Artykuły AI
Salesforce nalicza opłatę za agenta AI tylko za sprawę rozwiązaną bez człowieka. Co model outcome-based oznacza dla budżetu i wdrożeń AI w firmie.
Salesforce zaczął rozliczać swojego agenta obsługi klienta wyłącznie za sprawy, które ten domknie samodzielnie. Kiedy klient prosi o człowieka lub odchodzi bez rozwiązania, firma nie płaci. To nie jest kosmetyczna zmiana cennika, tylko przesunięcie ryzyka na dostawcę i sygnał szerszego trendu: gdy oprogramowanie samo wykonuje zadanie od początku do końca, płacenie za liczbę stanowisk przestaje odpowiadać wartości. Dla zarządów i managerów oznacza to nowy sposób kupowania, budżetowania i kontrolowania AI, w którym jednostką rozliczenia staje się efekt, a nie dostęp do narzędzia.
25 czerwca 2026 Salesforce ogłosił Agentforce Help Agent, autonomicznego agenta obsługi klienta z prowadzonym wdrożeniem, który według firmy uruchamia się w kilka minut i działa we wszystkich kanałach. Najważniejsza jest jego mechanika rozliczeń. W modelu pay-per-resolution opłata naliczana jest tylko wtedy, gdy agent rozwiąże zgłoszenie autonomicznie, od początku do końca. Jeśli sprawa trafia do człowieka albo klient odchodzi bez rozwiązania, Salesforce nie pobiera opłaty. Wcześniejszy model konwersacyjny firma wyceniała na 2 USD za rozmowę, a nowy wariant przesuwa punkt naliczania z rozmowy na wynik.
Kilka tygodni później, 14 lipca 2026, na antenie CNBC współzałożyciel firmy Sierra Clay Bavor argumentował, że agenci AI mogą zmienić sposób rozliczania oprogramowania. Jego teza jest prosta: skoro agenci wychodzą z pokazów do realnych procesów obsługi, sprzedaży i wsparcia i domykają całe zadania, naturalną jednostką rozliczenia staje się osiągnięty efekt, a nie liczba osób z dostępem.
To nie są odosobnione ruchy. Deloitte w prognozach TMT 2026 przewiduje odejście od licencji per stanowisko i klasycznych subskrypcji w stronę modeli hybrydowych, które łączą rozliczenie za zużycie i za efekt, i szacuje, że nawet 75% firm może zainwestować w agentic AI. Przywołana w tym samym materiale prognoza Gartnera mówi, że do 2030 co najmniej 40% wydatków na SaaS przesunie się w stronę rozliczeń za zużycie, za agenta lub za efekt. W tle działa prosta ekonomia, którą Gartner opisał już w sierpniu 2025: udział aplikacji biznesowych z wyspecjalizowanymi agentami ma wzrosnąć do 40% w 2026 z mniej niż 5% rok wcześniej.
Model rozliczeń przestaje być drobnym zapisem w umowie, a staje się elementem strategii kupowania AI. Gdy płacisz za stanowiska, koszt jest przewidywalny, ale oderwany od wartości. Gdy płacisz za efekt, koszt rośnie razem z korzyścią, ale tylko wtedy, gdy dobrze zdefiniujesz, co jest tą korzyścią. Dla firmy, która kupuje agenta obsługi klienta, różnica jest namacalna: w modelu za efekt nie płacisz za tysiąc rozmów, w których agent nic nie załatwił.
Zmienia się też rozkład ryzyka. W modelu za efekt to dostawca stawia własny przychód na tym, czy agent faktycznie domknie zadanie. Dla kupującego to sygnał, że dostawca wierzy w skuteczność swojego produktu, ale też zobowiązanie do precyzyjnego zdefiniowania, co liczy się jako sukces. Bez tej definicji łatwo o spór, bo formalne domknięcie sprawy i realne rozwiązanie problemu klienta to nie zawsze to samo.
Jest i druga strona. McKinsey zwraca uwagę, że rozliczenie za efekt brzmi atrakcyjnie, ale jest trudne we wdrożeniu, a klienci wcale nie zawsze je wybierają. W przywołanym przez McKinsey przykładzie firmy AI-native, która udostępniła opcję rozliczenia za efekt, 90% klientów sięgnęło jednak po prostszy model rozliczenia za aktywność. Powód jest praktyczny: efekt trudno zmierzyć i zakontraktować, a rozliczenie za zużycie jest zrozumiałe i łatwiejsze do kontroli. Dla polskiej firmy oznacza to, że nowy model warto traktować jako opcję do świadomej oceny, a nie jako domyślnie lepszy wybór.
