Agenci AI w praktyce: Jak inteligentni asystenci zwiększają produktywność?

W dzisiejszym odcinku podcastu „Business Tech Talks powered by BlueSoft” zgłębiamy temat agentowej sztucznej inteligencji (Agentic AI), która jest określana jako kolejny wielki krok w rozwoju technologii po AI predykcyjnej i generatywnej. Skupiamy się na definicji sprawczości agentów, ich zdolności do samodzielnego podejmowania decyzji oraz różnicach między prostymi chatbotami a złożonymi systemami agentowymi. Wspólnie z zaproszonymi ekspertami – Ulą Oleszek z Microsoft oraz Pawłem Burą z BlueSoft – analizujemy praktyczne scenariusze wdrożeń, kwestie bezpieczeństwa danych oraz wyzwania związane z odpowiedzialnością prawną za działania autonomicznych systemów. Poniżej znajduje się szczegółowy skrót transkrypcji tego odcinka.

Definicje i ewolucja sztucznej inteligencji 

Sztuczna inteligencja przeszła przez trzy główne etapy rozwoju: tradycyjną (predykcyjną), generatywną (tworzącą treści) oraz obecny etap – agentową AI. Agent AI różni się od zwykłego chatbota tym, że posiada agencyjność (sprawczość), co pozwala mu na samodzielne podejmowanie decyzji, planowanie kolejnych kroków i dążenie do wykonania zadania zamiast tylko reagowania na pytania użytkownika.

Wyróżnia się także szersze pojęcia:

• Agentic AI – środowisko, w którym wielu agentów może ze sobą współpracować.
• System agentowy – złożony system informatyczny (często łączący się ze światem fizycznym poprzez robotykę), w którym agenci realizują wspólny cel w sposób dynamiczny i czasem nieprzewidywalny.

Metafora budowy: Generatywna AI to skrzynka z narzędziami, agent to wyspecjalizowany fachowiec (np. hydraulik), a system agentowy to cały zespół budujący dom pod nadzorem kierownika.

Możliwości techniczne Agentów AI i ich praktyczne zastosowania

Kluczową cechą agentów jest umiejętność korzystania z narzędzi (tools), takich jak logowanie do systemów, odczytywanie baz danych czy wykonywanie operacji w zewnętrznych aplikacjach. Dzięki komponentowi NLU (Natural Language Understanding), agenci znacznie lepiej niż dawne chatboty rozumieją intencje użytkownika.

Przykłady zastosowań:

• Automatyzacja procesów: Agenci radzą sobie z procesami, których nie da się w pełni zaprogramować sztywnymi regułami, ponieważ potrafią dynamicznie reagować na przeszkody.

• Bankowość: Agent na infolinii może samodzielnie sprawdzić stan konta klienta, wykonać przelew, a nawet zweryfikować zdolność kredytową, analizując dane z różnych systemów i mediów społecznościowych przed podjęciem decyzji o przyznaniu kredytu.

Wdrażanie technologii Agentów AI a rola pracowników 

Eksperci odradzają gwałtowne zastępowanie całych działów technologią. Proces wdrażania agenta powinien przypominać onboarding nowego pracownika – należy zacząć od małych zadań i stopniowo rozszerzać jego autonomię.

• Księgowość: Agent może „dzień i noc” odczytywać i opisywać faktury, ale ostateczna kontrola jakości i zatwierdzanie dokumentów powinno pozostać w rękach ludzi.
• Programowanie: Narzędzia takie jak GitHub Copilot automatyzują żmudne zadania (np. pisanie testów), co pozwala programistom skupić się na zadaniach kreatywnych.

Efektywność agentów należy traktować jak „turbo narzędzia” (np. piła łańcuchowa dla drwala), które sprawiają, że pracownik staje się znacznie bardziej wydajny, a nie bezużyteczny.

Strategia wdrożenia Agentów AI w firmie

Aby skutecznie wprowadzić systemy agentowe, organizacja musi przejść przez kilka etapów:

• Kontekst prawny: Niezbędne jest uwzględnienie regulacji takich jak AI Act oraz specyfiki prawnej danej branży.

• Identyfikacja Use Case’ów: Znalezienie konkretnych scenariuszy biznesowych, które warto zautomatyzować.

• Przygotowanie danych: Sztuczna inteligencja wymaga wysokiej jakości danych i odpowiedniej platformy do ich przetwarzania.

• Audyt i kontrola: Należy opracować mechanizmy monitorowania pracy agentów i określić, kto ponosi odpowiedzialność za ich błędy.

Oferta technologiczna Microsoft 

Microsoft dostarcza rozwiązania dla firm o różnym stopniu zaawansowania:

• Copilot Studio: Platforma low-code, pozwalająca na „wyklikanie” własnego agenta zintegrowanego z Microsoft 365, Teams czy SharePointem.
• AI Foundry: Środowisko dla programistów umożliwiające budowę w pełni customizowanych i zaawansowanych agentów.

• Marketplace: Gotowe rozwiązania partnerskie, które można zakupić i zintegrować z istniejącymi systemami.

Wyzwania AI: Zaufanie, błędy i bezpieczeństwo

Spadek zaufania menedżerów do AI (z 43% do 27% w ciągu roku) wynika z faktu, że technologia ta oparta jest na statystyce i może popełniać błędy. Rozwiązaniem jest podejście iteracyjne: testowanie, monitorowanie i akceptacja tego, że system nie zawsze zadziała idealnie.

W kwestii bezpieczeństwa i odpowiedzialności:

• Odpowiedzialność prawna: Agent nie ma osobowości prawnej. Za wszelkie skutki jego działań odpowiada zarząd firmy lub człowiek, który podpisał się pod wynikiem jego pracy. Należy unikać sytuacji, w których człowiek musi zatwierdzać masowe wyniki pracy agenta bez realnej możliwości ich weryfikacji.

• Bezpieczeństwo danych: Korzystanie z profesjonalnych usług chmurowych (np. Azure) gwarantuje, że dane firmowe są chronione i nie służą do trenowania publicznych modeli.

Podsumowanie i rekomendacje dla liderów

Polska znajduje się obecnie w idealnym momencie na start – firmy nie przespały rewolucji, ale muszą zacząć działać teraz, by nie zostać w tyle. Rekomendowane jest stworzenie MVP (Minimum Viable Product), czyli rozpoczęcie od małych kroków i stopniowe dokładanie kolejnych elementów automatyzacji. Najlepszą formą nauki dla każdego pracownika i menedżera jest osobiste doświadczenie poprzez rozmowę z darmowymi czatami (przy zachowaniu zasad poufności danych), co pozwala zrozumieć realny potencjał tej technologii.