Dla wielu organizacji, które właśnie wdrażają swoich pierwszych agentów, rodzi to ważne pytanie: co je wyróżnia na tle firm, które już osiągają zwrot z inwestycji? Badanie Salesforce „State of Agentic AI in the Enterprise”, przeprowadzone wśród 2025 osób decyzyjnych odpowiedzialnych za agentyczną AI na całym świecie, wskazuje na przygotowanie, a nie tempo działania. Firmy, które wdrożyły agentów jako pierwsze, niekoniecznie jako pierwsze osiągnęły znaczący zwrot inwestycji. Najlepszymi wskaźnikami sukcesu okazały się czynniki operacyjne, takie jak dostępność czystych, odpowiednio zarządzanych danych w momencie, gdy agent ich potrzebuje oraz jasno określony zakres działania agenta.
Wśród 30% organizacji, które już wykorzystują agentów w środowisku produkcyjnym, wdrożenia osiągają ROI po około ośmiu miesiącach. Wskaźnik wykorzystania agentów przez pracowników wynosi 53%, a średni wzrost satysfakcji klientów – 29%.
– Każdy zarząd zastanawia się, czy działa wystarczająco szybko. Dwa lata po rozpoczęciu transformacji związanej z agentyczną AI dane pokazują, że przewaga nigdy nie wynikała z tego, kto zaczął pierwszy, lecz z tego, kto zaczął w sposób przemyślany. Organizacje osiągające rzeczywiste zwroty z inwestycji jeszcze przed uzyskaniem idealnych warunków precyzyjnie określiły kilka kluczowych elementów: wiarygodne dane przygotowane na potrzeby danego zastosowania, człowiek pozostający częścią procesu oraz przygotowane z wyprzedzeniem mechanizmy zabezpieczające – mówi Shibani Ahuja, SVP, Data & AI Strategy, Salesforce.
Realne skutki wdrożeń
| Czas do osiągnięcia ROI | 8 miesięcy |
| Odsetek pracowników regularnie korzystających z agentów AI | 53% |
| Wzrost satysfakcji klientów (CSAT) | 29% |
| Wzrost szybkości rozwiązywania problemów | 31% |
| Redukcja kosztów operacyjnych | 29% |
Gdyby to tempo wdrażania decydowało o zwrocie z inwestycji, organizacje, które wdrożyły agentów najwcześniej i na największą skalę, powinny również najszybciej osiągać ROI. Tak jednak nie jest.
- Branże najbardziej zaawansowane pod względem wdrażania agentów AI różnią się od tych, które najszybciej osiągają ROI. To dowód na to, że wcześniejsze wdrożenie nie gwarantuje wcześniejszego zwrotu z inwestycji.
- Dwie branże, w których odsetek firm z pełnym wdrożeniem agentów AI należy do najniższych – usługi profesjonalne i biznesowe oraz łańcuch dostaw i logistyka – najszybciej osiągają znaczący zwrot z inwestycji (ROI).
- Z kolei branża High Tech należy do największych użytkowników agentów AI, ale jednocześnie odnotowuje jeden z najdłuższych okresów oczekiwania na ROI – 10,1 miesiąca.
Branże z największym odsetkiem pełnych wdrożeń
- Usługi finansowe;
- Handel detaliczny;
- Produkcja;
- High tech.
Branże najszybciej osiągające ROI
- Usługi profesjonalne i biznesowe – 6,5 miesiąca;
- Łańcuch dostaw i logistyka – 6,8 miesiąca;
- Inżynieria, budownictwo i nieruchomości – 7,2 miesiąca;
- Produkcja – 7,2 miesiąca;
- Usługi finansowe – 7,2 miesiąca.
Idealne dane nie są warunkiem wdrożenia agentów AI
Gotowość danych nie odróżnia organizacji, które wdrożyły agentów AI, od tych, które jeszcze tego nie zrobiły, choć koreluje z lepszymi wynikami po wdrożeniu.
- Organizacje, które wdrożyły agentów, wskazują dwa czynniki jako najważniejsze dla sukcesu najbardziej autonomicznych agentów: czyste i łatwo dostępne dane dostępne w momencie działania agenta oraz ściśle zdefiniowany zakres zastosowania. Żaden z tych elementów nie wymaga pełnej unifikacji danych w całej organizacji.
- W rzeczywistości tylko 31% organizacji, które wdrożyły agentów, w pełni ujednoliciło swoje dane przed ich uruchomieniem. Pozostałe 69% nadal integrowało źródła danych, obchodziło istniejące luki lub działało w oparciu o rozproszone dane.
- Jednakże, organizacje, które ujednoliciły odpowiednie dane przed wdrożeniem agentów AI, osiągnęły znaczący ROI szybciej niż te, które najpierw wdrożyły agentów, a dopiero później zajęły się lukami w infrastrukturze danych – odpowiednio 7,3 miesiąca w porównaniu do 8,8 miesiąca.
– Ludzie często myślą, że przed rozpoczęciem muszą zrobić wszystko naraz – umieścić wszystkie dane w jednym miejscu i doprowadzić je do perfekcji. Tymczasem odkrywamy, że można działać krok po kroku: zadbać o poprawność danych, zautomatyzować je i opisać semantycznie, tak aby agenci rozumieli, czym są dane i jak należy z nich korzystać. To właśnie warstwa semantyczna odblokowuje ich wartość – mówi Joe Inzerillo, Dyrektor Generalny, Enterprise & AI Technology, Salesforce.
Oczekiwania organizacji wobec agentów AI
| Czyste, odpowiednio zarządzane dane, do których agent ma dostęp zawsze wtedy, kiedy ich potrzebuje | 36% |
| Jasno określony zakres działania agenta | 36% |
| Ścieżki eskalacji do człowieka | 35% |
| Spójna metoda dostępu do danych | 33% |
| Zarządzanie zmianą przed wdrożeniem | 33% |
| Natywna integracja | 32% |
| Wspólny model tożsamości i uprawnień | 32% |
| Jakość modelu i niezawodność bazowego LLM | 30% |
| Wykorzystanie rozwiązania natywnego dla platformy gotowego rozwiązania | 30% |
| Ujednolicona warstwa koordynacji | 30% |
Agenci przynoszą większą wartość, gdy są wbudowani w workflow, a nie do niego „doklejeni”. To, gdzie funkcjonuje agent, wpływa na to, do jakich zasobów i informacji ma dostęp:
- Przeciętna badana organizacja korzysta z 58 różnych aplikacji biznesowych, jednak w mniej niż połowie z nich (42%) AI jest natywnie zintegrowana.
- Pracownicy regularnie korzystają z AI częściej tam, gdzie jest ona natywnie wbudowana (55%), niż tam, gdzie jest połączona z systemami, ale pozostaje poza ich podstawowym środowiskiem (47%).
- 94% organizacji, które wdrożyły agentów, twierdzi, że wbudowanie AI w kluczowe procesy pracy przynosi większą wartość niż korzystanie z niej jako samodzielnego narzędzia.
Wpływ integracji narzędzi AI na EX oraz CX
| Natywnie wbudowane w kluczowe systemy | Połączone, ale poza kluczowymi systemami | |
| Odsetek pracowników regularnie korzystających z AI | 55% | 47% |
Zasady zarządzania agentami AI często są wdrażane późno, a dążenie do szybkiego wdrożenia wiąże się z kompromisem między szybkością a trwałością rozwiązania.
Większość organizacji, które wdrożyły agentów, rozpoczęła działanie z pewnym poziomem nadzoru, a pozostałe mechanizmy zarządzania dodała później.
- Przed wdrożeniem agentów organizacje miały średnio dwa mechanizmy nadzoru, takie jak monitoring w czasie rzeczywistym, procedury przekazywania spraw do człowieka czy dzienniki audytowe. Po wdrożeniu liczba ta wzrastała średnio do trzech.
- Taka kolejność wiąże się z szybkością osiągania wyników: organizacje stosujące lżejszy nadzór osiągały dodatni ROI w ciągu 7,2 miesiąca, podczas gdy w organizacjach stosujących bardziej rozbudowane mechanizmy nadzoru zajmowało to 9,3 miesiąca.
- Organizacje o poziomie nadzoru nad agentami AI poniżej średniej były niemal dwukrotnie bardziej narażone na wykrycie agenta działającego poza określonymi parametrami dopiero po wystąpieniu poważnego błędu – dotyczyło to 32% z nich, w porównaniu z 18% organizacji o ponadprzeciętnym poziomie zarządzania.
- Dla wielu organizacji jest to rzeczywisty kompromis: uruchomienie rozwiązania przy lżejszym poziomie nadzoru prawdopodobnie pozwala szybciej osiągnąć ROI, ale jednocześnie oznacza wolniejsze wykrywanie problemów.
- Ponad jedna trzecia respondentów, których inicjatywy związane z AI spowolniły, zostały wstrzymane lub zakończyły się niepowodzeniem (38%), wskazała, że wprowadziłaby silniejsze mechanizmy nadzoru oraz protokoły eskalacji.
– Wystarczająco dobre, aby się uczyć, taki jest próg. Należy rozsądnie zdefiniować mechanizmy zabezpieczające, ale nie należy ich nadmiernie rozbudowywać do tego stopnia, że zahamują innowacyjność – mówi Joe Inzerillo.
Wpływ nadzoru na wyniki agentów AI
| Wskaźnik | Nadzór poniżej średniej | Nadzór powyżej średniej |
| Czas do osiągnięcia ROI | 7,2 miesiąca | 9,3 miesiąca |
| Odsetek pracowników regularnie korzystających z agentów AI | 52% | 54% |
| Satysfakcja klientów (CSAT) | 30% | 28% |
Przykład z rynku: Asymbl
Firma Asymbl, zajmująca się koordynacją procesów związanych z personelem, odnotowała w 2025 roku szybki wzrost, a liczba kandydatów zaczęła przewyższać możliwości zespołu rekrutacyjnego. Informacje o kandydatach były jednocześnie
rozproszone w wielu niepołączonych ze sobą systemach.
Firma stworzyła więc Rosę – cyfrowego agenta rekrutacyjnego, który przygotowujeopisy stanowisk, dokonuje wstępnej selekcji kandydatów, planuje rozmowy kwalifikacyjne i wysyła oferty pracy.
Tak wygląda rozwiązanie, które umożliwia jego działanie: Rosa funkcjonuje wewnątrz Slacka, czyli środowiska, w którym zespół rekrutacyjny już pracuje. W tle Data 360 zapewnia scentralizowaną bazę wiedzy, dzięki czemu Rosa korzysta ze spójnych i wiarygodnych danych zamiast informacji rozproszonych w wielu miejscach. MuleSoft integruje GitHub, Hira i Google Drive, dzięki czemu rekruterzy nie muszą przeszukiwać wielu systemów na kolejnych etapach procesu.
Rezultat? Asymbl, przy wsparciu Rosy, zatrudniła 100 osób w ciągu 100 dni, osiągając wskaźnik utrzymania pracowników na poziomie 96%.
Pobierz raport Salesforce „State of Agentic AI in the Enterprise”.
Dane pochodzą przeprowadzonego z badania wśród 2025 ankietowego osób z podwójnie decyzyjnych ślepą próbą odpowiedzialnych za agentyczną AI w 20 krajach na pięciu kontynentach. Badanie przeprowadzono w dniach 14–28 maja 2026 roku.
Wszyscy respondenci mają wpływ na decyzje dotyczące zakupu agentów AI. Respondentów podzielono na trzy grupy: organizacje, które wdrożyły rozwiązania (30%), organizacje prowadzące pilotaże (47%) oraz organizacje oceniające możliwości ich wykorzystania (23%). Większość wyników przedstawionych w badaniu odnosi się do 30% organizacji, które dokonały pełnego wdrożenia („organizacje wdrażające”).
Wszystkie wskaźniki dotyczące rezultatów – w tym czas osiągnięcia ROI oraz 29-procentowy wzrost satysfakcji klientów – pochodzą z deklaracji respondentów. O ile nie zaznaczono inaczej, dane odnoszą się do całej badanej grupy. Wartości procentowe zostały zaokrąglone i mogą nie sumować się dokładnie do 100%.
Materiał we współpracy z Salesforce.
