Jak stworzyć agenta AI — krok po kroku (praktyczny przewodnik 2026)

Chatbot może napisać: „Masz 2 zaległe faktury”.
Agent może sprawdzić faktury, przygotować przypomnienie, wysłać maila do klienta i zaktualizować status w systemie.

To podstawowa różnica.

Agent AI nie jest tylko oknem rozmowy z modelem. To połączenie modelu językowego, narzędzi, danych, reguł działania i konkretnego procesu biznesowego.

W tym przewodniku pokazujemy, jak stworzyć agenta AI od podstaw: od wyboru celu, przez narzędzia i własne dane, po zabezpieczenia i wdrożenie w realnym workflow.

Czym agent AI różni się od chatbota?

Najprościej:

• chatbot odpowiada,
• agent działa.

Chatbot może pomóc użytkownikowi znaleźć informację. Agent może wykonać serię kroków prowadzących do konkretnego wyniku.

Agent AI składa się zwykle z trzech elementów:

LLM + narzędzia + planowanie.

LLM rozumie polecenie i kontekst.
Narzędzia pozwalają mu działać w systemach.
Planowanie pozwala mu dobrać kolejność kroków.

Bez narzędzi agent jest tylko bardziej rozbudowanym chatbotem.

Kiedy warto tworzyć agenta AI?

Agenta warto budować wtedy, gdy samo odpowiadanie nie wystarcza.

Dobry kandydat na agenta AI to proces, w którym trzeba:

• zebrać informacje z kilku źródeł,
• zinterpretować wiadomość lub dokument,
• wykonać akcję w systemie,
• podjąć prostą decyzję według reguł,
• przygotować odpowiedź lub podsumowanie,
• przekazać sprawę człowiekowi w wyjątkowych sytuacjach.

Przykłady:

• agent do obsługi zapytań klientów,
• agent do sprawdzania statusu zamówień,
• agent do kwalifikacji leadów,
• agent do analizy dokumentów,
• agent do przygotowywania raportów,
• agent do obsługi zgłoszeń wewnętrznych,
• agent do aktualizacji CRM po spotkaniach.

Nie warto budować agenta, jeśli wystarczy prosta automatyzacja albo zwykły chatbot FAQ.

Jeśli użytkownik tylko pyta o procedurę, wystarczy baza wiedzy.
Jeśli system ma coś sprawdzić, zdecydować i wykonać — wtedy zaczyna się sensowny przypadek dla agenta.

Krok 1: Zdefiniuj cel agenta

Największy błąd przy tworzeniu agenta AI to start od technologii.

„Zróbmy agenta” to za mało.

Najpierw trzeba odpowiedzieć na pytanie:

jaki konkretny problem agent ma rozwiązać?

Dobry cel jest wąski i operacyjny.

Słabo:

Agent ma pomagać w obsłudze klienta.

Lepiej:

Agent ma obsługiwać pytania o status zamówienia: sprawdzić zamówienie w systemie, przygotować odpowiedź i przekazać sprawę człowiekowi, jeśli status jest niejasny.

Jeszcze lepiej:

Agent ma skrócić czas odpowiedzi na pytania o status zamówienia z kilku godzin do kilku minut, bez ręcznego sprawdzania danych przez zespół obsługi.

Na starcie określ:

• co agent ma osiągnąć,
• z jakiego procesu korzysta,
• jakie dane są mu potrzebne,
• jakie akcje może wykonać,
• kiedy ma zatrzymać się i oddać sprawę człowiekowi.

Agent bez jasno opisanego celu będzie działał efektownie w demie, ale słabo w codziennej pracy.

Krok 2: Ustal granice działania

Agent AI musi mieć granice.

Nie dlatego, że technologia jest słaba. Dlatego, że agent działa na danych i może wykonywać akcje w systemach firmy.

Trzeba jasno ustalić:

• czego agentowi wolno,
• czego nie wolno,
• które akcje wymagają zatwierdzenia,
• kiedy agent ma przerwać działanie,
• kiedy ma eskalować sprawę do człowieka.

Przykłady granic:

• może przygotować odpowiedź, ale nie wysyła jej bez zatwierdzenia,
• może zmienić status zgłoszenia, ale nie usuwa danych,
• może zaproponować rabat, ale nie zatwierdza go powyżej określonej kwoty,
• może sklasyfikować lead, ale handlowiec może zmienić ocenę,
• może analizować dokument, ale decyzję końcową podejmuje człowiek.

Dobre granice nie blokują agenta. One sprawiają, że można go bezpiecznie wpiąć w realny proces.

Krok 3: Wybierz narzędzia, których agent będzie używał

Agent AI działa dzięki narzędziom.

Narzędzie to funkcja, którą agent może wywołać, żeby coś sprawdzić albo wykonać.

Przykłady narzędzi:

• wyszukanie klienta w CRM,
• sprawdzenie statusu zamówienia,
• pobranie danych z bazy,
• wysłanie maila,
• utworzenie zadania,
• aktualizacja rekordu,
• sprawdzenie kalendarza,
• wyszukanie informacji w dokumentach,
• wygenerowanie raportu.

Każde narzędzie powinno mieć jasny opis:

• co robi,
• kiedy należy go używać,
• jakie przyjmuje dane,
• co zwraca,
• jakie ma ograniczenia.

To ważne, bo agent nie „wie” automatycznie, jak działa Twoja firma. Musisz mu udostępnić narzędzia w sposób uporządkowany.

Przykład:

JSON
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
{
  "name": "check_order_status",
  "description": "Sprawdza status zamówienia po numerze zamówienia lub adresie e-mail klienta.",
  "input": {
    "order_id": "string",
    "email": "string"
  },
  "output": {
    "status": "string",
    "estimated_delivery": "string",
    "last_update": "string"
  }
}

Im lepiej opiszesz narzędzia, tym mniejsze ryzyko błędów w działaniu agenta.

Krok 4: Podłącz własne dane

Goły model językowy nie zna Twojej firmy.

Nie zna Twoich procedur, cenników, umów, polityk, instrukcji, bazy wiedzy, statusów, wyjątków i wewnętrznych zasad.

Dlatego agent potrzebuje dostępu do właściwych danych.

Najczęściej są to:

• dokumenty firmowe,
• procedury,
• baza wiedzy,
• FAQ,
• regulaminy,
• cenniki,
• umowy,
• dane z CRM,
• dane z ERP,
• historia zgłoszeń,
• dokumentacja techniczna.

W prostych przypadkach wystarczy podpiąć dane przez API albo bazę.

W przypadku dokumentów często używa się podejścia RAG.

Krok 5: Dodaj RAG, jeśli agent ma odpowiadać na podstawie dokumentów

RAG, czyli Retrieval-Augmented Generation, to sposób na to, żeby agent korzystał z firmowych dokumentów bez „wkuwania” ich na stałe do modelu.

Działa to tak:

1. Dokumenty trafiają do bazy wiedzy.
2. System dzieli je na mniejsze fragmenty.
3. Użytkownik zadaje pytanie albo uruchamia proces.
4. System wyszukuje najbardziej pasujące fragmenty.
5. Fragmenty trafiają do kontekstu modelu.
6. Agent odpowiada lub działa na podstawie znalezionych informacji.

Dzięki temu agent nie musi zgadywać.

Może odpowiedzieć na podstawie konkretnej procedury, instrukcji albo dokumentu.

Przykład:

Użytkownik pyta:

Ile dni urlopu przysługuje pracownikowi po 10 latach stażu?

Agent wyszukuje odpowiedni fragment regulaminu albo procedury HR i odpowiada na jego podstawie.

Bez RAG agent może udzielić ogólnej odpowiedzi. Z RAG może odpowiedzieć zgodnie z dokumentami konkretnej firmy.

Praktyczny przykład znajdziesz tutaj: agent AI na własnych danych.

Krok 6: Zaprojektuj workflow

Agent AI nie powinien wisieć obok procesu. Powinien być jego częścią.

Dlatego trzeba określić, gdzie dokładnie agent zaczyna pracę i co dzieje się po jego działaniu.

Przykładowy workflow dla agenta obsługi klienta:

1. Klient wysyła maila.
2. System rozpoznaje temat wiadomości.
3. Agent sprawdza dane klienta w CRM.
4. Agent pobiera status zamówienia.
5. Agent przygotowuje odpowiedź.
6. Jeśli sprawa jest prosta, wiadomość trafia do wysyłki lub zatwierdzenia.
7. Jeśli sprawa jest nietypowa, agent tworzy zadanie dla konsultanta.
8. CRM zapisuje historię kontaktu.

Do budowania takich przepływów można użyć n8n, które łączy agenta z systemami firmy: CRM, mailem, kalendarzem, ERP, bazą danych i narzędziami AI.

Więcej o samym narzędziu: n8n — co to jest i jak działa.

Krok 7: Dodaj guardrails

Guardrails to zabezpieczenia, które pilnują, żeby agent działał w ustalonych granicach.

Na produkcji są konieczne.

Najważniejsze zabezpieczenia:

Limit iteracji

Agent nie powinien wykonywać nieskończonej liczby kroków.

Ustaw limit, np. 5–10 wywołań narzędzi na jedno zadanie. Jeśli agent nie rozwiąże sprawy w tym limicie, powinien przekazać ją człowiekowi.

Zatwierdzanie akcji wrażliwych

Niektóre działania powinny wymagać potwierdzenia.

Dotyczy to zwłaszcza:

• pieniędzy,
• rabatów,
• zwrotów,
• danych osobowych,
• zmian w systemach,
• decyzji wpływających na klienta lub pracownika.

Agent może przygotować rekomendację, ale człowiek zatwierdza finalny krok.

Logowanie działań

Każde działanie agenta powinno być zapisane.

Logi powinny pokazywać:

• jaki był cel,
• jakie dane agent dostał,
• jakich narzędzi użył,
• co zwróciły narzędzia,
• jaką decyzję podjął,
• czy sprawa została przekazana człowiekowi.

Bez logów nie da się sensownie debugować agenta ani oceniać jakości jego pracy.

Walidacja danych wejściowych i wyjściowych

Agent nie powinien dowolnie wysyłać danych do systemów.

Warto walidować:

• format adresu e-mail,
• numer zamówienia,
• poprawność statusu,
• dozwolone wartości pól,
• kompletność odpowiedzi,
• zgodność z regułami procesu.

To ogranicza liczbę błędów i przypadkowych akcji.

Krok 8: Przetestuj agenta na realnych przypadkach

Demo agenta zwykle wygląda dobrze.

Prawdziwy test zaczyna się wtedy, gdy agent dostaje realne przypadki: chaotyczne wiadomości, niepełne dane, literówki, nietypowe pytania, sprzeczne informacje i wyjątki.

Testuj agenta na przykładach z firmy:

• prawdziwych mailach,
• starych zgłoszeniach,
• dokumentach,
• rozmowach,
• przypadkach, które wcześniej sprawiały problemy.

Sprawdź:

• czy agent rozumie intencję,
• czy wybiera właściwe narzędzia,
• czy nie zgaduje,
• czy poprawnie korzysta z danych,
• czy oddaje sprawę człowiekowi, gdy powinien,
• czy nie wykonuje akcji poza zakresem.

Najlepiej zacząć od trybu asystenta.

Wtedy agent przygotowuje odpowiedź lub rekomendację, ale człowiek zatwierdza wynik. Dopiero po zebraniu danych można zwiększać poziom automatyzacji.

Krok 9: Wdróż agenta w produkcji małym zakresem

Nie wdrażaj agenta od razu do całej firmy.

Zacznij od jednego procesu, jednego zespołu albo jednego typu spraw.

Dobre pierwsze wdrożenie to takie, w którym:

• cel jest jasny,
• ryzyko jest ograniczone,
• dane są dostępne,
• wynik da się zmierzyć,
• człowiek może przejąć sprawę,
• zespół szybko widzi efekt.

Przykłady dobrego pierwszego zakresu:

• agent do wstępnej kwalifikacji leadów,
• agent do podsumowania spotkań,
• agent do przygotowania odpowiedzi na proste zgłoszenia,
• agent do wyszukiwania informacji w dokumentach,
• agent do raportu dziennego z CRM.

Po wdrożeniu mierz:

• czas obsługi,
• liczbę spraw obsłużonych przez agenta,
• liczbę eskalacji do człowieka,
• błędy,
• oszczędzony czas,
• jakość odpowiedzi,
• satysfakcję zespołu.

Agent AI powinien być rozwijany jak produkt, nie jak jednorazowy eksperyment.

Kiedy agent, kiedy RAG, a kiedy zwykły chatbot?

Nie każdy problem wymaga agenta.

Wystarczy chatbot, gdy:

• użytkownik zadaje proste pytania,
• odpowiedzi są ogólne,
• nie trzeba wykonywać akcji,
• nie ma potrzeby korzystania z systemów firmowych.

Przykład:

Jakie są godziny pracy biura?

Wystarczy RAG, gdy:

• użytkownik pyta o informacje z dokumentów,
• odpowiedź musi opierać się na bazie wiedzy,
• nie trzeba wykonywać akcji w systemach.

Przykład:

Jaka jest procedura zwrotu sprzętu po zakończeniu współpracy?

Potrzebny jest agent, gdy:

• trzeba działać,
• trzeba używać narzędzi,
• trzeba połączyć dane z kilku systemów,
• trzeba podjąć decyzję w ramach procesu,
• trzeba uruchomić kolejny krok.

Przykład:

Sprawdź status zamówienia, przygotuj odpowiedź do klienta i zapisz notatkę w CRM.

Nie buduj agenta tylko dlatego, że brzmi nowocześnie. Buduj go wtedy, gdy ma wykonać konkretną pracę.

Przykład: agent do obsługi zapytań o status zamówienia

Załóżmy, że firma dostaje dużo maili z pytaniem:

Jaki jest status mojego zamówienia?

Dziś konsultant musi:

• otworzyć maila,
• znaleźć klienta,
• sprawdzić zamówienie,
• wejść do systemu,
• skopiować status,
• przygotować odpowiedź,
• zapisać notatkę.

Agent może przejąć dużą część tego procesu.

Workflow:

1. Mail trafia do skrzynki obsługi.
2. n8n uruchamia agenta.
3. Agent rozpoznaje, że sprawa dotyczy statusu zamówienia.
4. Agent szuka numeru zamówienia lub danych klienta.
5. Agent sprawdza status w systemie.
6. Agent przygotowuje odpowiedź.
7. Jeśli wszystko jest jasne, wiadomość trafia do zatwierdzenia lub wysyłki.
8. Jeśli brakuje danych, agent prosi klienta o doprecyzowanie.
9. Jeśli status jest nietypowy, agent przekazuje sprawę konsultantowi.
10. CRM zapisuje historię kontaktu.

Efekt: zespół nie traci czasu na powtarzalne sprawdzanie danych, a klient szybciej dostaje odpowiedź.

RODO, AI Act i bezpieczeństwo danych

Agent AI może mieć dostęp do danych klientów, pracowników, dokumentów i systemów firmowych. Dlatego bezpieczeństwo trzeba zaprojektować od początku.

Sprawdź:

• jakie dane agent widzi,
• gdzie dane są przetwarzane,
• kto ma dostęp do logów,
• czy dane trafiają do zewnętrznych dostawców,
• jakie akcje agent może wykonać,
• które decyzje wymagają zatwierdzenia,
• czy użytkownik wie, że rozmawia z systemem AI,
• czy istnieje ścieżka odwołania lub kontaktu z człowiekiem.

Przy danych osobowych trzeba uwzględnić RODO. Przy rozwiązaniach AI warto też sprawdzić, jakie obowiązki mogą wynikać z AI Act dla konkretnego zastosowania.

W praktyce najbezpieczniejszy model na start to:

• agent działa w ograniczonym zakresie,
• dane są przetwarzane w kontrolowanym środowisku,
• akcje wrażliwe wymagają zatwierdzenia,
• wszystkie działania są logowane,
• człowiek może przejąć sprawę w każdej chwili.

Compliance nie powinno być dopiskiem na końcu projektu. To część architektury agenta.

Najczęstsze błędy przy tworzeniu agenta AI

1. Zbyt szeroki cel

Agent „do wszystkiego” zwykle nie działa dobrze.

Lepiej stworzyć agenta do jednego konkretnego procesu niż ogólnego asystenta, który ma pomagać wszystkim we wszystkim.

2. Brak dostępu do właściwych danych

Agent bez danych będzie zgadywał.

Jeśli ma odpowiadać zgodnie z procedurami, musi mieć dostęp do aktualnej bazy wiedzy. Jeśli ma działać w procesie, musi mieć dostęp do odpowiednich systemów.

3. Brak granic i eskalacji

Agent musi wiedzieć, kiedy nie działać dalej.

Brak eskalacji do człowieka to prosta droga do błędów w trudniejszych przypadkach.

4. Traktowanie demo jak gotowego produktu

Demo pokazuje potencjał. Produkcja pokazuje rzeczywistość.

Na produkcji dochodzą wyjątki, bezpieczeństwo, logi, błędy danych, uprawnienia, monitoring i odpowiedzialność.

5. Brak właściciela procesu

Agent nie jest tylko projektem technologicznym.

Ktoś po stronie biznesu musi odpowiadać za proces, reguły, wyjątki i ocenę jakości działania.

Podsumowanie

Agent AI to coś więcej niż chatbot.

To system, który rozumie cel, korzysta z narzędzi, pracuje na danych i wykonuje kroki w konkretnym procesie biznesowym.

Najprostszy model wygląda tak:

LLM + narzędzia + planowanie + dane + guardrails + workflow.

Żeby stworzyć działającego agenta AI:

1. zdefiniuj cel,
2. ustal granice,
3. dobierz narzędzia,
4. podłącz dane,
5. dodaj RAG, jeśli agent ma korzystać z dokumentów,
6. zaprojektuj workflow,
7. dodaj zabezpieczenia,
8. przetestuj na realnych przypadkach,
9. wdrażaj małym zakresem i mierz efekt.

Najważniejsze: nie buduj agenta dla samej technologii. Buduj go tam, gdzie może zdjąć z ludzi powtarzalną pracę i przyspieszyć konkretny proces.

Chcesz stworzyć agenta AI, który działa w realnym procesie, a nie tylko w demie? Umów bezpłatną konsultację Dokodu. Sprawdzimy, który proces w Twojej firmie nadaje się na pierwszego agenta AI i jak wdrożyć go bezpiecznie, z kontrolą danych i nadzorem człowieka.

Powiązane artykuły

• Automatyzacja procesów biznesowych — przewodnik (od czego zacząć, koszty, ROI)
• Claude Code jako agent AI — jak działa
• Agent AI na własnych danych — Google ADK