O czym jest ten film
- DoorDash 30 września ogłosił zamawianie jedzenia wiadomością do agenta oraz ograniczoną betę MCP — według autora to wzorzec przyszłej sprzedaży oprogramowania: wygrywa zamówienie, nie aplikacja.
- Mechanizm „rewolucji agentowej”: agent czyta umowy, notatki i maile, pisze plany projektów, a człowiek przestaje otwierać dawne narzędzie; dostawca danych nadal zarabia, ale więź z interfejsem znika.
- Narzędzia SaaS stają się coraz łatwiejsze do porzucenia, a wytrenowany agent — pełen niepisanej wiedzy o firmie — coraz trudniejszy do zastąpienia; zmiana dostawcy AI na wniosek CTO czy finansów robi się bolesna, bo każda strona liczy inne koszty.
- Przykład z rekrutacji: agent pobiera profile kandydatów, szkicuje listę dla menedżera, uczy się preferencji i historii zatrudnień — człowiek tylko zatwierdza.
- Meta: osobisty agent Muse błyskawicznie doczekał się wersji dla małych firm z integracjami (Shopify, QuickBooks) — droga od prywatnego asystenta do „centrali firmy” jest krótka.
- Salesforce: model rozumujący Koa dostrojony do CRM (ogłoszony 15 września, pilotaż, trening na danych syntetycznych) oraz pozycjonowanie na trzech poziomach: warstwa danych, brama dla agentów, własny agent; partnerstwo z Claude to sprzedaż opcjonalności.
- Microsoft: Azure jako warstwa danych, panel zarządzania agentami, pakiet produktywności oraz Copilot i Autopilot — „AI, za które nikt jeszcze nie stracił pracy”.
- Laboratoria AI (OpenAI, Anthropic) startują bez danych i bez dystrybucji — sprzedają zakład o inteligencję i umiejętność stosowania jej do danych klienta.
- Studia przypadków: dwuosobowa agencja rekrutacyjna zbudowała własnego skilla Claude’a na API Crust Data zamiast kupować gotowe narzędzie; agent płacowy Workday pokazuje, że przy wysokim ryzyku regulacyjnym liczy się niezawodny fundament, a AI pomaga ogarniać złożoność.
- Ramy trzywarstwowe: dane — aplikacje (procesy) — agenci. Firmy coraz częściej kupują rezultaty, a nie „wdrożenie AI”, i każdy pracownik staje się de facto decydentem.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Otwartość na agentów to minimum, nie przewaga
Na czym polega: Serwer MCP czy API sprawia, że dostawca w ogóle wchodzi do gry, gdy klient pracuje przez agenta. Nie daje jednak powodu, by dalej płacić.
Jak stosować: Przy ocenie dostawcy sprawdzaj osiągalność agentową, ale pytaj wprost: „Co u państwa zostaje unikalne, gdy przestanę otwierać interfejs?”. Dobra odpowiedź wskazuje na dane, których nie zdobędę gdzie indziej, albo na wykonanie, którego nie chcę budować sam.
Na co uważać: Jeśli dwóch dostawców daje równie dobre dane i równie niezawodną egzekucję, integracja agentowa ułatwia ich porównywanie i wymienianie — otwartość bez realnej przewagi może przyspieszyć odejście klienta.
2.Wytrenowany agent bywa trudniejszy do wymiany niż narzędzie
Na czym polega: Wiedza o procesach, którą wpajamy agentowi („ten klient wymaga zgody bezpieczeństwa przed startem”), żyje w jego pamięci i konfiguracji, a nie w systemie SaaS.
Jak stosować: Dokumentuj, czego nauczyłeś agenta i gdzie ta wiedza siedzi — to realny wkład w firmę i mocny argument w rozmowach o zmianie dostawcy.
Na co uważać: Liczenie kosztów bywa asymetryczne: CTO widzi cenę tokenów, ale nie widzi tygodni utraconej pracy i kontekstu, których nie da się przenieść na nowy system.
3.Nie chowaj swoich trików AI
Na czym polega: Pracownicy traktują własne metody pracy z AI jako przewagę osobistą i milczą o nich — aż do decyzji o zmianie dostawcy, która rozbija ich produktywność.
Jak stosować: Opowiedz menedżerowi, jak używasz AI: jakie dane, jakie procesy, gdzie klasyczna aplikacja z klikaniem jest ci jeszcze potrzebna. To pozwoli mu obronić budżet i przekazać potrzeby wyżej.
Na co uważać: W relacjach toksycznych dziel się ostrożnie — ale generalnie milczenie o swojej metodzie czyni twoją pozycję kruchą, a nie silną.
4.Opisuj pracę w trzech warstwach: dane, aplikacje, agenci
Na czym polega: Autor proponuje ramy: warstwa danych (kto dostarcza ustrukturyzowane dane), warstwa aplikacyjna (procesy na danych) i warstwa agentowa (kto i jak je przetwarza).
Jak stosować: Naucz się mówić o swojej pracy w tych kategoriach — skąd biorą dane, które procesy biegają w aplikacji, a co robi agent. Ten język zaczyna obowiązywać w zakupach i na ocenach.
Na co uważać: Trzy warstwy to nie trzy produkty: jeden dostawca może obsługiwać kilka z nich, a „aplikacja” nie znika — rozkłada się na interfejs i procesy.
5.Kupujący: zbadaj realne wzorce użycia AI przed standaryzacją
Na czym polega: Każda firma ma wzorzec użycia AI unikalny jak odcisk palca: dane są niepowtarzalne, aplikacje to mozaika, a AI po swojemu używają małe zespoły i pojedyncze osoby.
Jak stosować: Zanim zmienisz dostawcę albo „uporządkujesz” narzędzia, wejdź w zespoły i zobacz, jak naprawdę pracują. Decyzja z poziomu slajdów zarządu się nie obroni.
Na co uważać: Uproszczenie może niewidomie wyciąć produktywność — najpierw zmapuj, potem standaryzuj.
