Agentowa AI to oprogramowanie, które samodzielnie dąży do celu, zamiast jedynie reagować na kolejne pojedyncze polecenia. W obsłudze klienta oznacza to, że agent AI odczytuje, czego chce klient, ustala kroki prowadzące do rozwiązania, korzysta z systemów, które przechowują odpowiedź lub pozwalają wykonać działanie, i sprawdza, czy faktycznie się udało, bez człowieka kierującego każdym krokiem. Przy porównywaniu dostawców kluczowe pytanie nie brzmi „czy to wykorzystuje AI”, lecz czy oprogramowanie jedynie przerzuca pracę, czy rzeczywiście ją kończy.
Niemal każdy zespół obsługi klienta coś w tym obszarze teraz robi, ale znacznie mniej osób potrafi precyzyjnie wyjaśnić, co ta kategoria oznacza.
Gartner przewiduje, że do końca 2027 roku ponad 40% projektów agentowej AI zostanie anulowanych z powodu rosnących kosztów, niejasnych korzyści i słabej kontroli ryzyka (komunikat prasowy Gartnera, 25 czerwca 2025). Z tego samego badania wynika, że spośród tysięcy dostawców określających się jako „agentowi” definicję spełnia w rzeczywistości tylko około 130. Gartner nazywa to zjawisko agent washing. Po stronie kupujących McKinsey ustalił, że około 80% firm wdrożyło generatywną AI, ale mniej więcej taki sam odsetek nie widzi realnego wpływu na wyniki finansowe (McKinsey, Seizing the agentic AI advantage, 13 czerwca 202 5).
Agentowa AI wyraźnie więc gdzieś działa – według prognozy jednego z analityków do 2029 roku będzie autonomicznie rozwiązywać 80% typowych problemów w obsłudze klienta (Gartner, 5 marca 2025). Potrzebny jest sposób, by odróżnić systemy, które rzeczywiście osiągną ten poziom, od tych, które przez 18 miesięcy będą po prostu elegantszej niż dotąd przekierowywać zgłoszenia.
Z czego składa się system agentowy
Z 6 elementów. Większość dostawców jest mocna w 2 z nich, a o pozostałych mówi ogólnikowo.
- Percepcja. Odczytanie prośby i wydobycie z niej tego, o co faktycznie chodzi – w tekście, głosie i obrazach.
- Rozumowanie i planowanie. Rozbicie celu na kroki i ustalenie ich kolejności. To właśnie odróżnia agenta od skryptu.
- Pamięć. Pamięć krótkotrwała, dzięki której system wie, na jakim etapie zadania się znajduje, oraz długotrwała, dzięki której wie, z kim rozmawia i co wydarzyło się poprzednio.
- Warstwa narzędzi i działań. Rzeczywiste połączenia z Państwa systemami: wyszukanie zamówienia, wystawienie uznania, zmiana subskrypcji. Bez tego system może jedynie opisać zwrot, a nie go zrealizować.
- Orkiestracja. Koordynowanie wielu agentów lub kroków i przekazywanie między nimi kontekstu. Standardy zaczynają się tu krystalizować (Model Context Protocol do dostępu do narzędzi, protokoły agent-to-agent do koordynacji).
- Zabezpieczenia i eskalacja. Wiedza o tym, czego nie robić, oraz kiedy się zatrzymać i przekazać sprawę człowiekowi wraz z pełnym kontekstem.
Te elementy działają w pętli, a nie liniowo: percepcja, planowanie, działanie, weryfikacja, korekta. Przepływ oparty na skrypcie wykonuje się raz i albo działa, albo się psuje.
Co bywa mylone z agentową AI
W ofertach dostawców etykietę „agentowa” otrzymują 4 inne kategorie. Wszystkie wykonują realną pracę, ale żadna z nich niczego faktycznie nie rozwiązuje.
Różne rodzaje AI przydatne w różnych scenariuszach obsługi klienta.
Uwaga terminologiczna: branża zwykle nazywa pierwszy wiersz „chatbotami”. W tym artykule nazywamy je botami regułowymi, ponieważ rzeczywista różnica dotyczy architektury, a nie nazewnictwa.
Orkiestracja to nie rozwiązanie
To tutaj kryje się większość nieporozumień, więc powiedzmy to wprost.
Najczęstsze zastosowania agentowe w środowiskach produkcyjnych – routing, triaż, obsługa eskalacji, orkiestracja przepływów pracy, personalizacja – to realna praca. Żadne z nich niczego jednak nie rozwiązuje. System, który odczytuje zgłoszenie, poprawnie je klasyfikuje, pobiera właściwy kontekst konta i kieruje je do odpowiedniej kolejki, robi coś naprawdę użytecznego, ale nie rozwiązał problemu klienta. Orkiestracja przyspiesza istniejący proces. Rozwiązanie faktycznie zdejmuje pracę z Państwa zespołu.
W tym miejscu również terminologia pomiarowa staje się nieprecyzyjna. 3 pojęcia są używane zamiennie, choć nie powinny:
- Wskaźnik deflekcji. Odsetek kontaktów obsłużonych bez udziału człowieka. Łatwo go zawyżyć, ponieważ klienci, którzy po prostu się poddali lub utknęli w pętli, wyglądają w logach tak samo jak sukces.
- Wskaźnik zatrzymania (containment). Odsetek rozmów, które pozostały w kanale zautomatyzowanym. Nie mówi nic o tym, czy problem został rozwiązany.
- Wskaźnik rozwiązań. Informacja, czy sprawa została faktycznie załatwiona, potwierdzona brakiem ponownego kontaktu w ciągu 24–48 godzin lub bezpośrednim zapytaniem klienta.
Tylko ten trzeci wskaźnik odzwierciedla rzeczywisty rezultat dla klienta. Jeśli dostawca podaje liczbę, nie mówiąc, który z tych 3 wskaźników ma na myśli, to pierwsza rzecz, o którą warto zapytać.
Jak wygląda rozwiązywanie spraw, gdy to działa
Konkretna sytuacja ma większe znaczenie niż główna liczba, ponieważ każdy lider obsługi klienta odpowiada: „nasze środowisko jest bardziej skomplikowane niż w tym case study”. Oto więc, z jakimi ograniczeniami faktycznie mierzył się każdy z tych zespołów:
K1x obsługuje procesy związane z dokumentami podatkowymi i prawnymi przy niewielkim zespole wsparcia i bez jakiejkolwiek chęci na długi projekt IT. System został nałożony na istniejące rozwiązania zamiast je zastępować, co umożliwiło szybkie wdrożenie – firma osiągnęła 80% autonomicznych rozwiązań już w pierwszym tygodniu działania.
Clio sprzedaje oprogramowanie dla kancelarii prawnych klientom na całym świecie i nie uwierzyła nikomu na słowo. Firma oceniła 32 dostawców i przeprowadziła bezpośredni test porównawczy ponad 10 z nich, zanim dokonała wyboru. Rezultat: 80% autonomicznych rozwiązań i 4 razy szybsza obsługa na żywo.
Rho, firma fintechowa, odnotowywała rosnącą liczbę kontaktów bez perspektywy zwiększenia zatrudnienia. Celem było nadążenie za wolumenem bez pogorszenia doświadczenia klienta – firma utrzymała CSAT na poziomie 95%, obsługując o 12% więcej kontaktów miesięcznie przy tej samej wielkości zespołu.
Firma z branży gier z listy Fortune 500 działa w regulowanym sektorze, a wolumen kontaktów gwałtownie rośnie przy okazji wydarzeń. Standardowy wolumen to ponad 330 000 interakcji miesięcznie przy 80% rozwiązań, a w jednym szczytowym dniu wydarzenia system rozwiązał 13 000 interakcji.
Jaki poziom autonomii faktycznie Państwo kupują
Ramy poziomów autonomii zaczynają się ustalać. Cloud Security Alliance opublikowała w styczniu 2026 roku model 6-poziomowy, a większość innych wersji zgadza się co do ogólnego kształtu, nawet jeśli stosuje inne nazwy.
W praktyce większość wdrożeń korporacyjnych działa na poziomie autonomii warunkowej – system obsługuje całe zadanie w określonych granicach i eskaluje wszystko, co wykracza poza nie. Jeśli dostawca deklaruje więcej, opisuje roadmapę, a nie produkt.
