Kiedy Agent AI Ma Sens, A Kiedy Jest Drogim Błędem? | AI Optimization

Za chwilę pokażę Ci dokładnie, jak Agent AI działa u jednego z naszych klientów w LaboPrint i dlaczego to wdrożenie zadziałało, choć wcale nie zaczynało się od AI. Najpierw fakty. To nie była magia AI. To był agent osadzony w czystym, zdefiniowanym procesie. Zendesk, Naten, Rejestr.io lub Company API, OpenAI, Airtable, I znowu, Pipedrive lub Zendesk. I właśnie dlatego to miało sens. Krok pierwszy, trigger. Do firmy wpada mail, na przykład z zapytaniem ofertowym od nowego klienta. Na tej podstawie automatycznie zakładany jest ticket w Zendesku, czyli narzędziu, którego firma używa do obsługi takich ticketów, takich zgłoszeń. Jeśli klienta nie ma w bazie, no to cały workflow nam startuje. System automatycznie tworzy taki rekord w Airtable, który służy nam tutaj za bazę danych.

To właśnie odróżnia agenta od zwykłego makra w Excelu. Podejmuje samodzielną, kontekstową decyzję w oparciu o kryteria zdefiniowane przez LABO, a nie tylko jeśli A to B. Czyli to nie jest płaska automatyzacja, tylko bardzo kontekstowa operacja wykonywana przez tego agenta. Ale sama klasyfikacja to dopiero połowa drogi. Teraz z tymi danymi trzeba zrobić jakiś użytek, czyli wprowadzić te decyzje w życie. Krok czwarty. Orkiestracja działań. Tutaj zaczyna się cała sekwencja. Agent nie tylko myśli, ale wprawia system w ruch. Nathan spina wszystko w jeden workflow, czyli w jeden proces. W Pipedrive automatycznie tworzy się zadanie dla handlowca. Z notatką, z danymi firmy, z kategorią tego klienta, z wszystkimi tymi danymi, które agent pozyskał wcześniej.

W Zendesk z kolei agent nadaje odpowiedni tag do tego zgłoszenia, które wpłynęło. Czyli na przykład, że nowy strategiczny klient albo nowy klient, ale nie zweryfikowany i tak dalej. W Airtable ląduje natomiast pełny dziennik zdarzeń, czyli czas, z którego API przyszły te dane, po jakim kursie były przeliczone waluty, jeśli były przeliczane, jaka była podjęta decyzja co do tego klienta i do kogo przypisano sprawę, czy ticket, czy jakkolwiek to określimy. I do tego dochodzi warstwa optymalizacji kosztów. Agent korzysta z listy wcześniej sprawdzonych firm, żeby nie dublować zapytań. Co jest szczególnie ważne przy company API, gdzie każdy request, każde zapytanie do tej bazy nas kosztuje. Ale jest jeszcze jeden ważny element. Nawet najlepiej zaprojektowany agent musi wiedzieć, kiedy oddać pałeczkę człowiekowi.

I zrobić to konsekwentnie. A to od razu prowadzi do dość niewygodnej prawdy. Nie każdy proces jest dobrym miejscem na agenta. Nie każdy ma strukturę, dane, logikę decyzyjną, na których agent może pracować. I właśnie tutaj pojawia się pytanie, które w praktyce decyduje o tym, czy wdrożenie agenta zadziała, czy rozbije się o ścianę. W których procesach agent ma sens, a w których absolutnie nie? Przykłady takie jak LABO, ale też wiele innych, pokazują, że agenci AI nie są dla każdego procesu. I to nie dlatego, że są skomplikowani, tylko dlatego, że nie każdy proces tego potrzebuje. Tam, gdzie proces jest w pełni poukładany, bardzo liniowy, wystarczy prosta automatyzacja. Jeśli wszystko w procesie da się opisać regułami, czyli jeśli to, to nie ma sensu angażować AI.

Tylko szybciej, konsekwentniej i bez momentów nie mam czasu. We wdrożeniu w Laboprint agent nie działał magicznie, po prostu łączył dane z interpretacją, czyli robił coś, czego klasyczna automatyzacja nie potrafi. Pobierał dane z rejestr.io i company API, porównywał przychody z progami, przeliczał waluty, żeby wszystko było porównywalne i dopiero wtedy dzięki OpenAI oceniał, jaką wartość ma ten klient. W praktyce wyglądało to tak. Jeżeli trafiła do drukarni duża firma z Niemiec, agent podnosił priorytet i uruchamiał dedykowanego handlowca. Jeśli wpadał mikropodmiot z dziwną domeną XYZ i bez danych w rejestrach, dostawał tag Unverified. To właśnie różnica między automatyzacją a agentem.

Jeśli tego nie ma, agent nie ma po czym się poruszać. To jak wysłać autonomiczne auto, ale na drogę bez znaków. W praktyce rozrysuj ten proces, albo go przynajmniej rozpisz. Zastanów się, co się po kolei dzieje, jakie decyzje są konieczne do podjęcia, w jakich systemach ten agent będzie się poruszać, jakie są metryki, którymi chcesz zmierzyć skuteczność tego procesu. I dopiero wtedy idź dalej. Krok drugi. Zautomatyzuj to, co oczywiste. Jeśli jakiś fragment procesu da się opisać regułą, jeśli A to B, zrób to bez AI. Dlaczego? Bo automatyzacja to fundament, na którym agent dopiero później może stanąć. W Laboprint, zanim agent dostał dostęp do OpenAI, działało już pobieranie danych z rejestr.io i kompany API, przeliczanie walut, zapisywanie tych informacji w Airtable.

Dopiero na tej stabilnej bazie pojawiła się warstwa do interpretacji i decyzji. To jak jazda autonomiczna. Auto nie skręci samo, jeśli nie wie, gdzie jest droga. Krok trzeci. Ustal zasady decyzji. To paliwo dla agenta. On musi wiedzieć, w jaki sposób myśleć, by było to zbliżone do standardów Twojej firmy. Na przykładzie Labo potrzebuje progu przychodów, branż priorytetowych, preferowanych ścieżek obsługi czy poziomów zaangażowania handlowca. I to nie jest żadna kosmetyka, a tak wielu przedsiębiorców to postrzega. To jest logika biznesowa, na której ten model, w tym przypadku OpenAI, podejmuje decyzje. Jeśli nie potrafisz rozpisać tych zasad, proces jest jeszcze zbyt miękki, żeby w ogóle wpuszczać do niego jakiegoś agenta. Krok czwarty.

Czy wymagała poprawy przez człowieka? W Laboprint wynik każdej interakcji wracał do Airtable, a model był regularnie douczany i na podstawie realnych wyników. I to właśnie dzięki temu agent z czasem robił coraz mniej błędów, a coraz więcej trafnych klasyfikacji. Agenci AI to nie jest magiczny przycisk napraw firmy. To narzędzie, które powiela dokładnie to, co już masz pod spodem. Jeśli masz porządek, przyspieszy, wyskaluje porządek. Jeśli masz bałagan, przyspieszy bałagan. Jest takie powiedzenie shit in, shit out. I dokładnie o tym są ci agenci. Widziałem firmy, Które zaczynały od AI i po pół roku miały dwa razy więcej pracy, dwa razy więcej wyjątków i trzy razy więcej pytań dlaczego to znowu nie działa.