1 godzina temu
Firmowe systemy powstawały z myślą o ludziach wykonujących pojedyncze, przewidywalne operacje. Agent AI działa inaczej: jedno polecenie może uruchomić serię zapytań do modeli, baz danych, aplikacji i zewnętrznych usług. Obciążenie nie rośnie już proporcjonalnie do liczby użytkowników, ale do liczby działań wykonywanych autonomicznie.
Według raportu Google „2026 State of AI Infrastructure” 83 proc. liderów IT uważa, iż ich infrastruktura wymaga modernizacji, aby obsługiwać systemy AI na większą skalę. Tylko 17 proc. w pełni ufa, iż obecny stos technologiczny poradzi sobie z agentami realizującymi krytyczne procesy.
Nie oznacza to jednak, iż większość firm czeka pełna wymiana infrastruktury. Agentic AI przede wszystkim ujawnia ograniczenia, które wcześniej pozostawały niewidoczne, ponieważ tempo pracy wyznaczał człowiek. Gdy agent w ciągu kilku sekund odpytuje kilka systemów, ponawia operacje i uruchamia kolejne narzędzia, lokalne niedoskonałości zaczynają wpływać na cały proces.
Jeden prompt może oznaczać setki operacji
Chatbot odpowiada na pytanie. Agent planuje kolejne kroki, wybiera narzędzia, pobiera dane, interpretuje wyniki i ocenia, czy zadanie zostało zakończone. Każda z tych czynności wykorzystuje infrastrukturę i generuje koszt.
Dlatego pilotaż prowadzony na ograniczonej liczbie zadań kilka mówi o ekonomice wdrożenia produkcyjnego. Agent podłączony do CRM, ERP, systemów finansowych i narzędzi analitycznych zaczyna generować wydatki w wielu miejscach jednocześnie.
Skalowanie agentów wymaga więc innego spojrzenia niż wdrażanie kolejnej aplikacji. Liczba użytkowników przestaje być główną miarą obciążenia. Ważniejsza staje się liczba kroków, wywołań modeli, zapytań do danych i ponowień wykonywanych w ramach jednego procesu.
Taniejące modele nie gwarantują niższych rachunków
Koszt pojedynczego wywołania modelu spada, ale agentic AI zwiększa liczbę wywołań potrzebnych do osiągnięcia wyniku. Do rachunku dochodzą transfer danych, pamięć, wyszukiwanie, wywołania API, logowanie zdarzeń, obsługa błędów i udział człowieka w weryfikacji decyzji.
Cena tokena coraz słabiej opisuje więc realny koszt rozwiązania. Agent korzystający z taniego modelu może być drogi, o ile wykonuje wiele zbędnych operacji lub regularnie powtarza nieudane działania.
Spadek ceny jednostkowej może wręcz przyspieszać wzrost całkowitych wydatków. Tańsze modele ułatwiają uruchamianie większej liczby agentów i powierzanie im bardziej złożonych zadań. Oszczędność na pojedynczej operacji zostaje wtedy skonsumowana przez skalę wykorzystania.
Z perspektywy biznesowej większe znaczenie ma koszt zakończonego procesu: obsłużonego zamówienia, rozwiązanej sprawy klienta, przygotowanej oferty lub zamkniętego incydentu. Taki wskaźnik pokazuje, czy agent rzeczywiście poprawia ekonomikę działania.
Starszy system nie zawsze jest problemem
Narracja wokół agentic AI często prowadzi do wniosku, iż starsze środowiska trzeba zastąpić nowymi, zintegrowanymi platformami. W praktyce stabilny system transakcyjny może przez cały czas dobrze realizować swoją funkcję. Problem pojawia się wtedy, gdy agent korzysta z niego przez kruche integracje, nie ma limitów zapytań albo pracuje na niespójnych danych.
Największym ograniczeniem często nie jest wiek technologii, ale jakość interfejsów, danych i kontroli dostępu. Źle udokumentowane API, różne definicje tych samych informacji i rozproszone źródła danych zwiększają ryzyko błędów znacznie szybciej niż sam wiek systemu.
To zmienia logikę modernizacji. Zamiast wymiany całego środowiska większą wartość może przynieść poprawa warstwy integracyjnej, uporządkowanie danych i ograniczenie ruchu generowanego przez agentów. Modernizacja staje się wtedy precyzyjną ingerencją w krytyczne ścieżki, a nie wieloletnim programem przebudowy wszystkiego.
Kontrola agentów staje się częścią architektury
Im więcej decyzji agent podejmuje samodzielnie, tym większe znaczenie mają jego tożsamość, zakres uprawnień i możliwość odtworzenia kolejnych działań. Agent korzystający ze wspólnego konta technicznego może wykonywać operacje, których później nie da się przypisać do konkretnego zadania lub decyzji.
Dlatego governance nie jest już wyłącznie warstwą compliance. Staje się częścią infrastruktury wykonawczej. Organizacja potrzebuje wiedzy o tym, z jakich danych agent skorzystał, jakie systemy uruchomił, ile kosztowało zadanie i w którym momencie człowiek zatwierdził rezultat.
Limity liczby kroków, budżet przypisany do zadania, możliwość zatrzymania procesu i cofnięcia operacji ograniczają ryzyko. Bez tych mechanizmów autonomia zwiększa nie tylko produktywność, ale również zasięg potencjalnego błędu.
Nie każdy proces potrzebuje agenta
Presja na wdrażanie agentic AI sprzyja zastępowaniu prostych automatyzacji bardziej złożonymi systemami. Tymczasem proces oparty na stałych regułach przez cały czas często lepiej obsługuje klasyczna automatyzacja, skrypt lub RPA.
Agent wnosi największą wartość tam, gdzie występują niepełne informacje, zmienny kontekst i potrzeba interpretacji. o ile wynik procesu można opisać dzięki jasnych reguł, autonomia modelu może zwiększyć koszt bez poprawy jakości.
Różnica między agentem a automatyzacją nie sprowadza się więc do poziomu zaawansowania technologii. Dotyczy dopasowania rozwiązania do charakteru procesu i wartości, jaką tworzy większa samodzielność systemu.
Modernizacja koncentruje się na ścieżce działania agenta
Ogólne hasło „przygotowania infrastruktury na AI” łatwo prowadzi do kosztownej migracji, która nie rozwiązuje problemów konkretnego procesu. Znacznie więcej informacji daje analiza pełnej ścieżki działania agenta: źródeł danych, liczby wywołań, miejsc powstawania opóźnień, nieudanych operacji i udziału człowieka.
Dopiero na tej podstawie widać, który element ogranicza skalę. W jednym przypadku będzie to integracja, w innym jakość danych, kontrola dostępu albo sposób kierowania zadań do różnych modeli.
Agentic AI nie niszczy starszych systemów. Ujawnia, które elementy architektury nie radzą sobie z maszynowym tempem działania. Firmy, które potrafią przypisać koszt, uprawnienia i wynik do każdej akcji agenta, zyskują możliwość skalowania AI bez przebudowy całego środowiska.
Najważniejsza zmiana nie dotyczy więc wymiany całego stosu IT, ale opomiarowania i przebudowy tych ścieżek, przez które agent rzeczywiście tworzy wartość biznesową.
