Microsoft Says Execution-Ready AI Agents Need 26-60 Engineer-Weeks to Build

Tytuł: Od asystenta do wykonawcy: Przemiana architektury

Playbook Microsoft „Agentic Transformation Patterns” na rok 2026 szczegółowo opisuje, w jaki sposób agenci AI muszą zostać przebudowani, aby przejść od zwykłego wspierania użytkowników do faktycznego wykonywania pracy. Określa on konkretny koszt tego wysiłku – od 26 do 60 tygodni pracy inżyniera nad infrastrukturą podstawową, zanim będzie można wdrożyć choćby jednego agenta w trybie wykonawczym. Firmy, które zignorują tę zmianę, ryzykują budowę kruchych narzędzi, które nie potrafią bezpiecznie działać samodzielnie.

Przedsiębiorstwa eksperymentują obecnie z asystentami opartymi na dużych modelach językowych (LLM), którzy przygotowują szkice e-maili, sugerują fragmenty kodu lub wydobywają dane. Agenci ci pozostają w trybie „wsparcia” (assist): człowiek sprawdza każdy wynik, a cienka warstwa pośrednicząca (wrapper) przekazuje zapytanie do modelu i zwraca odpowiedź. Architektura ta jest tania i szybka w budowie, ale celowo pozostawia podejmowanie decyzji i zapisywanie danych użytkownikowi.

Gdy organizacja chce, aby agent przeprowadził pełny proces (workflow) – np. wypełnił bazę danych, uruchomił proces downstream lub zatwierdził transakcję – model nie może już być „czarną skrzynką”, która przekazuje odpowiedź do weryfikacji przez człowieka. Agent musi działać jako autonomiczna usługa, posiadająca własną tożsamość, trwały stan i wbudowane mechanizmy bezpieczeństwa. Microsoft twierdzi, że starej architektury opartej wyłącznie na wsparciu nie da się po prostu „załatać”, by stała się systemem gotowym do realizacji zadań; wymaga ona całkowitego przeprojektowania w oparciu o siedem filarów architektury.

Siedem filarów agentów AI gotowych do realizacji zadań

• Uprawnienia (Authority) – Przejście od uprawnień „delegowanych przez użytkownika” do trwałych tożsamości agentów, które posiadają określone zakresowo prawa dostępu. Agent musi uwierzytelniać się w usługach downstream bez użycia tokena człowieka.
• Granice (Boundaries) – Zastąpienie doraźnego rozumowania modelu w przypadku krytycznych obliczeń deterministycznymi ścieżkami kodu. Wszystko, co wymaga precyzji – matematyka finansowa, kontrole zgodności (compliance) – musi działać w sprawdzonym oprogramowaniu, a nie być wnioskowane na podstawie wyników modelu.
• Schematy (Schemas) – Przejście od wymiany danych o luźnym typowaniu do kanonicznego schematu zarządzanego przez wyznaczonego opiekuna danych (data steward). Zapobiega to zapisywaniu przez agenta błędnych rekordów, których systemy downstream nie będą w stanie przetworzyć.
• Wykrywanie awarii (Failure Detection) – Zastąpienie nadzoru ludzkiego ciągłą telemetrią i monitorowaniem wyników biznesowych. System musi automatycznie wykrywać anomalie, takie jak nieoczekiwane wolumeny transakcji, i wstrzymywać działanie agenta w przypadku przekroczenia progów.
• Stan (State) – Zastąpienie krótkotrwałych sesji czatu trwałym stanem o zakresie konkretnego przypadku (case-scoped), przechowywanym w systemie rejestrującym (system of record). Agent wykonawczy może potrzebować przywołania poprzednich kroków, ścieżek audytowych lub preferencji użytkownika na przestrzeni dni lub tygodni.
• Cofanie zmian (Rollback) – Zastąpienie metody „ponownego uruchomienia promptu” mechanizmem event-sourcingu lub transakcjami kompensacyjnymi, które pozwalają na niezawodne wycofanie działań. Jeśli agent popełni błąd, platforma musi cofnąć skutki uboczne bez ingerencji człowieka.
• Audytowalność (Auditability) – Przejście od prostych zapisów czatu do logów dla każdej pojedynczej akcji, które wiążą każdą operację z konkretną wersją i tożsamością agenta. Dzięki temu regulatorzy i audytorzy wewnętrzni mogą dokładnie prześledzić, co agent zrobił, kiedy i na podstawie której polityki.

Te zmiany nie są opcjonalnymi dodatkami; stanowią one nowy model operacyjny dla automatyzacji napędzanej przez AI. Microsoft szacuje, że zbudowanie tych fundamentów zajmie od 26 do 60 tygodni pracy inżyniera.

Dlaczego koszt ma znaczenie

Playbook ostrzega przed wdrażaniem agentów w trybie wykonawczym do zadań o niskiej wartości, które skracają workflow użytkownika jedynie o kilka minut. Inwestycja inżynieryjna przewyższyłaby wówczas wszelkie marginalne zyski z produktywności. Należy celować w procesy o mierzalnych efektach – realizację zamówień, rozpatrywanie roszczeń, raportowanie zgodności – gdzie autonomiczne wykonywanie zadań przekłada się bezpośrednio na oszczędności kosztów lub redukcję ryzyka.

Wymagana jest decyzyjność polityczna (organizacyjna), aby przejąć kontrolę nad schematami danych.

Kontrargument: Czy tryb wsparcia wystarczy?

W wielu scenariuszach wsparcia wewnętrznego – przygotowywania notatek ze spotkań, wyszukiwania artykułów w bazie wiedzy – weryfikacja przez człowieka pozostaje praktycznym zabezpieczeniem. Ceną za to są dłuższe cykle pracy i dalsza zależność od pracy ludzkiej przy podejmowaniu ostatecznych decyzji.

Wniosek jest jasny: przejście agentów AI z roli wspierającej do autonomicznej nie jest prostym przełączeniem funkcji; to całkowite przepisanie architektury. Firmy, które niedoszacują wymagań inżynieryjnych i ładu (governance), ryzykują wprowadzenie na rynek kruchych botów.