Agentic AI w 2026 zmienia architekturę CRM szybciej niż chmura

W 2026 AI przestaje być chatbotem i staje się pracownikiem wykonywującym zadania end-to-end, a nie pojedyncze komendy. Równolegle sprzęt przechodzi do ery 2 nm, umożliwiając uruchamianie LLM bezpośrednio na urządzeniu, z wydajnością dotąd zarezerwowaną dla data center. To zestawienie technologii tworzy strukturalny przełom, który praktycy Salesforce zobaczą w zmianie architektury integracji, bezpieczeństwa i automatyzacji. Ten artykuł pokazuje, jak nadejście epoki agentów i lokalnych modeli AI zmieni projektowanie procesów, modele kosztowe i rolę danych w polskich wdrożeniach CRM.

Silicon jako nowa warstwa CRM: co 2 nm naprawdę zmienia

Rok 2026 to moment, w którym sprzęt przestaje być tłem, a staje się warstwą determinującą możliwości systemów CRM. Producenci TSMC, Intel i Samsung równolegle osiągają proces 2 nm, co źródło opisuje jako migrację do architektury Gate-All-Around, pozwalającej na niższy pobór mocy i niższe temperatury pracy. W praktyce oznacza to, że przetwarzanie modeli AI nie musi odbywać się w Hyperforce, bo część inferencji może przejąć urządzenie pracownika. W kontekście polskich firm pozwala to na redukcję opóźnień w automatyzacjach mobilnych, np. natychmiastowe podpowiedzi sprzedażowe w aplikacji Salesforce, bez pełnego round-trip do chmury. To z kolei zmienia sposób myślenia o data residency – nie wszystko musi przechodzić przez regiony EU, jeśli część logiki wykonuje się na endpointach.

Od strony technicznej GAA i PowerVia (w przypadku Intela) przesuwają bottleneck w stronę przepustowości danych, co autor źródła wskazuje jako krytyczny czynnik przyszłych systemów. To spójne z wyzwaniami integracyjnymi Salesforce: tam, gdzie dziś walczymy z limitami API i wielkością payloadów, w 2027 będziemy walczyć z opóźnieniami modelu i kosztami pamięci, a nie CPU. Polskie organizacje korzystające z flows, które bazują na wielu zapytaniach do zewnętrznych systemów ERP, zobaczą znaczące przyspieszenie przy wykorzystaniu lokalnych mikro-modeli na urządzeniach terenowych. Ten shift przypomina przejście z SOAP do REST: nie tyle przyspiesza, ile wymusza nowe myślenie o architekturze.

Agentic autonomy: AI wykonuje zadania, nie odpowiada na pytania

Największa zmiana opisywana w źródle dotyczy przejścia od AI konwersacyjnego do agentów, którzy planują, decydują i wykonują operacje samodzielnie. W praktyce Salesforce jest już na tej ścieżce poprzez Agentforce, co szerzej opisywaliśmy przy automatyzacji incydentów w materiale o skróceniu czasu reakcji o 70-80 procent. Frontierowe modele, takie jak opisany w źródle GPT-6, wprowadzają funkcje trwałej pamięci i wielotygodniowego kontekstu, co oznacza koniec powtarzania instrukcji agentowi Service Cloud. To fundamentalnie zmienia projektowanie procesów: agent może nie tylko wykonać task, ale utrzymywać długofalowy stan klienta, np. analizować eskalacje w czasie i rekomendować rewizję SLA.

Pod maską stoi architektura zdolna do długoterminowej pamięci i wykonywania działań przez API, co w Salesforce będzie mapowało się na coraz głębszą integrację z Flow i Mulesoft. Jeśli agent rozumie kontekst w skali tygodni, to automatyzacja nie wymaga już łańcucha flows – wystarczy opisany cel. To rodzi nowe ryzyka: governance, RODO i kontrola nad decyzjami delegowanymi do AI. Z perspektywy polskich zespołów compliance oznacza to konieczność wprowadzenia polityk wyraźnie definiujących zakres działania agentów, w tym kto odpowiada za ich błędne decyzje.

AI, które działa blisko danych: zmiana modelu kosztów i ryzyk

Źródło opisuje, że w 2026 zmienia się natura bottlenecków: nie moc obliczeń, lecz przepływ danych. To wprost wpływa na Salesforce, bo system historycznie cierpi na opóźnienia wynikające z integracji i replikacji danych. Jeśli agent ma działać autonomicznie, potrzebuje dostępu do danych blisko miejsca wykonania. Dla polskich orgów oznacza to konieczność uporządkowania Data Cloud i projektowania pipelineów do inferencji, nie tylko pod raportowanie. Tu kłania się wątek znany z analizy o gotowości danych w polskich SMB, gdzie 84 procent firm deklaruje chaos danych jako blokadę AI.

Technicznie oznacza to wzrost znaczenia federowanych zapytań, szybszych konektorów Mulesoft i strategii cache’owania lokalnego. Architekci będą musieli planować, które dane są krytyczne dla agentów i jak zapewnić ich świeżość bez przekraczania limitów. W przeciwieństwie do klasycznego Flow, agent może działać w trybie ciągłym, monitorując sygnały i podejmując decyzje. To podnosi wymagania dotyczące audytu – każdy krok musi być logowany, nawet jeśli model działa offline na urządzeniu. W polskich wdrożeniach, zwłaszcza w finansach i telekomach, będzie to wymuszało rozszerzenie mechanizmów ETL o ścieżki zgodności i dowodowości.

Nowy ekosystem modeli: zamknięcie open source i wpływ na vendor lock

Źródło zwraca uwagę na istotne odejście Meta od otwartego modelu udostępniania modeli i przejście na produkty zamknięte, API-first. To ma konsekwencje dla Salesforce, którego architektura przez lata zakładała możliwość wpinania własnych modeli przez External Services lub Mulesoft. Jeśli topowe modele są zamknięte, rośnie znaczenie agentów wbudowanych w platformę, takich jak Agentforce. Dla polskich firm oznacza to wzrost zależności od pojedynczego dostawcy i większe znaczenie odpowiedniej wyceny licencji AI.

Jednocześnie projekty pokroju GPT-6, opisane jako posiadające trwałą pamięć i autonomię działania, zmieniają sposób implementacji custom code. To już nie narzędzie generujące kod, ale partner wykonujący migracje, co koresponduje z funkcjami podobnymi do GPT-5.2 Codex wspomnianego w źródle. W Salesforce przełoży się to na możliwość automatycznego refactoringu Apex i flows, co przypomina zmiany omawiane przy nowościach Spring ’26 wokół generowania PDF bez Visualforce w artykule o Blob.toPdf. To sygnał, że programowanie w CRM przesuwa się w stronę orkiestracji zamiast pisania kodu od zera.

Świat 2026 wymusza na zespołach CRM nowe podejście: architektura musi być projektowana nie pod rekordy i procesy, lecz pod agentów, którzy działają w czasie rzeczywistym na rozproszonych danych. Praktycy Salesforce zyskają ogromne przyspieszenie, ale tylko jeśli ich dane, governance i integracje są gotowe na środowisko, w którym AI podejmuje decyzje bez pytania. Kluczowe pytanie brzmi: które decyzje biznesowe jesteś gotowy delegować maszynie w 2026?