Element buduje w pełni automatyczną firmę. Co z tego mają klienci

23 sierpnia 2026

Wprowadzenie

Element będzie pierwszym polskim systemem ATS, za którym stoi w pełni automatyczna firma, czyli taka, w której procesy operacyjne wykonują agenci AI, a człowiek wybiera cele i odpowiada za wynik. Myśl o zbudowaniu takiej firmy krąży mi po głowie od lat, ale dopiero teraz dojrzewa do tego technologia. Jest też o tym sporo publikacji, na przykład od jednego z moich ulubionych podcasterów. Dwarkesh Patel opisał taką organizację w eseju The AI firm, napisanym wspólnie z Ege Erdilem i Tamayem Besiroglu. Jego tekst dotyczy przyszłości, w której AGI już istnieje. Mnie interesuje pytanie praktyczne, czyli ile z tego działa dzisiaj, przy modelach, które mam pod ręką, i co z tego mają klienci płacący nam abonament.

Czym jest firma złożona z agentów według Dwarkesha

Teza eseju jest taka, że większość ludzi przywiązała się do pytania, jak mądry będzie pojedynczy model. Takie myślenie pomija moim zdaniem coś ważniejszego. Mianowicie modele są cyfrowe, więc można je kopiować, destylować, scalać, skalować i poddawać selekcji w sposób niedostępny ludziom. Dwarkesh wyprowadza z tego kilka mechanizmów, które moim zdaniem warto omówić:

  • Kopiowanie, czyli zamiana kapitału na moc obliczeniową, a mocy obliczeniowej na odpowiednik najlepszego pracownika. Gdy masz już jednego dobrego inżyniera w wersji cyfrowej, każda kolejna kopia kosztuje grosze.
  • Scalanie, czyli sytuacja, w której centralny model wchłania to, czego nauczyły się jego wyspecjalizowane kopie, przez co granica między pojedynczymi instancjami się zaciera.
  • Skala, o której Dwarkesh pisze wprost: „Koszt obsadzenia roli przez AI sprowadzi się do ilości mocy obliczeniowej, którą ta AI zużywa”. Rzadkie przestają być umiejętności, a drogie stają się role, które uzasadniają wylanie ogromnej mocy obliczeniowej na jedną decyzję.
  • Ewolucja, przy której autor przywołuje Gwerna i jego pytanie, czemu świetne firmy nie klonują się i nie zajmują wszystkich rynków. Odpowiedź brzmi: „Korporacje są zrobione z ludzi, a nie z wymiennych, łatwych do skopiowania podzespołów czy nici DNA”. Firma złożona z modeli tego ograniczenia nie ma.

Które z tych mechanizmów działają już dziś

Kopiowanie działa, choć w wersji słabszej niż ta, którą opisuje autor. Nie mam kopii wybitnego inżyniera, mam za to wiele instancji tego samego modelu z tym samym zestawem instrukcji, a koszt kolejnej instancji to rzeczywiście moc obliczeniowa i nic poza tym.

Scalanie działa u nas najsłabiej z całej czwórki, choć wiedza między agentami krąży, i to w sporej części bez mojego udziału. Po trudniejszym zadaniu agent sam ocenia, gdzie było tarcie, i zapisuje z tego regułę na przyszłość. Kiedy potknie się na jakiejś pułapce, dopisuje ją do instrukcji, z której korzystał, nie pytając mnie o zgodę. Notatki, w których agenci trzymają to, czego nauczyli się o naszej firmie, rosną w ten sposób od miesięcy, a cała konfiguracja leży w repozytorium podpiętym do każdej maszyny, więc reguła zapisana wieczorem na jednym serwerze obowiązuje rano na wszystkich pozostałych.

Różnica wobec opisu Dwarkesha polega na tym, gdzie ta wiedza mieszka. On pisze o modelu, który wchłania ją do siebie, dzięki czemu każdy okruch zostaje zachowany bez strat. U nas wiedza zostaje tekstem obok modelu. Każda nowa instancja musi go najpierw przeczytać, a to, czego nikt nie zapisał, znika razem z końcem sesji. Moim zdaniem i tak wychodzi to taniej niż wdrożenie nowej osoby, i właśnie dlatego automatyzacja opłaca się na długo przed AGI. Procedura spisana w pliku kopiuje się w sekundę. Ta sama procedura w czyjejś głowie kopiuje się latami, jeśli w ogóle. To ten sam mechanizm, który Gwern opisuje przy replikacji korporacji, tylko w skali mojej firmy.

