Wpisz w Google „ile kosztuje agent AI”: dostaniesz odpowiedzi od 3 000 do 400 000 zł. Każda jest jednocześnie prawdziwa. Rozbieżność nie wynika z nieuczciwości dostawców, lecz z tego, że „agent AI” to nie jeden produkt. To rodzina rozwiązań o zupełnie różnej architekturze, zakresie uprawnień i poziomie integracji. Ten artykuł rozkłada cenę na czynniki pierwsze.
Agent AI, asystent AI, chatbot , dlaczego te trzy słowa oznaczają trzy różne budżety
Zanim wejdziemy w liczby, warto rozróżnić pojęcia, bo rynek używa ich wymiennie, a to główne źródło rozczarowań przy wycenach.
| Rodzaj | Co robi | Dostęp do systemów | Orientacyjny CAPEX |
|---|---|---|---|
| Chatbot FAQ | Odpowiada na pytania z gotowej bazy wiedzy | Brak , tylko dokumenty | 5-15 tys. zł |
| Asystent AI | Prowadzi rozmowę, podsumowuje, draftuję treści | Ograniczony , odczyt z wybranych źródeł | 15-40 tys. zł |
| Agent AI | Samodzielnie realizuje zadania od początku do końca | Pełny , czyta i zapisuje dane w CRM, ERP, bazach | 40-400 tys. zł |
Prawdziwy agent AI różni się od chatbota tym, że nie tylko odpowiada , podejmuje akcje. Może wysłać mail, zaktualizować ofertę w CRM, wygenerować plik PDF i przekazać go klientowi , bez udziału człowieka w każdym kroku. To ta autonomia winduje cenę: im więcej systemów może zapisywać, tym więcej pracy po stronie integracji, testów i guardrails bezpieczeństwa.
Jeśli dopiero zaczynasz temat, nasz poprzedni artykuł o 6 zadaniach agenta AI w sprzedaży B2B pokazuje, jakie konkretne procesy warto automatyzować w pierwszej kolejności.
Ile kosztuje agent AI: cztery poziomy architektury i ich ceny
Poniższy podział nie jest oficjalną taksonomią branżową , to praktyczny schemat, który stosujemy przy wycenie projektów. Poziom L1 można wdrożyć w kilka tygodni. L4 to wielomiesięczny projekt z własnym zespołem po stronie klienta.
L1: Agent bazy wiedzy (tylko odpowiada)
Działa na architekturze RAG: pobiera fragmenty z dokumentów firmowych i generuje odpowiedź. Nie ma dostępu do żadnego systemu transakcyjnego , nie może nic zmienić, zamówić, zapisać. Typowe zastosowanie: wewnętrzny helpdesk, FAQ dla klientów, asystent onboardingu pracownika.
L2: Agent z integracją read-only
Potrafi pobrać dane z CRM, ERP lub hurtowni danych, ale ich nie modyfikuje. Typowe zastosowanie: raportowanie na żądanie („ile zamówień z tego kwartału jest powyżej 50 tys. zł”), przygotowanie briefu przed rozmową z klientem, monitoring KPI. Integracja z systemem zewnętrznym to główny element podnosząc cenę względem L1.
L3: Agent operacyjny (czyta i zapisuje)
Ma pełny dostęp do co najmniej jednego systemu transakcyjnego: może zaktualizować status w CRM, stworzyć ofertę, dodać komentarz do zgłoszenia, wysłać mail przez system marketing automation. To najczęściej wdrażany typ w firmach B2B. Guardrails (co agent może, a czego nie może) to kluczowy element architektury , bez nich agent operacyjny jest zbyt ryzykowny na produkcji.
L4: System wieloagentowy (orchestration)
Kilka wyspecjalizowanych agentów współpracuje pod nadzorem orchestratora. Jeden przetwarza leady, drugi generuje oferty, trzeci monitoruje pipeline i eskaluje wyjątki. Typowe zastosowanie: pełna automatyzacja procesu sprzedaży B2B lub obsługi zamówień. To projekt, nie produkt , wymaga od klienta zaangażowania własnego zespołu przez cały okres wdrożenia.
| Poziom | CAPEX (wdrożenie) | OPEX (miesięcznie) | Czas wdrożenia | Typowy zwrot |
|---|---|---|---|---|
| L1: Baza wiedzy | 8-20 tys. zł | 300-800 zł | 2-4 tyg. | 6-10 mies. |
| L2: Read-only | 20-55 tys. zł | 700-2 200 zł | 4-8 tyg. | 8-14 mies. |
| L3: Operacyjny | 55-150 tys. zł | 2 000-6 000 zł | 8-16 tyg. | 10-18 mies. |
| L4: Wieloagentowy | 150-400 tys. zł | 5 000-18 000 zł | 16-32 tyg. | 14-28 mies. |
Z czego naprawdę składa się cena , rozkład wewnętrzny wyceny
Wycena agenta AI od rzetelnego dostawcy składa się z kilku pozycji. Pokazujemy ich orientacyjny udział w całości projektu L3:
Zwróć uwagę na pozycję discovery (15-20%). To często pierwszy element wyrzucany przy negocjacjach, żeby obniżyć wycenę. Efekt: agent działa w demo, nie działa na produkcji, bo nie zmapowano wszystkich edge casów. Lub działa, ale nie ten proces, który generuje największy zysk w firmie.
Cztery koszty, których wycena zazwyczaj nie pokazuje
Dobrzy dostawcy uwzględniają je wprost. Pozostali , nie. Warto pytać o każdy z osobna:
1. Praca po stronie klienta
Wdrożenie agenta AI wymaga od firmy kilkudziesięciu godzin pracy ekspertów domenowych: mapowanie procesu, przegląd danych treningowych, decyzje o zakresie guardrails, testy akceptacyjne. W polskich firmach MŚP to często 40-80 godzin pracy właściciela lub menedżera sprzedaży. Kosztu tego nie widać w wycenie , ale odczuwa się go w czasie projektu.
2. Utrzymanie konektorów po zmianach API
Pipedrive, HubSpot, Salesforce , każdy z tych systemów zmienia API kilka razy w roku. Konektor (integracja) napisana w tygodniu 1 projektu może przestać działać w tygodniu 52 bez żadnego ostrzeżenia. Realny OPEX powinien zawierać utrzymanie konektorów, nie tylko koszty modelu LLM. Pytaj wprost: „co się stanie, jeśli CRM zmieni endpoint za 6 miesięcy?”
3. Koszty tokenów przy nieoczekiwanej skali
GPT-4o w wersji chmurowej kosztuje per token. Przy 50 zapytaniach dziennie , nieistotne. Przy 5 000 zapytaniach dziennie , kilka tysięcy złotych miesięcznie tylko na API. Wycena projektu powinna zawierać estymację TCO (Total Cost of Ownership) przy spodziewanym wolumenie plus scenariusz 5x wzrostu.
4. Zgodność z RODO i AI Act
Jeśli agent przetwarza dane osobowe klientów lub pracowników, potrzebujesz DPA (Data Processing Agreement) z dostawcą modelu (OpenAI, Anthropic, Google). Od 2025 r. obowiązuje unijny AI Act , agent klasyfikowany jako „high risk” (np. w rekrutacji lub kredytowaniu) ma dodatkowe wymogi dokumentacyjne. W projektach B2B z danymi firmowymi ryzyko jest zazwyczaj niskie, ale analiza powinna być częścią discovery.
Trzy konkretne scenariusze z polskiego rynku B2B
Poniżej trzy case’y, które opisują typy projektów jakie wdrażamy. Liczby są anonimizowane, ale oparte na realnych wycenach.
Scenariusz A: Agent kwalifikacji leadów (firma usługowa B2B, ~60 leadów/miesiąc)
Co robi: pobiera zgłoszenie z formularza → sprawdza w CRM, czy firma była wcześniej klientem → szacuje wartość transakcji na bazie branży i wielkości firmy → draftuję mailem brief dla handlowca z rekomendacją priorytetu.
- Poziom: L2 (read-only z CRM)
- Budżet: 25-45 tys. zł wdrożenie, 700-1 400 zł miesięcznie
- Uwolniony czas: 4-6 godzin tygodniowo handlowca (wstępna selekcja i priorytetyzacja)
- Zwrot z inwestycji: przy 1 dodatkowej transakcji zamkniętej miesięcznie (wynik szybszej reakcji) , 8-12 miesięcy
Scenariusz B: Agent generowania ofert (producent na zamówienie, 150-300 zapytań/miesiąc)
Co robi: odbiera zapytanie ofertowe (mail lub formularz) → parsuje specyfikację techniczną → odpytuje cennik i stany magazynowe przez API ERP → generuje PDF oferty z kalkulacją → zapisuje w CRM i wysyła do klienta z prośbą o potwierdzenie.
- Poziom: L3 (write do CRM + mail + PDF)
- Budżet: 65-110 tys. zł wdrożenie, 2 200-4 500 zł miesięcznie
- Zmiana procesu: czas przygotowania oferty z 2-3 godzin → 15-25 minut (agent + review handlowca)
- Zwrot z inwestycji: 10-16 miesięcy przy 10% wzroście wolumenu ofert obsługiwanych przez ten sam zespół
Scenariusz C: Agent onboardingu klientów (firma SaaS / software house, ~30 nowych klientów/miesiąc)
Co robi: po podpisaniu umowy zbiera dane nowego klienta → tworzy workspace w systemie wewnętrznym → przypisuje opiekuna → wysyła spersonalizowaną sekwencję powitalną (5 maili w 10 dni) → monitoruje aktywację przez 30 dni i eskaluje do Customer Success jeśli klient nie wykonał kluczowych kroków.
- Poziom: L3 (write do kilku systemów)
- Budżet: 45-80 tys. zł wdrożenie, 1 500-3 000 zł miesięcznie
- Zmiana procesu: eliminacja ręcznych kroków onboardingu (estymacja: 6-8 godzin tygodniowo CS team)
- Zwrot z inwestycji: 9-14 miesięcy, przy założeniu poprawy retencji w pierwszym kwartale o kilka punktów procentowych
Kiedy agent AI ma sens finansowy, a kiedy lepiej poczekać
To pytanie, które stawiamy na każdym discovery , i zdarzało nam się odradzać projekt, bo warunki jeszcze nie dojrzały.
Agent AI ma sens, gdy:
- Powtarzalny proces pochłania co najmniej 15-20 godzin tygodniowo w firmie , przy mniejszej skali koszt wdrożenia nie zwróci się w rozsądnym czasie
- Systemy firmowe mają udokumentowane API: brak API wydłuża projekt 2-3x i dramatycznie podnosi koszty integracji
- Masz wewnętrznie kogoś, kto rozumie dany proces i może uczestniczyć w discovery , agent zbudowany bez wiedzy domenowej wymaga drogich iteracji
- Dane wejściowe są w miarę ustrukturyzowane , agent na danych z Excela z ręcznie wpisywanymi wartościami to projekt, nie wdrożenie
Lepiej poczekać lub wybrać alternatywę, gdy:
- Szukasz chatbota FAQ: tutaj RAG za 8-15 tys. zł wystarczy, agent to overkill
- Proces zmienia się co kwartał , koszt przepisywania guardrails i logiki może pochłonąć cały oszczędzony budżet
- Dane leżą w silosach bez API: najpierw platforma danych, potem agent
- Budżet poniżej 20 tys. zł przy zakresie L3: to sygnał, że ktoś coś pomija w wycenie
Więcej o tym, jak oceniamy gotowość firmy do AI przed wdrożeniem, piszemy w artykule o kosztach wdrożenia AI w firmie B2B.
Agent AI vs etat vs SaaS: tabela porównawcza
Najczęstsze pytanie, które dostajemy: „czy nie taniej zatrudnić człowieka?” Odpowiedź zależy od kontekstu, ale tabela daje punkt wyjścia do kalkulacji:
| Kryterium | Agent AI (custom L3) | Etat (junior,mid) | SaaS AI tool |
|---|---|---|---|
| Koszt uruchomienia | 55-150 tys. zł | 5-15 tys. zł (rekrutacja + onboarding) | 0-2 tys. zł |
| Koszt miesięczny (steady state) | 2 000-6 000 zł | 8 000-14 000 zł (brutto pracodawca) | 300-3 000 zł |
| Dostępność | 24/7, 365 dni | ~8h dziennie, ~22 dni/mies. | 24/7 (zależy od planu) |
| Dopasowanie do procesu firmy | Wysokie , budowany pod wasz proces | Wysokie , człowiek się uczy | Niskie , standardowe przepływy |
| Skalowalność | Praktycznie nieograniczona | 1 osoba = ~1 zakres pracy | Zależy od planu i limitów API |
| Czas uruchomienia | 6-16 tygodni | 8-20 tygodni (rekrutacja + wdrożenie) | 1-5 dni |
| Ryzyko „odejścia” | Brak | Wysokie , wiedza procesowa wychodzi z firmy | Umiarkowane (vendor lock-in, churn SaaS) |
W praktyce agent AI i etat nie wykluczają się , agent przejmuje powtarzalne zadania, a pracownik skupia się na wyjątkach i relacjach, których agent nie obsługuje. Rozmowy, w których „etat vs. agent” to jedyne opcje na stole, zwykle kończą się złą decyzją w obu kierunkach.
FAQ
Czy mogę najpierw zacząć od tańszego chatbota i rozbudować go do agenta?
W teorii tak, w praktyce rzadko. Chatbot i agent AI mają zupełnie inną architekturę , chatbot to głównie interfejs konwersacyjny nad dokumentami, agent to zestaw narzędzi (tools) z logiką decyzyjną i integracjami. Migracja chatbota do agenta to często przepisanie od zera, nie rozbudowa. Jeśli docelowo chcesz agenta , lepiej od razu projektować z myślą o tej architekturze.
Jak długo trwa wdrożenie zanim agent zacznie generować wartość?
Przy L2 (read-only) pierwsze efekty są widoczne po 4-6 tygodniach od kickoffu. Przy L3 pilot działa zwykle po 8-10 tygodniach, ale zanim agent obsługuje 100% wolumenu produkcyjnego, mija zazwyczaj 16-20 tygodni (faza shadow mode, gdy agent działa równolegle z człowiekiem i wyniki są weryfikowane przed przejęciem akcji).
Które modele LLM są najczęściej używane w projektach agentowych i jak wpływają na cenę?
W projektach B2B dominują GPT-4o (OpenAI) i Claude Sonnet (Anthropic) , oba w wariancie chmurowym. Różnica w koszcie API między nimi jest dziś marginalna dla typowych wolumenów B2B. Wybór modelu ma większy wpływ na jakość rozumowania niż na cenę projektu , dostawca powinien uzasadnić wybór architektonicznie, nie budżetowo.
Czy potrzebuję własnego działu IT, żeby utrzymać agenta po wdrożeniu?
Nie. Agent zaprojektowany pod firmę bez działu IT ma inne wymagania utrzymaniowe niż system enterprise. W typowym projekcie L2,L3 utrzymanie po stronie klienta to godzina miesięcznie: przejrzenie logów wyjątków i zgłoszenie, jeśli coś nie działa. Resztę obsługuje dostawca w ramach SLA. Wymagania rosną przy L4 i dużych wolumenach.
Co jeśli dostawca LLM (OpenAI, Anthropic) zmieni API lub podniesie ceny?
To realne ryzyko. Dobra architektura agenta izoluje wywołania modelu za warstwą abstrakcji , zmiana dostawcy to podmiana jednego modułu, nie przepisanie całości. Pytaj dostawcę: „jak wygląda migracja modelu, jeśli za rok zmienię API provider?” Jeśli odpowiedź brzmi „to duży projekt”, architektura jest zbyt tightly coupled.
Czy agent AI wymaga podpisania DPA z OpenAI lub Anthropic?
Jeśli agent przetwarza dane osobowe, tak. OpenAI i Anthropic mają standardowe Data Processing Addendums dla klientów API: podpisuje je firma wdrażająca lub klient bezpośrednio. Jeśli przetwarzasz dane szczególnie wrażliwe (zdrowie, finanse, HR), warto rozważyć model on-premise , dane nie opuszczają wtedy infrastruktury firmy.
Jak wycenić agenta AI, jeśli nie znam jeszcze dokładnego zakresu?
Przez discovery. Rzetelny dostawca zaproponuje 2-4-tygodniową fazę discovery (koszt 5-15 tys. zł), po której dostaniesz szczegółową wycenę z rozkładem na składowe. Wycena na podstawie jednego telefonu i ogólnego opisu procesu ma zbyt duży margines błędu, żeby służyć jako podstawa decyzji inwestycyjnej.
Czy dotacje PARP lub KPO pokrywają wdrożenie agenta AI?
Tak, w kilku ścieżkach. Działanie 1.1 PARP (Ścieżka SMART) i fundusze regionalne na cyfryzację MŚP obejmują wdrożenia AI jako kwalifikowany koszt. Warunki zmieniają się co rundę, ale orientacyjnie: dofinansowanie do 50-70% kosztów kwalifikowanych, minimalny projekt od 100 tys. zł, okres realizacji 6-18 miesięcy. Więcej o tym piszemy w artykule o kosztach wdrożenia AI w firmie B2B z perspektywy PARP.
Następny krok
Wiesz już, ile kosztuje.
Nie wiesz jeszcze, co Tobie się opłaca.
Na bezpłatnej rozmowie (30-45 min) ocenimy Twój proces pod kątem gotowości do automatyzacji: który poziom agenta ma sens, gdzie są nieoczywiste ryzyka i czy jest lepsza alternatywa niż pełne wdrożenie.
