Dlaczego agent AI nie działa w sprzedaży — to nie model jest zły, to twoje dane

Co to jest GTM agent i dlaczego firmy go chcą

GTM agent (Go-to-Market agent) to autonomiczny system AI, który wykonuje kroki procesu sprzedażowego bez udziału człowieka: kwalifikuje leady, personalizuje outreach, podsumowuje stan konta, proponuje next best action i aktualizuje rekordy w CRM.

To nie jest chatbot ani copilot. GTM agent działa w pętli: obserwuje dane → podejmuje decyzję → wykonuje akcję → loguje wynik. Bez kliknięcia „wyślij" od handlowca.

Dlaczego firmy tego chcą? Liczby mówią same za siebie. Według Anthropic State of AI Agents 2026 ponad 57% organizacji używa agentów do multi-stage workflows, a 80% raportuje mierzalne ROI. Halkwinds AI Agent Adoption Report 2026 pokazuje, że 45% enterprise teams ma przynajmniej jednego agenta w produkcji — w 2024 roku było to mniej niż 3%. McKinsey State of AI 2026 raportuje, że 44% organizacji skaluje AI w całym przedsiębiorstwie.

Presja jest realna. Problem też.

Dlaczego coding agents działają, a GTM agents nie

Coding agent działa na jednym, spójnym kontekście: repozytorium kodu. Pliki są w jednym miejscu, mają deterministyczną strukturę, historia zmian jest kompletna (git), zależności są jawne. Agent ma pełny, ujednolicony obraz rzeczywistości i może działać poprawnie.

GTM agent działa na chaosie. Jego kontekstem jest CRM — a CRM w większości firm to graveyard of half-truths: niekompletne notatki, zduplikowane rekordy, brakujące daty, ręcznie wpisane dane z literówkami.

To fundamentalna różnica i właśnie dlatego coding agents generują realną wartość od pierwszego dnia, a GTM agents zacinają się lub — co gorsza — działają pewnie, ale błędnie.

Jak trafnie ujął to artykuł 24seven.news: GTM agents nie działają nie dlatego, że model jest za słaby — dlatego że dane sprzedażowe są fragmentaryczne, zduplikowane i odcięte od zewnętrznych sygnałów.

Agent AI jest tak dobry jak dane, na których operuje. Daj mu zły kontekst — otrzymasz pewne, ale błędne odpowiedzi. To nie jest problem modelu. To problem danych.

Trzy konkretne powody, dla których dane w CRM są złe

1. „Happy ears" — handlowcy logują to, co chcą widzieć

Handlowcy naturalnie logują pozytywne sygnały: „klient zainteresowany", „demo umówione", „szansa na Q4". Obiekcje, opóźnienia, sygnały odejścia — często nie trafiają do systemu albo są zapisane jako „follow-up needed".

To nie jest wina ludzi. To ludzka natura. Problem w tym, że agent operujący na tych danych widzi pipeline bardziej optymistyczny niż rzeczywistość. Kwalifikuje lead jako gorący, bo historia interakcji wygląda pozytywnie — a nie wie, że klient trzy razy odwoływał rozmowę i nie odpowiedział na ostatnie cztery maile.

2. Identity resolution — ten sam klient w trzech miejscach

Cisco jako potencjalny klient może figurować w CRM jako „Cisco", „Cisco WebEx" i „AppDynamics" (spółka Cisco). Trzy osobne rekordy, każdy z fragmentem historii.

Agent analizujący jedno konto nie widzi pełnego obrazu. Nie wie, że z inną jednostką tego samego klienta firma rozmawiała już dwa lata temu, że był pilot, że był champion który odszedł. Bez identity resolution — procesu łączenia zduplikowanych rekordów w jeden spójny profil firmy — agent wyciąga błędne wnioski z niekompletnych danych.

3. Zewnętrzne sygnały w ogóle nie trafiają do CRM

Runda finansowania serii B. Nowy VP of Sales zatrudniony tydzień temu. Job posting na „Head of Revenue Operations". Zmiany w zarządzie. Przejęcie przez konkurenta.

To są sygnały intencji zakupowej — i w standardowym CRM ich nie ma. Agent nie wie, że konto, które nie odpowiadało przez pół roku, właśnie dostało 20 milionów dolarów finansowania i rekrutuje zespół sprzedażowy. Nie wie, bo nikt tego nie wpisał do Salesforce'a.

Jak wygląda agent, który działa — minimalne warunki

Żeby GTM agent działał poprawnie, potrzebuje czterech rzeczy. Nie opcjonalnych — obowiązkowych:

Identity resolution — jeden rekord per firma, niezależnie od tego, ile podmiotów, domen i nazw ma ta organizacja. Agent musi operować na ujednoliconym profilu, nie na fragmencie.

Zewnętrzne sygnały podpięte pod konto — dane o finansowaniu, zmianach kadrowych, job postingach, newsach branżowych muszą trafiać do kontekstu agenta automatycznie, w czasie rzeczywistym. Nie raz na kwartał przez ręczny import z LinkedIna.

Pełna historia interakcji — maile, notatki z rozmów, nagrania z demo, wyniki poprzednich kampanii. Wszystko. Nie tylko to, co handlowiec uznał za warte zalogowania.

Aktualny dostęp do danych, nie historyczne snapshoty — agent musi widzieć stan konta dziś, nie stan z ostatniej synchronizacji sprzed 48 godzin. Stale synchronizowane dane to minimum.

Bez tych czterech elementów agent będzie działał — ale błędnie. I to jest gorsze niż niedziałanie: błędna pewność kosztuje więcej niż brak odpowiedzi.

Warto też zauważyć, że nawet dobrze wyposażone agenty wymagają nadzoru: Halkwinds pokazuje, że 67% wdrożeń produkcyjnych zawiera obowiązkowy human review gate. To nie jest słabość — to świadomy design.

Co z tym zrobić praktycznie

Są dwie drogi i obie są realne, ale różnią się kosztami.

Wariant A: integruj istniejący CRM

Jeśli masz Salesforce, HubSpot albo Pipedrive z latami historii — możesz próbować podpiąć do tego agenty. Ale bądź szczery co do kosztów: to projekt na 6–12 miesięcy, wymaga dedykowanego zespołu do czyszczenia danych, identity resolution to osobny projekt, integracje z zewnętrznymi źródłami sygnałów (Crunchbase, LinkedIn, Apollo) trzeba zbudować od zera.

Dla firmy 10–100 osób to często nie jest realne. McKinsey raportuje, że 32% firm zdecydowało się NIE kupować oprogramowania, bo może je zbudować wewnętrznie — ale budowanie warstwy danych pod agenty na starym CRM to zadanie znacznie cięższe niż budowanie nowego toolingu.

Wariant B: zacznij od CRM zaprojektowanego pod agenty

Jeśli zaczynasz od nowa albo możesz sobie pozwolić na migrację — sens ma postawienie CRM, który od fundamentów zakłada agentowy model pracy: ujednolicone dane, wbudowane identity resolution, automatyczne zasilanie zewnętrznymi sygnałami, pełna historia w kontekście agenta.

Khirby to open source, self-hosted CRM zaprojektowany właśnie pod ten scenariusz. Nie SaaS z agentem doklejonym do boku — architektura, w której agent jest pierwszym obywatelem, a dane są zorganizowane tak, żeby mógł z nich korzystać poprawnie. Możesz postawić u siebie i zachować pełną kontrolę nad danymi.

Podsumowanie

GTM agent to nie futurologia — to dziś. Ale działa tylko wtedy, gdy dane są kompletne, ujednolicone i aktualne. Większość CRM-ów nie spełnia tych warunków — nie dlatego że są złe, tylko dlatego że nie były projektowane z myślą o agencie jako użytkowniku.

Jeśli wdrożenie agenta sprzedażowego nie przynosi rezultatów, zanim zmienisz model — sprawdź dane. Prawie na pewno problem jest tam.

Umów demo | Postaw sam u siebie

Źródła

1. Anthropic: The 2026 State of AI Agents Report

2. Halkwinds: AI Agent Adoption Report 2026

3. McKinsey: The State of AI in 2026 — On the Road to ROI

4. 24seven.news: Why Coding Agents Work and Go-to-Market Agents Don’t (Yet)