Wdrożenie AI w firmie: agenci, którzy podejmują decyzje.

Czym AI agent różni się od zwykłej automatyzacji i chatbota?

Zwykła automatyzacja wykonuje zakodowane kroki, chatbot odpowiada na pytania, a AI agent samodzielnie podejmuje decyzję w ramach procesu: czyta fakturę w dowolnym formacie, rozpoznaje intencję maila, ocenia lead i wywołuje właściwą akcję w systemie. W praktyce łączymy n8n jako szkielet z modelem językowym jako mózgiem.

Ta różnica ma konsekwencje biznesowe, bo w realnej firmie dokumenty i maile rzadko wyglądają tak samo dwa razy z rzędu. Workflow w Zapierze padnie, gdy dostawca zmieni układ faktury. Agent przeczyta nowy układ, bo rozumie treść, a nie pozycję pól na kartce. Chatbot porozmawia z klientem, ale nie zaksięguje dokumentu w Comarchu i nie przypisze handlowca w HubSpocie.

Agent to więc pracownik cyfrowy z jasno opisanym zakresem obowiązków:

• ma wejście (skrzynka, formularz, folder, webhook),
• ma narzędzia (API Twojego ERP, CRM, arkusza, Slacka),
• ma granice (co robi sam, a co przekazuje człowiekowi),
• ma rozliczalność (log każdej decyzji z uzasadnieniem).

Jeśli Twój proces da się w całości opisać regułami, nie potrzebujesz agenta — wystarczy klasyczna automatyzacja procesów, która jest tańsza. Powiemy to wprost na konsultacji.

Jakie zadania w firmie może przejąć AI agent?

AI agent najlepiej sprawdza się tam, gdzie dane są nieuporządkowane, a decyzja wymaga oceny: odczyt i księgowanie faktur, kwalifikacja leadów, obsługa skrzynek mailowych, przygotowanie ofert, support pierwszej linii i research konkurencji. Warunek jest jeden: kryteria decyzji muszą dać się opisać i sprawdzić na historycznych danych.

Najczęstsze wdrożenia, które realizujemy:

• Agent OCR dokumentów — faktury kosztowe, zamówienia, dokumenty przewozowe: odczyt, klasyfikacja, walidacja i zapis w ERP.
• Agent sprzedażowy — wzbogacenie leada danymi, scoring, routing do handlowca, spersonalizowany follow-up.
• Agent skrzynki — rozpoznaje intencję maila, przygotowuje szkic odpowiedzi, kieruje sprawę do właściwego działu.
• Agent ofertowy — z zapytania klienta i cennika składa wstępną ofertę do akceptacji handlowca.
• Agent researchowy — zbiera i streszcza informacje o rynku, przetargach lub konkurencji.

Pełną listę z kosztami opisujemy w artykule 10 procesów, które zautomatyzujesz AI agentem. Jeśli potrzebujesz agenta rozmawiającego z klientami na stronie lub przez telefon, zobacz chatboty i voiceboty AI.

Jak zbudowany jest agent AI, który można bezpiecznie puścić na produkcję?

Bezpieczny agent to nie sam prompt, tylko architektura: kontrolowane wejście, model językowy z dostępem wyłącznie do potrzebnych narzędzi, walidacja wyniku regułami firmowymi, kolejka akceptacji dla wyjątków i audit log. Dzięki temu agent działa szybko na typowych przypadkach, a nietypowe trafiają do człowieka z gotowym kontekstem.

Tak wyglądał agent, którego zbudowaliśmy dla łódzkiej firmy produkcyjnej obsługującej ok. 300 faktur kosztowych miesięcznie:

1. Mailbox watcher w n8n monitoruje adres na faktury i wyciąga załączniki PDF/JPG.
2. OCR i klasyfikacja w GPT-5 Vision: NIP, numer, data, kwoty netto/VAT/brutto, pozycje i proponowane MPK.
3. Walidacja z białą listą VAT, bazą kontrahentów w Comarch i regułami firmy.
4. Zapis do Comarch przez API z mapowaniem MPK i stawek VAT.
5. Kolejka akceptacji w Slacku dla nowego kontrahenta, kwoty powyżej 10 tys. lub braku NIP na białej liście.
6. Audit log w Supabase z timestampem każdej decyzji.

Custom GPT, RAG czy fine-tuning — co wybrać?

RAG wybieramy, gdy model ma odpowiadać na podstawie Twoich dokumentów, które często się zmieniają. Fine-tuning, gdy liczy się stały styl, format lub specjalistyczne słownictwo. Custom GPT to szybki start dla zespołu wewnętrznego. Wszystkie trzy warianty zaczynają się od 5 900 zł, wersje enterprise od 30 000 zł.

Często najlepszy wynik daje połączenie: RAG dostarcza aktualnej wiedzy, a lekki fine-tuning pilnuje formatu odpowiedzi. Decyzję podejmujemy po testach na Twoich dokumentach, nie na podstawie mody.

Każdy wariant możemy wystawić jako własny endpoint API, z którego korzystają Twoje systemy. Dzięki temu model nie jest zabawką w przeglądarce, tylko elementem procesu — z kontrolą dostępu i spójnym stylem odpowiedzi.

Jak kontrolować AI agenta i chronić dane firmy?

Kontrolę zapewniają trzy mechanizmy: ograniczenie uprawnień agenta tylko do potrzebnych systemów, progi, powyżej których decyzję zatwierdza człowiek, oraz audit log każdej akcji. Gdy dane nie mogą trafić do zewnętrznego dostawcy modelu, rozważamy LLM uruchomiony na Twojej infrastrukturze. Launch przechodzi checklistę obejmującą RODO.

W praktyce ustalamy na piśmie:

• Zakres uprawnień — agent może np. tworzyć dokumenty w ERP, ale nie może ich usuwać.
• Progi eskalacji — kwota, nowy kontrahent, niska pewność odczytu: wtedy decyzję podejmuje człowiek.
• Ślad decyzji — kto, co, kiedy i na jakiej podstawie. Przydaje się przy audycie i przy poprawianiu agenta.
• Własność — kod, repozytorium i dostępy należą do Ciebie, bez vendor lock-inu.

Osobno ustalamy, gdzie dane są przetwarzane. Dla dokumentów finansowych i kadrowych analizujemy, które pola w ogóle muszą trafić do modelu, a które można zamaskować lub zostawić w Twoim systemie. Im mniej agent widzi, tym mniejsze ryzyko — i zwykle niższy koszt zapytań.

Agent nie jest „czarną skrzynką”. Jeśli raz się pomyli, w logu widać dlaczego, a poprawka reguły lub promptu trafia na produkcję w kontrolowany sposób.

Jak przygotować firmę do wdrożenia AI agenta?

Najważniejsze są trzy rzeczy: jeden konkretny proces z mierzalnym kosztem, próbka prawdziwych danych z ostatnich miesięcy i osoba, która zna wyjątki. Nie potrzebujesz strategii AI na pięćdziesiąt stron. Potrzebujesz problemu, który boli co tydzień, i kogoś, kto potrafi powiedzieć, kiedy agent zrobił dobrze, a kiedy źle.

Przed discovery callem warto zebrać:

• Przykłady wejścia — kilkadziesiąt faktur, maili lub zgłoszeń, także tych „dziwnych”.
• Opis decyzji — według jakich kryteriów człowiek dziś klasyfikuje, akceptuje albo odrzuca.
• Mapę systemów — gdzie dane trafiają na końcu: ERP, CRM, arkusz, Slack.
• Miarę sukcesu — czas obsługi, odsetek błędów, liczba spraw na osobę.

Na tej podstawie budujemy zestaw testowy. Agent musi go przejść, zanim dostanie dostęp do produkcji — dzięki temu po starcie nie ma niespodzianek, a jakość da się porównać z pracą ręczną liczbami, nie wrażeniami. Jeśli dane okażą się zbyt chaotyczne, mówimy to przed podpisaniem oferty i proponujemy najpierw uporządkowanie procesu.

Jak wygląda wdrożenie AI w firmie z FETCHER?

Wdrożenie prowadzimy według frameworka FETCH. Pierwsza rozmowa jest bezpłatna, w 48 godzin dostajesz architekturę i cenę fixed-price, potem budujemy w 2-tygodniowych sprintach na Twoich prawdziwych danych. Typowy projekt trwa od 2 do 8 tygodni, a po uruchomieniu masz 30 dni gwarancji.

1. Focus — 30 min na Meet: proces, dane, KPI, budżet. Pisemne podsumowanie.
2. Explore — w 48 h brief techniczny, wybór modelu i fixed-price.
3. Transpose — sprinty z demo; agenta testujemy na historycznych dokumentach, zanim dotknie produkcji.
4. Commit — start z checklistą, monitoring i gwarancja.
5. Handoff — dokumentacja, dostępy i instrukcja dla osób obsługujących kolejkę wyjątków.

Za projektami stoi Ziemowit Galant, który wdrożył ponad 20 AI agentów dla polskich firm MŚP. Jak sprawdzić każdego wykonawcę, nie tylko nas, opisujemy w poradniku jak wybrać agencję AI.

Kiedy firma potrzebuje pakietu Scale·AI?

Scale·AI to pakiet dla firm, które chcą zbudować kilka współpracujących agentów albo system AI głęboko zintegrowany z ERP, CRM i księgowością. Obejmuje custom agentów z RAG, architekturę cloud native, SLA 24/7 z monitoringiem, roadmapę na 6 miesięcy oraz dedykowanego PM i zespół developerski. Cena startuje od 30 000 zł.

To dobry wybór, gdy:

• pierwszy agent działa i widzisz kolejne procesy do przejęcia,
• AI ma pracować na danych z wielu systemów jednocześnie,
• przestój agenta realnie zatrzymuje sprzedaż lub księgowość, więc potrzebujesz SLA.

W pakiecie dostajesz też jedną osobę odpowiedzialną za całość po naszej stronie — nie przerzucasz się mailami między freelancerami, tylko masz PM-a, harmonogram i demo co sprint.

Jeśli dopiero zaczynasz, rekomendujemy jednego agenta na jeden bolesny proces. Szybciej zobaczysz efekt i łatwiej policzysz zwrot, zanim zainwestujesz więcej.

Ile kosztuje wdrożenie AI agenta w firmie?

Custom AI agent, np. do odczytu i księgowania dokumentów, kosztuje od 12 000 zł. Custom GPT lub fine-tuning modelu na Twoich danych zaczyna się od 5 900 zł, a rozbudowany system w pakiecie Scale·AI od 30 000 zł. Cenę fixed-price podajemy w 48 godzin po konsultacji.

Najczęstsze pytania