Agenci AI mogą przyspieszać decyzje i przejmować zadania, ale bez wiedzy o realnym przebiegu pracy łatwo ignorują zależności, ograniczenia oraz reguły obowiązujące w firmie. Devavrat Shah, chief scientist of enterprise AI at Celonis, przekonuje, że przejście od pilotaży do codziennego użycia wymaga warstwy kontekstu operacyjnego. Rozmowę opublikowano 22 października 2026 r. w programie Business Lab. Przygotował ją dział Insights, odpowiedzialny za custom content MIT Technology Review, we współpracy z Celonis, a nie redakcja serwisu.
Kontekst decyduje o użyteczności agentów AI
Shah używa pojęcia inteligencji decyzyjnej do opisania systemów, które wspierają firmę w podejmowaniu decyzji. Każda decyzja składa się z określonych zadań wykonywanych w ustalonej kolejności. Uczestniczą w nich pracownicy pełniący różne role, korzystający z danych, procedur i narzędzi właściwych dla danego procesu.
Agent może przejąć pojedyncze zadanie, pomóc pracownikowi je wykonać albo zautomatyzować wybrany fragment procesu. Musi jednak wiedzieć, czemu służy dany krok, jakie informacje powinien wykorzystać i czego nie wolno mu zrobić. Sam dostęp do wydajnego modelu nie zapewnia takiej wiedzy.
Brak kontekstu tworzy dwa rodzaje ryzyka. Agent może zużywać nadmierne zasoby obliczeniowe, próbując samodzielnie odtworzyć potrzebne informacje. Może też pominąć ograniczenie lub regułę biznesową, co prowadzi do błędnej rekomendacji. Skutki zależą od procesu, od nietrafnej podpowiedzi po decyzję wpływającą na prognozy finansowe przedsiębiorstwa.
Trzy warstwy łączą dane procesowe z agentami
Opisywana architektura obejmuje trzy poziomy. Na dole znajdują się systemy ewidencyjne (systems of record), narzędzia przepływu pracy oraz generowane przez nie dzienniki zdarzeń. Pośrodku działa warstwa kontekstowa, która odwzorowuje przebieg procesów i relacje między ich etapami. Na górze znajdują się użytkownicy biznesowi oraz agenci korzystający z przygotowanego kontekstu.
Celonis określa swoją warstwę jako model kontekstowy. Ma on wyodrębniać z systemów źródłowych te części procesu, które można powierzyć agentom, oraz przypisywać agentów do konkretnych ról. Każda rola powinna mieć zdefiniowany zakres działania i zabezpieczenia. Architektura ma także umożliwiać współpracę z inną infrastrukturą agentową używaną już przez przedsiębiorstwo.
Efektem pracy agenta nie musi być natychmiastowe wykonanie decyzji. Model zakłada, że rekomendację może najpierw sprawdzić ekspert, a następnie zatwierdzić lub odrzucić. Dopiero wybrane działania mogą zostać w pełni zautomatyzowane. Taki układ pozwala stopniować autonomię zależnie od znaczenia zadania i możliwych konsekwencji błędu.
Według Shaha dane źródłowe nie muszą być kompletne ani idealnie uporządkowane, ponieważ warstwa kontekstowa ma łączyć informacje z istniejących narzędzi i nadawać im znaczenie procesowe. Materiał nie przedstawia jednak wyników wdrożeń, które pozwalałyby ocenić skuteczność tego podejścia przy niepełnych lub niespójnych danych.
Wdrożenie zaczyna się od jednej decyzji biznesowej
Shah zaleca rozpoczęcie projektu od konkretnej decyzji, a nie od szerokiego planu automatyzacji całej organizacji. Zespół powinien odtworzyć proces prowadzący do tej decyzji, wskazać najtrudniejszy etap i dopiero wtedy sprawdzić, czy agent AI wnosi mierzalną korzyść.
- Wybierz decyzję. Określ wynik biznesowy, który ma wspierać system.
- Rozpisz proces. Zidentyfikuj kolejne zadania, role, dane i zależności.
- Znajdź trudny etap. Wskaż krok wymagający najwięcej pracy lub koordynacji.
- Przypisz agenta. Zdefiniuj jego zadanie, dostęp do informacji oraz ograniczenia.
- Zmierz rezultat. Porównaj szybkość działania i wartość uzyskaną dzięki agentowi.
Dopiero wyniki takiej próby mają pokazać, czy rozwiązanie warto rozszerzać na kolejne etapy i procesy. Źródło nie podaje docelowych wskaźników, kosztów infrastruktury, czasu wdrożenia ani poziomu poprawy, który uzasadniałby skalowanie. Każda organizacja musi więc określić własną linię bazową i kryteria oceny przed uruchomieniem testu.
Bezpieczeństwo i nadzór pozostają częścią procesu
Podłączenie warstwy kontekstowej wymaga dostępu do systemów ewidencyjnych, narzędzi przepływu pracy i dzienników zdarzeń. Shah wskazuje, że przed integracją firma powinna przeprowadzić standardową ocenę bezpieczeństwa informacji. Obejmuje ona sprawdzenie, czy organizacja może zaufać oprogramowaniu dostawcy działającemu w jej środowisku.
Drugim elementem jest zarządzanie zakresem uprawnień. Agent przypisany do roli powinien mieć jasno opisane czynności dozwolone i zabronione. Celonis proponuje w tym celu certyfikowanych agentów dla określonych ról. Materiał nie opisuje jednak procesu certyfikacji ani technicznych metod egzekwowania zabezpieczeń.
Nadzór człowieka pozostaje potrzebny tam, gdzie eksperci analizują rekomendacje, oceniają ich konsekwencje i zatwierdzają działania. Pracownicy muszą rozumieć zarówno wyniki generowane przez AI, jak i sposób użycia konkretnego narzędzia. Shah łączy więc wdrożenie agentów z edukacją zespołu, zamiast zakładać pełne przekazanie decyzji systemom.
Automatyzacja może zmienić podział pracy w firmie
Najbardziej bezpośrednim zastosowaniem agentów są powtarzalne zadania manualne oraz czynności wymagające koordynacji wielu osób. System może przyspieszać obieg informacji między zespołami i ograniczać pracę wykonywaną za pomocą poczty elektronicznej lub arkuszy kalkulacyjnych. Według Shaha krótszy proces decyzyjny pomaga ograniczyć koszt utraconych możliwości i pozwala wcześniej reagować.
Kolejny obszar to wsparcie decyzji strategicznych. Agent wyposażony w kontekst może pomagać w porównywaniu wariantów, ale wybór ma pozostać po stronie organizacji. Celonis widzi zastosowania w planowaniu finansowym, zarządzaniu personelem, marketingu, sprzedaży i rozwoju produktów. Celem jest skrócenie procesów planistycznych, a nie wyeliminowanie odpowiedzialności decydentów.
Dla firm w Polsce praktyczny wniosek jest prosty: przed uruchomieniem agenta trzeba uporządkować wiedzę o procesie, wskazać właścicieli decyzji i ustalić granice autonomii. Nie należy jednak traktować rozmowy jako dowodu efektywności konkretnego produktu. Materiał nie zawiera przykładów klientów, niezależnych porównań, cen ani danych pokazujących rezultaty po wdrożeniu.
