Jak osiągnąć gotowość na agentową sztuczną inteligencję: ludzie, dane i doświadczenie
Luka kompetencyjna: Organizacje zmagają się nie z możliwościami technicznymi, lecz z zapewnieniem udziału właściwych osób w podejmowaniu decyzji.
Udział w projektowaniu: Zaangażowanie właściwych osób odpowiedzialnych za działania operacyjne jako członków podstawowego zespołu ma kluczowe znaczenie dla skutecznego projektowania agentów.
Nawarstwiające się problemy: Drobne błędy kontekstowe popełniane przez agentów sztucznej inteligencji z czasem się kumulują, wpływając na zadowolenie klientów i zaufanie.
Przewaga mniejszych organizacji: Mniejsze organizacje mogą łatwiej wdrażać agentową sztuczną inteligencję, napotykając mniej złożoności niż większe przedsiębiorstwa.
Potrzeby infrastrukturalne: Skuteczne wdrożenie sztucznej inteligencji wymaga czegoś więcej niż technologii — potrzebuje także możliwości organizacyjnych i jakości danych.
Kiedy organizacje dążą do wdrożenia agentowej sztucznej inteligencji, zaczynają od technologii. Mówią o agentach, warstwach orkiestracji i architekturach wielomodelowych.
O czym często nie wspominają: o ludziach i o tym, co się dzieje, gdy rzeczy psują się w sposób, którego nikt nie przewidział?
Problem nie jest techniczny, ale wielu liderów nie zdaje sobie z tego sprawy, dopóki nie są już głęboko zaangażowani we wdrożenie, obserwując spadek poziomu zadowolenia klientów i pogarszające się wskaźniki jakości.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Luka kompetencyjna w zakresie agentowej sztucznej inteligencji
Zapytaj większość członków kadry kierowniczej o ich gotowość do wdrożenia agentowej sztucznej inteligencji, a opiszą swoich inżynierów AI i analityków danych. Przedstawią szczegóły dotyczące infrastruktury chmurowej i procesu wyboru modeli.
Rzadziej sprawdza się, czy zapewnili odpowiednie wsparcie osobom, które rzeczywiście rozumieją, jak agenci wpłyną na działalność firmy.
To właśnie jest prawdziwa luka kompetencyjna. Nie chodzi o możliwości techniczne, lecz o wpływ w organizacji.
Pytanie nie brzmi: „czy mamy inżynierów AI?”. Pytanie brzmi: „czy decyzje podejmują właściwe osoby?”
W większości organizacji odpowiedź brzmi: nie.
Tylko 14% organizacji ma rozwiązania agentowe gotowe do wdrożenia, mimo że 30% analizuje dostępne opcje, a 38% prowadzi programy pilotażowe.
Projektowanie agentów AI w próżni
Co się dzieje, gdy zespoły techniczne projektują agentów bez udziału osób wykonujących faktyczną pracę? Nadmiernie upraszczają.
Proces, który na schemacie blokowym wygląda przejrzyście, zawiera niewidoczne warstwy osądu. Pracownik obsługi klienta, który wie, kiedy odstąpić od zasad. Kierownik operacyjny, który rozumie, które wyjątki mają znaczenie. Analityk, który potrafi odczytywać niepełne dane między wierszami.
Decyzje te opierają się na wyczuciu i doświadczeniu. Na drzewie decyzyjnym wyglądają jak prosta logika „jeśli to, to tamto”.
Jednak osoby pracujące na tych stanowiskach rozumieją coś, co agentom trudno łatwo odtworzyć: kontekst.
Wiedzą, że choć dana zasada sprawdza się w większości przypadków, czasami trzeba zrobić wyjątek. Są sytuacje, w których należy postąpić inaczej.
Francisco Marin, współzałożyciel Cognitive Talent Solutions, opisuje wyzwanie, przed którym stanął jego zespół podczas tworzenia agentów HR:
Zaobserwowaliśmy, że niektóre możliwości agentowe zostały wdrożone w kluczowych procesach HR, takich jak naliczanie wynagrodzeń czy zgodność z przepisami. Brakowało nam jednak tej generacji przypadków użycia, które dotyczą analityki personalnej, a w szczególności tych zgodnych z ramami sieciowymi.
Jego zespół nie tworzył wyłącznie rozwiązań technicznych. Budował systemy odzwierciedlające rzeczywisty sposób wykonywania pracy, a nie to, jak wygląda on na schemacie organizacyjnym.
Kiedy budujesz agentów bez wcześniejszego ujawnienia wiedzy ukrytej, nie dochodzi do natychmiastowych awarii. Pojawiają się problemy z opóźnionym zapłonem.
Nawarstwiające się problemy z jakością
Agent podejmuje decyzję, która jest technicznie poprawna, ale niewłaściwa w danym kontekście. Pojedynczy taki przypadek nie jest katastrofalny.
Z czasem jednak te niewielkie spadki jakości kumulują się.
Nie zdajesz sobie z tego sprawy, dopóki nie nadejdą wyniki ankiet dotyczących zadowolenia klientów. Dopóki nie zauważysz pewnego wzorca w danych. Dopóki szkody nie rozprzestrzenią się już w całych systemach.
Wtedy nie naprawiasz już tylko agenta. Odbudowujesz zaufanie.
95% pilotażowych wdrożeń generatywnej sztucznej inteligencji nie przynosi wymiernego zwrotu z inwestycji. Przyczyną nie są wadliwe modele. Słaba integracja i niezgodne priorytety prowadzą do porażki tych inicjatyw.
Tłumacząc to wprost: organizacje nie angażują właściwych osób w proces projektowania.
Kto naprawdę powinien uczestniczyć w procesie
Osoba wykonująca pracę, którą automatyzujesz, musi być obecna.
Nie jako konsultant. Nie jako osoba dołączona na późniejszym etapie. Jako kluczowa część zespołu projektowego.
Musi pomóc Ci pokierować agentem. Podzielić się swoim doświadczeniem. Ujawnić wiedzę typu „z wyjątkiem sytuacji, gdy”, która nie pojawia się w dokumentacji.
Dan George, który wcześniej pełnił funkcję dyrektora HR, zanim został współzałożycielem Cognitive Talent Solutions, wyjaśnia, jaka jest stawka.
W przeszłości wykonywałem ten proces ręcznie. Jako były dyrektor ds. zasobów ludzkich kierowałem analityką personalną w różnych organizacjach. Musiałem tworzyć listy i wysyłać je do zespołów zajmujących się uczeniem i rozwojem lub innymi zespołami odpowiedzialnymi za zaangażowanie talentów.
Jego doświadczenie w budowaniu agentów nauczyło go, że automatyzacja pozbawiona doświadczenia praktycznego prowadzi do powstawania systemów, które wyglądają na funkcjonalne, ale zawodzą w praktyce.
„Umieszczenie tego w formie zautomatyzowanego, autoryzowanego miejsca, w którym administrator może po prostu klikać, klikać i klikać, znacznie ułatwia cały proces i pozwala nam wyjść poza wybieranie typowych mentorów i podopiecznych, do których zawsze w pierwszej kolejności sięgamy”.
Osiągnięcie tego celu wymagało jednak zaangażowania osób, które rozumiały niuanse dopasowywania mentorów i podopiecznych, a nie tylko techniczne wymogi przetwarzania danych.
Lisa Jones, dyrektor generalna EyeMail, wyciągnęła podobny wniosek podczas wdrażania AI w całej swojej organizacji. „Zapytaliśmy każdy dział: Gdzie odczuwacie tarcia lub powtarzalność? Gdzie AI mogłaby pomóc wam zwiększyć kreatywność lub przejrzystość? Na co chcielibyście poświęcać więcej czasu, gdyby AI zajęła się resztą?”.
To podejście zainspirowało pomysły — od marketingu po operacje — i dało każdemu zespołowi wpływ na to, jak AI pojawia się w jego codziennej pracy.
Najlepszym sposobem na uchwycenie doświadczenia praktycznego jest bezpośrednie zaangażowanie. Zaangażowanie to musi jednak wiązać się z dwiema rzeczami, które większość organizacji rozdziela: podnoszeniem kwalifikacji i sprawiedliwym wynagrodzeniem.
Nie można oddzielić projektowania agentów od rozwoju pracowników
Większość firm traktuje te kwestie jako odrębne inicjatywy. Projektowanie agentów odbywa się w dziale IT. Podnoszenie kwalifikacji należy do HR. Wynagrodzenia są omawiane podczas corocznych ocen.
Ta fragmentacja zabija adopcję.
Trzeba połączyć te elementy, aby utrzymać wysoką wydajność. Projektowanie agentów to nowa umiejętność. Zrozumienie, w jaki sposób agenci zwiększają produktywność i wpływ pracowników, jest ważniejsze niż wiedza o tym, jak ich programować.
