O czym jest ten film
- Wokół pojęcia „agent AI” narosło ponad 200 definicji — autor sprowadza je do jednego prostego obrazu.
- Różnica między chatbotem a agentem: chatbot odpowiada na pytania, agent wykonuje pracę w wielu krokach.
- Agent to „folder z trzema rzeczami w środku”: instrukcje, połączenia do innych systemów i wyzwalacz.
- Wszystko można zbudować w narzędziach, które już masz — ChatGPT, Claude, Codex.
- Przykład przewodni: agent obsługujący przeterminowane faktury (znajduje dłużników, szereguje ich, pisze e-maile z przypomnieniem).
- Trzy sposoby uruchamiania agenta: ręcznie, według harmonogramu i na podstawie zdarzenia.
- Dwa „darmowe” składniki dochodzące gratis: sam model AI oraz pamięć.
- Przy zadaniach wysokiego ryzyka (prawne, finansowe, wizerunkowe) potrzebny jest człowiek w pętli.
- Dwa pytania decyzyjne: czy proces ma za każdym razem podobny kształt i czy robisz to wystarczająco często.
- Umiejętność budowy agenta to jedno — wiedza, gdzie go zastosować, daje prawdziwą przewagę.
Redakcyjne tłumaczenie
Dlaczego wszyscy się gubią
Pewien badacz naliczył ponad 200 definicji tego, czym jest agent AI. Jeśli więc czujesz się zagubiony, jesteś w dobrym towarzystwie. Prowadzę firmę doradczą w obszarze AI i to właśnie pytanie słyszę dziś najczęściej — zarówno od członków zarządów, jak i od właścicieli firm. Widzę, jak moi klienci są tym przytłoczeni. A agent jest znacznie prostszy, niż brzmi. To po prostu folder z trzema rzeczami w środku. I te rzeczy są już dostępne w subskrypcjach AI, które prawdopodobnie masz — takich jak ChatGPT i Claude. Do końca tego materiału zobaczysz, jak łatwo samodzielnie taki folder zbudować.
Chatbot odpowiada, agent pracuje
Na najwyższym poziomie różnica między agentem a zwykłym chatbotem sprowadza się do tego, co AI robi, gdy o coś prosisz. W przypadku chatbota zadajesz pytanie i dostajesz odpowiedź. Kroki między pytaniem a odpowiedzią są zwykle nieliczne i proste.
Agent jest inny. Kiedy go uruchamiasz, wykonuje wiele różnych kroków i często wykonuje pracę w twoim imieniu. To najprostsze ujęcie na poziomie ogólnym: chatbot w zasadzie odpowiada na pytania, agent wykonuje pracę.
Przykład przewodni: przeterminowane faktury
Cały wywód poprowadzę na jednym przykładzie — przeterminowanych fakturach. Każdy z nas ma klientów, którzy zwlekają z płatnością. Nasz agent:
- pobierze listę klientów zalegających z płatnością,
- uszereguje ich od najgorszych „recydywistów”,
- przygotuje serię e-maili z delikatnym przypomnieniem w naszym imieniu,
- a my po prostu wyślemy te e-maile, które AI dla nas napisało.
AI wykonuje więc całą tę pracę za nas, autonomicznie. To właśnie jest część „agentowa”.
Trzy elementy agenta
Mówiąc wprost, agent to folder z trzema rzeczami:
- Instrukcje — mogą być prostym promptem albo umiejętnością (skill).
- Połączenia do innych systemów, dzięki którym agent może czytać i zapisywać informacje w innych miejscach.
- Wyzwalacz — coś, co uruchamia agenta. Może być oparty na czasie, na zdarzeniu albo ręczny, gdy po prostu klikasz przycisk.
To, gdzie agent „mieszka”, zależy od narzędzia. Jeśli używasz ChatGPT albo Claude w przeglądarce, będzie to prawdopodobnie projekt lub umiejętność, w których te elementy są przechowywane i połączone. Poza tym mamy narzędzia desktopowe, jak Claude Co-worker czy Codex, gdzie agent może być dosłownie folderem na twoim komputerze — w dokumentach, na pulpicie, gdziekolwiek — a w tym folderze znajdują się te trzy rzeczy.
