27 lipca 2026Zaktualizowano Fathy Shalaby16 min czytania
Produkty gotowe na agentów: model dwóch użytkowników dla PM-ów
Twój produkt ma teraz drugiego czytelnika: agenta AI działającego w imieniu człowieka. Model dwóch użytkowników i cztery pytania audytowe pokazują, gdzie Twój produkt działa tylko dlatego, że ktoś go pilnuje.
Udostępnij
Ten artykuł został przetłumaczony z języka angielskiego. Przeczytaj oryginał
Produkt gotowy na agentów działa równie niezawodnie dla agenta AI, który działa w imieniu człowieka, jak dla samego człowieka. W praktyce oznacza to cztery rzeczy: czytelną dla maszyn ścieżkę obok ekranu, zabezpieczenia egzekwowane przez system, a nie przez czyjąś uwagę, taki sam kształt odpowiedzi za każdym razem oraz wskazaną z nazwiska osobę odpowiedzialną, gdy agent działa na podstawie niejednoznacznego wyniku. Model dwóch użytkowników sprawdza każdą funkcję pod kątem obu czytelników.
Najważniejsze wnioski
Oprogramowanie jest już większościowym czytelnikiem internetu. W 2024 roku ruch zautomatyzowany po raz pierwszy od dekady przewyższył ruch ludzki i stanowił 51% całego ruchu w sieci (Imperva, 2025).
Agenci to na razie nawyk mniejszości, ale prawdziwy. W ankiecie Stack Overflow z 2025 roku 30,9% respondentów korzystało w pracy z agentów AI przynajmniej od czasu do czasu, a 14,1% robiło to codziennie (Stack Overflow, 2025).
Produkty stworzone dla ludzi zawodzą po cichu, gdy korzystają z nich agenci. Agent robi dokładnie to, co powiedział mu niejednoznaczny interfejs, w tempie maszyny.
Standardy istnieją. MCP (udostępniony jako open source w listopadzie 2024 przez Anthropic), llms.txt (zaproponowany we wrześniu 2024), formaty błędów z RFC 9457 i klucze idempotentności odpowiadają każdy na jedno z czterech pytań audytowych.
Zacznij od jednego workflow: najbardziej powtarzalnego, opartego na regułach, w którym jedna osoba działa w imieniu drugiej.
Kim jest drugi użytkownik Twojego produktu?
Przez dwadzieścia lat na pytanie „kim jest użytkownik?” była jedna odpowiedź: człowiekiem, który patrzy na ekran i podejmuje decyzję. To założenie zaczyna pękać. Coraz większą część czytania, klikania i wypełniania formularzy w oprogramowaniu wykonuje agent: model z narzędziami, który działa dla człowieka, wywołuje Twoje API, czyta Twoją dokumentację i wypełnia Twoje formularze.
Liczby pokazują kierunek, jeszcze nie cel:
Ruch: zautomatyzowane żądania stanowiły w 2024 roku 51% ruchu w sieci, a same złośliwe boty 37% (Imperva, 2025). To w większości crawlery i atakujący, a nie pomocni agenci, ale oznacza to, że duża część tego, co czyta Twój produkt, to już oprogramowanie.
Programiści: spośród 31 877 respondentów, którzy odpowiedzieli na pytanie o agentów, 14,1% korzysta z agentów AI w pracy codziennie, 9% co tydzień, a 7,8% co miesiąc lub rzadziej; 37,9% nie ma takich planów (Stack Overflow, 2025).
Oprogramowanie korporacyjne: Gartner spodziewa się, że do 2028 roku 33% aplikacji enterprise będzie zawierać agentową AI, wobec mniej niż 1% w 2024, a co najmniej 15% codziennych decyzji w pracy będzie podejmowanych autonomicznie (W.Media on Gartner, 2025).
Ten sam komunikat Gartnera zawiera przeciwwagę: ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 roku (Gartner, 2025), a prawdziwy produkt oferuje tylko około 130 spośród tysięcy dostawców sprzedających „agentową AI”. Zmiana jest realna i hałaśliwa. Żaden z tych faktów nie usprawiedliwia ignorowania jej.