Gdy nie połączysz tych elementów, uzyskasz jeden z dwóch rezultatów.
- Sabotaż AI - Cyniczne uczestnictwo, które podważa inicjatywę. Osoby wiedzące, że system zawiedzie, po cichu dopilnują, aby tak się stało.
- Uszczerbek na reputacji - Rozchodzi się wieść, że organizacja pozyskuje wiedzę bez inwestowania w ludzi. Ucierpi na tym marka pracodawcy, którą trudno będzie odbudować.
Jones opisuje, jak EyeMail uniknęła tej pułapki.
Nie wdrożyliśmy formalnych podręczników szkoleniowych. Zamiast tego stworzyliśmy Kręgi Ciekawości AI — cotygodniowe spotkania, podczas których członkowie zespołów dzielili się odkryciami, testowali polecenia i analizowali wpływ emocjonalny. Nie były to tylko techniczne samouczki, lecz laboratoria opowiadania historii.
Gdy AI zajęła się powtarzalnymi zadaniami, zespół Jones jeszcze bardziej skupił się na opowiadaniu historii, innowacjach i empatii wobec klientów.
„Ciekawość stała się jedną z podstawowych wartości” — powiedziała. „Członkowie zespołu czuli większe zaangażowanie, większe uznanie i większą inspirację do eksperymentowania”.
Trzeba połączyć wszystkie te elementy, aby ludzie postrzegali je jako inwestycję w siebie, a nie zastępowanie ich.
Dlaczego mniejsze organizacje mają przewagę
Duże organizacje już w znacznym stopniu zautomatyzowały swoje działania za pomocą RPA i predykcyjnej AI. Zbudowały złożone systemy z wieloma poziomami zatwierdzania, wymogami dotyczącymi zgodności i ograniczeniami prawnymi.
Dodanie architektury agentowej do tej złożoności tworzy wykładniczo więcej punktów awarii.
Małe zespoły mają przewagę we wdrażaniu AI. Mają mniej procesów, które trzeba przeanalizować, mniej decydentów, których należy ze sobą uzgodnić, oraz mniej problemów związanych ze zgodnością.
Najlepsza architektura agentowa nie jest nadmiernie złożona. Im bardziej zwięzła, tym mniej elementów może ulec awarii.
Agenci działają najlepiej, gdy mogą operować w jasno określonych granicach i przy minimalnej liczbie zależności. Gdy mogą podejmować decyzje bez poruszania się po bizantyjskich procesach zatwierdzania. Gdy mogą uzyskiwać dostęp do danych bez uzgadniania informacji z piętnastu różnych systemów.
Mniejsze organizacje mają to domyślnie. Organizacje korporacyjne muszą zbudować to celowo.
Niemal połowa organizacji wskazuje możliwość wyszukiwania danych (48%) i możliwość ponownego wykorzystywania danych (47%) jako wyzwania dla swojej strategii automatyzacji AI. Twoje dane nie są przygotowane do wykorzystywania przez agentów, którzy potrzebują kontekstu biznesowego.
Rozłam między CEO a CISO
CEO są optymistycznie nastawieni. 67,1% uważa, że narzędzia AI pomogą im podejmować lepsze decyzje dotyczące cyberbezpieczeństwa. 60,2% sądzi, że ich firma jest lepiej przygotowana niż konkurenci do reagowania na zagrożenia związane z AI.
CISO zachowują ostrożność. Tylko 58,6% podziela tę pewność. Zaledwie 19,5% uważa, że AI wzmocni cyberobronę, w porównaniu z 29,7% CEO.
Ta luka mówi wszystko o gotowości organizacji.
Osoby odpowiedzialne za bezpieczeństwo, zgodność i ryzyko operacyjne dostrzegają problemy, których kadra zarządzająca nie widzi. Rozumieją, że agenci wprowadzają nowe wektory ataków. Że systemy wieloagentowe tworzą koszmary związane z debugowaniem, a modele zarządzania dla autonomicznego podejmowania decyzji na dużą skalę jeszcze nie istnieją.
Tylko 14% CISO czuje się w pełni przygotowanych do zintegrowania AI z operacjami cyberbezpieczeństwa. Ponad 50% wskazuje brak wsparcia ze strony CIO i CEO jako swoje największe wyzwanie.
To, czy Twoja organizacja uzgodniła, czego faktycznie wymaga wdrożenie, ujawnia się właśnie tutaj.
Co ten rozłam naprawdę oznacza
Gdy Twój CEO jest optymistą, a CISO się martwi, masz problem ze strategią dotyczącą odpowiedzialności za AI.
Strona biznesowa dostrzega szansę. Strona operacyjna dostrzega ryzyko. A nikt nie zbudował między nimi mostu.
Widać to w decyzjach dotyczących wdrożeń, alokacji zasobów oraz sposobie ustalania priorytetów między szybkością a bezpieczeństwem.
Marin i George włączyli budowę tego mostu do procesu projektowania agentów. Gdy zapytałem o zgodę i przejrzystość w ich agentach HR, George wyjaśnił:
„Musimy zadbać o to, aby wszystko, co robimy z wykorzystaniem agentowej AI, miało odpowiedni poziom zgody i etycznego wykorzystania tych automatycznych procesów.
Marin dodała: „Prowadziliśmy z zespołem bieżące rozmowy na temat niektórych niuansów każdego przypadku użycia z osobna. W przypadku naszego agenta do utrzymania talentów dyskutowaliśmy na przykład o tym, czy ma sens udostępnianie tych informacji na poziomie zagregowanym. Czy może lepiej robić to na poziomie indywidualnym i powiadamiać bezpośredniego przełożonego?”
W większości organizacji za zbudowanie tego mostu będzie odpowiadać kierownictwo, ale nie CEO i CISO będą nim przewodzić. Zamiast tego partnerstwo między CHRO (ludzie i procesy) a CIO (jakość danych i najlepsze praktyki) stworzy złoty środek, dzięki któremu szansa będzie mogła zostać wykorzystana w sposób uwzględniający ryzyko.
Organizacje, które wcześnie zamykają tę lukę, działają szybciej. Budują ramy zarządzania, zanim ich potrzebują. Inwestują w obserwowalność i monitorowanie oraz tworzą jasne ścieżki eskalacji na wypadek, gdy agenci podejmują decyzje wykraczające poza określone dla nich granice.
Infrastruktura agentowej AI
Agenci potrzebują czegoś więcej niż interfejsy API i potoki danych. Potrzebują infrastruktury, której większość organizacji nie posiada.
Zarządzania tożsamością i uprawnieniami, które działa w przypadku wielu agentów. Katalogów narzędzi, które pozwalają agentom odkrywać możliwości bez integracji zaszytych na stałe w kodzie. Egzekwowania zasad, które działa spójnie niezależnie od tego, który agent podejmuje decyzję.
A także obserwowalności, która pozwala diagnozować problemy, gdy wiele agentów wchodzi ze sobą w nieoczekiwane interakcje.
Nie jest to również problem tymczasowy — 65% liderów wskazuje złożoność systemów agentowych jako główną barierę już drugi kwartał z rzędu.
Warto pamiętać, że infrastruktura to nie tylko technologia, lecz także zdolności organizacyjne.
Jones przekonała się o tym podczas budowania agentowych przepływów pracy w EyeMail. Jej zespół wykorzystuje Miro AI do wizualizowania ścieżek klienta, identyfikując emocjonalne punkty kontaktu i obszary tarcia. Wykorzystanie HubSpot AI zapewnia im wgląd w zachowania i segmentację, pomagając personalizować przepływy wdrażania oraz sekwencje podtrzymywania zaangażowania.
„Zwiększyliśmy wskaźniki ukończenia wdrożenia o 40%. Umożliwiliśmy elastyczne, modułowe projektowanie ścieżek dla klientów z branży farmaceutycznej, technologicznej i motoryzacyjnej. Dostarczyliśmy ramy narracyjne, które odpowiadają klientom na ich obecnym etapie — emocjonalnym i operacyjnym” — powiedziała.
Wymagania dotyczące jakości danych
Twój klient występuje jako „Acme Corp” w systemie CRM, „Acme Corporation” w systemach pocztowych, „ACME Inc.” w umowach i „Acme” w transkrypcjach rozmów.
Bez rozpoznawania encji agenci fragmentują swoje rozumienie informacji między wieloma niepełnymi profilami.
73% liderów danych w przedsiębiorstwach wskazuje „jakość i kompletność danych” jako główną barierę dla sukcesu AI. Czynnik ten plasuje się wyżej niż dokładność modeli, koszty obliczeniowe i niedobory talentów.
Nie da się obejść złych danych za pomocą agentów. Najpierw trzeba je naprawić.
