Agenci AI nie zmienią firm, które nie zmienią się same

13 kwietnia 2026

Aron Levie, CEO Box, spędził tydzień na spotkaniach z kilkudziesięcioma liderami IT i AI z dużych przedsiębiorstw w bankach, mediach, retailu, ochronie zdrowia, consultingu, technologii i sporcie. Jego obserwacje, opublikowane na X, są jednym z najcenniejszych opisów tego, co dzieje się w korporacjach próbujących wdrożyć agentów AI. Czytając je, zobaczyłem w nich potwierdzenie wielu rzeczy, o których piszę od miesięcy, ale też kilka perspektyw, które warto rozwinąć.

Od czatu do agentów: zmiana, której firmy jeszcze nie rozumieją

Levie pisze wprost: przechodzimy z ery czatu AI do agentów, którzy używają narzędzi, przetwarzają dane i zaczynają wykonywać realną pracę w przedsiębiorstwach. Jednocześnie firmy odchodzą od podejścia “niech zakwitnie tysiąc kwiatów” w kierunku celowanej automatyzacji konkretnych obszarów pracy.

To obserwacja, którą potwierdzam z własnego doświadczenia. Pisałem o tym w kontekście wielkiej reorganizacji firm wokół AI, gdzie raport Foundation Capital pokazał, że firmy przechodzą przez tę samą zmianę, jaką fabryki przeszły sto lat temu przy przejściu z pary na elektryczność. Pierwsze korzyści były niewielkie, bo producenci po prostu wymieniali źródło zasilania, nie zmieniając architektury. Większość firm jest dziś w tej samej fazie: dają ludziom dostęp do AI, ale struktury organizacyjne, procesy decyzyjne i przepływ pracy pozostają takie same. Szybsi ludzie nie tworzą automatycznie szybszej organizacji.

Change management jako wąskie gardło transformacji

Levie wskazuje, że zarządzanie zmianą pozostanie jednym z największych tematów dla przedsiębiorstw. Większość przepływów pracy nie jest przygotowana na to, żeby po prostu wrzucić do nich agentów, a firmy potrzebują ogromnego wsparcia, zarówno wewnętrznego, jak i od partnerów. Jedna z firm, z którymi rozmawiał, ma szefa AI w każdej jednostce biznesowej, a ci szefowie raportują do centralnego zespołu, żeby utrzymać koordynację między funkcjami.

To dokładnie to, o czym piszę w analizie raportu Gallupa 2026. Gallup pokazał, że w amerykańskich organizacjach wdrażających AI 65% pracowników mówi o pozytywnym wpływie na ich indywidualną produktywność, ale zaledwie 12% zdecydowanie zgadza się, że AI zmieniła sposób, w jaki ich organizacja wykonuje pracę. Indywidualne korzyści są realne, ale nie agregują się do poziomu organizacyjnego bez aktywnego zarządzania zmianą.

Co więcej, Gallup zidentyfikował konkretny mechanizm blokujący: menedżera. Tam, gdzie menedżer aktywnie wspiera użycie AI, częste użycie deklaruje 79% zespołu. Bez takiego wsparcia tylko 46%. Pracownicy z aktywnym menedżerem są 8,7 razy bardziej skłonni przyznać, że AI zmieniła sposób pracy ich organizacji. Firma Leviego, która postawiła szefa AI w każdej jednostce biznesowej, instynktownie trafiła w sedno problemu, bo bez ludzi zarządzających zmianą w każdej funkcji technologia pozostaje indywidualnym gadżetem.

Tokenmaxxing, czyli nowe budżetowanie

Levie wprowadza termin “tokenmaxxing” i opisuje zjawisko, które sam obserwuję u klientów. Firmy operują ze ścisłymi budżetami operacyjnymi zamykanymi na rok do przodu, więc przechodzą przez realne dyskusje o tym, jak budżetować tokeny. Jedna firma wymyśliła coś w stylu “shark tank” do pitchowania o budżet obliczeniowy, inne próbują racjonować compute według hierarchii potrzeb.

To fascynujące, bo pokazuje, że AI nie jest już eksperymentem, lecz pozycją budżetową, z której trzeba się rozliczyć. Koszt tokenów staje się nowym kosztem pracy, a firmy muszą odpowiedzieć na pytanie, które wcześniej nie istniało: ile obliczeniowej mocy przeznaczyć na agenta, który zastępuje proces, versus na człowieka, który ten proces wykonywał manualnie. Ten rachunek ekonomiczny będzie się stawał coraz bardziej precyzyjny, bo modele tanieją z każdym kwartałem, a koszty pracy rosną.

Fragmentacja systemów: bariera, o której Silicon Valley nie mówi

Levie podkreśla, że naprawianie fragmentarycznych i przestarzałych systemów to ogromny priorytet. Większość przedsiębiorstw zmaga się z dekadami systemów on-premise lub systemów przeniesionych do chmury, ale wciąż niezmodernizowanych w żaden sensowny sposób. Agenci nie mogą łatwo korzystać z tych źródeł danych w zunifikowany sposób, więc firmy skupiają się na modernizacji.

Pisałem o tym zjawisku w kontekście końca tradycyjnych narzędzi biurowych. W świecie, w którym AI wykonuje operacje bez otwierania programów, klasyczne interfejsy tracą sens, ale dane w tych systemach nadal istnieją i są potrzebne. Problem nie polega na tym, że agenci AI nie są wystarczająco inteligentni. Problem polega na tym, że dane, których potrzebują, są rozproszone po dziesiątkach systemów, które nigdy nie były projektowane do współpracy ze sobą, a tym bardziej z agentami.

Z mojego doświadczenia jako konsultanta wynika, że modernizacja tych systemów to praca na lata, a nie miesiące. Firmy, które próbują wdrożyć agentów AI bez uporządkowania warstwy danych, kończą z agentami, którzy mają dostęp do fragmentu obrazu i generują fragmentaryczne wyniki.

Firmy nie zastępują ludzi — robią to, czego wcześniej nie mogły

Jedna z najbardziej wartościowych obserwacji Leviego dotyczy tego, czego agenci AI faktycznie są używani w przedsiębiorstwach. Główne zastosowania to rzeczy, których firma wcześniej nie mogła zrobić lub nie mogła priorytetyzować: aktualizacje oprogramowania, automatyzacja procesów back-office, które blokowały inne przepływy pracy, przetwarzanie dużych wolumenów dokumentów dla nowych insightów biznesowych. Więcej nacisku na zarabianie pieniędzy niż na cięcie kosztów.

To perspektywa, która uzupełnia moje wcześniejsze analizy. Pisałem o intensyfikacji pracy przez AI, gdzie badania HBR pokazały, że AI paradoksalnie zwiększa obciążenie pracą, bo ludzie przejmują dodatkowe zadania. Obserwacja Leviego wyjaśnia jeden z mechanizmów: firmy nie redukują zespołów, lecz przekierowują je na zadania, które wcześniej leżały odłogiem. Efektem nie jest mniej pracy, lecz więcej pracy innego rodzaju.

Jednocześnie warto pamiętać, że to obraz z perspektywy liderów dużych firm. Gallup pokazuje, że w największych organizacjach (ponad 10 000 pracowników) wdrażających AI 33% pracowników zgłasza redukcje zatrudnienia. Levie widzi inwestycje w nowe możliwości, bo rozmawia z decydentami, którzy je planują. Pracownicy widzą reorganizacje, bo nimi żyją. Obie perspektywy mogą być prawdziwe jednocześnie.

Headless software: koniec interfejsów, początek protokołów

Levie mówi, że “headless software” zdominowało jego rozmowy. Przedsiębiorstwa potrzebują pewności, że całe ich oprogramowanie działa z dowolnym zestawem agentów, i będą porzucać dostawców, którzy nie ułatwiają tego technicznie lub ekonomicznie.

To bezpośrednio łączy się z tym, o czym pisałem w artykule o końcu MS Office. Kiedy AI wykonuje operacje bezpośrednio na danych bez potrzeby otwierania interfejsu graficznego, tradycyjny model oprogramowania z oknem, przyciskami i menu traci uzasadnienie. Oprogramowanie staje się warstwą API, a nie interfejsem dla człowieka.

W praktyce obserwuję to w rekrutacji. Systemy ATS takie jak Element muszą działać nie tylko jako narzędzie dla rekrutera, ale jako warstwa danych i API dla agentów, którzy analizują kandydatów, generują raporty i automatyzują komunikację. Dostawca, który zamyka swoje dane za interfejsem klikania, przegrywał w erze integracji. W erze agentów przegrywa jeszcze szybciej.

Multi-agent i problem standaryzacji

Levie zauważa wyraźne poczucie, że trudno teraz standaryzować cokolwiek, bo tempo zmian jest zbyt duże. Nikt nie chce utknąć w paradygmacie, który zamknie ich w złej architekturze. Jednym z efektów jest świadomość, że firmy żyją w świecie wielu agentów, co oznacza, że interoperacyjność staje się kluczowa.

Sam to widzę w codziennej pracy. Projektuję systemy, w których różni agenci AI obsługują różne etapy procesu, i największym wyzwaniem nie jest wydajność pojedynczego agenta, lecz to, jak agenci przekazują sobie kontekst, jak dzielą się danymi i jak człowiek nadzoruje ich wspólną pracę. Foundation Capital, o którego raporcie pisałem w kontekście wielkiej reorganizacji, nazywa ludzi projektujących te systemy “architektami systemów” i wskazuje tę rolę jako tę z największą krzywą uczenia się i największą dźwignią w nowej organizacji.

Wszyscy pracują więcej niż kiedykolwiek

Levie kończy obserwacją, z którą trudno się nie zgodzić: wszyscy pracują więcej niż kiedykolwiek. AI nie powoduje, że ktokolwiek pracuje mniej, a zespoły są najbardziej zajęte w historii.

To potwierdza to, co pisałem o intensyfikacji pracy i co Gallup dokumentuje liczbami. Liderzy mają wyższe zaangażowanie, ale jednocześnie o 7 punktów częściej zgłaszają stres, o 12 punktów częściej gniew i o 11 punktów więcej smutku niż indywidualni pracownicy. AI daje większą sprawczość, ale wiąże się z odpowiedzialnością za więcej decyzji, więcej systemów i więcej zmian jednocześnie.

Paradoks polega na tym, że AI obiecywało odciążenie, a dostarcza więcej możliwości do zagospodarowania. Firmy, zamiast robić to samo z mniejszą liczbą osób, robią więcej z tą samą liczbą. Efekt netto to nie oszczędność czasu, lecz przesunięcie na bardziej ambitne zadania przy rosnącym obciążeniu psychicznym.

Kto przeprowadzi tę zmianę: nowa rola agent managera w zespole

Krótko po pierwszym poście Aron Levie wrócił do tematu z konkretem, którego brakowało w poprzedniej obserwacji. Im więcej rozmawia z przedsiębiorstwami o transformacji agentowej, tym wyraźniej widzi, że w większości firm pojawi się nowa rola: agent deployer i manager w zespole. Osoba, która identyfikuje przepływy pracy o najwyższej dźwigni, gdzie zastosowanie mocy obliczeniowej w formie agentów pozwala wykonać zadanie sto razy szybciej lub sto razy więcej razy niż wcześniej.

Levie podaje konkretne przykłady: przetwarzanie rzędów wielkości większej liczby szans sprzedażowych z dodatkowym sygnałem klienckim, automatyzacja nadzoru nad procesami, usprawnienie onboardingu klientów, budowa baz wiedzy, z których korzysta cała firma. Zadaniem tej osoby jest zaprojektowanie future-state workflow i połączenie istniejących lub nowych systemów tak, żeby ten workflow dało się faktycznie uruchomić.

Najciekawsze jest to, jak Levie opisuje codzienną pracę takiej osoby. Mapowanie przepływów danych strukturalnych i niestrukturalnych, projektowanie idealnego workflow, dostarczanie agentowi kontekstu potrzebnego do poprawnego wykonania zadania, definiowanie miejsc, w których człowiek wchodzi w interakcję z agentem, zarządzanie ewaluacjami po każdej zmianie modelu lub danych, prowadzenie agentów na bieżąco z KPI-ami. To nie jest rola projektowa, lecz operacyjna. Agent manager nie buduje raz, lecz utrzymuje i dostraja w nieskończoność.

Ta rola jest operacyjną wersją tego, co Foundation Capital nazywa “architektem systemów” i “walidatorem” w raporcie, o którym pisałem w kontekście wielkiej reorganizacji firm wokół AI. Foundation Capital opisuje tę rolę z perspektywy całej organizacji: ktoś projektuje, jak ludzie i agenci współpracują, ktoś inny waliduje wyniki. Levie pokazuje tę samą rolę na poziomie pojedynczego zespołu: jedna osoba musi i projektować, i walidować, i utrzymywać, bo w codziennej pracy te czynności są nierozłączne.

Sam pełnię tę rolę w praktyce. W Element nieustannie staram się identyfikować procesy, które są gotowe do automatyzacji. Jako doradca, analizuję procesy klientów i projektuję dla nich systemy, w których agenci przejmują poszczególne zadania lub całe funkcje. To dokładnie to, o czym pisze Levie: jedna osoba łącząca kompetencje biznesowe, techniczne i operacyjne, z autonomią do podłączania systemów i uruchamiania automatyzacji.

Levie kończy swój post obserwacją, która jest bezpośrednią odpowiedzią na problem, o którym piszę od miesięcy. To byłaby fantastyczna praca dla juniorów wchodzących na rynek z nastawieniem na AI i techniczne kompetencje. Dla każdego, kto martwi się o przyszłość inżynierów, to oczywisty kierunek rozwoju. W artykule o niepewnej przyszłości junior developerów diagnozowałem problem: firmy wdrażające AI zmniejszyły rekrutację na poziomie junior o 22%, a w handlu zatrudnienie młodszych pracowników spadło o 40%. Rola agent managera jest konkretną odpowiedzią na ten problem. Nie jest to tradycyjna ścieżka “napisz kod, zrób code review, awansuj”, lecz ścieżka “zrozum proces biznesowy, zmapuj dane, skonfiguruj agenta, wdroż ewaluację, mierz wynik”.

Z tej perspektywy nowa rola nie jest neutralnym dodatkiem do struktury firmy, lecz konkretnym miejscem, w którym materializuje się change management. Firmy, które wyznaczają takie osoby w każdym zespole, przestają mieć abstrakcyjny problem “jak wdrożyć AI” i zaczynają mieć konkretnych ludzi odpowiedzialnych za to, żeby agenci faktycznie zmieniali sposób pracy. Firmy, które tej roli nie obsadzają, pozostają w fazie, w której każdy pracownik używa ChatGPT na własną rękę, a organizacja jako całość nie rusza się z miejsca.

Agenci AI wymagają inżynierów, nie mniej inżynierów

Levie kończy metaobserwacją, która moim zdaniem jest najważniejsza z całego wątku. Mimo przekonania Silicon Valley, że AI uczyniło trudne rzeczy łatwymi, najbardziej efektywne sposoby użycia agentów są bardziej “techniczne” niż poprzednie ery oprogramowania. Skills, MCP, CLI mogą być prostymi konceptami dla branży tech, ale w realnym świecie to ezoteryczne pojęcia, które wymagają technicznych ludzi do wdrożenia w przedsiębiorstwie.

To obserwacja, która łączy się z moim pisaniem o niepewnej przyszłości junior developerów i raporcie Foundation Capital o wielkiej reorganizacji. Inżynierowie może nie będą “pisać” oprogramowania w tradycyjnym sensie, ale będą tymi, którzy konfigurują, integrują i nadzorują systemy automatyzujące większość pracy w przedsiębiorstwie.

Sam jestem tego żywym przykładem. Jako CEO Element i konsultant AI nie piszę już kodu ręcznie, ale projektuję systemy, w których agenci AI generują kod, analizują dane i przygotowują materiały, a ja weryfikuję i zatwierdzam efekty. Opisywałem taki proces w artykule o vibe codingu integracji z LinkedIn, gdzie AI wygenerowało ponad 5,4 tysiąca linijek kodu przechodzącego potem weryfikację seniora.

Foundation Capital nazywa takich ludzi “architektami systemów” i “walidatorami”. Levie widzi to samo z perspektywy klientów enterprise: dyfuzja AI wymaga realnej pracy i czasu, a szacunki dotyczące przyszłości zawodów inżynierskich są nietrafione. Zapotrzebowanie na ludzi, którzy potrafią zbudować i obsłużyć systemy agentowe, nie maleje. Rośnie.

Artykuł powstał na podstawie obserwacji Arona Levie, CEO Box, opublikowanych na platformie X, w zestawieniu z własnymi doświadczeniami autora z wdrożeń AI w przedsiębiorstwach.

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.

Ostatnie wpisy: