Agenci AI w małej firmie: czym jest system źródłowy i czy Twój sklep na WooCommerce jest gotowy?

27 października 2026 Ben Horowitz i Michael McGuiness opublikowali esej, w którym twierdzą, że platforma danych pod agentami AI staje się systemem źródłowym firmy, a ludzie w każdej firmie zostaną menedżerami agentów. Jeśli prowadzisz sklep albo firmę usługową na WordPressie, WooCommerce i CRM-ie, pytanie jest mniejsze: czego agent potrzebuje z mojej firmy, żeby zrobić cokolwiek niezawodnie, i czy już to mam? Odpowiedź brzmi zwykle: tak, tylko w bardziej zabałaganionej formie, niż byś chciał.

Piszę to jako programista i konsultant WordPressa, nie jako klient Databricks. Fundusz Horowitza, Andreessen Horowitz, poprowadził rundę serii A Databricks w 2013 roku i figuruje wśród dotychczasowych inwestorów w komunikacie spółki z sierpnia 2026, więc esej to głos inwestora o spółce, w której ma udziały. Traktuję go jako wskazówkę i każdą cytowaną liczbę sprawdzam w źródle pierwotnym, które czytałem 31 października 2026. Gdy coś pochodzi tylko z eseju, piszę to wprost.

#Ile polskich firm używa AI i ilu z nich agentów?

Polska jest na ogonie Unii. Eurostat, badanie z 2025 roku dla przedsiębiorstw z 10 lub więcej pracownikami, które używają co najmniej jednej technologii AI: Polska 8,36%, średnia UE27 19,95%, Niemcy 25,97%, Hiszpania 20,27%, Portugalia 11,54%. W 2024 roku Polska miała 5,90%. W komunikacie Eurostatu z 11 grudnia 2025 Polska (8,4%) figuruje w trzech najniższych krajach, obok Rumunii (5,2%) i Bułgarii (8,5%). Według wielkości firmy w Polsce 5,79% małych (10 do 49 osób), 14,77% średnich i 45,81% dużych.

Odsetek przedsiębiorstw z 10 lub więcej pracownikami używających co najmniej jednej technologii AI, 2025. Źródło: Eurostat isoc_eb_ai, pobrane 31 października 2026.

GUS liczy nieco inaczej i podaje dla 2025 roku 8,7% przedsiębiorstw, w tym 6,1% małych, 15,6% średnich i 42,0% dużych (publikacja „Społeczeństwo informacyjne w Polsce w 2025 r.”). Różnica wobec Eurostatu wynika z innego zakresu działalności objętej badaniem. Oba zestawy mówią to samo: duże firmy są daleko przed małymi, a większość małych dopiero zaczyna.

To zaczynanie to najczęściej okno czatu. Agent jest czym innym: oprogramowaniem, które dostaje cel, wywołuje narzędzia, czyta i zmienia dane i działa dalej bez człowieka przy każdym kroku. Statystyki nie rozdzielają tych dwóch rzeczy i nie znam oficjalnej, która by rozdzielała. Został mi jedyny pomiar agentów, który mogę wykonać sam.

Żądania do powierzchni dla agentów na wppoland.com, licznik Cloudflare, 29 do 31 października 2026. Pomiar własny.

W trzy dni do 31 października 2026 wppoland.com dostał 102 żądania do plików i endpointów przeznaczonych dla agentów, 34 dziennie: 37 do /llms.txt, 22 do endpointu /mcp, 17 do /.well-known/ucp.json, 5 do /agent.json, 5 do karty serwera MCP, 3 do /facts.json i 13 do innych. W sierpniu 2026 naliczyłem około 102 dziennie, dwie trzecie na endpoint MCP. Okna kilkudniowe na małej stronie są szumne, więc czytam oba wyniki razem: agenci są prawdziwymi odwiedzającymi, nadal nielicznymi, i najpierw szukają maszynowego opisu firmy. Sklep, który nic takiego nie publikuje, nie daje im czego czytać.

#Co to jest system of record dla agentów AI?

System of record, po polsku system źródłowy albo źródło prawdy, to miejsce, które firma uznaje za prawdę: gdy CRM, arkusz i sklep różnią się adresem klienta, wygrywa to jedno. Ali Ghodsi, szef Databricks, powiedział w CNBC w maju 2026, że lakehouse stał się systemem źródłowym i że żartuje, nazywając go SORA, „system źródłowy dla agentów”. Żart rzucony w telewizji, nie produkt.

Za żartem stoi teza o agentach. Ghodsi ujął ją jednym zdaniem na Data + AI Summit w czerwcu 2026:

AI nie ma problemu z inteligencją, ma problem z kontekstem.

Ali Ghodsi, keynote Databricks, 16 czerwca 2026 (oficjalny zapis, answers.databricks.com), tłumaczenie własne

Model, który umie rozumować o polityce zwrotów, jest bezużyteczny, jeśli nie widzi zamówienia, produktu, poprzednich maili i reguły, że zwroty powyżej limitu wymagają zgody. Model jest wynajmowany, kontekst jest Twój. Dlatego pytanie, kto trzyma zapis, waży więcej niż to, który model wybierzesz w tym kwartale.

W małej firmie ten zapis już istnieje. To zamówienia i klienci w WooCommerce, katalog produktów z atrybutami i kategoriami, stany magazynowe, notatki do zamówień, wątki z helpdesku i faktury. Zwykle brakuje dyscypliny: trzech zapisów tego samego statusu, pola własnego, które dla dwóch osób znaczy co innego, arkusza, który po cichu stał się prawdziwą listą stanów. Agent każdą z tych rzeczy wyciągnie na wierzch, bo czyta je dosłownie.

#Czy mała firma potrzebuje Databricks, żeby uruchomić agentów?

Nie. Databricks podał 13 sierpnia 2026, że przekroczył roczne przychody w tempie 7 mld dolarów przy wzroście powyżej 80% rok do roku w drugim kwartale, zamknął rundę 5 mld dolarów przy wycenie 190 mld, ma ponad 1000 klientów wydających ponad milion dolarów rocznie i 70% firm z Fortune 500. To dane spółki prywatnej, nieaudytowane. Mówią, że produkt sprzedaje się bardzo dużym organizacjom z wieloma bazami, które nigdy nie miały ze sobą rozmawiać.

Argument skrótowo: agenci potrzebują jednego zarządzanego miejsca do czytania, a konsolidacja rozproszonych baz w to miejsce jest produktem. Ghodsi mówił w CNBC, że nie da się przyznać agentowi dostępu do każdej własnej, odizolowanej bazy, więc agenci „po prostu idą do tego lakehouse’u”. W banku ze stoma systemami to realny problem. Nie jest Twoim problemem, jeśli dane handlowe leżą w jednej bazie MySQL za WooCommerce, a poczta w jednej skrzynce.

Dwa twierdzenia warto sprawdzić, bo są powtarzane. Horowitz pisze, że agenci uruchamiają ponad 17 milionów baz dziennie. Komunikat Databricks z 16 czerwca 2026 mówi, że Lakebase obsługuje 12 milionów uruchomień dziennie, a wpis inżynieryjny z maja 2026 mówi o „dziesiątkach milionów”. Używam 12 milionów. Horowitz pisze też, że dokładność wzrosła z około 50% do 84,5% dzięki Genie Ontology. Źródło pierwotne mówi, że Genie odpowiedziało poprawnie na 84,5% pytań za pierwszym razem, a najsilniejszy ogólny agent kodujący na 52,4%, w wewnętrznym teście Databricks na 28 pytaniach z analizy danych, z zanonimizowaną konkurencją. To wynik producenta na małym teście. Pokazuje, że model Twojego biznesu pomaga agentowi, nie podaje liczby, której możesz oczekiwać.

Databricks służy mi tu za przykład dużej firmy i na tym koniec.

#Jak szybko agenci AI poprawiają się w długich zadaniach?

Wystarczająco szybko, by planowanie wg dzisiejszych granic było błędem, i wystarczająco nierówno, by planowanie wg linii trendu też nim było. METR, grupa badawcza, która to mierzy, definiuje 50-procentowy horyzont czasowy jako długość zadania, w czasie pracy człowieka, które model wykonuje z 50% skutecznością. Jej praca z marca 2025 wykazała, że horyzont podwajał się mniej więcej co siedem miesięcy od 2019 roku. Plik danych, aktualizowany ostatnio we wrześniu 2026, daje dla GPT-4 z marca 2023 około 4 minut, dla Claude Opus 4.6 z lutego 2026 około 719 minut (12 godzin), a dla Claude Mythos Preview z kwietnia 2026 około 1045 minut (17,4 godziny). Od 2023 roku czas podwojenia wychodzi około 129 dni.

