AI zaczyna wychodzić z okna czatu. Otrzymuje zadania, otwiera aplikacje, wykonuje zapisane w kodzie procesy, przełącza się między modelami i korzysta z firmowych systemów. W bankach pomaga modernizować stare platformy. W contact center prowadzi miliony rozmów. Coraz częściej nie chodzi już o wygenerowanie odpowiedzi, lecz o doprowadzenie sprawy do końca.

Agent nie musi czekać na kolejny prompt

 

Podczas DevDay 2026 OpenAI przedstawiło agentów (Dots), którym można powierzać dłuższe obowiązki. Firma rozwija też ChatGPT jako środowisko, w którym ludzie, agenci i aplikacje pracują na wspólnej powierzchni.

 

Nie jest to zupełnie nowa idea. Agenci korzystający z narzędzi powstają od kilku lat. Zmienia się jednak ich miejsce w całym ekosystemie. Wcześniej były przede wszystkim eksperymentem albo funkcją dołączoną do modelu. Teraz stają się głównym sposobem korzystania z AI.

 

Agent ma otrzymać cel, dobrać narzędzia, wykonać kolejne kroki i wrócić z wynikiem. Czasem po kilku minutach, czasem znacznie później.

 

Brzmi wygodnie. Ale długotrwałe zadanie oznacza też długotrwały dostęp do danych, aplikacji i poświadczeń. Im więcej agent może zrobić, tym ważniejsze stają się limity, logi, potwierdzenia i możliwość przerwania działania.

 

Copilot potrafi już kliknąć przycisk

 

GitHub poszedł w tym tygodniu o krok dalej. Funkcja computer use w Copilot CLI i aplikacji Copilot pozwala agentowi korzystać z programów uruchomionych na komputerze. Może odczytać zawartość okna, kliknąć kontrolkę, wprowadzić tekst albo przejść przez kolejne ekrany procesu.

 

To ważne, bo w prawdziwej firmie nie wszystko ma wygodne API. Część pracy nadal odbywa się w starszych aplikacjach desktopowych, panelach administracyjnych i systemach projektowanych długo przed pojawieniem się MCP.

 

Dotychczas automatyzacja takiego procesu wymagała RPA, skryptów testowych albo ręcznego przepisywania danych. Agent widzący interfejs może wypełnić tę lukę.

 

Z drugiej strony interfejs graficzny jest mniej przewidywalny niż API. Przycisk zmienia położenie, pojawia się okno dialogowe, sesja wygasa albo aplikacja pokazuje nietypowy komunikat. Model musi nie tylko „umieć klikać”, lecz również zauważyć, że proces przestał przebiegać zgodnie z planem.

 

Workflow potrzebuje kodu, nie tylko dobrego polecenia

 

Druga nowość GitHuba może okazać się jeszcze ważniejsza. Dynamic workflows pozwalają opisać w kodzie proces łączący zwykłe polecenia z pracą kilku agentów.

 

Można najpierw zebrać logi, następnie zlecić dwóm agentom niezależną analizę, później połączyć wyniki i zatrzymać proces przed wykonaniem zmiany. Inny workflow może przejrzeć wiele plików równolegle, sprawdzić brakujące testy i poprosić użytkownika o decyzję dopiero wtedy, gdy wykryje istotny problem.

 

To wyraźna zmiana względem jednego rozbudowanego promptu. Powtarzalne etapy, warunki i ograniczenia trafiają do kodu. Model zajmuje się fragmentami wymagającymi analizy albo oceny.

 

Chyba właśnie tak będą wyglądać bardziej dojrzałe systemy agentowe. Nie jako całkowicie swobodny model, któremu powierzono wszystko, lecz jako połączenie deterministycznego procesu z kontrolowanymi miejscami na decyzję AI.

 

Jeden model nie musi wykonywać całego zadania

 

HydraFusion, kolejne rozwiązanie udostępnione przez GitHuba, wybiera nie tylko model, lecz również sposób wykonania zadania. Prostszy problem może zostać rozwiązany od razu. W innym przypadku szybki model przygotuje szkic, a mechanizm kontroli zdecyduje, czy trzeba przekazać pracę mocniejszemu modelowi. Dostępny jest też tryb, w którym drugi model niezależnie krytykuje wynik.

 

To ciekawy sygnał. Przez długi czas wybór narzędzia AI oznaczał wskazanie jednego modelu. Tymczasem produkcyjny system może dynamicznie dobierać jakość, koszt i sposób weryfikacji.

 

Ma to znaczenie także dlatego, że modele nadal potrafią pewnie wygenerować błędny wynik. Niezależna krytyka nie usuwa tego problemu, ale tworzy dodatkową warstwę kontroli.

 

Najmocniejszy model nie zawsze jest najlepszym wyborem

 

OpenAI przedstawiło GPT‑6.1 Sol jako model zbliżający się w wybranych zadaniach agentowych do znacznie droższej Astry. Standardowe ceny tokenów mają stanowić jedną piątą cen Astry, a ponowne wykorzystanie kontekstu jest jeszcze tańsze.

 

Dla użytkownika czatu może to wyglądać jak zwykła zmiana cennika. Dla twórcy agenta różnica jest poważniejsza.

 

Agent potrafi wykonać wiele wywołań podczas jednego zadania. Czyta plan, korzysta z narzędzia, analizuje wynik, poprawia błąd, prosi drugi model o kontrolę i ponownie sprawdza stan. W takim procesie koszt pojedynczego tokenu szybko przestaje być abstrakcyjną wartością.

 

Dlatego coraz ważniejszy będzie koszt poprawnie zakończonego zadania. Tani model, który często wymaga powtórzenia procesu, może okazać się droższy od mocniejszego. Z kolei używanie najlepszego modelu do każdego prostego etapu zwyczajnie marnuje budżet.

 

Firmy potrzebują ludzi od wdrożenia, nie tylko od promptów

 

Anthropic ogłosiło inwestycję 100 mln dolarów w program przygotowujący 10 tys. tak zwanych Frontier Deployed Engineers. Mają to być osoby potrafiące przeprowadzić projekt od wyboru zastosowania, przez przegląd bezpieczeństwa, po produkcyjne wdrożenie.

 

Nazwa może brzmieć marketingowo, ale opisywana potrzeba jest bardzo konkretna. Firmom nie brakuje dziś możliwości uruchomienia modelu. Brakuje ludzi, którzy połączą model z procesem, danymi, uprawnieniami i wymaganiami konkretnej branży.

 

Widać to w Barclays. Bank planuje udostępnić Claude Code połowie swoich developerów jeszcze w 2026 roku. Claude wspiera już pracowników korzystających z firmowej wiedzy i pomaga przetwarzać około 120 tys. wiadomości dziennie.

 

W środowisku bankowym nie wystarczy jednak odpowiedź, która „zwykle jest poprawna”. Potrzebne są kontrola dostępu, audyt, nadzór człowieka i możliwość wyjaśnienia, co system zrobił z danymi.

 

W Polsce problemem nie jest już brak zainteresowania AI

 

Polskie firmy także chcą przechodzić od eksperymentów do działania. Badanie zaprezentowane podczas Dell Technologies Forum pokazuje jednak, że 56% liderów IT nie uważa swojej infrastruktury za gotową do obsługi AI i analityki w skali produkcyjnej.

 

Ponad połowa przyznaje, że bezpieczeństwo i zgodność z przepisami już opóźniły projekty. Do tego dochodzi jakość danych, cyberodporność, starszy sprzęt oraz coraz większa presja na mierzalny zwrot z inwestycji.

 

To ważna korekta popularnej narracji. Wdrożenie AI nie zatrzymuje się dlatego, że firma nie zna wystarczająco dobrego promptu. Znacznie częściej problem leży w rozproszonych danych, brakujących integracjach, niejasnych uprawnieniach albo infrastrukturze, której nie projektowano z myślą o ciągłej pracy agentów.

 

Dla osób rozwijających kompetencje techniczne jest to dobra wiadomość. Python, SQL, chmura, Docker, Kubernetes, bezpieczeństwo i architektura oprogramowania nie tracą znaczenia przez rozwój AI. Przeciwnie — to właśnie one decydują, czy efektowne demo zamieni się w działający system.

 

Głosowi agenci pokazują, jak wygląda produkcyjna skala

 

Ciekawym przykładem jest ElevenLabs. Firma założona przez Polaków poinformowała, że jej agenci obsługują już ponad 15 mln rozmów tygodniowo. Pomagają przeprowadzać zwroty, odnawiać ubezpieczenia, zmieniać plany telekomunikacyjne i umawiać wizyty.

 

To nie jest już wyłącznie generowanie naturalnie brzmiącego głosu. Agent musi rozpoznać intencję, pobrać wiedzę, połączyć się z właściwym systemem, wykonać operację i przekazać użytkownikowi wynik.

 

A przy okazji powinien wiedzieć, kiedy sam nie poradzi sobie ze sprawą.

 

W praktyce voice AI staje się więc jeszcze jednym interfejsem do firmowego workflow. Najbardziej widoczną częścią jest rozmowa, ale cała wartość powstaje w integracjach ukrytych za głosem.

 

Era agentów będzie erą inżynierii systemów

 

Najważniejsza zmiana tego tygodnia nie polega na tym, że model potrafi kliknąć przycisk albo napisać lepszy fragment kodu. Chodzi o połączenie tych możliwości w powtarzalny proces.

 

Agent otrzymuje aplikacje, narzędzia, dane i określony budżet. Może współpracować z innymi modelami, zatrzymywać się w punktach kontrolnych oraz kontynuować zadanie bez kolejnego promptu.

 

To znacznie więcej niż chatbot. I znacznie więcej rzeczy może pójść nie tak.

 

Dlatego rozwój agentów AI będzie prawdopodobnie napędzał popyt nie tylko na wiedzę o modelach. Potrzebne będą integracje, infrastruktura, testowanie, obserwowalność, cyberbezpieczeństwo, kontrola kosztów i dobrze zaprojektowane procesy.

 

Można powiedzieć, że AI wychodzi z okna czatu. Teraz trzeba jeszcze przygotować dla niej rozsądne miejsce pracy.

 

Źródła

 

Budowanie agentów AI wymaga dziś znacznie więcej niż znajomości promptów. Warto rozwijać równolegle umiejętności związane z programowaniem, automatyzacją, danymi, chmurą, architekturą i cyberbezpieczeństwem — to one pozwalają zamienić możliwości modelu w stabilny proces.