Wdrożenia agentów AI przyspieszają szybciej niż fundamenty przedsiębiorstw niezbędne do ich obsługi, przez co wiele organizacji zmaga się z procesami, danymi, kosztami i mechanizmami kontroli wymaganymi do uruchamiania agentów na dużą skalę.

Ta ocena pochodzi z najnowszego wydania Prompt, cotygodniowego briefingu AI Business poświęconego zmieniającemu się krajobrazowi AI, który łączy analityczne spojrzenie na najważniejsze wydarzenia tygodnia z wyselekcjonowanym przeglądem doniesień, które mają znaczenie.

AI agentowe określa systemy zdolne do planowania i wykonywania wieloetapowych zadań przy ograniczonym nadzorze człowieka — korzystające z danych przedsiębiorstwa, wywołujące narzędzia programowe i uruchamiające działania w systemach biznesowych — to krok dalej niż chatboty zaprojektowane do odpowiadania na pojedyncze zapytanie. Przedsiębiorstwa mają wielkie plany dotyczące agentów AI. Czy są na nie gotowe — to osobne pytanie. Nowe badanie Deloitte wykazało, że około 75% amerykańskich liderów biznesowych oczekuje, iż agenci AI przekształcą około połowę procesów w ich organizacjach w ciągu czterech lat. Jednak tylko 20% uważa, że ich firmy są obecnie przygotowane do przeprojektowania przepływów pracy pod kątem agentów autonomicznych.

Ten wynik pojawia się w znaczącym momencie. Przedsiębiorstwa wdrażają coraz więcej agentów, dostawcy ułatwiają ich uruchamianie, wbudowując narzędzia do budowania agentów bezpośrednio w głównym oprogramowaniu korporacyjnym, a możliwości AI stale rosną — ale fundamenty organizacyjne potrzebne do ich obsługi nie rozwijają się w tym samym tempie. Rezultatem jest pogłębiająca się przepaść między tym, co potrafi AI agentowe, a tym, czym przedsiębiorstwa są faktycznie przygotowane zarządzać.

Mimo to tempo wdrożeń wciąż rośnie. Badanie Salesforce wykazało, że średnia liczba agentów AI w organizacjach niemal potroiła się w ciągu 15 miesięcy, a czas potrzebny do stworzenia i aktywacji agenta spadł o 53%, do mniej niż dwóch dni. Agenci wykonują również więcej pracy: średnia liczba działań na konto rosła w tym samym 15-miesięcznym okresie w tempie 31% miesięcznie w ujęciu składanym. Innymi słowy, przedsiębiorstwa mogą wdrażać agentów szybciej niż kiedykolwiek — przygotowanie organizacji do ich skutecznego wykorzystania okazuje się znacznie bardziej skomplikowane.

Największe bariery leżą wewnątrz przedsiębiorstwa. Deloitte stwierdziło, że wiele organizacji po prostu nie jest gotowych, a przeszkadzają niejasne procesy biznesowe, rozdzielone dane i systemy oraz opór wobec zmiany utrwalonych sposobów pracy. Takie problemy istniały przed erą AI, ale tutaj mają większe znaczenie: w przeciwieństwie do automatyzacji opartej na skryptach agenci sami ustalają kolejne kroki w trakcie działania, przez co jasno zdefiniowane procesy i wiarygodne dane stają się warunkiem koniecznym, a nie tylko ulepszeniem. Bariery te nabierają większego znaczenia, gdy agenci przejmują większą odpowiedzialność: bez niezawodnego dostępu do danych agenci mogą mieć trudności z wytwarzaniem wiarygodnych wyników.

Koszt to kolejna obawa. Gartner stwierdził, że AI agentowe może nie korzystać z tradycyjnych efektów skali, ponieważ bardziej złożone wnioskowanie i planowanie podnoszą koszty inferencji. Ponieważ agenci mogą wykonywać wiele wywołań modelu podczas planowania, wnioskowania i korzystania z narzędzi, wydatki mogą rosnąć wraz ze złożonością każdego zadania, zamiast maleć wraz ze wzrostem użycia. Pozostają też pytania o niezawodność. Zaledwie 35% kierowników wysokiego szczebla objętych badaniem HFS Research i TCS stwierdziło, że AI konsekwentnie dostarcza rezultatów biznesowych, buduje zaufanie regulatorów i zapewnia wystarczającą kontrolę.

Rozpatrywane łącznie, te wydarzenia wskazują na pogłębiającą się rozbieżność. Organizacje wdrażają coraz więcej agentów i powierzają im coraz więcej zadań, podczas gdy procesy, dane, ekonomika i mechanizmy kontroli potrzebne do ich obsługi wciąż próbują nadążyć. Na razie badania wskazują, że czynnikiem ograniczającym jest gotowość organizacyjna, a nie możliwości modeli. AI agentowe może nadchodzić szybko — gotowość przedsiębiorstw znacznie trudniej przyspieszyć.

Ponadto w wiadomościach AI w tym tygodniu

• Spowolnienie modeli OpenAI daje CIO lekcję planowania AI — Decyzja laboratorium AI o spowolnieniu rozwoju swoich najbardziej zaawansowanych modeli pokazuje, dlaczego CIO potrzebują elastycznych map drogowych AI, które potrafią dostosowywać się do zmian możliwości modeli, ich dostępności i harmonogramów dostawców.
• Micron przeznacza 10 mld dolarów na badania nad pamięcią dla AI w USA — Producent chipów inwestuje 10 miliardów dolarów w nowe centrum badawcze w Idaho, skoncentrowane na rozwoju technologii pamięci, obliczeń i pakowania dla coraz bardziej wymagających systemów AI.
• SONIC Nvidii uczy roboty humanoidalne poruszania się — Model podstawowy pozwala robotom humanoidalnym uczyć się szerokiego zakresu ruchów całego ciała na podstawie demonstracji ludzi, wzmacniając szersze działania firmy w obszarze AI fizycznej.
• Starling Bank dodaje funkcje oparte na AI do czatu dla klientów — Bank rozwija swojego asystenta AI obsługującego klientów o nowe umiejętności zaprojektowane tak, by radzić sobie z bardziej złożonymi zapytaniami bankowymi i zapewniać bardziej spersonalizowane wsparcie.
• Zyski produktywności dzięki AI nie przekładają się na odciążenie działów IT — AI pozwala specjalistom IT oszczędzać wiele godzin tygodniowo, ale większość z nich deklaruje, że ich obciążenie pracą pozostało na tym samym poziomie lub wzrosło, ponieważ nowe obowiązki niwelują te zyski produktywności.
• Kampania wspierana przez AI wymierzona w podatne urządzenia Siemens S7 — ostrzegają CISA i FBI — Agencje ostrzegają, że hakerzy wykorzystują techniki wspomagane przez AI do atakowania podatnych przemysłowych systemów sterowania Siemens w sektorach infrastruktury krytycznej, w tym energetyki i gospodarki wodnej.
• Pony.AI planuje 4000 robotaksówek poza Chinami — Chiński dostawca planuje wdrożyć 4000 robotaksówek na całym świecie, przyspieszając ekspansję swojego biznesu pojazdów autonomicznych.
• Jak przedsiębiorstwa mogą nadążyć za szybkim tempem postępu AI — Przedsiębiorstwa chcące nadążyć za szybkim postępem AI potrzebują jasnego zrozumienia własnych procesów biznesowych oraz elastyczności pozwalającej przełączać się między modelami i agentami w miarę zmian ich możliwości i kosztów.

Powiązane artykuły: Nowy otwarty model Nvidii służy konkretnym zastosowaniom | Meta zmienia kurs, prezentując model Muse Glimmer o otwartych wagach | Framework Microsoftu ma obniżyć koszty treningu agentów AI

Źródło: AI Business | Autor: Liz Hughes, autorka współpracująca | 21 sierpnia 2026