Agentic AI: Strategie dla średnich przedsiębiorstw

KI-Strategie · 22. Juni 2026 · Anthony Filipiak

Agentic AI w średnich przedsiębiorstwach: Jak dyrektorzy zarządzający rozpoczynają pracę z rzeczywistymi przypadkami użycia, zarządzaniem i ROI. Dowiedz się, gdzie agenci wykażą się prawdziwą skutecznością w 2026 roku.

„Jeśli agent to tylko chatbot, nie zapłacę za niego ani jednego euro.” To zdanie powiedział mi Thomas, dyrektor zarządzający dostawcy automatyki z Augsburga, w marcu 2025 roku. Brzmi szorstko. Ale jest precyzyjne. Opisuje bowiem istotę rynku lepiej niż większość błyszczących slajdów o Agentic AI: średnie przedsiębiorstwa nie kupują sztucznej inteligencji, kupują mniej przestojów, mniej ręcznych przekazań, większe przychody z usług i organizację, która nadal funkcjonuje, nawet gdy trzech doświadczonych pracowników biurowych przechodzi na emeryturę.

Piszę ten pogłębiony artykuł z mojej perspektywy jako CEO i współzałożyciela Amplifa. Co tydzień rozmawiamy z dyrektorami zarządzającymi, CTO, kierownikami sprzedaży i osobami odpowiedzialnymi za cyfryzację w firmach DACH zatrudniających od 50 do 500 pracowników. Nie z turystami innowacji. Z ludźmi, którzy mają na stole dokumenty SAP, zatory w ofertach, zgłoszenia serwisowe, rady zakładowe i marżę. Agentic AI nie jest już tematem science fiction dla tych firm. No, prawie. Produktywne przypadki istnieją, ale są selektywne, węższe i znacznie mniej magiczne, niż chciałby LinkedIn.

Dlaczego Agentic AI trafia teraz do średnich przedsiębiorstw

Niemieckie średnie przedsiębiorstwa długo bawiły się AI jak nową wkrętarką z marketu budowlanego. Wypróbować. Zbudować demo. Pokazać radzie nadzorczej. Potem z powrotem do szafy. Od początku 2025 roku to się zmienia. Nie dlatego, że modele nagle potrafią wszystko, ale dlatego, że działają jednocześnie trzy czynniki presji: rosną koszty w usługach i back office, brakuje specjalistów na stanowiskach operacyjnych, a klienci oczekują odpowiedzi w godzinach, a nie w dniach. W firmie produkującej maszyny, takiej jak DMG Mori, niewyjaśniony przypadek serwisowy może wywołać globalne koszty następcze. U dostawcy zatrudniającego 180 pracowników z Ostwestfalii wystarczy zablokowany proces części zamiennych, aby duży klient zaczął się denerwować.

Agentic AI w kontekście korporacyjnym nie oznacza swobodnie poruszającego się pracownika AI, który rano otwiera swoją skrzynkę pocztową, a wieczorem samodzielnie przebudował firmę. Kto to sprzedaje, sprzedaje teatr. Chodzi o wieloetapowych agentów AI, którzy pobierają informacje z ERP, CRM, DMS, poczty elektronicznej, czujników lub hurtowni danych, przygotowują na ich podstawie decyzję lub wykonują akcję i przestrzegają zdefiniowanych zasad eskalacji. Agent nie tylko czyta zgłoszenie. Sprawdza typ maszyny, numer seryjny, historię konserwacji, dostępność części zamiennych, SLA, umiejętności technika, a następnie proponuje kolejny krok. Czasami tworzy go bezpośrednio. Czasami czeka na zatwierdzenie. Właśnie tam zaczyna się różnica między chatbotem a cyfrowym pracownikiem.

Moment stał się również ostry pod względem regulacyjnym. Od 2 lutego 2025 r. w ramach unijnej ustawy o sztucznej inteligencji (EU AI Act) obowiązuje wymóg kompetencji w zakresie AI dla dostawców i operatorów systemów AI. Artykuł 4 brzmi sucho, ale trafia w sedno: firmy muszą być w stanie udowodnić, że osoby korzystające z AI lub nadzorujące ją są do tego wykwalifikowane. Modular Ops na swoich warsztatach AI dla średnich przedsiębiorstw zwraca uwagę, że w przypadku naruszenia niektórych obowiązków możliwe są kary grzywny do 7,5 miliona euro lub 1,5 procenta globalnego rocznego obrotu. To nie jest temat marginalny dla działu prawnego. To temat dla zarządu. I tak, również dla firmy zatrudniającej 120 osób z Microsoft 365, abas ERP i kierownikiem sprzedaży, który mówi „Copilot”, ale tak naprawdę ma na myśli „automatyzację”.