(Informacja dodatkowa: „skill” w Claude i ChatGPT to zapisany zestaw instrukcji i przykładów, który model wczytuje na potrzeby konkretnego rodzaju zadania — coś w rodzaju wielokrotnego użytku wzorca postępowania.)
Ważna uwaga: agenty są najbardziej użyteczne, gdy stosuje się je do zadań powracających — czyli takich, które wykonujesz regularnie. Wrócę do tego później.
Element pierwszy: instrukcje (brief)
Instrukcje mogą być umiejętnością wewnątrz Claude lub ChatGPT albo po prostu instrukcją systemową czy promptem używanym w projekcie. W naszym przypadku wystarczy prosty prompt. Mówi on AI: „Znajdź każdego klienta, który przekroczył 30-dniowy termin płatności. Następnie uszereguj ich od najbardziej do najmniej zalegających. Potem napisz serię krótkich e-maili z przypomnieniem w moim imieniu.”
Fragment o „tonie głosu” może być właśnie umiejętnością — taka umiejętność rozumiałaby dokładnie, jak lubimy pisać tego rodzaju e-maile, na podstawie wcześniej wysłanych wiadomości w podobnych sprawach. Na końcu dodajemy: „Jeśli coś jest przeterminowane o ponad 60 dni, pisz nieco bardziej stanowczo, żeby skłonić klienta do zapłaty.”
To pierwsza część agenta: instrukcje mówiące, co ma zrobić, dlaczego i jak.
Element drugi: połączenia — oczy i ręce
Druga część to połączenie, czyli umożliwienie AI komunikacji z innymi systemami. W naszym przypadku AI mogłoby połączyć się z pocztą, kalendarzem oraz aplikacją księgową lub CRM. Każde z tych połączeń może mieć inne uprawnienia. AI może mieć prawo tylko do odczytu z kalendarza i z aplikacji księgowej, ale w przypadku poczty może mieć również prawo zapisu — czyli tworzenia wersji roboczych e-maili w moim imieniu. Nie ich wysyłania, tylko przygotowywania.
To kluczowy składnik agenta, bo nie chodzi o samo AI, lecz o AI, które potrafi wchodzić w interakcję z innymi narzędziami. Daliśmy mu ręce i oczy.
Element trzeci: wyzwalacz — kiedy zacząć
Trzecia część to uruchamianie AI, czyli powiedzenie mu, kiedy ma zacząć. Są trzy sposoby, a większości z was polecam zacząć od pierwszego.
Ręcznie. Uruchamiasz agenta, prosząc go wprost, żeby ruszył, albo klikając przycisk. Widziałem, że niektórzy moi klienci czerpią wartość z takiego podejścia: tworzysz zadanie zaplanowane w Claude Co-worker lub Claude Code, ale zamiast harmonogramu ustawiasz je jako ręczne — wchodzisz do danej instancji i klikasz „uruchom teraz”.
Według harmonogramu (czasowo). Gdy tworzysz zadanie zaplanowane w Codeksie od OpenAI albo w Claude Co-worker od Anthropic, możesz ustawić, by uruchamiało się codziennie o 8:00, co godzinę — z dowolną częstotliwością.
Na podstawie zdarzenia. To sytuacja, gdy coś się dzieje i wtedy AI startuje. W naszym przykładzie AI mogłoby ruszać po tym, jak wykryje, że faktura przekroczyła 30 dni. Trzeba by ustawić w CRM-ie lub aplikacji księgowej fragment kodu, który zauważy przekroczenie terminu i wywoła agenta, by przygotował e-mail. To bardziej zaawansowana opcja, więc nie radzę od niej zaczynać. Najpierw ręcznie, potem zadania zaplanowane, a na końcu — tylko jeśli to istotne — zdarzenia.
Dwa składniki, które dostajesz za darmo
Wspomniałem o trzech komponentach, ale są jeszcze dwa, które przychodzą gratis z aplikacjami, które już masz, więc nie musisz się o nie martwić.
Pierwszy jest oczywisty: żeby zrobić agenta AI, potrzebujesz AI. Sam model jest wbudowany w twoją subskrypcję — będzie to GPT albo Claude.
Drugi to pamięć. AI musi pamiętać różne rzeczy w czasie, a wiele dzisiejszych narzędzi ma pamięć wbudowaną. Niedawno ChatGPT poprawił swoją pamięć, co jest miłe. To pamięć podstawowa — zapamiętywanie ogólnych rzeczy dotyczących preferencji. Jeśli chcesz naprawdę wysokiej jakości pamięci, w której AI z czasem samo się doskonali w danym zastosowaniu, polecam, by AI robiło to samodzielnie wewnątrz agenta desktopowego. Używając czegoś takiego jak Claude Co-worker czy Codex, możesz pozwolić AI zapisywać dane do plików.
Przykład: agent dedykowany konkretnemu klientowi, który pisze e-maile z podsumowaniem po spotkaniach, może wyciągać wnioski po każdym spotkaniu, zapisywać je w pliku z insightami, a raz w tygodniu, miesiącu czy kwartale przedstawiać nam wnioski dotyczące tego klienta i tego typu spotkań. To się kumuluje w czasie i buduje poważną dźwignię. Nagrałem na ten temat osobne materiały, więc nie będę się tu rozwodził.
Człowiek w pętli — kiedy autonomia jest ryzykowna
Często słyszy się, że agenty robią coś w pełni autonomicznie, bez człowieka w pętli. Przy niektórych zadaniach — zwykle niskiego ryzyka — to w porządku. Ale przy zadaniach wysokiego ryzyka warto zostać w pętli. W mojej ocenie wysokie ryzyko ma trzy kategorie: ryzyko prawne, finansowe i wizerunkowe (reputacyjne). W każdej z nich chcesz mieć człowieka, który sprawdzi wynik, zanim cokolwiek się wydarzy.
W przykładzie z przeterminowanymi fakturami zamiast pozwalać AI automatycznie wysyłać e-maile, każemy mu je przygotować, sami je sprawdzamy i sami klikamy „wyślij”. To zadanie o wyższej stawce. Przy zadaniach niskiego ryzyka możesz pozwolić AI zrobić wszystko i wykonać ostateczne działanie bez twojego przeglądu. Zapamiętaj: autonomiczne działanie AI jest w porządku w części zadań, ale nie we wszystkich.
Kiedy w ogóle budować agenta — dwa pytania
Pytanie pierwsze: czy proces ma za każdym razem podobny kształt? Dobierałem słowa celowo — „podobny kształt”, a nie „identyczny”. Nie chodzi o to, że proces musi za każdym razem przebiegać dokładnie tak samo. AI radzi sobie z tą niejednoznacznością. Potrzebuje jedynie, by wynik był za każdym razem taki sam. Przy przeterminowanych fakturach AI podąża podobnym procesem — znajduje zalegających klientów, szereguje ich, pisze e-mail — a wynik po stronie wyjścia jest taki sam. Zmieniają się jedynie nazwiska klientów, kwoty, a potencjalnie i daty.
Przykład, w którym agent raczej się nie sprawdzi: zaplanowanie pięcioletniej strategii. To zdarza się tak rzadko, że pewnie nie warto (o tym za chwilę w drugim pytaniu), a sam proces zwykle zmienia się radykalnie — sposób planowania strategii sprzed pięciu lat różni się od dzisiejszego. Jeśli kształt procesu nie jest zbyt podobny, agent może nie być optymalnym rozwiązaniem.
Pytanie drugie, znacznie łatwiejsze: czy robisz to wystarczająco często, by wysiłek się opłacił? Jeśli wykonujesz zadanie raz w roku, budowanie agenta raczej się nie opłaca. Jeśli robisz to codziennie albo co tydzień — prawdopodobnie warto. Sprowadza się to do częstotliwości.
Podsumowanie
Agent AI to po prostu folder z trzema rzeczami w środku: instrukcją (lub umiejętnością), która mówi AI, co robić; połączeniem z innymi systemami, dzięki któremu widzi i działa; oraz wyzwalaczem, który uruchamia go ręcznie, według czasu albo na podstawie zdarzenia. Na poziomie ogólnym agent to AI, które wykonuje pracę w twoim imieniu — pół- lub w pełni autonomicznie. Przy zadaniach wysokiego ryzyka zostajemy pół-autonomiczni, zachowując odpowiedzialność i przeglądając wynik przed wysyłką. A żeby ocenić, czy agent jest optymalny, dwukrotnie odpowiadamy „tak”: czy kształt jest za każdym razem podobny i czy robimy to często.
Umieć zbudować agenta to jedna umiejętność. Wiedzieć, gdzie on pasuje, to zupełnie inna — i to w tej drugiej kryje się prawdziwa dźwignia.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Agent to „folder z trzema rzeczami”, nie magia
Na czym polega: Zamiast gonić za 200 definicjami, traktuj agenta jako zestaw trzech elementów: instrukcje, połączenia, wyzwalacz. Reszta (model, pamięć) dochodzi gratis w subskrypcji.
Jak stosować: Projektując pierwszego agenta, wypisz te trzy elementy osobno i uzupełnij po kolei. To zamienia mgliste pojęcie w konkretną checklistę.
Na co uważać: To model mentalny, nie specyfikacja techniczna. W realnych narzędziach dojdą uprawnienia, limity i konfiguracja połączeń — nie zakładaj, że „trzy rzeczy” znaczą trzy kliknięcia.
2.Chatbot odpowiada, agent wykonuje pracę
Na czym polega: Kluczowa różnica to liczba i charakter kroków między poleceniem a rezultatem. Agent działa wieloetapowo i robi coś w twoim imieniu.
Jak stosować: Zanim zbudujesz agenta, zapytaj, czy naprawdę potrzebujesz działania, czy tylko odpowiedzi. Jeśli wystarczy odpowiedź, prostszy chatbot/prompt będzie tańszy i pewniejszy.
Na co uważać: Nie „agentyzuj” na siłę zadań, które są jednym pytaniem — dokładasz złożoność i ryzyko bez korzyści.
3.Instrukcja musi mówić co, dlaczego i jak
Na czym polega: Pierwszy element agenta to brief: jasne kroki (znajdź, uszereguj, napisz) plus reguły warunkowe (np. ostrzejszy ton po 60 dniach) i ton głosu.
Jak stosować: Pisz instrukcje jak dla nowego pracownika — z kryteriami i przykładami. Ton głosu oprzyj na realnych, wcześniej wysłanych wiadomościach.
Na co uważać: Ogólnikowy prompt daje ogólnikowe wyniki. Reguły brzegowe (progi, wyjątki, granice tonu) trzeba wypisać wprost, bo model ich nie zgadnie.
4.Połączenia dają AI „oczy i ręce” — z rozdzielonymi uprawnieniami
Na czym polega: Agent staje się użyteczny, gdy czyta i zapisuje w innych systemach (poczta, kalendarz, CRM, księgowość), każdy z osobnym poziomem uprawnień.
Jak stosować: Świadomie ustaw uprawnienia: odczyt tam, gdzie agent tylko pobiera dane; zapis tylko tam, gdzie musi (np. wersje robocze maili). Zaczynaj od minimum.
Na co uważać: Prawo zapisu to realne ryzyko. Rozróżnij „tworzenie wersji roboczej” od „wysyłania” — nie nadawaj uprawnień do działań nieodwracalnych, dopóki nie masz pewności.
