Krótko mówiąc
Klasyczna automatyzacja marketingu wykonuje przepływ, który narysujesz: jeśli to, wtedy tamto. Oprogramowanie agentowe dostaje zamiast tego wynik do osiągnięcia – zmniejszyć churn w czwartym tygodniu, zapełnić lejek okresów próbnych – i samo ustala kroki, wywołując po drodze narzędzia, odczytując, co się stało, i poprawiając plan. Na tę pętlę wskazuje przymiotnik agentowy (agentic). Dostawcy sprzedają tę samą ideę także jako marketing autonomiczny.
To słowo nie mówi natomiast, jak długą smycz ma oprogramowanie. System może zaplanować pięć kroków i mimo to zatrzymać się i czekać na akceptację, zanim cokolwiek wyśle. To rozróżnienie ginie w większości opisów tej kategorii, a to ono decyduje, czy narzędzie można bezpiecznie postawić przed Twoimi klientami.
Nikt neutralny go nie zdefiniował
Nie ma wzorcowej definicji agentic marketingu. Wikipedia nie ma artykułu o tym wyrażeniu. Żaden organ normalizacyjny go nie zdefiniował. Krążące definicje publikują niemal wyłącznie firmy sprzedające oprogramowanie, które definiują – Salesforce, Adobe, Braze i HubSpot publikują każda swoją, a w tym akapicie robimy to także my. Warto powiedzieć to wprost, zamiast udawać, że jest inaczej.
Dwie definicje analityków, na których warto się oprzeć, są węższe niż definicje dostawców. Gartner opisuje agentową AI jako systemy, które autonomicznie planują i podejmują działania, by osiągnąć cele określone przez użytkownika. Definicja Forrestera jest surowsza i bardziej użyteczna, bo kończy się zastrzeżeniem, które wszyscy inni pomijają: oprogramowanie, które potrafi elastycznie planować i dostosowywać się, by realizować cele, podejmując działania w swoim środowisku, z rosnącymi poziomami autonomii. Rosnącymi poziomami. Nie przełącznikiem.
Drabina autonomii
Definicje analityków są zgodne, że oprogramowanie musi planować i działać, więc ta etykieta obejmuje tylko dwa najwyższe szczeble tej drabiny. Nie rozstrzyga natomiast tego, co w praktyce liczy się najbardziej – czy narzędzie zatrzymuje się i czeka na Ciebie. Te pięć szczebli porządkuje produkty według tego, ile decyduje się bez Ciebie: reguły, wsparcie generatywne, copilot, agent z akceptacją i działanie bez nadzoru.
Szczeble pierwszy i drugi niczego nie rozstrzygają w trakcie działania. Szczebel trzeci rozumuje, ale zatrzymuje się przed działaniem – i tę samą granicę wyznacza nasz poradnik o agentach i chatbotach. Tylko szczeble czwarty i piąty jednocześnie planują i działają, a opisywanie czegokolwiek poniżej nich językiem najwyższych szczebli Gartner nazwał agent washingiem: przemianowywaniem istniejących produktów, takich jak asystenci AI, zrobotyzowana automatyzacja procesów (RPA) i chatboty, bez istotnych możliwości agentowych. W tej samej notatce z czerwca 2025 Gartner oszacował, że tylko ok. 130 z tysięcy dostawców posługujących się tą etykietą było prawdziwych, i przewidział, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 roku – to prognoza na 2027 rok, a nie zmierzony odsetek porażek.
Szczebel czwarty i piąty to jedno oprogramowanie z przesuniętym punktem kontrolnym, więc krok między nimi to decyzja operacyjna, a nie zakupowa – i właśnie jej dotyczy marketing human-in-the-loop. Drabina mierzy też wyłącznie niezależność, a nie zasięg skutków: automatyczne wypuszczenie jednego banera in-app i automatyczna wysyłka do całej Twojej listy stoją na tym samym szczeblu, a ryzyko jest zupełnie inne. Zakres to drugie pokrętło i to przy nim warto być najsurowszym.
Dlaczego najwyższy szczebel jest rzadki
Długie autonomiczne łańcuchy wydają się zawodzić w określony sposób: odsetek porażek kumuluje się z każdym krokiem. Dopasowując model do zestawu zadań z zakresu inżynierii badawczej METR, Toby Ord ustalił, że dane wyjaśnia założenie, iż agent ma mniej więcej stałe prawdopodobieństwo porażki na każdą minutę równoważnej pracy człowieka, co daje wykładniczo malejący odsetek sukcesów wraz z wydłużaniem się zadań. Każdy system ma w praktyce swój okres połowicznego rozpadu. Ord wyraźnie zaznacza, że to, czy ta zależność obowiązuje w innych zestawach zadań, pozostaje otwartym pytaniem – ale ten kształt zgadza się z tym, co mówią praktycy: krótkie zadania się udają, długie i bez nadzoru się rozpadają.
Trudniejszym problemem jest powtarzalność. Benchmark tau-bench, opublikowany przez Sierra w 2024 roku, mierzył nie tylko to, czy agent wykonał zadanie, ale też czy robił to wielokrotnie: czołowe modele tamtej generacji zaliczały mniej niż połowę zadań, a w domenie handlu detalicznego wszystkie osiem prób tego samego zadania udawało im się w mniej niż jednej czwartej przypadków. Modele od tego czasu się poprawiły, ale liczy się kształt tego wyniku: nawet hipotetycznego agenta, który działa cztery razy na pięć, nie zostawisz sam na sam ze swoją listą.
Co gorsza, porażki nie zawsze są widoczne. Badanie trajektorii agentów z 2026 roku wykazało, że duża część porażek była cicha: agent zgłaszał wykonanie zadania, podczas gdy stan środowiska pokazywał coś innego – w 45–48% porażek w domenach z pojedynczą kontrolą w jednym z benchmarków. Ta sama praca wykazała 3% w domenie z podwójną kontrolą, więc odsetek mocno zależy od konfiguracji – ale cicha porażka przy każdym z tych odsetków to argument za krokiem akceptacji i dziennikiem decyzji, a nie tylko za lepszymi modelami.
Jest też ryzyko bezpieczeństwa specyficzne dla marketingu. Śmiercionośna triada (lethal trifecta) Simona Willisona opisuje niebezpieczeństwo połączenia dostępu do prywatnych danych, kontaktu z niezaufanymi treściami i możliwości komunikowania się na zewnątrz – a platforma marketingowa z założenia ma wszystkie trzy: Twoją listę klientów, przychodzące odpowiedzi, które napisał ktoś inny, i przycisk wysyłki. Już samo to połączenie zasługuje na punkt kontrolny.
Jak sprawdzić deklarację
Każdy produkt możesz umieścić na drabinie za pomocą kilku pytań. Odpowiedzi zwykle są w dokumentacji, a nie na stronie docelowej.
