System wycen nieruchomości, który zbudowałem, nie jest agentem AI. To automatyzacja z krokiem AI: ścieżka jest ustalona z góry, a model tylko pisze opis. Zrobiłem tak celowo, bo agent nie był tam potrzebny. Na tym przykładzie dobrze widać, czym agent różni się od zwykłego chatbota: rozmawiać z użytkownikiem może zarówno prosty program z gotowymi odpowiedziami, jak i system, który sam szuka danych i wykonuje zadania.
Czym jest chatbot, a czym agent AI?
Słowo „chatbot” mówi o tym, jak kontaktujesz się z programem: przez rozmowę. Agentowość mówi o tym, czy program potrafi sam działać. IBM ujmuje to tak, że chatboty AI są modalnością, czyli formą interakcji, a agentowość – podstawą technologiczną (IBM Think: czym są agenci AI).
Najprostszy chatbot działa według reguł zapisanych z góry. Google Cloud opisuje takiego bota jako program, który trzyma się zdefiniowanych reguł, w ograniczonym zakresie się uczy i prowadzi podstawowe interakcje (Google Cloud: czym jest agent AI). Często spotkasz opis każdego chatbota jako dopasowania pytania do gotowej listy odpowiedzi, ale to opis tylko tej regułowej wersji.
Chatbot oparty na modelu językowym rozmawia swobodnie, ale to jeszcze nie agent. Według IBM taki chatbot bez narzędzi, pamięci i rozumowania realizuje tylko krótkie cele, nie planuje z wyprzedzeniem i do każdej odpowiedzi potrzebuje kolejnego polecenia od użytkownika.
Google Cloud definiuje agenta AI jako system, który realizuje cele i zadania w imieniu użytkownika, i wymienia przy nim rozumowanie, planowanie, pamięć i pewien poziom autonomii w podejmowaniu decyzji. Anthropic dodaje, że w agencie model sam kieruje swoimi krokami i użyciem narzędzi. Autonomia ma jednak granice, bo cele i reguły działania wyznaczają agentowi ludzie (zaznacza to też IBM). Granica między chatbotem a agentem nie przebiega więc po tym, czy program rozmawia, tylko po tym, czy może sam coś zrobić.
Przy chatbocie dla klientów obowiązuje art. 50 ust. 1 AI Act: system AI przeznaczony do bezpośredniej rozmowy z ludźmi ma ich informować, że rozmawiają z AI, chyba że jest to oczywiste (tekst rozporządzenia w EUR-Lex).
Kto decyduje o kolejnym kroku: automatyzacja czy agent?
W automatyzacji kolejność kroków jest zapisana wcześniej w kodzie, a w agencie kolejny krok i narzędzie wybiera model.
Wyraźny podział daje Anthropic w artykule z grudnia 2024 r. (artykuł Anthropic o budowie skutecznych agentów). Firma zauważa, że słowo „agent” jest używane na różne sposoby, i wszystkie warianty nazywa systemami agentowymi (agentic systems). W tej rodzinie rozróżnia jednak dwie architektury:
- przepływy pracy (workflows) – model językowy i narzędzia są koordynowane ścieżkami zapisanymi z góry w kodzie,
- agentów – model sam kieruje swoim procesem i użyciem narzędzi, więc to on ustala, jak wykona zadanie.
Według Anthropic przepływy dają przewidywalność i spójność przy dobrze opisanych zadaniach, a agenci sprawdzają się lepiej, gdy potrzebna jest elastyczność i wiele decyzji podejmowanych przez model. Anthropic radzi przy tym szukać najprostszego rozwiązania i dokładać złożoność dopiero wtedy, gdy jest potrzebna – czasem oznacza to, że systemu agentowego w ogóle nie trzeba budować.
W rodzinie przepływów jest też kategoria, którą nazywam automatyzacją z krokiem AI: ścieżka jest stała, a model pracuje tylko w jednym jej miejscu. Weźmy prosty raport, w którym kod z góry wie, skąd i w jakiej kolejności pobrać dane, a model na końcu pisze z nich podsumowanie. To wciąż przepływ pracy, mimo że jest w nim AI.
Chatbot, asystent, automatyzacja czy agent – jak rozpoznać, czego potrzebujesz?
Wystarczy jedno kryterium: kto decyduje o kolejnym kroku.
| Rozwiązanie | Co robi | Kto decyduje o kolejnym kroku | Kiedy wystarcza |
|---|---|---|---|
| Chatbot | Prowadzi rozmowę według reguł albo na modelu językowym, bez narzędzi i pamięci | Użytkownik, kolejnym pytaniem | Gdy wystarczy odpowiedź na pytanie, bez działania |
| Asystent AI | Odpowiada na prośby i może rekomendować działanie | Użytkownik | Gdy program ma podpowiedzieć, a decyzję podejmuje użytkownik |
| Automatyzacja | Wykonuje ścieżkę zapisaną z góry w kodzie, czasem z jednym krokiem AI | Osoba, która tę ścieżkę zapisała | Gdy ścieżka jest stała i powtarzalna |
| Agent AI | Sam kieruje swoimi krokami i użyciem narzędzi | Model, w ramach wyznaczonych mu celów | Zadanie zmienne, kilka źródeł, kolejność zależna od wyniku |
Asystent AI stoi między chatbotem a agentem. Według Google Cloud odpowiada na prośby użytkownika i może zarekomendować działanie, ale decyzję podejmuje użytkownik.
Kiedy ktoś prosi mnie o agenta AI, zwykle wystarcza automatyzacja procesu ze stałą ścieżką, czasem z jednym krokiem AI. Agent jest dopiero następnym etapem. Najpierw musi być opisany proces i uporządkowane dane, bo bez nich agent tylko szybciej mnoży błędy.
Dlaczego mój system wycen nie jest agentem AI?
Bo ścieżka jest w nim stała, a model tylko opisuje wynik. W podziale Anthropic to przepływ pracy, nie agent – i tak to zaprojektowałem (opis systemu wycen nieruchomości).
Celowo nie pozwoliłem modelowi decydować ani o liczbach, ani o kolejności kroków, bo testy pokazały, że myli kwoty. Trzy błędy z testów zmieniły podział pracy:
- w trakcie pisania tekstu model potrafił podać inną kwotę albo inną liczbę ofert, niż wynikała z obliczeń – dlatego części liczbowe przeszły do kodu i trafiają do tekstu z jednego zestawu wyników,
- ta sama nazwa miejscowości wskazywała inne miejsce – doszło sprawdzanie kodu pocztowego, obrębu i numeru parceli oraz kontrola zgodności, a zlecenie bez potwierdzonej miejscowości idzie do ręcznej kontroli,
- zbyt szeroki promień wyszukiwania dokładał nieruchomości z innego rynku, np. do działki na wsi oferty z miasta – zmieniłem filtry.
Kolejne kontrole porównują kwoty między sekcjami i sprawdzają kompletność materiału. Nierozwiązany problem może wstrzymać automatyczne przekazanie wyniku. Pracę dzielą dziś trzy warstwy: przepływy w n8n prowadzą sprawę od rejestru przez zlecenie do przekazania wyniku, Python liczy, a modele Claude piszą opis wyłącznie z faktów, które dostaną.
System ma elementy agenta, np. dobór danych i kontrolę. Mimo to raport sprawdza i zatwierdza pośrednik nieruchomości. Automatyzacja oszczędza mu czas na zbieraniu danych, a o tym, czy wynik ma sens, rozstrzyga dalej jego wiedza i doświadczenie.
Kiedy agent AI ma sens w pracy firmy?
Agent AI w firmie ma sens wtedy, gdy kolejnych kroków nie da się rozpisać z góry. U mnie są to trzy miejsca.
Nowe zapytanie klienta. Każde zapytanie jest inne, więc z góry nie wiadomo, których informacji zabraknie. Agent zbiera dane o sprawie, sprawdza, czego brakuje, i proponuje odpowiedź. Zanim odpowiedź trafi do klienta, zatwierdzam ją.
Treści. Zamiast jednej rozmowy z czatem pracuje kilka ról AI: jedna zbiera materiały, druga pisze, trzecia sprawdza. Wynik jednej roli jest materiałem dla następnej.
Raporty SEO. Dane pochodzą z kilku miejsc, więc trzeba je zebrać i zestawić. Agent je pobiera i składa z nich raport, który potem sprawdzam. Więcej o tym, jak AI zmieniło moją codzienną pracę SEO, piszę w osobnym wpisie.
Co agent AI może robić sam, a co musi czekać na człowieka?
U mnie agent sam czyta, zbiera dane, porównuje i przygotowuje szkic albo rekomendację. Wszystko, co wychodzi na zewnątrz – mail, publikacja, płatność – czeka na akceptację człowieka.
Trzymam się czterech zasad:
- dostęp tylko do tego, czego wymaga jedno zadanie, np. odczyt bez prawa zapisu w systemie klienta – wtedy błąd agenta nie zmieni niczego tam, gdzie miał tylko podgląd,
- liczby liczy kod, a model je opisuje – to wniosek z testów systemu wycen,
- przy błędzie albo braku danych agent zatrzymuje się i pyta, zamiast zgadywać,
- przed każdym działaniem na zewnątrz potrzebna jest zgoda, bo wysłanej wiadomości ani przelewu nie da się cofnąć.
Te same cztery punkty możesz zamienić w pytania do wykonawcy, który proponuje Ci agenta.
Czy ChatGPT to agent AI?
Przede wszystkim to chatbot na modelu językowym. Agentem staje się wtedy, gdy dostaje narzędzia i może sam wykonywać kolejne kroki.
Przykład: w 2025 r. OpenAI wprowadziło w ChatGPT tryb agenta (agent mode), w którym ChatGPT sam dobierał narzędzia do zadania, a przed działaniami o realnych skutkach, np. zakupem, prosił o zgodę. Użytkownik mógł też w każdej chwili przerwać zadanie, przejąć je albo zatrzymać (wpis OpenAI o premierze trybu agenta). Ta sama aplikacja mogła więc w jednej rozmowie działać jak zwykły chatbot, a w innej jak agent.
Ile kosztuje agent AI i od czego to zależy?
Koszt agenta zależy bardziej od testów na realnych danych i kontroli jakości niż od samej budowy. Do tego dochodzą koszty stałe: wywołania modelu, utrzymanie i poprawki, gdy zmieniają się narzędzia, z którymi agent pracuje. Przepływ pracy idzie za każdym razem tą samą ścieżką, więc łatwiej go przetestować. Agent może przy każdym zadaniu wybrać inną drogę, dlatego testów i kontroli jest więcej.
Anthropic pisze też, że systemy agentowe często płacą dłuższym czasem działania i wyższym kosztem za lepsze wykonanie zadania. To kolejny powód, żeby zaczynać od prostszego rozwiązania, a kwotę liczyć dopiero dla konkretnego, opisanego procesu.
Jak sprawdzić, czy Twój proces potrzebuje agenta AI?
Weź jeden konkretny proces i odpowiedz na cztery pytania:
- Czy zadanie za każdym razem wygląda inaczej?
- Czy korzysta z kilku źródeł danych?
- Czy kolejność kroków zależy od wyniku poprzedniego?
- Co z wyniku wychodzi na zewnątrz i kto to zatwierdzi?
Im więcej odpowiedzi „tak” na pierwsze trzy pytania, tym bliżej Ci do agenta. Gdy przeważa „nie”, zwykle wystarczy automatyzacja. Czwarte pytanie mówi, gdzie w procesie musi zostać człowiek. Jeśli proces i dane nie są jeszcze opisane, zacznij od nich.
Rozmowę o AI zaczynam od tego, co w procesie faktycznie się dzieje, a model dobieramy dopiero później. Jeśli chcesz sprawdzić swój proces, opisz mi go razem z odpowiedziami na te cztery pytania. W ramach usługi AI w firmie ocenię, czy to praca dla automatyzacji, czy dla agenta.