Pomysł ma już nazwę. W styczniu 2025 roku Mathias Biilmann z Netlify zaproponował agent experience (AX), czyli doświadczenie, jakie ma agent AI jako użytkownik produktu, w następstwie user experience (Don Norman, 1993) i developer experience (Jeremiah Lee, 2011) (Biilmann, 2025).
Dlaczego produkty stworzone dla ludzi zawodzą po cichu, gdy korzystają z nich agenci?
Ta zmiana nie objawia się awarią. Objawia się powolną utratą zaufania do tego, co zwraca Twój produkt. Funkcja zbudowana pod ludzką ocenę zależy od rzeczy, które agenci słabo przetwarzają: tekstu, który człowiekowi czyta się dobrze, ale który nie ma jednej poprawnej interpretacji, stanu istniejącego tylko w układzie wizualnym oraz potwierdzeń zakładających, że ktoś zauważy, gdy liczba wygląda źle. Agent działający na tej samej powierzchni nie zatrzymuje się, żeby sprawdzić, czy coś ma sens. Robi dokładnie to, co mu powiedział interfejs, tak szybko, jak potrafi, niezależnie od tego, czy interfejs był jasny.
To jest tryb awarii, na który trzeba się przygotować: nie „agent się psuje”, tylko „agent robi dokładnie to, co powiedział mu niejednoznaczny produkt, i nikt tego nie zauważa, dopóki wynik nie okaże się błędny na dużą skalę”.
OWASP wymienia to wśród głównych zagrożeń dla aplikacji opartych na LLM. Excessive Agency (LLM06:2025) to podatność, która pozwala na szkodliwe działania w odpowiedzi na nieoczekiwane, niejednoznaczne lub zmanipulowane wyniki modelu, a jej źródłami są nadmiar funkcjonalności, nadmiar uprawnień i nadmiar autonomii (OWASP, 2025). Niejednoznaczność w Twoim produkcie jest jednym z danych wejściowych.
Intensywni użytkownicy AI już to czują. W tej samej ankiecie Stack Overflow 66% programistów wskazało jako największą frustrację wyniki AI, które są prawie poprawne, ale nie do końca, a więcej osób nie ufało dokładności AI (46%), niż jej ufało (33%) (Stack Overflow, 2025). Agent pracujący z niejednoznacznym produktem daje dokładnie takie prawie poprawne wyniki.
Przykład z codzienności: ekran akceptacji wydatków
Człowiek akceptujący wydatki zerka na kwotę, zauważa, że jak na tego dostawcę wygląda na wysoką, i zatrzymuje się, żeby to sprawdzić. Agent akceptujący według tych samych kryteriów nie ma wejścia „wygląda na niezwykle wysoką”. Ma to pole, które Twój interfejs udostępnia jako próg akceptacji. Jeśli ten próg znajduje się w podpowiedzi, którą przeczytałby człowiek, ale której integracja agenta nigdy nie dotyka, agent nie działa wadliwie. Idzie za specyfikacją, której nikt nie zapisał, bo zawsze zakładano, że czytelnikiem będzie człowiek.
Każdy workflow, w którym człowiek wnosi ocenę, jakiej interfejs nigdy nie koduje, to miejsce, gdzie to wyjdzie: po cichu, jeden przypadek brzegowy po drugim.
Czym jest model dwóch użytkowników?
Traktuj każdą funkcję tak, jakby miała dwóch możliwych użytkowników czytających tę samą powierzchnię, i sprawdź ją pod kątem obu przed wydaniem.
1. Ludzki decydent musi zrozumieć, dlaczego, a nie tylko co. Czyta, by znaleźć kontekst, kompromisy i pewność do działania. Twoje zadanie tutaj się nie zmieniło: jasność, hierarchia, właściwy szczegół w odpowiednim momencie.
2. Operator-agent to system działający w imieniu tego człowieka, wykonujący zadanie bez sprawdzania każdego kroku przez człowieka. Nie czyta pod kątem niuansów. Potrzebuje interfejsu jednoznacznego, ustrukturyzowanego i stabilnego: to samo wejście powinno niezawodnie dawać ten sam rodzaj wyniku.
Potrzeba
Ludzki decydent
Operator-agent
Czyta
Wyrenderowane strony, wykresy, podpowiedzi
Odpowiedzi API, schematy, dokumentację, Markdown
Wychwytuje błędy przez
Zauważenie, że coś jest nie tak
Twarde błędy walidacji z podanym powodem
Toleruje niespójność
Tak, dostosowuje się bez zauważenia
Nie, każda odmiana psuje integrację
Chce wyjaśnień w postaci
Prozy i kontekstu
Ustrukturyzowanych pól oraz tego samego uzasadnienia
Bezpieczne ustawienie domyślne dla ryzykownych akcji
Okno potwierdzenia
Stan roboczy lub zaproponowany, akceptacja przez człowieka
Wytyczne Anthropic dotyczące budowania agentów mówią to samo od strony budujących: warto zaplanować „tyle samo wysiłku na tworzenie dobrych interfejsów agent–komputer (ACI)”, co na interfejsy człowiek–komputer. W przypadku swojego agenta dla SWE-bench zespół spędził więcej czasu na ulepszaniu narzędzi niż całego promptu (Anthropic, 2024).
Jak sprawdzić, czy funkcja jest gotowa na agentów?
Zadaj funkcji cztery pytania. Każde ma konkretną „dobrą” odpowiedź.
1. Czy obok ścieżki czytelnej dla człowieka istnieje ścieżka czytelna dla maszyn?
Jeśli jedynym sposobem wydobycia informacji z Twojego produktu jest wyrenderowana strona, agent działający dla tej osoby nie ma niezawodnej drogi wejścia. Udokumentowane API, ustrukturyzowany eksport czy przewidywalny kształt danych to dziś drugie drzwi wejściowe.
Ustawienie uprawnień, które istnieje tylko jako pole wyboru na stronie ustawień i nie ma pola w odpowiedzi API, jest niewidoczne dla każdego agenta pracującego przez to API. Zostaje po cichu niewyegzekwowane w chwili, gdy człowiek deleguje zadanie.
Tak wygląda dobrze: każdy fakt na ekranie jest też dostępny jako pole, a każda akcja ma odpowiednik w API lub narzędziu MCP z zadeklarowanym schematem wyjścia. Narzędzia MCP mogą deklarować outputSchema i zwracać structuredContent zgodny z nim (specyfikacja MCP).
2. Czy interfejs zakłada, że człowiek wychwyci błąd?
Okna potwierdzenia, pytania „czy na pewno?” i czerwone ostrzeżenia opierają się na tym, że ktoś zauważy, że coś jest nie tak. Agent się nie zatrzyma, jeśli kontrola nie jest strukturalna: twardy błąd walidacji, a nie sygnał wizualny. Jeśli Twoim jedynym zabezpieczeniem przed destrukcyjną akcją jest modal z czerwonym przyciskiem, to zabezpieczenie nie istnieje dla niczego, co wywołuje Twoje API bezpośrednio.
Tak wygląda dobrze: błędy, na podstawie których maszyna może działać. RFC 9457 (lipiec 2023) definiuje standardowy format „problem details”, ponieważ „nieludzcy konsumenci API HTTP mają trudności” z czytaniem stron błędów w HTML (IETF, 2023). MCP oddziela błędy protokołu od błędów wykonania narzędzia, które wracają z isError: true i komunikatem, który model może wykorzystać, by się poprawić i spróbować ponownie. Przy akcjach o dużym wpływie OWASP zaleca zgodę człowieka, zanim akcja się wykona.
3. Czy ta sama akcja gwarantuje ten sam rodzaj wyniku?
Ludzie tolerują funkcję, która zachowuje się nieco inaczej w zależności od stanu konta, obciążenia czy przypadku brzegowego. Dostosowują się, nie zauważając tego. Agent wykonujący to samo wywołanie tysiąc razy potrzebuje odpowiedzi o spójnym kształcie, nawet gdy zmieniają się wartości: za każdym razem te same pola i ten sam format błędu. W przeciwnym razie każda integracja psuje się nieco inaczej, zależnie od tego, na jaki przypadek brzegowy trafiła pierwszy.
Tak wygląda dobrze: stabilne schematy, wersjonowane zmiany i bezpieczne ponowienia. Klucze idempotentności Stripe pozwalają klientowi powtórzyć żądanie po błędzie połączenia bez dwukrotnego wykonania operacji; klucze mogą mieć do 255 znaków, a klucze v1 można usuwać, gdy mają co najmniej 24 godziny (Stripe). MCP oferuje cztery wskazówki dla narzędzi (readOnlyHint, destructiveHint, idempotentHint, openWorldHint), ale schemat mówi, że to wskazówki, a nie gwarancje (schemat MCP). Egzekwuj to zachowanie po stronie serwera.
4. Kto odpowiada, gdy agent się pomyli?
To pytanie, które większość roadmap pomija. Jeśli agent działa dla człowieka na podstawie wyniku Twojego produktu, a ten wynik był niejednoznaczny, to błąd wraca do decyzji produktowej, a nie do błędu użytkownika. To nowa kategoria ryzyka produktowego. Zasługuje na rygor każdego incydentu produkcyjnego: wskazaną osobę odpowiedzialną, sposób odtworzenia tego, co się stało, i poprawkę, która zamyka rzeczywistą lukę, a nie tylko ten jeden zauważony przypadek.
Tak wygląda dobrze: ścieżka audytu pokazująca, który agent co zrobił, z czyjego upoważnienia i na podstawie jakiego wejścia. Specyfikacja MCP mówi, że hosty muszą uzyskać wyraźną zgodę użytkownika przed wywołaniem jakiegokolwiek narzędzia (specyfikacja MCP) oraz że zawsze powinien być człowiek w pętli, który może odrzucić wywołanie narzędzia (narzędzia MCP). O tym, jakie akcje AI może wykonywać samodzielnie, przeczytasz w kontrakcie przekazania AI: pytaj, działaj albo się zatrzymaj.
Jakie standardy sprawiają w 2026 roku, że produkt jest gotowy na agentów?
Żaden nie jest obowiązkowy i żaden nie wystarcza sam. Każdy odpowiada na konkretne pytanie audytowe.
Standard
Czym jest
Pochodzenie
Odpowiada na
Model Context Protocol (MCP)
Otwarty protokół łączenia aplikacji AI z narzędziami i danymi, oparty na JSON-RPC 2.0
Udostępniony jako open source przez Anthropic 25 list. 2024; obecna specyfikacja 2026-07-28
P1, P2, P4
llms.txt
Plik Markdown w katalogu głównym witryny, który daje agentom zwięzły kontekst i linki do czystych stron w Markdown
Zaproponowany przez Jeremy'ego Howarda 3 wrz. 2024; v2 w sierpniu 2026
P1
Opis OpenAPI
Czytelny dla maszyn opis Twojego REST API
Standard branżowy
P1, P3
RFC 9457 problem details
Standardowy format błędów JSON dla API HTTP
IETF, lipiec 2023 (zastępuje RFC 7807)
P2, P3
Klucze idempotentności
Klucz podawany przez klienta, który czyni ponowienia bezpiecznymi
Powszechna praktyka API (np. Stripe)
P3
MCP jest dziś wspierany przez asystentów takich jak Claude i ChatGPT oraz narzędzia takie jak VS Code i Cursor (MCP). Serwery udostępniają trzy rodzaje funkcji: zasoby (kontekst i dane), prompty (szablony) i narzędzia (funkcje, które model może wywołać) (specyfikacja MCP). Propozycja llms.txt podaje, że tysiące witryn publikuje już ten plik, a Lighthouse w Chrome szuka go w audytach przeglądania agentowego (llms.txt). Jeśli zależy Ci na tym, jak asystenci AI opisują Twój produkt, a nie na tym, jak agenci go obsługują, to osobny problem, omówiony w widoczności w wyszukiwaniu AI.
Jak wygląda audyt gotowości na agentów? Przykład krok po kroku
Przykład ilustracyjny. Załóżmy, że firma z 40 osobami przepuszcza przez Twój produkt 600 wniosków o zwrot wydatków miesięcznie, a jej szefowa finansów chce, żeby agent akceptował rutynowe. Oceń każde pytanie audytowe na 0 (nie spełnia), 1 (częściowo) lub 2 (spełnia).