5.Zaczynaj od wyzwalacza ręcznego
Na czym polega: Są trzy sposoby uruchamiania: ręczny, czasowy i zdarzeniowy. Autor zaleca kolejność: najpierw ręczny, potem harmonogram, na końcu zdarzenia.
Jak stosować: Pierwszą wersję agenta uruchamiaj przyciskiem „uruchom teraz”. Zobaczysz zachowanie w praktyce, zanim oddasz mu automatyczny start.
Na co uważać: Wyzwalacz zdarzeniowy wymaga kodu w CRM/księgowości i jest najbardziej zawodny w konfiguracji. Nie zaczynaj od niego, jeśli nie masz wyraźnej potrzeby.
6.Człowiek w pętli przy ryzyku prawnym, finansowym i wizerunkowym
Na czym polega: Pełna autonomia jest OK dla zadań niskiego ryzyka. Przy trzech kategoriach wysokiego ryzyka końcowe działanie powinien zatwierdzać człowiek.
Jak stosować: Sklasyfikuj każde zadanie: niskie ryzyko → pełna autonomia; wysokie → agent przygotowuje, ty sprawdzasz i wykonujesz ostatni krok (np. sam klikasz „wyślij”).
Na co uważać: Łatwo nie docenić ryzyka wizerunkowego — nawet „drobny” mail do klienta może zaszkodzić relacji. Odpowiedzialność zawsze zostaje po twojej stronie, nawet przy autonomii.
7.Dwa pytania kwalifikujące: podobny kształt + częstotliwość
Na czym polega: Agent ma sens, gdy proces ma za każdym razem podobny kształt (ten sam typ wyniku) i robisz go dostatecznie często.
Jak stosować: Przed budową odpowiedz na oba pytania. „Tak + tak” → buduj. „Nie” na którymkolwiek → prawdopodobnie odpuść lub użyj zwykłego promptu.
Na co uważać: „Podobny kształt” to nie „identyczne kroki” — nie dyskwalifikuj zadania tylko dlatego, że dane się zmieniają. Odwrotnie: rzadkie, radykalnie zmienne zadania (np. strategia 5-letnia) to zła kandydatura.
8.Buduj agenty do zadań powracających
Na czym polega: Największą wartość agenty dają przy zadaniach powtarzalnych — codziennych lub cotygodniowych, bo wtedy zwraca się koszt ich zbudowania.
Jak stosować: Przejrzyj swój tydzień i wypisz czynności powtarzalne o podobnym wyniku (przypomnienia, podsumowania, raporty). Tam szukaj pierwszych kandydatów.
Na co uważać: Nakład na budowę i utrzymanie jest realny. Zadanie robione raz w roku niemal nigdy się nie opłaci, choćby kusiło technicznie.
9.Pamięć zapisywana do plików tworzy dźwignię kumulującą się w czasie
Na czym polega: Poza podstawową pamięcią preferencji można kazać AI zapisywać wnioski do plików (np. plik z insightami o kliencie) i cyklicznie je raportować.
Jak stosować: W agencie desktopowym (Claude Co-worker, Codex) wyznacz plik na wnioski i poproś o okresowe podsumowania — tak agent „uczy się” danego zastosowania z czasem.
Na co uważać: To wymaga narzędzi z dostępem do plików; wbudowana pamięć czatu tego nie zastąpi. Pilnuj, co trafia do plików — mogą tam wylądować dane wrażliwe.
10.Budowa to jedno, umiejscowienie to prawdziwa przewaga
Na czym polega: Autor podkreśla, że wiedza, gdzie zastosować agenta, daje większą dźwignię niż sama umiejętność jego zbudowania.
Jak stosować: Inwestuj czas w mapowanie procesów i wybór właściwych zastosowań, zanim zaczniesz budować. Dobrze dobrany prosty agent bije źle dobranego zaawansowanego.
Na co uważać: To fragment po części promocyjny (odsyła do kolejnego materiału autora). Traktuj to jako zachętę do namysłu nad wyborem zastosowań, nie jako gotową metodologię.