Nie agenci, nie roboty. Agenty.

Wyobraź sobie pracownika, który nigdy nie śpi, nie pyta o podwyżkę i potrafi jednocześnie przeszukać internet, napisać raport i zamówić catering na konferencję. Brzmi jak marzenie. Albo jak kłopoty.

Zanim jednak przejdę dalej — małe wyjaśnienie językowe. „Agenty” brzmią jak coś z serialu szpiegowskiego albo ze słownika PRL-owskiej bezpieki. W polszczyźnie „agenci” to ludzie (albo przynajmniej byty z tożsamością), „agenty” zaś to neologizm przejęty żywcem z angielskiego agents — zanim polska terminologia techniczna zdążyła zaproponować cokolwiek lepszego. Branża AI nie czekała na zgodę językoznawców. Używam tego słowa świadomie i uprzedzam, że będzie się pojawiać.

Luca — jeden z prelegentów na Qlik Meet the Experts w Katowicach — zaczął swoją sesję od zimnego prysznica. Gartner ogłosił w połowie 2025 roku, że ponad 40% inicjatyw opartych na agentach AI zostanie porzuconych przed 2027 rokiem. Tuż po tym, jak branża zdążyła się nakręcić do czerwoności. Jego sesja była próbą odpowiedzi na pytanie: jak nie trafić do tych nieszczęsnych 40 procent?

Od chatbota do agenta — co się zmieniło

Przez pierwsze lata po premierze ChatGPT schemat był prosty: wpisujesz pytanie, dostajesz odpowiedź. Model językowy jako bardzo inteligentny automat do generowania tekstu. Potem pojawiły się modele multimodalne — obrazy, wideo, dźwięk. Ale nadal chodziło o odpowiadanie, nie o działanie.

Agenty to inna kategoria. Jak ujęła to Ioanna, druga prelegentka sesji: LLM mówią, agenty działają. Agentic AI to systemy zaprojektowane do autonomicznego działania — podejmowania decyzji, wykonywania zadań, korzystania z narzędzi. Nie czekają na kolejne pytanie. Pracują.

Luca zaproponował definicję, którą warto zapamiętać: agent to byt, który ma cel i rolę, potrafi używać narzędzi, może komunikować się z innymi agentami i przechowuje pamięć o poprzednich interakcjach. Brzmi abstrakcyjnie, więc dał przykład — fryzjer.

Agent-fryzjer ma backstore (doświadczony specjalista, który zna trendy i umie przełożyć mgliste oczekiwania klienta na konkretną fryzurę), rolę (słucha, zadaje właściwe pytania, dobiera technikę) i cel (najlepszy możliwy efekt, nawet gdy klient mówi tylko „chcę wyglądać schludniej”). Te trzy elementy — nie jako metafora, ale dosłownie — trafiają jako prompt do modelu językowego. Nic magicznego. Dobrze zorganizowana instrukcja.

Jak agenty współpracują — wzorce, które warto znać

Pojedynczy agent to dopiero początek. Siła agentic AI ujawnia się w kooperacji — i tu Luca wprowadził pojęcie wzorców, które w świecie agentów pełnią tę samą funkcję co design patterns w programowaniu obiektowym.

Kilka najważniejszych:

• Routing — agent-router odbiera zadanie i przekazuje je do wyspecjalizowanych agentów, w zależności od jego charakteru.
• Sekwencja — agent A przekazuje wynik agentowi B, ten agentowi C. Prosta linia produkcyjna.
• Delegacja — agent nadrzędny rozkłada złożone zadanie na podzadania i rozdziela je między podrzędnych, zbierając wyniki na końcu.
• Recenzja i feedback — agenty iterują między sobą, poprawiając jakość odpowiedzi, aż zostanie osiągnięty zadany standard.
• Paralelizacja i konkurencja — to samo zadanie trafia jednocześnie do kilku agentów z różnymi parametrami, a w efekcie zostaje wybrana najlepsza odpowiedź. Luca podał tu przykład przewidywania kursu Bitcoina trzema różnymi modelami ML jednocześnie — zwycięża ten z najmniejszym odchyleniem od wartości rzeczywistej.
• Manager i supervisor — agent nadzorujący śledzi pracę pozostałych, rozwiązuje konflikty i pilnuje, żeby cel został osiągnięty.
• Wzorce można łączyć. I to właśnie ta złożoność czyni z agentic AI coś więcej niż gadżet.

Deterministyczne czy nie — to nie jest pytanie techniczne

Jeden z bardziej subtelnych punktów sesji dotyczył rozróżnienia między przepływami deterministycznymi a niedeterministycznymi. I wbrew pozorom nie jest to kwestia tylko techniczna — to decyzja biznesowa i regulacyjna.

Przepływ deterministyczny to z góry ustalona sekwencja kroków. Agent robi A, potem B, potem C. Zawsze tak samo. Luca zilustrował to procesem zatwierdzania wydatków pracowniczych — sytuacja, gdzie potrzebujesz powtarzalności, audytowalności i zgodności z procedurami. Nie chcesz, żeby ten sam wniosek raz został zatwierdzony, a raz odrzucony.

Przepływ niedeterministyczny to coś innego: agent podejmuje kolejne decyzje na podstawie kontekstu, który sam buduje w trakcie działania. Luca pokazał to na przykładzie Qlik Answers — w każdym kroku procesu agent dokłada do wspólnego kontekstu nowe informacje i na ich podstawie decyduje, co zrobi dalej. To daje elastyczność i adaptacyjność, ale wymaga innego podejścia do nadzoru.

Monitoring, którego nikt nie planuje, a wszyscy będą potrzebować

Tutaj Luca przeszedł do tematu, który w rozmowach o AI bywa pomijany — do monitorowania agentów w środowisku produkcyjnym. Wyróżnił pięć warstw:

• Infrastruktura — czy agent działa poprawnie i efektywnie? Czas odpowiedzi, błędy, zużycie tokenów, koszty.
• Wykonanie — dlaczego agent podjął taką, a nie inną decyzję? Kluczowe przy audytach. Wyobraź sobie agenta pracującego na danych finansowych — jeśli coś się nie zgadza w księgach, musisz być w stanie pokazać audytorom, co system zrobił i dlaczego.
• Jakość — czy odpowiedzi spełniają zdefiniowany standard? Czy standard jest w ogóle zdefiniowany?
• Bezpieczeństwo — czy agent operuje zgodnie z przyjętymi zasadami? Czy nie sięga po dane, do których nie powinien mieć dostępu?
• Dryf i zachowanie — czy jakość odpowiedzi nie pogarsza się z czasem? Monitorowanie dryfu pozwala reagować zanim system znacząco odbiegnie od założeń.

Ta ostatnia warstwa jest zdaniem Luki szczególnie niedoceniana. Agentic AI to nie wdrożenie, po którym się idzie do domu. To system, który ewoluuje i wymaga ciągłej uwagi.

Frameworki — trzy litery, które warto znać

Na zakończenie sesji Luca zebrał najpopularniejsze frameworki do budowy systemów agentowych.

• CrewAI — open source, ulubieniec Luki. Definiuje agentów przez backstory, rolę i cel. Intuicyjny, ale nie najpopularniejszy.
• LangGraph — prawdopodobnie najszerzej stosowany dziś. Oparty na grafach: węzły, krawędzie, przepływy. Silna kontrola i obserwowalność. Używany też wewnętrznie w Qlik.
• AutoGen — od Microsoftu, bardziej konwersacyjny. Lepszy do systemów opartych na dialogu między agentami.

Każdy z nich ma inne mocne strony. Wybór zależy od tego, co budujesz.

Co z tego wynika

Agenty AI nie są magią. Są dobrze zorganizowaną architekturą promptów, narzędzi i przepływów — zaprojektowaną tak, żeby systemy mogły działać z coraz większą autonomią. Ale autonomia bez nadzoru to przepis na właśnie te 40%, o których mówił Gartner.

Kluczowe pytania, które warto zadać przed wdrożeniem: czy ten proces naprawdę potrzebuje elastyczności agenta, czy wystarczy deterministyczny workflow? Jak zdefiniuję jakość? Kto będzie monitorował dryf? Co się stanie, gdy agent podejmie błędną decyzję — i czy będę w stanie to odtworzyć? To nie są pytania do działu IT. To są pytania dla decydentów.