[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fus6UDcfae3F1-hJdyXFDCL2yTIFrpgnFMnUdt0YQ9fc":208,"$fp6RrxWvr2CWgyGUUDNLIpTF_A6XwtJhaMNDnyQaS5dw":235,"atoms-czy-twoje-call-center-traci-klientow-przez-2-sekundy-opoznienia":332},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":213,"reviewed_by":213,"reading_time_min":217,"pillar_id":218,"author_id":222,"draft_id":229},"9c076c65-23ac-443f-af63-42fa8b97992a","czy-twoje-call-center-traci-klientow-przez-2-sekundy-opoznienia","article",null,"b419a58c-4762-4e45-8db4-9b01221ea970","2026-08-18T04:47:33.504Z","2026-10-22T09:29:15.250Z",9,{"id":219,"name":15,"slug":220,"color_token":221},"ec013b2c-e6c4-4c31-b1ec-9587c629a169","praktyczne-zastosowania","gold",{"display_name":223,"slug":224,"bio_short":225,"social_links":226},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":227,"x":213,"github":213,"website":228},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":230,"meta_description":231,"body_mdx":232,"word_count":233,"schema_type":234},"Opóźnienie w agentach głosowych AI: ile traci call center?","Opóźnienie w agentach głosowych AI liczy się od końca mowy klienta do pierwszego dźwięku odpowiedzi. Rozkładamy latencję na etapy i pokazujemy, jak ją mierzyć.","## Czym dokładnie jest opóźnienie w agentach głosowych AI?\n\nTwilio nazywa tę wielkość luką mouth-to-ear. Liczy się czas od zakończenia mowy klienta do pierwszego słyszalnego dźwięku odpowiedzi. Producent oddziela ją od opóźnienia samej platformy, bo pierwsze odczuwa rozmówca, a drugie opisuje wyłącznie infrastrukturę [1]. Rozdzielenie obu miar wskazuje, gdzie powstaje zwłoka. Czas inferencji modelu językowego rzadko jest jej głównym źródłem, choć na nim koncentruje się większość optymalizacji.\n\n## Z czego składa się opóźnienie end-to-end?\n\nLukę tworzą kolejno detekcja końca tury wypowiedzi, rozpoznawanie mowy, czas do pierwszego tokenu modelu, synteza mowy, transmisja sieciowa i telekomunikacyjna oraz zapytania do systemów zewnętrznych, takich jak CRM [1]. Każdy etap ma własny budżet i osobne ryzyko przekroczenia.\n\n| Etap | Co obejmuje | Wartość startowa w modelu Twilio |\n|---|---|---|\n| Rozpoznawanie mowy | zamiana strumienia audio na tekst | 350 ms [1] |\n| Model językowy | czas do pierwszego tokenu odpowiedzi | 375 ms [1] |\n| Synteza mowy | zamiana tekstu na dźwięk | 100 ms [1] |\n| Pozostałe etapy | detekcja końca tury, sieć, telekomunikacja, CRM | poza modelem startowym [1] |\n\nW przykładowym modelu Twilio docelowa luka end-to-end wynosi 1115 ms, a górny limit 1400 ms [1]. To założenia projektowe, nie wynik pomiaru konkretnego wdrożenia. Własny budżet trzeba rozłożyć na te same etapy i mierzyć każdy z osobna, bo średnia z całej rozmowy ukrywa długi ogon opóźnień.\n\n## Czy 2 sekundy opóźnienia wystarczą, by stracić klienta?\n\nMateriały branżowe opisują 1–2 sekundy jako opóźnienie zauważalne, a przekroczenie 2 sekund jako ryzyko rozpadu rozmowy [2]. Nie ma jednak jednego ustalonego progu, po którym każdy rozmówca się rozłącza. Utrata klienta zależy też od jakości obsługi, ceny i samego problemu, więc przypisanie churnu wyłącznie latencji byłoby nadinterpretacją.\n\nPróg dwóch sekund pozostaje użyteczną heurystyką projektową. Traktujemy go jako sygnał do sprawdzenia pomiarów, nie jako regułę, że każda dłuższa pauza kończy rozmowę. Rozstrzygają dane o porzuceniach i powtórnych połączeniach, zbierane przed zmianą i po niej.\n\n## Które wskaźniki pokazują, że opóźnienie naprawdę szkodzi?\n\nTwilio wskazuje zestaw miar, które trzeba czytać razem: odsetek porzuconych rozmów, informację kto się rozłączył, powtórne połączenia, transfery do człowieka, ukończenie zadania, rozwiązanie sprawy przy pierwszym kontakcie, CSAT i czas obsługi [3]. Pojedynczy wskaźnik nie rozstrzyga o przyczynie.\n\nProducent zwraca uwagę, że bardzo krótkie połączenia mogą oznaczać przedwczesne rozłączenia, a wzrost liczby przerwań i ciszy może sygnalizować problem z opóźnieniem [3]. Dlatego wykres latencji zestawia się z tymi miarami w tym samym okresie, a nie osobno.\n\n## Czym różni się transkrypcja strumieniowa od przetwarzania wsadowego?\n\nTryb strumieniowy zamienia na tekst fragmenty audio w trakcie mówienia, a tryb wsadowy czeka na kompletne nagranie i nie nadaje się do interaktywnego agenta [4]. Wybór trybu przesądza o tym, czy transkrypcja może pojawić się w czasie rozmowy.\n\n| Kryterium | Transkrypcja strumieniowa | Przetwarzanie wsadowe |\n|---|---|---|\n| Moment wyniku | w trakcie mówienia, fragmentami [4] | po zakończeniu całego nagrania [4] |\n| Praca w agencie głosowym | możliwa w rozmowie | wynik dostępny dopiero po niej [4] |\n| Wpływ długiej wypowiedzi | wynik narasta wraz z mową | opóźnienie rośnie z długością nagrania |\n\n## Jak odróżnić opóźnienie rozmowy od czasu oczekiwania w kolejce?\n\nContactBabel w raporcie dla brytyjskich centrów kontaktowych z 2024 roku podał średni czas do odpowiedzi 116 sekund i medianę 48 sekund [5]. To oczekiwanie w kolejce przed połączeniem z agentem, a nie pauza w transkrypcji. Mylenie obu miar prowadzi do błędnych wniosków: skrócenie kolejki nie poprawi wrażenia z rozmowy, jeśli model odpowiada po dwóch sekundach.\n\n## Jaki budżet opóźnień przyjąć w projekcie?\n\nITU-T w zaleceniu G.114 rekomenduje, aby opóźnienie jednokierunkowe w sieci telefonicznej nie przekraczało 400 ms [6]. To norma planowania sieci, a nie standard dla całego pipeline'u AI. Budżet trzeba rozdzielić na sieć, rozpoznawanie mowy, model i syntezę, zamiast przykładać jedną liczbę do gotowego rozwiązania.\n\n## Jakie wymogi formalne dotyczą nagrywania i transkrypcji rozmów?\n\nMicrosoft wskazuje, że w wielu krajach wymagane może być uprzednie poinformowanie rozmówcy lub uzyskanie jego zgody [7]. Zakres obowiązków zależy od lokalnych przepisów. Przed uruchomieniem transkrypcji trzeba ustalić podstawę prawną, okres przechowywania nagrań i sposób informowania dzwoniących.\n\n## Skąd bierze się liczba 18 sekund?\n\nDokumentacja Webex opisuje konfigurowalny limit 18 sekund na zaakceptowanie połączenia przez agenta [8]. To parametr systemu kolejkowego, nie zmierzony czas oczekiwania klienta na odpowiedź modelu. Źródła nie potwierdzają historii o kliencie, który czekał 18 sekund, a po skróceniu opóźnienia do 2 sekund nadal się rozłączał.\n\n## Od czego zacząć pomiar opóźnienia?\n\nPolecamy zacząć od definicji: mierzymy czas od końca mowy do pierwszego dźwięku, z podziałem na etapy i z percentylami p50, p95 oraz p99 [1]. Sama średnia ukrywa długi ogon opóźnień. Do pomiaru trzeba dopisać liczbę połączeń, wersję modelu, rodzaj sieci i okres badania, bo bez nich wynik nie jest porównywalny między wdrożeniami.\n\nSposób przełożenia pilotażu na produkcję opisujemy w przewodniku [Praktyczne zastosowania AI: od pilotażu do produkcji](\u002Fposts\u002Fpraktyczne-zastosowania-przewodnik). O czytaniu wyników i benchmarków piszemy w tekście [Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw](\u002Fposts\u002Fbenchmarki-ai-dlaczego-nvidia-postawila-na-openclaw-zamiast-kolejnego-hype-u).\n\n## Najczęstsze pytania\n\n### Ile wynosi dobre opóźnienie w agencie głosowym AI?\n\nModel referencyjny Twilio zakłada 1115 ms dla całej luki mouth-to-ear i 1400 ms jako górny limit [1]. Wartości obejmują rozpoznawanie mowy, model językowy i syntezę, a nie całą infrastrukturę. W praktyce cele zależą od kanału i sieci, dlatego trzeba mierzyć percentyle, a nie tylko średnią z rozmów.\n\n### Czy opóźnienie 2 sekundy zawsze oznacza utratę klienta?\n\nNie. Materiały branżowe traktują 2 sekundy jako próg ryzyka rozpadu rozmowy, a nie gwarancję rozłączenia [2]. Na decyzję klienta wpływają też jakość obsługi, cena i sam problem. Próg jest użyteczny w projektowaniu, ale wymaga potwierdzenia własnymi danymi o porzuceniach i powtórnych połączeniach.\n\n### Dlaczego transkrypcja wsadowa nie nadaje się do rozmowy na żywo?\n\nTryb wsadowy czeka na kompletne nagranie i zwraca wynik po zakończeniu wypowiedzi, więc nie zasili agenta w trakcie rozmowy [4]. Do interakcji potrzebny jest tryb strumieniowy, który przetwarza fragmenty audio na bieżąco. Różnica dotyczy architektury, nie tylko szybkości modelu.\n\n### Jak mierzyć opóźnienie, żeby wynik był wiarygodny?\n\nTrzeba podać definicję pomiaru, percentyle p50, p95 i p99, liczbę połączeń, produkt, kraj, rodzaj sieci, wersję modelu i okres badania. Sama średnia ukrywa długi ogon opóźnień. Osobno mierzy się czas oczekiwania w kolejce, a osobno pauzę w rozmowie, bo to dwie różne miary [5].\n\n## Źródła\n\n1. [Core Latency in AI Voice Agents (Twilio)](https:\u002F\u002Fwww.twilio.com\u002Fen-us\u002Fblog\u002Fdevelopers\u002Fbest-practices\u002Fguide-core-latency-ai-voice-agents)\n2. [Why Voice AI Latency Is Costing You Customers (Master of Code)](https:\u002F\u002Fmasterofcode.com\u002Fblog\u002Fvoice-ai-latency)\n3. [Voice Insights Conversation Relay Insights Dashboard (Twilio)](https:\u002F\u002Fwww.twilio.com\u002Fdocs\u002Fvoice\u002Fvoice-insights\u002Fconversation-relay-insights-dashboard)\n4. [Top APIs and models for real-time speech recognition and transcription in 2026 (AssemblyAI, 2026)](https:\u002F\u002Fwww.assemblyai.com\u002Fblog\u002Fbest-api-models-for-real-time-speech-recognition-and-transcription)\n5. [The UK Contact Centre Decision-Makers' Guide 2024 (ContactBabel, 2024)](https:\u002F\u002Fwww.encoded.co.uk\u002Fwp-content\u002Fuploads\u002F2024\u002F04\u002FContactBabel-DMG-Full-Report-2024.pdf)\n6. [Zalecenie ITU-T G.114 (ITU-T, 2003)](https:\u002F\u002Fwww.itu.int\u002Frec\u002Fdologin_pub.asp?lang=e&id=T-REC-G.114-200305-I%21%21PDF-E)\n7. [Konfigurowanie rejestrowania, transkrybowania i tłumaczenia rozmów w czasie rzeczywistym (Microsoft Learn)](https:\u002F\u002Flearn.microsoft.com\u002Fpl-pl\u002Fdynamics365\u002Fcustomer-service\u002Fadminister\u002Fvoice-channel-configure-transcripts)\n8. [Informacje o stanach agenta (Webex)](https:\u002F\u002Fhelp.webex.com\u002Fpl-pl\u002Farticle\u002Fnvg4gu6\u002FInformacje-o%C2%A0stanach-agenta)",1144,"Article",[236,242,248,254,260,266,272,278,284,290,296,302,308,314,320,326],{"id":237,"slug":238,"pillar_id":239,"draft_id":240},"fad1d7ad-8fa0-43af-b45a-a0be58875324","codex-w-operacjach-biznesowych-jak-zamienic-20-godzin-pracy-w-8-minut",{"color_token":221},{"title":241},"Codex w operacjach biznesowych: jak zamienić 20 godzin pracy w 8 minut",{"id":243,"slug":244,"pillar_id":245,"draft_id":246},"15de5316-98c5-4e40-bfd7-15db1ee47fd3","codex-w-sprzedazy-jak-polskie-zespoly-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":247},"Codex w sprzedaży: jak polskie zespoły automatyzują briefy i forecasty bez kodu",{"id":249,"slug":250,"pillar_id":251,"draft_id":252},"3711d3a5-d1b6-41f0-83bf-cede7e357934","codex-w-operacjach-jak-polskie-firmy-odzyskuja-15-godzin-tygodniowo",{"color_token":221},{"title":253},"Codex w operacjach: jak polskie firmy odzyskują 15 godzin tygodniowo",{"id":255,"slug":256,"pillar_id":257,"draft_id":258},"b77317b3-6449-4e20-bcc2-40177a5635c3","debata-agentow-ai-jak-10-modeli-wygenerowalo-guardrails-za-1-3-ceny",{"color_token":221},{"title":259},"Debata agentów AI: jak 10 modeli wygenerowało guardrails za 1\u002F3 ceny",{"id":261,"slug":262,"pillar_id":263,"draft_id":264},"d0badd80-84fc-4a82-a928-d57869fbe3d7","wordpress-bez-kodowania-jak-zbudowac-strone-w-2-godziny-zamiast-20",{"color_token":221},{"title":265},"WordPress bez kodowania: jak zbudować stronę w 2 godziny zamiast 20",{"id":267,"slug":268,"pillar_id":269,"draft_id":270},"ab48fe44-3cec-4ee3-9c7a-e04587d706a4","codex-w-sprzedazy-jak-oszczedzic-10-godzin-tygodniowo-bez-pisania-kodu",{"color_token":221},{"title":271},"Codex w sprzedaży: jak oszczędzić 10 godzin tygodniowo bez pisania kodu",{"id":273,"slug":274,"pillar_id":275,"draft_id":276},"d65aeb1e-b7f5-4221-836c-4e751d758397","czy-twoje-narzedzia-ai-to-tylko-cyfrowy-smietnik-jak-przestac-placic-za-nieuzywane-zakladki",{"color_token":221},{"title":277},"Czy twoje narzędzia AI to tylko cyfrowy śmietnik? Jak przestać płacić za nieużywane zakładki",{"id":279,"slug":280,"pillar_id":281,"draft_id":282},"0c185ca8-0e4c-46c3-b06a-cb5c2d632be3","milion-zlotych-straty-przez-zmienne-z-llm-gdzie-analiza-przyczynowa-traci-grunt",{"color_token":221},{"title":283},"Milion złotych straty przez zmienne z LLM — gdzie analiza przyczynowa traci grunt",{"id":285,"slug":286,"pillar_id":287,"draft_id":288},"9a45d404-d037-405f-b9e1-4f649c1d6c72","twoj-agent-ma-72-skutecznosci-zmiana-modelu-tego-nie-naprawi",{"color_token":221},{"title":289},"LLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury",{"id":291,"slug":292,"pillar_id":293,"draft_id":294},"b1b01fdd-dab1-42b9-89e6-e8e6cb382bf6","ile-kosztuje-godzina-szkolenia-ai-nowa-metoda-liczy-to-w-8-sekund",{"color_token":221},{"title":295},"Ile kosztuje godzina szkolenia AI? Nowa metoda liczy to w 8 sekund",{"id":297,"slug":298,"pillar_id":299,"draft_id":300},"21da4438-3fa2-41e0-a7f6-1768c752628e","twoj-pilot-ai-zachwycil-zarzad-dlaczego-nigdy-nie-trafi-na-hale-produkcyjna",{"color_token":221},{"title":301},"Dlaczego pilotaż AI trafia do produkcji, ale biznes go nie widzi — 5%",{"id":303,"slug":304,"pillar_id":305,"draft_id":306},"5fa11e1e-4f17-4996-9132-df455ed2fcbc","web-search-rag-pipeline-zanim-napiszesz-kolejny-scraper-przeczytaj-o-czterech-pulapkach",{"color_token":221},{"title":307},"Web scraping dla AI: czyszczenie HTML zmniejsza tokeny",{"id":309,"slug":310,"pillar_id":311,"draft_id":312},"9607dd0d-10bf-4236-86cb-f658bad984b8","twoj-agent-ai-wlasnie-zjadl-trucizne-i-nawet-o-tym-nie-wie",{"color_token":221},{"title":313},"Twój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym",{"id":315,"slug":316,"pillar_id":317,"draft_id":318},"6f5c7a22-1999-4ee4-8abf-82ed26b88ca4","codex-w-sprzedazy-jak-polskie-firmy-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":221},{"title":319},"Codex w sprzedaży: jak polskie firmy automatyzują briefy i forecasty bez kodu",{"id":321,"slug":322,"pillar_id":323,"draft_id":324},"1b8f6283-ddf2-45ca-93a2-589e667f48d8","kiedy-brak-llm-gateway-zaczyna-kosztowac-mapa-decyzji-dla-operatora",{"color_token":221},{"title":325},"Lokalne modele AI vs API w chmurze: kiedy się opłaca przejść na",{"id":327,"slug":328,"pillar_id":329,"draft_id":330},"1d9444f2-f6f3-45b5-9365-57b448334476","ai-w-sprzedazy-5-zadan-ktore-przestaja-zajmowac-czas-twojemu-zespolowi",{"color_token":221},{"title":331},"AI w sprzedaży: 5 zadań, które przestają zajmować czas twojemu zespołowi",[]]