Agenci AI w e-commerce i SaaS: kiedy ROI jest realne, a kiedy to zwykły hype?

Zacznę od wyznania: przez długi czas byłem sceptykiem.

Słyszałem o agentach AI rewolucjonizujących biznesy, widziałem slajdy pełne strzałek w górę i case studies, które brzmiały, jakby napisał je dział PR. I za każdym razem zadawałem to samo pytanie: "Ale gdzie są twarde liczby? Gdzie jest ROI?".

W 2026 roku wreszcie mam odpowiedź. Jest bardziej skomplikowana, niż bym chciał.

Dwa badania, które pozornie sobie przeczą

Kiedy zacząłem zbierać dane do tego artykułu, natknąłem się na coś, co na początku wyglądało na błąd metodologiczny. Dwa poważne raporty, ten sam rok, zupełnie inne wnioski.

Google Cloud / Omdia podaje: 92% wczesnych wdrożeniowców agentów AI widzi pozytywny zwrot. Każdy zainwestowany dolar zwraca 1,49 USD. Wśród organizacji z wieloma wdrożeniami agentowymi, 44% działa już produkcyjnie.

Deloitte (1 854 dyrektorów z Europy i Bliskiego Wschodu) twierdzi coś innego: typowa organizacja czeka od 2 do 4 lat na satysfakcjonujący ROI z AI. Tylko 6% widzi zwrot w ciągu roku. W przypadku samej agentycznej AI — tylko 10% organizacji odnotowuje obecnie znaczące, mierzalne wyniki.

Jak to możliwe? To samo zjawisko, ta sama technologia, ten sam rok – i tak ogromna przepaść?

Oba badania mają rację. Mierzą po prostu inne rzeczy.

Skąd bierze się ta przepaść

Google Cloud badał „wczesnych wdrożeniowców” – firmy, które celowo wybrały wąski, mierzalny przypadek użycia (use case) i wdrożyły go produkcyjnie. Deloitte ankietował ogół organizacji – w tym te, które wdrożyły „AI” szeroko, bez konkretnych celów biznesowych, głównie po to, by pokazać zarządowi, że robią cokolwiek z AI.

To wyjaśnia wszystko.

Zwrot z inwestycji w agenty AI nie rozkłada się równomiernie. Koncentruje się tam, gdzie spełnione są konkretne warunki. I nie jest to tylko teoria – to stały wzorzec widoczny we wszystkich poważnych badaniach i wiarygodnych studiach przypadków.

Te warunki to:

Wąski zakres. Jeden agent, jedno zadanie, jedno cel. Nie „AI we wszystkich działach”, ale „agent do obsługi zgłoszeń zwrotów w naszym sklepie e-commerce”.

Powtarzalność. Zadanie musi być wykonywane wielokrotnie – codziennie, setki razy. Agent działający raz w tygodniu rzadko przyniesie ROI przed kolejnym cyklem budżetowym.

Mierzalny rezultat. Czy zdefiniowałeś KPI zanim wdrożyłeś agenta? Czy zmierzyłeś punkt odniesienia (baseline)? Jeśli nie – po wdrożeniu nie będziesz wiedzieć, czy to działa, czy tylko wydaje się działać.

Rzeczywiste wdrożenie i adopcja. Prawdopodobnie najbardziej pomijany punkt. Agent może być doskonały technicznie, ale jeśli zespół go omija, bo „starym sposobem jest szybciej” – nie zobaczysz zwrotu.

Jedna osoba odpowiedzialna za wynik. Nie „dział IT to wdrożył” ani „projekt AI jest w toku”. Konkretna osoba, konkretny cel, konkretna data.

Kiedy te pięć warunków jest spełnionych, dane pokazują: zwrot z inwestycji w ciągu 13 miesięcy, średnio 2,3-krotny ROI. Kiedy ich brakuje – wpadasz w 4-letni horyzont Deloitte.

Trzy case studies, które mnie przekonały

Spędziłem miesiące na szukaniu przykładów z konkretnymi, weryfikowalnymi liczbami – nie w stylu „poprawiliśmy efektywność”, ale twardych danych „przed i po”. Oto trzy, które uważam za najbardziej reprezentatywne.

Madison Reed – agent do obsługi subskrypcji

Madison Reed to amerykańska sieć salonów fryzjerskich i marka produktów do koloryzacji włosów. Na przełomie 2024 i 2025 roku wdrożyli agenta AI o nazwie „Madi” na platformie Sierra. Odpowiada on za zarządzanie subskrypcjami, rezerwację wizyt oraz pytania o produkty.

Efekty: agent obsługuje obecnie 90% całego ruchu na czacie. Wskaźnik anulowania subskrypcji spadł pięciokrotnie. Oszczędności generowane przez agenta pokrywają ponad połowę rocznych kosztów zespołu obsługi klienta. Kluczowy czynnik sukcesu według CEO Amy Errett: zaczęli od jednego, bardzo wąskiego zadania – obsługi subskrypcji – zanim rozszerzyli zakres.

Klarna – największe publiczne wdrożenie agentycznej AI w obsłudze klienta

Klarna, szwedzki fintech obsługujący płatności dla takich gigantów jak Nike, Macy's i Expedia, w lutym 2024 roku uruchomił agenta AI zbudowanego we współpracy z OpenAI. W pierwszym miesiącu agent obsłużył 2,3 miliona rozmów – dwie trzecie wszystkich zgłoszeń na obsłudze klienta – co odpowiada pracy 700 pełnoetatowych pracowników. Czas odpowiedzi skrócił się z 11 minut do poniżej 2 minut (poprawa o 82%), a liczba ponownych zgłoszeń w tej samej sprawie spadła o 25%. Szacowane oszczędności na rok 2024 wyniosły 40 milionów dolarów. Do trzeciego kwartału 2025 roku agent wykonywał już pracę równoważną 853 pracownikom, a oszczędności wzrosły do 60 milionów dolarów rocznie.

Ale – i to jest najcenniejsza część tej historii – w maju 2025 roku CEO Sebastian Siemiatkowski publicznie przyznał, że zbyt mocne postawienie na cięcie kosztów kosztem jakości było błędem. Klarna zaczęła ponownie zatrudniać ludzkich konsultantów do obsługi skomplikowanych spraw. Siemiatkowski podsumował to tak: „Proste zadania AI obsługuje lepiej niż człowiek. Złożone problemy nadal wymagają interakcji z ludźmi – i tam satysfakcja jest wyższa przy kontakcie z doświadczonym konsultantem”.

Lekcja dla każdej firmy: wąski zakres działa. Agent AI doskonale radzi sobie z zadaniami typu „sprawdź status płatności”, „zmień termin dostawy” czy „przetwórz zwrot”. Jednak eskalacja do człowieka – oraz jakość tej eskalacji – to nie jest detal. To połowa sukcesu wdrożenia.

Reddit – Agentforce do wsparcia reklamodawców

Reddit wdrożył rozwiązanie Salesforce Agentforce do obsługi zapytań od swoich reklamodawców B2B. Wynik: czas rozwiązania zgłoszeń na czacie skrócił się o 84%. Ten przypadek jest szczególnie ciekawy, ponieważ Reddit ma niezwykle zróżnicowaną, wielojęzyczną społeczność użytkowników – a mimo to agentyczne AI przyniosło mierzalny efekt w wąskim, dobrze zdefiniowanym zadaniu.

Co naprawdę zmienia się w e-commerce w 2026 roku

Piszę o SaaS i e-commerce razem, ponieważ te dwa światy łączą się szybciej, niż ktokolwiek przewidywał.

W e-commerce zachodzi właśnie realna zmiana, którą zacząłem nazywać „Agentic Commerce” (handel agentyczny). Tradycyjny model – w którym klient otwiera przeglądarkę, filtruje produkty i klika „kupuję” – zaczyna być zastępowany przez model, w którym to agent zakupowy działa w imieniu klienta.

Co to oznacza w praktyce?

Twoja karta produktu przestaje być ostatecznym celem wizyty użytkownika. Staje się ustrukturyzowanymi danymi, które agent AI analizuje w milisekundy przed podjęciem decyzji o zakupie. Jeśli Twoje dane są niekompletne, nieaktualne lub nieczytelne dla maszyn – agent po prostu wybierze ofertę konkurencji.

Już teraz 60% wyszukiwań w Google kończy się bez kliknięcia (zero-click searches). A to jeszcze przed masowym wejściem do gry agentów zakupowych. Tradycyjne SEO nie zniknie, ale obok niego rośnie coś zupełnie nowego – GEO (Generative Engine Optimization) oraz AEO (Answer Engine Optimization). Jeśli o tym nie myślisz, budujesz strategię widoczności według zasad z 2020 roku.

W 2026 roku już 40% firm B2B SaaS wdrożyło model rozliczeń oparty na efektach (outcome-based), zamiast opłat za użytkownika (per-seat). To bezpośrednia odpowiedź na fakt, że agenty AI zastępują ludzi jako „użytkownicy” systemów. Licencjonowanie per-seat traci sens – bo agent nie zajmuje fizycznego stanowiska.

Checklista: jak zacząć z realnym ROI

Zanim cokolwiek wdrożysz – zanim otworzysz swoje środowisko deweloperskie i zanim zadzwonisz do dostawcy platformy – odpowiedz sobie szczerze na te pytania:

Definicja problemu:

• Czy potrafię opisać zadanie agenta w jednym zdaniu?
• Czy to zadanie jest wykonywane co najmniej raz dziennie?
• Czy posiadam dane historyczne, aby określić punkt odniesienia (baseline)?

Mierzalność:

• Jaki konkretny wskaźnik KPI zmieni się po wdrożeniu?
• Czy wiem, jak wygląda sukces po 90 dniach?
• Kto w organizacji jest właścicielem tego KPI?

Gotowość techniczna:

• Czy dane źródłowe są aktualne i spójne?
• Czy posiadam API lub integrację z systemem, w którym agent ma działać?
• Czy wiem, kiedy agent powinien przekazać sprawę człowiekowi (eskalacja)?

Wdrożenie:

• Czy zaczynam od maksymalnie 2–3 agentów, a nie od całego „zespołu AI”?
• Czy mam wdrożony monitoring od pierwszego dnia?
• Czy zespół, który będzie pracował z agentem, brał udział w jego projektowaniu?

Trzy lub więcej odpowiedzi na „nie wiem”? Zanim zainwestujesz w agenta, zainwestuj w swoje dane i procesy. Serio – to przyniesie lepszy ROI.

Pułapki, które widziałem najczęściej

Pułapka szerokości. „Wdrożymy AI we wszystkich działach naraz” – to idealny przepis na 4-letni horyzont z raportu Deloitte. Zacznij wąsko. Jeden agent, jeden problem.

Pułapka narzędzia. Wybierasz platformę, zanim zdefiniujesz zadanie. Pamiętaj: agent to nie narzędzie, to pracownik. Najpierw opisz wymagania na stanowisku, a dopiero potem rekrutuj.

Pułapka adopcji. Agent działa, ale nikt z niego nie korzysta – bo „starym sposobem jest szybciej” albo „jeszcze mu nie ufam”. To najkosztowniejszy błąd wdrożeniowy. Mierz adopcję tak jak konwersję i traktuj ją jak własny produkt.

Pułapka braku monitorowania (observability). Nie wiesz, co agent robi i dlaczego podejmuje określone decyzje. Firmy z najlepszymi wynikami to nie te z najlepszymi modelami, ale te, które widzą każdą decyzję agenta i szybko wyłapują błędy. Monitoring agentów to nie dodatek, to fundament.

Na koniec

Wróćmy do punktu wyjścia: byłem sceptykiem. Teraz jestem ostrożnym optymistą.

Dane są jednoznaczne: gdy zakres jest wąski, zadanie powtarzalne, a rezultat mierzalny – ROI się pojawia. Nie za cztery lata. Dużo wcześniej.

Co jednak, gdy tych warunków brakuje? Skończysz z kolejnym programem pilotażowym, który nigdy nie trafi do produkcji, i kolejnym slajdem w prezentacji dla zarządu o „cyfrowej transformacji”.

Dlatego zanim zapytasz „czy robimy wystarczająco dużo w obszarze AI?” – zadaj sobie jedno proste pytanie: „Czy mamy konkretne zadanie, mierzalny rezultat i jasną definicję sukcesu?”

Jeśli tak – startuj. Jeśli nie – poświęć dwie godziny na ich zdefiniowanie. To najlepsza inwestycja, jakiej możesz dokonać przed jakimkolwiek wdrożeniem.

---

Sources / Źródła

1. Google Cloud / Omdia – The ROI of Gen AI and Agents 2026 – https://www.snowflake.com/en/lp/radical-roi-generative-ai-short-form/
2. Ajelix – What AI Studies Say About Agentic AI ROI & Stats (And What They Don't), 2026 – https://ajelix.com/ai/agentic-ai-roi-stats/
3. Salesforce – Lessons in ROI from the World's Largest Agentic AI Deployment, 2025 – https://www.salesforce.com/eu/blog/lessons-in-roi-agentic-ai-deployment/
4. PBI Analytics / LinkedIn – The ROI of Agentic AI: Real-World Case Studies and Numbers, 2026 – https://www.linkedin.com/pulse/roi-agentic-ai-real-world-case-studies-numbers-pbi-analytics-vlpwc
5. SalesManago – Agentic Commerce: How E-commerce Will Change in 2026 – https://www.salesmanago.pl/blog/agentic-ai-ecommerce
6. EITT – AI Agents 2026 — Guide from LLM to Multi-Agent Systems, 2026 – https://eitt.pl/baza-wiedzy/ai-agenty-2026-przewodnik-od-llm-do-multi-agent-systems/
7. IdeaProof – State of AI Agents & Automation 2026, 2025 – https://ideaproof.io/reports/state-of-ai-agents-automation-2026