Konkretnie pokazuje to przykład zwrotu: przy autonomii warunkowej system odczytuje prośbę, sprawdza ją pod kątem polityki firmy, weryfikuje uprawnienia na podstawie zamówienia, wystawia uznanie, jeśli kwota mieści się w progu, a jeśli nie – przekazuje sprawę człowiekowi wraz z pełnym kontekstem. To Państwo ustalają ten próg i to właśnie to ustawienie, a nie bazowy model, w praktyce decyduje o tym, ile system robi.
5 pytań, które odróżniają te 2 kategorie
- Co system faktycznie robi, a nie tylko mówi? Poproś o konkretną listę działań, które może wykonywać w Państwa systemach. Jeśli odpowiedź dotyczy wyłącznie odpowiadania na pytania, to jest to orkiestracja, a nie rozwiązywanie.
- Jak definiuje się i weryfikuje rozwiązanie – jako deflekcję, zatrzymanie czy potwierdzone rozwiązanie – i w jakim przedziale czasu?
- Co się dzieje, gdy pewność jest niska? System bez realnej ścieżki eskalacji po prostu zgaduje.
- Czego wdrożenie faktycznie wymaga od Państwa zespołu? Tygodnie pracy architekta rozwiązań po stronie dostawcy to zupełnie co innego niż tygodnie pracy Państwa własnych inżynierów.
- Którzy klienci z Państwa branży, przy porównywalnym wolumenie, rzeczywiście zgodzą się z Państwem porozmawiać? Jedna rozmowa referencyjna w porównywalnym środowisku powie więcej niż jakikolwiek wskaźnik z benchmarku.
Najczęściej zadawane pytania
Czym jest agentowa AI w obsłudze klienta?
To oprogramowanie, które samodzielnie realizuje cel obsługowy – odczytuje prośbę, planuje kroki, działa w systemach przechowujących dane i potwierdza wynik, bez osoby kierującej każdym ruchem. Kluczowa cecha: kończy zadanie, zamiast je jedynie przekierowywać.
Czym agentowa AI różni się od chatbota?
Bot regułowy dopasowuje dane wejściowe do przygotowanych odpowiedzi i odsyła wszystko, czego nie zna, do człowieka. System agentowy analizuje nieznaną prośbę, ustala, jakie kroki ją rozwiążą, i wykonuje je w działających systemach. Jeden odbija sprawy, drugi je rozwiązuje.
Czy agentowa AI to to samo co generatywna AI?
Nie. Generatywna AI jedynie tworzy tekst w odpowiedzi na prompt. Agentowa AI wykorzystuje model generatywny jako jeden z elementów większego systemu, który również planuje, zapamiętuje i działa. Kupowanie generatywnej AI w oczekiwaniu na efekty agentowe to częsty błąd.
Czy agent AI może zrealizować zwrot lub zmienić zamówienie?
Tak, jeśli jest połączony z systemami, które wykonują te działania, i ma do tego uprawnienia w ustalonych granicach. Większość firm ustala próg i przekazuje wszystko powyżej niego człowiekowi.
Jaki wskaźnik rozwiązań AI w obsłudze klienta jest dobry?
To zależy od kanału, złożoności spraw i sposobu pomiaru. Rzeczywiste wyniki produkcyjne wahają się od około 50% do 93%. Przed porównaniem z wynikami innych warto zapytać każdego dostawcę, jak dokładnie definiuje i weryfikuje swój wskaźnik.
Czy agentowa AI zastąpi konsultantów?
Obecne systemy działają na poziomie autonomii warunkowej – obsługują zdefiniowaną pracę i eskalują resztę. Jak dotąd schemat jest taki, że rośnie przepustowość: ten sam zespół obsługuje większy wolumen i więcej czasu poświęca na sprawy, które naprawdę wymagają ludzkiej oceny.
Czy agentowa AI jest zgodna z PCI DSS i HIPAA?
Zgodność zależy od platformy, a nie od kategorii. Warto zapytać o konkretne certyfikaty, o to, czy obejmują kanał głosowy, oraz jak dane osobowe są przetwarzane w czasie rzeczywistym.
Dlaczego projekty agentowej AI kończą się niepowodzeniem?
Gartner wskazuje na rosnące koszty, niejasne korzyści i słabą kontrolę ryzyka. U podstaw tego wszystkiego zwykle leży jednak kupienie rozwiązania, które orkiestruje, w oczekiwaniu, że będzie rozwiązywać.
Przekonaj się na własnych rozmowach.
Poproś o bezpłatne, spersonalizowane demo.