50-procentowy horyzont czasowy modeli AI w zestawie zadań METR, skala logarytmiczna, dane do września 2026. Źródło: METR.

Zanim to zacytujesz, przeczytaj zastrzeżenia. METR sam pisze, że pomiary powyżej 16 godzin są z jego obecnym zestawem zadań niewiarygodne, co obejmuje punkt Mythos; przedział ufności dla niego sięga od około 509 do 3304 minut. Zadania są programistyczne, więc liczby mało mówią o odpowiadaniu klientowi czy uzgadnianiu faktury. A skuteczność 50% to rzut monetą: na tym nie prowadzi się płac. Uczciwy wniosek: długość pracy, którą agent może podjąć sam, rośnie szybko, a razem z nią rośnie waga pytania, kto sprawdza wynik.

Drugie twierdzenie Ghodsiego, że AGI „już nadeszło”, opiera się na Humanity’s Last Exam, zestawie 2500 pytań eksperckich, gdzie najlepszy model w rankingu Scale, który sprawdziłem 31 października 2026, zdobył 54,8%. Etykietę zostawiam, liczbę biorę: mniej więcej połowa bardzo trudnych pytań egzaminacyjnych. Żadna z tych liczb nie mówi, czy agent poradzi sobie z Twoją obsługą zamówień.

#Czego agent AI potrzebuje, żeby pracować w firmie?

Czterech rzeczy, które ujmuję jako cztery pytania, na jakie odpowiada też pracownik, zanim zadziała. Co jest prawdą. Co to znaczy. Co mi wolno. Czy zadziałało. Horowitz i Ghodsi opisują je słownictwem Databricks: lakehouse, ontologia, warstwa nadzoru i ewaluacja. Tu są na stosie WordPress i WooCommerce.

Cztery pytania, na które agent potrzebuje odpowiedzi, przypisane do sklepu WooCommerce. Własny diagram, wppoland.com.

Biorę je po kolei, bo każde psuje się inaczej.

#Co jest prawdą: baza zamówień i klientów jako zapis źródłowy

Sklep WooCommerce trzyma prawdę handlową we własnej bazie: kto zamówił co, po jakiej cenie, z jakim podatkiem i co się potem stało. Jeśli w tej samej bazie zmniejszasz stan i zapisujesz zwroty, masz system źródłowy sklepu. Test jest prosty. Weź dziesięć ostatnich pytań, które zadałbyś koledze („czy ten klient zapłacił?”, „czy ten towar jest na stanie?”, „czy to zamówienie zwrócono?”) i sprawdź, czy każde ma jedno miejsce z odpowiedzią, bez dopisku „ale zajrzyj jeszcze do arkusza”.

Gdy prawda jest rozdzielona, agent wybierze jedną z kopii i nie powie Ci który. Typowe rozdarcia w małych firmach: stan trzymany w programie magazynowym i w WooCommerce, dane kontaktowe klienta w sklepie i w narzędziu do mailingu, zwrot zapisany u operatora płatności, ale nie w zamówieniu. Zdecyduj, który system jest właścicielem każdego faktu, zanim cokolwiek podłączysz. Decyzja to praca, podłączenie to popołudnie.

W polskim sklepie ten sam rachunek obejmuje fakturę. Wtyczka Polski PRO mojego autorstwa od wersji 1.31.0 trzyma w kolejce fakturę, której nie da się wysłać do KSeF, bo KSeF nie odpowiada, i ponawia wysyłkę co godzinę przez maksymalnie dwa dni. Dla agenta znaczy to, że status faktury w zamówieniu jest wiarygodny, a nie zgadywany. Opis wtyczki: Polski PRO na plogins.com.

Jest też powód, żeby zapis trzymać w systemie, który kontrolujesz. Model to usługa, którą wynajmujesz i możesz wymienić. To, czego agenci uczą się o Twojej firmie, w postaci poprawionych odpowiedzi, reguł i przykładów, powinno leżeć w Twoich danych i dokumentach, nie w pamięci dostawcy. Satya Nadella napisał w czerwcu 2026 o czymś pokrewnym: każda firma będzie potrzebowała kapitału ludzkiego i kapitału tokenowego, czyli możliwości AI, które sama buduje i posiada, a pętla uczenia stanie się nową własnością intelektualną firmy. Niezależnie od frazy, praktyczna reguła jest tania: trzymaj poprawki, reguły i przypadki testowe w plikach, które możesz wyeksportować. Wtedy zmiana modelu za rok kosztuje zmianę konfiguracji, nie to, czego się nauczyłeś.

