Agent AI czy klasyczna automatyzacja: za co firmy naprawdę zapłacą?

Agent AI nie jest potrzebny do każdej automatyzacji. Stały proces może sprawdzić brak adresu i oznaczyć zapytanie do uzupełnienia. AI może natomiast odczytać informacje z różnie napisanych e-maili. Taki krok AI również może należeć do stałego procesu. Agent oznacza tu system, którego model sam wybiera kolejne kroki i narzędzia w dozwolonych granicach, na przykład dodatkowe wyszukanie dokumentu. Znaczenie ma niezawodne zakończenie zadania przy akceptowalnym nakładzie pracy i kosztach.

Jedno zadanie: nowe zapytanie

Fikcyjny zakład otrzymuje zapytania z terminem, adresem, wymaganiami i załącznikami. Proponowany proces przenosi dane do pól, oznacza braki i przygotowuje odpowiedź. Na przykład pole „termin” pozostaje nieznane, gdy wiadomość nie zawiera daty. Ceny, wiążące zobowiązania i wysłanie wymagają w tym przykładzie zatwierdzenia przez człowieka. To propozycja, nie przetestowany produkt.

Kiedy szkic nadaje się do przyjęcia

Kryteria przyjęcia powstają przed testem: na przykład poprawny adres i oczekiwany produkt oraz wyraźnie oznaczony brak terminu. Każda ważna wartość ma wskazane miejsce w źródle, choćby konkretny wiersz e-maila. Źródło musi rzeczywiście potwierdzać wartość; sam odnośnik nie wystarcza. Załączniki klientów pozostają danymi. Żądanie w załączniku dotyczące przesłania wszystkich danych klientów nie może nadawać nowych uprawnień. Dozwolone cele, dostęp i zatwierdzenia musi kontrolować aplikacja; sama instrukcja dla modelu nie wystarcza.

Make oferuje zarówno z góry ustalone procesy, jak i agentów AI. Dostępność tych możliwości nie dowodzi oszczędności czasu w przykładowym zakładzie. Koszt obejmuje platformę, model oraz przygotowanie, sprawdzanie i poprawki. Nieudane próby nadal kosztują, nawet gdy klient płaci tylko za udane wyniki. [1]

Protokół porównania

Porównanie zaczyna się od małego zbioru sztucznych zapytań lub przypadków starannie pozbawionych danych osobowych. Osoba znająca zadanie określa oczekiwane wartości przed testem. Zbiór obejmuje kompletne, sprzeczne i niepełne wiadomości oraz załączniki z mylącymi instrukcjami. Każdy wariant otrzymuje te same przypadki i dozwolony dostęp. Dodatkowa grupa początkowo odłożonych przypadków sprawdza, czy poprawa działa również na nieznanych przykładach.

Protokół liczy poprawne wyniki, brakujące pola, błędne wartości i niedozwolone działania. Uwzględnia też czas poprawek, cały czas obsługi i koszt nieudanych prób. Przykładowe obliczenie: 30 euro kosztu łącznie przy 20 przyjętych wynikach daje 1,50 euro za przyjęty wynik. To liczby ilustracyjne, nie pomiar tego procesu. Kilka przebiegów pomaga ujawnić zmienność odpowiedzi modelu. Poważny błąd, na przykład wysłanie bez zatwierdzenia, zatrzymuje pilotaż. Zmiana modelu, instrukcji lub narzędzi wymaga nowych kontroli; poprzednie przypadki pozostają do porównania.

Co jest przedmiotem sprzedaży

Możliwym powodem zakupu jest krótsza obsługa przy tej samej jakości. Pilotaż z rzeczywistymi wymaganiami pracy musi pokazać, czy firma ceni tę korzyść. Rozliczenie za wynik wymaga wcześniejszego ustalenia sukcesu, poprawek i ponowień: wygenerowany szkic nie jest jeszcze zatwierdzoną odpowiedzią. Stripe opisuje takie ceny zależne od wyniku, ale nie zastępuje to osobnej kontroli jakości. [2]

W tym przykładzie uzasadnione jest połączenie: reguły zapisują etap sprawy i kontrolują dostęp, AI odczytuje dane, a człowiek sprawdza wiążące działania. Agent staje się przydatny, gdy wybór dodatkowych kroków daje mierzalną poprawę w porównaniu. Może to oznaczać mniej pracy ręcznej, więcej poprawnie zakończonych spraw lub krótsze oczekiwanie. Dodatkowe koszty i błędy należą do tego samego porównania.

Źródła

1. Make: AI agents and pricing
2. Stripe: AI pricing models
3. Make Academy: Planning the AI agent
4. Anthropic: Building effective agents

Źródła ponownie sprawdzone: 25 października 2026. Przykład zakładu i obliczenie kosztu są hipotetyczne.