Agentforce od kosztów do wzrostu – lekcja dla orgów

100 mln USD rocznych oszczędności w obsłudze i wpływ AI na ponad 3200 szans sprzedażowych pokazują, że rozmowa o Agentforce przestaje dotyczyć wyłącznie produktywności. Dla praktyków Salesforce to ważny sygnał, bo zarządy nie pytają już tylko o redukcję ticketów czy krótszy handle time, ale o to, czy AI potrafi wygenerować nowy pipeline (Fortune). To zmienia sposób projektowania use case’ów, priorytety backlogu i sposób mierzenia sukcesu wdrożeń. Sam agent nie wystarczy – liczy się, czy działa tam, gdzie wcześniej organizacja nie miała ekonomicznego uzasadnienia, by angażować człowieka.

Najpierw service: AI usuwa limit ludzkiej przepustowości

Pierwszy etap był dość logiczny: AI trafiło do obszaru, w którym ograniczeniem od lat była liczba ludzi dostępnych do obsługi zgłoszeń. Na help.salesforce.com wdrożono konwersacyjny interfejs obsługi, który samodzielnie odpowiada na najczęstsze pytania, utrzymuje kontekst rozmowy i przekazuje sprawę do człowieka, gdy temat staje się zbyt złożony albo pilny. Po roku Agentforce obsłużył 3 mln rozmów wsparcia.

Najważniejsze nie jest tu samo wdrożenie chatowego interfejsu, ale efekt operacyjny. Liczba zgłoszeń spadła o 8%, czyli o ponad 170 tys. przypadków, mimo rosnącej bazy klientów. Jednocześnie wsparcie zaczęło działać w czasie rzeczywistym w 7 językach, a planowo ma objąć ponad 14 języków w ciągu roku. To pokazuje model, który dla wielu polskich orgów jest bardziej realistyczny niż pełna autonomizacja procesu: AI przejmuje wolumen, ludzie przejmują wyjątki, eskalacje i działania proaktywne.

Praktyczna lekcja jest prosta. Jeśli org chce uzasadnić inwestycję w agentów AI, najlepiej zacząć tam, gdzie istnieje duży udział pracy powtarzalnej, stabilny zestaw intencji użytkownika i jasny moment handoffu do człowieka. W Salesforce zwykle oznacza to service desk, portal self-service, bazę wiedzy i procesy oparte o Flow. W tym kontekście istotne jest też to, że Flow Orchestration jako standardowy typ flow obniża koszt budowy bardziej złożonych ścieżek obsługi, w których AI nie działa w próżni, tylko wpięte jest w kontrolowany proces.

AI może nieskończenie skalować naszą strukturę kosztową, ale prawdziwa wartość to skalowanie naszej dostępności. Dzięki temu możemy być proaktywni i tworzyć niesamowite doświadczenia dla każdego klienta.

To zdanie dobrze oddaje zmianę perspektywy. W service sukcesem nie jest tylko tańsza obsługa, ale możliwość utrzymania jakości przy większej skali i bez proporcjonalnego wzrostu kosztów. Dla admina czy architekta oznacza to konieczność projektowania nie tylko promptów i akcji, ale też guardrails, kryteriów eskalacji i wskaźników jakości obsługi.

Drugi etap: AI zaczyna tworzyć pipeline, a nie tylko oszczędności

W 2026 ciężar rozmowy przesunął się z marży na wzrost. Kluczowy eksperyment dotyczył leadów niskiego priorytetu w kanałach cyfrowych – masowego ruchu, który wcześniej pozostawał praktycznie bez follow-upu, bo nie opłacało się angażować do niego handlowców. To właśnie ten segment okazał się idealnym polem dla agenta AI.

Agent samodzielnie kontaktował się z leadami, personalizował wiadomości, kwalifikował je, reagował kontekstowo, wychwytywał sygnały realnego zainteresowania zakupem i przekazywał obiecujące przypadki do sprzedaży. To ważne rozróżnienie: nie chodziło o przyspieszenie pracy istniejącego zespołu SDR, tylko o uruchomienie obszaru, który wcześniej był martwy operacyjnie. W efekcie AI obsłużył setki tysięcy wcześniej ignorowanych leadów, zbudował nowy lejek sprzedażowy i wpłynął na ponad 3200 szans sprzedażowych.

Dla zespołów RevOps i konsultantów to bardzo konkretny wzorzec wdrożeniowy. Największy zwrot może nie leżeć tam, gdzie zespół już działa dobrze, ale tam, gdzie proces istnieje tylko teoretycznie: stare leady, niskointencyjny inbound, uśpione prospekty, drobny upsell i cross-sell. To obszary o niskim ryzyku, bo bez AI i tak nie były obsługiwane, a jednocześnie z wysokim potencjałem odzyskania wartości.

W praktyce wymaga to jednak czegoś więcej niż samego modelu językowego. Potrzebne są reguły kwalifikacji, spójne dane kontaktowe, sensowna definicja momentu przekazania do człowieka i kontrola nad tym, jak agent komunikuje się z klientem. Właśnie dlatego dyskusja o agentach coraz częściej schodzi na architekturę, governance i koszty użycia – temat dobrze widać w analizie modeli cenowych Agentforce, bo revenue use case’y szybko wchodzą w obszar rozliczeń opartych o wykorzystanie.

Co to oznacza dla polskich orgów Salesforce

Najciekawszy wniosek nie dotyczy samych liczb, tylko sekwencji wdrożenia. Najpierw service, potem revenue. Najpierw obszar o wysokim wolumenie i przewidywalnych intencjach, potem segmenty wzrostowe, których człowiek wcześniej nie był w stanie obsłużyć ekonomicznie. To podejście jest istotne dla polskich firm, bo wiele z nich nadal próbuje zaczynać od najbardziej widowiskowych scenariuszy sprzedażowych, pomijając etap budowy operacyjnej dojrzałości.

Dobry plan wygląda inaczej. Najpierw trzeba wskazać proces, w którym AI ma jasny zakres odpowiedzialności i mierzalny efekt – na przykład redukcję ticketów, wzrost dostępności językowej albo odzyskanie porzuconych leadów. Następnie trzeba ustawić metryki biznesowe, które wykraczają poza klasyczne KPI adopcyjne. Jeśli agent działa w sprzedaży, nie wystarczy mierzyć liczby konwersacji – trzeba mierzyć wpływ na pipeline i szanse. Jeśli działa w service, nie wystarczy liczyć deflection – trzeba patrzeć na koszt obsługi, satysfakcję i czas eskalacji.

To także sygnał, że Agentforce przestaje być dodatkiem do CRM, a staje się warstwą operacyjną pracującą na styku service, sales i danych. Dlatego warto patrzeć na ten kierunek szerzej, także przez pryzmat zmian platformowych opisanych w analizie Spring ’26 i nowej warstwy dla AI w Salesforce. Im bardziej agent ma odpowiadać za realny wynik biznesowy, tym mniej miejsca zostaje na eksperymenty bez kontroli architektonicznej.

Najważniejsza lekcja jest więc taka: AI daje największą wartość nie wtedy, gdy robi to samo co człowiek szybciej, ale wtedy, gdy uruchamia działania wcześniej nieobsługiwane. To przesuwa rozmowę z automatyzacji na projektowanie nowej zdolności operacyjnej. Pytanie dla polskich zespołów brzmi już nie czy wdrożyć agenta, ale w którym fragmencie procesu człowiek od lat przegrywa z ekonomią skali.