Problem biznesowy: koszt obsługi pierwszej linii rośnie razem z wolumenem zgłoszeń, a duża część spraw to powtarzalne pytania o status zamówienia, zwroty czy podstawową konfigurację.
Rozwiązanie AI: agent obsługi w modelu pay-per-resolution, jak Agentforce Help Agent, który samodzielnie domyka powtarzalne zgłoszenia w kanałach czatu i e-mail, a sprawy złożone przekazuje do człowieka bez naliczania opłaty.
Dane i procesy do wdrożenia: baza wiedzy z aktualnymi procedurami, historia rozwiązanych zgłoszeń jako materiał referencyjny, jasne reguły eskalacji oraz integracja z systemem obsługi zgłoszeń.
Potencjalny efekt: koszt przesuwa się z liczby stanowisk na liczbę realnie rozwiązanych spraw, a firma płaci tylko za zamknięte zgłoszenia, nie za nieudane próby.
Ryzyko i ograniczenie: agent może domykać sprawę formalnie, nie rozwiązując realnego problemu, dlatego rozliczenie za efekt trzeba spiąć z pomiarem satysfakcji i odsetka ponownych kontaktów w tej samej sprawie.
Problem biznesowy: zespół sprzedaży traci czas na kontakty, które nigdy nie dojrzeją do rozmowy handlowej, a koszt narzędzi rośnie niezależnie od tego, ilu klientów faktycznie wejdzie w lejek.
Rozwiązanie AI: agent, który prowadzi wstępną rozmowę, zbiera informacje kwalifikujące i przekazuje handlowcowi tylko leady spełniające ustalone kryteria, rozliczany za umówione spotkanie lub zakwalifikowany kontakt.
Dane i procesy do wdrożenia: definicja kwalifikowanego leada, historia wygranych i przegranych szans jako materiał uczący reguły, integracja z CRM oraz kalendarzem handlowców.
Potencjalny efekt: wydatek wiąże się z liczbą realnych szans sprzedażowych, a nie z liczbą prowadzonych rozmów, co ułatwia policzenie zwrotu.
Ryzyko i ograniczenie: jeśli jednostką efektu jest samo spotkanie, agent może optymalizować liczbę spotkań kosztem ich jakości, dlatego warto rozliczać dopiero za spotkanie potwierdzone przez handlowca.
Problem biznesowy: zespół finansowy poświęca dużo czasu na przypominanie o płatnościach i uzgadnianie transakcji, a te procesy skalują się liniowo wraz z liczbą faktur.
Rozwiązanie AI: agent, który prowadzi uprzejmą, wielokrotną komunikację przypominającą o zaległych płatnościach i uzgadnia proste rozbieżności, rozliczany za odzyskaną płatność lub uzgodnioną transakcję.
Dane i procesy do wdrożenia: dane o należnościach, warunki płatności, historia kontaktów z klientem oraz reguły, kiedy sprawa musi trafić do człowieka lub działu prawnego.
Potencjalny efekt: koszt narzędzia rośnie tylko przy realnym odzysku gotówki, co bezpośrednio łączy wydatek z płynnością firmy.
Ryzyko i ograniczenie: komunikacja w sprawie pieniędzy jest wrażliwa reputacyjnie, dlatego reguły tonu i granice eskalacji muszą być zdefiniowane, a nieodwracalne działania pozostawione człowiekowi.
Problem biznesowy: wewnętrzny helpdesk obsługuje powtarzalne zgłoszenia o reset hasła, dostęp do aplikacji czy konfigurację sprzętu, co obciąża zespół IT kosztem projektów rozwojowych.
Rozwiązanie AI: agent wewnętrzny, który rozwiązuje typowe zgłoszenia pracowników od początku do końca, rozliczany za zamknięte zgłoszenie, a sprawy nietypowe kieruje do specjalisty.
Dane i procesy do wdrożenia: baza wiedzy IT, katalog usług, uprawnienia do systemów w zakresie dozwolonych działań oraz jasne granice tego, co agent może wykonać bez potwierdzenia człowieka.
Potencjalny efekt: zespół IT odzyskuje czas na projekty, a koszt agenta wiąże się z liczbą realnie zamkniętych zgłoszeń, nie z liczbą pracowników w firmie.
Ryzyko i ograniczenie: agent z dostępem do systemów wewnętrznych zwiększa powierzchnię ataku, dlatego zakres jego uprawnień trzeba ograniczyć do działań odwracalnych i logować każde wykonane zadanie.
Zmierz punkt odniesienia, zanim porównasz oferty. Bez znajomości obecnego kosztu obsługi jednego zgłoszenia, odsetka spraw domykanych bez eskalacji i czasu potrzebnego na proces nie ocenisz, czy rozliczenie za efekt jest tańsze. Ten pomiar jest ważniejszy niż sama stawka w cenniku.
