Ponad połowa firm porzuciła projekty wykorzystujące agentów AI, ponieważ nie widziała w nich wystarczającej wartości biznesowej. Problem może jednak nie leżeć w samej technologii. Z raportu SnapLogic wynika, że przedsiębiorstwom często brakuje solidnych podstaw: odpowiedniej jakości danych, przemyślanego wdrożenia i kontroli nad kosztami.
Ambitne wdrożenia, niepewne rezultaty
54% badanych firm zrezygnowało z projektów agentowej sztucznej inteligencji z powodu niejasnych korzyści biznesowych. Jednocześnie niemal połowa osób podejmujących decyzje w obszarze IT przyznaje, że ma trudności z osiągnięciem oczekiwanych efektów lub spodziewa się takich problemów.
Presja, by kontynuować inwestycje, jest jednak duża. Co drugi decydent odczuwa nacisk na dalsze finansowanie agentów AI, często ze strony kierownictwa. W efekcie organizacje mogą rozwijać projekty szybciej, niż są w stanie ocenić ich sens i przygotować potrzebne zaplecze.
Zasady są, ale brakuje kontroli nad tempem
Firmy nie zaczynają od zera. 93% organizacji ma już zasady lub ramy zarządzania agentami AI, a 90% respondentów deklaruje zaufanie do ich wyników albo spodziewa się, że będzie im ufać. Wiele przedsiębiorstw jest też gotowych zapewnić agentom szeroki dostęp do informacji i systemów: taką możliwość wskazuje 77% badanych.
Nie oznacza to jednak, że wdrożenia są pod pełną kontrolą. W 36% firm inwestycje w AI rozwijają się szybciej, niż organizacja potrafi zarządzać systemami. Z kolei 64% przedsiębiorstw odnotowało już umiarkowane lub znaczne przekroczenie wydatków, mimo że 88% deklaruje posiadanie jasno określonych budżetów na agentową AI.
Sama obecność zasad nie wystarczy, jeśli firmom brakuje kontroli nad tempem wdrożeń i ich kosztami. Warto oceniać projekty agentowej AI przez pryzmat konkretnych celów biznesowych. Bez tego nawet zaawansowane rozwiązania mogą nie przynieść oczekiwanej wartości.
Bez dobrych danych trudno o zwrot z inwestycji
Według SnapLogic jednym z kluczowych źródeł problemów są fundamenty danych. Agent AI musi mieć dostęp do właściwych informacji, aplikacji i procesów, aby mógł przynosić firmie wymierne korzyści. Sama technologia ani formalne zasady jej używania nie gwarantują sukcesu, jeśli dane są nieodpowiednie albo nie da się ocenić skuteczności i kosztów działania systemu.
Jak podkreśla dyrektor ds. technologii SnapLogic, Jeremiah Stone, organizacje powinny połączyć agentów z danymi i przepływami pracy, które rzeczywiście wspierają cele biznesowe. Potrzebują też lepszego wglądu w wyniki oraz wydatki. Dopiero wtedy można sprawdzić, czy inwestycja przynosi mierzalną wartość.
Zobacz także: Wydatki na AI rosną — firmy walczą o kontrolę, tylko jedna trzecia zna koszty. To kolejny tekst o wyzwaniach związanych z kontrolowaniem wydatków na sztuczną inteligencję.
Mniej pośpiechu, więcej planowania
Wyniki raportu sugerują, że część firm zaczęła wdrażać agentów AI, zanim była na to technicznie i organizacyjnie gotowa. Późniejsze nadrabianie zaległości może prowadzić do dalszych wydatków, ale niekoniecznie do lepszych rezultatów.
Zamiast zwiększać skalę wdrożeń za wszelką cenę, przedsiębiorstwa powinny dokładniej wybierać zastosowania AI, zadbać o jakość danych i regularnie oceniać efekty. Przemyślana strategia może okazać się ważniejsza niż tempo, w jakim firma wprowadza kolejne narzędzia.


Wreszcie ktoś mierzy efekt, nie tylko hype. U nas po prototypie integrującym agenta z event-bus p50 latency spadło ~40% a throughput wzrósł przy równoległym przetwarzaniu zapytań — realny wpływ na SLA. Kupiłem w preorderze kilka licencji na testy i to się zaczyna składać w sensowny ROI, ale kluczowe było ograniczenie zakresu dostępów i dobrze zaprojektowane queueing.
Za drogo jak na to, co dostajesz. 54% porzuconych projektów to nie przypadek — firmy łapią się na marketing „agentów”, zamiast poprawić procesy i jakość danych. Często wystarczy odpowiednie RPA + reguły biznesowe, żeby rozwiązać 80% problemów bez kosztownych integracji z LLM. SnapLogic ma interes sprzedawać narzędzia do integracji, więc raport brzmi znajomo.
Autor dobrze wskazał brak odpowiednich danych jako główny problem, ale brakuje konkretów — mówimy o brakach w schematach, driftzie feature’ów, braku feature store’a i schema registry. Bez SLIs/SLOs dla agentów nie zmierzysz wartości (p50/p95 latency, accuracy/precision, false positive rate). Rekomendacja: wprowadzić data contracts, obserwowalność (metrics + traces), A/B testy i kosztową telemetrię (cost per query). Inaczej budżet poleci w kosmos mimo „jasnych budżetów”.
Mam to od pół roku w supportcie i doświadczenia są mieszane. Agent pomaga z rutynowymi zgłoszeniami, ale przy 15% przypadków robi hallucinations albo się zapętla — trzeba ręcznego nadzoru i jasnych fallbacków. Największy ból to zarządzanie uprawnieniami do systemów i czyszczenie sensitive data z kontekstu. Wdrozenie bez przygotowania danych to strata czasu i $$.
Czy ktoś próbuje hostować agentów on-prem, w kontenerach (k8s) vs serverless? Jak wygląda kontrola kosztów i multi-tenancy w praktyce — billing per call czy per session? Które metryki biznesowe najlepiej łączyć z telemetryą techniczną, żeby szybko odciąć nietrafione eksperymenty (p50/p95, cost/query, conversion)?
To, że 77% firm chce dać agentom szeroki dostęp do danych, mnie przeraża. Brak polityki least-privilege + szybkie skalowanie = podatne środowisko na błędy i wycieki. Zamiast pchać kolejne proof-of-concepty lepiej wdrożyć audyt dostępu, controllery RBAC, maskowanie danych i testy bezpieczeństwa. Ktoś tu liczy ROI na poziomie marketingowym, nie technicznym.
Raport SnapLogic jest OK, ale warto pamiętać o interesie wydawcy — im więcej integracji, tym więcej sprzedaży ich narzędzi. Dodatkowo regulacje (GDPR, e-discovery) i potrzeba audytowalnych logów mogą znacząco zwiększyć koszty po wdrozeniu. Nie tylko technologia, ale compliance i governance decydują czy projekt się opłaci. Nie lekceważcie tego, zwłaszcza przy dostępie do systemów kadrowych i finansowych.