6.Rozmowa z dostawcą nie może się kończyć na „czy macie AI”
Na czym polega: Pytania o funkcje AI i o dane to dopiero początek; istota oferty leży w trzech warstwach.
Jak stosować: Pytaj: czy warstwa danych jest uporządkowana i dostępna dla agentów? Czy aplikacje mają sens dzisiaj? Czy warstwa agentowa daje elastyczność — własny agent, obcy agent, panel przełączania modeli?
Na co uważać: „AI-native” to dziś obowiązkowy frazes — każdy dostawca tak o sobie mówi; oceniaj pozycję danych i dystrybucji, a nie deklaracje.
7.Dostawcy danych mogą awansować w górę stosu
Na czym polega: Skoro AI diametralnie obniżyło koszt budowania rozwiązań, dostawca danych może współtworzyć z klientem procesy na własnym API (wzorzec Crust Data i dwuosobowej agencji rekrutacyjnej).
Jak stosować: Jeśli sprzedajesz dane — oferuj pomoc w budowie skilli i przepływów pracy na swoim API, nie tylko surowe zapytania. Jeśli kupujesz — rozważ budowę na API zamiast kolejnego narzędzia punktowego.
Na co uważać: Strategia działa tam, gdzie różnicuje jakość danych; tam, gdzie wszyscy dają to samo, integracja ułatwia podmianę.
8.Tam, gdzie ryzyko regulacyjne jest wysokie, sprzedaje się niezawodność
Na czym polega: W płacach (Workday, ADP) nikt nie chce sam kodować reguł — liczy się skonfigurowany system z niezawodną egzekucją, a agent taki system wzbogaca, bo pomaga ogarniać złożoność.
Jak stosować: W obszarach o wysokim compliance kupuj solidny fundament, a AI traktuj jako warstwę wspomagającą: wyjaśnianie, wykrywanie błędów, propozycje poprawek.
Na co uważać: Wyjaśnienie przez AI paska wypłaty to co innego niż system, który ludziom te pieniądze realnie wypłaca — nie mylić tych wartości.
9.Pytanie alokacyjne: back-office czy przewaga konkurencyjna?
Na czym polega: Prawdziwa decyzja inwestycyjna brzmi: angażować inżynierów we wewnętrzne zaplecze, czy skupić ich na tym, co firmę wyróżnia.
Jak stosować: Przy każdym „zbudujemy sami” zapytaj, czy ta aplikacja da wybitną wartość. Jeśli tak — buduj; jeśli nie — kup proces z rynku.
Na co uważać: Koszt własnej budowy łatwo niedoszacować: utrzymanie reguł, zgodności i ścieżek zatwierdzeń bywa droższe niż subskrypcja.
10.Firmy kupują rezultaty, nie wdrożenie AI
Na czym polega: „Używanie AI” staje się założeniem przyjmowanym z góry; liderzy pytają, jak AI realnie przyspiesza sprzedaż, przychody i rentowność.
Jak stosować: Przypinaj swoje użycie AI do wyników zespołu i firmy — mów językiem efektów, nie narzędzi. Sprzedawcy podobnie: pokazuj, jak spięcie warstw przyspiesza biznes klienta.
Na co uważać: Jeśli nie umiesz odpowiedzieć, czy twój zespół realnie przyspiesza firmę, to pytanie i tak wróci — lepiej usłyszeć je najpierw od siebie niż w trudnej ocenie rocznej.
Redakcyjne tłumaczenie
Wskazówka od DoorDash
A co, jeśli DoorDash podpowiada, jak w latach 2026–2027 będzie się kupować i sprzedawać oprogramowanie? Sądzę, że tak właśnie jest. 30 września DoorDash ogłosił usługę, dzięki której wystarczy napisać wiadomość do tamtejszego agenta, a on załatwi ci, czego potrzebujesz. Ulubiona pizza, ulubiona kanapka, cokolwiek. To jest przyszłość oprogramowania. W oprogramowaniu biznesowym jest oczywiście więcej zgrzytów niż przy zamawianiu kanapki, ale kierunek jest ten sam.
I teraz przenieśmy to do biura. Pójdźmy razem kawałek tej drogi. Nowy klient podpisuje umowę na to, co sprzedajesz. Twój agent czyta kontrakt. Twój agent zagląda w notatki handlowców. Twój agent czyta wątek mailowy. Agent, agent, agent — aż człowiek się tego nasłucha. Potem agent pisze za ciebie plan startu projektu. I po jakimś czasie przestajesz w ogóle otwierać narzędzie, w którym kiedyś przesiadywałeś. Tak właśnie wygląda rewolucja, którą przynoszą agenty. Firmie trzymającej twoje dane klientów nic nie grozi — nadal dostaje zapłatę. Ale przez kilka miesięcy uczysz agenta wszystkiego, czego nikt w pracy nigdy nie spisał: ten klient wymaga zgody działu bezpieczeństwa, zanim ruszy wdrożenie; tamten proces u nas wygląda zupełnie inaczej; z tego narzędzia korzystamy po swojemu.
W świecie, w który pędzimy, trzy rzeczy dzieją się jednocześnie. Po pierwsze, dodatkowe narzędzie, które kiedyś układało cały ten plan — czyli oprogramowanie — robi się coraz łatwiejsze do porzucenia. To jest dziś ryzyko numer jeden dla firm SaaS. Po drugie, agent, którego wytrenowałeś, bywa trudniejszy do zastąpienia — bo wszystkie te lekcje mieszkają w twojej własnej konfiguracji: może na twoim komputerze, może w pamięci twojego firmowego asystenta. I po trzecie, jeśli CTO, finanse albo zespoły, z którymi współpracujesz, zechcą przenieść cię na innego dostawcę AI, zrobi się naprawdę trudno — bo każdy z was liczy zupełnie inne koszty. Oni nie widzą, jak ty naprawdę pracujesz z agentem. Ta batalia czeka zespoły w 2027 roku.
Rekrutacja: jak znika nawyk otwierania narzędzia
Jak to wygląda w praktyce? Jakie historie widzę? Posłużę się przykładem opartym na prawdziwym zdarzeniu, tylko lekko zanonimizowanym. Co tydzień otwierasz narzędzie rekrutacyjne. Szukasz kandydatów, kopiujesz notatki do arkusza, przygotowujesz listę dla menedżera prowadzącego rekrutację. To część twojej roli. Aż w pewnym momencie agent AI przejmuje to zadanie i myślisz: „Świetnie, jestem bardziej produktywny, po prostu robię swoją pracę”. Agent pobiera profile kandydatów od dostawcy danych i szkicuje listę. Ty ją oczywiście sprawdzasz, ale gdy dajesz zielone światło, trafia ona prosto do menedżera. Z czasem przestajesz otwierać narzędzie rekrutacyjne.
A co się dzieje z firmą, która sprzedaje dane kandydatów? Dalej zarabia, bo nadal sprzedaje dane — ty ich wciąż używasz, tylko płacisz już za inne elementy pracy zrobione na tych danych. Zaczyna ci się podobać, jak agent pracuje. O narzędziu rekrutacyjnym przestajesz w ogóle myśleć. Agent robi się naprawdę dobry i nabiera kontekstu, bo przekazałeś mu mnóstwo wiedzy: jak osobiście wyłapujesz kandydatów, którzy sprawdzają się na twoich stanowiskach, jak odsiewasz tych, którzy nie pasują do firmy, jak wygląda znakomity kandydat. Zaczyna też rozumieć, czego oczekują poszczególni menedżerowie. Wie nawet, kogo finalnie zatrudniacie, bo te informacje mu zwracasz — a to pomaga mu wybierać lepiej i skraca czas ręcznego przeglądania. Jesteś człowiekiem odpowiedzialnym i etycznym, więc nadal wszystko weryfikujesz osobiście, ale pomoc jest ogromna.
Taki obraz trudno odtworzyć, jeśli samemu nie siedziało się w okopach, ale widziałem wersje tej historii nie tylko w rekrutacji — także w produktach, inżynierii, sprzedaży. Wszędzie, gdzie spojrzę, dawne jednofunkcyjne narzędzia, jak to rekrutacyjne, stają się łatwiejsze do porzucenia, a od wytrenowanego agenta coraz trudniej odejść. I w momencie, gdy zarząd chce was na innym dostawcy AI — zwykle dlatego, że toczyła się rozmowa o kosztach i chciano mieć więcej opcji — wybucha dyskusja, na którą nikt w firmie nie jest gotowy, bo każdy przy stole ma zupełnie inne priorytety.
Pokażę ci, jak przez taką rozmowę przejść jako pracownik i jak nią pokierować jako lider. A przede wszystkim wyjdziesz stąd z poczuciem, dokąd zmierza oprogramowanie. Jak myśleć o software w erze agentów? Które części stosu zyskują na wartości? Zdradzę od razu: w przyszłość oprogramowania wierzę mocno. Po prostu będzie wyglądać inaczej. Rozbierzemy na części ten częściowo software’owy, częściowo agentowy świat. A jeśli myślisz: „Ależ to będzie trudne” — nie, będzie ciekawie. Będą prawdziwe historie i wyjdziesz z konkretnymi narzędziami. Zaczynajmy.
Co właściwie kupujesz, gdy pracę wykonuje agent
Zacznijmy od tego, co jeszcze kupujesz, gdy agent robi robotę, którą właśnie opisałem — gdy zajmuje się przetwarzaniem informacji w twojej roli, a ty nim zarządzasz. Bo w 2026 roku dzieje się to w każdej roli. Kiedy otwierasz aplikację, po co tam jesteś? Po informacje, których nie zdobędziesz nigdzie indziej. Po coś, co musi zostać zrobione poprawnie. I kiedy konkretnie ją otwierasz? Mówię poważnie — zastanów się przez chwilę nad swoją rolą: obsługa klienta, inżynieria, produkt, cokolwiek. Otwierasz ją samodzielnie? Nie pytam, czy każesz agentowi ją otworzyć — to co innego, jeszcze do tego wrócimy. Jeśli to ty, człowiek, szukasz informacji, układasz je albo działasz na ich podstawie — kiedy i gdzie to robisz?
To ważny punkt odniesienia. Wiele firm SaaS sprzedaje bardzo mętną propozycję, w której miesza się szukanie, układanie i działanie na informacjach, a czasem jeszcze ich przechowywanie. Agent, który robi dobrze choć kawałek tego procesu, obnaża cały kontrakt z taką firmą — bo nigdy nie doprecyzowała, na czym polega jej wartość w erze agentów. Tak właśnie czytam dziś zawikłane dyskusje o SaaS-ach w czasach agentów: te firmy rozumują od danych i dystrybucji, które już posiadają, do pozycji agentowej, którą mają nadzieję utrzymać.
Nie chodzi o to, że nie widzą agentów. Każda z nich sili się na AI, każda opowiada o agentach na prezentacjach dla klientów. Kupujący nie zazna niedoboru dostawców deklarujących, że są „AI-native” — to dziś wręcz wymóg. Jeśli chcesz zrozumieć, co się naprawdę dzieje, musisz jako nabywca rozumować w drugą stronę: od danych i dystrybucji danego dostawcy do tego, jak on podchodzi do tematu agentów. A jeśli brzmi to jak zakręcona teoria — mam wieści: kupowanie oprogramowania, które naprawdę działa, stało się w 2026 roku bardziej skomplikowane, bo trzeba trafić także w przyszłość, a agenci wciąż się doskonalą.
To jeden z powodów, dla których na pierwszej linii jest ciężko. Ludzie podejmują decyzje, nie przemyśliwawszy wcześniej, jak mocno agenci będą się skalować w ich własnych systemach — i pracownicy zostają w tym uwięzieni. A jeśli myślisz o agentach, to krajobraz konkurencyjny między nimi a oprogramowaniem jest dziś naprawdę poplątany. Zaraz zacznę wymieniać znane nazwy i pokażę, jak wszystkie grają na tym samym boisku — a wtedy zobaczysz, że grono konkurentów się rozrosło. Na końcu powiem też, co to oznacza dla rozwiązań punktowych: mniejszych, mniej znanych SaaS-ów sprzedających pojedyncze produkty.
Meta: od osobistego asystenta do centrali małej firmy
Zacznijmy od nazw, które wszyscy znamy. Pierwsza z nich to w praktyce firma SaaS, choć nikt tak jej nie pozycjonuje — i właśnie dlatego temat jest tak ciekawy: granice się rozmywają. Meta, tak — w biznesie SaaS, choć by się tego nie spodziewać. Zaczęła od konsumentów, od produktu Muse, osobistego agenta. Ale wersja Muse dla małych firm wystartowała w ciągu zaledwie paru tygodni, bo Meta zobaczyła, że ludzie używają osobistego asystenta jak narzędzia firmowego. To będzie wielki trend 2027 roku. Muse dla małych firm dodaje połączenia z kontami firmowymi — w praktyce wpina cię w warstwę danych. Przypomnijmy: pozycjonowanie warstwy danych będzie w 2027 roku miało ogromne znaczenie, bo agent rozpaczliwie jej potrzebuje — a jeśli ją sprzedajesz, masz asa w rękawie. Pierwszy odruch Mety: „dodajmy dane”. I faktycznie dodają też narzędzia, w tym narzędzia SaaS: Shopify do podpięcia sklepów, QuickBooks do księgowości. Mój odczyt: Meta chce rozszerzyć relację od pomagania ci w interesie — jak asystent — do pomagania ci pozyskiwać klientów i prowadzić operacje. Widzą twojego Muse’a jako centralę małej firmy. Jeśli znasz agenta z życia prywatnego, a w firmie używasz QuickBooks, chcesz po prostu prostego rozwiązania — i to ma sens. Droga od użytku osobistego do firmowego jest w tej skali naprawdę krótka.
Salesforce: dane, brama dla agentów i model Koa
Zejdźmy od Mety — firmy, o której nikt by nie pomyślał w kategorii SaaS — do firmy, która tę kategorię wymyśliła. Salesforce, prekursor całego SaaS-a. Ma potężną dystrybucję — wystarczy zobaczyć Dreamforce (Informacja dodatkowa: Dreamforce to doroczna, wielotysięczna konferencja Salesforce.). Mówiłem zespołowi Salesforce, że startupy dałyby się pokroić za taką dystrybucję, a większość firm nie ma najmniejszej ochoty budować od zera oprogramowania do zarządzania klientami. Same atuty. Co spotyka taką firmę w świecie agentów?
Ciekawe jest to, że jej pozycja strategiczna jest silna niezależnie od wszystkiego — argumentowałem to już wcześniej — ale im lepsze modele, tym wyłania się nowy element: więcej szans na wykorzystanie wiedzy, która już siedzi w systemie, do coraz większej części pracy klienta. Wiedza ma wartość ukrytą, uśpioną — a więcej dostępnej inteligencji potrafi ją wyzwolić. Tę ambicję widać w zapowiedzi z Dreamforce: modelu Koa, rozumującym modelu opartym na stacku Neotron i dostrojonym do CRM, ogłoszonym 15 września. Koa jest na etapie pilotażu, więc jeszcze szeroko niedostępny. Salesforce ostrożnie trenował go na danych syntetycznych — nie na prawdziwych danych klientów — ale doskonale wie, jak przepływają prawdziwe dane, bo zajmuje się tym od dwudziestu lat. Ten syntetyczny zbiór jest więc zbudowany porządnie.
Salesforce podwaja więc zakład. Mówiliśmy o wartości danych w erze agentów — mają. Mówiliśmy o wartości dystrybucji — mają. Teraz muszą mocno wejść w stronę agentów, żeby agenci pracujący na tych danych stawali się częścią marki i obietnicy Salesforce. I moim zdaniem Koa to dopiero pierwszy, ostrożny krok w tę stronę. Okazja jest podwójna: być jednocześnie warstwą danych i miejscem, do którego agenci przychodzą po narzędzia. Co zasługuje na uczciwe podkreślenie: Salesforce oferuje to wszystkim agentom. Koa nie będzie jedynym narzędziem rozumującym — byłem na Dreamforce i widziałem wyraźne partnerstwo z Claude, można podpinać też inne agenty, jest cały panel do zarządzania nimi.
Firma rozstawia się więc na trzech poziomach naraz i to jest bardzo pouczające z perspektywy przyszłości SaaS. Z jednej strony przewaga warstwy danych, potężna w erze agentów, które potrzebują mnóstwa danych. Z drugiej — możliwość zbudowania na tych danych i tej dystrybucji czegoś w rodzaju bramy agentowej: zaufanej powierzchni, przez którą firmy współpracują ze swoimi danymi w trybie agentowym. Salesforce może powiedzieć: „Powierzcie nam agentów. Ogarniemy każdego, a przy okazji macie Koę — naszego agenta, który pomaga dokładnie tam, gdzie przydaje się CRM”. To mocna pozycja — i pozycja, w której można prowadzić znacznie subtelniejszą rozmowę o wartości.
Przy okazji: jeśli zastanawiasz się, jak firmy mają dojść do mocniejszej rozmowy, sprzedając SaaS w latach 2026–2027, odpowiedź brzmi: wyjść poza prostą demonstrację wartości i zbudować wielowarstwową propozycję. Agenci zmuszą oprogramowanie do tłumaczenia się z wpływu na wiele warstw naraz — tak jak nigdy dotąd. I moim zdaniem Salesforce jest tu ponownie pionierem. Firma się przebudowuje.
Microsoft: ten sam dylemat u szczytu stosu
Zejdźmy jeszcze głębiej. Była Meta, o której nie pomyślibyśmy w tej kategorii; był Salesforce, który kategorię wymyślił. Teraz firma, która wymyśliła oprogramowanie używane przez nas codziennie: Microsoft. Co on robi w rozmowie o SaaS? Ma dokładnie ten sam dylemat. Posiada warstwę danych. Pozycjonuje się jako panel sterowania dla agentów. I ma mnóstwo narzędzi produktywności, do których ludzie przywykli przez bezpośrednie interfejsy — Outlook, Excel. A praca zmierza w stronę odwróconą: prosisz agenta, żeby dane przekształcał i przetwarzał, a ty zarządzasz agentami. Microsoft tkwi więc w tym samym rozkroku.
I zauważ, jak potrafimy przejść od malutkiego startupu (zaraz do niego dojdziemy) aż po największe firmy świata — i wszystkie zmagają się z tym samym. Bo mówimy tu o przyszłości pracy. Wspominałem niedawno o Autopilocie i nie będę streszczał całego tamtego filmu — możesz do niego wrócić. W skrócie: to trwały agent w wersji podglądowej, a zarazem element tego, jak Microsoft chce układać rozmowę z klientami korporacyjnymi. Chcą móc powiedzieć: „Oto nasza propozycja wartości. Zarządzamy waszymi danymi, bezpiecznie trzymamy je w Azurze, mamy narzędzia deweloperskie w tamtym środowisku. Do tego cały pakiet produktywności, do którego przywykliście i którego nikt nie porzuci w całości, bo to zbyt ryzykowne. A na tym wszystkim: zaufane AI — AI, za którego zakup nikt jeszcze nie stracił pracy” (Informacja dodatkowa: żartobliwe nawiązanie do starego powiedzenia sprzedażowego „nikt nigdy nie został zwolniony za zakup IBM” — symbol bezpiecznego wyboru w korporacji.). Mamy Copilota, mamy Autopilota, mamy sposób, w jaki będziecie pracować w przyszłości. Ich oferta to układanie kolejnych cegieł wartości jedna na drugiej. A dzięki skali, dystrybucji i monetyzowanemu zaufaniu przekonują, że to właśnie im można powierzyć AI.
Laboratoria AI: zakład o inteligencję
Zauważ, że od kilku minut rozmawiamy o AI, a nazwy laboratoriów jeszcze nie padły. OpenAI się nie pojawiło, Anthropic też. A przecież niedawno nagrałem cały film o tym, jak OpenAI wchodzi do korporacji — sporo z tego było na DevDay, konferencji OpenAI. Anthropic to zdecydowanie duży gracz korporacyjny. Ci uczestnicy startują jednak z innej pozycji: nie mają twoich danych ani gotowej dystrybucji — i próbują ją nadrobić w kilka miesięcy. Ich zagranie jest więc proste: „Postawcie na nas w kategorii inteligencji. Postawcie na to, że będziemy najlepsi na świecie w stosowaniu tej inteligencji do waszych danych. Zainwestujcie w naszą przyszłą inteligencję”. To prawda niezależnie od laboratorium. Są niuanse: Anthropic wcześnie przyłożył się do strategii korporacyjnej, OpenAI jest w niej nowszy, bo ogromny sukces odniósł po stronie konsumenckiej. Ale w relacjach między firmami to właśnie takie propozycje leżą na stole. I przyszłe rozmowy w dużej mierze będą o tym, jak te oferty łączą się z graczami już obecnymi.
Dlatego sensowne jest partnerstwo Claude’a z Salesforce’em. Jeśli jako kupujący nie chcesz być zakładnikiem jednego dostawcy — a żaden lider biznesowy nie chce, to dokładnie rzecz, której boją się w erze AI — to jako sprzedawca musisz sprzedawać opcjonalność. Gdy Salesforce łączy się z Claude’em, kupujący dostaje pełną swobodę: chce Claude’a — ma Claude’a; chce Koę — ma Koę; chce innego modelu — jest panel do przełączania; potrzebuje inżynierów wsparcia pracujących bezpośrednio u siebie — dostanie ich od Anthropic (Informacja dodatkowa: „forward deployed engineers” to inżynierowie dostawcy oddelegowani do pracy na miejscu u klienta, przy jego konkretnych problemach — model spopularyzowany przez firmę Palantir, dziś stosowany m.in. przez Anthropic.). Dużo opcji — a to przekłada się na mocniejszą propozycję w latach 2026–2027.
DoorDash: wygrywa zamówienie, nie aplikacja
Porozmawiajmy teraz o startupie. Były giganty — Salesforce, Microsoft, Meta — i laboratoria. Teraz agresywny startup, który dopiero skaluje: duża firma, ale wciąż ze startupową krwią. DoorDash. Pomyślisz: „Nate, zwariowałeś, DoorDash nie ma nic wspólnego z SaaS — oni sprzedają lunch”. I właśnie: sprzedają lunch, ale sposób, w jaki go sprzedają, wskazuje przyszłość oprogramowania. Obiecuję, że to się poskłada. 30 września ogłosili zamawianie przez wiadomości: w USA wystarczy napisać, a jedzenie jedzie do ciebie. System zna twoje dane, zna ciebie osobiście, zna twój ulubiony lokal na lunch — po prostu wysyła. Do tego ogłosili ograniczoną wersję beta swojego MCP (Informacja dodatkowa: MCP, Model Context Protocol — otwarty protokół opracowany przez Anthropic, który pozwala agentom AI na ustandaryzowany dostęp do zewnętrznych danych i usług.). DoorDash oczywiście chce, żebyś używał ich własnego asystenta — ale też, żeby był pod ręką, gdy używasz cudzego. Brzmi znajomo? Widzisz już nitkę prowadzącą przez całą tę opowieść? Tak czy owak: DoorDash chce być tam, gdzie pada zamówienie. W ich wizji przyszłości wpisujesz w wierszu poleceń „/doordash” i błyskawicznie dostajesz ulubiony lunch — albo wysyłasz wiadomość i dostajesz ulubiony lunch. W obu wariantach DoorDash wygrywa, nawet jeśli nigdy więcej nie dotkniesz ich aplikacji. Utrata obecności w interfejsie nie oznacza utraty transakcji ani utraty wartości klienta. Agent może wręcz przynosić zamówienia, na organizowanie których człowiek nie miałby głowy.
Możesz teraz pomyśleć: „Dobra, Nate, czyli każda firma software’owa musi wystawić serwer MCP, a najlepiej jeszcze mieć własnego agenta na wzór Koa?”. Nie jest tak prosto. Po drugiej stronie musi stać coś, czego klient w erze agentów nadal potrzebuje. Dlatego od dawna mówię o znaczeniu danych i kontekstu. Jeśli dwóch dostawców oferuje równie dobre informacje i równie niezawodne wykonanie, to ich podpięcie ułatwia porównywanie — i wymienianie. Bycie osiągalnym dla agenta w latach 2026–2027 sprawi, że wejdziesz do rozmowy. To absolutne minimum. Nie ustanawia natomiast powodu, dla którego ktoś miałby ci dalej płacić. Ten powód musisz zdefiniować i dowozić — niezależnie od tego, czy klient dotyka twojego interfejsu. A jako kupujący musisz zrozumieć, że w takim właśnie świecie działasz — zwłaszcza że w takim świecie działają ludzie z twojego zespołu.
Koniec z „sekretnym trikiem”
Pamiętasz, jak na początku obiecywałem, że porozmawiamy o tym, jak trudno pojedynczym osobom mówić o tych sprawach? Część problemu: agenty mogą pracować z danymi na bardzo wiele sposobów, a ludzie zdążyli błyskawicznie wypracować wysoce osobliwe style pracy z AI. Jeśli więc kupujesz oprogramowanie, musisz poznać realne wzorce użycia AI w zespole, zanim cokolwiek zdecydujesz. A jeśli jesteś członkiem zespołu, który pracuje z AI i ma swój specjalny trik — kusi, żeby go zatrzymać: „To mój specjał, utrzymuje moją produktywność, dobrze wypadam na ocenie rocznej, nie będę o nim opowiadał”. Rozmawiałem z ludźmi, którzy mówią to wprost, niczego nie zmyślam. Nie rób tego. Przegrasz, gdy tylko zmienią dostawcę. Wszystko, co zbudowałeś jako pracownik, stanie się kruche, bo CFO uzna, że koszt tokenów twojego AI się nie broni — nie znając twojego przypadku użycia. Nie twierdzę, że CFO będzie audytował osobno AI każdego pracownika; dobrze wiemy, że tak się nie stanie. Ale opowiedzenie o wszystkim menedżerowi, uświadomienie go, pomoże mu lepiej przekazać potrzeby software’owe w górę łańcucha. Da się to zrobić tak, żeby było produktywnie.
Crust Data: dwie osoby budują na dużych danych
Wróćmy do rekrutacyjnej historii z początku i spójrzmy na konkretne oprogramowanie w tej kategorii — zejdziemy teraz bardzo nisko, na poziom startupowy. Crust Data opublikowało studium przypadku: dwuosobowa firma rekrutacyjna zbudowała własną umiejętność Claude’a (tzw. skill — pakiet instrukcji dla modelu) na API Crust Data, zamiast kupować kolejne gotowe narzędzie rekrutacyjne. API z kolei to interfejs, przez który oprogramowanie prosi o dane lub akcje. Założyciele dostarczyli własne kryteria selekcji kandydatów, a Crust Data — ustrukturyzowane informacje o osobach i ich ścieżkach zawodowych, dobrane do tych kryteriów. Wspólnie zrobili z tego użyteczny przepływ pracy. To bardzo pouczające dla przyszłości decyzji zakupowych i samego oprogramowania w 2027 roku. Ta firma zdecydowała się dalej kupować od dostawcy danych — ustrukturyzowane, czytelne dla agentów informacje — a warstwę wyszukiwania postanowiła zbudować na tym sam, we współpracy z dostawcą. Zamiast sięgać po rozwiązanie punktowe: kolejny SaaS, który dane trawi i podaje we własnym interfejsie.
Workday i płace: agent jako przewodnik po złożoności
Przeskoczmy do innej części zaplecza: płac. Zmuszenie AI do wyjaśnienia paska wypłaty to zupełnie inna propozycja niż zastąpienie systemu, który ludziom te pieniądze realnie wypłaca. Workday opisuje swojego agenta płacowego tak: korzysta ze skonfigurowanych danych i reguł płacowych firmy, wykrywa problemy, proponuje poprawki do akceptacji i podnosi jakość całego doświadczenia. Żeby to działało, pod spodem musi siedzieć tona wiedzy i gotowych procesów. Ktoś musi mieć rejestry, skonfigurowane zachowania, ścieżki zatwierdzeń i niezawodne wykonanie. Agent może taki system wręcz uczynić cenniejszym — bo pomaga ludziom lepiej go używać. Agenci pomagają nam ogarniać złożoność. To jeden z największych wzorców, które widzę na każdym poziomie biznesu: czy jesteś malutkim startupem, czy gigantem, agenci służą do przedzierania się przez korporacyjne zawiłości.
I to przywodzi nas z powrotem do pytania, co kupujesz, kupując oprogramowanie. Historia rekrutacyjna daje nam sposób rozmowy o różnicy między użytecznym dostawcą danych a procesem, który klient zbudowałby sam. Jeden z wzorców: dostawca danych może awansować w górę stosu i współtworzyć z klientami rozwiązania — bo AI diametralnie obniżyło koszt budowania rozwiązań. Płace to bestia z innej bajki: nie znam startupu, który chciałby ręcznie kodować reguły płacowe, bo ryzyko zgodności z prawem jest gigantyczne. W takiej sytuacji wystarczy dać ludziom poczucie, że fundament jest niewzruszony — że złożoność zatrudnienia kogoś w nowym stanie da się ogarnąć prosto, a wypłata po prostu się wykona. To jest potężna zagrywka.
Trzy warstwy, które musisz umieć nazwać
Widzisz wspólny wątek? Musisz rozumieć swoją pozycję względem warstwy danych, warstwy aplikacyjnej i warstwy agentowej. To trzy różne poziomy. Rozmawiałem o jednostkach w firmach, o liderach po stronie kupujących i o firmach budujących i sprzedających oprogramowanie — a każdy z nas należy do jednej z tych kategorii. I wszyscy musimy umieć opowiedzieć o swojej pracy w kategoriach tych trzech warstw.
Jako pracownik musisz umieć powiedzieć, jak używasz AI, jakich narzędzi i dlaczego; czemu warstwa danych ma dla ciebie znaczenie, czy warstwa aplikacyjna ma je dla ciebie — i jak warstwa agentowa przyspiesza twoją pracę. Jako kupujący musisz zrozumieć wzorzec unikalny jak odcisk palca, rozłożony na całą firmę. Każdy biznes jest inny: sytuacja danych jest niepowtarzalna, aplikacje to zwykle bardzo skomplikowana mozaika, a warstwa na samym wierzchu — sposób, w jaki ludzie używają AI — bywa jeszcze bardziej złożona, bo to małe zespoły albo pojedyncze osoby pracują po swojemu. Jeśli upraszczasz i koordynujesz duży fragment tego obrazu, musisz mieć pewność, że nie wytniesz przy okazji produktywności, o której istnieniu nie wiedziałeś. Musisz też rozumieć stronę sprzedającą. Jeśli kupujesz, musisz głęboko rozumieć, co oferują twoi dostawcy. A rozmowa z nimi tak często urywa się na: „Czy macie AI? Jakie? Czy możemy nie oddawać danych?”. To dopiero początek. Naprawdę trzeba pytać: czy macie ogarniętą warstwę danych? Czy wasza warstwa aplikacyjna ma sens dzisiaj? Czy warstwa agentowa daje nam elastyczność?
I jeśli chcesz mówić o kluczach do królestwa, o tym, jak sensownie sprzedawać i budować oprogramowanie — dlaczego jestem optymistą co do jego przyszłości? Bo w końcu dostajemy szansę wymyślić oprogramowanie na nowo. Nie będzie nam nudno jako budowniczym — to czysta przyjemność. Będzie świetnie jako ludzie produktu, inżynierii i sprzedaży, próbując to pozycjonować, bo możemy powiedzieć: „Tu dokładnie dodajemy wartości — tak, jak nigdy wcześniej nie umieliśmy”. Historia Crust Data jest wspaniałym przykładem. Można wejść wyżej w stos i powiedzieć: „Tu dodamy wartości, pomożemy wam zbudować proces, bo rozumiemy, jak agentom podawać ustrukturyzowane dane”. Kiedyś nie pomyślałbyś, że dostawca SaaS będzie w tym naprawdę dobry. Ale Crust Data to startup AI — więc jest. Zachęcam nas wszystkich, żebyśmy rozbierali na części i przemyśliwali to, co budujemy, kupujemy i używamy — żeby zrozumieć, co jest rdzeniem.
Aplikacje nie umierają — rozkładają się na interfejs i procesy
Możesz pomyśleć: „Nate, czyli warstwa aplikacyjna umarła”. Nie da się tego tak po prostu powiedzieć. Dlaczego? Bo aplikacje trzeba rozłożyć na interfejsy i procesy. Proces na wierzchu danych może być bardzo wartościowy — dlatego opowiedziałem ci o Workday. ADP to inna firma płacowa i podobnie. Taki proces jest wypełniony zgodnością z regulacjami po brzegi i nigdzie się nie wybiera. To jest aplikacja. To nie są dane — to ustrukturyzowane procesy na danych. Interfejs może zostać, może się radykalnie zmienić. Nie sądzę, żebyśmy wszyscy siedzieli po uszy w wierszu poleceń — widziałem wystarczająco wielu pracowników wiedzy, którzy umierają ze strachu na widok terminala. To się nie wydarzy. Ale absolutnie: w kolejnych miesiącach AI będzie coraz mocniej wplatana w tradycyjne interfejsy, a firmy dostarczające ustrukturyzowane procesy zaproponują to z dużą pewnością siebie.
W rozmowie aplikacyjnej pytanie, które musisz sobie zadać jako sprzedawca, brzmi: jak dostarczyć w moich procesach wartość tak wybitną, że kupujący nie będzie chciał jej ruszać? A w rozmowie kupującego o procesy: jaki jest koszt skierowania moich inżynierów z rozwoju produktu na wewnętrzne zaplecze? Czy warto — czy lepiej skierować ich na przewagę konkurencyjną? To często jest prawdziwa treść rozmów o inwestycjach w AI: gdzie ulokować kolejne euro, kolejne dolary; przy której aplikacji warto wejść, bo da wybitną wartość?
I kiedy mówimy o firmach z naszych ekranów — logujesz się do pracy, widzisz ikonę Microsoftu, Teams, może Slacka, może to firma na Gmailu — i pytasz: „Dlaczego moja firma to wybrała?”. Właśnie taka rozmowa się rozpoczyna i ona cię dotknie. Bo jeśli masz swój sposób używania Claude Code, Codeca czy Copilota — to wszystko jest częścią tego, jak twoja firma robi biznes. I jeśli ludzie nie rozumieją, jak działa twój proces, to będzie miało znaczenie.
Co robić: pracownik, lider, sprzedawca
Chcę cię więc zachęcić: jeśli jesteś pojedynczą osobą w takiej firmie i słyszysz to wszystko ze zdziwieniem — „Nate, ładne teorie, ale co mam robić konkretnie?” — mów o tym, jak używasz AI. I to płynnie. Naucz się opowiadać o danych, których używasz, i o procesach, którymi pracujesz; kiedy klasyczna aplikacja, z klikaniem i całą resztą, jest dla ciebie mniej przydatna, a kiedy nie. Bo im więcej dzielisz się tym, co działa, tym po pierwsze podnosisz cały zespół — a to wielki problem produktywności zespołów w erze AI — a po drugie pozwalasz firmie z czasem lepiej cię wspierać. W komentarzach zawsze znajdą się ludzie, którzy napiszą: „Mam toksycznego menedżera, wszyscy nienawidzą AI”. Wiem, że takie miejsca istnieją — ale ogółem to lepsze podejście.
Jeśli jesteś w kierownictwie firmy kupującej oprogramowanie — a prawie każda kupuje — musisz to zrozumieć. Musisz poznać ten unikalny wzorzec użycia, wejść w zespoły. Powtarzam liderom: nie siadaj na szczycie, na poziomie zarządu, i nie mów: „AI w firmie rozumiemy, po prostu dosypaliśmy je do wszystkiego”. To nie zadziała. Wejdź do zespołów i zobacz, co naprawdę robią. Wtedy będziesz w stanie płynnie rozmawiać o warstwie danych, o procesach, których potrzebujesz, o warstwie aplikacyjnej i agentowej. Wtedy powiesz: „Tego właśnie potrzebujemy” — zwłaszcza jeśli wcześniej przemyślisz wyniki, do których zmierzasz.
A jeśli jesteś po stronie budującej i sprzedającej oprogramowanie — od giganta takiego jak Salesforce czy Microsoft aż po malutki startup jak Crust Data — chcesz móc powiedzieć: „To jest nasza odpowiedź — nie na dziś, ale na 2027 rok”. Bo w praktyce sprzedajesz przyszłość. Kto kupuje cię dziś, kupuje wiarę, że będziesz na bieżąco z AI i że to, co dajesz, pozostanie aktualne, gdy jutro pojawi się nowy model. Musisz więc umieć powiedzieć, że twoje procesy są tak zbudowane, że AI łatwo się w nie wpina; że warstwa danych jest dostępna z różnych interfejsów i czytelna dla agentów; że jeśli dostarczasz agenta, działa on w systemie wielopodmiotowym: twój agent świetnie ogarnia konkretny proces albo konkretny rodzaj danych, a inne agenty mogą wejść i też pomagać. To jest propozycja wygrywająca. Widzę, jak pojawia się organicznie w różnych punktach spektrum. I jedno z najciekawszych pytań lat 2026–2027 brzmi: które firmy najjaśniej powiedzą, że po spięciu wszystkich tych warstw razem różnicująca wartość realnie przyspieszy biznes — bo biznesy coraz częściej kupują wyniki.
I to powinno obchodzić ciebie, pojedynczego pracownika. Nie chodzi o to, żebyś „adoptował AI” — to założenie przyjmowane z góry. Chodzi o to, żebyśmy wszyscy potrafili przyspieszyć całą firmę. I to bywa przerażające, bo siedzisz w biurze i myślisz: „Czy mój zespół realnie przyspiesza firmę? Czy dowozi wyniki?”. Ale wolisz usłyszeć to ode mnie niż w trudnej rozmowie oceny rocznej. Bo to właśnie jest rozmowa, która się toczy. To właśnie liderzy tych firm sobie zadają: jak AI realnie przyspiesza nasze wyniki, naszą sprzedaż, przychody, rentowność? I na tym polu muszą stanąć skuteczni sprzedawcy — z uczciwymi odpowiedziami.
Podsumowanie: każdy z nas jest decydentem
Czego się dowiedzieliśmy? Przede wszystkim tego, jak skomplikowany staje się stos oprogramowania w latach 2026–2027. Komplikuje się kupowanie, komplikuje się sprzedawanie i komplikuje się twoja i moja praca. Zacząłem ten film od osoby robiącej swoją pracę w rekrutacji — to prawdziwa osoba, z którą rozmawiałem, tylko nieco zanonimizowana. W jej świecie pytanie brzmiało: „Jak wytłumaczyć, że AI, z którym pracowałam — płatny dostawca AI — jest tak niezbędny do mojej pracy, że jeśli mam wrócić do starego sposobu, stracimy tygodnie i tygodnie postępu na kandydatach? Będę musiała wymyślić cały proces od nowa i po prostu nie będzie tak samo”. Musiała odbyć z menedżerem trudną rozmowę, bo nie zdawał sobie sprawy, ile jest zamknięte w relacji między jej AI, danymi i aplikacją. A było to połączenie trybu, w którym agent sam operuje aplikacjami (tzw. computer use), i bezpośrednich zapytań do danych — jej własna, niepowtarzalna kombinacja, do której zbudowała jeszcze własne skille. Jest mnóstwo ludzi w tej sytuacji. I moje wyzwanie do ciebie: odbyj tę rozmowę z wyprzedzeniem — i szybko. Podziel się tym, jak pracujesz.
I to jest stan oprogramowania. Tak agenci komplikują każdą część stosu kupna i sprzedaży. Ale moim celem było przeprowadzić cię przez to jasnym szkicem. To się liczy: musisz rozumieć, jak działa twoja warstwa danych. Kto dostarcza dane? Kto dostarcza ustrukturyzowane procesy na danych? Kto dostarcza ewentualnie warstwę aplikacyjną na samym wierzchu — i jak bardzo jest elastyczna? Kto dostarcza warstwę agentową? Jak myślisz o tym, jak to się składa i prowadzi do wyników? I mam dla ciebie wiadomość: to kiedyś było czymś, o czym musieli myśleć nieliczni w nielicznych firmach. Teraz musimy myśleć o tym wszyscy — bo agenci zmuszają nas do patrzenia na cały stos naraz, warstwa po warstwie, a każdy z nas stał się decydentą. Wróciłem do tej rekrutacyjnej historii właśnie dlatego, że ta osoba, jako jednostka, była decydentką w kwestii użycia AI w swojej firmie. Dziś tak jest wszędzie — i musimy na to patrzeć uważniej.
Napiszcie mi w komentarzach, jakie decyzje podejmujecie z AI. Jakie są wasze ulubione małe, maleńkie aplikacje AI — takie jak Crust Data? Opowiedzcie historie o odchodzeniu od interfejsów. I opowiedzcie o zakupowych katastrofach — sytuacjach, gdy ktoś kupił obietnicę AI i się to nie sprawdziło. Chętnie przeczytam. Do zobaczenia następnym razem.