More Articles
- Dyrektor generalny firmy technologicznej z branży HR mówi, że przejście na model natywnie wykorzystujący AI ujawniło, jaką pracę pracownicy naprawdę chcą wykonywać
- Trzy zmiany umożliwiające przejście od wsparcia AI do pełnej odpowiedzialności
- Sztuczna inteligencja w operacjach biznesowych: jak przekształcić nowe technologie w strategiczną przewagę biznesową
- Były założyciel Google AI i doktor nauk w dziedzinie uczenia maszynowego ujawnia, jak zmieniło się przywództwo — i na czym liderzy muszą się teraz skupić
- Czego firmy średniej wielkości nauczyły się o transformacji AI w 2025 roku
Jak skutecznie wdrażać agentową AI
Organizacje, które skutecznie wdrażają systemy agentowe, robią trzy rzeczy inaczej.
- Angażują w projektowanie agentów osoby wykonujące daną pracę. Nie jako konsultantów, lecz jako członków głównego zespołu. Sprawiedliwie wynagradzają tę pracę i wykorzystują ją jako okazję do podnoszenia kwalifikacji.
- Budują zarządzanie i nadzór, zanim rozpoczną skalowanie. Ustanawiają jasne zasady określające, co agenci mogą, a czego nie mogą robić. Wyznaczają ścieżki eskalacji dla nietypowych przypadków. Zapewniają obserwowalność, która wychwytuje problemy, zanim zaczną się nawarstwiać.
- Utrzymują szczupłą architekturę systemów. Opierają się pokusie budowania złożonych orkiestracji wielu agentów, zanim potwierdzą wartość pojedynczego agenta. Dodają złożoność dopiero wtedy, gdy prostsze podejścia zawodzą.
„AI pokonuje dystans między wizją a realizacją” — mówi Jones. „To, co wcześniej wymagało tygodni badań, udziału konsultantów i uzgodnień między zespołami, teraz może rozpocząć się od dobrze przygotowanego promptu.
Kluczowe jest jednak to, jak się tam dociera. Jej zespół nie ograniczył się do wdrożenia formalnych podręczników szkoleniowych. Utworzył Kręgi Ciekawości AI — cotygodniowe spotkania, podczas których członkowie zespołu dzielili się odkryciami, testowali prompty i analizowali wpływ emocjonalny.
„Dla mnie organizacja przyszłości to sieć napędzana przez agentów AI, w której agenci AI są uruchamiani w celu wdrażania takich mikrointerwencji na dużą skalę” — mówi Marin. „Duże międzynarodowe korporacje pełnią rolę inkubatorów tego nowego sposobu pracy; nazywamy to przyszłością pracy opartą przede wszystkim na sieci.
Nie nadaje się to na efektowne komunikaty prasowe. Jednak właśnie to odróżnia 14% organizacji z wdrożonymi rozwiązaniami od 38% uwięzionych na etapie pilotażu.
Pytanie, na które musisz odpowiedzieć już teraz
Architektura agentowa nie nadchodzi. Ona już tu jest.
Do końca 2026 roku 40% aplikacji korporacyjnych będzie integrować wyspecjalizowanych agentów AI do wykonywania zadań, w porównaniu z mniej niż 5% w 2025 roku.
Wraz ze wzrostem wykorzystania agentów każde przedsiębiorstwo musi odpowiedzieć sobie na pytanie, czy jest w stanie sprostać temu, czego wymaga wyzwanie agentowe. Chodzi nie tylko o możliwości techniczne, lecz także o gotowość organizacyjną. Oznacza to:
- Właściwe osoby przy stole.
- Infrastrukturę wspierającą autonomiczne decyzje.
- Mechanizmy zarządzania i nadzoru, które wychwycą błędy, zanim zaczną się nawarstwiać.
- Jakość danych pozwalającą podejmować decyzje uwzględniające kontekst.
- Gotowość do inwestowania w ludzi w takim samym stopniu jak w technologię.
Większość organizacji sobie z tym nie poradzi. Potraktują agentową AI jako modernizację techniczną, a nie jako przeprojektowanie organizacji.
Będą częścią 40% projektów agentowej AI, które według prognoz firmy Gartner zostaną anulowane do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczających mechanizmów kontroli ryzyka.
Organizacje, które podejdą do tego właściwie, zrozumieją, że architektura agentowa wymaga czegoś więcej niż inżynierów. Wymaga doświadczenia osób, których pracę próbuje się wzmacniać.
I zbudują systemy, które będą szanować tę rzeczywistość.
