poradnik
Business Brain dla Twojej firmy - czego potrzebują agenci AI, żeby można było im zaufać?
Igor Pielas ·
Firmy podłączają agentów AI do danych, zanim ustalą, co naprawdę uznają za prawdę. Pokazuję, jak Business Brain porządkuje wiedzę, procesy i kontekst firmy, żeby AI mogło wykonywać odpowiedzialną pracę. W środku znajdziesz architekturę, zasady zatwierdzania, pętlę uczenia się i plan pierwszego wdrożenia.
Firma ma dwa dashboardy z dwiema liczbami przychodu, trzy definicje aktywnego klienta i cennik o nazwie `FINAL-v7-poprawiony`. Potem podłącza agenta do danych i dziwi się, że AI podaje pewnie brzmiące, ale błędne odpowiedzi.
Taki agent może znać SQL, przeszukiwać tysiące dokumentów i korzystać z najlepszych modeli. Nadal nie wie jednak, którą z trzech odpowiedzi firma uznaje za prawidłową. Po kilku wpadkach ludzie zaczynają sprawdzać wszystko ręcznie i przestają przekazywać AI ważne zadania. Firma nadal ma dostęp do coraz mocniejszych modeli, ale wykorzystuje je głównie do poprawiania maili i burzy mózgów.
Na początku sierpnia przeczytałem świeży artykuł Jona Eide i Aadila Hussainiego z Replit: AI adoption starts with truth. Miałem przy nim bardzo przyjemne "no przecież!" ;)
Autorzy opisują problem, nad którym od miesięcy pracuję pod nazwą Business Brain. Używają pojęcia operational truth, czyli wspólnej, sprawdzonej i utrzymywanej wersji tego, co firma uznaje za prawdę. Zaczynają od danych i analityki. Mój Business Brain obejmuje szerszy kawałek firmy: produkt, strategię, procesy, klientów, komunikację, decyzje, pamięć, skille i pracę agentów.
Najważniejszym aktywem systemu AI jest wiedza firmy, która przetrwa wymianę modelu i poprawia każde kolejne wdrożenie.
Problem zaufania zaczyna się wcześniej niż halucynacja
W rozmowach o AI często skupiamy się na halucynacjach modelu. To ważny temat, ale w firmie błąd może powstać dużo wcześniej. Model dostaje kilka wiarygodnych źródeł i nie ma podstaw, żeby rozstrzygnąć, które jest właściwe.
Kolumna o nazwie `revenue` nie mówi, czy zawiera zwroty. Dashboard z etykietą "aktywni klienci" nie wyjaśnia, czy liczymy firmy z podpisaną umową, użytkowników po pierwszym logowaniu czy klientów z aktywną fakturą. Dokument zapisany jako finalny może być od pół roku nieaktualny, choć nadal pojawia się wysoko w wyszukiwarce.
Replit trafnie nazywa to problemem języka firmy. Agent widzi dane, ale nie zna ich znaczenia, wyjątków ani historii. Dostęp do systemów jest potrzebny, lecz sam dostęp nie rozwiązuje problemu.
Jedna pewnie podana bzdura sprawia, że człowiek sprawdza następną odpowiedź, a po kilku takich sytuacjach przestaje delegować ważne zadania. AI zostaje narzędziem do spraw bez większego ryzyka, bo nikt nie chce powierzyć mu pracy, w której błąd kosztuje pieniądze, relację z klientem albo prowadzi do złej decyzji zarządu.
Moim zdaniem wiele firm próbuje dziś rozwiązać ten problem, wybierając mocniejszy model. Tymczasem nawet świetny model nie odgadnie firmowej definicji przychodu, jeśli nikt jej wcześniej nie ustalił i nie zapisał.
Operational truth, czyli jedna wersja prawdy dla wszystkich agentów
Autorzy artykułu opisują warstwę, która przechowuje definicje, poprawki i uzasadnienia. Powinna być niezależna od modelu, wersjonowana, sprawdzana przez ludzi i współdzielona przez każdego agenta, który korzysta z danych firmy.
Najmocniej siadło mi jedno zdanie:
The corpus is the asset; the model underneath is swappable.
Jon Eide i Aadil Hussaini, Replit
W praktyce oznacza to, że błąd nie kończy się poprawką w pojedynczym czacie. System zapisuje, co poszło źle, jaka jest prawidłowa reguła i dlaczego właśnie ona obowiązuje. Człowiek zatwierdza zmianę, a od tej chwili korzystają z niej wszystkie kolejne procesy.
Zwykle człowiek poprawia odpowiedź, wysyła ją dalej i zamyka okno, więc wiedza z tej poprawki znika. Dobrze zbudowany system zachowuje ją jako część firmowego kapitału intelektualnego.
Replit opisuje cztery mechanizmy, które budują wiarygodność:
- Wiedza i poprawki trafiają do repozytorium z historią zmian.
- Człowiek decyduje, co staje się kanoniczne.
- Walidacja odbywa się przed podaniem wniosku, a odpowiedź zawiera dowody.
- Każdy agent czyta ten sam zatwierdzony korpus.
Efekt w ich firmie nie przyszedł z nakazu. Ich wewnętrznemu agentowi zadawano ponad tysiąc pytań tygodniowo, bo ludzie polecali go sobie nawzajem i ufali odpowiedziom opartym na dowodach. To jest adopcja, której nie trzeba wciskać prezentacją.
Business Brain sięga szerzej
Operational truth w artykule Replit skupia się głównie na danych, metrykach, tabelach i pracy zespołu analitycznego. To bardzo dobry fundament. W firmie agent potrzebuje jednak pełnego kontekstu do konkretnej decyzji.
Business Brain przechowuje firmową wiedzę, bieżący kontekst i historię decyzji. Korzystają z niego ludzie oraz agenci, którzy wykonują pracę. Łączy dwie warstwy wiedzy.
Pierwsza to kontekst stały: czym firma jest, co sprzedaje, jak działa produkt, jakie ma procesy, cenniki, polityki, definicje i sposób komunikacji. Druga to kontekst dynamiczny: spotkania, maile, decyzje, zmiany w projektach, sygnały od klientów i nowe zdarzenia w systemach.
Każda nowa sesja modelu przypomina zdolnego pracownika, który nie przeszedł onboardingu. Nie zna historii klienta, ostatniej decyzji zarządu ani wyjątku w procesie, o którym wszyscy wiedzą, choć nigdzie go nie zapisali.
| Obszar | Operational truth w ujęciu Replit | Business Brain |
|---|---|---|
| Główny problem | Wspólne znaczenie danych i metryk | Wspólny kontekst całej firmy |
| Źródła | Tabele, definicje, zapytania, korekty | Dokumenty, kod produktu, CRM, maile, spotkania, decyzje i dane |
| Zarządzanie | Wersjonowanie, zatwierdzanie przez człowieka, walidacja | Te same mechanizmy plus właściciele wiedzy, rytuały i Operator Braina |
| Pamięć | Korekty i wiedza z analiz | Wiedza stała oraz selekcjonowany dopływ bieżących zdarzeń |
| Wykonanie | Narzędzia, skille, powtarzalne procesy i automatyzacje wokół danych | Agenci działający w sprzedaży, obsłudze klienta, operacjach i zarządzaniu |
| Własność | Korpus niezależny od modelu | Pliki, historia i dostępy po stronie firmy, bez przywiązania do jednego dostawcy |
Traktuję te podejścia jako uzupełniające. Replit, Anthropic, OpenAI i Meta dochodzą z różnych stron do podobnego wniosku: model potrzebuje sprawdzonego kontekstu.
Ja doszedłem do tego od strony prowadzenia firmy, w której zbudowałem kilkadziesiąt aplikacji z AI, a potem zacząłem łączyć je w jeden system. Pojedyncze narzędzia dawały wartość, ale tworzyły też nowe miejsca do klikania i kolejne porcje wiedzy do zapamiętania. Dopiero wspólny Brain pozwolił agentom zrozumieć firmę i pracować na danych z kilku systemów.
Z czego naprawdę składa się Business Brain
W pierwszej lekcji AI Builder Camp pokazuję Business Brain jako fundament, ponieważ kolejne klocki korzystają właśnie z niego. Agent, skill i integracja bez wspólnego kontekstu rozwiązują osobne zadania, natomiast z Brainem zaczynają działać jak jeden system.
1. Kanoniczna wiedza firmy
Każda ważna definicja powinna mieć treść, źródło, właściciela i datę ostatniego potwierdzenia. Dotyczy to cenników, segmentów klientów, polityk rabatowych, sposobu liczenia KPI, zasad obsługi reklamacji czy kryteriów kwalifikacji leada.
Samo wrzucenie wszystkich dokumentów do jednego folderu nie wystarczy. Jeśli pięć plików mówi coś innego, dostaliśmy sprawnie przeszukiwalny chaos.
2. Kontekst stały
To onboarding firmy zapisany w formie czytelnej dla ludzi i agentów: strategia, oferta, produkt, struktura, procesy, ton głosu, zasady decyzyjne oraz standardy jakości.
Na kursie mówię, że świeży Claude w nowej sesji przypomina nowego pracownika bez onboardingu. Pierwszego dnia nie oczekujemy od człowieka, że sam odgadnie cennik, historię firmy i sposób rozmowy z klientami. Z AI powinniśmy zachować ten sam rozsądek.
3. Kontekst dynamiczny
Firma zmienia się codziennie. Spotkania, maile i zdarzenia z CRM mogą zasilać Braina automatycznie, lecz nie powinny trafiać do niego bez selekcji. Agent wyłapuje informacje warte zachowania, a człowiek zatwierdza te, które mają zostać na dłużej. Dzięki selekcji Brain nie zmienia się w wysypisko danych i nie starzeje jak zapomniane firmowe wiki.
4. Skille, czyli firmowe procedury
Wiedza odpowiada na pytanie "co wiemy". Skill odpowiada na pytanie "jak wykonujemy tę pracę".
Dobry skill może opisywać przygotowanie oferty, onboarding klienta, analizę ryzyka, wystawienie faktury albo reakcję na zgłoszenie. Zawiera kroki, kryteria, przykłady, narzędzia i bramki bezpieczeństwa. Z czasem firma zbiera własny zestaw procedur i nie musi za każdym razem tłumaczyć procesu od początku.
5. Narzędzia i ręce agenta
Brain daje agentowi wiedzę, ale do wykonania zadania potrzebne są też narzędzia. Może czytać CRM, przygotować wersję roboczą maila, zaktualizować dokument, pobrać dane z produktu albo uruchomić walidację. Chatbot podpowiada, co zrobić, natomiast agent pracujący na Brainie przechodzi przez cały proces i oddaje człowiekowi wynik do decyzji.
6. Pamięć korekt i decyzji
System powinien zapamiętać każdą poprawkę, która może przydać się ponownie. Jeśli człowiek zmienił ofertę, bo agent użył złego cennika, system zapisuje przyczynę i aktualizuje źródło. Jeśli zespół zmienił proces, Brain zachowuje historię oraz autora decyzji.
W swoim systemie traktuję wiedzę jak kod. Zmiana ma diff, historię i możliwość cofnięcia. Dzięki temu agent może korzystać z narzędzi, które już dobrze zna z pracy z repozytorium: drzewa plików, wyszukiwania, porównania wersji i historii zmian.
Firmowe wiki nie wystarczy
Notion, Confluence czy dysk z dokumentami mogą być częścią rozwiązania. Problem zaczyna się wtedy, gdy dokumentacja żyje obok pracy, aktualizuje się okazjonalnie i nie ma jasno wskazanego właściciela.
Wiedza w firmach często siedzi w głowach ludzi, Slacku, mailach i rozmowach. Ktoś odchodzi, definicja się starzeje, dwa dashboardy zaczynają się rozjeżdżać, a dostęp do prawdy skupia się wokół kilku osób, które "wiedzą, jak to naprawdę działa".
To sprawia, że człowiek staje się kablem do przesyłania informacji. Manager powtarza kontekst zespołowi, zespół przekazuje go dalej, a każda warstwa dodaje własną interpretację. Gdy strategia, procesy i decyzje są utrzymywane jak kod, zatwierdzona wieczorem zmiana może następnego ranka dotrzeć do każdego agenta oraz pracownika korzystającego z systemu.
Dokumentacja zasila wtedy codzienną pracę, zamiast służyć wyłącznie jako archiwum.
Kontrola człowieka buduje bezpieczną autonomię
Dalsza część artykułu jest dostępna na stronie.