Agenty AI marnują 40% budżetu. Operations Research pokazuje, jak to naprawić w 4 tygodnie

Większość firm wdraża agenty AI jak loterie — losowy dobór skilli, przepłacanie za redundancję, chaos w alokacji. Tymczasem matematyka zna dokładnie, ile agentów potrzebujesz i ile będą kosztować. Pokazujemy, jak operations research redukuje wydatki o 40% bez cięcia funkcjonalności.

Agenty AI pochłaniają budżet bez planu

Wyobraź sobie sytuację: masz budżet na agenty AI, wdrażasz ich na czuja, a po miesiącu okazuje się, że płacisz 134 600 USD za to, co mogło kosztować 80 000 USD. To nie fikcja. To rzeczywistość 40% firm, które wdrażają agenty bez strategii alokacji zasobów [1].

Problem zaczyna się od pytania, które prawie nikt sobie zadaje: ile agentów naprawdę potrzebuję i jakie skille powinni mieć? Zamiast tego robimy to, co proste — kupujemy agentów, dodajemy im instrukcje, i czekamy, aż będą działać. Rezultat: przepłacanie za overlapping skille, bottlenecki na agentach, które są przeciążone, i marnowanie tokenów na zadania, które mogły być obsłużone taniej.

Ile naprawdę kosztuje agent AI w produkcji?

Koszt jednego agenta w modelu set-covering wynosi około 20 000 USD miesięcznie, gdy liczyć infrastrukturę, tokeny, monitoring i overhead operacyjny [1]. To znaczy, że każdy agent, którego wdrażasz bez strategii, to koszt, który może być zbędny.

Rzeczywisty problem nie leży w cenie samego agenta. Leży w tym, że większość firm nie wie, ile agentów potrzebuje do pokrycia wszystkich zadań. Dlatego kupują ich za dużo, albo kupują zbyt mało i mają bottlenecki. Obie strategie są droga.

Gdzie znika budżet: skill coverage vs. rzeczywiste potrzeby

Typowy scenariusz: firma ma 10 agentów, każdy z 5–7 skillami. Okazuje się, że 4 agenty mogą pokryć wszystkie skille, a pozostałe 6 to redundancja. Lub odwrotnie — 4 agenty są przeciążone, bo brakuje im specjalistycznych skilli, które trzeba dodać do pozostałych.

Bez modelu matematycznego nie wiesz, czy masz nadmiar czy niedobór. Zgadujesz. I zgadując, tracisz pieniądze. W praktyce firmy, które przeprowadzily audit swoich agentów, odkryły, że mogą zmniejszyć zespół o 30–40% bez utraty funkcjonalności [1].

Operations Research nie jest teorią — to konkretne modele matematyczne

Operations Research (OR) to dział matematyki, który rozwiązuje problemy optymalizacji i alokacji zasobów. W kontekście agentów AI OR odpowiada na trzy pytania: (1) Ile agentów potrzebuję? (2) Jakie skille powinni mieć? (3) Jak przydzielić im projekty bez bottlenecków?

Odpowiedzi na te pytania nie są opinią. To wyniki modeli matematycznych, które można zweryfikować i wdrożyć w Pythonie w ciągu kilku dni.

Set covering: jak wybrać minimalny zespół agentów pokrywający wszystkie skille?

Set covering to klasyczny problem OR: masz listę zadań (lub skilli), masz listę agentów z ich umiejętnościami, i szukasz najmniejszego zespołu agentów, który pokrywa wszystkie zadania.

Przykład: masz 20 skilli, które muszą być pokryte (np. customer support, invoice processing, data validation, scheduling). Masz 10 potencjalnych agentów, każdy z innym zestawem skilli. Set covering mówi: "Wybierz 4 agentów, którzy razem pokrywają wszystkie 20 skilli, a koszty będą minimalne".

W praktyce model set-covering znalazł plan 4 agentów za 80 000 USD, zamiast losowego doboru 134 600 USD [1]. To redukcja 40% przy tej samej funkcjonalności.

Assignment problem: przydzielanie projektów agentom bez bottlenecków

Po wyborze zespołu agentów pojawia się następne pytanie: jak przydzielić konkretne projekty konkretnym agentom, żeby żaden nie był przeciążony, a każdy projekt był obsłużony przez agenta, który ma do niego odpowiednie skille?

To assignment problem. Matematycznie: masz N projektów, M agentów, macierz kosztów (ile czasu zajmie agentowi X wykonanie projektu Y), i szukasz przydzielenia, które minimalizuje całkowity czas lub koszt.

W praktyce assignment problem zapobiega sytuacjom, w których jeden agent ma 10 projektów, a inny ma 2. Rozprowadza obciążenie równomiernie, jednocześnie respektując ograniczenia skilli.

Knapsack optimization: maksymalizacja wartości w ramach budżetu miesięcznego

Knapsack to problem, w którym masz plecak o ograniczonej pojemności (budżet), i przedmioty o różnych wagach (koszty agentów) i wartościach (ilość tokenów, które mogą przetworzyć). Szukasz kombinacji przedmiotów, która maksymalizuje wartość bez przekroczenia pojemności.

W kontekście agentów: masz budżet 4 000 USD na miesiąc. Masz 10 potencjalnych agentów o różnych kosztach i możliwościach. Knapsack mówi: "Wybierz tych agentów, którzy razem kosztują mniej niż 4 000 USD i dadzą ci maksymalnie tokenów".

Wynik: 4 agenci w budżecie 4 000 USD dali 215 milionów tokenów, podczas gdy losowy dobór dał 151,6 miliona tokenów — wzrost 41,8% [1]. To znaczy, że za tę samą kwotę dostajesz prawie o połowę więcej mocy obliczeniowej.

Rzeczywisty case study: jak zmniejszyć koszt z 134 600 USD do 80 000 USD w 4 tygodnie

Weźmy konkretny przykład z praktyki. Firma miała 10 agentów, każdy kosztujący około 13 460 USD miesięcznie. Łączny koszt: 134 600 USD. Zadanie: czy można to zoptymalizować?

Przed optymalizacją: losowy dobór agentów = chaos i przepłacanie

Przed optymalizacją struktura wyglądała tak: agenci byli dobierani ad hoc, bez mapy skilli. Kilka agentów miało overlapping umiejętności (redundancja), kilka miało skille, które prawie nigdy nie były używane. Projekty były przydzielane na podstawie dostępności, nie na podstawie optymalności. Rezultat: niektórzy agenci byli przeciążeni, inni niedoużywani, a budżet był marnowany.

Po optymalizacji: model set-covering znalazł plan 4 agentów za 80 000 USD

Po wdrożeniu modelu set-covering i assignment problem okazało się, że 4 agenci mogą pokryć wszystkie potrzebne skille. Koszt: 80 000 USD. To redukcja 40% w stosunku do wyjściowych 134 600 USD [1].

Jak to możliwe? Optymalizacja wyeliminowała redundancję. Zamiast 10 agentów z overlappingiem, masz 4 agentów, każdy z unikalnymi lub komplementarnymi skillami. Każdy projekt trafia do agenta, który ma do niego odpowiednie umiejętności i ma wolne miejsce w harmonogramie.

Bonus: ten sam budżet, 41,8% więcej tokenów dzięki knapsack optimization

Dodatkowo, knapsack optimization pokazał, że w budżecie 4 000 USD miesięcznego można wybrać taką kombinację agentów, która daje 215 milionów tokenów zamiast 151,6 miliona [1]. To wzrost 41,8% przy tej samej cenie.

Co to oznacza w praktyce? Za tę samą kwotę dostajesz więcej mocy obliczeniowej. To znaczy, że możesz obsłużyć więcej projektów, albo obsłużyć je szybciej, albo zmniejszyć koszt na token.

ORAgentBench 2026: dlaczego agenty AI nadal zawodzą na zadaniach OR

Tutaj pojawia się jednak ważne zastrzeżenie. Agenty AI są świetne w wielu rzeczach, ale operations research nie jest ich najmocniejszą stroną. Benchmark ORAgentBench z 2026 roku pokazuje to jasno [2].

Benchmark: 107 zadań, 35,51% pass rate najlepszych agentów

ORAgentBench zawiera 107 ręcznie zweryfikowanych zadań OR w rzeczywistych środowiskach wykonawczych. Najlepsza konfiguracja agentów rozwiązała 35,51% wszystkich zadań [2]. To znaczy, że 2 na 3 zadania agenty nie potrafiły rozwiązać.

To nie jest wynik, który powinien cię zaskakiwać. Agenty AI są dobre w generowaniu tekstu, przetwarzaniu języka naturalnego, i podejmowaniu decyzji w oparciu o heurystyki. Ale optimization to inna dyscyplina — wymaga precyzji matematycznej, której agenty nie mają wbudowanej.

Trudne problemy: zaledwie 20,59% sukcesu na skomplikowanych scenariuszach

Gdy zadania stają się bardziej skomplikowane, pass rate spada do 20,59% [2]. To znaczy, że na trudnych problemach agenty zawodzą w 4 na 5 przypadków.

Dlaczego? Ponieważ optimization wymaga myślenia sekwencyjnego, testowania hipotez, i iteracyjnego doskonalenia rozwiązania. Agenty robią to słabo. Mogą wygenerować kod, ale nie potrafią zweryfikować, czy kod jest optymalny.

Implikacja: OR + AI to nie zamiennik, ale tandem — człowiek + agent + solver

Wnioski z ORAgentBench są jasne: nie możesz polegać na agentach AI do samodzielnego rozwiązania problemów OR. Ale możesz polegać na nich jako na asystentach w procesie.

Hybrydowe podejście wygląda tak: (1) agent AI czyta specyfikację problemu i generuje parametry, (2) człowiek lub solver matematyczny formułuje model OR, (3) solver (Gurobi, PuLP, czy open-source) rozwiązuje problem, (4) agent AI interpretuje wynik i komunikuje go użytkownikowi.

To tandem, nie zamiennik. Agent AI nie rozwiąże problemu sam, ale może ci zaoszczędzić godziny na przygotowaniu danych i interpretacji wyników.

Jak zacząć: Python + Gurobi + 3 wzorce OR do implementacji w Twoim systemie

Jeśli chcesz wdrożyć optimization agentów w swojej firmie, nie musisz być matematykiem. Musisz znać Python i mieć dostęp do solvera. Reszta to kwestia kilku dni pracy.

Narzędzia: Gurobi, PuLP, czy open-source solvers — co wybrać?

Gurobi to przemysłowy standard. Kosztuje, ale jest szybki i niezawodny. Dla większości problemów alokacji agentów Gurobi rozwiąże model w sekundy [1].

PuLP to open-source alternatywa. Wolniejszy niż Gurobi, ale darmowy. Dla małych problemów (do kilkudziesięciu agentów) PuLP wystarczy.

Jeśli chcesz całkowicie open-source, jest COIN-OR lub CBC. Są wolne, ale wymagają więcej konfiguracji.

Dla polskich firm, które chcą uniknąć kosztów licencji, PuLP + CBC to rozsądny start. Dla firm, które potrzebują szybkości i niezawodności, Gurobi.

Workflow: od danych do modelu do decyzji w 48 godzin

Praktyczny proces wygląda tak:

Dzień 1: Zbierz dane o agentach (koszt, skille, dostępność) i projektach (wymagane skille, deadline, wartość). Przygotuj macierz w Excelu lub bazie danych.

Dzień 1 (wieczór): Napisz model w Pythonie. Dla set-covering to około 50 linii kodu. Dla assignment problem to około 100 linii. Dla knapsack to około 80 linii [1].

Dzień 2 (rano): Uruchom solver. Czekasz 10–30 sekund (w zależności od rozmiaru problemu).

Dzień 2 (południe): Zinterpretuj wynik. Solver mówi ci: "Wybierz agentów A, B, C, D. Przydziel projekt X agentowi A, projekt Y agentowi B" itd.

Dzień 2 (wieczór): Wdrażaj. Zmień konfigurację agentów zgodnie z rekomendacją solvera.

To wszystko. W 48 godzin masz optymalizację, która zaoszczędzi ci 40% budżetu.

Pułapki: 5 błędów które robimy przy pierwszej optymalizacji agentów

1. Ignorowanie kosztów ukrytych. Koszt agenta to nie tylko jego cena. To też monitoring, logging, retry logic, fallback. Jeśli nie uwzględnisz tego w modelu, optymalizacja będzie niedokładna.

1. Zbyt sztywne modele. Jeśli model nie uwzględnia zmienności (np. niektóre projekty mogą być obsłużone przez kilka agentów, niektóre przez jeden), będzie nierealistyczny.

1. Brak walidacji. Solver mówi ci, że optymalne rozwiązanie to 4 agenci. Ale czy to rozwiązanie działa w praktyce? Zawsze testuj na małej próbie przed pełnym wdrożeniem.

1. Ignorowanie skill decay. Jeśli agent nie używa umiejętności przez miesiąc, jego wydajność spada. Model powinien to uwzględniać.

1. Brak feedback loop. Po wdrożeniu optymalizacji zbieraj dane o rzeczywistej wydajności. Jeśli wyniki różnią się od prognoz, zaktualizuj model.

Werdykt: OR + AI agents to nie przyszłość, to już teraz — ale tylko dla tych którzy planują

Agenty AI to potężne narzędzie, ale bez strategii alokacji zasobów to droga zabawka. Operations Research daje ci tę strategię.

Firmy, które połączą agenty AI z optymalizacją, będą mieć 40% niższe koszty operacyjne i 41,8% więcej mocy obliczeniowej za tę samą kwotę [1]. To nie jest mała różnica. To różnica między rentownym a nierentownym wdrożeniem.

Ale jest warunek: musisz zaplanować. Musisz zmapować swoje skille, projekty, budżet. Musisz napisać model. To wymaga pracy, ale pracy, którą możesz zrobić w 48 godzin.

Następny krok: zrób audit swoich agentów. Odpowiedz na trzy pytania: (1) Ile agentów mam? (2) Ile skilli pokrywają? (3) Czy mogę to zrobić taniej? Jeśli odpowiedź na trzecie pytanie to "nie wiem", to wiesz, gdzie zacząć.

Źródła

[1] Optimizing AI Agent Planning with Operations Research and Data Science — https://towardsdatascience.com/optimizing-ai-agent-planning-with-operations-research-and-data-science/

[2] ORAgentBench: Can LLM Agents Solve Challenging Operations Research Problems? — https://arxiv.org/html/2606.19787v1