O czym jest ten film
- Agenty nie odbierają pracy — generują jej więcej, tylko innego rodzaju: pracy zarządczej.
- Zużycie tokenów przez agenty na OpenRouterze wzrosło ok. 14-krotnie między lutym a sierpniem i przekracza zużycie ludzkie ponad pięciokrotnie.
- Najintensywniejsi użytkownicy Codeksa generują ponad 60 godzin aktywności agentów dziennie — nikt tego nie ogląda krok po kroku.
- Ludzie przesuwają się „ponad pętlę”: decydują, co uruchomić, co zatwierdzić, które porażki są istotne.
- Prawo to wzorcowa domena weryfikowalna — stąd eksplozja adopcji (ok. 108-krotny wzrost użycia Codeksa od stycznia).
- Małe firmy mają mieszane wyniki: płacą średnio ok. 40 dol. miesięcznie, brakuje im czasu, kapitału i weryfikowalności.
- Historia Pocket OS: agent w 9 sekund skasował produkcyjną bazę; odbudowa relacji z klientami zajęła założycielowi 30 godzin.
- Przedsiębiorstwa mają lepsze zwroty nie dzięki lepszemu modelowi, lecz dzięki pracy wykonanej wokół agenta.
- Eksperyment w Procter & Gamble: jedna osoba z AI dorównuje dwuosobowemu zespołowi bez AI, ale najlepsze wyniki osiągają tylko zespoły z AI.
- Trend na 2027: „podatek od zarządzania agentami” i nowa kategoria narzędzi do zarządzania flotą agentów.
Redakcyjne tłumaczenie
Obietnica, która się nie sprawdziła
Mówiono nam, że agenty zdejmą nam pracę z talerza. Niektórym mówiono wprost, że agenty zabiorą im pracę. Okazuje się, że agenty nie zabiorą nam pracy — bo generują dla ludzi tak dużo pracy. Dają nam więcej roboty, nie mniej.
Każdy, kto kupuje agenta, robi ten sam rachunek: agent wykonuje pracę, więc potrzebuję mniej ludzi do tej pracy. Wszyscy się mylą.
Liczby na OpenRouterze nie kłamią. Zużycie tokenów przez agenty wzrosło czternastokrotnie między lutym a sierpniem. Agenty spalają dziś ponad pięć tokenów na każdy jeden spalony przez człowieka. OpenAI mówi to samo: jego najintensywniejsi użytkownicy Codeksa generują ponad sześćdziesiąt godzin aktywności agentów dziennie. Nikt nie ogląda sześćdziesięciu godzin pracy.
(Informacja dodatkowa: OpenRouter to pośrednik, przez który aplikacje sięgają do wielu modeli różnych dostawców — jego statystyki są jednym z nielicznych publicznych wglądów w realne proporcje ruchu „agent kontra człowiek”.)
Ten materiał jest o tym, co dzieje się potem. Co się dzieje, kiedy odkrywamy, że agenty dają nam mnóstwo pracy? Jak to na nas wpływa — na różnych poziomach skali organizacji: od pojedynczej osoby, przez małe i średnie firmy, po przedsiębiorstwa.
Trzy skale, trzy zupełnie różne sytuacje
Dziś większość z nas mówi, że agenty przejmują coraz więcej wykonania. Słyszę to często, sam to często powtarzam, słyszę to też od liderów. To oznacza, że ludzie decydują, co się uruchamia, dostarczają agentowi to, czego potrzebuje, sprawdzają wyniki i przejmują pracę, gdy agent zawiedzie. Pytanie brzmi: czy to sumuje się do większej ilości pracy? Kto ją wykonuje? I jak ona ewoluuje, gdy agenty stają się coraz lepsze?
Na poziomie osobistym sprawa jest prosta: jedna osoba potrafi zarządzać jednym agentem dla siebie. Mała firma potrzebuje wielu agentów i często płaci dostawcy za zarządzanie nimi. Przedsiębiorstwo może zatrudnić inżynierów i zespoły wdrożeniowe, wbudować zarządzanie agentami w organizację i dostosować całe przepływy pracy. To trzy różne światy — i dlatego agenty wyglądają zupełnie inaczej w dużych firmach niż w małych.
Małe i średnie firmy mają z agentami mieszane wyniki. Widzę to w prywatnych rozmowach z ich właścicielami, ale widać to również w publicznie raportowanych danych. Liderzy przedsiębiorstw, z którymi rozmawiam, mówią tymczasem o znacznie lepszych zwrotach.
Dlaczego prawo eksplodowało: domeny weryfikowalne
Zacznijmy od małych firm i od branży prawniczej. Prawo to ciekawy przypadek. Większość kancelarii to małe firmy, choć oczywiście prawo stanowi tylko niewielki wycinek całej kategorii MŚP.
Dlaczego użycie AI w prawie rośnie tak szybko? Szczerze mówiąc, dlatego, że prawo jest domeną weryfikowalną. Domena weryfikowalna to taka, w której da się udowodnić, że coś jest poprawne albo błędne. To dlatego programowanie poszło tak dobrze. A prawo jest w gruncie rzeczy odmianą programowania — tyle że na literach i języku ludzkim. Albo jesteśmy zgodni z prawem, albo nie. Owszem, jest miejsce na interpretację, prawnicy toczą spory, ale to domena znacznie bardziej weryfikowalna niż większość pozostałych.
Może właśnie dlatego użycie agentowej AI w prawie — mierzone użyciem Codeksa — wzrosło od stycznia mniej więcej stokrotnie (ok. 108-krotnie).
A co widzę w praktyce? Właściwie coś odwrotnego. Kiedy rozmawiam z właścicielami małych firm, są zwykle bez gotówki i bez czasu. Próbują użyć agentów, żeby odkupić sobie czas. I w miarę jak ich agenty robią więcej, oni spędzają coraz więcej czasu na zarządzaniu agentami.
Człowiek przesuwa się ponad pętlę
Nikt nie ogląda sześćdziesięciu godzin pracy krok po kroku — po prostu się nie da. Człowiek przesuwa się o poziom wyżej, ponad pętlę. To jeden z trendów, który widzę u osób indywidualnych i który przecieka też do małych firm. Człowiek wybiera zadania, uruchamia przebiegi, sprawdza to, co wróciło, i decyduje, co wymaga uwagi.
Im lepsze stają się agenty, tym mniej nadzoru wymaga pojedynczy agent — a mimo to liczba agentów i ilość pracy stale rosną. Ostatnie pół roku to klasyczny przykład efektu Jevonsa: zwiększenie efektywności czegoś potrafi zwiększyć całkowite zużycie. Dlatego rola człowieka nie kurczy się wraz z postępem agenta.
(Informacja dodatkowa: paradoks Jevonsa opisał w XIX wieku ekonomista William Stanley Jevons — zauważył, że wydajniejsze maszyny parowe nie zmniejszyły, lecz zwiększyły całkowite zużycie węgla.)
Anthropic zaobserwował podobny wzorzec, badając około 400 tysięcy sesji Claude Code. Podział pracy jest tam wyraźnie widoczny: w typowej sesji człowiek podejmował około 70% decyzji planistycznych, podczas gdy agent podejmował niemal wszystkie decyzje wykonawcze. Człowiek wybierał, co należy zbudować, i dostarczał kontekst, a agent znajdował pliki, pisał kod, wprowadzał zmiany i uruchamiał testy. To dokładnie odpowiada temu, jak sam używam Claude’a, i temu, jak używa go większość osób, z którymi rozmawiam.
Bardziej doświadczeni użytkownicy robili coś bardzo ciekawego. Zatwierdzali automatycznie więcej akcji, ale jednocześnie częściej przerywali agentowi, gdy szedł w złym kierunku. Doświadczeni przerywali w około 9% tur rozmowy, wobec 5% u nowicjuszy, którzy wydawali się bardziej ulegli wobec modelu. Innymi słowy: bardziej doświadczeni oglądali mniej drobnych kroków, ale lepiej wyłapywali moment, w którym cały przebieg wypadał z torów.
Znaczenie miała też wiedza dziedzinowa — i to znowu przypomina mi o prawie. Sesje prowadzone przez ekspertów miały średnio około dwunastu akcji agenta na jedną instrukcję, wobec pięciu u nowicjuszy. Znajomość problemu okazała się ważniejsza niż znajomość programowania, bo ekspert potrafił opisać zadanie naprawdę precyzyjnie. Znowu wracamy do domeny weryfikowalnej: rozpoznać prawdopodobny błąd i ocenić, czy wynik nadaje się do użycia.
Na czym polega dziś ludzka praca
To właśnie zaczyna definiować rolę człowieka — szczególnie u osób indywidualnych i w małych firmach. Ludzie wybierają pracę, którą agent jest w stanie dokończyć, czyli w domenach weryfikowalnych. Dają mu pliki i uprawnienia potrzebne do tej pracy. Z góry mówią, jak wygląda dobry wynik. Potem wiedzą — dzięki wiedzy dziedzinowej — kiedy puścić agenta wolno, a kiedy go zatrzymać i przekierować. Wiedzą, jak sprawdzić odpowiedź: może to być kodeks dla prawnika, może test w kodzie. I wiedzą, co zmienić, gdy ten sam błąd powtarza się w kółko.
Jedna osoba potrafi to wszystko udźwignąć w mikrofirmie, bo ta sama osoba trzyma w rękach cel, kontekst, uprawnienia i całą wiedzę dziedzinową. Jeśli agent napisze coś słabego, użytkownik po prostu mówi: „To jest do wyrzucenia, nie użyję tego”. Jeśli poprowadzi badania w złą stronę, partner kancelarii mówi: „To nie tam chcę iść”. I porażka zostaje zamknięta w obrębie pracy tej jednej osoby.
Nie jest to już prawdą, gdy firma musi polegać na wyniku. Tu zaczyna się rozejście. Przy użyciu indywidualnym porażka ma skalę jednej osoby. W kontekście biznesowym — nawet w małej firmie — porażka może być znacznie większa.
Właściciel małej firmy nie chce nowego etatu
Częścią tego, co przyspiesza scenariusz porażki, jest używanie agentów tam, gdzie domena nie jest weryfikowalna. Jest mnóstwo małych firm: hydraulika, elektryka, doradztwo podatkowe. Niezależnie od branży, poza prawem istnieje ogrom kategorii MŚP. I one nie chcą nowej pracy polegającej na zarządzaniu agentami. Już mają pracę.
Właściciel chce, żeby robota była zrobiona, chce wyników. Chce, żeby ktoś odbierał telefony po godzinach. Żeby wycena poszła do klienta, póki jest jeszcze zainteresowany. Żeby faktury zostały ściągnięte. Żeby wizyty były poprawnie zaksięgowane w kalendarzu. Nie chce, żeby jego pracą stało się zarządzanie agentami, bo to odciągałoby go od zarządzania firmą i jej rozwijania.
Takich efektów nie da się kupić za dwadzieścia czy czterdzieści dolarów miesięcznie. A tyle właśnie płacą. JP Morgan przeanalizował jawne płatności za usługi AI w 4,6 miliona małych firm i stwierdził, że prawie dwie trzecie z nich płaci za AI mniej więcej czterdzieści dolarów miesięcznie. Czyli może dwa stanowiska, i to nawet nie w planie pro u Anthropica czy OpenAI. Przy takiej kwocie nie ma co oczekiwać fenomenalnych rezultatów agentowych, które załatwią całą rezerwację terminów. Tego się po prostu nie dostanie. Dostanie się podrasowanego czatbota-asystenta.
Goldman Sachs zbadał 1256 właścicieli w swoim programie „10 000 małych firm”. Tylko 14% z nich powiedziało, że AI jest w pełni zintegrowana z ich kluczowymi operacjami — cokolwiek to znaczy. Aż 73% stwierdziło, że potrzebuje więcej szkoleń i zasobów, żeby ją wdrożyć i ocenić. To dokładnie odpowiada temu, co słyszę anegdotycznie: nie mają czasu, nie mają kapitału, nie mają zasobów. Potrzebują pomocy, żeby dojść do opisanych wcześniej efektów — do większego lejka sprzedaży, do zaksięgowanych terminów, do wyników, których szukają, a które nie wymagają od nich etatu opiekuna agentów.
Abonament za czterdzieści dolarów nie obsłuży rezerwacji terminów. Nie zorientuje się, że coś się zepsuło trzy dni temu, i nie naprawi tego proaktywnie. Te czatboty nie są do tego zaprojektowane.
Dostawca przejmuje zarządzanie — i przejmuje ryzyko
Problem polega na tym, że skoro właściciel MŚP jest ekstremalnie zajęty, to osoba, która rozumie dziedzinę, jest jednocześnie tą, która musi rekrutować, sprzedawać, pilnować finansów, gasić pożary i planować jutrzejsze zlecenia. Dlatego często widzę wzorzec, w którym zarządzanie AI przejmują zewnętrzni dostawcy. Jeśli jako właściciel MŚP zatrudniasz kogoś do „transformacji AI”, to dostawca przejmuje etat opiekuna agentów: wybiera przepływ pracy, podłącza oprogramowanie, sprawdza wyniki, zmienia reguły i pokazuje, gdzie klient zarabia albo oszczędza.
To ma sens, jeśli nie masz czasu — ale też ogranicza to, co AI może dla ciebie zrobić. Bo w prezentacji sprzedażowej brzmi to świetnie: właściciel dostaje wynik, dostaje zaksięgowane terminy, a dostawca ogarnia wszystko wokół agenta. Tyle że dostawca właśnie przejął odpowiedzialność za kluczowy element cudzego biznesu.
Pocket OS to przykład — mała firma software’owa, której klienci prowadzą wypożyczalnie samochodów. Jej założyciel poprosił Cursora o wykonanie rutynowego zadania w środowisku testowym. Pewnie już zgadujecie, co się stało — i macie rację. Agent natrafił na problem z poświadczeniami, znalazł w innym pliku token Railway o zasięgu całego konta (informacja dodatkowa: Railway to platforma hostingowa; token „account-wide” daje dostęp do wszystkich zasobów konta, także produkcyjnych — dlatego takie tokeny są niebezpieczne) i postanowił skasować cały wolumen storage’u. Dziewięć sekund później nie było już ani produkcyjnej bazy danych, ani zwykłych kopii zapasowych. Wypożyczalnie przestały widzieć rezerwacje i nie mogły przypisać samochodów klientom stojącym przy ladzie. Wszystko padło.
Railway ostatecznie zdołał odzyskać dane z zewnętrznej kopii awaryjnej, ale założyciel Pocket OS spędził kolejne trzydzieści godzin, pracując z każdym klientem z osobna, żeby utrzymać ich w ruchu. Agent narobił tych szkód w dziewięć sekund. Ludzka naprawa zajęła trzydzieści godzin — i to nie licząc stresu oraz zniszczonego zaufania.
Każdy dostawca prowadzący agenta dla małej firmy musi wycenić to ryzyko, bo systemy, którymi zarządza, są kruche. Ktoś musi sprawdzić przepływ pracy. Ktoś musi ograniczyć, co agent może czytać i zapisywać. Ktoś musi wychwycić takie awarie, zanim się wydarzą. Ktoś musi mieć plan odtworzenia po katastrofie.
Historie takie jak Pocket OS to część odpowiedzi na pytanie, dlaczego wyniki MŚP są tak dramatycznie niejednorodne. Prawo może i bije rekordy zużycia tokenów, ale prawo jest wyjątkiem. Większość małych firm działa w domenach mniej weryfikowalnych, ma mniej zasobów i mniej czasu — i mocuje się z tym, żeby agenty działały dobrze, szczególnie gdy zarządza nimi ktoś z zewnątrz.
Dlaczego wartość często nie zostaje w firmie
Model z dostawcą może działać. Trzeba mieć dobrego dostawcę i silne dopasowanie do tego, o co firmie naprawdę chodzi. Tymczasem mała firma kupuje tanie narzędzie, ale wyciągnięcie z niego użytecznego produktu wciąż zależy od człowieka, który je otacza. W takiej sytuacji wartość nadal pochodzi z samej małej firmy, nie z agenta — bo agent nie jest w niej wystarczająco głęboko osadzony, bo dostawca nie wie, jak to zrobić.
I wtedy, jeśli MŚP nie potrafi wycisnąć wartości, dostawca zwykle i tak inkasuje kwotę pokrywającą wartość, którą sam zrealizował. Odchodzi z poczuciem sukcesu — „zrobiliśmy swoje” — strony się rozstają, ale transfer wartości jest niewielki. Nie zostaje agent, który realnie wzbogaca funkcjonowanie firmy.
Dlaczego? Bo MŚP nie miało kapitału, żeby zainwestować w głęboką integrację. Bo nie miało czasu. Bo przy outsourcingu dostawca podejmuje decyzje korzystne dla siebie — nawet jeśli nieumyślnie. I bo brak domeny weryfikowalnej oznacza ogrom pracy. Weryfikowalna domena to po prostu taka, w której da się względnie łatwo udowodnić, czy agent wykonał zadanie dobrze. Poza programowaniem jest to zaskakująco trudne w bardzo wielu obszarach biznesu. Dlatego prawo wystrzeliło, a wiele innych branż MŚP się męczy. A jeśli się męczysz, potrzebujesz kapitału, żeby uczynić swoją domenę weryfikowalną — a kapitału małym firmom klasycznie brakuje.
Przedsiębiorstwa: ta sama praca, ale stać je na nią
To były trudne wieści dla MŚP — i to, co widzę w terenie, i to, co pokazują badania. Przejdźmy do przedsiębiorstw, bo tam historia wygląda inaczej.
Przedsiębiorstwo ponosi co najmniej taki sam koszt zarządzania, jeśli nie większy. Różnica polega na tym, że jest lepiej dokapitalizowane i ma więcej ludzi, żeby zatrzymać tę pracę wewnątrz firmy. Dlatego od liderów wdrażających agenty na produkcji konsekwentnie słyszę o znacznie lepszych zwrotach niż od małych firm.
Chcę być tu bardzo precyzyjny: nie istnieje publiczne badanie porównujące zwrot z inwestycji obu grup. To wzorzec, który wyłania się z wielu rozmów. Ale dane publiczne to potwierdzają. OpenAI porównało swoich najintensywniejszych klientów korporacyjnych z typowymi użytkownikami. W styczniu najintensywniejsi generowali około 2,6 razy więcej tokenów wyjściowych na osobę. Do czerwca ta różnica urosła do 8,3 razy. Innymi słowy: firmy, które zdecydowanie postawiły na AI, odjeżdżały reszcie stawki. Były dwukrotnie częściej użytkownikami wtyczek i sześciokrotnie częściej korzystały z „skills” — czyli podłączyły modele do większej liczby firmowych systemów i zbudowały powtarzalne sposoby pracy z nimi. Klasyczne wzorce adopcji korporacyjnej.
(Informacja dodatkowa: „skills” to zapisane, wielokrotnego użytku pakiety instrukcji i procedur, które model wczytuje przy konkretnym typie zadania — sposób na skodyfikowanie firmowego know-how.)
Kiedy spojrzy się na to od środka firmy — a robiłem to — widać, że w demo korporacyjnym da się ukryć bardzo wiele, tak samo jak w demo dla małej firmy. Ale będąc w środku, trzeba wykonać ogrom pracy, żeby cokolwiek w ogóle uruchomić i zrobić to dobrze. Trzeba umieć pobierać pliki z bardzo wielu miejsc. Trzeba przyznać dostęp do wielu narzędzi, i to w zgodzie z polityką bezpieczeństwa. Trzeba monitorować i logować wszystkie przebiegi agentów. Trzeba mieć konsekwentnie stosowany próg oceny, czy dany przebieg był dobry.
W MŚP to wszystko może być zadaniem jednej osoby. W przedsiębiorstwie to zadanie menedżera, zespołu bezpieczeństwa, osoby od kontroli jakości, product managera. Angażuje się cały zespół, żeby to skonfigurować i doprowadzić do działania. I choć oznacza to wolniejszy start, ostatecznie prowadzi do głębszej integracji.
OpenAI i Anthropic zdały sobie sprawę, że głębsza integracja korporacyjna wymaga czasu i inwestycji. Dlatego obie budują własne struktury inżynierów wdrożeniowych (FDE). OpenAI ma taką jednostkę z setkami inżynierów i specjalistów wdrożeniowych oraz zadeklarowanymi miliardami dolarów. Anthropic ma podobną inicjatywę. Zadaniem tych inżynierów — poznałem ich osobiście — jest siedzieć z liderami, z operatorami i z ludźmi na pierwszej linii, wybierać przepływy pracy, podłączać dane i narzędzia, konfigurować mechanizmy kontroli, testować systemy, a ostatecznie doprowadzić do tego, żeby praca faktycznie zaczęła być wykonywana inaczej. Żeby był efekt.
(Informacja dodatkowa: FDE — forward deployed engineer — to inżynier oddelegowany do pracy u klienta, model spopularyzowany przez Palantira.)
To gigantyczna ilość ludzkiej pracy. I jest ona konieczna, żeby agenty były produktywne. Przedsiębiorstwo może za to zapłacić, bo koszt rozkłada się na tysiące pracowników i na duże przychody, a potencjalna korzyść jest odpowiednio wielka. Mała firma albo poprosi dostawcę, żeby wchłonął tę pracę, albo pogodzi się ze znacznie płytszym wdrożeniem i odpowiednio mniejszym zyskiem.
To prawdopodobnie dlatego liderzy korporacyjni konsekwentnie raportują mi lepsze zwroty z agentów niż liderzy MŚP. Różnicą nie jest model bazowy — obie grupy mają dostęp do inteligencji z pierwszej linii frontu. Różnicą jest to, ile pracy firma wykonała wokół agenta.
Czego prawo może nauczyć małe firmy
Wróćmy do pytania, dlaczego prawo jest inne i czy może wskazać drogę właścicielom małych firm.
Mówiłem o domenach weryfikowalnych. Choć wiemy o mniej więcej stukrotnym wzroście użycia Codeksa w prawie, warto pamiętać, że Codex nie jest jedynym źródłem takich danych. To szeroki wzorzec: badania adopcji AI w kancelariach pokazują, że 71% prawników jednoosobowych i 75% małych kancelarii już używa AI.
Mamy też konkretne historie. Traubly and Singer to mała kancelaria z Waszyngtonu specjalizująca się w szkodach osobowych. Używa narzędzia EvenUp do przeglądu dokumentacji medycznej i przygotowania pierwszej wersji pakietów roszczeniowych. Firma twierdzi, że ten jeden przepływ pracy oszczędza około czterdziestu godzin pracy personelu miesięcznie i pozwala uniknąć kolejnego zatrudnienia.
Kluczowe jest to, że prawnicy nie muszą wymyślać nowego sposobu oceny, czy agent zrobił coś dobrze. Po prostu porównują pakiet z dokumentacją sprawy — co i tak musieliby zrobić. To nie jest dodatkowa praca.
Nie znaczy to, że agenty są bezbłędne. Niedawny benchmark dał systemom 1300 fragmentów pism procesowych i kazał znaleźć błędy w cytowaniach — nawet najlepsze systemy przeoczyły subtelne problemy i zbyt wiele kroków. Prawnicy nadal muszą weryfikować całą tę pracę. Różnica polega na tym, że mają jak ją zweryfikować. Mają istniejący proces. Robili to i tak. Więc czemu nie robić tego z agentem?
Stąd lekcja dla MŚP: zacznij od tego, co już robisz. Prawnicy nie zmieniają swojej pracy, gdy przeglądają pakiet roszczeniowy — robią to, co zrobiliby tak czy inaczej. Agent tylko wykonał wcześniejszy krok. Gdzie w małej firmie już wykonuje się taką pracę? Może to przygotowanie wyceny dla klienta, którą menedżer i tak musi sprawdzić. Może właśnie tam agent może wejść.
Jeśli szukasz obszarów, w których agent da wartość, a nie masz dużego kapitału, to jest świetna wskazówka: znajdź miejsca, gdzie i tak wykonałbyś tę pracę, i pozwól agentowi wykonać krok przygotowawczy.
Ma to też implikacje dla dostawców. Dostawcy potrzebują produktowego uporu na poziomie Steve’a Jobsa, zwłaszcza pracując z MŚP. Nie można wrzucić ogólnego agenta do firmy i liczyć, że właściciel magicznie znajdzie w nim wartość. Zamiast tego trzeba patrzeć, gdzie właściciel i tak spędza czas, i szukać miejsc, w których da się ułatwić mu przygotowanie wsadu — tak, żeby robił kontrole, które i tak by robił, nie tracił dodatkowego czasu i odzyskiwał czas na etapie wejściowym. Jeśli nie myślisz w ten sposób, prawdopodobnie przypadkiem tworzysz ludziom pracę przy zarządzaniu agentami, sprzedając im oszczędność czasu. To się na dłuższą metę nie spina.
Zespoły: gdzie robi się naprawdę trudno
Sprawa komplikuje się, gdy wchodzimy na poziom zespołów — a to wzorzec wspólny dla MŚP i przedsiębiorstw.
W eksperymencie terenowym z udziałem 776 pracowników Procter & Gamble jedna osoba używająca AI wykonywała pracę mniej więcej tak dobrą jak dwuosobowy zespół bez AI. Brzmi świetnie. Ale wśród najlepszych 10% odpowiedzi poprawę osiągały wyłącznie zespoły korzystające z AI — pojedynczy pracownicy z AI już nie. Innymi słowy: żeby dojść do naprawdę najlepszych rozwiązań, wciąż potrzebne są zespoły ludzi pracujących z AI i iterujących, a nie pojedyncze osoby z AI.
To rodzi kaskadę pytań menedżerskich. Kto zarządza agentem, gdy to zespół? Kto śledzi, co agent robi? Kto ustala priorytety? Kto pilnuje nocnych przebiegów? To realne pytania, z którymi mierzą się startupy, z którymi rozmawiam — bo chcesz wykorzystać te nocne przebiegi. Agent może pracować bez przerwy. Chcesz, żeby ta wartość powstawała w nocy. Ale jak zapewnić, że ten czas jest dobrze wykorzystany?
Szczerze mówiąc, w małych firmach odpowiedź brzmi najczęściej tak: właściciel wkracza i decyduje, gdzie agent zostanie skierowany. A kieruje go najczęściej bardzo konkretnie na to, co jest weryfikowalne i co dotyka linii przychodów. Co ma sens, jeśli jesteś właścicielem.
Będziemy jednak musieli wypracować bardziej wyrafinowane odpowiedzi, w miarę jak agenty skalują się w firmach. Bo okaże się, że to nie jeden czy dwa agenty ani nawet kilka. Będzie ich coraz więcej, skalowanie będzie coraz szybsze, aż nawet małe i średnie firmy będą musiały radzić sobie z agentami w znacznej skali — może dziesięć czy dwadzieścia agentów na dziesięcioosobowy zespół. Wtedy jeden właściciel nie zdefiniuje już tego wszystkiego. Trzeba przemyśleć problemy koordynacyjne. To nałoży nowy „podatek od zarządzania agentami” i stworzy nową kategorię startupów, których zadaniem będzie pomagać w zarządzaniu agentami. Jeśli szukacie trendu na 2027 — oto on.
Ponad pętlą: nowa rola menedżera
Cofnijmy się od prawa, od MŚP, od korporacji. Czy jest tu ogólniejsza lekcja?
Agenty wykonują coraz więcej pracy. I generują coraz więcej pracy w miarę, jak jej wykonują więcej. Praca zarządzania agentami jest realna. Ludzie muszą więc zmieniać swoje role, żeby zarządzać agentami — i robią to, przesuwając się „ponad pętlę”. Znacie sformułowanie „człowiek w pętli”? W 2026 roku ludzie coraz częściej są ponad pętlą. Decydują, co agent zrobi, kto może działać za zgodą, które porażki mają znaczenie i co dzieje się dalej.
Jak to wygląda z perspektywy korporacji? Prezes Procter & Gamble nie definiuje, jak wszyscy w firmie mają używać agentów. Robi się to na poziomie menedżerskim — mniej więcej poziom L7 w Amazonie. Ta rola staje się w coraz większym stopniu rolą zarządzania agentami i alokowania agentów, tak samo jak zarządzania ludźmi.
(Informacja dodatkowa: L7 w Amazonie to poziom starszego menedżera — odpowiada za zespół zespołów i własny budżet.)
A ci menedżerowie nigdy nie byli do tego szkoleni. I napotykają — w miniaturze — dokładnie te same problemy, co małe i średnie firmy. Słyszę to raz za razem. Mówią o tym, jak alokować czas pracy agentów pod tańsze godziny tokenowe. Jak wykorzystać fakt, że chmura jest nocą w USA mniej obciążona. Jak upewnić się, że kierują agenty tam, gdzie zwrot jest najwyższy, żeby móc to pokazać, gdy zadzwoni wiceprezes. Mają te same zmartwienia — tyle że w organizacji macierzowej.
I dlatego problemy „człowieka ponad pętlą” są wspólne dla właścicieli MŚP i menedżerów w korporacjach. Obaj potrzebują dość wiedzy o samej pracy, żeby rozpoznać zły wynik. Potrzebują dość władzy, by zmienić system, gdy zawiedzie. I potrzebują pewności, że to, co robią, przyniesie lepszy rezultat ich biznesowi — czy to jednostce biznesowej w dużej firmie, czy całej małej firmie.
Podsumowanie: dokąd leci krążek
Rozmawiałem na potrzeby tego materiału z wieloma właścicielami małych firm, z menedżerami i liderami korporacyjnymi. Czego się z tego uczymy, wchodząc w drugą połowę 2026 roku?
Po pierwsze, agenty tworzą ludziom więcej pracy, nie mniej. To błędne przekonanie, które sami wytworzyliśmy, mówiąc, że agenty zabierają pracę ludziom. Nie — empiryczne przykłady na każdej skali pokazują, że agenty generują ludziom więcej pracy.
Po drugie, nie mamy dobrze ustalonych norm zarządzania agentami, a najszybciej formują się one w domenach weryfikowalnych. Wspominałem o prawie i o programowaniu; można dorzucić ochronę zdrowia. Tam, gdzie łatwo zobaczyć, co jest dobre, a co złe, mamy szybszy postęp w agentach i w normach zarządzania nimi. Tam, gdzie tego nie ma, robi się grząsko — i tam właśnie zaczyna się rozjazd między MŚP a przedsiębiorstwami.
Przedsiębiorstwa mają kapitał i zasoby, żeby wpychać agenty w trudne, oporne obszary. Przy silnym zarządzaniu i determinacji potrafią głęboko je zintegrować i wyciągnąć wartość nawet tam. Dobre przykłady: rekomendacje cenowe, rekomendacje produktów w koszyku, pisanie lepszych dokumentów wymagań produktowych, dzięki którym agenty skuteczniej realizują pracę, a jednocześnie w sposób sprawdzalny spełniają wymagania klienta. Jeszcze jeden trudny do weryfikacji obszar, w którym korporacje są dobre, to tworzenie prezentacji. To notorycznie nieweryfikowalna domena — bo jak właściwie ocenić, czy PowerPoint jest dobry? Korporacje mają pieniądze, żeby zaatakować takie problemy pod kątem własnego stylu i własnych analiz. Dlatego widzimy raporty o generowaniu prezentacji i wniosków akurat od firm finansowych, od McKinseya i podobnych — bo je na to stać.
Kolejna lekcja: niezależnie od skali załóżcie, że nad agentami będzie narastać agentowa warstwa zarządcza. Zaczniemy widzieć agentowe „harnessy” zarządcze, tak jak dziś widzimy harnessy wykonawcze. Ale nawet wtedy, z powodu paradoksu Jevonsa, pracy nam nie zabraknie. Bo warstwy zarządcze pozwolą nam wznieść się o poziom wyżej, nieco ułatwią pilnowanie przebiegów wykonawczych — a to pozwoli nam zarządzać większą liczbą agentów. I wtedy właśnie tego się od nas oczekuje.
Implikacje dla nas wszystkich są głębokie. Musimy rozwinąć umiejętność zarządzania agentami. Jeśli jesteśmy dostawcami — musimy nauczyć się trafnie rekomendować, gdzie w małych firmach umieścić agentów, żeby nie generować im dodatkowej pracy. Jeśli jesteśmy przedsiębiorcami — musimy nauczyć się budować agenty pod konkretne, weryfikowalne zastosowania, takie, po które firmy każdej wielkości sięgną same, mówiąc: „To rozumiem, to kupuję, z tego mam wartość”.
A jeśli po prostu pracujemy w dużej firmie i oczekuje się od nas, że jakoś użyjemy AI, ten materiał powinien przypomnieć trzy rzeczy. Po pierwsze: te narzędzia nie zabierają wam pracy. Po drugie: żeby awansować, będziecie musieli nauczyć się zarządzać agentami. Po trzecie: jeśli zarządzacie agentami, wasze problemy jako menedżera w dużej firmie są skrajnie analogiczne do problemów małej firmy. Można myśleć o tym jak o problemie fraktalnym — przedsiębiorstwo to wiele małych jednostek biznesowych zarządzanych naraz. Możecie mieć więcej zasobów niż właściciel MŚP, ale ciąży na was ta sama presja braku czasu i konieczności wykazania wartości.
Dlatego jest się czego uczyć w poprzek skal. Mam nadzieję, że to było pomocne — i że konkrety okazały się przydatne. Uwielbiam opowiadać te pojedyncze historie firm i to, co słyszę od liderów. Do zobaczenia następnym razem.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Licz nie na redukcję etatów, tylko na przesunięcie pracy
Na czym polega: Wdrożenie agentów nie zmniejsza zapotrzebowania na ludzi — zmienia rodzaj pracy z wykonawczej na zarządczą: wybór zadań, dostarczanie kontekstu, weryfikacja, interwencja przy awarii.
Jak stosować: Planując wdrożenie, wpisz do rachunku etat (lub część etatu) na zarządzanie agentami, tak samo jak wpisujesz koszt licencji. Zdefiniuj, kto konkretnie jest właścicielem tej roli.
Na co uważać: Business case zbudowany na „mniej ludzi” rozsypie się po pierwszym kwartale. Jeśli obiecałeś zarządowi redukcję, a dostarczysz przesunięcie ról, stracisz wiarygodność na kolejne wdrożenia.
2.Kieruj agenty najpierw do domen weryfikowalnych
Na czym polega: Domena weryfikowalna to taka, w której względnie łatwo dowieść, że wynik jest poprawny. Programowanie i prawo mają testy i kodeks — dlatego tam adopcja eksplodowała (ok. 108-krotny wzrost użycia Codeksa w prawie od stycznia).
Jak stosować: Zrób inwentaryzację procesów i posortuj je według pytania: „Czy mam gotowy, tani sposób sprawdzenia, czy to zostało zrobione dobrze?”. Zacznij od góry tej listy.
Na co uważać: Uczynienie nowej domeny weryfikowalną samo w sobie kosztuje kapitał — to inwestycja, na którą małe firmy zwykle nie mają środków. Nie zaczynaj od tworzenia prezentacji ani od „strategii”.
3.Wchodź tam, gdzie kontrolę i tak wykonujesz
Na czym polega: Kancelaria Traubly and Singer oszczędza ok. 40 godzin pracy miesięcznie, bo agent robi pierwszą wersję pakietu roszczeniowego, a prawnicy porównują ją z aktami — czyli robią to, co robiliby tak czy inaczej.
Jak stosować: Znajdź procesy, w których człowiek już dziś jest recenzentem (wycena zatwierdzana przez menedżera, raport przed wysyłką). Oddaj agentowi krok przygotowawczy, zostaw kontrolę bez zmian.
Na co uważać: Jeśli wdrożenie wymaga wymyślenia nowej procedury kontroli, właśnie dołożyłeś pracy zamiast ją odjąć — a to najczęstszy sposób, w jaki wdrożenia AI po cichu stają się stratą netto.
4.Przesuń się ponad pętlę zamiast oglądać każdy krok
Na czym polega: Przy 60 godzinach aktywności agentów dziennie nadzór krok po kroku jest fizycznie niemożliwy. Rola człowieka to wybór zadań, uruchamianie przebiegów, ocena wyników i decyzja, co wymaga uwagi.
Jak stosować: Ustal z góry kryterium dobrego wyniku, nadaj szerokie autozatwierdzanie w bezpiecznym zakresie i przeglądaj wyniki zbiorczo, a nie akcja po akcji.
Na co uważać: „Ponad pętlą” to nie to samo co „bez nadzoru”. Musisz zachować zdolność rozpoznania złego wyniku i władzę, by zmienić system, gdy zawiedzie — bez jednego z tych dwóch elementów jesteś tylko stemplem.
5.Przerywaj częściej, mikrozarządzaj rzadziej
Na czym polega: W badaniu ok. 400 tys. sesji Claude Code doświadczeni użytkownicy zatwierdzali automatycznie więcej akcji, ale przerywali agentowi w 9% tur, wobec 5% u nowicjuszy. Człowiek podejmował ok. 70% decyzji planistycznych, agent — niemal wszystkie wykonawcze.
Jak stosować: Trenuj u siebie i u zespołu wyłapywanie „ten cały przebieg idzie w złą stronę”, a nie kwestionowanie pojedynczych kroków. Przerwanie i restart z lepszym opisem jest tańsze niż korekta w locie.
Na co uważać: Uległość wobec modelu to typowy błąd początkującego. Jeśli ktoś nigdy nie przerywa agentowi, to sygnał braku kompetencji, a nie zaufania do narzędzia.
6.Wiedza dziedzinowa bije umiejętności techniczne
Na czym polega: Sesje prowadzone przez ekspertów miały średnio 12 akcji agenta na instrukcję, wobec 5 u nowicjuszy — ekspert potrafi opisać zadanie precyzyjnie i ocenić wynik.
Jak stosować: Sadzaj do agentów osoby, które najlepiej znają problem, a nie te, które najlepiej znają narzędzie. Inwestuj w opis „co dobre”, nie w kursy promptowania.
Na co uważać: Zewnętrzny dostawca z definicji nie ma tej wiedzy — dlatego wdrożenia oddane w całości na zewnątrz zwykle zostają płytkie.
7.Ogranicz uprawnienia agenta, zanim coś się stanie
Na czym polega: W Pocket OS agent w środowisku testowym znalazł token o zasięgu całego konta i skasował wolumen storage’u — produkcyjna baza i zwykłe kopie zapasowe zniknęły w 9 sekund. Odzyskanie danych i ratowanie relacji z klientami zajęło założycielowi 30 godzin.
Jak stosować: Wcześniej niż w dniu pierwszego uruchomienia: audyt sekretów dostępnych w środowisku agenta, tokeny o minimalnym zakresie, twarde oddzielenie testu od produkcji, kopie zapasowe poza konfigurowalnym zasięgiem agenta.
Na co uważać: „To tylko środowisko testowe” nie jest zabezpieczeniem — agent czyta pliki, do których ma dostęp, także te, o których zapomniałeś. Asymetria czasu jest brutalna: sekundy zniszczenia, dziesiątki godzin odbudowy.
8.Przy 40 dolarach miesięcznie nie kupisz efektu biznesowego
Na czym polega: Wedle analizy JP Morgan obejmującej 4,6 mln małych firm blisko dwie trzecie z nich płaci za AI ok. 40 dol. miesięcznie. Tylko 14% właścicieli w badaniu Goldman Sachs uznało AI za w pełni zintegrowaną z operacjami, a 73% prosi o więcej szkoleń i zasobów.
Jak stosować: Ustal realistyczny próg: za dwa stanowiska w abonamencie dostajesz asystenta konwersacyjnego, nie system rezerwacji ani proaktywne wykrywanie awarii. Albo podnieś budżet i zainwestuj w integrację, albo świadomie zawęź ambicje.
Na co uważać: Rozjazd między ceną a oczekiwaniem to główne źródło rozczarowania AI w MŚP — a przy okazji główne pole do nadużyć sprzedażowych.
9.Wybierając dostawcę, pilnuj, żeby wartość została u ciebie
Na czym polega: Dostawca przejmujący zarządzanie agentami wybiera przepływ, podłącza systemy, sprawdza wyniki — i przejmuje odpowiedzialność za kluczowy element twojego biznesu. Po rozstaniu często nie zostaje nic, co realnie wzbogaca firmę.
Jak stosować: Zapisz w umowie, co zostaje po zakończeniu współpracy: konfiguracje, kryteria oceny, dokumentacja przepływów, dostęp do systemów. Wymagaj, żeby dostawca projektował pod procesy, w których i tak spędzasz czas.
Na co uważać: Dostawca podejmuje decyzje korzystne dla siebie, nawet nieumyślnie. Sukces mierzony po jego stronie („zrobiliśmy swoje”) nie oznacza transferu wartości do ciebie.
10.Przygotuj się na podatek koordynacyjny przy dziesiątkach agentów
Na czym polega: Skala rośnie w stronę dziesięciu–dwudziestu agentów na dziesięcioosobowy zespół. Wtedy jeden właściciel czy menedżer nie zdefiniuje już wszystkiego: pojawiają się pytania o priorytety, o nocne przebiegi, o alokację pod tańsze godziny. Eksperyment z 776 pracownikami P&G pokazał przy tym, że najlepsze wyniki osiągają zespoły z AI, a nie pojedyncze osoby z AI.
Jak stosować: Już teraz wyznacz właściciela alokacji agentów w zespole i prostą regułę priorytetu — u małych firm sprawdza się kierowanie agentów na to, co weryfikowalne i blisko linii przychodów. Obserwuj powstającą kategorię narzędzi do zarządzania flotą agentów; autor wskazuje ją jako trend 2027.
Na co uważać: Warstwa zarządcza nie zlikwiduje pracy — zgodnie z efektem Jevonsa pozwoli obsłużyć więcej agentów, a wtedy właśnie tego zacznie się od ciebie oczekiwać. Menedżerowie nie byli do tej roli szkoleni, więc nie zakładaj, że poradzą sobie sami.