Praktyczne zastosowania
Feedback od agentów AI: jak zbudować pętlę w aplikacji
Zaktualizowano: Autor: Andrzej Niemiec6 min czytania
Spis treści
Najbardziej konkretny polski przykład to Omega, wewnętrzny agent Netguru. Działa w Slacku i Google Drive, wspiera zespół sprzedaży, przygotowuje agendy, podsumowania, listy funkcji i propozycje działań. Publiczny opis firmy z 2 października 2026 r. podaje, że rozwój agenta kształtował feedback handlowców [1]. Ten sam materiał nie opisuje Omegi jako dashboardu metryk ani generatora sugestii kodu [1].
To rozróżnienie jest istotne. Agent zbudowany wokół realnej pracy zespołu ma dostęp do sygnałów, których nie wytwarza demonstracja. W Omegi są to rozmowy handlowe, dokumenty i decyzje sprzedażowe. Pętla feedbacku zaczyna się tam, gdzie użytkownik napotyka ograniczenie narzędzia. Podstawy pojęć opisujemy na stronie /agenci-ai.
Co pokazuje przypadek Netguru?
Netguru pokazuje dwie rzeczy. Agent wewnętrzny rozwija się z feedbacku realnych użytkowników, a nie z założeń zespołu. Firma zmienia też model działalności i przenosi ciężar z prostego outsourcingu na konsulting oraz wdrożenia AI.
Netguru Memory korzystał z Azure AI i indeksowania wiedzy o wcześniejszych projektach. Według opisu firmy odpowiedzi pojawiały się zwykle w czasie krótszym niż minuta [2]. Inżynierowie Netguru używali też GitHub Copilot i innych narzędzi AI. Firma podaje własne badanie 32 inżynierów i deklaruje średnią oszczędność czasu na poziomie 5–10%. To twierdzenie dostawcy, nie niezależny benchmark [2].
Skala firmy zmieniała się równolegle. Netguru powstało w 2008 r., a po szczycie zatrudnienia powyżej 900 osób zespół miał zmniejszyć się do około 400 [3]. Prezes Kuba Filipowski wskazuje AI-native commerce jako jeden z kierunków rozwoju [3]. Wniosek dla zespołu produktowego jest prosty: pętla feedbacku musi działać przy mniejszym zespole i większej liczbie automatyzacji.
Jak zamienić sygnały od developerów w zmiany w produkcie?
Trzy elementy decydują o tym, czy pętla działa: źródła sygnałów, sposób oceny agenta i punkt decyzji człowieka. Bez trzeciego elementu agent optymalizuje metrykę zamiast produktu.
Źródła sygnałów to logi użycia, zgłoszenia błędów, odrzucone sugestie i czas reakcji. Agent porządkuje je i łączy w powtarzalne wzorce. Zespół dostaje listę problemów z kontekstem, a nie surowy strumień zdarzeń. Podobne mechanizmy opisują siostrzane teksty o zespołach agentów AI w badaniach oraz o współdzielonej pamięci dla agentów AI.
Drugi krok to ocena. Agent, który zbiera feedback, sam potrzebuje feedbacku o własnej pracy. Trzeci krok to decyzja: kto zatwierdza zmianę i jaki ślad po niej zostaje w systemie.
Jak oceniać agenta, żeby feedback nie wprowadzał w błąd?
Netguru wskazuje prompt-level evaluation, tracing, testy regresji, obserwowalność i human-in-the-loop. Tradycyjne testy jednostkowe nie wystarczają do oceny halucynacji, użycia narzędzi i wieloetapowego działania agenta [4]. Ocena musi obejmować całą ścieżkę, nie pojedynczą odpowiedź.
Potwierdzonym wynikiem wdrożenia jest przypadek ARC Europe. Netguru deklaruje skrócenie obsługi roszczenia z 30 do 5 minut, czyli o 83%, przy pozostawieniu końcowej decyzji człowiekowi [5][6]. To case study dostawcy, nie niezależny pomiar. Liczba pokazuje jednak, gdzie leży granica: agent skraca przygotowanie, człowiek zatwierdza skutek.
Jakie narzędzia wspierają pętlę feedbacku?
n8n, Make i Zapier obsługują automatyzację i warstwę agentową, ale różnią się kontrolą nad infrastrukturą, modelem rozliczania i ceną wejścia.
| Kryterium | n8n | Make | Zapier |
|---|---|---|---|
| Model pracy | wizualny workflow, kod opcjonalny, self-hosting | wizualna kanwa scenariuszy i agentów | dwukrokowe Zapy i agenci |
| Rozliczanie | liczba wykonań w chmurze | credits, wcześniej operations | taski i activities |
| Warstwa agentowa | AI Agent node, MCP Server Trigger i MCP Client | Make AI Agents, MCP tools | AI by Zapier, Next Gen Zaps |
| Cena wejścia (październik 2026) | Cloud Starter 20 USD/mies. przy rozliczeniu rocznym [8] | Core 12 USD/mies. przy 10 000 creditów [10] | Professional od 19,99 USD/mies. przy rozliczeniu rocznym [11] |
n8n 2.43 z 6 października 2026 r. udostępnił Browser Use wszystkim użytkownikom, ulepszył Assistant i dodał obsługę wdrożeń Azure OpenAI [7]. Cloud Starter obejmuje 2500 wykonań miesięcznie, a bezpłatne Community działa na własnym serwerze [8].
Make ogłosił nową generację Make AI Agents 11 lutego 2026 r., MCP tools 3 czerwca 2026 r., a asystenta Maia 12 sierpnia 2026 r. [9]. Plan Free daje 1000 creditów miesięcznie i dwa aktywne scenariusze. Core kosztuje 12 USD miesięcznie przy 10 000 creditów, a niewykorzystane credits wygasają z końcem okresu rozliczeniowego [10].
Zapier rozlicza osobno Zapy, agentów i MCP. Plan Free obejmuje 100 tasków miesięcznie i wyłącznie workflow dwukrokowe [11].
Wspólnym mianownikiem jest MCP. To otwarty standard łączący modele z narzędziami i danymi, zapoczątkowany przez Anthropic i od grudnia 2025 r. rozwijany w ramach Agentic AI Foundation przy Linux Foundation [12].
Jedno wywołanie narzędzia MCP zużywa dwa taski z puli Zapiera [13]. Next Gen Zaps, czyli tworzenie automatyzacji przez klienta MCP, był w październiku 2026 r. w early access [14].
Ile kosztuje utrzymanie pętli w praktyce?
Koszt zależy od liczby zdarzeń, nie od liczby aplikacji. Przy małym ruchu wystarcza plan Free w Make albo dwukrokowe Zapy w Zapierze. Przy większym ruchu tańszy bywa self-hosting n8n, ale dochodzi administracja serwerem, aktualizacje i backupy.
Osobny koszt to warstwa agenta w przeglądarce. ChatGPT agent uruchomiono 17 lipca 2025 r., a obecna dokumentacja zapowiada wycofanie tej nazwy na rzecz ChatGPT Work. Limity wynoszą 40 wywołań miesięcznie w planie Plus i 400 w planie Pro [15]. Każde wywołanie, które wchodzi do pętli feedbacku, trzeba więc wliczyć do budżetu.
Jakie ryzyka zostają?
Pierwsze ryzyko to zaufanie do narzędzi, których agent używa. OWASP opisuje atak MCP tool poisoning, w którym opis narzędzia zawiera instrukcje przejmujące kontrolę nad agentem [16]. Ograniczenie liczby narzędzi i zatwierdzanie nowych połączeń zmniejsza ten wektor.
Drugie ryzyko to liczby bez źródła. Deklaracje dostawców, takie jak skrócenie obsługi o 83% w ARC Europe, są warte tyle, ile metoda pomiaru [5]. Trzecie ryzyko to skala: Gartner prognozuje, że do 2028 r. 33% aplikacji firmowych będzie miało wbudowane agentic AI, wobec mniej niż 1% w 2024 r. [17]. Rosnąca liczba agentów zwiększa wartość kontroli, nie odwrotnie.
Kontrolę nad agentem w firmie opisujemy też w tekście o ORCE i chaosie.
Najczęstsze pytania
Czy agent AI może sam wdrażać zmiany w aplikacji?
Agent może przygotować zmianę, uruchomić testy i otworzyć pull request. Nie powinien sam zatwierdzać skutków. Netguru w opisie ARC Europe zostawia końcową decyzję człowiekowi, mimo skrócenia obsługi roszczenia z 30 do 5 minut [5]. W aplikacji oznacza to próg uprawnień: agent proponuje, człowiek akceptuje, system zapisuje ślad decyzji.
Czy feedback od agentów AI zastępuje testy?
Nie. Testy jednostkowe sprawdzają kod, a agent działa wieloetapowo i korzysta z narzędzi. Netguru wskazuje prompt-level evaluation, tracing, testy regresji i obserwowalność jako osobny zestaw kontroli [4]. W praktyce testy jednostkowe zostają, a obok nich pojawia się ocena całych ścieżek i jakości użytych narzędzi.
Od czego zacząć w małym zespole?
Od jednego procesu, który generuje powtarzalne zgłoszenia. Zbierz logi i odrzucone sugestie, opisz kryteria oceny i wyznacz osobę, która zatwierdza zmiany. Dopiero potem wybierz narzędzie. Plan Free w Make obejmuje 1000 creditów miesięcznie i dwa scenariusze, co wystarcza do pierwszej próby [10].
Czy pętla feedbacku wymaga self-hostingu?
Nie wymaga, ale self-hosting daje kontrolę nad danymi i kosztem przy dużej liczbie wykonań. Bezpłatne Community w n8n działa na własnym serwerze, a Cloud Starter kosztuje 20 USD miesięcznie przy rozliczeniu rocznym i obejmuje 2500 wykonań [8]. Wybór zależy od tego, czy zespół ma osobę do utrzymania serwera.
Źródła
- How Netguru Built An AI Agent That Supercharges Sales (Netguru, 2026)
- 7 AI Tools Enhancing Software Development at Netguru (Netguru, 2026)
- Przebudowa w Netguru. Sztuczna inteligencja zastępuje prosty outsourcing (Puls Biznesu, 2026)
- Testing AI Agents: Why Unit Tests Aren’t Enough (Netguru, 2026)
- Netguru AI Pod - Production AI in Weeks (Netguru, 2026)
- AI business process automation: beyond RPA in 2026 (Netguru, 2026)
- Release notes | Changelog (n8n, 2026)
- n8n Plans and Pricing (n8n, 2026)
- Announcing the next generation of Make AI Agents (Make, 2026)
- Pricing & Subscription Packages (Make, 2026)
- Plans & Pricing (Zapier, 2026)
- Model Context Protocol (Model Context Protocol, 2026)
- AI by Zapier model tier pricing (Zapier, 2026)
- Get started with Next Gen Zaps (Zapier, 2026)
- ChatGPT agent (OpenAI, 2026)
- MCP Tool Poisoning (OWASP Foundation, 2026)
- Agenci AI: kompletny przewodnik 2026 (StormIT, 2026)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji