Jeśli agent AI zmieni zamówienie na podstawie nieaktualnego stanu magazynu, może sprawnie wykonać błędną decyzję. Gdy kolejne systemy potraktują tę zmianę jako wiarygodną informację, skutki pomyłki się rozszerzą. Zakres samodzielności AI powinien więc rosnąć wraz z jakością danych i zdolnością firmy do kontrolowania następstw jej działań.
Taką zależność analizuje raport Closing the data architecture gap: The path to autonomous advantage, przygotowany przez IBM Institute for Business Value we współpracy z Oracle. Raport ukazał się 2 października 2026 r. Dokument łączy diagnozę środowisk danych, analizę nadzoru i bezpieczeństwa, porównanie bardziej i mniej zaawansowanych organizacji oraz program działań dla kierownictwa.
Jego najważniejszy argument dotyczy kolejności rozwoju: rozszerzanie autonomii wymaga przygotowania danych, uprawnień i sposobu reagowania na błędy. Wyniki ankiety wspierają tę argumentację, choć mają węższy zakres niż część strategicznych deklaracji autorów. Dla mniejszych firm szczególnie użyteczne będzie rozdzielenie zasad, które warto zachować, od skali inwestycji, którą trzeba dopasować do własnych możliwości.
Dane muszą wystarczać do wykonania działania
AI agentowa oznacza tu systemy, które podejmują i wykonują kolejne działania, korzystając z dostępnych narzędzi. Agent może pobrać informacje, wybrać następny krok i wywołać zmianę w innym systemie. Stopień jego samodzielności zależy od przyznanych uprawnień i reguł nadzoru.
IBM i Oracle opisują przejście od architektury służącej analizie do architektury obsługującej wykonanie. Przy analizie człowiek mógł wychwycić rozbieżność między raportem a rzeczywistą sytuacją. Przy automatycznym działaniu tę samą rozbieżność trzeba wykryć dostatecznie wcześnie albo ograniczyć jej skutki. Znaczenia nabierają aktualność informacji, zgodność definicji i możliwość sprawdzenia, skąd dane pochodzą.
Podstawą empiryczną raportu jest przekrojowa ankieta przeprowadzona przez IBM IBV we współpracy z Oxford Economics wśród 1000 menedżerów z 14 obszarów geograficznych i 21 branż. Respondenci musieli znać wykorzystanie AI we własnej organizacji i uczestniczyć w decyzjach dotyczących danych oraz technologii. W tej grupie 53% oceniało, że obecna architektura danych nie obsługuje AI agentowej w dużej skali. Blisko 60% zgłaszało potrzebę ręcznego korygowania działań agentów.
Dalsze dane pomagają zrozumieć źródło trudności. Raport podaje, że jedynie 28% działań agentów w środowiskach produkcyjnych było wspieranych danymi w czasie rzeczywistym. Mianownikiem są tutaj działania, a sposób ich agregacji między organizacjami nie został ujawniony. Z kolei 35% organizacji miało warstwę ustanawiającą wspólne znaczenie terminów w danych. Te dwa wyniki dotyczą różnych aspektów gotowości: świeżości informacji oraz zgodności ich interpretacji.
Można to zilustrować prostą sytuacją: status „zamknięte” w jednym systemie oznacza zakończenie obsługi zamówienia, a w drugim — zakończenie pojedynczego zgłoszenia. Agent, który potraktuje oba oznaczenia tak samo, może podjąć niewłaściwe działanie nawet przy natychmiastowym dostępie do danych. Ujednolicenie znaczeń jest zatem częścią przygotowania procesu, podobnie jak zapewnienie odpowiedniej aktualności. Samo połączenie systemów nie rozwiązuje obu problemów.
Nadzór pozwala wyznaczyć granice samodzielności
Kolejna część raportu opisuje sposób narastania błędów. Agent może poprawnie wykonać polecenie oparte na wadliwej przesłance, a wynik przekazać dalej. W badaniu 57% menedżerów zgłaszało błędy agentów wynikające z wcześniejszych niespójności danych. Autorzy wiążą to z potrzebą kontroli obejmującej cały przebieg działania, od informacji wejściowej po jego skutki.
Służyć ma temu governance: zasady odpowiedzialności, jakości danych, dostępu, audytu i eskalacji problemów. Raport traktuje je jako część infrastruktury umożliwiającej rozszerzanie autonomii. Firma musi umieć ustalić, na jakiej podstawie agent coś zrobił, kto odpowiada za wykorzystywane dane i kiedy działanie powinno zostać zatrzymane lub przekazane człowiekowi.
Rozbieżność między deklarowaną potrzebą a dostępnymi możliwościami jest wyraźna. Na wykresie dotyczącym nadzoru 77% menedżerów wskazuje monitoring w czasie rzeczywistym wraz z możliwością śledzenia pochodzenia danych jako wymagane dla bezpiecznego użycia AI agentowej. Tymczasem 39% organizacji deklaruje działający produkcyjnie mechanizm pozwalający przejść od decyzji AI do danych źródłowych — określany jako lineage. Zapis komunikatów systemowych może pomagać w analizie błędu; sam nie zapewnia jednak takiego powiązania.
W części poświęconej bezpieczeństwu autorzy wskazują cztery powiązane zdolności: wspólną kontrolę tożsamości i uprawnień, obserwację działania wraz ze śladem audytowym, mechanizmy zatrzymania i ograniczania zasięgu szkód oraz spójne zarządzanie tymi zabezpieczeniami. Praktyczny sens tej konstrukcji jest czytelny: zanim agent dostanie szersze uprawnienia, firma powinna potrafić rozpoznać błąd i powstrzymać jego dalsze skutki.
Warto też odnotować, że bezpieczeństwo, prywatność i zgodność częściej wskazywali jako barierę liderzy badania niż ogół respondentów: odpowiednio 78% i 62%. Autorzy interpretują to jako większą świadomość ryzyka w bardziej zaawansowanych organizacjach. Te odsetki opisują postrzegane bariery, a nie częstość incydentów.
Przewaga liderów jest widoczna, ale jej przyczyna wymaga ostrożniejszej oceny
IBM i Oracle wprowadzają pojęcie agent viability frontier — umownej granicy gotowości do wiarygodnego działania agentów. Po jednej stronie umieszczają fragmentację danych, częste interwencje i kumulowanie błędów; po drugiej — spójne dane, skuteczny nadzór i możliwość rozszerzania autonomii. To użyteczny model pojęciowy. W raporcie nie ma liczbowego progu, po którego przekroczeniu firma uzyskiwałaby potwierdzoną gotowość.
Podstawą porównania organizacji jest indeks złożony z pięciu wymiarów o równych wagach: wdrożenia AI agentowej, modernizacji danych i chmury, modernizacji architektury danych, niezawodności danych oraz intensywności działań autonomicznych. Liderzy są więc grupą o bardziej zaawansowanym profilu wdrożenia i zaplecza. Sam projekt badania nie oddziela wpływu architektury od pozostałych elementów tego profilu.
Na wykresie efektów biznesowych raport zestawia dziewięć obszarów: przychody, podejmowanie decyzji, pracę ręczną, dokładność, innowacje, doświadczenia klientów, sprawność procesów, produktywność i koszty. We wszystkich liderzy częściej deklarują korzystny wpływ AI agentowej. Trzy przykłady pokazują skalę różnic:
| Deklarowany wpływ AI agentowej | Liderzy architektoniczni | Pozostali respondenci |
|---|---|---|
| Zwiększanie wzrostu przychodów | 91% | 32% |
| Ograniczanie pracy ręcznej | 95% | 40% |
| Obniżanie kosztów bieżącej działalności | 93% | 43% |
Źródło: raport IBM i Oracle, wykres 4 na s. 15. Są to odsetki respondentów wskazujących wpływ w danym obszarze. 91% nie oznacza wzrostu przychodów o 91%, a 93% — redukcji kosztów o 93%. Dla przychodów raport opisuje wpływ od umiarkowanego do dużego; dla pozostałych pozycji wykres nie podaje pełnej skali odpowiedzi ani progu zaliczenia.
W części metodologicznej autorzy zastrzegają, że wyniki przedstawiają deklarowane praktyki i zależności statystyczne, nie związki przyczynowe. To ważne przy ocenie mocniejszej tezy raportu o przewadze wynikającej z kolejności inwestycji. Badanie przekrojowe nie pozwala ustalić, jaka część różnicy pochodzi z modernizacji danych, a jaka z kompetencji, zarządzania, doboru zastosowań czy dostępnych pieniędzy. Raport nie przedstawia osobnego pomiaru efektu wydatków ani audytowanych wyników finansowych tych grup.
Z tych danych można wyprowadzić uzasadnienie, by traktować przygotowanie danych i nadzoru jako część inwestycji w agentów. Nie wystarczają one do obietnicy określonego zwrotu po zakupie platformy lub przeprowadzeniu modernizacji. Warto przy tym pamiętać o charakterze publikacji: jej autorzy reprezentują IBM i Oracle, a dokument zawiera także opis ich partnerstwa i usług. To argument za uważnym rozdzielaniem wyników badania od rekomendacji dostawców, bez automatycznego odrzucania przedstawionych obserwacji.
Przypadek banku pokazuje zakres zmiany, lecz nie podaje jej pełnego rachunku
Jedyny rozbudowany przykład w raporcie dotyczy Taiwan Business Bank. Bank modernizował z IBM podstawową infrastrukturę, synchronizację danych między platformami i dostęp do informacji o klientach. Program obejmował też kopie zapasowe w chmurze oraz zasady nadzoru nad AI — od przygotowania danych po zgodność i kontrolę modeli.
Według raportu dostęp do danych o wkładzie klienta w wynik banku skrócił się z pełnego dnia do sekund, a czas oceny wniosku kredytowego zmalał o 40%. Studium klienta opublikowane przez IBM doprecyzowuje, że ten drugi wynik dotyczy usługi Enjoy e-Loan. To relacja dostawcy o łącznym programie zmian. Brakuje budżetu, kosztu całkowitego, wielkości zespołu i pomiaru pozwalającego wydzielić efekt samodzielnych agentów spośród efektów modernizacji.
Przykład pokazuje związek między usprawnieniem dostępu do danych a zmianą sposobu pracy. Jego użyteczność jako wzorca finansowego jest ograniczona. Taiwan Business Bank obsługuje małe i średnie przedsiębiorstwa, lecz opisuje wdrożenie w banku, a nie w typowej małej firmie.
Program dla kierownictwa łączy technologię z odpowiedzialnością
Raport osadza te zalecenia w oczekiwaniu rosnącej autonomii. Przywołuje prognozę, według której agenci mieliby obsługiwać 23% rutynowych zadań przedsiębiorstwa do 2028 r. i 38% do 2030 r. Te liczby pochodzą z odrębnych, niepublikowanych danych IBM IBV od 2500 menedżerów z sierpnia 2026 r., a nie z głównej ankiety 1000 osób. Opisują oczekiwania; pełnej metodologii tej dodatkowej bazy raport nie udostępnia.
Proponowany program działań ma dwa horyzonty: najbliższe 90 dni oraz budowę zdolności w ciągu 12 miesięcy. Zarząd ma nadać modernizacji rangę biznesową, wyznaczyć odpowiedzialność i powiązać finansowanie z mierzalną poprawą gotowości. Osoby kierujące technologią mają rozpoznać przepływy najbardziej narażone na błędy wynikające z opóźnień i fragmentacji danych, a następnie modernizować ich zaplecze. Odpowiedzialni za dane i AI mają zapewnić wspólne definicje, kontrolę jakości i możliwość prześledzenia pochodzenia danych.
Część dotycząca bezpieczeństwa obejmuje uprawnienia, granice samodzielności, monitoring i progi eskalacji. Z kolei osoby odpowiedzialne za przebieg pracy mają przeprojektować procesy, przypisać im właścicieli oraz ustalić obsługę wyjątków, cofanie zmian i reakcję na awarie. Raport rozdziela te obowiązki między funkcje kierownicze; nie podaje planu zatrudnienia pięciu nowych dyrektorów.
Wspólnym mianownikiem zaleceń jest warunkowanie kolejnych wdrożeń poprawą wiarygodności danych i kontroli. Podane okresy są horyzontami programu, nie obietnicą osiągnięcia zwrotu w 90 dni lub zakończenia całej transformacji w rok.
Komentarz dla mniejszych firm: zakres dopasowany do pieniędzy i czasu
Mniejszej firmie proponowałbym zacząć od procesu, którego dane, koszt obsługi i skutki błędu potrafi rozpoznać. Pozwala to powiązać decyzję o inwestycji z rzeczywistą pracą do usprawnienia. O zakresie rozwiązania powinny decydować również dostępność ludzi do jego utrzymania oraz możliwość bezpiecznego ograniczenia uprawnień.
Takie przeniesienie wniosków raportu wymaga zmiany skali. Badanie IBM i Oracle nie ujawnia rozkładu wielkości firm, nie ustala reprezentatywności dla polskich MŚP i nie podaje dla nich kosztów wdrożenia. Pomocny kontekst daje opracowanie OECD AI adoption by small and medium-sized enterprises z 2025 r.. Wyróżnia ono cztery grupy warunków adopcji: łączność, zasoby takie jak dane i moc obliczeniowa, kompetencje oraz finansowanie. Potrzeby zależą także od dojrzałości cyfrowej firmy, złożoności zastosowania i szerokości jego użycia.
Poniższe warianty są autorskimi propozycjami dla różnych sytuacji zasobowych, opartymi na tej analizie:
| Sytuacja firmy | Możliwy zakres zastosowania | Nakłady i warunki wykonalności |
|---|---|---|
| Ograniczone środki, mało czasu technicznego, rozproszone dane | Gotowa funkcja pomagająca przygotować odpowiedź na podstawie sprawdzonych dokumentów, z kontrolą pracownika przed wysłaniem | Opłata za narzędzie, jeśli jest wymagana, oraz czas na uporządkowanie materiałów, naukę i sprawdzanie wyników. Potrzebna jest osoba umiejąca ocenić odpowiedź. Korzyść zależy od tego, ile pracy pozostaje po wygenerowaniu propozycji. |
| Uporządkowane dane w jednym systemie, właściciel procesu i dostępne wsparcie integracyjne | Jeden przepływ: aktualny odczyt danych, przygotowanie działania do zatwierdzenia, ewentualnie samodzielne wykonanie czynności o małych i odwracalnych skutkach | Koszt połączenia systemów, konfiguracji uprawnień, zapisu przebiegu i testów oraz bieżącej usługi. Właściciel procesu musi mieć czas na ocenę wyników i wyjątki; trzeba zapewnić dostęp do danych i sposób zatrzymania działania. |
| Mały, kompetentny zespół techniczny, wartościowe własne dane i środki na utrzymanie | Dostosowany agent dla wybranej funkcji firmy, z narzędziami dobranymi do jej pracy | Praca programistyczna, przygotowanie danych, integracje, zabezpieczenia i powtarzana ocena jakości. Budżet musi obejmować także użycie usług, zmiany w systemach oraz obsługę błędów po uruchomieniu. |
Wielkość zatrudnienia sama nie wyznacza granicy możliwości. OECD opisuje mikrofirmę handlu hurtowego B2B z Tokio korzystającą z własnych agentów do pytań i odpowiedzi, wsparcia negocjacji i komunikacji wielojęzycznej. To przykład funkcjonalnie skupionego zastosowania, bez podanego budżetu, liczebności zespołu ani niezależnego pomiaru efektów. Pokazuje możliwą klasę rozwiązania, nie kosztorys dla innej mikrofirmy.
W każdej z tych sytuacji proponowałbym ograniczyć przygotowanie danych do zależności wybranego procesu, o ile rzeczywiście da się go wydzielić. Aktualizacja całego środowiska firmy może być zbędnym zakresem dla narzędzia wspierającego jedno zadanie. Jednocześnie wąski interfejs nie gwarantuje wąskiego ryzyka: zmiana zamówienia może oddziaływać na magazyn, rozliczenia i komunikację z klientem. Te zależności trzeba rozpoznać przed przyznaniem prawa do zapisu.
Podobnie wymaganie aktualności powinno wynikać ze skutku działania. Odpowiedź na podstawie zatwierdzonego dokumentu i zmiana zamówienia wymagają innego rodzaju sprawdzenia informacji. Raport nie podaje jednego dopuszczalnego opóźnienia dla wszystkich procesów. Proporcjonalność polega tu na dobraniu kontroli do zastosowania, przy zachowaniu możliwości wykrycia i zatrzymania błędu.
Rachunek kosztów powinien obejmować poprawnie zakończoną sprawę
Cena licencji lub użycia modelu jest tylko częścią nakładów. Firma finansuje również przygotowanie danych, integrację, szkolenie, ocenę jakości, obsługę wyjątków i utrzymanie. OECD zwraca uwagę, że małym firmom trudniej odrywać pracowników od działalności przynoszącej przychód na czas nauki. Projekt może więc mieścić się w budżecie zakupowym, a mimo to przekraczać dostępny czas zespołu.
W małej organizacji jedna osoba może odpowiadać za kilka funkcji opisanych w raporcie, a część prac technicznych można zlecić. W takim wariancie nadal trzeba ustalić, kto ocenia poprawność danych, kto rozstrzyga wyjątki i kto może zatrzymać proces. Łączenie obowiązków ani zakup wsparcia nie zwiększają automatycznie czasu dostępnego na ich wykonanie.
Wybór prostszego rozwiązania może ograniczyć zakres budowy. Poradnik OpenAI A practical guide to building agents dopuszcza zwykłą automatyzację regułową tam, gdzie jest wystarczająca, oraz rozpoczęcie od jednego agenta z narzędziami. Opisuje też dobór modelu przez sprawdzanie jakości, opóźnienia i kosztu. To wskazówki projektowe dostawcy, nie ilościowy dowód oszczędności dla MŚP. Uzasadniają jednak pytanie, które warto postawić przed inwestycją: jak proste może być rozwiązanie, aby nadal poprawnie wykonywało potrzebną pracę?
Przy ocenie pilotażu proponowałbym mierzyć czas od rozpoczęcia do poprawnego zakończenia sprawy, pracę przy poprawkach i wyjątkach, koszt jednej obsłużonej sprawy oraz skutki błędów. Szybsze wygenerowanie odpowiedzi może nie skrócić całej obsługi, jeśli pracownik musi długo ją sprawdzać. Dopiero taki rachunek pozwala zestawić korzyść z pieniędzmi i czasem, które firma rzeczywiście angażuje.
Autonomia powinna rosnąć wraz ze zdolnością jej utrzymania
Raport IBM i Oracle przekonująco porządkuje zależności między danymi, nadzorem i możliwością rozszerzania działania agentów. Jego dane ankietowe pokazują wyraźne różnice między profilami organizacji. Granice badania wymagają jednak oddzielenia tych różnic od obietnic przyczynowego wpływu modernizacji na wyniki finansowe.
Dla mniejszych firm wynika z tego możliwość stopniowego poszerzania zastosowań, dopasowanego do dostępnych danych, pieniędzy i pracy ludzi. Dobrze wydzielony proces może uzasadniać węższą inwestycję, a nadzór człowieka może pozostać trwałą częścią rozwiązania. Kolejny zakres samodzielności warto przyznawać wtedy, gdy firma potrafi pokazać, że obecny działa poprawnie, przynosi korzyść po uwzględnieniu pełnych kosztów i daje się utrzymać przy dostępnych zasobach.
