Każdy „agent" to konkretne narzędzie AI z rolą, czasem przed/po, mnożnikiem realizmu i ryzykiem. Liczby liczone konserwatywnie — łatwiej dostarczyć więcej niż się tłumaczyć z mniej.
Asystent CRM · ASR + LLM
Po rozmowie sprzedażowej handlowiec dyktuje 60 sekund notatki. Asystent transkrybuje, strukturyzuje wywiad, aktualizuje pola w ZOHO (BANT, status, next step), generuje draft follow-upu. Sybill / Avoma typowo zwracają 4–14h/tydz. na osobę.
5 handlowców × 8 rozmów/tydz. × 15min → 5min = 13,3h/tydz × 4 tyg
= 53,3h × 0,55 → ≈ 28h/mies.
Ryzyko
Handlowcy wracający do ręcznego pisania notatek po dwóch tygodniach. Adopcja 100% wymaga twardego procesu, nie zachęty.
Agent follow-up po eventach · LLM + n8n
Po AMOZ/webinarze agent pobiera listę uczestników, segmentuje, generuje spersonalizowane maile, ustawia scoring i tworzy zadania w ZOHO. Półautomatyczny — człowiek akceptuje przed wysyłką.
4 eventy/mies. × ~150 kontaktów × 4min → 30s ręcznej obróbki
= 35h × 0,65 → ≈ 22h/mies.
Ryzyko
Zgody marketingowe i deliverability. W pierwszych 60 dniach zawsze przez akceptację człowieka, dopiero potem auto-send.
Fabryka contentu · Castmagic / Descript
Z jednego nagrania ze studia / panelu eventowego: transkrypcja, 6–8 postów LinkedIn, newsletter, artykuł, szkic case study, klipy wideo, cytaty. Narzędzia tej kategorii zwracają 50–70% czasu produkcji contentu.
6 nagrań/mies. × 8h → 2h obróbki na asset pack
= 36h × 0,7 → ≈ 26h/mies.
Ryzyko
Treści generyczne bez redakcji człowieka. AI robi szkic, marketing musi mieć 30 minut na finishing.
Asystent wiedzy RAG · Claude / Bedrock KB
Wewnętrzny chatbot dla sprzedaży i Customer Success. Odpowiada na pytania na podstawie cenników, FAQ, case studies, materiałów strategicznych. „Jak argumentować vs konkurent X dla stomatologii?"
5 osób × 1h/dzień szukania → 15min/dzień
= 78h × 0,25 → ≈ 18h/mies.
Ryzyko
Halucynacje na cenniku = realny problem prawny. Zawsze z cytatem źródła, regularny audyt jakości odpowiedzi.
Lead scoring + kwalifikacja · ML klasyfikator
Model ocenia leady w skali 1–100 na podstawie segmentu, aktywności, źródła, historii. Sprzedaż dzwoni do 10 najgorętszych zamiast filtrować 200 ręcznie.
5 handlowców × 4h/tydz kwalifikacji → 1h/tydz
= 60h × 0,3 → ≈ 16h/mies.
Ryzyko
Bez czystych danych w ZOHO model nauczy się chaosu. Wymaga 14-dniowego audytu Data Quality jako prerequisite.
Generator landing page'y · v0.app / Lovable
Dedykowane LP pod segment (stomatologia, POZ, sieci, estetyczna) — copy, struktura, formularz, integracja z CRM. Czas budowy: 2 dni → 30 minut.
2 LP/mies. × 16h → 1h roboty
= 30h × 0,5 → ≈ 14h/mies.
Ryzyko
Hosting, tracking, zgodność z marką. Generowanie 80% gotowe — ostatnie 20% to ręczna robota dewelopera.
OCR formularzy · Textract / Document AI
Po eventach: skany zgłoszeń, ankiet, formularzy → OCR → tagowanie → wpis do ZOHO. Eliminacja ręcznego przepisywania.
~600 dokumentów/mies. × 2,5min → 15s ręcznej obróbki
= 24h × 0,5 → ≈ 12h/mies.
Ryzyko
Polskie znaki i pismo ręczne dają błędy. Walidacja człowieka konieczna na 10–15% rekordów.
Research konkurencji · Perplexity Deep + Make
Cotygodniowy raport o konkurencji (TerminDr, ZnanyLekarz, Booksy Medical), nowych funkcjach, kampaniach, trendach. Sprzedaż dostaje wsad do ofert.
1 osoba × 5h/tydz ręcznego researchu → 30min/tydz
= 18h × 1,0 → ≈ 18h/mies.
Ryzyko
Halucynacje w raporcie = błędna decyzja sprzedażowa. Każdy „fakt" musi być z linkiem do źródła.
Predykcja churnu + dashboard · BigQuery / Vertex
Analiza logowań i użycia produktu. Customer Success dostaje listę 10 klientów najbardziej zagrożonych odejściem zamiast czytać tabele excelowe.
CS team × 3h/tydz raportów → 30min/tydz
= 20h × 0,7 → ≈ 14h/mies.
Ryzyko
Bez danych z 12 mies. modele słabo predyktują. Pierwsze 6 miesięcy to bardziej alerty heurystyczne niż prawdziwy ML.