Dlaczego sama automatyzacja to dziś za mało? Era agentyzacji i chłodna kalkulacja zysków

Pamiętasz słynny wybór z Matrixa?

Niebieska pigułka to błoga niewiedza, czerwona – bolesna prawda o otaczającym świecie. Dziś wiele firm technologicznych podsuwa Ci na złotej tacy garść lśniących, czerwonych pigułek z napisem „Agentic AI”, obiecując natychmiastowe biznesowe przebudzenie i skok produktywności.

Zapominają tylko dodać, że bilet do tej króliczej nory może kosztować fortunę,
a większość firm po skoku do środka po prostu łamie sobie w niej kark.

Za nami pierwsza połowa 2026 roku.

Jeśli wciąż zwołujesz spotkania, żeby rozstrzygnąć, czy firma „przejdzie z RPA na agentów AI”, to mam złą wiadomość: ten spór już się skończył, i to bez Ciebie.

A każdy liczący się dostawca oprogramowania zmienił front w kilkanaście miesięcy. UiPath wprowadził z sukcesem Agent Builder i Maestro, Automation Anywhere kupiło Aiserę, Microsoft przebudował Power Automate i próbuje swoich sił wokół agentic workflows.
Rynek pod naporem AI hype’u ogłosił już nową normę i jest nią jest agentyzacja.

Tyle że pod warstwą marketingowego entuzjazmu kryje się historia o wiele ciekawsza  i o wiele bardziej skomplikowana niż „kup agenta, a marża poszybuje”. Bo równolegle dzieje się coś, o czym żaden deck sprzedażowy nie wspomni: ponad 40% projektów agentic AI zostanie anulowanych do końca 2027 roku^[3], a w ostatnim głośnym badaniu MIT 95% wdrożeń generatywnej AI nie zostawia żadnego mierzalnego śladu w wyniku finansowym.^[4]

Dwie liczby, jedna prawda: era agentyzacji jest faktem, ale agentyzacja bez chłodnej kalkulacji to najdroższe hobby, jakie można dziś sobie zafundować.

Ten wpis  wytłumaczy Ci szczegółowo trzy rzeczy, których zwykle nie stawia się obok siebie.

Zacznijmy od oddania sprawiedliwości “starej gwardii” automatyzacji procesów biznesowych. Przez dekadę RPA, software, który dosłownie naśladuje kliknięcia myszką i stuknięcia w klawiaturę przez człowieka – robił dokładnie to, co obiecywał, i robił to świetnie.

Księgowanie faktur na sztywnym szablonie ERP, przepisywanie danych między dwoma systemami, które się nie zmieniają, generowanie raportów ze statycznych dashboardów: tam, gdzie proces jest stabilny, regułowy i karmiony danymi ustrukturyzowanymi, liniowy bot wciąż bije wszystko na głowę kosztem jednostkowym.

Branżowe zestawienia mówią o ROI rzędu 200% w pierwszym roku i okresie zwrotu liczonym w miesiącach^[20].

Problem w tym, że biznes w 2026 roku w większości nie wygląda już tak spokojnie i mało dynamicznie.
Świat w erze AI poszedł do przodu w niewyobrażalnym tempie. RPA jest natomiast skrajnie deterministyczne: to wirtualny pracownik idący przez pokój z opaską na oczach, licząc kroki.

Dopóki nikt nie przesunie krzesła, dotrze do celu bezbłędnie.

Ale w korporacyjnym IT „przesunięte krzesło” zdarza się codziennie: dostawca zmienia układ pola na fakturze, nocna aktualizacja przesuwa przycisk w ERP, w formularzu pojawia się nowe wymagane pole.
Bot przestaje działać albo wymaga interwencji utrzymaniowej.
I wtedy zaczyna się niewygodna arytmetyka, która przez lata zbyt rzadko trafiała na pierwszy slajd pięknych business case’ów.

Liczby krzyczą. Na każdego dolara wydanego na licencję RPA organizacje potrafią wydać od 3 do 4 dolarów na pracę konsultantów i utrzymanie, żeby boty w ogóle działały. Licencja to oczywiście mniejsza część kosztu. Część badań pokazuje, że niemal połowa firm widzi awarie swoich botów co tydzień, a wskaźnik niepowodzeń projektów RPA potrafi sięgać 30–50%.^[18]

To nie margines: według Gartnera blisko 50% wdrożeń RPA nie dostarczy zakładanego ROI do 2027 roku^[19], a mediana okresu zwrotu złożonych wdrożeń przekracza dziś 22 miesiące – bo procesami zarządza „wiedza plemienna”, a nie udokumentowana logika; jedno z opisanych wdrożeń trafiło na 18% wyjątków już pierwszego dnia.^[19]

I tu pojawia się prawdziwy sufit. Gartner szacuje, że około 60% procesów w przedsiębiorstwach zawiera wyjątki wymagające ludzkiej oceny, a McKinsey – że tylko kilka procent zadań nadaje się do pełnej automatyzacji end-to-end samym RPA^[18].

Reszta tonie w tym, co można nazwać ciemną materią danych: 80–90% nowych informacji w firmach to dane nieustrukturyzowane – maile, wielostronicowe PDF-y, skany, transkrypcje, zdjęcia^[18]. RPA jest na nie ślepe. Można dokładać kosztowne warstwy OCR i mapowań, ale każda z nich to kolejny potencjalny punkt awarii.

Wniosek nie brzmi „RPA umarło”. Brzmi inaczej, i to jest pierwsza teza tego tekstu: liniowa automatyzacja została zdegradowana do warstwy prostej. Jest doskonała tam, gdzie wartość bierze się z przepływu, a nie z rozumienia. Ale dla złożonej większości realnej pracy – tej z wyjątkami, chaosem i tekstem – przestała wystarczać. I dokładnie w to miejsce wchodzi nowy standard.

Najważniejsze przesunięcie mentalne, jakie musi zrobić strateg w 2026 roku,
to przestać myśleć o agentach AI jako o „szybszych botach”. To inna kategoria oprogramowania.

Skrypt RPA wykonuje liniowo ciąg instrukcji „jeśli X, zrób Y”. Agent zaś dostaje cel – „rozlicz tę fakturę i sprawdź
jej zgodność z kontraktem” – po czym sam rozumuje, dobiera narzędzia z dostępnej puli (API, bazy, wyszukiwarki) i egzekwuje własny plan.

Gdy środowisko się zmienia, agent się nie zawiesza.

Stara się zaadaptować.
Zadziała to dla zmian w przerzucaniu danych z faktur, zadziała w testach oprogramowania,
o czym szerzej pisałem już w tekście “Testy Salesforce na autopilocie z UiPath Test Cloud”.

Obrazując to na przykładzie: jeśli RPA jest prostym daemonem (skryptem do wykonania jednej rzeczy)
ze świata Cyberpunka, który robi jedną konkretnie zdefiniowaną rzecz,
to Agentic AI jest bliżej Agenta Smitha z Matrixa: modyfikuje otoczenie, podejmuje autonomiczne decyzje, potrafi uczyć się anomalii. W języku operacji ta różnica opiera się na trzech filarach:

I rynek tę różnicę już wycenił.
Tam, gdzie agentyzacja trafia we właściwy proces, liczby bywają spektakularne.

Forrester w modelu TEI dla Microsoftu wylicza dla reprezentatywnej firmy 120% ROI, 15-miesięczny payback i 24,2 mln USD NPV^[2].

Salesforce pokazuje FedEx z ponad 2 000% ROI – aktywacja uśpionych klientów skoczyła z 25% do 40% w pięć miesięcy, gdy dane operacyjne spięto z działaniem w czasie rzeczywistym^[16].

Telepass obsługuje agentami 40 tys. rozmów tygodniowo, rozwiązując autonomicznie 87% zgłoszeń i skracając czas obsługi o połowę^[17].

Koreańska „Company S” skróciła obsługę papierowych rozliczeń o ponad 80%, łącząc OCR/IDP, klasyfikację i generatywną AI tam, gdzie samo RPA się łamało^[15].

A w Fiserv agent przypisujący kody merchantów wykonuje ponad 99% akcji bez udziału człowieka^[9].

Dane adopcyjne potwierdzają, że to nie chwilowa moda. 90% dużych firm korzysta już z automatyzacji procesowej,
agentic AI deklaruje 37% – ale aż 74% spodziewa się znaczących szans dla agentów w ciągu dwóch lat^[8][9].

Google Cloud raportuje, że 52% organizacji ma agentów na produkcji, a 74% widzi ROI już w pierwszym roku^[7].

Kierunek jest jednoznaczny: agentyzacja staje się domyślnym rozwiązaniem dla warstwy złożonej – tej, w której liniowy bot przed chwilą poległ.

Tylko że „nowy standard” to nie to samo, co „agenci wszędzie”.

I tu zaczyna się część, której nie usłyszysz na demo.

Czas na liczby, których na konferencjach i pokazach nikt nie umieszcza na pierwszym slajdzie.

Zacznijmy od poziomu zarządu.

W globalnym badaniu PwC z 2026 roku tylko 12% prezesów deklaruje jednocześnie wzrost
przychodów i spadek kosztów dzięki AI, a 56% nie widzi jeszcze istotnej korzyści finansowej^[1].

McKinsey dokłada drugą stronę tej samej monety: mimo niemal powszechnej adopcji
tylko 39% organizacji przypisuje AI jakikolwiek wpływ na EBIT,
a większość mówi, że to mniej niż 5%; liderów z realnym wpływem jest około 6%,
a mniej niż 10% firm skaluje agentów w jakiejkolwiek funkcji^[5].

Deloitte nazywa to wprost paradoksem rosnących inwestycji i nieuchwytnych zwrotów^[6].
To nie jest obraz technologii, która „sama się spłaca”.

Dalej robi się jeszcze ostrzej.

Gartner prognozuje, że ponad 40% projektów agentic AI zostanie anulowanych do końca 2027 roku – z powodu rosnących kosztów,
niejasnej wartości i słabej kontroli ryzyka – i dorzuca pojęcie, które powinno
zawisnąć nad każdym przetargiem: „agent washing”,
czyli przebrandowywanie zwykłych chatbotów i narzędzi RPA na „agentów”.

Spośród tysięcy dostawców reklamujących się dziś jako agentic AI realnych jest, według Gartnera, około 130^[3].
A najgłośniejsza liczba całej dekady pochodzi z MIT:
w badaniu „The GenAI Divide” 95% wdrożeń generatywnej AI nie przynosi mierzalnego wpływu na P&L^[4].

Tu trzeba wspomnieć o jednej bardzo niewygodnej rzeczy dla obu stron sporu.
Liczby ROI, którymi machają dostawcy agentów – średnie oczekiwane 171%, a w USA nawet 192% – pochodzą w dużej mierze z badań zlecanych i opisują wartości oczekiwane, nie zrealizowane^[10].
To projekcje z prezentacji, nie wyniki z controllingu.
Ta sama dyscyplina, którą stosujemy do entuzjazmu wobec RPA, należy się entuzjazmowi wobec agentów.

Bo agent, wbrew intuicji – nie jest tanim mięśniem. Jest po prostu drogim mózgiem.
Benchmarki kosztowe z 2026 roku są brutalne: pojedyncze zadanie w trybie w pełni agentowym potrafi kosztować 1,86 USD wobec 0,02 USD w prostszych trybach, a koszt tego samego zadania bywa nawet 30-krotnie zmienny w zależności od przebiegu^[12].

Płacenie za „więcej jakości” szybko przestaje się zwracać: konfiguracje „accuracy-first” bywają nawet 4,4–10,8 raza droższe od alternatywy o porównywalnym wyniku, a wyciśnięcie dwóch punktów procentowych dokładności potrafi kosztować 50 tys. USD na każde 10 tys. zadań^[11].

Niezawodność potrafi spaść z 60% przy jednym przebiegu do 25% przy ośmiu^[11],
a w głębokim reasoningu ten sam przyrost dokładności bywa później okupiony 31-krotnie wyższym kosztem opóźnienia^[13].

I wreszcie – to, o czym dostawcy mówią najmniej chętnie – w modelu TEI Microsoftu największym kosztem nie są subskrypcje, lecz budowa agentów: ponad 15 z 20 mln USD^[2].
W agentyzacji koszt wejścia bywa ważniejszy niż koszt działania.

Druga moja teza w tym tekście brzmi zatem tak:
agentyzacja nie zawsze się opłaca, a porażka prawie nigdy nie leży w technologii.
Leży w tym, że ktoś pominął chłodną kalkulację.
Oraz w tym, co jeszcze ważniejsze – czyli że agenta wpuszczono w nieuporządkowany proces.