| Zapytaj | Jak brzmi rzeczowa odpowiedź |
|---|---|
| Co tworzy beze mnie? | Nazwane obiekty na platformie – segment, ścieżkę, test – a nie szkic w oknie czatu. |
| Gdzie jest punkt kontrolny i czy mogę go przesunąć? | Akceptację można skonfigurować osobno dla każdego obszaru, a domyślnie jest włączona. |
| Co się dzieje, gdy krok się nie powiedzie? | Zatrzymuje się i o tym mówi. Jeśli nie potrafi powiedzieć, co zawiodło, nie można mu powierzyć działania bez nadzoru. |
| Czy mogę zobaczyć, dlaczego tak zdecydował? | Dziennik decyzji z uzasadnieniem, a nie tylko znacznik czasu i status. |
| Ile kosztuje jedno uruchomienie? | Konkretna liczba. Wieloetapowi agenci wielokrotnie wywołują modele; koszt za wynik to ograniczenie projektowe, a nie przypis. |
Teraz niezręczna część, bo tę stronę publikuje dostawca, a powyższy test, podobnie jak drabinę, napisaliśmy my. Jeśli chodzi o publikację, AI we fromHello stoi na czwartym szczeblu. Przez serwer MCP fromHello klient AI, którego już używasz, tworzy prawdziwe obiekty (segmenty, szablony, szkice ścieżek), a wbudowany asystent robi to samo z jednego zdania; ścieżka pozostaje szkicem, dopóki nie zostanie opublikowana, a publikowanie, wstrzymywanie lub usuwanie wymaga kroku potwierdzenia, który przy MCP odbywa się w Twoim kliencie AI, zgodnie z jego własnymi ustawieniami uprawnień. Żadne narzędzie AI nie wysyła wiadomości. Poniżej tej granicy działa bliżej piątego szczebla: edycje segmentu lub szablonu obowiązują od chwili zapisania i trafiają do kolejnych wysyłek aktywnej ścieżki, a personalizacja w momencie wysyłki, gdy włączysz ją dla kroku e-mailowego, przepisuje każdą wiadomość bez przeglądu poszczególnych wiadomości; jeśli AI zawiedzie, wysyłka domyślnie czeka. Punkt kontrolny ustala produkt i nie można go przesuwać osobno dla każdego obszaru, a dziennik audytu zapisuje wywołania narzędzi MCP, a nie rozumowanie modelu; uzasadnienie zostaje w rozmowie z Twoją AI. Wywołania MCP nigdy nie są naliczane; na fromHello Cloud wbudowany asystent korzysta z kredytów AI wliczonych w cenę od planu Team wzwyż. To my napisaliśmy test, więc przykładaj do naszej oceny mniejszą wagę.
Dwie kolejne rzeczy to dziś podstawa, a nie miły dodatek. Ujawnianie jest w UE już prawem: obowiązki przejrzystości z art. 50 AI Act, które wymagają informowania ludzi, że wchodzą w interakcję z systemem AI, obowiązują od 2 sierpnia 2026 i nie ograniczają się do systemów wysokiego ryzyka. A odpowiedzialność nie przechodzi na oprogramowanie: w sprawie Moffatt v. Air Canada Civil Resolution Tribunal Kolumbii Brytyjskiej uznał linię lotniczą za odpowiedzialną za błędne informacje, których jej własny chatbot udzielił pasażerowi, odrzucając argument, że chatbot był odrębnym podmiotem odpowiadającym sam za siebie. Obie te rzeczy spadają na Ciebie jako na podmiot wdrażający, a nie na dostawcę, którego oceniasz.
Co to oznacza dla małego zespołu
Teksty o tej kategorii są pisane z myślą o dużych firmach i tak samo dane z badań, na których się opierają: badanie Gartner 2026 CMO Spend Survey objęło 401 liderów marketingu, w zdecydowanej większości z firm o przychodach powyżej miliarda dolarów. Faktyczne wdrożenia też pozostają w tyle za szumem, choć zmierzona liczba dotyczy liderów technologii, a nie marketerów: badanie Gartner 2026 CIO and Technology Executive Survey wykazało wdrożenie agentów AI w 17% organizacji, przy ponad 60% spodziewających się wdrożenia w ciągu dwóch lat.
Dla dwuosobowej firmy praktyczny wniosek jest węższy i bardziej zachęcający. Nie potrzebujesz kategorii; potrzebujesz konkretnej pracy – napisanej sekwencji onboardingowej, znalezionej kohorty, która odchodzi. Oprogramowanie z czwartego szczebla przygotowuje tę pracę, a ścieżka, którą zbuduje, pozostaje szkicem, dopóki nie zostanie opublikowana; sprawdź, które z jego innych edycji zaczynają obowiązywać od razu po zapisaniu. Co oddać AI, a co zatrzymać – temu poświęciliśmy osobny poradnik; to, jak agenci działają na bazie automatyzacji według harmonogramu i automatyzacji uruchamianej zdarzeniami, opisujemy w artykule marketing autonomiczny – omówienie, a różnicę między agentem a chatbotem, z którym często się go myli, w artykule agenci AI w marketingu a chatboty.