Agentforce zwalnia: dlaczego CIO teraz płacą za autonomię AI

Gdy pierwsze wdrożenia Agentforce zaczęły trafiać do produkcji w firmach, szybko okazało się, że autonomiczne agenty potrafią wykonywać te same zadania na kilka różnych sposobów. Dla działów Service Cloud i finansów była to nie ciekawostka, ale realne ryzyko operacyjne. Salesforce odpowiada teraz nową warstwą Agent Script, która dodaje deterministyczne sterowanie zachowaniem agentów, lecz przenosi odpowiedzialność technologiczno-operacyjną na CIO i architektów. Ten artykuł wyjaśnia, dlaczego Salesforce zmienia kurs, jak działa nowy model hybrydowy i co polskie zespoły powinny zrobić, aby nie przepalić budżetów AI bez szansy na ROI.

Agentforce traci autonomię: co naprawdę zmienił Agent Script

Wprowadzenie Agent Script w październiku 2025 (źródło: CIO.com) to największa korekta strategii Agentforce od czasu premiery platformy. Powód jest prosty: najbardziej zaawansowani klienci zaczęli zgłaszać, że agenty w krytycznych procesach błądzą, generują niejednoznaczne decyzje albo wykonują różne ścieżki przy identycznych wejściach. W praktyce oznaczało to konieczność nieustannego przepisywania promptów, co Salesforce określił później jako doom-prompting, czyli ciągłe łatanie symptomów zamiast problemu. Agent Script ma ten cykl zatrzymać, bo pozwala rozbić zachowanie agenta na deterministyczne kroki z jawną logiką, stanem i regułami wykonania.

Technicznie Agent Script działa jako warstwa DSL nad Atlas Reasoning Engine, który wcześniej w pełni opierał się na planowaniu wykonywanym przez LLM. Tamten model miał zgodnie z założeniem samodzielnie wybrać narzędzie, sposób działania i sekwencję kroków, ale w produkcji stał się nieprzewidywalny i trudny do audytu. Teraz planowanie przejmuje struktura definiowana przez klienta, a LLM pełni funkcję wykonawczą, która musi trzymać się zaprogramowanych reguł. Daje to większą kontrolę, ale jednocześnie rozbija mit agenta, który sam zrozumie kontekst i wykona zadanie end-to-end.

Praktyk Salesforce zyskuje stabilność, ale traci prostotę. Każda zmiana w procesie to teraz również rewizja skryptu, jego wersjonowanie i testy regresyjne podobne do tego, co znamy z Apex. W polskich orgach, gdzie procesy często są hybrydą Flow, customowej logiki i integracji, oznacza to wzrost technicznej złożoności. Ta zmiana dobrze wpisuje się w globalny trend odejścia od pełnej autonomii AI, co wcześniej sygnalizowały również Microsoft i OpenAI. Jednocześnie polskie firmy z branż regulowanych, takich jak bankowość i healthcare, mogą uznać tę zmianę za krok w dobrą stronę.

Jak działa hybrydowy model agenta i co to oznacza dla architektury CRM

Agent Script wymusza tworzenie agentów jako złożonych przepływów rozbitych na dokładnie określone stany. Każdy krok ma czytelnie zdefiniowany input, logikę i oczekiwane wyjście, co tworzy strukturę podobną do orkiestracji procesów znanej z Flow Orchestration. Różnica polega na tym, że LLM nie decyduje już o tym, co zrobić, ale jak wykonać zadanie mieszczące się w obrębie danego kroku. Architekci opisują to jako ograniczenie poziomu agency AI na rzecz kontrolowanej inteligencji wykonawczej. To dobra wiadomość w kontekście RODO i polskiej interpretacji decyzji automatycznych, bo każdy krok można teraz audytować.

Wdrożeniowo oznacza to konieczność ponownego przemyślenia, które procesy nadają się do agentów, a które lepiej pozostawić Flow lub Apex. W use case’ach takich jak reklamacje finansowe, windykacja czy obsługa wniosków leasingowych nowy model hybrydowy jest wręcz obowiązkowy, aby uniknąć trybu działania „confidently wrong”, o którym wspominał Jayanta Acharjee (źródło: CIO.com). Jednocześnie tam, gdzie liczy się szybkość interakcji z dużą liczbą dokumentów, Agentforce nadal może wygrywać, co pokazywaliśmy analizując multimodalne use case’y w artykule jak Agentforce czyta PDF i zdjęcia w 30 sekund.

Wpływ na architekturę jest trudny do przecenienia. Dodanie deterministycznego layera oznacza dodatkowe środowiska testowe, polityki wersjonowania i konieczność monitorowania kosztów tokenizacji. Wielu CIO w Polsce, którzy liczyli na szybkie wdrożenia cut tickets AI desk, musi teraz dopisać fazę analizy workflow, optymalizacji promptów i kontroli compute. Ten scenariusz nie jest nowy: podobne wyzwania opisaliśmy już w analizie AI nie dowiozło w skali, gdzie zmienność modeli okazała się największym blokorem skalowania automatyzacji w Enterprise CRM.

Koszty, kompetencje i polityczne ryzyko: realne skutki dla CIO

Według analityków cytowanych w CIO.com, nowy model przesuwa koszty z licencji na kompetencje i operacje. Polskie firmy, które kupiły wizję autonomicznego agenta rozwiązującego sprawy od A do Z, muszą teraz zatrudnić specjalistów od workflow mapping, domain logic i optymalizacji kosztów tokenowych. To bliskie temu, co opisaliśmy w analizie roli AI literacy u liderów IT w artykule o tym, że AI kompetencje stają się nowym MBA. Zamiast prostej konfiguracji, zespoły dostają DSL wymagający technicznego myślenia i cykli QA jak w klasycznym development.

Nowe wymagania są szczególnie trudne dla firm, które nie mają rozbudowanych zespołów architektonicznych. Dla polskich banków, leasingów, energetyki i telco może to oznaczać konieczność oparcia się o partnerów i profesjonalne usługi Salesforce, które – jak zaznacza źródło – nie będą darmowe. To również wydłuża timeline ROI, bo wdrożenia wymagają teraz warstwy kontroli, wersji i monitoringu agentów. CIO, którzy obiecywali szybkie efekty, muszą tłumaczyć zarządom, dlaczego vendor zmienił zasady gry w trakcie projektu.

W szerszym kontekście ten ruch Salesforce potwierdza trend panujący w całym rynku: LLM to słabi operatorzy i potrzebują szyn bezpieczeństwa, aby działać przewidywalnie. Microsoft, ServiceNow i OpenAI wykonali podobny zwrot, co wskazuje, że autonomiczni agenci pozostaną futurystyczną ideą, a prawdziwe wdrożenia będą hybrydowe. W Polsce zobaczymy to szczególnie tam, gdzie AI wchodzi w procesy decyzyjne obarczone compliance, czyli obsługę klientów, decyzje finansowe i automatyzację incydentów IT.

Strategia adopcji: gdzie używać Agent Script, a gdzie nie

Największy błąd, jaki mogą teraz popełnić polskie orgi Salesforce, to próba przepisania wszystkich agentów na nowy model od razu. Eksperci cytowani w źródle radzą, aby stosować deterministyczne sterowanie selektywnie, zaczynając od procesów, w których nie ma tolerancji na zmienność wyników. Dla Service Cloud oznacza to KYC, reklamacje, zgłoszenia płatnicze, procesy windykacyjne i wszelkie przypadki, gdzie niepoprawna odpowiedź tworzy konsekwencje prawne. W pozostałych obszarach można nadal wykorzystywać model bardziej autonomiczny, o ile wyniki są monitorowane i akceptowalne dla biznesu.

W krótkim terminie dobrym podejściem jest Proof-of-Control zamiast Proof-of-Concept. Zamiast badać, czy agent w ogóle „da radę”, trzeba sprawdzić, czy agent jest powtarzalny i audytowalny pod obciążeniem. To kluczowe dla polskich zespołów architektonicznych tworzących automatyzacje w oparciu o Data Cloud, o czym pisaliśmy w analizie jak Data 360 zmienia architekturę CRM. W dłuższej perspektywie konieczne będzie zbudowanie roli AI Process Ownera – osoby, która kontroluje cykl życia agenta i dokumentuje jego zachowanie.

Najcenniejszą radą jest traktowanie agentów nie jako pracowników, ale jako systemowe komponenty workflow. Cytując CIO.com: AI nie jest black-boksem, który się licencjonuje, ale systemem, który trzeba operować. Nadal mogą przynosić ogromną wartość, ale tylko tam, gdzie kontrola jest równie ważna, jak inteligencja.

Podsumowanie

Agent Script nie zabija wizji agentów AI, ale odczarowuje ją i czyni bardziej realistyczną. CIO i architekci muszą teraz myśleć o Agentforce jak o technicznej platformie procesowej, a nie o autonomicznym pracowniku. Dla polskich firm oznacza to dodatkowe koszty i kompetencje, ale też większą przewidywalność i zgodność z RODO. Pytanie, które powinni zadać sobie dziś decydenci, to nie jak szybko wdrożyć agentów, ale w których procesach kontrolowana inteligencja przyniesie największą wartość operacyjną.