Dlaczego agenci AI w przedsiębiorstwach napotykają na problem wiedzy, a nie technologiczny

W zeszłym roku S&P Global (SPGI ) zgłosiło, że udział firm porzucających większość swoich inicjatyw związanych z AI ponad dwukrotnie wzrósł, z 17% do 42%. Wcześniej Gartner opublikował prognozę dotyczącą projektów agentic AI: 40% z nich zostanie zakończonych do końca 2027 roku.

Według McKinsey & Company, prawie połowa wszystkich firm eksperymentuje z agentami AI. Ale ile z nich przeszło już poza etap pilotażowy i jest naprawdę operacyjnych? Około jeden na dziesięć.

Branża nie ma braku wyjaśnień: halucynacje modelu, brak zarządzania, wysokie koszty GPU i brak specjalistów. Wszystkie te wyzwania są rzeczywiste. Ale po trzech latach pracy z systemami zarządzania wiedzą i agentami AI, coraz częściej widzę inny wzorzec: firmy przekazują niepełne dane swoim agentom.

Jako Doktor Nauk Pedagogicznych, postrzegam to jako problem transferu wiedzy. Jeśli osoba nie może wyjaśnić, jak podejmuje decyzje, jej logika nie może być przeniesiona na nowego pracownika — a już tym bardziej na agenta AI. Zobaczmy, dlaczego się to dzieje i co można z tym zrobić.

Gdzie znajduje się wiedza o tym, jak działa firma

Zapytaj dużą firmę, gdzie przechowywana jest wiedza pracowników, a usłyszysz długą listę: Confluence, SharePoint, platformy LMS, boty FAQ, archiwa Slack. Może się wydawać, że to jest właśnie taki stos, z którego system RAG może pobrać wszystko, co potrzebuje. Ale brakuje jednego kluczowego elementu — wiedzy, która żyje w głowach ludzi. Wiedzy, którą nikt nigdy nie zapisywał.

Dlaczego jest to problem?

Ponieważ aby agent AI mógł przejąć część przepływu pracy — zrozumieć kontekst, wybrać działanie i przeprowadzić zadanie do końca — potrzebuje nie tylko dostępu do bazy wiedzy, ale także logiki podejmowania decyzji stosowanej przez doświadczonego specjalistę.

Wyobraź sobie nowego agenta wsparcia, który otrzymuje wniosek: klient twierdzi, że zapłacił za usługę, ale dostęp nie został aktywowany. Scenariusz obejmuje standardowy zestaw kroków, który kończy się prośbą do klienta, aby zaczekał. Jednak agent zauważa, że sytuacja jest niezwykła: klient już dwukrotnie skontaktował się z wsparciem, a w systemie jest kilka podobnych przypadków w ciągu ostatniej godziny. Zwraca się do bardziej doświadczonego kolegi, który wyjaśnia, że widział to już wcześniej i że problem polega najprawdopodobniej na awarii na skrzyżowaniu bramki płatności, banku i wewnętrznego systemu aktywacji — więc przypadek powinien być eskalowany do innego departamentu.

Dla agenta AI ta logika jest niewidoczna. Może mieć dostęp do scenariusza, historii biletu i statusu płatności, jeśli te źródła danych są połączone, ale nie wie, które sygnały doświadczony operator uważa za decydujące. Nie chodzi o to, że eksperci celowo ukrywają tę wiedzę. Po prostu nie mogą ją sformalizować ani rozbić na kroki: które opcje zostały odrzucone, dlaczego wybrano określone działanie i w którym momencie stało się jasne, że standardowy scenariusz nie ma zastosowania. Naukowcy kognitywni nazywają to zjawisko wiedzą ukrytą — niejawna wiedza, której nawet jej posiadacz może nie być w pełni świadomy.

To dlatego wąskie gardło nie pojawia się na poziomie dostępu do dokumentów, ale na etapie konwersji doświadczenia eksperta na format odpowiedni do szkolenia agenta AI.

Co z tym zrobić

Aby agent AI działał skutecznie, nie wystarczy po prostu podłączyć LLM do bazy wiedzy korporacyjnej, ponieważ udane decyzje często opierają się na wiedzy ukrytej. Należy najpierw utworzyć warstwę wiedzy, w tym sformalizowane kryteria podejmowania decyzji.

W zarządzaniu wiedzą ten proces nazywa się eksternalizacją — konwersją wiedzy ukrytej w wiedzę jawna. Innymi słowy, firma musi zrozumieć nie tylko to, co robi ekspert, ale także to, jak myśli. Zazwyczaj robi się to za pomocą serii pogłębionych wywiadów z najlepszym ekspertem. Wraz z nim powinna być osoba umiejąca zadawać odpowiednie pytania: metodyk, inżynier wiedzy lub specjalista ds. projektowania instruktażu. Ich zadaniem nie jest pisanie “instrukcji na podstawie tego, co mówi ekspert”, ale odtworzenie kryteriów wyboru pomiędzy opcjami, rozbicie przypadków granicznych i ujawnienie typowych błędów, które ekspert już obsługuje automatycznie.

Tutaj AI może pomóc znacznie: transkrypcja wywiadów, grupowanie podobnych przypadków, przekształcanie wyjaśnień eksperta w szkicowe scenariusze i generowanie sytuacji do walidacji. Jednak ostateczna struktura nadal wymaga przeglądu i zatwierdzenia przez eksperta.

Wynikiem powinna być funkcjonalna baza wiedzy. Może być wykorzystywana w dwóch kierunkach jednocześnie — do szkolenia nowych pracowników i do konfigurowania agenta AI. Obie scenariusze opierają się na tym samym fundamencie: sformalizowanym doświadczeniu najlepszych specjalistów.

Alternatywą jest dalsze poleganie na założeniu, że RAG nad Confluence jakoś odtworzy logikę, która nigdy nie została udokumentowana. W praktyce to prawie nigdy nie działa: system może pobrać odpowiedni dokument, ale nie nauczy się podejmowania decyzji w sytuacjach, w których prawidłowe działanie zależy od kontekstu i doświadczenia.

Jak sprawdzić, czy agent jest gotowy do pracy

Przekształciłeś wiedzę eksperta w scenariusze i skonfigurowałeś agenta. Ale jest przepaść między wiarygodnymi odpowiedziami agenta a rzeczywistą wydajnością operacyjną — a ta przepaść staje się widoczna dopiero podczas walidacji. Na tym etapie ważne jest ustalenie, czy naprawdę udało się uchwycić wszystkie niezbędne informacje.

Praktyczne podejście to testowanie oparte na scenariuszach. Dajesz agentowi prawdziwe przypadki z codziennej pracy eksperta: klient kwestionuje opłatę, przychodzi niezwykły e-mail lub pojawia się wniosek, który nie pasuje do podstawowego scenariusza. Wyniki nie powinny być oceniane przez inny LLM, ale przez tego samego eksperta, który pomógł zbudować bazę wiedzy. Jeśli agent wybiera inną ścieżkę niż doświadczony specjalista, nie zawsze oznacza to, że model jest słaby. Częściej wskazuje to, że brakuje krytycznej reguły, wyjątku lub przykładu. W takim przypadku proces wraca do początku: metodyk wyjaśnia logikę z ekspertem, baza wiedzy zostaje zaktualizowana, instrukcje są doskonalone, a test jest powtarzany.

Ten cykl nie jest opcjonalnym krokiem, ale etapem, który definiuje różnicę między agentem, który po prostu “demonstruje potencjał” a tym, który naprawdę wykonuje pracę. Jest to powolny i niezbyt imponujący fragment procesu: nie produkuje efektownej demonstracji i wymaga zaangażowania ekspertów. Ale ci, którzy przechodzą przez to systematycznie, kończą z agentami, które naprawdę redukują rutynową pracę specjalistów. Ci, którzy to pomijają, często znajdują się w ciągu sześciu miesięcy w statystykach Gartnera, które przewidują, że 40% projektów zostanie anulowanych.

Agenci AI nie zawodzą z powodu techniki — nowoczesne modele są już w stanie wykonywać złożone zadania. Zawodzą, ponieważ firmy “karmią” je niepełną wiedzą. W latach 2024–2025 można to jeszcze tłumaczyć etapem eksperymentalnym. W 2026 roku ten błąd już wiąże się z wysokimi kosztami.