AI podwaja produktywność, ale nie zmniejsza pracy. Co z tym zrobi Salesforce?

Większość pracowników Salesforce deklaruje, że AI zwiększa ich produktywność, ale tylko niewielka część widzi spadek obciążenia (Business Insider). Ten rozdźwięk nie jest błędem technologicznym, lecz sygnałem, że AI odsłania niesprawność procesów, a nie ją rozwiązuje. W polskich orgach Salesforce widać to samo: agenty wykonują zadania szybciej, ale praca nie znika, bo jej struktura się nie zmienia. Dlaczego AI bez redesignu procesów prowadzi do „podwójnej pracy” i jak praktycy Salesforce mogą to realnie naprawić.

AI przyspiesza taski, ale nie dotyka systemu pracy

Wyniki z wewnętrznych badań Salesforce pokazują paradoks: pracownicy czują, że AI sprawia, że są szybsi, ale nie mają mniej do zrobienia. To typowy efekt w organizacjach korzystających z Agentforce, gdzie agenty automatyzują pojedyncze kroki, lecz nadal działają wewnątrz tych samych approvali, routingów i nieefektywnych struktur. Technologia wypełnia luki, ale nie rusza logiki procesu, który powstał lata temu, często jako kompromis między silosami.

Mechanicznie wygląda to tak: AI generuje odpowiedź lub wykonuje akcję kilka razy szybciej niż człowiek, ale workflow i tak zatrzymuje się na manualnym zatwierdzeniu, niepotrzebnym sub-procesie lub integracji wymagającej ręcznej walidacji. To dlatego organizacja widzi „więcej outputu”, ale nie mniej pracy. Agenty działają jak turbina do starego silnika – skracają odcinki, ale nadal jadą po tej samej, krętej drodze.

Dla praktyków Salesforce oznacza to, że sama implementacja AI nie wystarczy, aby odciążyć zespoły. Jeśli zaakceptujemy, że AI potrafi zastąpić nie pojedyncze taski, ale całe sekwencje operacyjne, to trzeba ruszyć fundamenty: właścicieli procesów, matryce odpowiedzialności i logikę decyzyjną. To jest moment, w którym tradycyjny proces mapping przestaje działać, bo AI nie potrzebuje mapy – potrzebuje intencji i guardrails.

Ten trend rośnie też w kontekście nowych architektur agentic. Salesforce sam podkreśla w materiałach o Agentforce, że bez zmiany struktur nie będzie ROI. Zresztą podobną obserwację widzieliśmy w analizach AI literacy w polskich orgach, gdzie brak kompetencji procesowych blokował efekty automatyzacji.

Technicznie AI ujawnia dług procesowy, nie technologiczny

AI w Salesforce działa na metadanych, danych transakcyjnych i kontekście organizacyjnym. Jeśli te warstwy zawierają fragmentaryczność, konflikty lub przestarzałą logikę, agent je odziedziczy. To fundamentalny powód, dla którego produktywność rośnie, ale workload nie spada: AI praktycznie eliminuje manualne bariery, ale jednocześnie odsłania bariery strukturalne, których wcześniej nikt nie widział.

Technicznie agenty działają deterministycznie tylko tam, gdzie proces jest jednoznaczny. Jeśli workflow ma wyjątki lub mało formalnych zasad, agent generuje pytania, nie decyzje. To nie jest błąd modelu – to brak definicji. Dlatego organizacje wchodzące w Agentforce często zaczynają tworzyć nowe artefakty governance: decision tables, context cards, guardrails, matryce polityk. To nie jest fanaberia Salesforce – to konieczność, żeby AI mogła przestać być „asystentem” i zacząć być wykonawcą.

Praktycy powinni traktować ten sygnał jako okazję: tam, gdzie agent zgłasza niepewność lub prosi o decyzję, mamy realny punkt procesowego długu. Mapowanie tych miejsc daje lepszy efekt niż tradycyjne warsztaty procesowe, bo pokazuje prawdziwe, a nie deklarowane bottlenecki. W polskich orgach takie podejście już zaczyna się pojawiać, szczególnie w service, gdzie analiza aktywności agentów pozwala uprościć macierz routingów.

W szerszym trendzie odpowiada to temu, co opisaliśmy przy AI Fluency Playbook: AI nie rozwiązuje problemów operacyjnych bez precyzyjnej definicji kontekstu. Właśnie dlatego firmy z najmniej dojrzałym governance widzą najmniej korzyści.

Jak przeprojektować pracę w Salesforce, aby AI obniżyła workload

Najczęstszy błąd polskich firm to „automatyzacja stanu obecnego” zamiast przebudowy procesu. Jeśli org ma siedem kroków approvali, agent wykona trzy z nich szybciej, ale nadal utknie na czterech pozostałych. Skuteczne wdrożenie wymaga odwrotnego podejścia: zaczynamy od tego, ile kroków możemy usunąć, nie przyspieszyć.

Technicznie redesign opiera się na trzech warstwach. Po pierwsze: intencja operacji – co naprawdę próbujemy osiągnąć, bez historycznych założeń. Po drugie: realne ograniczenia compliance i RODO – które kroki są wymagane prawnie, a które są wynikiem polityk wewnętrznych, które można uprościć. Po trzecie: struktura danych – agent może działać deterministycznie tylko wtedy, gdy dane są pełne i jednoznaczne.

Praktycy Salesforce powinni zaczynać od krótkiej diagnozy: które procesy mają największe friction, gdzie pojawia się największa liczba manual handoffów, gdzie decyzje są opisane w regulaminach, ale nie w systemie. Na tej podstawie tworzy się strukturę „minimum viable workflow” – wersję procesu, którą agent może obsłużyć end-to-end. Od tego momentu dopiero opłaca się budować agentów.

To podejście widać również w projektach takich jak architektura agent-to-agent (A2A), gdzie Salesforce pokazuje, że wieloagentowe przepływy nie mogą działać na starym modelu: proces musi być jednoznaczny, aby agenty mogły współpracować.

Strategia wdrożenia: od quick wins do realnego odciążenia zespołów

Firma, która chce odczuć realne odciążenie, nie może zaczynać od masowej automatyzacji drobnych tasków. Najpierw trzeba wybrać 2-3 procesy end-to-end, które faktycznie mogą być uproszczone i przeniesione na agentów. To nie jest szybkie, ale tworzy fundament skalowania.

Po wdrożeniu pierwszego uproszczonego procesu warto monitorować nie tylko metryki produktywności, ale również: liczbę decyzji eskalowanych do ludzi, liczbę wyjątków, czas odblokowania workflow, redukcję pól wymaganych przez proces. To one pokazują, gdzie można dalej redukować pracę.

W długim horyzoncie zespoły powinny dążyć do zbudowania jednego standardu definicji procesów dla AI – decision framework, który oprze się rotacji pracowników, zmianie polityk i nowym modelom AI. Wtedy AI zaczyna realnie skracać kolejkę pracy, zamiast tylko przyspieszać pojedyncze zadania.

W skali globalnej Salesforce idzie dokładnie w tym kierunku. Jeśli firma zaangażuje AI w przeprojektowanie procesów, a nie tylko ich automatyzację, workload faktycznie spadnie, a nie tylko przyspieszy.

AI nie obniży obciążenia pracą, jeśli org nie ruszy fundamentów workflow. Prawdziwa wartość pojawia się dopiero wtedy, gdy AI przestaje być dodatkiem, a staje się nową logiką procesu. Pytanie, które powinien zadać każdy praktyk Salesforce: gdzie nasz workflow służy nam, a gdzie my służymy workflow?