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.
Spis treści
- Czy agenci AI skracają w Allegro czas analizy danych o 40 proc.?
- Co Allegro komunikuje o projektach AI?
- Skąd bierze się liczba 60 proc. firm testujących agentów AI?
- Jak wygląda podział czasu w pracy z danymi?
- Jak wypada agent AI na tle klasycznego pipeline'u i AutoML?
- Jak zmierzyć efekt wdrożenia agenta AI?
- Najczęstsze pytania
- 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.
| Kryterium | Agent AI oparty na modelu językowym | Klasyczny pipeline ETL | AutoML |
|---|---|---|---|
| Sposób definiowania zadania | opis w języku naturalnym | reguły i kod pisany przez zespół | wybór celu i danych, resztę dobiera narzędzie |
| Kontrola nad procesem | rozproszona, zależna od promptów i kontekstu | pełna, wersjonowana w repozytorium | ograniczona do wyboru danych i metryki |
| Audytowalność wyniku | wymaga zapisu promptów i weryfikacji człowieka | wysoka, każdy krok jest w kodzie | średnia, zależna od raportu narzędzia |
| Próg wejścia | niski technicznie, wyższy organizacyjnie | wysoki, potrzebni inżynierowie danych | średni, wymaga danych i metryki |
| Typowe ryzyko | błąd trudny do wychwycenia bez kontroli | koszt utrzymania i sztywność reguł | dopasowanie 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:
- Zdefiniuj metrykę: czas przygotowania danych, odsetek rekordów wymagających korekty, koszt jednostkowy.
- Zmierz wartości przed wdrożeniem na tym samym zbiorze zadań.
- Ustal grupę porównawczą, na przykład jeden zespół pracujący bez agenta.
- Zapisuj prompty, wersje modelu i daty, inaczej wyniku nie da się powtórzyć.
- 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
- Allegro AI Hub (Allegro, 2026)
- allegro Tech — wydarzenia (Allegro, 2026)
- Allegro zakłada oparcie 40 proc. portfolio technologicznego na rozwiązaniach AI do końca roku (Bankier.pl, 2026)
- Allegro: Na koniec roku ok. 40% naszego portfolio technologicznego oparte będzie na AI (Wiadomości Handlowe, 2026)
- Allegro udostępniło asystenta AI dla sprzedających (Inwestycje.pl, 2026)
- One task — two solutions: Apache Spark or Apache Beam? (Allegro Tech Blog, 2021)
- Trust no one, not even your training data! Machine learning from noisy data (Allegro Tech Blog, 2023)
- Tylko 2 proc. firm wdrożyło agentów AI na szeroką skalę (Dla Handlu, 2026)
- Sztuczna inteligencja zmienia polskie firmy. Już 41 proc. testuje ją w praktyce (RP.pl, 2026)
- 62% polskich firm zwiększa inwestycje w Gen AI (Focus on Business, 2026)
- Pourquoi les data scientists passent 80 % du temps à nettoyer les données (iana-data, b.d.)
- Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task (Forbes, 2016)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji