzacji kroki zapisuje człowiek, agent wybiera je w trakcie pracy.
• Agentów podłącza się do firmowych narzędzi coraz częściej przez MCP, otwarty standard, który obsługują między innymi ChatGPT, Gemini, Microsoft Copilot i Claude.
• Największe ryzyka to zbyt szerokie uprawnienia i prompt injection, czyli polecenia ukryte w treściach, które agent czyta. Ogranicza je zasada najmniejszych uprawnień i akceptacja człowieka przed ważnymi działaniami.
• Najlepszy pierwszy agent robi jedno powtarzalne zadanie, którego wynik da się zmierzyć, na przykład cotygodniowy raport ze zmian u konkurencji.

Czym są agenci AI?

Agenci AI to systemy, w których model językowy sam kieruje swoją pracą: decyduje, jakich narzędzi użyć i w jakiej kolejności, żeby wykonać powierzone zadanie. Tak opisuje ich Anthropic w poradniku o budowaniu agentów z grudnia 2024 r. OpenAI ujmuje to krócej: agent to system, który samodzielnie wykonuje zadania w Twoim imieniu.

Po ludzku: zwykły czat AI zna tylko to, co mu wkleisz, i odpowiada tekstem. Agent ma „ręce”. Może otworzyć stronę, przeczytać plik, zapisać tabelę albo przygotować szkic maila do akceptacji. Kiedy coś pójdzie nie tak, widzi błąd i próbuje inaczej.

OpenAI w przewodniku dla firm rozkłada agenta na trzy części. Model rozumuje i podejmuje decyzje. Narzędzia, czyli funkcje i interfejsy API (furtki, przez które jeden program wymienia dane z drugim), pozwalają mu działać w innych systemach. Instrukcje mówią, jak ma się zachowywać i czego mu nie wolno. W firmie dochodzą do tego dwa elementy, bez których agent nie wyjdzie poza fazę zabawki: pamięć, czyli to, co agent wie o Twoich zasadach przy każdym uruchomieniu, oraz granice, czyli uprawnienia i moment, w którym ma się zatrzymać.

Tabela pokazuje te pięć elementów na przykładzie agenta, który co tydzień przygotowuje raport o konkurencji.

Model jest tu tylko jednym z pięciu elementów. Na warsztatach najwięcej czasu zespoły spędzają zwykle nad instrukcjami i granicami, bo to one decydują, czy agent robi to, czego firma faktycznie potrzebuje.

Jak działają agenci AI krok po kroku?

Agent AI działa w pętli: zbiera informacje, wykonuje działanie, sprawdza wynik i decyduje, co dalej. Powtarza to tak długo, aż skończy zadanie albo trafi na warunek, który każe mu się zatrzymać.

Dokumentacja Claude Code, narzędzia agentowego firmy Anthropic, nazywa te fazy wprost: zbieranie kontekstu, działanie i weryfikacja wyników. Każde użycie narzędzia daje agentowi nową informację, a ta wpływa na następny krok. Anthropic pisze w poradniku, że agent musi na każdym etapie dostawać z otoczenia twarde dane, na przykład wynik wywołania narzędzia albo uruchomionego kodu, bo tylko po nich oceni, czy zbliża się do celu.

Tak wygląda praca agenta przy zadaniu „przygotuj zestawienie zmian w cennikach trzech konkurentów”:

1. Agent czyta instrukcję i raport sprzed tygodnia, żeby wiedzieć, z czym ma porównywać.
2. Otwiera stronę z cennikiem pierwszego konkurenta i wyciąga z niej ceny.
3. Zestawia je z poprzednimi danymi. Jeśli strona się zmieniła i cennika nie ma tam, gdzie był, szuka go w innej zakładce.
4. Powtarza to samo dla dwóch pozostałych firm.
5. Składa raport, sprawdza, czy przy każdej liczbie jest źródło, i oddaje go człowiekowi do akceptacji.

Najwięcej mówi krok trzeci. Zwykły skrypt po zmianie układu strony zwraca błąd i staje. Agent zauważa, że coś się nie zgadza, i szuka innej drogi.

Ta elastyczność kosztuje. Anthropic przyznaje, że systemy agentowe zwykle osiągają lepszy wynik kosztem wyższej ceny i dłuższego czasu działania, a błędy mogą się w nich nawarstwiać. Dlatego poradnik zaleca warunki stopu, na przykład maksymalną liczbę powtórzeń, oraz testy w odizolowanym środowisku, zanim agent dostanie dostęp do prawdziwych danych.

Czym agent AI różni się od chatbota, asystenta AI i automatyzacji?

Różnica sprowadza się do dwóch pytań: kto ustala kolejne kroki i czy system działa w innych narzędziach, czy tylko pisze tekst. Chatbot i asystent głównie rozmawiają, automatyzacja wykonuje kroki zapisane przez człowieka, a agent sam wybiera kroki i je wykonuje.

W ofertach dostawców te pojęcia mieszają się tak bardzo, że Gartner nazwał to zjawisko agent washing. Chodzi o przyklejanie etykiety „agent” do zwykłych chatbotów i narzędzi RPA, czyli automatyzacji, która klika w programach za człowieka według sztywnego scenariusza. W czerwcu 2025 r. analitycy Gartnera szacowali, że spośród tysięcy firm reklamujących agentów AI prawdziwe funkcje agentowe oferuje około 130. To szacunek sprzed ponad roku, ale dobrze pokazuje skalę zamieszania z nazwami.

Tabela zestawia cztery rodzaje rozwiązań, które najczęściej trafiają do jednego worka.

Granice między tymi kategoriami się zacierają. W n8n, popularnym narzędziu do budowania automatyzacji z klocków, jest gotowy węzeł AI Agent. Podłącza się do niego model językowy i co najmniej jedno narzędzie, a węzeł sam wybiera, którego użyć. W jednym procesie możesz więc mieć sztywne kroki tam, gdzie wszystko jest przewidywalne, i agenta w miejscu, w którym trzeba ocenić treść. Microsoft w Copilot Studio idzie w tę samą stronę: agenci autonomiczni reagują na zdarzenia, takie jak nowy mail albo zmiana w bazie danych, bez czekania na polecenie użytkownika.

Dla firmy to dobra wiadomość, bo wyboru między automatyzacją a agentem nie robi się raz na zawsze. Robi się go osobno dla każdego kroku procesu.

Co to jest MCP i dlaczego agenci AI go potrzebują?

MCP (Model Context Protocol) to otwarty standard łączenia modeli AI z zewnętrznymi źródłami danych i narzędziami. Anthropic opublikował go 25 listopada 2024 r. Po ludzku: to jedna wspólna wtyczka zamiast osobnego kabla do każdego programu.

Przed MCP każde połączenie agenta z nowym systemem trzeba było pisać od zera. Anthropic napisał w ogłoszeniu wprost, że każde nowe źródło danych wymagało własnej implementacji, przez co połączone systemy trudno było skalować. Z MCP wystarczy, że program ma serwer MCP, czyli małą usługę, która tłumaczy jego funkcje na język zrozumiały dla agenta. Wtedy może z niego korzystać każdy agent, który obsługuje ten standard.

Standard szybko przestał być projektem jednej firmy. 9 grudnia 2025 r. Anthropic przekazał MCP do Agentic AI Foundation, funduszu działającego w ramach Linux Foundation (organizacji non-profit, która opiekuje się projektami open source), który współzałożyli Anthropic, Block i OpenAI. Według tego ogłoszenia działało wtedy ponad 10 000 aktywnych publicznych serwerów MCP, a standard obsługiwały między innymi ChatGPT, Cursor, Gemini, Microsoft Copilot i Visual Studio Code.

W praktyce agent zbudowany w Claude Code może przez MCP czytać dokumenty z Google Drive, aktualizować zgłoszenia w Jirze albo pobierać wiadomości ze Slacka. Takie przykłady podaje dokumentacja narzędzia. Na szkoleniu podłączanie narzędzi przez MCP to osobny moduł, bo bez dostępu do firmowych systemów agent nie ma na czym pracować.

Agenci AI w firmie: jakie są przykłady zastosowań?

Agenci AI sprawdzają się w zadaniach, które mają wiele kroków, wymagają czytania nieuporządkowanych treści i wracają co tydzień albo co miesiąc. W tabeli zebrałem pięć takich procesów i przy każdym zaznaczyłem, gdzie zostaje człowiek.

We wszystkich pięciu przypadkach agent przejmuje zbieranie danych, porządkowanie i pierwszy szkic, a decyzja zostaje u człowieka. Od takiego podziału najlepiej zacząć, bo pozwala ocenić jakość pracy agenta, zanim dostanie więcej swobody. Microsoft radzi to samo w dokumentacji Copilot Studio: zakres odpowiedzialności agenta rozszerzać małymi krokami, w miarę jak pokazuje, że działa niezawodnie.

Pierwszy przykład z tabeli to jeden z modułów naszego szkolenia. Uczestnicy budują agenta, który monitoruje strony konkurencji, zbiera dane o cenach, produktach i komunikacji, generuje raport porównawczy i daje znać, kiedy konkurent zmieni coś istotnego.

Kiedy agent AI ma sens, a kiedy wystarczy zwykła automatyzacja?

Agent AI ma sens, gdy kroków nie da się z góry przewidzieć, reguł jest za dużo, żeby je spisać, albo praca polega na czytaniu nieuporządkowanych dokumentów. Jeśli proces jest stały i przewidywalny, tańsza i pewniejsza będzie zwykła automatyzacja.

Tak to ujmują sami producenci. OpenAI wymienia trzy sytuacje, w których agent wygrywa z tradycyjną automatyzacją: decyzje, które wymagają wyważonej oceny i uwzględniania wyjątków (jako przykład podaje akceptację zwrotów w obsłudze klienta), rozbudowane zestawy reguł, których utrzymanie stało się uciążliwe, oraz pracę opartą na nieustrukturyzowanych danych, takich jak dokumenty czy korespondencja. Anthropic radzi szukać najprostszego rozwiązania i dokładać złożoność dopiero wtedy, gdy jest potrzebna.

Zanim zbudujesz agenta, odpowiedz sobie na pięć pytań:

• Czy zadanie wraca regularnie? Agent, którego uruchomisz raz na kwartał, nie odda czasu włożonego w jego zbudowanie.
• Czy umiesz opisać dobry wynik? Jeśli nie potrafisz wyjaśnić tego nowemu pracownikowi, agent też tego nie zgadnie.
• Czy kroki zależą od tego, co pojawi się po drodze? Jeśli za każdym razem są takie same, wystarczy automatyzacja w n8n albo Zapierze.
• Czy błąd da się wyłapać, zanim zaszkodzi? Szkic raportu poprawisz w minutę, wysłanego do klienta maila już nie cofniesz.
• Czy wiesz, ile czasu zadanie zajmuje dziś? Bez tej liczby nie policzysz, czy agent się opłaca.

Jeśli na pierwsze cztery pytania odpowiadasz „tak”, masz dobrego kandydata na pierwszego agenta. Odpowiedź na piąte da Ci punkt odniesienia, a szacunkowy zwrot z wdrożenia policzysz w kalkulatorze ROI AI.

Jakie ryzyka niosą agenci AI i jak je ograniczyć?

Agent AI ma dostęp do narzędzi i danych, więc jego błąd ma realne skutki: wysłany mail, zmieniony rekord w bazie, wyciek informacji. OWASP, międzynarodowa fundacja zajmująca się bezpieczeństwem aplikacji, umieszcza w zestawieniu największych zagrożeń dla aplikacji z modelami językowymi dwa ryzyka, które dotyczą agentów szczególnie mocno: prompt injection i nadmierną sprawczość.

Prompt injection to sytuacja, w której treść trafiająca do modelu zmienia jego zachowanie w niezamierzony sposób. Dla agentów najgroźniejsza jest odmiana pośrednia, czyli polecenie ukryte na stronie internetowej, w pliku albo w mailu, który agent czyta w trakcie pracy. Agent od researchu konkurencji przegląda cudze strony, więc stale trafia na treści, nad którymi nie masz żadnej kontroli.

Nadmierna sprawczość (ang. excessive agency) to według OWASP podatność, która pozwala wykonać szkodliwe działania w odpowiedzi na nieoczekiwane, niejednoznaczne albo zmanipulowane odpowiedzi modelu. OWASP wskazuje trzy przyczyny: agent ma za dużo funkcji, za szerokie uprawnienia albo za dużo swobody.

Tabela zbiera zabezpieczenia, które zalecają OWASP i Microsoft, oraz to, jak wyglądają w codziennej pracy.

Te zabezpieczenia są potrzebne, bo części działań agenta nie da się cofnąć. Dokumentacja Claude Code mówi o tym otwarcie: zmiany w plikach można wycofać, ale działań w zewnętrznych systemach, takich jak bazy danych, interfejsy API czy wdrożenia, już nie. Dlatego Claude Code ma tryby uprawnień. W trybie ręcznym pyta przed każdą edycją pliku i każdym poleceniem, a w trybie planowania tylko bada sprawę i proponuje plan, niczego nie zmieniając.

Jest jeszcze strona prawna. Od 2 sierpnia 2026 r. obowiązuje art. 50 AI Act: system AI przeznaczony do bezpośredniej interakcji z ludźmi ma być zaprojektowany tak, żeby wiedzieli, że mają do czynienia z AI, chyba że jest to oczywiste. Dotyczy to na przykład agenta, który odpowiada klientom. Formalnie to obowiązek dostawcy systemu, ale firma, która konfiguruje agenta, w praktyce ustawia komunikat, jaki widzi klient. Art. 4 wymaga z kolei, by firma podejmowała środki wspierające rozwój kompetencji w zakresie AI u osób, które z takich systemów korzystają. Obowiązki rozkładamy szczegółowo na stronie AI Act dla firm. To omówienie edukacyjne, nie porada prawna.

Jak zacząć z agentami AI w firmie?

Zacznij od jednego procesu, opisz go tak, jakbyś wdrażał nowego pracownika, i daj agentowi najmniejszy możliwy zakres uprawnień. Zadania rozszerzaj dopiero wtedy, gdy przez kilka tygodni robi swoje dobrze. Tabela rozpisuje to na sześć kroków i przy każdym podaje sygnał, że można iść dalej.

Drugi krok najłatwiej pominąć, a bez niego nie da się później uczciwie powiedzieć, czy agent się opłacił. Szósty chroni przed pokusą, żeby dać agentowi pełną swobodę po pierwszym udanym teście.

My na warsztatach budujemy agentów w Claude Code. To narzędzie agentowe Anthropic, które czyta pliki, edytuje je, uruchamia polecenia i łączy się z innymi narzędziami. Działa w terminalu (oknie do wpisywania poleceń tekstowych), w edytorze kodu, w aplikacji desktopowej i w przeglądarce. Powstało z myślą o programistach, ale dokumentacja mówi wprost, że pomaga we wszystkim, co da się zrobić z wiersza poleceń, od pisania dokumentów po research. Stałe instrukcje zapisuje się w zwykłym pliku tekstowym CLAUDE.md, który Claude Code czyta na początku każdej sesji, więc zespół nie musi programować, żeby nauczyć agenta swoich zasad. Jak pracować z tym narzędziem sprawnie, opisaliśmy w artykule Claude Code: jak pracować dużo szybciej.

Co to znaczy dla Twojej firmy?

Polskie firmy zaczynają z niskiego pułapu. Według Eurostatu, unijnego urzędu statystycznego, w 2025 r. technologii AI używało 8,4% polskich firm zatrudniających co najmniej 10 osób, przy średniej unijnej 20%. Polska była w tym zestawieniu na jednym z ostatnich miejsc. Jednocześnie funkcje agentowe trafiają do narzędzi, których firmy już używają. Gartner przewiduje, że do 2028 r. będą je miały 33% aplikacji biznesowych (w 2024 r. mniej niż 1%), a co najmniej 15% codziennych decyzji w pracy będzie zapadać autonomicznie.

Dla wielu polskich zespołów oznacza to, że z agentami zetkną się, zanim na dobre oswoją się ze zwykłym czatem AI. Umiejętność nadzorowania agenta, czyli wyznaczania mu zadania, granic i sprawdzania jego pracy, będzie więc potrzebna szerzej niż w dziale IT. Tabela przekłada wnioski z tego artykułu na rzeczy do zrobienia w najbliższym miesiącu.

Jeśli chcesz przejść tę drogę z zespołem na własnym procesie, możesz to zrobić na warsztacie. Przed szkoleniem robimy audyt procesów, żeby agent powstał na zadaniu, które naprawdę zabiera Wam czas, a po warsztacie jest follow-up.

Najczęstsze pytania o agentów AI

Źródła