#Co to znaczy: taksonomia, atrybuty i statusy jako ontologia

Ontologia brzmi poważnie. W sklepie to lista słów, których używa firma, i tego, do czego każde się odnosi. „W trakcie realizacji”, „wstrzymane” i „zrealizowane” to statusy zamówień, ale czy „wstrzymane” u Ciebie znaczy czeka na płatność, czeka na towar, czy czeka na człowieka? Atrybut „rozmiar” bywa w centymetrach przy jednym produkcie i rozmiarem ubrania przy innym. Kategoria „Wyprzedaż” miesza stan ceny z typem produktu. Człowiek nauczył się to obchodzić. Agent nie, i odpowie klientowi wersją dosłowną.

Genie Ontology Databricks to zautomatyzowana próba tego samego problemu: buduje model powiązań danych firmy, a Databricks podaje, że podniósł on trafność odpowiedzi za pierwszym razem w jego teście 28 pytań z 52,4% dla najlepszego ogólnego agenta do 84,5%. Nie mam powodu kwestionować kierunku. Model, który wie, co znaczą Twoje terminy, odpowiada lepiej niż ten, który zgaduje. W sklepie większość efektu osiągniesz ręcznie:

1. Napisz jednostronicowy słownik: każdy status zamówienia, pole własne i grupa klientów, jedno zdanie, co znaczy i kto je ustawia.
2. Usuń oczywiste duplikaty: dwie kategorie na to samo, atrybuty mieszające jednostki, statusy używane do dwóch celów.
3. Połóż słownik tam, gdzie agent go przeczyta: strona, plik w repozytorium, pole w prompcie systemowym. Trzymaj go w kontroli wersji, żeby widzieć zmiany.

To najmniej efektowny krok i z mojego doświadczenia poprawia jakość odpowiedzi bardziej niż przejście na większy model.

#Co wolno agentowi: role, hasła aplikacji i umiejętności

Pytanie, które ludzie zadają pierwsze, brzmi, czy agent może dotykać sklepu. Lepsza wersja: co może robić, na jakich danych i kto zatwierdza. WordPress i WooCommerce mają klocki i w ostatnim roku się zmieniły.

WordPress 6.9, wydany pod koniec 2025, wprowadził Abilities API, sposób, w jaki rdzeń, wtyczki i motywy rejestrują, co potrafią, w formie, którą inne oprogramowanie może odkryć. Oficjalny MCP Adapter udostępnia te umiejętności agentom AI jako narzędzia, zasoby i prompty Model Context Protocol. README adaptera mówi, że umiejętności są domyślnie prywatne i każdą włączasz osobno. WooCommerce rejestruje umiejętności dla produktów i zamówień i opisuje MCP jako podlegające uprawnieniom WordPressa i WooCommerce. Funkcja jest w wersji deweloperskiej, więc testuj ją na stagingu, nie podawaj bota od razu klientom. W WooCommerce 11.3 usunięto wycofany endpoint MCP, który zwraca teraz HTTP 410, co przypomina, że powierzchnia wciąż się zmienia.

Uwierzytelnianie połączeń zdalnych to nazwa użytkownika WordPressa i hasło aplikacji, mechanizm dostępny od WordPressa 5.6. Dokumentacja WooCommerce mówi, żeby nie używać hasła do konta ani klucza REST API, tylko osobnego użytkownika z samymi uprawnieniami, których potrzebuje klient MCP. Starsze klucze REST API WooCommerce nadal działają w innych integracjach, z trzema zakresami (odczyt, zapis, odczyt i zapis), a sekret konsumenta pokazywany jest tylko raz, więc zgubiony klucz się zastępuje, nie odzyskuje.

Tak dzielę działania na te, które agent może robić sam, te wymagające człowieka i te wyłączone:

To schemat, który opisuję w poradniku o tym, jak bezpiecznie dać agentowi AI edytować żywą stronę: zacznij od odczytu, dodawaj jedną akcję zapisu naraz, zachowaj odwracalność i zostaw człowieka jako ostatni krok, zanim cokolwiek wyjdzie na zewnątrz. Jeśli chcesz zbudować stronę serwerową sam, budowa serwera MCP dla WooCommerce i serwer MCP open source tylko do odczytu pokazują dwie drogi, a MCP kontra REST tłumaczy, kiedy wygrywa który.

Zanim pozwolisz jakiemukolwiek zautomatyzowanemu procesowi, agentowi lub nie, dotykać wtyczek i aktualizacji, potrzebujesz punktu przywracania. Migrator, darmowa wtyczka mojego autorstwa, potrafi opcjonalnie zrobić kopię tuż przed aktualizacją wtyczek, motywów i rdzenia WordPressa (włączasz ją w Migrator, Scheduled Backups) i przywrócić tylko wtyczki, motywy lub pliki wgrane, zostawiając bazę nietkniętą. To jeden ze sposobów na punkt przywracania; każde narzędzie do kopii z przetestowanym przywracaniem robi to samo.

#Czy zadziałało: notatki do zamówień, logi i lista testów

Czwarte pytanie pomija większość małych firm. Agent odpowiadający klientom to proces podejmujący decyzje i musisz potem wiedzieć, co zrobił i czy miał rację. Trzy warstwy kosztują prawie nic.

Pierwsza to notatki do zamówień. WooCommerce pozwala dołączyć do zamówienia prywatną notatkę. Niech agent zapisuje ją przy każdym działaniu: co przeczytał, co wywnioskował, co zrobił. Gdy klient coś kwestionuje, otwierasz zamówienie i widzisz rozumowanie agenta obok rozumowania człowieka.

Druga to logi. Dziennik dostępu serwera pokazuje, która tożsamość agenta wywołała który endpoint i kiedy. Logi WordPressa i wtyczek pokazują, co się nie udało. Trzymaj je na tyle długo, by zbadać reklamację, i czytaj je po dodaniu każdej nowej umiejętności.

Trzecia to lista testów: od dwudziestu do pięćdziesięciu prawdziwych pytań ze skrzynki, każde z odpowiedzią, jakiej udzieliłby dobry kolega. Uruchamiaj agenta na tej liście po każdej zmianie modelu, promptu lub słownika i czytaj odpowiedzi, które się zmieniły. To wersja ewaluacji dla małej firmy i to ona pozwala zmienić model bez utraty tego, czego się nauczyłeś: lista i słownik są Twoje, więc następny model oceniasz tą samą miarą.

#Jak wygląda agent AI w sklepie WooCommerce?

Ilustracja, nie historia klienta: sklep z meblami ogrodowymi, kilka tysięcy zamówień rocznie i jedna osoba w obsłudze klienta. Najczęstszy mail to „gdzie jest moja paczka”. Dziś osoba otwiera zamówienie, sprawdza stronę przewoźnika, pisze odpowiedź.

Wersja z agentem, zbudowana na czterech pytaniach:

1. Prawda. Zamówienie, jego status, metoda dostawy i numer przesyłki są w WooCommerce. Śledzenie przewoźnika to drugie źródło, a słownik mówi, że w sprawie statusu doręczenia wygrywa przewoźnik.
2. Znaczenie. „Zrealizowane” w tym sklepie znaczy przekazane kurierowi. „Wstrzymane” znaczy czeka na przelew. Słownik tak mówi, a prompt agenta go zawiera.
3. Zezwolenie. Użytkownik agenta może czytać zamówienia i notatki oraz zapisać prywatną notatkę. Nie widzi pełnych danych płatności, nie zmienia statusu i nie wysyła poczty. Szkicuje, a człowiek naciska „wyślij”.
4. Działanie. Każdy szkic kończy się notatką w zamówieniu z listą tego, co agent przeczytał. Cotygodniowy przegląd dwudziestu szkiców wg listy testów pokazuje, gdzie się mylił.

W praktyce pierwsze dwa tygodnie ujawniają problemy z zapisem, nie z agentem: status zamówienia używany w dwóch znaczeniach, pole przesyłki wpisywane ręcznie przy części przewoźników i wtyczką przy innych, klient dwa razy w systemie. Naprawa tych rzeczy poprawia sklep z agentem i bez niego, i to najlepszy argument, by zacząć właśnie tu.

Ten projekt nie ma autonomii. To asystent szkicujący z ostrożnym zestawem uprawnień. Oszczędza człowiekowi wyszukiwanie, nie osąd. Prowadziłbym go tak przez kwartał, czytał notatki i dopiero potem rozważył wysyłanie rutynowych odpowiedzi w jednej wąskiej klasie pytań.

#Jak agent AI zmienia to, czym jest firma?

Esej Horowitza opiera się na starym argumencie. W 1937 roku Ronald Coase zapytał, po co w ogóle istnieją firmy, skoro rynek alokuje zasoby przez ceny. W wykładzie noblowskim z 1991 roku podsumował odpowiedź:

Trzeba odkryć, jakie są ceny. Trzeba prowadzić negocjacje, sporządzać umowy, przeprowadzać kontrole, ustalać sposoby rozstrzygania sporów i tak dalej.

Ronald Coase, wykład noblowski, 9 grudnia 1991 (nobelprize.org), tłumaczenie własne

To koszty transakcyjne, a firma istnieje tam, gdzie organizowanie pracy wewnątrz kosztuje mniej niż kupowanie każdego kroku na rynku. Jeśli agenci obniżają koszt koordynacji, czyli wyszukiwania, przekazywania informacji i sprawdzania, granica firmy się przesuwa. Jack Dorsey postawił tę samą tezę o zarządzaniu w marcu 2026: firmy działają szybko lub wolno zależnie od przepływu informacji, a system, który utrzymuje stale aktualny model biznesu, może wykonywać część przekazywania, którą robiła średnia kadra.

Herbert Simon opisał mechanizm w 1979 roku, pisząc o systemie rezerwacji linii lotniczych. Centralna pamięć nie centralizuje decyzji, bo pozwala wielu osobom decydować jednocześnie:

Przeciwnie, pozwala każdemu z zdecentralizowanych punktów decyzyjnych działać niezależnie, w pewności, że automatyczna aktualizacja centralnej pamięci zadba o wszystkie wzajemne zależności między decyzjami.

Herbert A. Simon, „The Consequences of Computers for Centralization and Decentralization”, w: The Computer Age: A Twenty-Year View, MIT Press, 1979, s. 219, tłumaczenie własne

To argument za wspólnym zapisem. Gdy wszyscy, ludzie i oprogramowanie, pracują na tym samym aktualnym obrazie, każdy może działać bez pytania pozostałych. Dlatego bałagan w zapisie jest drogi: każda rozbieżność między kopiami znów staje się kosztem koordynacji. Książka Jamesa Burnhama o władzy menedżerów z 1941 roku to drugi biegun eseju Horowitza, obawa, że zawodowi menedżerowie odrywają się od wiedzy dziedzinowej. Jego odpowiedź jest taka, że ludzie stają się menedżerami agentów, a wiedza dziedzinowa waży więcej.

Dla małej firmy ująłbym to skromniej. Człowiek, który zna produkt, klienta i wyjątek, zyskuje na wartości, bo praca wyszukiwawcza wokół niego tanieje. A to, czym zarządza właściciel, się zmienia: nie tylko ludźmi i dostawcami, ale też zestawem narzędzi z uprawnieniami, słownikiem i listą testów. Alfred North Whitehead napisał w 1911 roku, że cywilizacja postępuje, rozszerzając liczbę operacji, które mogę wykonywać „bez myślenia o nich”. Agent obsługujący rutynowe wyszukiwanie to właśnie to, o ile ktoś nadal myśli w decydujących momentach.

#Czy AI Act dotyczy małej firmy z agentem AI?

AI Act to rozporządzenie unijne (2024/1689), więc stosuje się bezpośrednio, bez polskiej ustawy wprowadzającej jego treść. Czytałem tekst rozporządzenia 31 października 2026. Nie umiem Ci powiedzieć, jak konkretny organ potraktuje konkretny sklep, więc to powód do sprawdzenia, nie werdykt. Nie opisuję tu krajowego organu nadzoru, bo nie mam na to źródła pierwotnego.

Terminy zmieniły się w lipcu 2026. Rozporządzenie (UE) 2026/1744 z 8 lipca 2026, opublikowane 24 lipca i obowiązujące od 27 lipca 2026, zmienia AI Act. Zasady dla systemów wysokiego ryzyka z załącznika III stosuje się od 2 grudnia 2027, a z załącznika I od 2 sierpnia 2028. Nowe zakazy obowiązują od 2 grudnia 2026, a ogólna data 2 sierpnia 2026 pozostaje. Obowiązek kompetencji w zakresie AI z art. 4 zastąpiono łagodniejszym: dostawcy i użytkownicy podejmują środki wspierające rozwój kompetencji w zakresie AI, a tekst mówi, że obowiązek „nie wymaga od dostawców ani użytkowników zagwarantowania jakiegokolwiek określonego poziomu kompetencji jakiejkolwiek osoby”. Nie opieraj się na starszych streszczeniach pisanych o „zapewnieniu wystarczającego poziomu”. Sklep odpowiadający na maile asystentem szkicującym raczej nie jest zastosowaniem wysokiego ryzyka; firma, która ocenia kandydatów do pracy albo zdolność kredytową klientów, to osobna sprawa i wymaga własnej analizy.

Rozporządzenie (UE) 2026/1744, pkt (40), nowe terminy stosowania w art. 113 AI Act. Źródło: EUR-Lex, odczyt 31 października 2026.

Dane Eurostatu z 2025 roku tłumaczą wahanie firm. Wśród polskich firm, które rozważały AI, ale jej nie używają, 62,55% wskazało brak wiedzy i umiejętności, a 52,3% niejasne skutki prawne (średnia UE27: 70,31% i 53,61%). Praktyczna odpowiedź na oba jest ta sama: wiedz, jakie dane agent czyta, prowadź log, zostaw człowieka w pętli i zapisz, do czego agent służy.

#Co zrobić w następnych 90 dniach?

Plan dla firmy z jednym programistą lub freelancerem, bez zespołu danych:

Jeśli potrzebujesz pomocy z warstwą połączeń, strony o integracji AI z WordPressem, integracjach MCP i tworzeniu serwerów MCP opisują, co buduję. Większość wartości pojawia się przed pierwszą linijką kodu: w tygodniach od 1 do 4 naprawiasz zapis, z czego korzystają też Twoi ludzie i raportowanie.

#Czego nie robić z agentami AI w firmie?

• Nie dawaj agentowi konta administratora. Jeden skompromitowany prompt staje się skompromitowanym sklepem. Użyj osobnego użytkownika z minimalną rolą.
• Nie używaj klucza REST API zamiast użytkownika o ograniczonych uprawnieniach dla MCP. WooCommerce tego odradza, a klucz z zapisem sięga wszystkiego, co obejmuje zakres.
• Nie zaczynaj od zapisu. Najpierw odczyt, potem szkic, na końcu działanie, jedno naraz.
• Nie puszczaj agenta do klientów bez przeglądu pierwszego dnia. Lista testów istnieje, by zasłużyć na ten krok.
• Nie kopiuj korporacyjnego stosu, bo wymienił go esej. Nie potrzebujesz lakehouse’u; potrzebujesz jednego uzgodnionego miejsca dla każdego faktu.
• Nie traktuj benchmarku producenta jako swojego wyniku. 84,5% na 28 pytaniach to sygnał kierunku.
• Nie trzymaj tego, czego nauczył się agent, u dostawcy. Poprawki, reguły i przypadki testowe należą do Twoich plików, by wymiana modelu była tania.
• Nie pomijaj lektury prawa. Sprawdź, co mówi AI Act dla Twojego zastosowania, i zignoruj streszczenia z datami sprzed lipca 2026.

O stronie inżynierskiej pracy z agentami piszę w tekście o inżynierii agentowej jako nowym modelu tworzenia oprogramowania. Dla sklepu gotowego na agentów strona o wdrożeniach AI wymienia, czego się podejmuję.

#Czego nie udało się potwierdzić

Dwa twierdzenia z eseju nie mają źródła pierwotnego, które mógłbym znaleźć: że Databricks widzi więcej zapytań od agentów niż od ludzi oraz że Block użył Databricks, by osadzić asystenta kodowania goose w kontekście firmy. Zostawiam je poza faktami i wspominam tylko jako twierdzenia. Zdanie Marca Andreessena o dyrektorach z Fortune 500 jako zawodowych menedżerach esej cytuje z wpisu, którego tekst tego zdania nie zawiera, więc go nie używam. Ceny przejęcia Neon nie ma w komunikacie Databricks, więc żadnej nie podaję. Pomiar METR powyżej 16 godzin jest według samego METR niewiarygodny. Wszystko pozostałe powyżej przeczytałem w źródle pierwotnym 31 października 2026.