Wdrażałem Agentforce w amerykańskim fintechu. Oto czego nie mówią materiały marketingowe — żadnego vendora AI
Od dwóch lat mieszkam w USA i pracuję w tutejszym ekosystemie Salesforce (jak wygląda ta rzeczywistość vs wyobrażenia — to temat na osobny wpis, bo jest o czym pisać). Dziś o jednym konkretnym projekcie, który nauczył mnie więcej o AI w Salesforce niż wszystkie materiały marketingowe razem wzięte.
Punkt wyjścia
Dostałem propozycję pracy przy projekcie dla fintechu z Miami. Firma miała już kupione licencje Agentforce i Data Cloud — przy czym po drodze doszło do klasycznego nieporozumienia: byli przekonani, że Data Cloud rozwiąże ich problemy z data storage w Salesforce. Nie rozwiązał, bo nie do tego służy (to platforma do unifikacji danych, nie tańszy storage). Nikt tu nie był „winny” — po prostu zabrakło weryfikacji use case’u przed zakupem. Ale licencje były, a problem biznesowy jak najbardziej realny. Problem wyglądał tak: underwriterzy tracili masę czasu na analizę każdego case’a. Żeby podjąć decyzję w Salesforce, musieli ręcznie przeskanować kilka systemów (ocena ryzyka, systemy bankowe) i kilka PDF-ów po kilkanaście stron każdy. Na jeden case.
Plan
Plan był prosty i na papierze piękny. Z zewnętrznych systemów wpadają JSON-y i PDF-y, Flow odpala kolejnych agentów Agentforce, każdy czyta swoją porcję danych, a na końcu underwriter dostaje w LWC ładne, gotowe summary. Zamiast godziny klikania po systemach — jedno spojrzenie. Tyle plan. Teraz rzeczywistość
Trzy ściany, w które uderzyliśmy
Ściana 1: konfiguracja agentów. Ustawienie każdego agenta okazało się dużo bardziej skomplikowane, niż sugerują tutoriale Salesforce. Na tutorialu agent w 15 minut odpowiada na pytania o zamówienia. W realnym projekcie, gdzie agent ma czytać kilkunastostronicowe PDF-y i strukturyzowane dane z kilku źródeł, każdy topic, każda instrukcja i każda akcjawymagały iteracji, testów i debugowania zachowań, których nikt nie był w stanie przewidzieć.
Ściana 2: dane spoza platformy. To było dla nas największe ograniczenie. W czasie naszego wdrożenia Agentforce pracował wyłącznie na danych wewnątrz Salesforce — nie potrafił wyszukać informacji w internecie. A w underwritingu aktualność danych o kliencie to podstawa: upadłości, bankructwa, zmiany w rejestrach. Underwriter musi wiedzieć, co się dzieje dziś, nie co było w danych z ostatniego importu. Musieliśmy to obchodzić dodatkowymi integracjami, co dokładało złożoności do architektury, która miała ją redukować.
Dla uczciwości: Salesforce to ograniczenie od tego czasu częściowo zaadresował — od wydania Summer ’25 istnieje Web Search w Agentforce Data Library. Warto jednak rozumieć, jak to działa: to nie agent swobodnie przeszukujący internet, tylko grounding — wyniki z wyszukiwarek są indeksowane do data library i dopiero z tej warstwy agent korzysta. Wymaga to Data Cloud, odpowiednich edycji z dodatkiem Einstein i osobnej konfiguracji (własna data library, dedykowany topic). Nasza lekcja pozostaje aktualna: zanim podpiszesz, sprawdź, czy dokładnie twój przepływ danych jest wspierany out-of-the-box — czy wymaga budowania kolejnych klocków.
Ściana 3: czas. Wdrożenie trwało znacznie dłużej, niż ktokolwiek zakładał na starcie. Nie tygodnie. Miesiące.
Jak to się skończyło
Razem z zespołem IT doprowadziliśmy wersję do działania produkcyjnie — i to działało. Ale management policzył koszty i czas, i podjął pragmatyczną decyzję: operacje AI przenosimy na AWS Bedrock, a do Salesforce wpada gotowy, sparsowany JSON, który wyświetla się w LWC.
Nie będę ściemniał: na początku byłem wściekły. Miesiące pracy zespołu, dziesiątki iteracji na agentach — i teraz to wszystko ląduje na innej platformie? Ale kiedy emocje opadły, musiałem przyznać: to była pragmatyczna decyzja — dla tego use case’u. Nasz scenariusz — ciągły pipeline wielu kilkunastostronicowych dokumentów z kilku zewnętrznych systemów, z wymogiem aktualnych danych spoza platformy — leżał na granicy tego, co dało się wtedy sensownie złożyć z dostępnych klocków.
Platforma ma dziś coraz więcej możliwości w tym obszarze, ale każda z nich to kolejny komponent do skonfigurowania, przetestowania i opłacenia — a nasz przypadek wymagał ich wszystkich naraz. Agentforce najpłynniej działa tam, gdzie agent pracuje na danych wewnątrz Salesforce — obsługa klienta, kwalifikacja leadów, praca na rekordach CRM. My próbowaliśmy wcisnąć w niego problem, który w dużej części leżał poza platformą, bo licencje już były kupione. To lekcja o doborze narzędzia do problemu, nie o narzędziu.
Czego mnie to nauczyło
Trzy rzeczy, które zabieram z tego projektu — i które dotyczą każdego wdrożenia AI, nie tylko w Salesforce:
1. Gap między demo a produkcją jest ogromny. To, co na keynote zajmuje 15 minut, w realnym wdrożeniu z realnymi danymi zajmuje miesiące. To prawda dla Agentforce, dla Copilota, dla każdego narzędzia AI na rynku.
2. Zweryfikuj use case przed zakupem licencji, nie po. Połowa naszych problemów wzięła się stąd, że narzędzie było kupione, zanim ktokolwiek sprawdził, czy pasuje do problemu.
3. Firmy nie potrzebują kolejnej „platformy AI”. Potrzebują rozwiązania konkretnych problemów. Wiele platform AI nie wnosi do organizacji nic fundamentalnie nowego — dostajesz to, co już masz, tylko szybciej, plus obowiązek nauczenia się kolejnego narzędzia. To ma sens dopiero wtedy, gdy „szybciej” dotyczy czegoś, co realnie boli. Underwriterzy nie chcieli agentów — nie chcieli musieć czytać ręcznie 40 stron PDF-ów dziennie. Kiedy zaczynasz od bolączki, a nie od technologii, architektura projektuje się sama.
To doświadczenie zmieniło kierunek tego, co robię. Te bolączki — miesiące wdrożenia, złożoność konfiguracji, dostęp do aktualnych danych z internetu bez dokładania kolejnych klocków — stały się dosłownie listą wymagań dla mojego własnego produktu. Buduję dziś AI Engine — natywnego asystenta AI dla Salesforce, w którym od instalacji paczki do działającego asystenta mijają godziny, nie miesiące. Techniczny setup zamykasz w jeden dzień — a cała energia wdrożenia idzie tam, gdzie faktycznie powstaje wartość: w dopasowanie AI do procesów i danych konkretnej firmy, nie w walkę z infrastrukturą. Do tego wbudowany dostęp do aktualnych informacji z sieci od pierwszego dnia — bo wiem z pierwszej ręki, jak bardzo tego brakuje w codziennej pracy. I co ciekawe, nie jestem w tym sam — cały segment lżejszych, wyspecjalizowanych rozwiązań AI rośnie w siłę, napędzany dokładnie tymi samymi bolączkami z dużych wdrożeń. Nie chcę tu w żaden sposób ujmować mocy i możliwościom Agentforce — to potężna platforma. Ale to zawsze będzie kwestia dopasowania narzędzia do problemu. Nie każdy potrzebuje kombajnu, żeby skosić działkę przy domu — czasem prosta, ręczna kosiarka zrobi robotę szybciej, taniej i bez czytania instrukcji na 200 stron.
Ale o tym — i o tym, jak naprawdę wygląda praca w ekosystemie Salesforce w USA — w kolejnych wpisach.