Przejdź do treści

Praktyczne zastosowania

Agenci AI w data science: co wiadomo o Allegro i polskim rynku

Zaktualizowano: Autor: Andrzej Niemiec9 min czytania

Allegro rozwija AI Hub i celuje w 40 proc. portfolio technicznego na AI do końca 2026 r. Nie ma jednak dowodów, że agenci AI skróciły analizę danych o 40 proc.

Agenci AI w data science: co wiadomo o Allegro i polskim rynku
Spis treści
  1. Czy agenci AI skracają w Allegro czas analizy danych o 40 proc.?
  2. Co Allegro komunikuje o projektach AI?
  3. Skąd bierze się liczba 60 proc. firm testujących agentów AI?
  4. Jak wygląda podział czasu w pracy z danymi?
  5. Jak wypada agent AI na tle klasycznego pipeline'u i AutoML?
  6. Jak zmierzyć efekt wdrożenia agenta AI?
  7. Najczęstsze pytania
  8. Źródła

Czy agenci AI skracają w Allegro czas analizy danych o 40 proc.?

Nie ma publicznego potwierdzenia takiego wyniku. Materiały Allegro opisują zespół data science i projekty AI, ale nie podają rezultatu 40 proc. ani metodologii jego pomiaru [1]. Brakuje definicji czasu analizy, okresu badania i grupy porównawczej. Materiały z wydarzeń technologicznych firmy, w tym edycji Tech Talks poświęconej AI, także nie zawierają takiego wyniku [2].

Dwie liczby 40 proc. trzeba rozdzielić. Pierwsza dotyczy portfolio technologicznego: firma zapowiadała, że do końca 2026 roku około 40 proc. tego portfolio będzie oparte na rozwiązaniach AI [3][4]. To cel deklarowany w sierpniu 2026 roku, a nie zmierzony efekt pracy zespołu analitycznego. Druga liczba, dotycząca skrócenia czasu analizy danych, nie ma w dostępnych materiałach źródła pierwotnego ani opisu pomiaru.

Co Allegro komunikuje o projektach AI?

Oficjalny AI Hub opisuje zespół złożony z data scientists, badaczy uczenia maszynowego, analityków i inżynierów. Wymienione zastosowania to ranking, rekomendacje, predykcja i wzbogacanie danych [1]. To mapa obszarów, nie zestaw zmierzonych oszczędności.

Zapowiedź celu 40 proc. pojawiła się w komunikacji z sierpnia 2026 roku [3][4]. W kwietniu 2026 roku firma udostępniła asystenta AI dla sprzedających. Narzędzie analizuje jakość konta, odpowiada na pytania o zasady platformy, a kolejne wersje mają obsługiwać optymalizację ofert, cen i logistyki [5]. Asystent nie służy do automatyzacji pracy zespołu data science.

Publikacje techniczne pokazują skalę pracy z danymi. W 2021 roku zespół opisał łączenie i czyszczenie około 2,5 TB danych dziennie z użyciem Spark i Beam [6]. W 2023 roku opisał klasyfikację ofert do ponad 23 tys. kategorii oraz eksperyment z 20 proc. syntetycznego szumu w etykietach [7]. Żaden z tych tekstów nie dotyczy agentów AI ani skrócenia czasu analityków. Sposób prowadzenia takich projektów od pilota do produkcji opisujemy w przewodniku o praktycznych zastosowaniach AI.

Skąd bierze się liczba 60 proc. firm testujących agentów AI?

Nie znaleziono badania, w którym populacją byłyby duże polskie firmy, a wynikiem dokładnie 60 proc. testujących agentów AI. Dostępne dane mierzą inne zjawiska. Raport Capgemini przywołany w czerwcu 2026 roku podawał, że 2 proc. organizacji wdrożyło agentic AI na pełną skalę, 23 proc. prowadziło pilotaże, a 61 proc. analizowało zastosowania [8]. Badanie D&B cytowane w tym samym okresie wskazywało, że 41 proc. polskich firm testuje AI w środowisku produkcyjnym, ale dotyczyło narzędzi AI ogółem, nie agentów i nie wyłącznie dużych przedsiębiorstw [9]. Osobny raport mówił o 62 proc. polskich firm zwiększających inwestycje w Gen AI [10].

Te odsetki odpowiadają na różne pytania, więc ich zestawienie bez definicji wprowadza w błąd. Autor badania, data, liczebność i struktura próby, definicja dużej firmy oraz zakres testowania decydują o tym, czy liczba cokolwiek znaczy.

Jak wygląda podział czasu w pracy z danymi?

W materiałach branżowych powtarza się teza, że przygotowanie danych zajmuje do 80 proc. czasu data scientisty [11]. Sondaż z 2016 roku wśród specjalistów od danych wskazywał, że przygotowanie danych jest zadaniem najbardziej czasochłonnym i najmniej lubianym [12]. Oba źródła opisują deklaracje i wyniki ankiet, nie pomiar oszczędności po wdrożeniu agenta.

Z tych opracowań nie wynika, ile czasu oszczędza konkretne narzędzie w konkretnej firmie. Przenoszenie odsetka z ankiety na własny zespół bez pomiaru prowadzi do liczby, której nie da się obronić.

Jak wypada agent AI na tle klasycznego pipeline'u i AutoML?

Poniższa tabela to ocena redakcji, nie wynik pomiaru. Zestawia trzy sposoby automatyzacji przygotowania danych.

KryteriumAgent AI oparty na modelu językowymKlasyczny pipeline ETLAutoML
Sposób definiowania zadaniaopis w języku naturalnymreguły i kod pisany przez zespółwybór celu i danych, resztę dobiera narzędzie
Kontrola nad procesemrozproszona, zależna od promptów i kontekstupełna, wersjonowana w repozytoriumograniczona do wyboru danych i metryki
Audytowalność wynikuwymaga zapisu promptów i weryfikacji człowiekawysoka, każdy krok jest w kodzieśrednia, zależna od raportu narzędzia
Próg wejścianiski technicznie, wyższy organizacyjniewysoki, potrzebni inżynierowie danychśredni, wymaga danych i metryki
Typowe ryzykobłąd trudny do wychwycenia bez kontrolikoszt utrzymania i sztywność regułdopasowanie do metryki zamiast celu biznesowego

O wyborze decyduje to, czy zadanie da się opisać regułami, oraz to, kto ma weryfikować wynik. Agent sprawdza się w zadaniach jednorazowych i eksploracyjnych, pipeline w powtarzalnych procesach produkcyjnych, AutoML w modelowaniu na ustalonych danych. Przykład różnicy między narzędziami do generowania kodu opisujemy w artykule o Codexie w data science, a kontekst porównań modeli w tekście o benchmarkach AI.

Jak zmierzyć efekt wdrożenia agenta AI?

Polecamy zacząć od stanu wyjściowego, a nie od wyboru narzędzia. Kolejność działań:

  1. Zdefiniuj metrykę: czas przygotowania danych, odsetek rekordów wymagających korekty, koszt jednostkowy.
  2. Zmierz wartości przed wdrożeniem na tym samym zbiorze zadań.
  3. Ustal grupę porównawczą, na przykład jeden zespół pracujący bez agenta.
  4. Zapisuj prompty, wersje modelu i daty, inaczej wyniku nie da się powtórzyć.
  5. Oddziel czas przygotowania danych od czasu analizy i raportowania.

Bez tych kroków zdanie o 40 proc. szybciej pozostaje deklaracją. Własny pomiar jest jedynym sposobem, by ocenić, czy agent zarabia na swoje utrzymanie.

Najczęstsze pytania

Czy Allegro potwierdziło skrócenie czasu analizy danych o 40 proc.?

Nie. Materiały firmy opisują zespół, projekty i cel dotyczący portfolio technologicznego [1][3][4], a materiały wydarzeń nie zawierają wyniku 40 proc. w analizie danych [2]. Dla porównania asystent dla sprzedających z kwietnia 2026 roku ma inny zakres [5].

Czy agenci AI zastąpią data scientistów?

Dane o adopcji nie pozwalają tego rozstrzygnąć. Pełne wdrożenia agentic AI deklaruje 2 proc. organizacji [8], a opisane projekty Allegro dotyczą obszarów, w których wynik wymaga nadzoru człowieka [1]. Redakcyjnie: zastąpienie całych zespołów to teza bez pokrycia w dostępnych badaniach.

Jakie metryki pozwalają ocenić agenta AI w analizie danych?

Czas przygotowania danych, odsetek błędów wymagających korekty, koszt jednostkowy zadania i udział wyników odrzuconych przez człowieka. Wartości trzeba zmierzyć lokalnie, bo deklaracje z ankiet [11][12] nie opisują konkretnego wdrożenia.

Dlaczego dane o adopcji AI w Polsce tak się różnią?

Bo mierzą różne populacje i definicje. Jedno badanie podaje 2 proc. pełnych wdrożeń [8], inne 41 proc. firm testujących AI ogółem [9], a jeszcze inne 62 proc. zwiększających inwestycje [10].

Źródła

  1. Allegro AI Hub (Allegro, 2026)
  2. allegro Tech — wydarzenia (Allegro, 2026)
  3. Allegro zakłada oparcie 40 proc. portfolio technologicznego na rozwiązaniach AI do końca roku (Bankier.pl, 2026)
  4. Allegro: Na koniec roku ok. 40% naszego portfolio technologicznego oparte będzie na AI (Wiadomości Handlowe, 2026)
  5. Allegro udostępniło asystenta AI dla sprzedających (Inwestycje.pl, 2026)
  6. One task — two solutions: Apache Spark or Apache Beam? (Allegro Tech Blog, 2021)
  7. Trust no one, not even your training data! Machine learning from noisy data (Allegro Tech Blog, 2023)
  8. Tylko 2 proc. firm wdrożyło agentów AI na szeroką skalę (Dla Handlu, 2026)
  9. Sztuczna inteligencja zmienia polskie firmy. Już 41 proc. testuje ją w praktyce (RP.pl, 2026)
  10. 62% polskich firm zwiększa inwestycje w Gen AI (Focus on Business, 2026)
  11. Pourquoi les data scientists passent 80 % du temps à nettoyer les données (iana-data, b.d.)
  12. Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task (Forbes, 2016)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji