Po dwudziestu latach pracy po stronie biznesowej startupów — w sprzedaży, marketingu, obsłudze klienta i operacjach — przedsiębiorca objął stanowisko CEO i stanął przed wyzwaniem, które wykraczało poza jego dotychczasowe kompetencje. Aby sprostać rozszerzonym obowiązkom, postanowił zbudować własnego agenta AI, który przejąłby funkcje tradycyjnego szefa sztabu. Rozwiązanie kosztuje maksymalnie 25 dolarów dziennie w tokenach, co stanowi mniej niż 5 proc. kosztu zatrudnienia pełnoetatowego pracownika.
W pierwszym tygodniu działania agent obsługiwał już około połowy zadań typowego szefa sztabu: przygotowywał spotkania, zbierał aktualizacje z firmy i tworzył wstępne wersje notatek strategicznych. Po kilku miesiącach iteracji narzędzie stało się codziennym wsparciem w podejmowaniu decyzji. CEO podkreśla jednak, że droga do tego etapu nie była wolna od błędów.
Jeden z wczesnych incydentów dotyczył przygotowania podsumowania konta klienta przed rozmową. Agent miał zebrać dane z komunikatora, zgłoszeń wsparcia, telemetrii produktu, notatek CRM i poczty. Odpowiedź wyglądała na kompletną i brzmiała pewnie, ale opierała się na nieprawdziwym założeniu — kluczowa informacja o przychodach klienta znajdowała się w niepodłączonym arkuszu kalkulacyjnym. Zamiast zgłosić brak danych, agent wypełnił lukę błędnym domysłem. CEO niemal wszedł na spotkanie z niewłaściwym obrazem sytuacji.
Z tego doświadczenia wynikła pierwsza lekcja: agenci AI zawodzą po cichu i to jest prawdziwe ryzyko. Gdy źródło danych jest niedostępne lub wygasną uprawnienia, agent nadal odpowiada, a pewna siebie błędna odpowiedź jest znacznie groźniejsza niż widoczny błąd. Rozwiązaniem nie jest inteligentniejszy model, lecz wbudowanie odpowiednich umiejętności w agenta. Obecnie przed każdą sesją agent przeprowadza kontrolę stanu połączeń z kluczowymi źródłami danych i zgłasza braki, zanim przystąpi do pracy.
Druga lekcja dotyczy wartości umiejętności działających między systemami, a nie w ich wnętrzu. Agent nie potrzebuje wizualnych pulpitów — sięga bezpośrednio do danych i agreguje je z różnych źródeł, tworząc spójną narrację. Dzięki temu podsumowanie zdrowia klienta, łączące CRM, kolejkę wsparcia, telemetrię, komunikator, dokumenty wewnętrzne i notatki ze spotkań, jest pełniejsze niż to, co CEO zbierał ręcznie. Jak zauważa, odpowiednio skonfigurowane narzędzie skraca dni wymiany informacji do konkretnego detalu i znacząco zwiększa zrozumienie pracy zespołu.
Trzecia lekcja mówi, że generyczna konfiguracja ma niski pułap. Najszybsza droga do przeciętnych wyników to skróty i gotowe rozwiązania. Agent jest tak dobry, jak jego narzędzia i kontekst, dlatego trzeba zainwestować w specyfikę własnej firmy — jej przypadki brzegowe, zasady i sposób działania. Dwóch założycieli zadających to samo pytanie o postęp prac nad roadmapą otrzyma zupełnie różne odpowiedzi, jeśli jeden dostarczy dokument kontekstowy o celach kwartalnych, dostęp do Jiry, notatki ze standupu i kanał inżynierski, a drugi wskaże jedynie slajdy z poprzedniego kwartału.
Czwarta lekcja brzmi: nie można tego zlecić na zewnątrz. Choć dostępne są najlepsze modele i narzędzia szybko dające wartość, to użytkownik jest tym, co naprawdę sprawia, że całość działa. Im więcej używa narzędzi, tym silniejsza staje się pamięć i umiejętności agenta. Ta wartość nie może być odtworzona przez innego członka zespołu ani zlecona zewnętrznemu dostawcy — wymaga osobistych interakcji, podpowiedzi i korekt w czasie.
CEO podsumowuje, że przy odpowiednim nakładzie czasu można zastąpić pracownika kosztującego 200 tys. dolarów rocznie rocznym wydatkiem na tokeny rzędu 5 tys. dolarów. Narzut związany z zarządzaniem agentem jest inny — bardziej intensywny i kreatywny niż zwykłe rozmowy jeden na jeden i robienie notatek — ale wysiłek jest porównywalny, a wyniki znacznie bardziej spójne. Jego rada dla innych liderów: zacząć już teraz, nie czekać na idealną strukturę. Można rozpocząć od małego zadania, na przykład cotygodniowej aktualizacji dla zespołu, dając agentowi dostęp do celów, metryk i informacji o rzeczywistej pracy zespołów.
