Salesforce i HKU szkolą agentów AI do pracy z ludźmi
- 19 listopada 2026
Salesforce i The University of Hong Kong opublikowali pracę o trenowaniu agentów AI do działania obok ludzi w procesach service i sales.
Rdzeniem tego podejścia jest reinforcement learning, czyli uczenie przez wzmacnianie, gdzie agent poprawia odpowiedzi na podstawie interakcji i stopniowo lepiej radzi sobie w zmiennym środowisku. Celem nie jest pełna autonomia za wszelką cenę, tylko sensowny podział pracy między automat a człowieka.
Model opisany w pracy zakłada, że agent AI sam obsługuje powtarzalne pytania, a trudniejsze przypadki eskaluje do człowieka. To brzmi znajomo dla każdego, kto układał kolejki spraw, reguły routingu albo warunki przekazania case do drugiej linii. Różnica polega na tym, że tutaj agent nie działa wyłącznie na sztywnym drzewku decyzji, tylko ma się uczyć reakcji i dopasowania odpowiedzi w czasie.
W środowisku CRM to ma znaczenie głównie tam, gdzie liczy się tempo odpowiedzi, ale nie można zgubić kontekstu klienta. Jeśli agent ma działać obok konsultanta, musi rozumieć sytuację, a nie tylko odczytywać prompt. W polskich zespołach to będzie brzmiało bardzo praktycznie: bez pilnowania momentu eskalacji łatwo zrobić automatyzację, która ładnie wygląda na demo, a potem psuje obsługę.
Jednym z ważniejszych elementów tej pracy jest framework do integracji agentów AI z istniejącymi systemami Salesforce. Chodzi o wdrożenie automatyzacji bez rozrywania obecnych workflow. To akurat jest punkt, przy którym wiele koncepcji AI zderza się z rzeczywistością orga – proces już działa, ma wyjątki, ma polityki firmy i oczekiwania klientów, a nowy element nie może tego wszystkiego wywrócić.
Framework ma też wspierać trening agentów tak, żeby rozumiały kontekst i podejmowały decyzje zgodne z zasadami firmy. W CRM to jest granica między użytecznym agentem a kosztownym eksperymentem. Podobny nacisk na AI osadzone w procesie, a nie obok procesu, widać w tekście o AI osadzonym w CRM i workflow, gdzie przewaga bierze się właśnie z dostępu do kontekstu operacyjnego.
Praca nie ucieka od najtrudniejszego fragmentu, czyli balansu między samodzielnością agenta a nadzorem człowieka. Jeśli agent ma realnie odciążać zespół, nie może pytać o zgodę na każdy krok. Jeśli ma działać szerzej, trzeba widzieć, na jakiej podstawie podjął decyzję i jak mierzyć jego skuteczność.
Dochodzi do tego kwestia transparentności i oceny performance. W praktyce wdrożeniowej to zwykle oznacza kilka prostych pytań: kiedy agent ma prawo zamknąć temat sam, kiedy tylko przygotować odpowiedź, a kiedy od razu oddać sprawę człowiekowi. Bez takiego rozdziału odpowiedzialności governance szybko staje się ważniejsze niż sam model. Ten problem dobrze łączy się też z tematem granic Agentforce w obsłudze klienta, bo tam również sedno leży w kontroli, nie w samej automatyzacji.
Autorzy ustawiają agentów AI jako asystentów zwiększających produktywność, a nie zamiennik ludzi. To istotne także organizacyjnie. W zespołach service i sales dużo łatwiej obronić wdrożenie, które skraca czas reakcji i poprawia trafność odpowiedzi, niż takie, które obiecuje pełne zastępstwo i zostawia zespół z ryzykiem błędnych decyzji.
Po włączeniu takich agentów do ekosystemu Salesforce organizacje mają dostać większą dokładność interakcji, szybsze odpowiedzi i bardziej spersonalizowaną obsługę. Sam kierunek jest jasny: inteligentna automatyzacja ma być wbudowana głęboko w CRM, a nie dostawiona jako osobny eksperyment obok platformy.
Jeśli patrzeć na to operacyjnie, pierwszy krok nie zaczyna się od modelu, tylko od sprawdzenia, które typy zgłoszeń są naprawdę rutynowe, gdzie istnieją twarde polityki odpowiedzi i w których miejscach człowiek musi mieć ostatnie słowo. Dopiero na takim fundamencie agent AI może działać obok zespołu, zamiast dokładać kolejną warstwę chaosu.