To sedno, którego nie da się obejść żadnym budżetem.

MIT, badając przyczyny wspomnianych już 95% nieudanych wdrożeń, stawia diagnozę
zaskakująco nietechniczną: główną barierą nie jest model, ale organizacja i jej „luka w uczeniu się”.

Te same badania pokazują, że ponad połowa budżetów idzie na narzędzia sprzedażowo-marketingowe,
podczas gdy najwyższy ROI leży w nudnym back-office.

McKinsey dokłada najważniejszą korelację całego raportu: czynnikiem najsilniej związanym z wpływem na EBIT
jest fundamentalne przeprojektowanie procesów (workflow redesign)^[5] – nie sam zakup agenta.

Dlaczego tak wielu się to nie udaje?

Bo traktują agenta jak kolejny program do zainstalowania, a nie jak projekt architektoniczny.

Analizy wskazują trzy braki, na które najczęściej rozbijają się wdrożenia:

• brak fundamentu danych (agent bez czystych, zarządzanych danych to genialny profesor bez dostępu do biblioteki), o tym, jak rozwiązujemy to w Craftware, przeczytasz w “Wykorzystanie Agentforce i AI w branży edukacyjnej”
• brak warstwy orkiestracji procesów (agent nie może „wisieć w próżni” – potrzebuje dobrze zdefiniowanego workflow)
• brak ram nadzoru i obserwowalności (kiedy agent się myli, system musi mieć bezpieczniki, fallbacki i ścieżkę eskalacji do człowieka)^[21].

Deloitte potwierdza skalę problemu: tylko jedna na pięć firm ma dojrzały model zarządzania autonomicznymi agentami^[6].

Stąd prosty, prowokacyjny wniosek – trzecia teza mojego artykułu:
Jeśli Twoje procesy nie są poukładane, nie kupuj agentów.
Najpierw uporządkuj procesy. 

Agent wpuszczony w bałagan nie naprawia bałaganu. On wykonuje go szybciej, drożej i z większą pewnością siebie. To dlatego firmy, które podchodzą „architecture-first” – z poukładanymi danymi, orkiestracją i governance – raportują radykalnie lepsze wyniki niż reszta, a wśród wczesnych adopterów ze wsparciem zarządu zwrot widzi 88% firm, wobec 43% bez takiego wsparcia^[7].

Różnica między tymi grupami to nie lepszy model. To poukładany dom.

Tu magia AI ustępuje miejsca bezlitosnej księgowości, i w tym miejscu trzeba obalić najdroższy mit decydentów:
że „nowe powinno w całości zastąpić stare”.

Przepuszczanie każdej operacji w firmie przez model językowy to ekonomiczne samobójstwo,
bo każde wywołanie agenta jest od 10 do 100 razy droższe od uruchomienia liniowego skryptu – grosze za akcję RPA wobec kilku, kilkudziesięciu centów za decyzję agenta^[18].

Jeśli masz przenieść dziesięć milionów bezbłędnych rekordów z bazy do ERP,
zaprzęganie do tego agenta to marnotrawstwo; tę „fizyczną” robotę RPA wykona za ułamek centa.

Złota zasada 2026 roku nie brzmi więc „AI zastępuje RPA”.
Brzmi: inteligentna orkiestracja. 

Tanie, deterministyczne RPA jako mięśnie do masowej, ustrukturyzowanej egzekucji – i drogi agent AI wyłącznie jako mózg do wyjątków i decyzji.

Najlepiej widać to na klasyce gatunku, automatyzacji faktur:
w modelu hybrydowym koszt obsługi jednej faktury spada z okolic 4,50 USD do 0,45 USD,
a zwrot przychodzi nawet w 60–90 dni^[18].

RPA monitoruje skrzynki i pobiera plik, agent czyta nawet najdziwniejszy PDF i zamienia chaos
w ustrukturyzowany rekord, decyduje w ramach zdefiniowanych barier
(2 centy różnicy – akceptuję; 2 tysiące – eskaluję do CFO),
po czym znów tanie RPA wprowadza dane do trzydziestoletniego ERP, „klikając” po interfejsie.

Mózg myśli tylko tam, gdzie trzeba myśleć.

Jak zatem podejść do tej kalkulacji, zanim podpiszemy umowę?

Cztery progi porządkują niemal każdy przypadek.

1. Po pierwsze, payback: najbardziej wiarygodny publiczny punkt odniesienia to 15 miesięcy z modelu Microsoft TEI^[2]; jeśli projekt nie broni się w konserwatywnym scenariuszu w 12–18 miesięcy, dziś jest dla CFO trudny do obrony.
2. Po drugie, marginalna wartość per zadanie: nie porównuj „agent kontra człowiek”, tylko „agent kontra najtańsza wystarczająca alternatywa”; jeśli pełny agent nie daje wartości większej niż jego premia kosztowa nad prostszym trybem^[12], zostań przy prostszym trybie.
3. Po trzecie, opłacalność premii za dokładność: te dwa punkty jakości mają sens tylko wtedy, gdy przekładają się na realny pieniądz – niższy fraud, mniejsze ryzyko prawne, wyższą konwersję, twardszy compliance; w przeciwnym razie to kosztowny overengineering^[11].
4. Po czwarte, build kontra reuse: skoro największym kosztem jest budowa agentów^[2], portfolio ma sens tylko wtedy, gdy komponenty da się wykorzystać w wielu procesach; jeśli każdy agent to drogi, jednorazowy custom – ekonomia po prostu się sypie.

Z drugiej strony są cztery sytuacje, w których agentyzacja broni się niemal zawsze.

1. Kiedy proces jest nieustrukturyzowany i wyjątkochłonny (Company S, faktury).
2. Kiedy stawką jest przychód, retencja albo wysoka wartość kontaktu (FedEx, Telepass) – bo nośnikiem zwrotu nie jest oszczędność etatu, lecz odzyskany pieniądz.
3. Kiedy zadania są powtarzalne w wąskiej domenie, a agent buduje pamięć i obniża własny
   koszt krańcowy – w badaniach „knowledge compounding” koszt tokenów spadał o 84,6% już po kilku zapytaniach^[14].
4. I w końcu, kiedy architektura agentowa daje radykalnie lepszy straight-through processing,
   jak wspomniane ponad 99% bez udziału człowieka w Fiserv^[9].

Dwie możliwości, jedna decyzja

Na koniec zostawiam Ci 10 pytań do wklejenia w Twój business case.

To nie jest framework „jak wdrożyć AI”, tylko jak nie przepłacić za modę na agentów

Jesteśmy w momencie, który w strategii zdarza się praktycznie raz na pokolenie.
Próg wejścia w zaawansowaną automatyzację runął – dziś każdy może czytać dokumenty z bystrością
oraz intelektem analityka i kupić sobie najpotężniejszy silnik na rynku.

Ale premia za inteligencję architektoniczną wystrzeliła.
Narzędzia stały się powszechne; rzadka i najcenniejsza stała się umiejętność ich opłacalnego wykorzystania.

Większość rynku przepali kapitał w jeden z dwóch sposobów. Jedni wpuszczą „czystych” agentów
do każdego procesu i dołączą do tej większości, której wdrożenia nigdy nie wychodzą z piaskownicy^[21]
– płacąc kilkadziesiąt centów za każdy trywialny ruch i zachodząc w głowę, czemu chmura zjada marżę.

Drudzy, wierni starej szkole, zostaną przy klasycznym RPA i utoną pod lawiną nieustrukturyzowanych zapytań.

Wygrają ci pośrodku: inżynierowie wyścigowi, którzy spinają bezlitośnie tanie podwozie z drogim,
elastycznym napędem – i wyjeżdżają na tor dopiero na poukładanych procesach, po wykonaniu ekonomicznego rachunku.

Bo w 2026 roku nie wygrywa firma, która „wdrożyła agentów”.

Wygrywa ta, która potrafi wykazać, że agent jest tańszy od chaosu, szybszy od człowieka tam, gdzie człowiek nie skaluje się ekonomicznie, i mądrzejszy od zwykłej automatyzacji dokładnie tam, gdzie proces przestaje być liniowy.

Reszta to drogie demo.
To właśnie jest chłodna kalkulacja zysków i to ona, a nie najnowszy model silnika,
decyduje dziś o tym, kto bezkonkurencyjnie dojeżdża do mety, a kto spala swój budżet w pit-stopie.