Pytanie
Ustalenie
Punkty
1. Ścieżka czytelna dla maszyn
Wnioski i kwoty są w API; próg 2000 € na dostawcę istnieje tylko w podpowiedzi
1
2. Zabezpieczenia strukturalne
Akceptacje powyżej progu wywołują modal; API przyjmuje je po cichu
0
3. Spójne wyniki
Akceptacja zwraca inny payload dla wniosków w wielu walutach; brak klucza idempotentności, więc ponowienie po przekroczeniu limitu czasu może zaakceptować dwa razy
0
4. Odpowiedzialność
Dziennik audytu zapisuje użytkownika, a nie agenta ani zastosowaną regułę
1
Razem
2 / 8
Poprawki są niewielkie: udostępnić próg jako pole, odrzucać w API akceptacje powyżej progu błędem problem details, zwracać jeden kształt payloadu i przyjmować klucz idempotentności oraz logować działającego agenta obok delegującego użytkownika. Po ponownej ocenie z tymi zmianami funkcja osiąga 8/8 bez żadnej zmiany na ekranie dla ludzi.
Wynik poniżej 6 potraktuj jako powód, by dla tego workflow trzymać agentów w trybie wyłącznie roboczym. Ten próg to punkt wyjścia, a nie benchmark.
Checklista gotowości na agentów (skopiuj)
Każda wartość pokazana na ekranie jest dostępna jako nazwane pole w API lub eksporcie.
Każda akcja ma endpoint API lub narzędzie MCP z zadeklarowanym schematem wejścia i wyjścia.
Reguły biznesowe (limity, progi, uprawnienia) są egzekwowane na serwerze, a nie w UI.
Błędy zwracają czytelny dla maszyn powód (RFC 9457 lub równoważny stabilny format).
Operacje zapisu przyjmują klucz idempotentności albo można je bezpiecznie ponawiać.
Odpowiedzi zachowują ten sam kształt niezależnie od stanów konta, walut i przypadków brzegowych.
Akcje destrukcyjne lub o dużym wpływie wymagają zgody człowieka albo startują jako wersje robocze.
Logi zapisują agenta, delegującego użytkownika i dane wejściowe stojące za każdą akcją.
Dokumentacja istnieje w czystym Markdownie, z plikiem llms.txt, który na nią wskazuje.
Każdy workflow ma wskazaną osobę odpowiedzialną za incydenty z udziałem agentów.
Czego to nie oznacza
To nie jest argument za tym, żeby z dnia na dzień przebudować produkt w platformę API-first ani porzucić interfejs dla ludzi. Większość produktów jeszcze przez lata będzie miała człowieka jako głównego odbiorcę; ta zmiana to dodatek. Nie jest to też powód, by gonić za każdym frameworkiem dla agentów ze strony startowej. Wniosek jest węższy: sprawdź swoją istniejącą powierzchnię pod kątem założeń, które działają tylko wtedy, gdy czyta ją człowiek.
Jakie błędy popełniają zespoły, projektując dla agentów AI?
Dwa źródła prawdy. Pulpit mówi „3 pozycje do przeglądu”, a API zwraca 4. Produkty, które dobrze radzą sobie z agentami, generują wyjaśnienie dla człowieka i dane dla maszyny z tego samego źródła, dzięki czemu żaden z czytelników nie pracuje z niepełnym obrazem.
Traktowanie wskazówek narzędzi jak kontroli. Adnotacja destructiveHint: false nie powstrzyma destrukcyjnego wywołania. Specyfikacja MCP każe klientom traktować adnotacje jako niezaufane, chyba że pochodzą z zaufanego serwera.
Przyznawanie więcej, niż potrzebuje zadanie. Pierwsze środki zaradcze OWASP to mniej narzędzi, węższe funkcje i minimalny zakres OAuth. Zadanie tylko do odczytu powinno dostać token tylko do odczytu.
Mierzenie wywołań, a nie rezultatów. Ruch agentów zawyża statystyki użycia. Sprawdzaj, czy delegowane zadania zostały wykonane poprawnie, a nie tylko ile ich uruchomiono. Intensywne użycie przez agentów obciąża też ceny za stanowisko; zobacz jak ustalać ceny, gdy Twoimi użytkownikami są agenci AI.
Wybierz jedną funkcję, w której człowiek wykonuje obecnie najwięcej powtarzalnej, opartej na regułach pracy dla kogoś innego: akceptowanie wniosków, triaż zgłoszeń, uzgadnianie rekordów. Prawie zawsze to właśnie tam agent pojawia się pierwszy, bo to workflow, który najbardziej opłaca się zautomatyzować. Zadaj mu cztery pytania, zanim agent przyjdzie nieproszony, działając na założeniach, których Twój interfejs nigdy nie wypowiedział.
PM-owie, którzy wyprzedzą ten trend, to nie ci, którzy budują agentów. To ci, którzy sprawiają, że ich istniejący produkt mówi prawdę na tyle wyraźnie, że maszyna, która go czyta, dostaje tę samą odpowiedź co człowiek.
Gdzie pasuje Specky
Własna powierzchnia agentowa Specky podąża za modelem dwóch użytkowników. Agenci kodujący i asystenci łączą się przez serwer MCP z OAuth, przed planowaniem wczytują kontekst produktu i briefy oparte na dowodach, a PRD, zgłoszenia i decyzje tworzą jako wersje robocze. Te wersje trafiają do PM Inbox, gdzie człowiek je zatwierdza, a każde twierdzenie odsyła w Product Graph do źródłowych dowodów, więc człowiek i agent widzą to samo uzasadnienie. Szczegóły znajdziesz na stronie Specky dla agentów.
Najczęściej zadawane pytania
Czym jest produkt gotowy na agentów?
Produkt gotowy na agentów to taki, który agent AI może obsługiwać w imieniu człowieka równie niezawodnie jak sam człowiek. Udostępnia dane i akcje przez API lub serwer MCP, egzekwuje reguły na serwerze, zwraca spójne kształty odpowiedzi i zapisy, które można bezpiecznie ponawiać, oraz loguje, który agent działał z czyjego upoważnienia.
Czym jest agent experience (AX)?
Agent experience to doświadczenie, jakie ma agent AI jako użytkownik produktu lub platformy, na wzór user experience i developer experience. Termin wprowadził w styczniu 2025 roku Mathias Biilmann z Netlify. Dobre AX oznacza, że agent może uzyskać dostęp, zrozumieć możliwości produktu i wykonywać zadania bez tłumaczącego dla niego człowieka.
Czy potrzebuję serwera MCP, żeby być gotowym na agentów?
Nie. Dobrze udokumentowane API ze stabilnymi schematami, czytelnymi błędami i idempotentnymi zapisami odpowiada już na większość z czterech pytań audytowych. Serwer MCP ułatwia podłączenie Twojego produktu do asystentów takich jak Claude, ChatGPT, VS Code i Cursor oraz dodaje konwencje dotyczące zgody i opisów narzędzi, więc warto go dodać, gdy API pod spodem jest solidne.
Czy llms.txt to to samo co przygotowanie produktu na agentów?
Nie. llms.txt, zaproponowany przez Jeremy'ego Howarda we wrześniu 2024 roku, pomaga agentom czytać Twoją witrynę i dokumentację, kierując ich do zwięzłego Markdowna. Odpowiada na pierwsze pytanie audytowe w odniesieniu do treści. Nic nie daje w kwestii bezpiecznych akcji, spójnych odpowiedzi ani odpowiedzialności, które wymagają zmian w API i produkcie.
Jak utrzymać człowieka w pętli, gdy działają agenci?
Niech ryzykowne akcje startują jako wersje robocze lub propozycje zatwierdzane przez człowieka i egzekwuj to na serwerze, a nie w oknie dialogowym. Specyfikacja MCP wymaga wyraźnej zgody użytkownika przed wywołaniem narzędzi, a OWASP zaleca zgodę człowieka dla akcji o dużym wpływie. Loguj przy każdej akcji agenta, delegującego użytkownika i dane wejściowe.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing