Agentforce rośnie, ale przychody nie. Co to znaczy dla orgów?

Akcje Salesforce spadły o 5% pomimo tego, że Agentforce przekroczył 500 mln USD ARR w jednym kwartale (TechStock²). Ten rozdźwięk między adopcją AI a realnym przychodem staje się kluczowym sygnałem dla polskich firm planujących inwestycje w Salesforce. Rynek zaczyna oczekiwać natychmiastowej monetyzacji AI, a tymczasem modele agentowe wymagają czasu, danych i przebudowy procesów.

Dlaczego rynek karze AI, które jeszcze nie zarabia

Spadek akcji Salesforce i ServiceNow nie wynika z pogorszenia wyników, ale z korekty wycen firm, które inwestują masowo w AI bez natychmiastowych efektów finansowych. Według cytowanego w źródle Jima Cramera, rynek stosuje tzw. multiple compression, czyli obniża wartość każdej jednostki przychodu oczekując szybszej monetyzacji AI. Mechanizm jest prosty: użytkownicy kochają nowe funkcje, ale księgowość jeszcze ich nie widzi. W kontekście Salesforce oznacza to rosnącą presję, aby Agentforce i Data 360 nie były tylko innowacjami, ale produktami generującymi powtarzalne, mierzalne przychody.

Dla polskich firm budujących roadmapy na 2026 rok oznacza to koniec etapu eksperymentów i wejście w etap rozliczalności. Modele agentowe generują koszty compute, wymagają intensywnej pracy nad datasetami i governance, a jednocześnie nie przynoszą natychmiastowego ROI. Zespoły muszą więc umieć łączyć hype AI z realną automatyzacją procesów, które da się policzyć. Ten trend był już wcześniej widoczny w analizie spadków software po wynikach Microsoft i ServiceNow, a teraz obejmuje także Salesforce.

To przesunięcie wpływa również na techniczne decyzje architektów. W środowiskach enterprise automatyzacja agentowa wymaga jasnego zmapowania procesów, danych i limitów platformy, inaczej koszty będą rosły szybciej niż oszczędności. Rynek premiuje firmy, które potrafią pokazać nie tylko adopcję Agentforce, ale także redukcję czasu pracy czy skrócenie cyklu sprzedaży. To moment, w którym AI przestaje być strategią wizerunkową, a staje się elementem bilansu.

Techniczne fundamenty adopcji Agentforce: dlaczego revenue lag jest normalny

W źródle pojawia się kluczowa liczba: Agentforce ma około 540 mln USD ARR i ponad 9500 płatnych wdrożeń, jednak wciąż jest to margines przy 41,5 mld USD rocznego przychodu Salesforce. Dla architektów i konsultantów to jasny sygnał, że produkty AI są dopiero na początku krzywej adopcji. Revenue lag wynika zarówno z mechaniki billingowej, jak i z samej struktury platformy: aby agent wykonywał akcje w sprzedaży, serwisie czy marketingu, potrzeba danych, kontekstu, reguł deterministycznych i integracji.

W praktyce oznacza to konieczność dojrzałego data fabric, który Salesforce buduje wokół Data 360. Automatyzacja agentowa działa tylko tak dobrze, jak dane, do których ma dostęp. Architekci, którzy ignorują warstwę kontekstową, szybko przekonują się, że agent potrafi wykonać workflow, ale nie potrafi podjąć decyzji zgodnej z prawem lub procesem biznesowym. To już wcześniej analizowaliśmy w artykule o intent-driven logic w Agentforce, gdzie kluczową rolę gra semantyczna struktura danych.

Przychody rosną wolniej także dlatego, że agentic AI wymaga zmian nie tylko technologicznych, ale także organizacyjnych. Każde wdrożenie wymaga: definicji procesów, polityk safety, limitów actions per hour, integracji z upstream i downstream systems oraz testów deterministycznych. To nie są szybkie projekty. Polskie firmy wdrażające Agentforce raportują zwykle od 6 do 18 tygodni przygotowań zanim AI wykonuje pierwsze krytyczne akcje operacyjne. Nie da się tego przyspieszyć samą licencją.

Implikacje dla polskich orgów: budżety, ryzyka i priorytety architektury

Aktualna sytuacja rynkowa tworzy nietypowy paradoks: AI rośnie szybciej niż revenue, ale zespoły Salesforce muszą dowieźć oszczędności tu i teraz. W polskich realiach oznacza to odejście od AI jako osobnej inicjatywy i potraktowanie Agentforce jako warstwy automatyzacji dla już istniejących procesów. Zespoły, które tego nie zrobią, będą płaciły za compute bez wyraźnej redukcji kosztów operacyjnych. Szczególnie narażone są złożone orgi z dużą ilością custom logic i integracji batchowych.

Drugą implikacją jest konieczność przebudowy governance. W Polsce wiele firm nadal działa na modelu change control opartym o comiesięczne release, co blokuje testowanie i iterację agentów AI. Wdrożenie Agentforce wymaga natomiast continuous experimentation i szybkich feedback loops. Firmy, które utrzymują ciężkie struktury decyzyjne, będą widziały spadek efektywności, a nie jej wzrost. To właśnie jeden z kierunków, które opisaliśmy, analizując rosnące koszty governance w agentic AI.

Trzecim ryzykiem jest RODO i odpowiedzialność za decyzje AI. W Polsce wiele firm operuje na wrażliwych danych klientów, które nie mogą być przetwarzane w modelach bez precyzyjnej kontroli. Agentforce wymaga więc: mapowania danych, klasyfikacji risk levels, polityk promptowych, wersjonowania agentów oraz audytowalności decyzji. Bez tego CFO nie podpisze budżetu, a CISO zablokuje wdrożenie. Rynek amerykański może pozwolić sobie na większą tolerancję błędów, ale polskie regulacje i kultura compliance są bardziej ograniczające.

Strategia adopcji na 2025-2026: co warto zrobić już teraz

Polskie zespoły Salesforce powinny przyjąć strategię hybrydową, w której agentic AI jest wdrażane równolegle z porządkowaniem danych i procesów. Idealny początek to workflowy o niskim ryzyku, wysokiej częstotliwości i jasnych regułach, takie jak kwalifikacja leadów, triage ticketów czy aktualizacja statusów w CPQ. Takie procesy pozwalają budować modele kosztowe i szybko pokazać finansowe efekty AI. Kolejne etapy to integracje z systemami billingowymi i ERP, gdzie agent może podejmować decyzje oparte o dane transakcyjne.

Drugim krokiem jest adoption framework oparty na trzech artefaktach: registry of actions (co agent może zrobić), registry of constraints (czego nie może zrobić) oraz registry of data contracts (do jakich danych ma dostęp). Dzięki temu można uniknąć chaosu i przypadkowych błędów, które zjadają ROI. Taki model stosują już firmy, które wdrażają więcej niż 5 agentów jednocześnie i jest to standard, który wejdzie także do polskiego rynku.

Najważniejsze jest jednak to, że presja rynkowa wymusza szybsze dostarczanie efektów finansowych. AI nie jest już projektem innowacyjnym, ale elementem operacji. Jeśli org nie potrafi pokazać mierzalnych efektów po 12 tygodniach, budżet może zostać przesunięty na inne inicjatywy. Dlatego właściwym celem na start nie jest pełna autonomia agentów, ale redukcja manual work o 20-30 procent na wybranych procesach. To daje CFO argument do utrzymania inwestycji, a zespołowi – przestrzeń na rozwój agentów bardziej krytycznych.

Rynek pokazuje jasno: AI nie zarabia od razu, ale musi zacząć zarabiać szybciej niż dotąd. Dla polskich orgów Salesforce oznacza to potrzebę pragmatycznego podejścia: mniej hype, więcej architektury, mniej proof of concept, więcej operacyjnych wdrożeń z mierzalnym ROI. Kluczowe pytanie brzmi: czy Twój org jest gotowy nie tylko na adopcję Agentforce, ale też na jego rozliczalność finansową?