Zdefiniuj efekt w umowie precyzyjnie. Ustal, co dokładnie liczy się jako rozwiązana sprawa, kwalifikowany lead czy odzyskana płatność, i potwierdź na piśmie, że eskalacje do człowieka oraz sprawy nierozwiązane nie są płatne. Nieostra definicja efektu to najczęstsze źródło sporów o fakturę.
Ustaw limit kosztów i monitoruj zużycie. Rozliczenie za efekt oznacza koszt zmienny, który rośnie razem z wolumenem. Ustal miesięczny pułap wydatku i alert, gdy zbliżasz się do granicy, żeby udany sezon sprzedażowy nie zamienił się w niekontrolowany rachunek.
Wyznacz właściciela procesu i kontrolę jakości. Przypisz osobę odpowiedzialną za nadzór nad agentem, przegląd próbki domkniętych spraw i pomiar realnej satysfakcji klienta. Bez właściciela procesu i kontroli jakości rozliczenie za efekt zamienia się w płacenie za formalne, a nie realne rozwiązania.
Zadbaj o dane i bezpieczeństwo. Agent działa na danych klientów i systemach firmy, dlatego zakres jego dostępu, reguły przekazywania danych oraz granice działań nieodwracalnych trzeba ustalić przed startem, a nie po pierwszym incydencie.
Zacznij od jednego procesu i policz wynik. Wybierz jeden, dobrze zmierzony proces, uruchom ograniczony pilotaż i porównaj koszt oraz skuteczność z punktem odniesienia. Dopiero wynik pilotażu, a nie obietnica z prezentacji, powinien decydować o rozszerzeniu wdrożenia.
Nieostra definicja efektu. Jeśli w umowie nie ma precyzyjnego zapisu, co liczy się jako sukces, dostawca i klient inaczej policzą fakturę. Formalne domknięcie sprawy to nie to samo co rozwiązanie problemu klienta.
Nieprzewidywalność kosztu. Rozliczenie za efekt to koszt zmienny. Przy skoku wolumenu, na przykład w sezonie lub przy akcji promocyjnej, rachunek potrafi urosnąć szybciej niż budżet, jeśli nie ma pułapu i monitoringu.
Tollgating. Deloitte opisuje ryzyko, w którym dostawca agentic SaaS ustawia płatne bramki na kolejnych działaniach agenta lub etapach efektu, co utrudnia przewidzenie i kontrolę kosztu po stronie kupującego. Warto sprawdzić, ile bramek jest naliczanych w jednym zadaniu.
Optymalizacja pod metrykę. Agent rozliczany za liczbę spotkań lub domkniętych zgłoszeń może maksymalizować tę liczbę kosztem jakości. Metryka efektu musi być spięta z miarą satysfakcji i odsetkiem ponownych kontaktów.
Shadow AI. Gdy poszczególne zespoły kupują agentów rozliczanych za efekt poza wiedzą działu IT i finansów, firma traci kontrolę nad kosztem, danymi i bezpieczeństwem. Zakup narzędzi AI powinien przechodzić przez ustalony proces.
Brak kontroli jakości wyników. Bez przeglądu próbki spraw nikt nie wie, czy domknięte zgłoszenia faktycznie pomogły klientowi. Rozliczenie za efekt nie zwalnia z odpowiedzialności za jakość, tylko przenosi ją na definicję i pomiar tego efektu.
Salesforce Agentforce Help Agent, rozliczany wyłącznie za sprawy rozwiązane bez człowieka, jest konkretnym przykładem szerszego przejścia od licencji per stanowisko do rozliczenia za efekt. Głos Claya Bavora z Sierry na CNBC i prognozy Deloitte oraz Gartnera pokazują, że kierunek jest trwały, a nie chwilowy.
Dla firmy najważniejsza nie jest sama stawka, lecz definicja efektu, przejrzystość naliczania i kontrola jakości. To one decydują, czy nowy model faktycznie łączy koszt z wartością.
Rozliczenie za efekt nie jest domyślnie lepsze. McKinsey pokazuje, że klienci często wybierają prostsze rozliczenie za zużycie, bo efekt trudno zmierzyć i zakontraktować. Decyzję warto oprzeć na własnym punkcie odniesienia i pilotażu.
Zanim podpiszesz umowę, zmierz obecny proces, zdefiniuj efekt na piśmie, ustaw limit kosztów i wyznacz właściciela procesu. Bez tych czterech kroków nowy cennik przeniesie na firmę ryzyko, zamiast je zdjąć.