Agenci AI w sprzedaży i marketingu: co naprawdę budują praktycy

Niecałe dwa lata temu, na jednych z pierwszych eventów GTM w Warszawie, największe wrażenie robiły trzy rzeczy: masowe scrapowanie Google Maps, personalizacja cold maili bez czytania strony prospekta i generowanie dedykowanych landing page'y przez Clay i Webflow.

Wtedy słyszało się przy tym "zaraz, to tak można?".

W zeszły piątek, na Clay Club Poland z Salesforge, sala prawie cały wieczór rozmawiała o tym, jak agenci AI będą koordynować cały proces go-to-market. Ta sama sala, ci sami ludzie, ta sama energia, zupełnie inna rozmowa.

Poniżej to, co wyszło z tego tygodnia, i co z tego wynika dla każdego, kto zastanawia się, od czego zacząć.

Czego się dowiesz:

• Co praktycy budują z agentami, a czego prawie nikt jeszcze nie ma
• Po jakich czterech warunkach poznasz zadanie, które warto oddać agentowi
• Czym agent różni się od workflowu
• Jak zbudować pierwszego agenta bez pisania kodu
• Dlaczego bez fundamentu żaden agent nie zadziała

Co już działa, a czego jeszcze nie ma?

Między tym, o czym się mówi, a tym, co faktycznie działa, jest spora przepaść.

To, co widać wszędzie: frameworki, skille, półautomatyczne setupy z człowiekiem w pętli. Ktoś sprawdza, ktoś zatwierdza, ktoś klika "wyślij". Działają i jest ich dużo.

To, czego prawie nikt jeszcze nie ma: agenta, który działa sam, odpalany eventem albo webhookiem, pracujący w tle jak członek zespołu, a nie narzędzie, które ktoś musi otworzyć.

Ta druga kategoria budzi dziś największe zainteresowanie. Najciekawsze jest to, jak małe rzeczy ludzie oddają agentom. Nie całe funkcje, tylko mikrozadania.

Cztery warunki

Zadanie warto oddać agentowi, kiedy spełnia wszystkie cztery warunki.

• Powtarza się. Raz w tygodniu, raz dziennie, na trigger. Jednorazowej roboty nie opłaca się konfigurować.
• Ktoś już robi to ręcznie. Znasz kroki, wyjątki i wiesz, jak wygląda dobry wynik, bo sam to robiłeś.
• Ma zależności. Pobiera coś ze źródła, coś sprawdza, przekazuje dalej. Właśnie dlatego trudno to zautomatyzować klasycznie.
• Jest na tyle małe, że da się je opisać w instrukcji. Jeśli nie umiesz wyjaśnić go w jednym akapicie, podziel je.

Trzeci i czwarty warunek razem tłumaczą, dlaczego agenci tu pasują. Żeby zbudować to samo jako workflow, musisz ręcznie rozrysować rozgałęzienia i łańcuchy zależności. Napisanie tego jako instrukcji jest szybsze i właśnie w takich zadaniach agenci zarabiają na siebie.

Czym agent różni się od workflowu?

Nie chodzi o narzędzia ani o to, czy w środku jest AI.

Agent podejmuje decyzje. Workflow wykonuje ścieżkę, którą ktoś wcześniej narysował. Kiedy trafia na sytuację, której nikt nie przewidział, wywala się albo robi coś złego. Agent ocenia sytuację i wybiera.

Ta różnica decyduje, które zadania gdzie należą. Wszystko, co ma stałą, znaną z góry ścieżkę, jest workflowem i powinno nim zostać, bo kiedy potrzebujesz tego samego wyniku za każdym razem, przewidywalność wygrywa ze sprytem. Tam, gdzie właściwy ruch zależy od tego, co agent zastanie, agent się opłaca.

Jak zbudować agenta AI bez umiejętności technicznych?

Najbardziej użyteczne pytanie z panelu to: od czego zacząć, jeśli chcesz zbudować coś takiego i nie umiesz kodować?

Odpowiedź to narzędzie, za które większość czytających już płaci. Claude, a konkretnie funkcja Routines w Claude Code.

Cztery kroki (ostatni jest opcjonalny).

1. Napisz instrukcje

Tak szczegółowo, jak potrafisz. Na tym polega cała robota i właśnie ten etap ludzie robią po łebkach. Opisz zadanie tak, jak wytłumaczyłbyś je komuś, kto dołącza do zespołu w poniedziałek: co zrobić, w jakiej kolejności, co zrobić, kiedy czegoś brakuje, i kiedy się zatrzymać i zapytać.

2. Dodaj connectory

Narzędzia, z których agent będzie korzystał. CRM, skrzynka, źródło danych, cokolwiek, czego zadanie dotyka. Daj mu to, czego potrzebuje do roboty, i nic więcej.

3. Ustaw środowisko

Do jakich stron i systemów agent ma dostęp. To jest granica i warto ją wyznaczyć świadomie, bo agent z niepotrzebnym dostępem to ryzyko bez żadnej korzyści.

4. Ustaw trigger

Opcjonalny, ale to on zamienia narzędzie w członka zespołu. Webhook, kiedy coś się wydarzy, albo harmonogram dzienny lub tygodniowy. Bez triggera masz narzędzie, które trzeba otworzyć. Z triggerem masz coś, co samo pracuje.

Zacznij od jednego mikrozadania, które spełnia cztery warunki. Nie od najcenniejszego procesu, jaki masz, tylko od najbardziej powtarzalnego, który rozumiesz najlepiej. Na pierwszym agencie uczysz się, co musi zawierać instrukcja, i lepiej uczyć się tego na czymś małym.

Co paneliści Clay Club pokazali w praktyce?

Panel prowadzony przez Briana Woloszczaka pokazał więcej, niż zmieściłoby się w jednej prelekcji.

Leszek Lammel pokazał w pełni autonomicznego agenta, który na autopilocie ogarnia publikowanie na LinkedIn, outbound i budowanie tabel w Clay. To ta kategoria, której prawie nikt jeszcze nie ma uruchomionej.

Jānis Plūme opisał 40 agentów, czteroosobowy zespół i 6 milionów wysłanych wiadomości. Te trzy liczby wystarczą za cały argument na rzecz agencji opartych na agentach.

Artur Górniak pokazał agentowy framework do walidowania tezy sprzedażowej pod product-market fit w całym cyklu: generowanie leadów, przygotowanie oferty i obsługa posprzedażowa.

Frank Sondors mówił o outboundzie opartym na eventach konkurencji, a do tego o frameworkach agentowych.

Paweł Nical poszedł w drugą stronę i mówił o fundamentach: czym właściwie jest sygnał, jak go poprawnie używać i jak konstrukcja wiadomości decyduje o konwersji. Dobrze, że ktoś mówi o podstawach, kiedy reszta robi demo. To łączy się bezpośrednio z tym, jak buduje się warstwę sygnałów.

Prelekcja: GTM Engineering, buzzword czy trend?

Dwa dni wcześniej, na Growth Meetup w Warszawie, pytanie ze sceny brzmiało: czy cała ta kategoria to buzzword, czy realna zmiana w tym, jak firmy generują leady.

Krótka odpowiedź, która tam padła: to zmiana, a dowodem jest to, kogo firmy zatrudniają, a nie to, co ktokolwiek o tym mówi.

Argument miał trzy części.

Rynek zmienił się w trzy lata bardziej niż przez poprzednie dwadzieścia. Między 2018 a 2026 ilość dostępnych danych kontaktowych B2B urosła mniej więcej osiemnastokrotnie, z około 50 milionów zweryfikowanych profili do ponad 500 milionów. Liczba narzędzi martech i salestech wzrosła dwuipółkrotnie, do ponad 15 000. Za te same pięćdziesiąt dolarów miesięcznie zespół, który w 2018 docierał do około 225 zweryfikowanych kontaktów, dziś dociera do prawie 5 000.

Tańsze dane utrudniły outbound, zamiast go ułatwić. Wszyscy mają dziś ten sam surowiec i na tym polega problem. Masowy outbound zbudowany na grupach docelowych konwertuje na poziomie 1 do 1,5 procenta, bo playbook jest publiczny, a odbiorcy znają go na pamięć. Outbound oparty na sygnałach, na gotowości zakupowej zamiast statycznej listy, daje od 5 do 7 procent. Jest droższy w uruchomieniu i właśnie dlatego robi go niewielu.

Tę lukę ma domykać GTM engineer. To osoba, która łączy dane, analizuje je i aktywuje automatycznie, na skalę, rozumiejąc przy tym kontekst biznesowy. Miejsce między sprzedażą, marketingiem a IT długo było białą plamą w strukturze firmy. Dziś to stanowisko, o które biją się poważne firmy B2B.

Za tymi trzema punktami stoi jedna zasada, na której opiera się reszta tego tekstu: w dowolnym momencie tylko 5 do 10 procent rynku jest gotowe kupić. Zadanie polega na tym, żeby zostać w polu widzenia pozostałych dziewięćdziesięciu i rozpoznać gotowość, kiedy się pojawi.

Prezentacja poniżej.

Co z tego wynika

Ten tydzień zostawił dwa wnioski. 

GTM przestał być w Polsce buzzwordem. Staje się standardem i wspólnym językiem zespołów. GTM engineering przyjmuje się u nas szybciej, niż większość się spodziewała, i zmienia to, jak zespoły traktują swoje dane sprzedażowe i marketingowe.

Agenci to warstwa wyżej i działają dokładnie tak dobrze, jak dane, które dostają.

Tego demo nie pokazuje. Agent czytający bazę, w której ta sama firma występuje trzy razy pod trzema nazwami, podejmuje trzy decyzje zamiast jednej. Agent bez uporządkowanego kontekstu o ofercie pisze poprawne wiadomości, tylko nie o tym, co sprzedajesz.

Prawdziwa robota na najbliższe miesiące jest więc pod spodem. To ten sam zestaw warstw, na których działa revenue engine:

• Stabilne dane, uporządkowane na tyle, żeby proces mógł je czytać
• Uporządkowany kontekst o ofercie, żeby agent wiedział, co reprezentuje
• Wiedza o firmie, bez której nic z tego nie ma sensu
• Ustabilizowane lejki, które ściągają dane w jedno miejsce

Zły fundament oznacza, że automatyzujesz bałagan. Tylko szybciej.

Z tego samego powodu liczą się cztery warunki. "Ktoś już robi to ręcznie" to test, czy rozumiesz zadanie na tyle dobrze, żeby je oddać. Dlatego w każdym projekcie automatyzacji walidacja idzie przed budową.

Podziękowania

Dla Briana Woloszczaka za zaproszenie i poprowadzenie panelu, i dla Franka Sondorsa, Leszka Lammela, Artura Górniaka, Pawła Nicala i Jānisa Plūme za to, czym podzielili się na scenie.

Dla ekipy Growth Meetup za scenę i dla wszystkich, którzy dopięli ten tydzień.

Polska scena GTM rośnie i dobrze być jej częścią.