Skala odpowiada mojemu doświadczeniu najdokładniej i przyznam, że to zdanie o koszcie roli mocno ze mną rezonuje. Ano dlatego, że na szkoleniach powtarzam dokładnie to samo: rutynowe klikanie przechodzi na AI, a my zostajemy szefami zespołów agentów, czyli reżyserami. Odkąd tak pracuję, najdrożej kosztuje mnie już nie wykonanie zadania, tylko decyzja i sprawdzenie, co z niej wyszło. U Dwarkesha wąskim gardłem jest moc obliczeniowa wylana na jedną decyzję. U mnie jest nim moja własna uwaga. Moim zdaniem mechanizm jest ten sam, tylko płaci się za niego czym innym.

Ewolucja działa w wersji zaskakująco prostej, którą Dwarkesh opisuje w przypisie. Powołuje się na badanie Bloom i współpracowników, gdzie samo przeszkolenie kadry menedżerskiej podniosło produktywność firm o 17%, i zauważa, że w firmie złożonej z modeli taki awans mógłby trafić natychmiast do wszystkich kopii naraz. Mechanizm rozchodzenia się zmiany wygląda u mnie podobnie, bo poprawiam jeden plik z instrukcjami i każdy agent pracuje według nowej wersji przy najbliższym uruchomieniu. Nie twierdzę, że daje mi to 17% wzrostu produktywności, tylko tyle, że nie ma tu okresu przejściowego, szkolenia ani spotkania wdrożeniowego.

Czego z tego opisu nie ma przy dzisiejszych modelach

Autor pisze, że w firmie złożonej z modeli „nie ma problemu pryncypał-agent, w którym pracownicy optymalizują coś innego niż wynik finansowy Google’a ani nie brakuje im osądu potrzebnego do rozstrzygania, co jest najważniejsze”. Sam zastrzega zresztą w przypisie, że problem nie znika, tylko przenosi się między pracowników, którzy nagle wiedzą wszystko, a akcjonariuszy, którzy wiedzą tyle co dziś, czyli prawie nic. U mnie wygląda to jeszcze inaczej, po prostu dlatego, że nie mam AGI. Dwarkesh opisuje firmy, które ją już mają. Moi agenci nie optymalizują czegoś innego niż wynik firmy, za to potrafią zaraportować rezultat, którego nie sprawdzili. Choć takie pomyłki zdarzają się coraz rzadziej, to nie zmienił się fakt, że koszt przesunął się z pilnowania intencji na weryfikację twierdzeń, a moim najrzadszym zasobem jest uwaga i czas potrzebne do tego sprawdzania. Z tego powodu każdy proces u nas ma krok weryfikacji i wyznaczony moment eskalacji do człowieka, czyli dokładnie tę pętlę, którą opisywałem w lipcu przy okazji wzorca autonomicznej firmy Replita.

Druga rzecz dotyczy rozmiaru firmy. Dwarkesh opiera się na Coase’ie i pisze, że skoro koordynacja wewnątrz firmy stanieje, to firmy prawdopodobnie urosną, przy czym od razu zastrzega, że nie musi się to skończyć jedną gigafirmą, bo wewnętrzne planowanie potrzebuje zewnętrznego sprzężenia z rynkiem w postaci zysków i strat. U mnie ten mechanizm potwierdza się w nieco inny sposób. Granica firmy przesuwa się do wewnątrz, ponieważ usługi i produkty kupowane wcześniej na rynku robimy dzięki AI sami. Mam na myśli narzędzia do generowania leadów, usługi marketingowe, CRM, już pracujemy nad obsługą użytkowników. Firma rośnie zakresem, a nie liczbą etatów, więc gdyby mierzyć jej wielkość liczbą ludzi, wyszłoby, że się kurczy. Headcount przestaje być sensowną miarą w firmach nastawionych na AI.

Jak blisko w pełni automatycznej firmy jesteśmy dzisiaj

W dużym stopniu zautomatyzowana jest sprzedaż. Generowanie i rozgrzewanie leadów jest już od wielu miesięcy całkowicie automatyczne. Zastąpiliśmy Pipedrive własnym CRM zbudowanym wokół agentów, który segreguje przychodzące zapytania i przygotowuje oferty, zanim sprawa trafi do mnie. Działania marketingowe, w tym pozycjonowanie, również jest całkowicie zautomatyzowane. Sporo funkcji administracyjnych też wykonują się już praktycznie same.

W kolejce czeka onboarding oraz wsparcie użytkowników, gdzie zamierzamy zastąpić drogi Intercom własnym systemem obsługi. Prace już trwają i mam nadzieję dowieźć to do końca roku, choć sporo się też dzieje w samym Elemencie, co może spowodować opóźnienia. Chęć zastąpienia Intercom własnym narzędziem nie wynika wyłącznie z wysokiego rachunku za licencję. Korzyścią własnego rozwiązania jest to, że system wsparcia, który stoi w tym samym miejscu co kod systemu i kolejka zadań, może przekazać zgłoszenie prosto do realizacji, zamiast przepisywać je między ludźmi i narzędziami. Sam produkt rozwijamy w tym trybie od wielu miesięcy, o czym pisałem w czerwcu w tekście o tym, że rozwój systemu przyspieszył jak nigdy wcześniej.

Co z tego mają klienci Element

Pierwsze to cena. Nigdy nie podnieśliśmy cen naszym klientom, a teraz planuję pójść dalej i dzięki automatyzacji ceny obniżyć, zamiast je podnosić, co przy rosnących kosztach jest w SaaS zwykłym odruchem. Automatyzacja zbija tę część kosztu, która nie przekłada się ani na funkcje, ani na bezpieczeństwo, czyli powtarzalną obsługę procesu. Jakość obsługi użytkowników pozostaje na maksymalnie wysokim poziomie.

Druga korzyść to stosunek kosztu do możliwości systemu. Wynika z ceny oraz z tempa, w jakim dokładamy funkcje, a jeśli porównujesz systemy rekrutacyjne, to jest właśnie ta wielkość, którą liczę zamiast samej ceny abonamentu. Zebrałem to w poradniku o systemach ATS.

Trzecia to czas reakcji na zgłoszoną potrzebę zmiany w systemie. Takie zgłoszenie odbiera agent i przekazuje je do realizacji, przez co między zgłoszeniem a rozpoczęciem implementacji liczymy minuty, a nie tygodnie. Piszę „rozpoczęciem” świadomie, bo droga na produkcję nadal prowadzi przez testy automatyczne, przegląd kodu wykonany przez człowieka i serwer testowy. Automatyzacja skróciła kolejkę przed bramką, natomiast samej bramki nie zdjęła i nie zamierzam jej zdejmować. Codzienna obsługa użytkownika to osobna sprawa, która dopiero czeka w kolejce.

Dlaczego traktuję to jako eksperyment

Robię to, ponieważ mnie to pochłania. Uczę się przy tym rzeczy, których dwa lata temu nie umiałem, wchodzę tam, gdzie większość organizacji jeszcze nie weszła, i zbieram doświadczenie, którego nie da się kupić w formie kursu. Duże firmy mają procedury, działy i ludzi przyzwyczajonych do jednego sposobu pracy. Ja mam mały zespół i mogę przebudować proces, nie uzgadniając tego z nikim. Tę przewagę chcę wykorzystać, dopóki ją mam.

Chcę też dzielić się tym, co z tego wychodzi, łącznie z rzeczami, które nie wyszły, i po to piszę takie teksty. Jest w tym również rachunek czysto biznesowy, bo chcemy rozwijać system i odpowiadać użytkownikom natychmiast tak długo, jak długo firmy będą rekrutować, niezależnie od tego, czy rynek rekrutacyjny akurat rośnie, czy się kurczy.

Czego nie zamierzam automatyzować

Przy mnie zostaje decyzja i odpowiedzialność za nią. Element przetwarza setki tysięcy danych osobowych kandydatów, więc musi istnieć osoba, która odpowiada za to, że dana zmiana weszła na produkcję.

Przy mnie zostaje też wizja rozwoju produktu. Mam poczucie, że widzę, jak technologia zmieni świat, w szczególności rynek pracy i rekrutacje i buduję rozwiązanie, które będzie gotowe na nadchodzące zmiany. To rozwiązanie to coś innego niż Element, to będzie narzędzie, które zastąpi Element, gdy systemy ATS przestaną być już potrzebne.

Jeśli szukasz systemu rekrutacyjnego i liczysz stosunek kosztu do możliwości to koniecznie sprawdź Element.

Najczęściej czytane:

  1. Darmowe ogłoszenia o pracę i największa lista źródeł kandydatów – największa w Polsce lista bezpłatnych i płatnych źródeł kandydatów
  2. Praca w HR – najnowsze oferty pracy i aktualne średnie wynagrodzenia w branży HR
  3. Akademia Rekrutacji – zbiór wiedzy na temat rekrutacji oraz raporty z rynku pracy.
  4. Gowork – jak reagować na negatywne opinie o pracodawcach – Kompleksowy poradnik dla pracodawców.
  5. Jak napisać CV i profil LinkedIn – kompleksowy poradnik tworzenia CV i profilów LinkedIn
  6. RODO w rekrutacji – sourcing, direct search, ogłoszenia. Wszystko co musisz wiedzieć – kompleksowy poradnik RODO w rekrutacji z naciskiem na działania typu direct search / sourcing.
  7. Wszystko o systemach ATS – poradnik wyboru systemu rekrutacyjnego
  8. Umowy przedwstępne i listy intencyjne w procesach rekrutacyjnych – wszystko, co musisz wiedzieć o prawnych zabezpieczeniach zobowiązania do zatrudnienia.
Picture of Maciej Michalewski

Maciej Michalewski

Founder & CEO @ Element

Element cennik baner

Nasze artykuły przeczytasz także na Medium, LinkedIn, Substack, Reddit

Ostatnie wpisy: