Selektywna specjalizacja: jak tworzyć agentów, którzy sprawdzają się w produkcji

Zbudowanie agenta na potrzeby demo nigdy nie było szybsze. Podłączasz dobry model, dajesz mu kilka narzędzi i w jedno popołudnie masz coś, co umawia spotkania, pisze odpowiedzi albo generuje raporty na żądanie. Problemy zaczynają się później. VP ds. obsługi klienta, szef operacji, lider platformy – każdy, kto odpowiada za działanie agenta na poziomie firmy – trafia na ścianę. To, co działało w demo, nagle robi się wolne i nieprzewidywalne, gdy pojawia się prawdziwy ruch i prawdziwe stawki. Zwykle nie zawodzi sama platforma. Zawodzi architektura zbudowana na niej.

Wąskie gardło: jeden agent od wszystkiego

Naturalny odruch po sukcesie pierwszego agenta to dać mu więcej. Więcej narzędzi. Więcej kontekstu. Więcej zadań. Skoro poradził sobie z jednym, pewnie da radę z dziesięcioma.

To podejście tworzy wąskie gardło. Gdy jeden agent odpowiada za planowanie, wykonanie, zapamiętywanie i analizę w szerokim zakresie, wszystko zaczyna się sypać naraz.

Podejmowanie decyzji robi się wolniejsze i trudniejsze do kontrolowania, bo każdy krok walczy o miejsce w jednym oknie kontekstu i jednym przebiegu rozumowania. Wybór narzędzi staje się mniej pewny, bo im więcej narzędzi, tym łatwiej o pomyłkę. System robi się kruchy, bo drobne nieporozumienie na początku zostaje niezauważone. Bez jasnych granic między zadaniami, błąd na starcie psuje wszystko dalej.

Wyobraź sobie agenta głosowego, który ma obsłużyć zgłoszenie ubezpieczeniowe od początku do końca. W jednej rozmowie musi potwierdzić tożsamość, znaleźć właściwą polisę, sprawdzić zakres, zinterpretować zgłoszenie, oszacować wypłatę, zapisać rozmowę i zdecydować, czy przekazać sprawę człowiekowi. W demo, z miłym rozmówcą i czystą linią, wszystko idzie gładko. W produkcji, na głośnej komórce, agent źle słyszy imię już na początku. Nigdy się nie odzyskuje. Pobiera złą polisę, pewnie analizuje nie ten zakres i podaje kwotę za plan, którego klient nie kupił. Nic nie oddzielało rozpoznania imienia od działania, więc jeden błąd w transkrypcji kończy się złą obietnicą złożoną klientowi.

W branżach regulowanych to nie tylko złe doświadczenie – to naruszenie zgodności z przepisami i ryzyko odpowiedzialności. Dlatego ubezpieczenie agentów staje się warunkiem wdrożeń produkcyjnych i dlatego stworzyliśmy ElevenAgents jako pierwszą platformę conversational AI, która kwalifikuje się do ubezpieczenia AI przez

Zwróć uwagę, co naprawdę zawiodło. Agent nie był słaby w rozmowie. Zawiodło to, że musiał robić wszystko sam, bez żadnego punktu kontrolnego między zrozumieniem a działaniem. Rozwiązaniem nie jest mniejsze ambicje czy cichszy agent. Rozwiązaniem jest struktura.

Warto to doprecyzować. To nie jest głównie ograniczenie samych modeli. Lepszy model podnosi sufit, ale nie usuwa problemu ze strukturą. To kwestia projektowania systemu.

Model mentalny: działy, nie CEO od wszystkiego

Do tego nie potrzeba specjalnej infrastruktury. Nasza platforma, ElevenAgents, już oferuje

To właśnie jest siła architektury multi-agentowej – i przy odpowiednich zadaniach to naprawdę działa. Przykład z contact center pokazuje to najlepiej. Chcesz ocenić jakość dziesięciu tysięcy rozmów wsparcia z wczoraj. Praca dzieli się jasno: jeden agent sprawdza zgodność ze skryptem, drugi ocenia empatię i ton, trzeci oznacza rozmowy do eskalacji, czwarty wyciąga powód kontaktu. Te oceny są niezależne i mogą działać równolegle na tej samej transkrypcji. To idealny przypadek dla multi-agentów. Części są niezależne, praca polega głównie na analizie, a oddzielenie każdej oceny w osobnym kontekście sprawia, że są dokładniejsze.

Uwierzytelnianie przez aplikację hostującą

Dla agentów głosowych osadzonych na stronie, aplikacja hostująca może przekazać dane sesji użytkownika (np. status zalogowania, ID konta, tokeny sesji) przez dynamiczne zmienne podczas inicjalizacji agenta/widgetu. Te zmienne są automatycznie wstrzykiwane do wywołań narzędzi, dzięki czemu agent pobiera spersonalizowane dane z systemów bez osobnego uwierzytelniania.

Uczciwe kompromisy

Documentation on Dynamic Variables:

• https://elevenlabs.io/docs/agents-platform/customization/personalization/dynamic-variables#pass-variables-at-runtime 

To samo widać w rozmowach na żywo. Wyobraź sobie rozmowę windykacyjną podzieloną na agenta negocjacyjnego i agenta compliance, którzy nie dzielą się stanem. Negocjator, chcąc pomóc, proponuje klientowi plan spłaty na sześć miesięcy. Agent compliance, który tej propozycji nie widział, by ją odrzucił, bo w danym regionie maksymalny okres to trzy miesiące. Każdy agent działał sensownie w swoim zakresie. Razem dali obietnicę, której firma nie może dotrzymać – i to w rozmowie z prawdziwą osobą, na żywo. To nie był problem modelu ani warstwy głosowej. To były dwa wąskie spojrzenia, które się nie spotkały.

Rozwiązaniem nie jest więcej agentów. Trzeba utrzymać całą rozmowę w jednym miejscu i pozwolić agentowi sprawdzić regułę compliance jako narzędzie przed złożeniem oferty, żeby reguła i propozycja spotkały się zanim padnie słowo. To kwestia projektu, a dobra platforma ułatwia taki wybór.

W praktyce wybór zależy od zadania. Multi-agent sprawdza się przy pracy równoległej, gdzie części są niezależne – badania, wyszukiwanie, weryfikacja. Gorzej radzi sobie tam, gdzie wszystko musi być spójne, np. przy pisaniu jednego fragmentu kodu. Przy zadaniach wrażliwych na opóźnienia, jak przetwarzanie głosu na żywo, każdy dodatkowy agent wydłuża czas reakcji, więc długie łańcuchy agentów są ryzykowne. Tu właśnie nasza infrastruktura robi różnicę. ElevenAgents łączy rozpoznawanie mowy, zarządzanie kolejnością i generowanie głosu w jednym systemie, więc opóźnienia są minimalne już na starcie.

Co naprawdę daje zwrot z inwestycji

• https://elevenlabs.io/docs/agents-platform/customization/tools/server-tools 
• https://elevenlabs.io/docs/eleven-agents/customization/agent-workflows#dispatch-tool-node 

Innymi słowy, odpowiedzią rzadko jest „jeden wielki agent” albo „wszystko podzielone”. Chodzi o selektywną specjalizację. Zyski pojawiają się tam, gdzie dobrze wyznaczysz granice – nie od liczby agentów czy mocy pojedynczego. Trzymaj zadanie w jednym agencie, gdy wszystko jest powiązane i kontekst musi być ciągły. Dziel na wyspecjalizowanych agentów, gdy praca jest równoległa i konteksty można łatwo rozdzielić.

Rekomendacja

Przy nowym projekcie nie zaczynaj od wyboru architektury. Najpierw rozpisz zadania.

Wypisz, czego system naprawdę potrzebuje. Zaznacz, które części są niezależne, a które mocno powiązane. Zidentyfikuj, gdzie osobny kontekst to zaleta, a nie wada – np. osobna weryfikacja faktów, którą chcesz oddzielić od głównego rozumowania. Dopiero wtedy zdecyduj, gdzie rozdzielić zadania na osobnych agentów.

Tak wygląda to na przykładzie linii przypominającej o spłacie kredytu. Rozmowa na żywo zostaje w jednym agencie, bo słowa klienta, ton i dialog są ze sobą powiązane, a każde dodatkowe przełączenie to opóźnienie słyszalne dla rozmówcy. Wokół tego rdzenia podłączasz wyspecjalizowane elementy, które nie przerywają rozmowy: narzędzie pobierające konto i saldo, zabezpieczenie compliance, które agent sprawdza przed złożeniem oferty, płynne przekazanie do człowieka, gdy trzeba, i osobną grupę agentów oceniających nagrania następnego dnia pod kątem jakości i ryzyka.

• https://elevenlabs.io/docs/agents-platform/customization/personalization/dynamic-variables#system-dynamic-variables 
• https://elevenlabs.io/docs/agents-platform/customization/personalization/twilio-personalization 

Dzięki temu zyskujesz zalety specjalizacji bez niepotrzebnych kosztów koordynacji. Przewidywalne działanie, ograniczone błędy i system, którego złożoność wybierasz świadomie, a nie odkrywasz w produkcji. W takim podejściu platforma agentowa to nie demo, które się sypie przy większej skali, tylko infrastruktura, która robi się stabilniejsza, gdy każda część ma jasno określone zadanie.

Rozmowa jest spójna, więc zostaje całością. Wyszukiwania, sprawdzenia i oceny są niezależne, więc mają własne granice. To selektywna specjalizacja, a nie dzielenie na siłę – i dokładnie tak działają dobre platformy agentowe.

Dzięki temu zyskujesz zalety specjalizacji bez zbędnego chaosu. Przewidywalne działanie, ograniczone błędy i system, którego złożoność wybierasz sam, a nie odkrywasz w trakcie pracy. W takim podejściu platforma agentowa nie jest tylko demem, które się sypie przy większej skali. To infrastruktura, która działa coraz lepiej, gdy każda część ma jasne zadanie. Właśnie po to stworzyliśmy ElevenAgents.

Gdy wymagana liczba weryfikacji zostanie osiągnięta (np. 3), warunek w workflow sprawdza wartość zmiennej i przechodzi do uprzywilejowanego subagenta. Wyrażenie używa operatorów porównania (np. auth_success_count >= 3), by jednoznacznie sterować dostępem na podstawie statusu uwierzytelnienia.

Dokumentacja tutaj:https://elevenlabs.io/docs/eleven-agents/customization/agent-workflows#edges-and-flow-control 

Kod jednorazowy

To uniwersalna metoda, w której kod jednorazowy jest wysyłany na urządzenie użytkownika SMS-em lub mailem. Użytkownik musi podać kod agentowi, by uzyskać dostęp.

Przebieg wdrożenia:

1. Generowanie kodu: Agent zaczyna proces przez wywołanie narzędzia do odpowiedniego endpointu. To generuje bezpieczny kod jednorazowy i wysyła go użytkownikowi wybranym kanałem (SMS lub e-mail).
2. Prośba o kod: Agent prosi użytkownika o podanie otrzymanego kodu. W trybie głosowym użytkownik wypowiada kod, który jest rozpoznawany przez speech-to-text.
3. Weryfikacja kodu: Agent przesyła podany kod do usługi weryfikacyjnej przez kolejne wywołanie narzędzia. Backend sprawdza, czy kod się zgadza, nie wygasł i nie został już użyty.
4. Przekierowanie w workflow: Agent reaguje na wynik weryfikacji: Sukces – jeśli kod jest poprawny, użytkownik trafia do dalszej części workflow przez warunek sukcesu. Porażka – jeśli kod jest zły, agent może poprosić o ponowne podanie kodu lub wysłać nowy.

Bezpieczeństwo: Warto wdrożyć limity prób, by zapobiec atakom brute force, ustawić krótki czas ważności kodów (3-5 minut) i ograniczyć liczbę powtórzeń. Przy rozmowach głosowych warto dodać potwierdzenie, by upewnić się, że kod został poprawnie rozpoznany przez speech-to-text.

Podsumowanie

Te metody uwierzytelniania to elastyczne elementy, które możesz dopasować do swoich potrzeb. Wybierz rozwiązanie zgodne z poziomem ryzyka, wymogami prawnymi i oczekiwaniami użytkowników. Bot obsługi klienta potrzebuje innego poziomu bezpieczeństwa niż asystent bankowy. Elastyczność platformy pozwala rozwijać strategię zabezpieczeń wraz ze zmianą zagrożeń i wymagań – zawsze z myślą o równowadze między ochroną a wygodą użytkownika.