Agent AI, który podejmuje dobre decyzje w 95 przypadkach na 100, po dziesięciu następujących po sobie krokach ma skuteczność na poziomie około 60 procent. To nie jest usterka konkretnego modelu, tylko zwykła matematyka łańcucha probabilistycznych rozstrzygnięć.
Kluczowe fakty:
- Agent AI o skuteczności 95% przy podejmowaniu pojedynczych decyzji osiąga zaledwie około 60% skuteczności po dziesięciu następujących po sobie krokach – to wynik matematyki łańcucha probabilistycznego, a nie wada konkretnego modelu.
- Według danych IBM Institute for Business Value z 2025 roku, 77% zespołów IT nie ma pełnego wglądu w swoje środowiska hybrydowe, co oznacza, że agenty AI działają bez dostępu do kompletnych informacji o środowisku produkcyjnym.
- Bernd Greifeneder, dyrektor techniczny Dynatrace, wskazuje, że rozwiązaniem problemu nie jest tworzenie bardziej kreatywnych modeli AI, lecz zbudowanie deterministycznego fundamentu w postaci sprawdzalnych faktów i mapy zależności systemowych.
Bernd Greifeneder, dyrektor techniczny i współzałożyciel Dynatrace, opublikował pod koniec maja komentarz, który firma właśnie rozsyła w polskiej wersji do redakcji. Teza jest prosta i niewygodna: agenty AI piszą, wdrażają i utrzymują kod szybciej, niż zrobiłby to jakikolwiek zespół ludzi, ale robią to bez informacji o tym, co dzieje się w środowisku produkcyjnym. Działają szybko. I na ślepo.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Dlaczego 95 procent to za mało
Przemnóżcie 0,95 przez siebie dziesięć razy. Wyjdzie 0,5987. Tyle właśnie zostaje z „prawie idealnej” precyzji agenta po dziesięciu kolejnych decyzjach, z których każda opiera się na wyniku poprzedniej.
Generatywna AI pogłębia problem, bo przy identycznych danych wejściowych potrafi zwrócić różne wyniki. W pojedynczym zapytaniu to ciekawostka. W łańcuchu agentów, gdzie jeden przekazuje wynik drugiemu, odchylenia się kumulują i każde błędne działanie może uruchomić kolejne. W skali przedsiębiorstwa oznacza to awarie, ryzyko regulacyjne i straty finansowe.
Greifeneder ujmuje to tak:
„Działają z zawrotną prędkością, a jednocześnie po omacku.” / „They operate at speed, but without sight.”
Wniosek, który z tego wyciąga, jest wart uwagi, bo idzie pod prąd całej narracji ostatnich dwóch lat. Nie potrzebujemy bardziej kreatywnego modelu. Potrzebujemy deterministycznego fundamentu: sprawdzalnych faktów i mapy zależności w systemie, o którą agent może oprzeć każdą decyzję.
Ślepy punkt, który ma swoją liczbę
W komentarzu pada liczba 77 procent zespołów IT bez pełnego wglądu w środowiska hybrydowe. Dynatrace powołuje się na dane IBM Institute for Business Value z 2025 roku.
Sprawdziłem, czy to odosobniony pomiar. Nie jest. W marcu tego roku SolarWinds opublikował raport przygotowany razem z UserEvidence na próbie ponad 750 specjalistów IT i wyszła dokładnie ta sama wartość: 77 procent deklaruje ograniczoną widoczność w środowiskach łączących infrastrukturę lokalną z chmurą. Do tego 75 procent wskazuje brak koordynacji między zespołami sieciowymi, infrastrukturalnymi, aplikacyjnymi i bazodanowymi, a 55 procent przyznaje, że używa zbyt wielu narzędzi monitorujących naraz.
„Widoczność nie jest już opcjonalna, jest fundamentem” / „visibility is no longer optional; it’s foundational”, komentował wyniki Cullen Childress, Chief Product Officer w SolarWinds.
Dwa niezależne badania, ta sama liczba. Dopóki oprogramowanie pisali i utrzymywali ludzie, tę lukę dało się domykać ręcznie, kosztem czasu i nerwów dyżurnych inżynierów. Kiedy kod tworzy, wdraża i uruchamia rój agentów, ręczne domykanie przestaje nadążać.
Firma na dwóch prędkościach
Greifeneder opisuje sytuację, w której przedsiębiorstwo działa jednocześnie w dwóch trybach. W pierwszym pracę wykonują ludzie, a AI wspiera inżynierów i ogranicza wysiłek manualny. To wciąż zdecydowana większość organizacji. W drugim zespoły agentów budują i utrzymują oprogramowanie od początku do końca, a ludzie wyznaczają cele i piszą specyfikacje.
I tu pada zdanie, które w mojej ocenie jest najciekawszym fragmentem całego materiału: własność intelektualna przenosi się z kodu do specyfikacji, bo kod staje się generowanym artefaktem. Jeśli specyfikacja jest kompletna, agenty odtworzą z niej system od zera.
Migracja z pierwszego trybu do drugiego nie dokona się z dnia na dzień. Istniejące systemy niosą procesy, wymogi zgodności i stosy technologiczne, których nie da się przepisać w weekend. Bezpieczna droga wiedzie przez zespoły innowacji, które zaczynają od aplikacji mniej krytycznych i dopiero po udanych próbach sięgają po to, co naprawdę podtrzymuje biznes.
Czytam ten komentarz z mieszanymi uczuciami i chcę być wobec czytelników uczciwy. Dynatrace sprzedaje observability, więc diagnoza, w której observability okazuje się warunkiem sensownego wdrożenia agentów, jest dla tej firmy wygodna. To nie znaczy, że jest fałszywa. Matematyka kumulacji błędów w łańcuchu decyzji nie zależy od tego, kto ją przypomina, a 77 procent potwierdzone w dwóch niezależnych badaniach to twardy sygnał.
Niepokoi mnie co innego. Przez ostatnie dwa lata branża rozmawiała niemal wyłącznie o tym, jak zwiększyć możliwości modeli. O tym, jak zbudować wokół nich warstwę kontroli, mówiło się przy okazji i głównie w kontekście zgodności z przepisami. Tymczasem pytanie „skąd wiem, co zrobił mój agent i dlaczego” jest pytaniem operacyjnym, nie prawniczym. Zadaje je dyrektor IT o trzeciej nad ranem, kiedy system leży, a w logach nie ma nikogo, kogo można by zapytać.
Otwarte pozostaje pytanie o koszt. Pełna telemetria środowiska hybrydowego to wydatek, który w niejednej średniej firmie przewyższa rachunek za samą infrastrukturę produkcyjną. Czy nie skończy się tak, że mniejsze organizacje wybiorą agenty bez wglądu, bo na wgląd ich zwyczajnie nie stać? Wtedy przewaga, która miała być demokratyzacją technologii, znów pojedzie w stronę największych.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Nowa miara dojrzałości: ile razy musiał wtrącić się człowiek
Zmienia się też sposób liczenia sukcesu. W zespołach prowadzonych przez agenty wskaźnikiem przestaje być liczba zamkniętych zadań, a staje się procent interwencji człowieka potrzebnych do osiągnięcia celu. Im niższy, tym lepiej działa automatyzacja.
Droga do tego stanu ma według Dynatrace kilka etapów:
- automatyzacja dobrze zdefiniowanych, powtarzalnych zadań
- nadzorowana autonomia (supervised autonomous), w której AI przygotowuje gotowy plan, a człowiek go zatwierdza
- pełna autonomia (fully autonomous), gdzie agent działa samodzielnie w wyznaczonych ramach
Większość firm jest dziś między pierwszym a drugim etapem. I to jest, moim zdaniem, najbardziej wiarygodny fragment tego materiału, bo nikt nie obiecuje tu skoku do pełnej autonomii w najbliższym kwartale.
Rynek, który zarabia na cudzej ślepocie
Liczby pokazują, że temat przestał być teoretyczny. Dynatrace zamknął rok obrotowy 31 marca 2026 z powtarzalnym przychodem rocznym powyżej 2 miliardów dolarów i przychodami rzędu 2,02 miliarda, przy wzroście ARR o 16 procent w ujęciu stałowalutowym. Segment zarządzania logami przekroczył 100 milionów dolarów rocznej konsumpcji, rosnąc ponad dwukrotnie w każdym kwartale roku obrotowego. O ten sam rynek biją się Datadog, Cisco z portfelem Splunka i AppDynamics, Elastic, Grafana i New Relic.
Po drugiej stronie mamy prognozę Gartnera, do której branża wraca uparcie: ponad 40 procent projektów agentowych zostanie porzuconych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej albo słabych mechanizmów kontroli ryzyka. Analitycy firmy szacowali też, że spośród tysięcy dostawców reklamujących się jako agentowi tylko około 130 rzeczywiście dostarcza taką technologię. Reszta to zmiana etykiety na produktach, które istniały wcześniej.
Co to oznacza dla polskich firm?
Tegoroczne badanie EY na próbie blisko pięciuset przedsiębiorstw w Polsce pokazuje układ, który do tej diagnozy pasuje aż nazbyt dobrze. Siedemdziesiąt siedem procent firm planuje zwiększyć wydatki na sztuczną inteligencję. Jednocześnie prawie połowa tych, które już coś wdrożyły, jest efektami rozczarowana. Tylko co dziesiąta zmienia dzięki AI model biznesowy, reszta płaci za szybszą wersję tego, co robiła wcześniej. Największą przeszkodą dla 54 procent respondentów jest integracja AI z systemami, które już działają.
Zbieżność liczby 77 z badaniem cytowanym przez Dynatrace jest przypadkowa i dotyczy zupełnie innej rzeczy. Ale zestawienie tych dwóch statystyk mówi coś sensownego o polskim rynku: rosną budżety, nie rośnie wgląd.
Praktyczny wniosek dla polskiego dyrektora IT sprowadza się do kolejności działań. Zanim podpiszecie umowę na agenty, które mają samodzielnie wdrażać kod, sprawdźcie, czy potraficie odpowiedzieć na trzy pytania o dowolną zmianę wypuszczoną w zeszłym tygodniu: co się zmieniło, kto to zatwierdził, jaki był efekt w produkcji. Jeśli odpowiedź wymaga przeszukiwania kilku niepołączonych ze sobą narzędzi, agent tego nie naprawi. Przyspieszy tylko tempo, w jakim będziecie tracić orientację.
W polskich realiach dochodzi jeszcze jeden argument, o którym w materiale Dynatrace nie ma słowa, a który za chwilę zacznie ważyć. Systemy AI wykorzystywane w obszarach uznanych za wysokiego ryzyka wymagają na gruncie AI Act rejestrowania zdarzeń i możliwości odtworzenia, jak system doszedł do danego rozstrzygnięcia. Dziennik zdarzeń, którego nie ma, to nie tylko problem operacyjny. To także brak dowodu w postępowaniu.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Czego w tym komentarzu brakuje
Uczciwie: brakuje danych o tym, ile faktycznie kosztuje domknięcie luki. Dynatrace podaje wyniki własnych testów wewnętrznych, między innymi dwunastokrotnie wyższą skuteczność w scenariuszach SRE i trzykrotnie szybsze rozwiązywanie problemów, ale są to pomiary producenta, nie niezależnego audytora. Traktuję je jak deklarację marketingową, dopóki ktoś ich nie zweryfikuje.
Sama diagnoza broni się jednak niezależnie od tego, kto ją formułuje. Można nie kupić niczego od Dynatrace i wciąż mieć rację, przyjmując, że agent bez informacji zwrotnej z produkcji jest szybkim generatorem ryzyka. Pytanie brzmi tylko, czy firmy zauważą to przed pierwszą poważną awarią, czy dopiero po niej.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału prasowego Dynatrace Polska (Clue PR) przekazanego redakcji, którego pierwotną wersją jest komentarz Bernda Greifenedera opublikowany na blogu Dynatrace 28.05.2026. Wykorzystano również dane z raportu 2026 State of Monitoring & Observability przygotowanego przez SolarWinds i UserEvidence z 11.03.2026, prognozę Gartnera dotyczącą porzucanych projektów agentowych, wyniki finansowe Dynatrace za rok obrotowy zakończony 31.03.2026 oraz badanie EY „Jak polskie firmy wdrażają AI?”. Odwołania do danych IBM Institute for Business Value pochodzą z przypisu w oryginalnym materiale Dynatrace. Cytaty Bernda Greifenedera (CTO i współzałożyciel Dynatrace) oraz Cullena Childressa (Chief Product Officer, SolarWinds) zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych danych o wdrożeniach agentów AI w środowiskach produkcyjnych.
