Systemy AI i agentowe

Projekt oparty o AI zaczyna się 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.

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.

Narzędzia agentowe budujemy wokół Model Context Protocol. Agent dostaje wąski zakres, jawne uprawnienia i bramkę, która przerywa pracę, gdy wynik nie spełnia warunku - ten sam wzorzec pilnuje kontraktu w potokach CI naszych innych projektów.

Automatyzacja zaczyna się od pomiaru, nie od narzędzia: 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. Model językowy wchodzi tam, gdzie dane są nieustrukturyzowane: klasyfikacja zgłoszeń, wyciąganie pól z dokumentów, wstępna odpowiedź. Model odpowiada, człowiek decyduje - zwłaszcza gdy koszt pomyłki jest wysoki, a nieudany przebieg trafia do kolejki do ręcznego rozpatrzenia, nie znika bez śladu.

Dane trafiają w jedno miejsce z API, baz i stron przez zaplanowane zadania, a poprawności danych pilnuje test, nie dobra wola - brakujące pole czy duplikat zatrzymują przebieg, zamiast cicho wejść do raportu. Analitykę ruchu opieramy na Google Analytics 4 i Search Console, ze zgodami skonfigurowanymi tak, jak sami skonfigurowaliśmy je na tej stronie.

Low-code sprawdza się w prototypie i w prostym procesie wewnętrznym, ale koszt rośnie razem z liczbą wyjątków i liczbą licencji, a logika biznesowa zostaje zamknięta w narzędziu, z którego trudno ją odzyskać. Oceniamy, który proces może zostać bez kodu, a który wymaga własnej aplikacji, i prowadzimy wyjście z narzędzia bez przerwy w pracy zespołu, gdy przestaje wystarczać.

Poza zakresem zostaje trenowanie własnych modeli, computer vision i utrzymanie platform MLOps - to praca dla zespołu z własną infrastrukturą i danymi treningowymi.