Agentic AI to nie projekt narzędziowy, lecz polityka procesowa

Większość projektów Agentic AI nie zawodzi z powodu modelu. Zawodzi z powodu władzy. Kto może decydować, co jest standardowym przypadkiem? Kto ponosi odpowiedzialność, jeśli agent zaproponuje niewłaściwy numer części zamiennej? Kto traci widoczność, jeśli proces nagle nie przebiega już przez pięć przekierowań e-mailowych? Andrea, Head of Sales w Hidden Champion w Bielefeld, powiedziała mi trzy tygodnie temu: „Nasz CRM nie jest zły, ale nie odzwierciedla tego, jak naprawdę sprzedajemy.” Dokładnie to samo zdanie dotyczy agentów. Jeśli rzeczywisty proces jest brudny, agent nie będzie czysty. On tylko szybciej ujawni brud.

Dlatego nie cenię sobie pytania: Jaką platformę Agentic AI powinniśmy kupić? Lepsze pytanie brzmi: Jaki proces zasługuje na autonomię? W Trumpf proces serwisowy jest zbudowany inaczej niż w firmie przetwórstwa tworzyw sztucznych zatrudniającej 85 pracowników we Frankonii. W Phoenix Contact architektura danych, zarządzanie i struktura produktów to inne światy niż u producenta komponentów, którego wiedza o częściach zamiennych tkwi w folderach PDF, głowach i starych zgłoszeniach. Mimo to obaj chcą tego samego efektu. Mniej tarcia. Większa prędkość. Kontrolowane ryzyka.

Z naszych wdrożeń wiemy: najsilniejszym predyktorem sukcesu nie jest wybór modelu, lecz istnienie prawdziwego właściciela procesu z prawem do budżetu. W 18 projektach i przedprojektach, które towarzyszyliśmy w ciągu ostatnich 12 miesięcy w średnich przedsiębiorstwach B2B, najszybsze postępy nie pochodziły z największych zbiorów danych, lecz z najczystszych odpowiedzialności. Jeśli kierownictwo serwisu, IT i zarząd wspólnie w pierwszym tygodniu ustalą, jakie decyzje agent może podejmować, a jakie nie, czas cyklu dramatycznie spada. W konfiguracji sprzedaży i serwisu zatrudniającej 220 pracowników skróciliśmy czas do kwalifikowanego kontaktu z istniejącymi klientami średnio z 6,8 dnia do 1,9 dnia, bez zatrudniania nowego pracownika sprzedaży. Agent nie był genialny. Proces był wreszcie jednoznaczny.

Co agent naprawdę musi zrobić

Produktywny agent ma opis stanowiska. Nie wiersz promptów. Chcę widzieć dane wejściowe, wyjściowe, uprawnienia, ścieżkę eskalacji, dziennik audytu, KPI i kryterium wyłączenia. Jeśli agent wsparcia technicznego pracuje na przykład w firmie produkującej maszyny pakujące, musi być jasne, do jakich źródeł danych ma dostęp: zgłoszenia serwisowe, listy części, instrukcje, kody błędów IoT, umowy z klientami. Następnie potrzebuje listy dozwolonych działań: tworzenie propozycji diagnozy, identyfikacja części zamiennej, priorytetyzacja zgłoszenia, proponowanie terminu serwisu. Nie: samodzielne przyznawanie rabatów lub wysyłanie instrukcji naprawy krytycznych dla bezpieczeństwa bez zatwierdzenia. Brzmi banalnie. Nie do końca. Ta jasność brakuje w wielu firmach, ponieważ procesy rozwinęły się historycznie i nikt nie chce ich ruszać.

Dane dotyczące Agentic AI: wczesna produktywność, mało twardych benchmarków

Kto dziś szuka wiarygodnych benchmarków dla Agentic AI w europejskich średnich przedsiębiorstwach, nie znajdzie czystej tabeli OECD z 2000 firmami i siedmioletnią historią. Szczerze? Nie wiem, czy w ogóle dostaniemy taką tabelę w ciągu najbliższych dwóch lat. Mamy natomiast studia przypadków, raporty dostawców, dane konsultingowe i spójne wzorce z projektów w DACH. To nie wystarczy do akademickiej pewności. Ale wystarczy do podejmowania decyzji biznesowych, jeśli liczby czyta się jako korytarze, a nie jako prawo natury.

W serwisie maszynowym obraz jest najjaśniejszy. Monachijska platforma lytra wyraźnie pozycjonuje agentów AI do procesów serwisowych w budowie maszyn i urządzeń. Typowa konfiguracja: 200 do 5000 pracowników, wysoki wskaźnik eksportu, złożone maszyny, obsługa posprzedażna pod presją. Według publicznie opisanych wzorców przypadków, agenci współpracują tam w zakresie wsparcia technicznego, biznesu części zamiennych i planowania wdrożeń. Jeden agent rozpoznaje lub klasyfikuje usterki, drugi identyfikuje części zamienne i inicjuje procesy ERP, trzeci planuje techników według lokalizacji, dostępności i umiejętności. To nie jest efektowne. To jest wartościowe.

Typowe korytarze wpływu, według raportów rynkowych i danych projektowych w regionie DACH, wynoszą od 20 do 40 procent szybszego czasu rozwiązania problemu w serwisie technicznym, pod warunkiem, że diagnostyka pierwszego poziomu jest częściowo zautomatyzowana. W przypadku standardowych zgłoszeń często podaje się stopień automatyzacji od 30 do 60 procent. W procesach back office firmy konsultingowe, takie jak Modular Ops, mówią o 25 do 50 procentach krótszego czasu przetwarzania na operację i 30 do 60 procentach mniej błędów w wprowadzaniu danych, jeśli ścieżki PDF, e-mail i ERP są prawidłowo połączone. Lubię takie liczby tylko wtedy, gdy obok nich są podane warunki. Złe dane podstawowe, brak koncepcji uprawnień, brak właściciela działu? Wtedy te procenty można wyrzucić do kosza.

W przypadku platform danych rozwój jest bardziej pragmatyczny. Datasolut opisuje Microsoft Fabric z Copilotem jako oczywisty wybór dla wielu średnich przedsiębiorstw związanych z Microsoftem, ponieważ nakład pracy inżynierskiej i bariera wejścia są niższe. Databricks z Mosaic AI i Agent Bricks bardziej pasuje do firm, które postrzegają AI jako kluczową kompetencję i chcą orkiestrować własnych agentów. To strategiczny rozjazd. Kto ma 140 pracowników, dwóch administratorów IT i przeciążonego kierownika kontrolingu, nie powinien udawać, że jest OpenAI z wózkami widłowymi. Kto jednak ma 480 pracowników, zespół danych i cyfrową obietnicę produktu, może budować mocniej.

Niemieckim średnim przedsiębiorstwom pozostało tylko pięć lat. AI w budowie maszyn nie jest już tematem przyszłości, ale decyduje o tym, kto pozostanie konkurencyjny na rynku.

— Etienne Fieg, współzałożyciel lytra

Sformułowałbym to zdanie jeszcze ostrzej. Kto w budowie maszyn do 2027 roku nie będzie miał produktywnego agenta AI w serwisie, back office lub wsparciu sprzedaży, nie zniknie od razu. Ale będzie uczył się wolniej niż konkurencja. A wolniejsze uczenie się na rynkach z presją cenową, brakiem specjalistów i globalną obietnicą usług jest prawie tym samym, co kurczenie się. Schaeffler, Festo, Kärcher, Webasto czy Brose mają inne zasoby niż typowe średnie przedsiębiorstwo. Mimo to wyznaczają standardy czasu reakcji, cyfrowych interfejsów i jakości danych, według których klienci w końcu oceniają również mniejszych dostawców.

Drugie spojrzenie: Dlaczego wiele projektów Agentic AI się rozpada

Często słyszę kontrargument od CTO. „Najpierw nie panujemy nad naszymi danymi” – powiedział mi Jens, CTO dostawcy elektroniki z Norymbergi. Ma rację. Ale to zdanie czasami staje się wymówką, by przez lata nie podejmować decyzji. Jakość danych nie poprawia się w próżni. Poprawia się, gdy konkretny proces kosztuje pieniądze, a agent podczas pierwszego testu brutalnie pokazuje, jakich pól brakuje, jakie bazy artykułów są zduplikowane i jakie notatki CRM składają się tylko z „patrz e-mail”.

Mimo to istnieją prawdziwe pułapki. Pierwsza to Tech-first. Firmy zaczynają z LangChain, AutoGen, Copilot Studio lub jakimkolwiek Agent Builderem, bez wcześniejszego zbudowania mapy procesów. Wtedy powstaje demo, które zbiera aplauz zarządu, a w codziennej pracy nikomu nie pomaga. Druga to Over-Automation. Dyrektor zarządzający chce od razu autonomii end-to-end, bo wtedy slajd wygląda lepiej. Błąd. W krytycznych procesach człowiek musi najpierw być w pętli zatwierdzania. Potem można zatwierdzać standardowe przypadki. Stopniowo. Nie ze strachu, ale dlatego, że zaufanie jest czynnikiem produkcyjnym.

Trzecia pułapka to zarządzanie jako dodatek. Zwłaszcza w średnich przedsiębiorstwach DACH jest to śmiertelnie powolne. Rada zakładowa, ochrona danych i bezpieczeństwo IT są zapraszane dopiero, gdy MVP jest prawie gotowe. Wtedy pojawia się pytanie: Jakie dane osobowe przetwarza agent? Jakie logi są przechowywane? Czy wydajność jest monitorowana? Czy dane znajdują się w UE? Kto może zatrzymać agenta? Nagle w sali konferencyjnej pachnie zimną pizzą i paniką. Widziałem to wiele razy. Nie tylko w Amplifa, ale we wszystkich rozmowach z dyrektorami ds. cyfryzacji w Monachium, Stuttgarcie, Hanowerze i Linzu.

Zarządzanie Agentic AI: Średnie przedsiębiorstwa potrzebują wytycznych, a nie biurokracji

Wielu dyrektorów zarządzających słyszy „zarządzanie” i od razu widzi foldery, komitety i stawki godzinowe konsultantów. Zrozumiałe. Ale złe zarządzanie jest drogie, dobre zarządzanie to hamulec z ABS. Pozwala na szybkość, ponieważ wiadomo, kiedy się zatrzymać. Każdy program Agentic AI w średnich przedsiębiorstwach rozpocząłbym od czterech artefaktów zarządzania: rejestru przypadków użycia, klasyfikacji ryzyka zgodnie z EU AI Act, opisu stanowiska agenta i matrycy zatwierdzeń. Brzmi jak papier. W rzeczywistości to system operacyjny.

W przypadku EU AI Act nie chodzi tylko o systemy wysokiego ryzyka w HR, kredytach czy bezpieczeństwie krytycznym. Agenci niskiego ryzyka również potrzebują kompetencji, dokumentacji i kontroli, jeśli ingerują w procesy biznesowe. Agent obsługi klienta w Kärcher, który proponuje odpowiedzi, to coś innego niż agent HR, który sortuje aplikacje. Agent jakości u dostawcy motoryzacyjnego w pobliżu Wolfsburga ma inne ryzyka niż agent sprzedaży, który analizuje strony internetowe firm. Kto nie rozróżnia tych różnic, nadmiernie reguluje nieszkodliwe przypadki i nie docenia niebezpiecznych.

Moja rada jest ostra: Żadnych agentów w selekcji HR, decyzjach płacowych czy bezpieczeństwie krytycznym jako pierwszy projekt. Kropka. Pierwszy agent należy tam, gdzie spotykają się wysoki nakład pracy ręcznej, jasne dane i ograniczone szkody. Triage serwisowy. Wprowadzanie danych w back office. Badanie sprzedaży. Wyszukiwanie wiedzy ze źródłami. Tam organizacja uczy się, nie rzucając się od razu w najostrzejsze regulacje. Kto zaczyna od najtrudniejszego procesu, myli odwagę z próżnością.

Platforma czy własna konstrukcja: Błędne pytanie o dumę

Mam alergię na techniczne pytania o dumę. „Czy zbudujemy to sami?” jest często zadawane w średnich przedsiębiorstwach, zanim będzie jasne, co w ogóle ma być zbudowane. Platformy takie jak Microsoft Fabric, Databricks, SAP BTP czy wyspecjalizowani dostawcy, tacy jak lytra, nie rozwiązują tego samego problemu. Fabric z Copilotem jest dla organizacji związanych z Microsoftem często szybszym startem, zwłaszcza jeśli dane już znajdują się w Power BI, SharePoint i Azure. Databricks z Mosaic AI i Agent Bricks jest silniejszy, gdy inżynieria danych, ML-Ops i własna logika agentów są strategicznie istotne. SAP BTP jest oczywisty, jeśli kluczowe procesy są głęboko osadzone w ekosystemie SAP. lytra jest interesująca, jeśli serwis maszynowy to nie tylko proces, ale model biznesowy.

Własna konstrukcja opłaca się, gdy proces tworzy różnicowanie. Nie wtedy, gdy służy tylko do wyciągania faktury z PDF. Do tego jest wystarczająco dużo narzędzi. Ale jeśli agent łączy wiedzę o produkcie, logikę cenową, historię serwisu i wartość klienta w propozycję sprzedaży lub serwisu, własna konstrukcja lub przynajmniej silna indywidualizacja może mieć sens. Różnica to IP. W Wittenstein lub podobnym dostawcy intensywnie korzystającym z wiedzy, wartość tkwi nie tylko w produkcie, ale w decyzji, które rozwiązanie pasuje do problemu klienta. Tam nie chce się wrzucać wszystkiego do ogólnego pudełka.

Dla firm zatrudniających od 50 do 500 pracowników widzę zazwyczaj hybrydę. Standardowa platforma do dostępu do danych, bezpieczeństwa i uwierzytelniania. Indywidualna logika agentów dla procesów, które wpływają na przychody lub lojalność klientów. Żaden CTO nie powinien zajmować swojego skromnego zespołu odtwarzaniem ogólnych interfejsów czatu. Ale żaden dyrektor zarządzający nie powinien całkowicie delegować podstawowej logiki swojego modelu usługowego lub sprzedażowego dostawcy. To nie jest sprzeczność. To dojrzałość.

Jak branże różnie wykorzystują Agentic AI

W budowie maszyn serwis jest naturalnym punktem wejścia. Powód jest prosty: wiedza jest rozproszona, błędy się powtarzają, części zamienne mają marże, przestój kosztuje pieniądze. Agent serwisowy może tutaj bezpośrednio wpływać na czas rozwiązania problemu, wskaźnik naprawy za pierwszym razem i przychody z obsługi posprzedażnej. U producenta maszyn z Badenii-Wirtembergii, którego nazwy nie należy wymieniać, podczas warsztatów w pomieszczeniu testowym pachniało olejem hydraulicznym i ciepłą szafą sterowniczą. Najbardziej ekscytującym momentem nie było demo. Było to zdanie technika serwisowego: „Jeśli agent pokaże mi trzy ostatnie podobne przypadki, zaoszczędzę sobie dwóch telefonów.” Dokładnie to jest produktywność.

W handlu i w strukturach hurtowych technicznych back office jest silniejszy. Zamówienia przychodzą e-mailem, PDF-em, EDI, resztkami faksów (tak, nadal) i portalami. Agenci wyodrębniają pozycje, sprawdzają numery klientów, rozpoznają odchylenia, tworzą operacje. To mniej seksowne niż autonomiczny agent sprzedaży. Ale jeśli 14 osób codziennie przepisuje zamówienia, ROI jest oczywisty. Firma taka jak Würth ma oczywiście zupełnie inne efekty skali, ale wzorce te obowiązują również dla 90-osobowego specjalistycznego handlowca w Kassel.

W sprzedaży B2B Agentic AI jest bardziej delikatna, ponieważ zła automatyzacja od razu pachnie spamem. Kto w 2026 roku nadal wierzy, że agent może po prostu wysłać 10 000 zimnych e-maili i to jest strategia, zapomniał o swoim rozumieniu rynku w 2018 roku. Sensowna rola leży przed i pomiędzy: sprawdzanie dopasowania ICP, rozpoznawanie wyzwalaczy, badanie kontaktów, aktualizowanie CRM, przygotowywanie follow-upów, przekładanie notatek z rozmów na kolejne kroki. Markus, kierownik sprzedaży u producenta komponentów z Heilbronn, powiedział mi w kwietniu 2025 roku: „Naszym problemem nie jest to, że znamy za mało firm. Naszym problemem jest to, że nie wiemy, które są obecnie gotowe do zakupu.” Dokładnie tam agenci mogą pomóc.

Przykład praktyczny: Agent serwisowy z prawdziwymi liczbami

Weźmy typowe średnie przedsiębiorstwo z branży maszynowej zatrudniające 260 pracowników, z obrotem 42 milionów euro, 18 technikami serwisowymi, 7 osobami w wewnętrznym dziale technicznym i klientami w DACH, Beneluksie i Włoszech. Nie jest to wymyślona wizyta w fabryce, lecz skondensowany wzorzec z kilku rozmów i kalkulacji projektowych, jakie widzieliśmy w latach 2024 i 2025. Rocznie wpływa 18 000 zapytań serwisowych. Z tego 55 procent to powtarzające się błędy, pytania o części zamienne lub kwestie obsługi. Średni czas przetwarzania w wewnętrznym dziale wynosi 18 minut na zgłoszenie, w przypadku złożonych przypadków znacznie więcej. Przestrzeń do poprawy nie jest teoretyczna. Siedzi każdego ranka w skrzynce pocztowej.

Pierwszy agent otrzymuje wąską rolę: czytanie zgłoszenia, identyfikacja klienta i maszyny, pobieranie historii, wyświetlanie podobnych przypadków, proponowanie części zamiennej, generowanie projektu odpowiedzi ze źródłami, eskalacja w przypadku niepewności. Brak autonomicznego zatwierdzania cen. Brak instrukcji naprawy krytycznych dla bezpieczeństwa bez udziału człowieka. Po 12 tygodniach MVP analizuje się historycznie 6 000 zgłoszeń, przetwarza 1 200 zgłoszeń w trybie testowym i 300 na żywo z udziałem człowieka w pętli. Agent osiąga w standardowych przypadkach poprawną klasyfikację na poziomie 82 procent, propozycje są w 68 procentach przypadków przyjmowane przez dział wewnętrzny lub lekko modyfikowane. Nie idealnie. Ale użytecznie.

Kalkulacja wygląda następująco: Jeśli rocznie dotyczy to 9 900 standardowych zgłoszeń, a czas przetwarzania spada średnio z 18 do 10 minut, oszczędza to 79 200 minut. To 1 320 godzin. Przy wewnętrznych kosztach całkowitych wynoszących 62 euro za godzinę, potencjał efektywności wynosi około 81 840 euro rocznie. Do tego dochodzą przychody z serwisu. Jeśli agent w przypadku części zamiennych w zaledwie 8 procentach odpowiednich zgłoszeń umożliwia dopasowany artykuł dodatkowy lub szybszy proces ofertowania, a z tego wynika 120 000 euro dodatkowej marży rocznie, to przypadek nagle przestaje być tylko redukcją kosztów. Wtedy obsługa posprzedażna staje się mierzalną dźwignią przychodów. Właśnie dlatego uważam, że czyste kalkulacje produktywności są zbyt małe.

Pilotaż w tym przykładzie kosztuje 160 000 euro, wliczając w to podłączenie danych, projektowanie przepływu pracy, koszty modelu, testy, szkolenia i zarządzanie. Bieżące koszty wynoszą 36 000 euro rocznie. W konserwatywnym przypadku projekt zwraca się po 13 do 18 miesiącach. W lepszym przypadku po mniej niż 12 miesiącach. Różnica rzadko tkwi w cenie modelu. Tkwi w dostępie do danych, wykorzystaniu przez dział i pytaniu, czy serwis naprawdę może sprzedawać, czy tylko gasi pożary.

Amplifa ICP Playbook Skorzystaj z ICP Playbook, aby najpierw dostosować przypadki użycia Agentic AI w sprzedaży i serwisie do odpowiednich segmentów klientów.

FAQ: Co dyrektorzy zarządzający muszą wiedzieć o Agentic AI

Czy Agentic AI jest w ogóle realistyczna dla firm zatrudniających od 50 do 500 pracowników?

Tak, ale nie jako program korporacyjny w miniaturze. Firma zatrudniająca 80 pracowników nie potrzebuje wieży transformacji AI. Potrzebuje procesu z dużym bólem, właściciela merytorycznego, decyzji o platformie i MVP, które w ciągu 8 do 12 tygodni coś zmierzy. W przypadku firm zatrudniających od 50 do 500 pracowników przewaga jest często nawet większa, ponieważ decyzje zapadają szybciej. Wada: każda błędna budowa natychmiast pochłania zasoby.

Które przypadki użycia Agentic AI najpierw przynoszą ROI?

Z mojego doświadczenia wynika, że najpierw triage serwisowy, wprowadzanie zamówień, badanie sprzedaży, wyszukiwanie wiedzy i standardowe raportowanie. Nie dlatego, że te przypadki są najfajniejsze. Ale dlatego, że są mierzalne. Czas na operację, wskaźnik błędów, czas odpowiedzi, szybkość ofertowania, przepływ zgłoszeń. Jeśli CFO ze Stuttgartu po czterech tygodniach pyta, czy agent działa, potrzebna jest nie wizja, lecz punkt odniesienia.

Ile autonomii może mieć agent na początku?

Niewiele. Najpierw asystent, potem częściowo autonomiczny, a następnie autonomiczny w jasno określonych standardowych przypadkach. Wiem, to brzmi ostrożnie. Ale tak nie jest. Jest szybciej, ponieważ zaufania nie trzeba naprawiać później. Agent, który wysyła trzy błędne e-maile do klientów, może zniszczyć cały program. Agent, którego propozycje ludzie sprawdzają i oceniają, uczy się wraz z organizacją.

Ile kosztuje poważne wejście w Agentic AI?

Na strategię i priorytetyzację przypadków użycia dyrektorzy zarządzający powinni przeznaczyć od 20 000 do 50 000 euro. MVP z jednym lub dwoma agentami kosztuje zazwyczaj od 80 000 do 250 000 euro, jeśli obejmuje prawdziwą integrację systemową. Kto wierzy, że za 9 000 euro prototypu z warsztatu uzyska produktywną autonomię ERP, będzie rozczarowany. Może dostanie demo. Ale nie wiarygodną zdolność operacyjną.

Czy najpierw potrzebujemy kompletnej strategii danych?

Nie. Ale potrzebujesz wystarczającej strategii danych dla wybranego procesu. To duża różnica. Dla agenta serwisowego zgłoszenia, dane podstawowe maszyn, instrukcje i części zamienne muszą być dostępne, wersjonowane i uprawnione. Dla agenta sprzedaży potrzebujesz czystych kryteriów ICP, danych kont, źródeł wyzwalaczy i zasad CRM. Kto czeka na idealny krajobraz danych, czeka długo. Kto zaczyna bez zasad danych, buduje chaos z ładnym interfejsem.

Siedem kroków do strategii Agentic AI w średnich przedsiębiorstwach

1. Rozpocznij od inwentaryzacji przypadków użycia w serwisie, back office, sprzedaży, produkcji i kontrolingu. Zbierz od 20 do 40 kandydatów, ale wybierz tylko jeden pierwszy proces. Warsztat w maju 2025 roku z producentem B2B z Ulm pokazał ten sam wzorzec: pierwsze dziesięć pomysłów było zbyt szerokich, najlepszy pomysł tkwił w nudnym przejściu oferty.
2. Oceń każdy przypadek użycia pod kątem wpływu, nakładu pracy, dostępu do danych, ryzyka i właścicielstwa procesu. Nie rozpocząłbym żadnego przypadku użycia, w którym kierownik działu nie bierze osobiście odpowiedzialności. Jeśli nikt nie podpisze się pod tym nazwiskiem, przypadek nie jest politycznie dojrzały.
3. Napisz opis stanowiska dla agenta. Dane wejściowe, wyjściowe, dozwolone działania, zabronione działania, ścieżka eskalacji, KPI, dziennik audytu. Traktuj agenta jak nową rolę operacyjną, a nie jak wtyczkę.
4. Wcześnie wyjaśnij kwestie platformy i przechowywania danych. Microsoft Fabric, Databricks, SAP BTP, Copilot Studio, lytra czy własna konstrukcja to nie są dogmaty. Wybór zależy od istniejącej infrastruktury IT, zdolności inżynierskich, wymagań UE dotyczących danych i stopnia zróżnicowania procesu.
5. Włącz ochronę danych, radę zakładową i bezpieczeństwo IT w pierwszym tygodniu. Nie jako hamulce. Jako projektantów ryzyka. Zwłaszcza w przypadku danych osobowych, powiązania z wydajnością lub decyzji krytycznych dla bezpieczeństwa nie może być niespodzianek.
6. Przed MVP zmierz punkt odniesienia. Czas przetwarzania, wskaźnik błędów, czas realizacji, czas odpowiedzi, wskaźnik ofertowania, przychody z serwisu. Bez punktu odniesienia na koniec wygrywa najgłośniejsza opinia w pomieszczeniu.
7. Planuj skalowanie dopiero po udowodnieniu użyteczności. Agent, którego ignoruje 80 procent zespołu, nie jest kandydatem do skalowania. Agent, którego propozycje są przyjmowane w 65 do 75 procentach przypadków, zasługuje na budżet.

Produkt Amplifa Amplifa pomaga zespołom B2B produktywnie wdrażać oparte na AI przepływy pracy w sprzedaży i zarządzaniu kontami, zamiast tylko tworzyć dema.

Co konkretnie widzimy w Amplifa

Co konkretnie widzimy w Amplifa: Najlepsze projekty Agentic AI w sprzedaży nie zaczynają się od outreach, ale od logiki rynkowej. W ciągu ostatnich 12 miesięcy u klientów z branży maszynowej, usług technicznych i oprogramowania B2B zaobserwowaliśmy powtarzający się wzorzec: jeśli ICP jest nieostry, AI generuje więcej aktywności i mniej prawdy. Gdy kryteria ICP są zoperacjonalizowane – branża, wyzwalacze, zainstalowane technologie, sygnały wzrostu, priorytet regionalny, kryteria wykluczenia – liczba kontaktowanych kont spada czasami o 35 do 55 procent, podczas gdy wskaźnik umówionych spotkań rośnie. Klient z regionu Stuttgartu po dziewięciu miesiącach umówił trzykrotnie więcej kwalifikowanych pierwszych spotkań, bez zatrudniania dodatkowego SDR. Nie dlatego, że e-maile nagle stały się poetyckie. Ale dlatego, że agent przestał ścigać niewłaściwe firmy.

To jest lekcja dla Agentic AI jako całości. Autonomia bez kryterium wyboru to hałas. Agent serwisowy potrzebuje kryteriów dla standardowego przypadku i wyjątku. Agent back office potrzebuje kryteriów dla bezpiecznej ekstrakcji i ręcznej weryfikacji. Agent sprzedaży potrzebuje kryteriów dla dopasowania i czasu. W przeciwnym razie automatyzuje się nie pracę, lecz niejasność. A niejasność skaluje się brutalnie źle.

ROI zależy od adopcji, a nie od kosztów modelu

Wiele kalkulacji ROI dla Agentic AI skupia się na kosztach LLM. To niewłaściwe miejsce. Koszty modelu są istotne, ale rzadko są główną dźwignią. Drogie są integracje, wyjaśnianie procesów, zmiany, zapewnienie jakości i eksploatacja. Jeszcze droższe jest brak wykorzystania. Agent, który technicznie działa, ale jest omijany przez pracowników, ma ujemne ROI. Wtedy płacisz za platformę, doradztwo, wewnętrzne zasoby i tracisz zaufanie. Wolę mieć małego agenta, który jest codziennie używany, niż dużą architekturę, która błyszczy w Confluence.

Adopcja nie powstaje tylko poprzez szkolenia. Powstaje, gdy agent odczuwalnie odciąża pracę, nie kompromitując człowieka. W jednym projekcie pracownica obsługi klienta w Kolonii powiedziała: „Nie chcę, żeby AI pisała moją odpowiedź. Chcę, żeby przyniosła mi trzy informacje, których inaczej musiałabym szukać.” To zdanie jest na wagę złota. Wiele osób nie chce automatycznego głosu na zewnątrz. Chcą mniej pracy związanej z wyszukiwaniem, mniej kopiowania, mniej przełączania systemów. To powinno kształtować projekt.

Dlatego pracownicy powinni być zaangażowani w rozwój agentów. Nie w teatrze zmian z karteczkami samoprzylepnymi, ale konkretnie: Jakie przypadki są irytujące? Jakie wyjątki są niebezpieczne? Jakie sformułowania nigdy nie wysłałbyś do klientów? Które pola ERP są wiarygodne, a które kłamią? Kto nie zadaje tych pytań, buduje dla schematów organizacyjnych, a nie dla pracy.

Moja prognoza na 2026 i 2027 rok

Nie wierzę, że w 2026 roku każde średnie przedsiębiorstwo będzie miało organizację Agentic AI. Termin ten i tak brzmi większy, niż większość firm potrzebuje. Ale wierzę, że dobre średnie przedsiębiorstwa do końca 2026 roku będą prowadzić od dwóch do pięciu produktywnych agentów w jasnych procesach. Serwis, back office, wsparcie sprzedaży, raportowanie, wyszukiwanie wiedzy. Nie jako laboratorium. W eksploatacji. Z logami, rolami, KPI i człowiekiem, który za to odpowiada.

Przegranymi nie będą firmy, które za późno kupią najnowszy model. Przegranymi będą firmy, które nie uczynią swoich procesów decyzyjnymi. Ponieważ Agentic AI zmusza organizacje do czegoś, czego długo mogły unikać: wyraźnego określenia, kto, co i kiedy może decydować. To jest niewygodne. Drażni granice działów, stare nawyki, małe ukryte procesy w Excelu. Ale właśnie tam leży zysk.

Moje osobiste stanowisko jest proste: Kto traktuje Agentic AI jako projekt IT, dostanie drogie demo. Kto traktuje to jako projekt procesowy i rynkowy, może zobaczyć mierzalne korzyści w ciągu 12 miesięcy. Nie wszędzie. Nie bez tarcia. Ale wystarczająco, aby zaniepokoić konkurencję. I być może to jest najlepszy wczesny wskaźnik: Jeśli pierwszy technik serwisowy powie, że nie chce już oddać agenta, strategia po raz pierwszy zagościła w codziennej pracy.