Firmy popełniają błąd, gdy traktują agentyczną sztuczną inteligencję jak jedną, uniwersalną technologię, którą można wdrożyć według tego samego schematu w każdym dziale. Marc Escobosa, wiceprezes Salesforce Futures, proponuje zamiast tego dwa pytania, które dzielą zadania na cztery kategorie i w każdej z nich wyznaczają człowiekowi inną rolę.
- Marc Escobosa, wiceprezes Salesforce Futures, proponuje ocenianie zadań dla agentycznej AI według dwóch pytań: czy model językowy był trenowany na wystarczającej ilości odpowiednich danych oraz czy da się zweryfikować poprawność odpowiedzi – co pozwala podzielić zadania na cztery kategorie z różną rolą człowieka.
- Według Escobosy zadania, w których AI ma dużo kontekstu, ale trudno ocenić jakość wyniku – jak kampanie marketingowe czy strategia marki – grożą upodobnieniem się firm do siebie, bo dwie organizacje zadające modelowi podobne pytania mogą po czasie odkryć, że ich komunikaty i strategie zaczynają wyglądać tak samo.
- Z badania Bilans Kapitału Ludzkiego, przeprowadzonego przez PARP z Uniwersytetem Jagiellońskim i opublikowanego 22 kwietnia 2026 r. na próbie 1822 pracodawców, wynika, że AI aktywnie wykorzystuje zaledwie 23 proc. polskich przedsiębiorstw, a 64 proc. nie ma zdania w tej sprawie lub nie ma możliwości jej wdrożenia.
Salesforce Futures to zespół Salesforce, który wydaje własny magazyn o przyszłości przedsiębiorstw. Escobosa zaczyna od obserwacji, którą zna każdy, kto widział agentów AI przy programowaniu. Grupa agentów pisze kod, sama go testuje i naprawia wykryte błędy. Łatwo z tego wywnioskować, że ten sam model pracy sprawdzi się w całej organizacji. Według Escobosy takie rozumowanie prowadzi na manowce, bo AI radzi sobie świetnie tylko z częścią zadań. W innych bywa zawodna, czasem w niebezpiecznym stopniu.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Programowanie działa, bo wynik da się sprawdzić testem
Escobosa tłumaczy sukces agentów w programowaniu jasnymi regułami i możliwością weryfikacji. Poprawność kodu sprawdzają testy, a właśnie taki mechanizm informacji zwrotnej pozwolił modelom rozwinąć tę umiejętność.
Zupełnie inaczej wygląda pytanie o to, czy obniżyć cenę produktu, który słabo się sprzedaje. Ten sam agent odpowie na nie z równie dużą pewnością siebie, nawet jeśli nie ma danych potrzebnych do takiej decyzji. Nie będzie też sposobu, żeby sprawdzić, czy ma rację, zanim firma zacznie działać.
Dwa pytania, które dzielą zadania na cztery kategorie
Escobosa uważa, że nierówne możliwości agentycznej AI da się przewidzieć. Przed przekazaniem zadania agentowi proponuje zadać dwa pytania:
- Czy duży model językowy (LLM) był trenowany na wystarczającej ilości odpowiednich danych, żeby skutecznie wykonać zadanie?
- Czy da się zweryfikować odpowiedź i upewnić się, że jest prawidłowa?
Odpowiedzi nie są zero-jedynkowe, tylko mieszczą się na skali. To, gdzie zadanie wypada na obu skalach, podpowiada, jak podzielić pracę między ludzi i agentów.
| Kategoria zadania | Przykład według Escobosy | Rola człowieka |
|---|---|---|
| Łatwa weryfikacja, bogaty kontekst | programowanie, poszukiwanie nowych materiałów | przydziela zadania i kontroluje wyniki |
| Łatwa weryfikacja, brak kontekstu | pilna dostawa do klienta | dostarcza AI wiedzę nieformalną |
| Trudna weryfikacja, bogaty kontekst | kampania marketingowa, pozycjonowanie marki | ocenia oryginalność i dopasowanie do firmy |
| Trudna weryfikacja, brak kontekstu | przejęcie firmy na nowym rynku | podejmuje decyzję i bierze za nią odpowiedzialność |
W kodzie i nauce agent może pracować sam pod kontrolą człowieka
Pierwsza kategoria obejmuje zadania, w których AI dobrze zna problem i istnieje obiektywna metoda oceny wyniku. Oprócz programowania Escobosa wskazuje wiele zagadnień naukowych i inżynieryjnych. Agent może na przykład szukać materiału, który pozostaje elastyczny po zamrożeniu i nie topi się poniżej określonej temperatury. Wynik łatwo potem sprawdzić pod kątem tych wymagań.
Według Escobosy korzyści z AI kumulują się właśnie w tych obszarach. Eksperckie kryteria oceny i dane o ludzkich preferencjach pozwalają już weryfikować również zadania bez jednej poprawnej odpowiedzi, więc wraz z rozwojem modeli agenci przejmą ich coraz więcej. Pracownik przestaje wykonywać każdy etap pracy sam. Decyduje, co można oddać agentowi, i buduje mechanizmy kontroli.
Ryzyko działa w obie strony. Firma, która zbyt wolno przekazuje zadania AI, może zostać wyprzedzona przez konkurencję. Firma, która robi to zbyt wcześnie, zautomatyzuje błędy równie sprawnie jak dobre działania.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
AI brakuje wiedzy, którą pracownicy mają w głowach i na Slacku
Druga kategoria to zadania, których wynik łatwo sprawdzić, choć AI nie była trenowana na podobnych przypadkach. Escobosa podaje przykład pilnego zamówienia, które musi dotrzeć do klienta do piątku. Weryfikacja jest prosta: przesyłka dotarła albo nie. Doświadczony pracownik wie jednak, że jeden dostawca regularnie spóźnia się z realizacją, drugi przyspieszy zamówienie po telefonie do właściwej osoby, a trzeci wyśle opóźniony towar, jeśli dostanie dość czasu na przygotowanie. Żadna z tych informacji nie musi figurować w opisie procesu.
Escobosa zauważa, że dużo takiej wiedzy krąży w wątkach na Slacku, rozmowach na korytarzu i doświadczeniu ludzi. Zadaniem człowieka jest zebrać ją i przekazać agentowi. Firmy już próbują to robić na różne sposoby:
- pracownicy serwisu noszą kamery na głowie, które rejestrują, jak naprawdę wykonują swoją pracę,
- Mercor i podobne firmy zbudowały model biznesowy na wywiadach z ekspertami i sprzedaży pozyskanej wiedzy laboratoriom AI.
Organizacja, która potrafi zamienić nieformalną wiedzę w użyteczny kontekst, rozwinie agentów w sposób trudny do skopiowania przez konkurencję, nawet jeśli obie firmy korzystają z tego samego modelu. Escobosa dodaje warunek: takie dane i wzorce decyzji trzeba chronić przed wykorzystaniem do trenowania zewnętrznych modeli.
W marketingu i strategii AI daje poprawne odpowiedzi, które upodabniają firmy do siebie
Trzecia kategoria wygląda niewinnie. AI ma dużo kontekstu, tylko nie da się szybko i obiektywnie sprawdzić, czy jej odpowiedź jest dobra. Escobosa zalicza tu znaczną część marketingu, budowania marki i strategii.
Agent poproszony o nową kampanię przygotuje dopracowany materiał, który zrobi wrażenie na zespole. Ponieważ opiera się na wcześniejszych przykładach, łatwo wygeneruje coś, co tylko sprawia wrażenie nowego. Dwie konkurujące firmy zadają modelowi podobne pytania i dostają przekonujące odpowiedzi. Po pół roku mogą odkryć, że ich kampanie, komunikaty, a może nawet strategie coraz bardziej się do siebie upodabniają.
Rolą człowieka jest tu ocena. Escobosa podsuwa pytania kontrolne: czy materiał odzwierciedla to, co klienci cenią w firmie? Czy równie dobrze mógłby go podpisać konkurent? Czy wnosi coś nowego? Gdy efekty kampanii da się zmierzyć, firma może wykorzystać te dane do udoskonalenia kryteriów oceny. Podobne zadania z czasem przejdą wtedy do kategorii, w której pracę AI łatwiej zweryfikować.
Z całego tekstu Escobosy najmocniej trafia do mnie fragment o upodabnianiu się firm. Widzę to na co dzień w redakcji. Coraz więcej materiałów, które do nas trafiają, ma tę samą budowę, te same przymiotniki i te same obietnice. Pojedynczo każdy z nich jest poprawny. Razem zlewają się w jedno.
Sam podział na cztery kategorie uważam za rozsądny, bo jest prosty i da się go użyć na zebraniu zarządu bez slajdów z architekturą systemu. Trzeba jednak pamiętać, kto go proponuje. Salesforce sprzedaje platformę dla agentów AI i ma interes w tym, żeby firmy oddawały agentom jak najwięcej zadań z pierwszej kategorii. To nie unieważnia argumentów, tylko każe czytać je uważnie.
Najtrudniejsze pytanie Escobosa zostawia otwarte. Kto w firmie ma oceniać, do której kategorii należy dane zadanie, i jak często to sprawdzać? Jeśli robi to dostawca technologii, ocena może wypaść zbyt optymistycznie. Jeśli zespół, który boi się o swoje stanowiska, może wypaść zbyt ostrożnie. Do tego dochodzi napięcie, które autor sam zauważa. Najcenniejsza przewaga, czyli wiedza nieformalna pracowników, ma trafić do agentów i jednocześnie nie wyciec do zewnętrznych modeli. W praktyce mało która firma ma dziś nad tym kontrolę.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Decyzje bez precedensu zostają po stronie zarządu
Czwarta kategoria to zadania, w których nie ma ani możliwości weryfikacji, ani wcześniejszych przykładów. Escobosa opisuje firmę, która rozważa przejęcie przedsiębiorstwa na rynku, gdzie dotąd nie działała. AI przeanalizuje dane finansowe, znajdzie porównywalne transakcje i rozpisze scenariusze. Żadna z tych czynności nie powie zarządowi, czy przejęcie wzmocni firmę, odciągnie ją od podstawowej działalności, czy okaże się kosztownym błędem za pięć lat.
Jeśli sytuacja jest naprawdę bezprecedensowa, nie ma powodu zakładać, że model wyciągnie trafne wnioski z garstki podobnych przypadków z danych treningowych. AI nie staje się przez to bezużyteczna, zmienia się tylko jej rola. Może wskazywać założenia, szukać analogii, proponować alternatywy i budować najmocniejsze argumenty przeciwko opcji preferowanej przez zarząd. Ostateczną decyzję podejmuje człowiek i to on ponosi za nią odpowiedzialność.
W Polsce AI aktywnie wykorzystuje 23 proc. firm według PARP
Polskie przedsiębiorstwa są na wcześniejszym etapie niż firmy, o których pisze Escobosa. Z badania Bilans Kapitału Ludzkiego, które Polska Agencja Rozwoju Przedsiębiorczości (PARP) przeprowadziła z Uniwersytetem Jagiellońskim i opublikowała 22 kwietnia 2026 r., wynika, że AI aktywnie wykorzystuje 23 proc. przedsiębiorstw. Kolejne 11 proc. planuje wdrożenie, a 64 proc. nie ma w tej sprawie zdania albo nie ma możliwości, żeby AI wprowadzić. Badanie objęło 1822 pracodawców z 12 branż o największym potencjale wykorzystania AI.
PARP podzieliła firmy pod względem gotowości do AI na cztery grupy. Tradycjonaliści stanowią 46 proc., technologiczni nowicjusze 36 proc., cyfrowi praktycy 12 proc., a pionierzy innowacji tylko 6 proc.
Moim zdaniem to właśnie dla tej większości dwa pytania Escobosy mogą się przydać najbardziej. Firma, która dopiero wybiera pierwsze zadania dla AI, może zacząć od tych, których wynik łatwo sprawdzić. Uniknie wtedy wdrożenia narzędzia wszędzie naraz i rozczarowania, gdy agent pewnym tonem zacznie doradzać w sprawach, o których nie ma pojęcia.
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.
Zarządy powinny pytać, jakie to zadanie i jaka jest w nim rola człowieka
Escobosa radzi kadrze zarządzającej, żeby zamiast pytania „gdzie wdrożyć AI?” zadawała inne: „z jakim rodzajem zadania mamy do czynienia i jaką rolę ma w nim odgrywać człowiek?”.
Autor przyznaje, że cztery kategorie są uproszczeniem. Możliwości weryfikacji i dostęp do kontekstu zmieniają się w czasie. Zadania przechodzą między kategoriami, gdy firma przekazuje AI nowe informacje, uczy się na wcześniejszych wynikach i opracowuje lepsze kryteria oceny. Dlatego Escobosa nie zaleca jednorazowego przypisania każdego zadania do jednej szufladki. Zaleca regularne powtarzanie obu pytań i dostosowywanie roli ludzi do odpowiedzi.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału prasowego Salesforce przekazanego redakcji 12.11.2026, będącego polską wersją artykułu Marca Escobosy Even Within an Organization There Is No Single AI Strategy opublikowanego w serwisie Salesforce. Dane o wykorzystaniu AI w polskich firmach pochodzą z badania Bilans Kapitału Ludzkiego PARP i Uniwersytetu Jagiellońskiego z dnia 22.04.2026.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o strategiach wdrażania agentycznej AI w przedsiębiorstwach.
