Oferta
AI i automatyzacja procesów
Automatyzacja powtarzalnych procesów, integracje z modelami językowymi, narzędzia agentowe oparte o Model Context Protocol i zbieranie danych do raportów.
- Dla kogo
- Zespoły z powtarzalnym procesem do odciążenia
- Zakres
- Automatyzacja, integracje z modelami, narzędzia agentowe
- Efekt
- Wynik modelu sprawdzany bramką
- Zasada
- Model odpowiada, człowiek decyduje
Co wchodzi w zakres
Pomiar przed automatyzacją
Ile razy w miesiącu, ile trwa przebieg i co przy nietypowych danych.
Integracja z modelem językowym
Praca na API, projektowanie kontekstu, obsługa błędów i kontrola kosztu.
Narzędzia agentowe na MCP
Wąski zakres, jawne uprawnienia i bramka przerywająca pracę.
Klasyfikacja i wyciąganie danych
Zgłoszenia, pola z dokumentów i wstępna odpowiedź.
Zbieranie danych do raportów
Zaplanowane zadania z API, baz i stron, w jedno miejsce.
Kontrola poprawności danych
Brakujące pole albo duplikat zatrzymuje przebieg.
Analityka ruchu
Google Analytics 4 i Search Console ze skonfigurowanymi zgodami.
Ocena narzędzi low-code
Który proces zostaje bez kodu, a który wymaga własnej aplikacji.
Od czego zaczyna się projekt z AI
Projekt oparty o AI zaczyna się od pytania, co ma się poprawić i jak to zmierzyć, a dopiero potem schodzi się do wyboru modelu, integracji, promptów i sposobu oceny wyników.
Integracja z modelem językowym obejmuje pracę na API, projektowanie kontekstu, obsługę błędów i kontrolę kosztu zapytań. Wynik modelu traktujemy jak dane wejściowe do sprawdzenia, nie jak gotową odpowiedź.
Gdzie sztuczna inteligencja w biznesie oszczędza czas, a gdzie tylko przesuwa pracę, rozpisaliśmy na przykładach z obsługi klienta, finansów i zarządzania.
Jak budujemy narzędzia agentowe
Narzędzia agentowe budujemy wokół Model Context Protocol. Agent dostaje wąski zakres, jawne uprawnienia i bramkę, która przerywa pracę, gdy wynik nie spełnia warunku.
Automatyzacja zaczyna się od pomiaru: liczymy, ile razy w miesiącu ktoś wykonuje daną czynność, ile trwa jeden przebieg i co się dzieje, gdy dane są nietypowe. Najtańszym automatem bywa zwykły skrypt uruchamiany harmonogramem i wpięty w istniejące API. Robota klikającego w interfejs zostawiamy na ostateczność, bo psuje się przy każdej zmianie ekranu.
Dane, raporty i granica low-code
Model językowy wchodzi tam, gdzie dane są nieustrukturyzowane: klasyfikacja zgłoszeń, wyciąganie pól z dokumentów, wstępna odpowiedź. Model odpowiada, człowiek decyduje. Nieudany przebieg trafia do kolejki do ręcznego rozpatrzenia.
Dane trafiają w jedno miejsce z API, baz i stron przez zaplanowane zadania, a poprawności pilnuje test, nie dobra wola. Brakujące pole czy duplikat zatrzymują przebieg, zanim trafią do raportu.
Low-code sprawdza się w prototypie i w prostym procesie wewnętrznym. Koszt rośnie razem z liczbą wyjątków i licencji, a logika biznesowa zostaje zamknięta w narzędziu, z którego trudno ją odzyskać. Oceniamy, który proces może zostać bez kodu, i prowadzimy wyjście z narzędzia bez przerwy w pracy zespołu.
Narzędzia i standardy
- Anthropic API
- OpenAI API
- Model Context Protocol
- Cloudflare Workers
- Cloudflare D1
- Python
- TypeScript
- Node.js
- SQL
- GitHub Actions
- Google Analytics 4
- Google Search Console
Dowód: ta sama bramka w naszym CI
Bramka, która przerywa pracę agenta, jest tą samą regułą, którą pilnujemy kontraktu w naszym CI.
- Zakres agenta
- Wąski, z jawnymi uprawnieniami
- Reguła
- Bramka przerywa pracę przy niespełnionym warunku
- Analityka
- Google Analytics 4 i Search Console ze zgodami
Ten sam wzorzec pilnuje kontraktu w CI naszych innych projektów. Zgody w analityce skonfigurowaliśmy dokładnie tak, jak na tej stronie.
Co się zmienia po wdrożeniu
- Mniej ręcznej pracy w powtarzalnych krokach procesu
- Wynik modelu sprawdzany bramką, nie przyjmowany na wiarę
- Koszt zapytań i limity policzone przed wdrożeniem
- Błędy w danych zatrzymują przebieg, zanim trafią do raportu
- Policzona granica, za którą narzędzie bez kodu przestaje się opłacać
- Rozwiązanie możliwe do utrzymania przez mały zespół
Typowe zastosowania
- Asystent odpowiadający na pytania o dokumentację produktu
- Serwer MCP udostępniający dane firmowe narzędziom agentowym
- Wstępna klasyfikacja zgłoszeń przed obsługą przez człowieka
- Zaplanowane pobieranie danych ze źródeł zewnętrznych do jednego pulpitu
- Przegląd zapytań i pozycji w wynikach wyszukiwania
- Wyjście z narzędzia low-code po wzroście liczby użytkowników
Pytania, które padają najczęściej
Od czego zaczyna się projekt oparty o AI?
Od pytania, co ma się poprawić i jak to zmierzyć, nie od wyboru modelu. Dopiero potem schodzi się do integracji, promptów i sposobu oceny wyników.
Co się dzieje z wynikiem modelu?
Traktujemy go jak dane wejściowe do sprawdzenia, nie jak gotową odpowiedź. Model odpowiada, człowiek decyduje, a nieudany przebieg trafia do kolejki do ręcznego rozpatrzenia.
Jak ograniczacie uprawnienia narzędzia agentowego?
Agent dostaje wąski zakres, jawne uprawnienia i bramkę, która przerywa pracę, gdy wynik nie spełnia warunku. Narzędzia budujemy wokół Model Context Protocol.
Kiedy wystarczy zwykły skrypt zamiast modelu?
Najtańszym automatem bywa skrypt uruchamiany harmonogramem i wpięty w istniejące API. Model językowy wchodzi tam, gdzie dane są nieustrukturyzowane.
Kiedy narzędzie low-code przestaje wystarczać?
Koszt rośnie razem z liczbą wyjątków i licencji, a logika biznesowa zostaje zamknięta w narzędziu, z którego trudno ją odzyskać. Wyjście z takiego narzędzia prowadzimy bez przerwy w pracy zespołu.