Agenci AI obnażają słabości firmowej infrastruktury IT

Klasyczne systemy firmowe projektowano z myślą o pracownikach realizujących jedną, przewidywalną czynność na raz. Agent AI funkcjonuje zupełnie inaczej - z pojedynczego polecenia może wyniknąć cała kaskada zapytań kierowanych do modeli językowych, baz danych, aplikacji czy usług zewnętrznych. W efekcie skala obciążenia nie jest już powiązana z liczbą użytkowników, ale z liczbą samodzielnie wykonywanych przez system akcji.

Z raportu Google pod tytułem 2026 State of AI Infrastructure wynika, że aż 83 proc. szefów IT widzi potrzebę modernizacji swojej infrastruktury, by mogła obsłużyć rozwiązania AI działające w większej skali. Zaledwie 17 proc. deklaruje pełne zaufanie do tego, że posiadany stos technologiczny wytrzyma agentów realizujących procesy o krytycznym znaczeniu.

To jednak nie znaczy, że przed większością organizacji stoi konieczność całkowitej wymiany infrastruktury. Agentic AI działa raczej jak lupa - pokazuje ograniczenia, które dotąd były niewidoczne, bo tempo pracy dyktował człowiek. Kiedy agent w ciągu kilku sekund odwołuje się do wielu systemów, powtarza operacje i sięga po kolejne narzędzia, nawet drobne niedociągnięcia zaczynają rzutować na cały proces.

Jedno polecenie, setki operacji w tle

Chatbot po prostu udziela odpowiedzi. Agent robi znacznie więcej - planuje następne kroki, dobiera narzędzia, sięga po dane, analizuje uzyskane wyniki i sam ocenia, czy zadanie zostało domknięte. Każdy z tych etapów angażuje infrastrukturę i generuje realny koszt.

Z tego powodu testy pilotażowe prowadzone na wąskiej próbce zadań nie mówią wiele o kosztach wdrożenia produkcyjnego. Gdy agent zostaje podłączony jednocześnie do CRM, ERP, systemów finansowych i narzędzi analitycznych, wydatki zaczynają narastać w wielu punktach naraz.

Skalowanie takich rozwiązań wymaga więc innego podejścia niż wdrożenie zwykłej aplikacji. Liczba użytkowników przestaje być głównym wyznacznikiem obciążenia - liczy się liczba kroków, wywołań modeli, zapytań do danych oraz powtórzeń wykonywanych w ramach jednego procesu.

Tańsze modele nie oznaczają niższych rachunków

Koszt jednostkowego wywołania modelu spada, ale agentic AI zwiększa liczbę takich wywołań potrzebnych do uzyskania wyniku. Do końcowego rachunku wlicza się też transfer danych, pamięć, mechanizmy wyszukiwania, wywołania API, rejestrowanie zdarzeń, obsługę błędów oraz udział człowieka w weryfikacji podejmowanych decyzji.

Cena tokena w coraz mniejszym stopniu odzwierciedla rzeczywisty koszt całego rozwiązania. Agent oparty na tanim modelu może okazać się kosztowny, jeśli wykonuje zbyt wiele niepotrzebnych operacji albo regularnie powtarza nieudane próby.

Co więcej, spadająca cena jednostkowa może paradoksalnie napędzać wzrost łącznych wydatków. Niższe koszty modeli zachęcają do uruchamiania większej liczby agentów i zlecania im bardziej skomplikowanych zadań, a oszczędność na pojedynczej operacji zostaje wtedy pochłonięta przez samą skalę użycia.

Z punktu widzenia biznesu istotniejszy jest koszt całego zakończonego procesu - obsłużonego zamówienia, rozwiązanego zgłoszenia klienta, przygotowanej oferty czy zamknięcia incydentu. Ten właśnie wskaźnik pokazuje, czy agent faktycznie poprawia ekonomikę działania firmy.

Wiek systemu to nie zawsze problem

Wokół agentic AI narosła narracja, że starsze środowiska trzeba zastąpić nowymi, zintegrowanymi platformami. W praktyce jednak stabilny system transakcyjny może wciąż dobrze spełniać swoją funkcję. Kłopoty zaczynają się, gdy agent łączy się z nim poprzez kruche integracje, nie ma ograniczeń liczby zapytań albo operuje na niespójnych danych.

Najczęściej największą barierą nie jest wiek zastosowanej technologii, a jakość interfejsów, danych i mechanizmów kontroli dostępu. Słabo udokumentowane API, rozbieżne definicje tych samych informacji oraz rozproszone źródła danych zwiększają ryzyko błędów znacznie mocniej niż samo starzenie się systemu.

To zmienia sposób myślenia o modernizacji. Większą wartość może przynieść nie wymiana całego środowiska, a poprawa warstwy integracyjnej, uporządkowanie danych i ograniczenie ruchu generowanego przez agentów. Modernizacja przestaje być wieloletnim programem przebudowy wszystkiego, a staje się precyzyjną interwencją w newralgiczne ścieżki działania.

Kontrola nad agentami wchodzi do architektury systemu

Im więcej decyzji agent podejmuje samodzielnie, tym ważniejsza staje się jego tożsamość, zakres uprawnień oraz możliwość odtworzenia kolejnych działań. Agent działający na wspólnym koncie technicznym może wykonywać operacje, których później nie da się przypisać do konkretnego zadania czy decyzji.

Z tego powodu governance przestaje być tylko warstwą zgodności z przepisami - staje się elementem infrastruktury wykonawczej. Firma musi wiedzieć, z jakich danych agent skorzystał, jakie systemy zaangażował, ile kosztowało wykonanie zadania i w którym momencie człowiek zatwierdził efekt.

Ograniczenia liczby kroków, budżet przypisany do konkretnego zadania, możliwość zatrzymania procesu i wycofania operacji - to mechanizmy, które realnie zmniejszają ryzyko. Bez nich autonomia agenta zwiększa nie tylko produktywność, ale też zasięg potencjalnej pomyłki.

Agent nie jest potrzebny w każdym procesie

Presja na wdrażanie agentic AI sprawia, że proste automatyzacje bywają zastępowane bardziej skomplikowanymi systemami. Tymczasem proces oparty na sztywnych regułach wciąż często lepiej obsłuży klasyczna automatyzacja, skrypt albo narzędzie RPA.

Agent daje największą przewagę tam, gdzie informacje są niepełne, kontekst zmienia się dynamicznie i potrzebna jest interpretacja sytuacji. Jeśli wynik procesu da się opisać jasnymi regułami, autonomia modelu może jedynie podnieść koszty, bez poprawy jakości działania.

Różnica między agentem a zwykłą automatyzacją nie polega więc na poziomie zaawansowania technologii. Chodzi o dopasowanie rozwiązania do charakteru procesu i realnej wartości, jaką wnosi większa samodzielność systemu.

Modernizacja powinna skupić się na ścieżce działania agenta

Ogólny slogan o "przygotowaniu infrastruktury na AI" łatwo prowadzi do kosztownej migracji, która wcale nie rozwiązuje problemów konkretnego procesu. Znacznie więcej mówi analiza całej ścieżki działania agenta - użytych źródeł danych, liczby wywołań, miejsc powstawania opóźnień, nieudanych operacji oraz udziału człowieka.

Tylko na tej podstawie można ustalić, co faktycznie ogranicza skalowanie. Raz będzie to jakość integracji, innym razem stan danych, kontrola dostępu albo sposób przydzielania zadań poszczególnym modelom.

Agentic AI nie psuje starszych systemów - obnaża te elementy architektury, które nie wytrzymują maszynowego tempa pracy. Firmy zdolne przypisać koszt, uprawnienia i wynik do każdej akcji agenta zyskują możliwość skalowania AI bez konieczności przebudowy całego środowiska.

Kluczowa zmiana nie polega więc na wymianie całego stosu IT, lecz na dokładnym opomiarowaniu i przebudowie tych ścieżek, przez które agent naprawdę generuje wartość biznesową.