Automatyzacja z AI w 6 poziomach: od skryptu po agenta

Załóżmy, że co poniedziałek przygotowujesz raport sprzedaży. Logujesz się do panelu sklepu, eksportujesz zamówienia, przenosisz dane do arkusza Google, obliczasz sumy i dopisujesz podsumowanie. Potem wysyłasz maila do przełożonego. W naszym przykładzie zajmuje to 45 minut tygodniowo. Pokażę Ci sześć sposobów automatyzacji takiego zadania, od prostego skryptu po system agentowy. Przy każdym sprawdzimy, które czynności wykonuje narzędzie, co nadal robisz samodzielnie i kiedy takie rozwiązanie może się przydać.

Mapa sześciu poziomów

Na potrzeby tego porównania podzieliłem narzędzia na sześć poziomów:

1. Skrypty i reguły. Kod wykonuje ustalone kroki bez udziału AI.
2. RPA. Program klika i wpisuje tekst w interfejsie aplikacji, która nie udostępnia API.
3. Czat z AI. Przekazujesz dane i polecenie, a model pomaga je przeanalizować i opisać.
4. Platformy workflow, takie jak n8n i Make. Łączysz aplikacje w proces, w którym AI może wykonywać wybrany krok.
5. Agent w edytorze kodu. Model planuje i wprowadza zmiany w kodzie, a Ty je sprawdzasz i zatwierdzasz.
6. Autonomiczny system agentowy. AI działa w tle, dobiera kroki i przygotowuje wynik do Twojej akceptacji.

Zacznij od najprostszego rozwiązania, które wystarczy do Twojego zadania. Im więcej decyzji podejmuje narzędzie, tym dokładniej trzeba ustalić jego uprawnienia i sposób sprawdzania wyników.

Poziomy różnią się tym, ile decyzji zostawiasz narzędziu. Na każdym kolejnym poziomie narzędzie podejmuje więcej decyzji za Ciebie.

Automatyzacja według reguł i z użyciem AI

Najważniejsza różnica polega na tym, jak narzędzie wykonuje zadanie. Skrypt może zawsze pobierać te same pola i sumować je według ustalonego wzoru. Model AI może przeczytać komentarze do zamówień i przygotować ich podsumowanie, którego treść nie będzie za każdym razem taka sama.

W jednym procesie możesz łączyć oba podejścia:

• Ustalone reguły bez AI. Skrypty, RPA i reguły w n8n wykonują zaplanowane kroki. Raport ma wtedy zawsze ten sam układ, a Ty możesz sprawdzić, jak policzono wyniki.
• Interpretacja z użyciem AI. Chatboty i agenci przygotowują odpowiedź na podstawie danych i polecenia. Mogą pomóc opisać trendy, ale wnioski trzeba sprawdzić.

Przed wyborem narzędzia sprawdź, czy możesz opisać zadanie jako stałą listę kroków. Jeśli tak, zacznij od reguł zapisanych w kodzie lub edytorze automatyzacji. AI może się przydać, gdy trzeba zrozumieć tekst w kontekście albo uporządkować dane o różnej strukturze.

Punkt wyjścia: 45 minut ręcznej pracy

Nasz przykładowy poniedziałkowy raport składa się z sześciu czynności:

1. logowanie do panelu sklepu,
2. eksport zamówień z minionego tygodnia do pliku CSV,
3. zaimportowanie danych do arkusza kalkulacyjnego,
4. wyliczenie łącznej sprzedaży i liczby opłaconych transakcji,
5. dopisanie dwóch zdań komentarza o trendach,
6. wysłanie wiadomości e⁠-⁠mail z podsumowaniem do przełożonego.

Zobaczmy, które z tych czynności możemy zautomatyzować.

Poziom 1: skrypt, który wysyła raport za Ciebie

Jeśli dane można pobrać z pliku lub przez API, a reguły są znane, możesz napisać skrypt w JavaScript lub Pythonie. Taki skrypt sam pobierze dane, policzy wyniki i wyśle raport. Zacznijmy od funkcji, która sumuje opłacone zamówienia:

export const summarizePaidOrders = (orders) => {
  const paidOrders = orders.filter((order) => order.status === 'oplacone')
  const paidTotal = paidOrders.reduce((sum, order) => sum + order.amount, 0)

  return {
    paidTotal,
    paidCount: paidOrders.length,
  }
}

const weeklySummary = summarizePaidOrders([
  { status: 'oplacone', amount: 120 },
  { status: 'anulowane', amount: 80 },
  { status: 'oplacone', amount: 200 },
])

console.log(weeklySummary)
// { paidTotal: 320, paidCount: 2 }

Największa zaleta takiego rozwiązania nie polega na tym, że kod jest krótki. Wynik można sprawdzić bez uruchamiania całego procesu:

import assert from 'node:assert/strict'
import test from 'node:test'
import { summarizePaidOrders } from './report.js'

test('sumuje tylko opłacone zamówienia', () => {
  assert.deepEqual(
    summarizePaidOrders([
      { status: 'oplacone', amount: 120 },
      { status: 'anulowane', amount: 80 },
      { status: 'oplacone', amount: 200 },
    ]),
    { paidTotal: 320, paidCount: 2 },
  )
})

Na końcu dodaj harmonogram w narzędziu cron, żeby skrypt uruchamiał się w każdy poniedziałek o 8:00:

0 8 * * 1 node ~/raporty/raport.js

W typowym tygodniu raport nie wymaga ręcznej pracy. Ustaw jednak powiadomienie o błędzie i od czasu do czasu sprawdzaj, czy format danych wejściowych się nie zmienił.

Zalety:

• powtarzalne obliczenia, czyli ten sam wynik dla tych samych danych,
• niski koszt utrzymania, dopóki format danych i API pozostają stabilne,
• szybkie przetwarzanie danych.

Wady:

• wymaga umiejętności zaprogramowania logiki i myślenia programistycznego,
• brak elastyczności: skrypt nie zareaguje na nietypowe sytuacje, których nie przewidziano w kodzie,
• wymaga dostępu do danych w formie pliku lub API.

Przy danych o stałej strukturze i prostych regułach taki skrypt może wystarczyć. Jeśli system nie udostępnia danych przez API, przyjrzyj się poziomowi 2. Jeśli raport wymaga interpretacji wyników, przejdź do poziomu 3 i kolejnych.

Poziom 2: RPA, czyli bot, który klika tam, gdzie skrypt nie sięga

Załóżmy teraz, że sklep korzysta ze starego systemu magazynowego bez API i automatycznego eksportu. Dane można pobrać tylko za pomocą przycisków w oknie programu. W takiej sytuacji przydaje się RPA, czyli Robotic Process Automation. Program wykonuje w interfejsie podobne czynności jak użytkownik:

1. Otwórz stronę https://magazyn.firma.local i wpisz dane logowania.
2. Kliknij przycisk „Raporty”, a następnie „Eksport tygodniowy”.
3. Zapisz pobrany plik jako raporty/magazyn.csv.
4. Zamknij okno przeglądarki.

W praktyce taki scenariusz może wyglądać jak krótki test Playwright. Dane logowania pochodzą ze zmiennych środowiskowych, a kod czeka na rzeczywiste pobranie pliku zamiast zgadywać czas przez sleep:

import { chromium } from 'playwright'

const downloadWeeklyReport = async () => {
  const browser = await chromium.launch()

  try {
    const page = await browser.newPage()
    await page.goto('https://magazyn.firma.local')
    await page.getByLabel('E-mail').fill(process.env.REPORT_USER ?? '')
    await page.getByLabel('Hasło').fill(process.env.REPORT_PASSWORD ?? '')
    await page.getByRole('button', { name: 'Zaloguj się' }).click()

    const downloadPromise = page.waitForEvent('download')
    await page.getByRole('button', { name: 'Eksport tygodniowy' }).click()
    const download = await downloadPromise

    await download.saveAs('raporty/magazyn.csv')
  } finally {
    await browser.close()
  }
}

await downloadWeeklyReport()

Pobrany plik CSV przekazujemy do skryptu z poziomu 1. RPA obsługuje więc pobranie danych z interfejsu, a skrypt zajmuje się dalszymi obliczeniami.

Zalety:

• pozwala zautomatyzować systemy, które nie mają API,
• nie wymaga zmian w infrastrukturze starego oprogramowania,
• prosty scenariusz można często nagrać w narzędziu do rejestrowania czynności.

Wady:

• zmiana układu strony lub opóźnienie w ładowaniu może przerwać działanie programu,
• wolniejsze działanie, ponieważ narzędzie czeka na załadowanie interfejsu,
• trudne utrzymanie i testowanie.

Przed wyborem RPA sprawdź, czy możesz pobrać dane przez API lub eksport pliku. Te sposoby są zwykle mniej zależne od zmian wyglądu aplikacji.

Poziom 3: czat z AI i ręczne przekazywanie danych

Mamy już pobrane dane i obliczone wyniki. Pozostał krok 5, czyli komentarz o tym, co rośnie, a co spada. Do przygotowania takiego podsumowania możemy użyć modelu AI.

Możesz skopiować liczby z arkusza do czatu, na przykład w ChatGPT, Claude czy Gemini, i poprosić o analizę:

Podsumuj załączone dane sprzedażowe w trzech zwięzłych punktach:
1. Co sprzedawało się najlepiej?
2. Co odbiega od normy z ostatnich czterech tygodni?
3. Na jakie ryzyka zwrócić uwagę w nadchodzącym tygodniu?

Ton: konkretny, biznesowy, maksymalnie 150 słów.

Model przygotuje tekst, ale nadal musisz ręcznie przekazać dane i sprawdzić wnioski. W naszym przykładzie przyjmijmy, że zajmuje to 15 minut. Czat pomaga więc w analizie, choć cały proces wciąż wymaga Twojego udziału.

Zalety:

• możesz zacząć bez konfigurowania integracji,
• model pomaga opisać zmiany i trendy w danych,
• możesz sprawdzić różne polecenia przed użyciem ich w automatycznym procesie.

Wady:

• proces nadal wymaga Twojej obecności i ręcznego przekazywania danych,
• model może podać nieprawdziwe informacje, dlatego trzeba sprawdzać liczby i wnioski,
• odpowiedź za każdym razem może mieć inny układ.

Jeśli co poniedziałek wklejasz podobne dane do okna czatu, możesz wykorzystać to samo polecenie w rozwiązaniu z poziomu 4.

Poziom 4: automatyzacja pracy w n8n z AI

Platformy workflow, takie jak n8n, Make czy Zapier, pozwalają łączyć aplikacje w wizualnym edytorze. Ustalasz zdarzenie, które rozpoczyna proces, i kolejne kroki. Możesz na przykład pobrać dane ze sklepu, a potem przesłać je do arkusza.

W naszym raporcie ustalamy kolejność kroków, a modelowi AI powierzamy napisanie podsumowania:

[Harmonogram: pon. 8:00] → [API sklepu: pobierz zamówienia]
    → [Obliczenia: zsumuj sprzedaż i policz transakcje]
    → [Google Sheets: dopisz wiersze] → [Model AI: opisz wyniki]
    → [Gmail: przygotuj wersję roboczą raportu]

Model opisuje trendy na podstawie gotowych obliczeń. Wiadomość z raportem czeka na sprawdzenie i wysłanie.

Proces sam pobiera dane, moduł AI tworzy dwuakapitowe podsumowanie, a wersja robocza e⁠-⁠maila czeka na sprawdzenie. Jeśli nie musisz zatwierdzać każdego raportu, ostatni krok możesz później zmienić na automatyczną wysyłkę. Jeśli w firmie pracujesz na Excelu i Outlooku, zamieniasz tylko dwa węzły, bo n8n ma też integracje z Microsoft 365.

Przy takim podziale obliczenia i kolejność działań wynikają z ustalonych reguł. AI zajmuje się tylko opisem wyników.

Zalety:

• setki gotowych integracji, których nie musisz pisać samodzielnie,
• automatyczne podsumowania tekstowe bez ręcznego kopiowania,
• wbudowana historia uruchomień i powiadomienia o błędach.

Wady:

• skomplikowana logika biznesowa w edytorze wizualnym staje się trudna w utrzymaniu,
• koszt abonamentu platformy chmurowej albo utrzymania własnego serwera, jeśli wybierzesz taki sposób uruchomienia n8n,
• ograniczone możliwości automatycznych testów jednostkowych.

Jeśli kolejne kroki raportu są stałe, taki proces może już wystarczyć do Twojego zadania.

Czym różnią się n8n, Make i Zapier

Wszystkie trzy łączą aplikacje w proces w edytorze wizualnym, ale inaczej się je uruchamia i rozlicza. Make i Zapier działają tylko w chmurze ich twórców, a płacisz w nich za wykonane kroki. Platformę n8n możesz uruchomić na własnym komputerze lub serwerze w darmowej wersji community albo kupić wersję w chmurze, w której płacisz za uruchomienia całych workflow. W n8n dopiszesz też krok w JavaScript albo Pythonie, kiedy gotowy węzeł nie wystarcza.

Dlatego n8n sprawdzi się wtedy, gdy dane mają zostać na Twoim serwerze albo workflow ma dużo kroków. Zapier jest najprostszy na start, a Make daje więcej kontroli nad przebiegiem procesu i nadal nie wymaga własnego serwera.

Poziom 5: agent w IDE pomaga zmieniać kod

Na tym poziomie zmienia się zadanie. Agent pomaga napisać lub poprawić skrypt, który później przygotuje raport. Tak działają narzędzia programistyczne takie jak Cursor, Claude Code czy GitHub Copilot. Możesz zlecić agentowi konkretną zmianę:

Zmodyfikuj plik raport.js:
1. Dodaj osobną kategorię dla zamówień ze statusem "zwrocone".
2. W przypadku braku pliku wejściowego wypisz czytelny komunikat błędu i zakończ działanie.
3. Zachowaj dotychczasowy format obiektu wynikowego.

Agent analizuje pliki, proponuje zmiany i uruchamia testy. Potem przeglądasz diff, czyli porównanie kodu przed zmianą i po niej:

+import { existsSync } from 'node:fs'

 const inputPath = process.argv[2]
+if (!inputPath || !existsSync(inputPath)) {
+  throw new Error('Nie znaleziono pliku z zamówieniami')
+}

 const paidOrders = orders.filter((order) => order.status === 'oplacone')
+const returnedOrders = orders.filter((order) => order.status === 'zwrocone')

 return {
   paidTotal,
   paidCount: paidOrders.length,
+  returnedCount: returnedOrders.length,
 }

Następnie sprawdzasz testy i dopiero wtedy zatwierdzasz zmianę. Agent przyspiesza edycję, ale nie przejmuje odpowiedzialności za format raportu.

Zalety:

• pomaga pisać i poprawiać skrypty,
• zmiany w kodzie przeglądasz przed zatwierdzeniem,
• możesz z nim omówić rozwiązanie i testy.

Wady:

• wymaga umiejętności oceny wygenerowanego kodu, o czym piszę w tekście o roli programisty w erze AI,
• nie działa w tle jako samodzielny automat biznesowy,
• musisz dokładnie opisać, czego od niego chcesz.

Taki agent pomaga Ci przygotować skrypty z poziomów 1⁠-⁠4. Później może je już uruchamiać harmonogram. Poziom 6 przydaje się wtedy, gdy AI ma również samodzielnie wybierać kroki podczas pracy nad raportem.

Poziom 6: system agentowy sam dobiera kroki analizy

W systemie agentowym podajesz cel, udostępniasz narzędzia i określasz, na jakie działania pozwalasz. Model dobiera kroki potrzebne do przygotowania wyniku:

cel: Przygotuj cotygodniowy raport sprzedaży i przeanalizuj kluczowe odchylenia
narzędzia:
  - API sklepu (uprawnienia tylko do odczytu)
  - folder raporty/ (dostęp do archiwum CSV)
  - klient poczty (tworzenie wersji roboczych, bez prawa wysyłki)
granice:
  - nigdy nie wysyłaj maila bez mojej akceptacji
  - oznacz jako anomalię każdą zmianę wskaźnika powyżej 20% od średniej miesięcznej

Agent może czytać dane i przygotować szkic. Nie może zmienić zamówień ani samodzielnie wysłać wiadomości.

Taki agent uruchamia się w tle, pobiera statystyki, porównuje je z poprzednimi miesiącami i wskazuje nietypowe odchylenia. Tworzy wersję roboczą maila z wykresem i rekomendacją. Ty na koniec czytasz raport, sprawdzasz dane i decydujesz, czy go wysłać.

Zalety:

• może szukać zależności i nietypowych zmian w danych,
• dobiera kolejne kroki analizy do uzyskanych wyników,
• ogranicza potrzebę ręcznego przekazywania poleceń między etapami.

Wady:

• kolejne uruchomienia mogą przebiegać inaczej i dawać różne wyniki,
• przy zbyt szerokich uprawnieniach pomyłka dużo kosztuje,
• trudniejsze szacowanie kosztów tokenów i czasu wykonania.

Systemy agentowe sprawdzają się tam, gdzie dane wejściowe nie mają stałego formatu i sztywne reguły zawodzą.

Jak wybrać poziom do swojego zadania

W naszym przykładzie prosty skrypt wykonuje już dużą część pracy. Czat z AI pomaga opisać wyniki, ale nadal wymaga kopiowania danych. Workflow pozwala połączyć te czynności, a system agentowy dodatkowo dobiera kroki analizy. Przy wyborze rozwiązania pomocne będą trzy pytania:

1. Czy proces da się opisać jako ciąg stałych kroków? Jeśli tak, zacznij od skryptu z poziomu 1 albo procesu w n8n z poziomu 4.
2. Jaki jest koszt ewentualnego błędu? Jeśli wysyłasz dane finansowe do urzędu lub faktury do klientów, użyj kodu z ustalonymi regułami albo dopilnuj, żeby wynik zawsze zatwierdzał człowiek.
3. Jak często powtarzasz tę czynność? Przy codziennym lub cotygodniowym zadaniu automatyzacja może oszczędzić sporo czasu. Porównaj to z czasem potrzebnym na jej przygotowanie i utrzymanie. Przy zadaniu wykonywanym raz w roku prostsza może być praca ręczna.

Gdzie automatyzacje się psują

Przy przygotowywaniu automatyzacji zwróć uwagę na kilka częstych problemów:

• Sięganie po agenta, gdy wystarczy krótki skrypt. Do prostego sortowania tabeli możesz użyć stałej reguły, której wynik łatwo sprawdzić.
• Niejasna kolejność działań. Zanim przeniesiesz proces do n8n, sprawdź jego kroki na kilku przykładach. Automatyzacja będzie powtarzać również błędy w tych krokach.
• Brak właściciela procesu. Każde API i każdy format pliku może się kiedyś zmienić. Ktoś musi wiedzieć, jak zareagować, gdy automat zgłosi błąd.
• Zbyt szerokie uprawnienia. Jeśli model może zmieniać dane w produkcyjnej bazie danych, trzeba sprawdzać, czy robi to poprawnie, i zawęzić to, do czego ma dostęp.

Jak zacząć od własnego procesu

Wybierz jedno powtarzalne zadanie i rozpisz jego kroki. Potem sprawdź, które z nich wymagają stałych reguł, a które interpretacji danych. Jeśli chcesz omówić taki proces, opisz go w kilku zdaniach. Podpowiem Ci, od czego zacząć.

Na indywidualnych zajęciach z n8n wspólnie budujemy automatyzacje, sprawdzamy ich działanie i omawiamy Twój kod i ustawienia. Możesz zacząć od podstaw i przyjść z własnym pomysłem na proces, który chcesz usprawnić.

Jeśli chcesz nauczyć się automatyzacji na konkretnym projekcie, zobacz kurs o agentach AI i automatyzacjach w n8n. Nie potrzebujesz wcześniejszej znajomości programowania. Pokażę Ci n8n od podstaw i wyjaśnię ustawienia, potrzebne wyrażenia i to, jak pracować z API. To Kurs 3 DevChallenge z premierą w I kwartale 2027. Możesz kupić go osobno i ćwiczyć na dołączonej aplikacji demo.

Jeśli chcesz też samodzielnie napisać aplikację, którą później zautomatyzujesz, zajrzyj do kursów z kodem (1, 2 i 4) w kursie Full Stack z AI DevChallenge. Wspólnie napiszemy frontend i backend z bazą danych i OpenAI, a w Kursie 4 dodamy RAG i serwer MCP, czyli narzędzie dla Claude Code i innych agentów AI. W szczegółowym programie sprawdzisz, czego nauczysz się w każdym kursie.