Agentforce z feedbacku klientów – lekcja dla praktyków

Ponad 18 tys. klientów uczestniczy w kształtowaniu roadmapy AI Salesforce, a część zespołów spotyka się z producentem nawet co tydzień (TechCrunch). Dla praktyków to ważny sygnał, bo tempo zmian w AI przestaje wynikać wyłącznie z klasycznego cyklu release management. Coraz większe znaczenie ma to, kto umie wejść w pętlę feedbacku odpowiednio wcześnie i potrafi przełożyć eksperyment na działający proces. W praktyce wygrywają nie te orgi, które tylko czekają na GA, ale te, które mają gotowość do iteracyjnego testowania.

Roadmapa AI przestaje być jednostronna

W modelu stosowanym przez Salesforce rozwój AI nie opiera się wyłącznie na wewnętrznych założeniach produktowych. Firma zbiera sygnały od dużej grupy klientów, prowadzi z nimi częste rozmowy i na tej podstawie przyspiesza korekty kierunku rozwoju. To istotna zmiana, bo w obszarze AI klasyczne planowanie na wiele kwartałów do przodu szybko traci aktualność. Jeśli potrzeby użytkowników i możliwości modeli zmieniają się z miesiąca na miesiąc, roadmapa musi być korygowana znacznie częściej.

Z perspektywy architekta, admina czy konsultanta oznacza to jedno: przewagę daje dziś nie tylko znajomość funkcji, ale też zdolność organizacji do szybkiego dostarczania feedbacku. Jeżeli zespół nie ma uporządkowanych procesów, właścicieli use case’ów i mierników jakości, to nawet wcześniejszy dostęp do funkcji AI niewiele da. Sam dostęp do preview nie tworzy wartości – wartość pojawia się dopiero wtedy, gdy organizacja potrafi powiedzieć, co dokładnie działa źle, czego brakuje i jaki efekt biznesowy ma zostać poprawiony.

To podejście dobrze wpisuje się w szerszy kierunek rozwoju Agentforce, gdzie znaczenie ma nie tylko sam agent, ale też cała otoczka governance, testowania i kontroli zmian. Ten kontekst widać również w analizie, jak AI staje się warstwą budowania na platformie, a nie dodatkiem doklejonym do CRM. Dla polskich zespołów wniosek jest prosty: jeśli chcesz wpływać na produkt, musisz mieć dojrzałość operacyjną po swojej stronie.

W praktyce warto potraktować relację z vendorem jak element delivery. Feedback do funkcji AI nie powinien być spontaniczną opinią z calla, tylko wynikiem uporządkowanego testu: scenariusz, oczekiwany rezultat, odchylenie, ryzyko i rekomendacja. Taki materiał ma realną wartość zarówno dla zespołu produktowego, jak i dla własnej organizacji, bo porządkuje decyzje przed wdrożeniem.

Agentforce powstał z luki między LLM a enterprise

Jednym z efektów tego modelu jest Agentforce, uruchomiony pod koniec 2024 roku jako platforma do zarządzania agentami AI. Kluczowe jest jednak nie samo pojawienie się produktu, lecz problem, który miał rozwiązać. Na rynku brakowało narzędzi, które łączyłyby modele językowe z praktycznym użyciem w przedsiębiorstwach. To właśnie ta luka – między potencjałem LLM a realnym procesem operacyjnym – stała się punktem wyjścia.

Rozwój Agentforce odbywa się iteracyjnie. Bezpośredni feedback klientów pozwala wprowadzać poprawki i nowe funkcje niemal na bieżąco. Dla praktyka Salesforce to cenna lekcja architektoniczna: agent AI nie jest produktem, który projektuje się raz i stabilizuje na lata. To warstwa, która wymaga ciągłego strojenia pod kątem jakości odpowiedzi, naturalności interakcji i dopasowania do procesu biznesowego.

Dobrym przykładem jest firma Engine, która uczestniczy w cotygodniowych sesjach z zespołami Salesforce i korzysta z narzędzi AI przed oficjalnym wypuszczeniem. Efektem było poprawienie naturalności interakcji z głosowym agentem rezerwującym hotele. To pokazuje, że nawet jeśli use case wygląda na gotowy funkcjonalnie, o sukcesie decydują niuanse doświadczenia użytkownika. W agentach głosowych lub konwersacyjnych „działa” nie znaczy jeszcze „nadaje się do produkcji”.

Z kolei PenFed zbudował własny workflow ITSM na Agentforce, a następnie rozwiązanie zostało udostępnione szerzej. Ten przypadek pokazuje inny ważny mechanizm: klient nie jest już tylko odbiorcą funkcji, ale może stać się współtwórcą wzorca wdrożeniowego. W polskich orgach to powinno skłaniać do innego myślenia o pilotażach. POC nie powinien kończyć się prezentacją demo, tylko odpowiedzią na pytanie, czy z testowanego rozwiązania da się zrobić powtarzalny model dla kolejnych zespołów.

Jeśli organizacja rozważa wdrożenie agentów, sensowne jest równoległe uporządkowanie architektury procesu i modelu kosztowego. W przeciwnym razie szybko pojawi się rozdźwięk między ambicją biznesu a realiami operacyjnymi. Ten problem widać też w dyskusji o tym, jak zmienne modele cen Agentforce wpływają na decyzje wdrożeniowe, bo iteracyjny rozwój produktu zwykle idzie w parze z iteracyjnym podejściem do komercjalizacji.

Bliska współpraca z klientem daje przewagę, ale nie zastępuje strategii

Salesforce stosuje podobne podejście także wewnętrznie, traktując własnych pracowników jako pierwszych użytkowników rozwijanych narzędzi AI. To praktyka rozsądna, bo skraca pętlę między pomysłem, testem i poprawką. Jednocześnie firma reorganizuje zasoby technologiczne i zespoły, aby reagować na zmiany w krajobrazie AI w czasie rzeczywistym. W świecie platform enterprise to oznacza przesunięcie z modelu stabilnej roadmapy do modelu ciągłej adaptacji.

Ten model ma jednak ograniczenia. Feedback klientów nie zawsze prowadzi w stronę długoterminowo najlepszej architektury. Klienci zwykle zgłaszają to, co boli ich teraz – a niekoniecznie to, co będzie fundamentem za dwa lata. Drugi problem jest jeszcze bardziej praktyczny: zainteresowanie testami nie musi oznaczać trwałej adopcji ani dalszych zakupów licencyjnych. Innymi słowy, duży ruch wokół preview i design partnerstwa może tworzyć cenne sygnały produktowe, ale nie gwarantuje jeszcze stabilnego wykorzystania w produkcji.

Dla polskich zespołów to ważna przestroga. Współpraca z vendorem i szybki dostęp do nowości są wartościowe, ale nie mogą zastąpić własnej strategii AI. Trzeba wiedzieć, które procesy naprawdę wymagają agenta, gdzie potrzebne są guardrails i jak uniknąć rozrostu niespójnych wdrożeń. Ten problem narasta szczególnie tam, gdzie zespoły uruchamiają kolejne eksperymenty bez wspólnego modelu kontroli – dlatego warto obserwować także temat agent sprawl i zarządzania rozproszonymi agentami.

Najbardziej użyteczna lekcja z obecnego podejścia Salesforce brzmi więc tak: AI roadmapa staje się współtworzona, ale odpowiedzialność za sensowne wdrożenie nadal leży po stronie klienta. Bliskość z producentem może skrócić drogę do dobrej funkcji, lecz nie zwalnia z projektowania procesu, pomiaru jakości i pilnowania adopcji. W polskich realiach to właśnie te trzy elementy najczęściej zdecydują, czy Agentforce stanie się realnym narzędziem operacyjnym, czy tylko kolejnym pilotażem bez dalszego ciągu.

Najciekawsze w tym podejściu nie jest samo tempo rozwoju AI, lecz zmiana relacji między producentem a klientem. Roadmapa staje się bardziej płynna, a wpływ użytkownika na produkt – bardziej bezpośredni. Pytanie brzmi, czy organizacje korzystające z Salesforce mają już procesy i kompetencje, by ten wpływ przekuć w trwałą przewagę, a nie tylko w wcześniejszy dostęp do nowości.