Pełny indeks pojęć

366 pojęć z definicjami, pogrupowanych według warstw. Każde ma osobną stronę z pełnym opisem, polskimi nazwami, wariantami i pojęciami powiązanymi. Ta sama lista w formacie maszynowym: JSON API.

Fundament

Bezpieczeństwo agentów

• Agent sprawl (Niekontrolowany rozrost agentów) — Niekontrolowana proliferacja agentów AI w organizacji — tworzonych bez centralnego nadzoru, dokumentacji ani review bezpieczeństwa — prowadząca do sytuacji w której organizacja nie wie ile agentów działa, do jakich zasobów mają dostęp i jakie ryzyko reprezentują. Enterprise-owa wersja shadow IT.
• Awaria kompetencji — Tryb awarii nadzoru w którym okno zgody mówi prawdę, odzywa się rzadko i zostaje przeczytane uważnie, a człowiek i tak nie potrafi odpowiedzieć — bo odpowiedź wymaga wiedzy której nie ma i nie powinien mieć. Nie naprawia jej ani lepsze okno, ani rzadsze.
• Context poisoning (Zatrucie kontekstu) — Atak polegający na wprowadzeniu do okna kontekstu agenta — przez zewnętrzne dokumenty, historię konwersacji lub pamięć długoterminową — fałszywych informacji które modyfikują przyszłe zachowanie agenta nawet gdy bezpośredni atak już nie jest aktywny. Szczególnie groźny przy agentach z RAG i pamięcią długoterminową.
• Context window poisoning (Zatruwanie okna kontekstu) — Atak na agenta RAG przez wstrzyknięcie złośliwych instrukcji do dokumentów w bazie wiedzy — instrukcje są pobierane przez agenta jako kontekst i wpływają na jego zachowanie. Whitelist źródeł RAG i separacja konfigu od danych jako główne środki obrony.
• Credential leakage (Wyciek poświadczeń) — Nieautoryzowane ujawnienie poświadczeń uwierzytelniających — kluczy API, tokenów, haseł — przez agenta AI: przez złośliwy atak nakłaniający agenta do ich ujawnienia, błąd konfiguracji który przechowuje credentials niezabezpieczenie, lub włączenie ich do odpowiedzi przez nieuwagę. Moltbook case study: 1,5 miliona API keys w plaintext w bazie danych.
• Indirect prompt injection (Pośrednie wstrzyknięcie instrukcji) — Wariant prompt injection w którym złośliwe instrukcje są ukryte w zewnętrznych danych które agent przetwarza w ramach zadania — stronach, mailach, dokumentach, bazach danych — nie w bezpośredniej komunikacji z użytkownikiem. Szczególnie groźny bo agent nie może odróżnić złośliwej instrukcji od legitymowanej treści, a atak jest trudny do wykrycia.
• Jailbreak (Jailbreak modelu AI) — Technika ataku na model językowy przez prompt który skłania model do zachowania niezgodnego z wytrenowanymi ograniczeniami. Dla agentów z dostępem do narzędzi: wektor ataku prowadzący do realnych akcji — refund na konto attakera, eksfiltracja danych. Guardrails infrastrukturalne kluczowe.
• Nieodwracalność operacji — Właściwość operacji której skutku nie da się wycofać po tym, jak stał się widoczny na zewnątrz systemu. Podstawowe kryterium decydujące o tym, które działania agenta wymagają zgody człowieka, a które wystarczy zalogować z możliwością cofnięcia.
• Obcięty kontekst zgody — Skrócenie opisu operacji w oknie zatwierdzania tak że informacja istotna dla decyzji nie mieści się w widoku — formalnie dostępna, praktycznie niewidoczna. Naruszenie parytetu informacji przez układ interfejsu, bez kłamstwa w treści.
• Parytet informacji — Własność punktu kontrolnego w której człowiek widzi w momencie decyzji dokładnie to co wie agent. Okno zgody chroni dokładnie tyle ile prawdy pokazuje — jeśli agent zna skutek którego nie wyświetla, pętla nadzoru jest rozerwana mimo że formalnie istnieje.
• Permission injection (Wstrzyknięcie uprawnień) — Atak w którym złośliwe instrukcje wstrzyknięte w treść przetwarzaną przez agenta nakłaniają go do żądania lub samodzielnego przyznania sobie dodatkowych uprawnień wykraczających poza te zdefiniowane przez operatora. Kombinacja indirect prompt injection z privilege escalation — bardziej destrukcyjna niż zwykły prompt injection bo atakuje same granice działania agenta.
• Prompt injection (Wstrzyknięcie instrukcji) — Atak na system agentowy polegający na wstrzyknięciu złośliwych instrukcji w treść którą agent przetwarza — maile, dokumenty, strony internetowe — tak że agent wykonuje działania inne niż zamierzył użytkownik. Fundamentalna klasa zagrożeń wynikająca z tego że modele językowe nie odróżniają inherentnie "treści do przeczytania" od "instrukcji do wykonania".
• Przeciążenie zgodą — Pokazanie kilku zatwierdzeń naraz albo jednego zbiorczego zamiast serii — tak że nie sposób przejrzeć żadnego z osobna. Zgoda zbiorcza o całą sekwencję ukrywa tę jedną akcję która jest groźna.
• Rogue MCP server (Złośliwy serwer MCP) — Złośliwy serwer MCP udający legitymowany serwis — przez typosquatting nazwy, podszywanie się pod znany serwis, lub kompromitację prawdziwego serwera — który serwuje agentom zatrute narzędzia lub eksfiltruje dane z konwersacji. Odpowiednik typosquattingu npm w ekosystemie MCP.
• Rozdzielenie obowiązków — Zasada kontroli wewnętrznej rozdzielająca autoryzację, wykonanie i zapis operacji między różne podmioty. Przeniesiona na agentów oznacza, że kto konfiguruje agenta, kto z nim pracuje i co prowadzi ślad audytowy nie mogą być tym samym.
• Sandboxing agenta (Izolacja agenta) — Zestaw mechanizmów izolacji środowiska wykonawczego agenta AI — ograniczających dostęp do zasobów systemu, sieci, danych i innych agentów — tak że kompromitacja lub błędne działanie agenta ma ograniczony zasięg i nie może się rozprzestrzeniać. Implementacja zasady defence in depth: nie eliminacja ryzyka, ale zawężenie jego konsekwencji.
• Stronniczość automatyzacji — Skłonność człowieka do przyjmowania rekomendacji systemu bez niezależnej weryfikacji, rosnąca wraz z jego wcześniejszą niezawodnością. Im rzadziej agent się myli, tym słabszy nadzór nad nim sprawuje operator — niezawodność jest jednocześnie czynnikiem ryzyka.
• Supply chain attack MCP (Atak na łańcuch dostaw MCP) — Atak na łańcuch zaufania między agentem a narzędziami których używa — przez kompromitację serwera MCP, biblioteki lub pakietu npm który go implementuje — tak że złośliwy kod jest wykonywany przez agenta który ma powody ufać skompromitowanemu elementowi. MCP-owa wersja ataku SolarWinds.
• Tool poisoning (Zatrucie narzędzi) — Atak polegający na zmodyfikowaniu lub sfałszowaniu opisów narzędzi dostępnych dla agenta AI — tak że agent wywołuje narzędzia w nieautoryzowany sposób lub ujawnia dane które powinny pozostać prywatne. Szczególnie groźny w ekosystemie MCP gdzie agenty dynamicznie odkrywają narzędzia z zewnętrznych serwerów i ufają ich opisom.
• Zero trust dla agentów (Zerowe zaufanie dla agentów) — Architektura bezpieczeństwa "never trust, always verify" dla agentów AI — każde żądanie agenta wymaga weryfikacji tożsamości i autoryzacji, niezależnie od lokalizacji sieciowej. Zero trust enforcement sprawia że governance CoE AI jest egzekwowalne technicznie, nie tylko na papierze.
• Zeszklone zatwierdzanie — Odruchowe akceptowanie próśb agenta o zgodę bez czytania ich treści. Okno pokazuje prawdę, człowiek i tak klika "akceptuj" — bo robił to dziś czterdzieści razy i za każdym razem było w porządku. Lekarstwem nie jest lepsze okno tylko mniejsza liczba okien.
• Zmęczenie alertami — Spadek reakcji na powiadomienia wywołany ich nadmiarem — użytkownik odrzuca ostrzeżenia odruchowo, łącznie z trafnymi. Wniosek z badań klinicznych: problemem nie była jakość ostrzeżeń tylko ich liczba. Agent generuje ich w godzinę tyle co system szpitalny w dobę.
• Ślad audytowy agenta — Rejestr działań agenta prowadzony poza jego zasięgiem, pozwalający odtworzyć co zostało wykonane, na czyją autoryzację i na jakiej podstawie. Ślad prowadzony przez samego agenta nie jest śladem audytowym — jest jego autobiografią.

Context engineering

• Budżet tokenów — Rozmiar okna kontekstu traktowany jako zasób do rozplanowania. Każdy dodany token czemuś służy albo coś psuje; nadmiar płaci się jakością i kosztem.
• Context engineering (inżynieria kontekstu) — Projektowanie tego, co znajduje się w oknie kontekstu modelu przy danym kroku — doboru, ilości i formy informacji (system prompt, pamięć, wyniki narzędzi, retrieval, przykłady).
• Context rot (gnicie kontekstu) — Degradacja jakości odpowiedzi modelu w miarę zapychania okna nieistotną treścią. Im więcej szumu, tym trudniej modelowi wyłowić sygnał.
• Few-shot (uczenie na przykładach) — Technika podania modelowi kilku przykładów „wejście → oczekiwane wyjście" jako wzorca, zamiast opisywania oczekiwań słowami. Liczy się trafność i spójność przykładów, nie ich liczba.
• Grounding (ugruntowanie) — Opieranie odpowiedzi modelu na dostarczonych, konkretnych danych (pobranych lub podanych w kontekście), zamiast na samej wiedzy parametrycznej modelu.
• Just-in-time retrieval (pobieranie na żądanie) — Pobieranie wiedzy do okna dopiero wtedy, gdy konkretny krok jej wymaga, zamiast ładowania wszystkiego z góry. Trzyma okno chude i dane świeże.
• Kompakcja kontekstu — Zwięzłe zastępowanie starszej historii agenta jej streszczeniem, by utrzymać roboczą warstwę okna w skończonym rozmiarze przy długich przebiegach.
• Lost in the middle (zgubione w środku) — Zjawisko, w którym informacja umieszczona w środku długiego okna kontekstu jest obsługiwana gorzej niż ta na jego początku i końcu.
• Okno kontekstu — Maksymalna ilość tekstu, liczona w tokenach, którą model może mieć „przed oczami" w jednym wywołaniu. Skończony budżet, w którym muszą zmieścić się wszystkie warstwy kontekstu.
• Prompt template (szablon promptu) — Wielokrotnie używany szablon promptu o stałej strukturze i miejscach na zmienne dane. Podstawa powtarzalności w przepływach agentowych.
• Structured output (wyjście strukturalne) — Wymuszenie na modelu wyniku w ustalonej, sztywnej formie (najczęściej JSON o zdefiniowanej strukturze) zamiast swobodnej prozy. Daje przewidywalny kształt i łatwą walidację.
• Zero-shot (bez przykładów) — Sformułowanie zadania bez żadnego przykładu, w oparciu o samą instrukcję. Przeciwieństwo few-shot.

Ekonomika agentowa

• Micropayment agentowy (Mikropłatność agentowa) — Mechanizm płatności zoptymalizowany pod autonomiczne transakcje agentów AI — umożliwiający płatności rzędu ułamków centów za pojedyncze wywołania API, dostęp do treści lub użycie narzędzi — przez infrastrukturę redukującą koszty transakcyjne do poziomu ekonomicznie uzasadnionego przy tak małych kwotach.

Ewaluacja agentów

• Ewaluacja trajektorii — Ocena całej sekwencji kroków agenta — planów, wywołań narzędzi, interpretacji i decyzji — a nie tylko końcowej odpowiedzi. Łapie agenta, który dał dobry wynik złą drogą.
• Golden set (zestaw referencyjny) — Referencyjny zestaw testów z oczekiwanymi odpowiedziami i kryteriami sukcesu, służący jako baseline jakości agenta. Uruchamiany przed i po zmianie, by wykryć poprawę lub regresję.
• Kontaminacja benchmarków — Przedostanie się zadań ze zbioru testowego do danych treningowych modelu, przez co wynik benchmarku mierzy zapamiętanie zamiast zdolności. Trudna do wykrycia, bo rzadko jest dosłowna. Odpowiedzią nie jest lepszy benchmark, lecz własny, niepublikowany zestaw testowy z realnych przypadków.
• LLM-as-judge (model jako sędzia) — Użycie modelu językowego do oceny wyników innego modelu według zadanych kryteriów. Ma znane obciążenia: preferencję pozycji, preferencję długości i łaskawość wobec własnego stylu. Wiarygodne tylko wtedy, gdy oceniający ma dostęp do materiału, wobec którego weryfikuje, i został skalibrowany na ocenach człowieka.
• Sampling strategy (strategia próbkowania) — Strategia doboru próbki konwersacji do oceny jakościowej w produkcji, zamiast oceniania całego ruchu. Łączy próbkowanie losowe (puls) z celowanym (przypadki wysokiego ryzyka).
• Silent regression (cicha regresja) — Niewidoczna degradacja jakości agenta spowodowana cichą zmianą modelu przez providera, bez powiadomienia. Nie wywołuje jej żadna Twoja zmiana, więc nie złapie jej ewaluacja przed deployem.
• Wierność wobec kontekstu — Miara tego, w jakim stopniu odpowiedź opiera się wyłącznie na dostarczonym kontekście, bez uzupełniania wiedzą z treningu. Nie to samo co poprawność — odpowiedź może być prawdziwa i niewierna albo wierna i fałszywa. Mierzona przez rozłożenie odpowiedzi na twierdzenia i sprawdzenie każdego wobec źródła.

Maszyneria agenta

• Agent długo żyjący — Agent działający nieprzerwanie w tle, wyzwalany upływem czasu lub zdarzeniem zamiast pytaniem użytkownika. Pracuje w rytmie zwanym biciem serca: cyklicznie sprawdza, czy jest co robić. Wymaga budżetu liczonego w czasie, stanu przetrwającego restart i asynchronicznego potwierdzania operacji nieodwracalnych.
• Koszt kumulacyjny pętli — Sumaryczny koszt zadania agentowego, wynikający z tego, że przy każdym obrocie pętli cały rosnący kontekst jest wysyłany do modelu od nowa. Nie jest iloczynem liczby kroków i kosztu wywołania, lecz sumą rosnącego ciągu — dziesięć kroków potrafi kosztować kilkukrotnie więcej, niż sugeruje intuicja.
• Skutek uboczny — Trwała zmiana stanu poza agentem — wysłany mail, zapis w bazie, płatność, usunięcie danych. Podział narzędzi na odczytujące i wywołujące skutki uboczne jest podstawą wszystkich zabezpieczeń pętli, bo model tego rozróżnienia nie widzi. Występuje w trzech stopniach: odwracalny, odwracalny kosztownie i nieodwracalny.
• Warunek zakończenia — Reguła w kodzie pętli rozstrzygająca, czy wykonać kolejny obrót, czy zwrócić wynik. Występuje w czterech wariantach: naturalny, limit kroków, limit budżetu i limit czasu. Sam warunek naturalny nie wystarcza — model potrafi prosić o narzędzia w nieskończoność.
• Zapętlenie agenta — Sytuacja, w której agent wykonuje kolejne obroty pętli bez zbliżania się do zakończenia zadania — powtarza to samo wywołanie, oscyluje między dwoma narzędziami albo minimalnie zmienia argumenty. Wynika z braku pamięci modelu między wywołaniami i z narzędzi zwracających pustkę bez wyjaśnienia.

MCP Protokoły i Standardy

• Agentic AI Foundation — Organizacja przy Linux Foundation utrzymująca kluczowe standardy agentowe. W grudniu 2025 trafiły do niej Model Context Protocol, przekazany przez Anthropic, oraz specyfikacja AGENTS.md. Współzałożyciele to OpenAI i Block, wśród członków wspierających są AWS, Google, Microsoft, Cloudflare, GitHub i Bloomberg.

Modele i platformy AI

• Gemini 3.5 Flash — Flagowy model językowy ogłoszony na Google I/O 2026 (19 maja), GA 21 maja. Czterokrotnie szybszy niż dotychczasowe frontier modele, zoptymalizowany pod agentic coding, long-horizon tasks i real-world workflows. Silnik Antigravity 2.0, Auto Browse, Gemini Spark.
• Gemini Omni — Seria multimodalnych modeli Google ogłoszona na I/O 2026, pierwsza wersja Gemini Omni Flash. Przyjmuje dowolny typ wejścia (tekst, obraz, audio, wideo) i generuje dowolny typ wyjścia. Symetryczna multimodalność. Krok w stronę AGI według Hassabisa. Rozszerza Pierwszego Czytelnika z tekstu na wszystkie media.
• Gemma 197M — Ultra-efektywny model językowy Google (197M parametrów, ~200MB) ogłoszony na I/O 2026, wpinany w Chrome obok Gemini Nano jako drugi lokalny model przeglądarkowy. Zaprojektowany do zadań task-specific (summarizer, translator, classifier). Mała wielkość pozwala dystrybuować na urządzenia klasy budget.
• Intelligent Eyewear (Android XR) (Inteligentne okulary) — Kategoria okularów AI ogłoszona na I/O 2026, działająca na Android XR, zasilana Gemini — partnerstwo Samsung + Warby Parker + Gentle Monster (premiera audio glasses jesienią 2026, display glasses później). Nowa warstwa interfejsu po przeglądarce i aplikacji mobilnej. Cross-platform (Android + iPhone).

Pojęcia bazowe

• Agent AI — Autonomiczny system sztucznej inteligencji który samodzielnie planuje i wykonuje złożone zadania — wyszukuje informacje, podejmuje decyzje i działa w imieniu użytkownika bez jego ciągłego nadzoru.
• Agent loop (Pętla agenta) — Podstawowy cykl działania autonomicznego agenta AI — powtarzająca się sekwencja percepcji, planowania, akcji i oceny wyniku — która kontynuuje się aż agent osiągnie cel lub zostanie zatrzymany. Fundament architektoniczny każdego agenta który działa wielokrokowo.
• Agent memory (Pamięć agenta) — Mechanizmy przechowywania i odzyskiwania informacji przez agenta AI poza granicami pojedynczej sesji — umożliwiające ciągłość kontekstu i personalizację — przez kombinację pamięci krótkoterminowej (okno kontekstu) i długoterminowej (zewnętrzne bazy wektorowe). Fundament agentów które poprawiają się w czasie.
• Agent orchestration (Orkiestracja agentów) — Warstwa zarządzania wieloagentowym systemem AI — odpowiedzialna za dekomponowanie złożonych zadań, przydzielanie ich właściwym agentom, zarządzanie przepływem danych między agentami i integrację wyników. Orchestrator jest dyrygentem systemu wieloagentowego.
• Agentic OS (Agentowy system operacyjny) — Platforma działająca jako warstwa zarządzania dla agentów AI — odpowiedzialna za zarządzanie tożsamością agentów, dostępem do zasobów, komunikacją i bezpieczeństwem — tak jak tradycyjny system operacyjny zarządza procesami. Wizja Microsoftu dla Windows i Azure, kierunek platform chmurowych w 2025-2026.
• Agentic web (Agentowy web) — Nowa warstwa internetu, w której strony, sklepy, urządzenia i całe systemy są odwiedzane, rozumiane i obsługiwane nie tylko przez ludzi, ale przez autonomiczne systemy AI działające w ich imieniu — od warstwy treści, przez handel, po infrastrukturę.
• Browser use (Obsługa przeglądarki przez agenta) — Architektura agenta AI który steruje przeglądarką internetową przez dostęp do DOM i API przeglądarki — klikając linki, wypełniając formularze i nawigując między stronami — z głębszym rozumieniem struktury niż czysto wizualny computer use. Odpowiedź na brak agent-readiness strony.
• Computer use (Obsługa komputera przez agenta) — Zdolność agenta AI do obsługi interfejsu graficznego komputera — przez cykl widzenia ekranu, rozumienia co jest widoczne i wykonywania akcji myszą i klawiaturą — bez potrzeby dostępu do API ani danych strukturalnych. Najbardziej elastyczny ale też najmniej niezawodny sposób dostępu agenta do systemów.
• Moltbook — Pierwsza platforma społecznościowa zaprojektowana dla agentów AI — uruchomiona 28 stycznia 2026, działająca w stylu Reddit gdzie agenty publikują i głosują autonomicznie, a ludzie mogą tylko obserwować. Przejęta przez Meta 10 marca 2026. Pokazała strukturalne problemy bezpieczeństwa agentów w środowiskach peer-to-peer.
• Multi-agent system (System wieloagentowy) — Architektura systemów AI w której wiele autonomicznych agentów współpracuje — komunikując się, dzieląc zadania i koordynując działania — żeby osiągnąć cel który przekracza możliwości pojedynczego agenta. Każdy agent ma swoją specjalizację, dostęp do określonych narzędzi i zakres odpowiedzialności.
• Reasoning model (Model rozumujący) — Klasa modeli językowych która przed wygenerowaniem odpowiedzi wykonuje wewnętrzny proces rozumowania — chain of thought lub extended thinking — co znacząco poprawia jakość odpowiedzi na złożone problemy. Pierwszy popularny reasoning model: OpenAI o1 (wrzesień 2024).
• Tool use (Używanie narzędzi przez AI) — Zdolność modelu językowego do wywoływania zewnętrznych funkcji, API i serwisów w trakcie generowania odpowiedzi — model sięga po narzędzia żeby zebrać aktualne dane lub wykonać akcję zamiast odpowiadać wyłącznie z wiedzy treningowej. Fundament który odróżnia agenta od chatbota.
• Vibe coding (Kodowanie intencyjne) — Podejście do tworzenia oprogramowania ukute przez Andreja Karpathy'ego w lutym 2025 — programista opisuje agentowi AI czego chce, nie jak to zrobić, a agent generuje i uruchamia kod. Spektrum od pełnej delegacji (ryzyko produkcyjne) do warstwy przyspieszenia z weryfikacją człowieka.
• Warstwa pośredników — Nowa warstwa w architekturze internetu między użytkownikiem a stroną — systemy AI które interpretują intencje użytkownika i działają na stronach bez bezpośredniego udziału człowieka.
• vibe working (Praca intencyjna) — Vibe working to model pracy z agentem AI w którym człowiek określa intencję i oczekiwany efekt, a agent samodzielnie przechodzi przez narzędzia, dane i aplikacje żeby ten efekt dowieźć — bez ręcznej obsługi każdego interfejsu po drodze.

Protokoły komunikacji

• A2A (Agent-to-Agent Protocol) (Protokół agent-agent) — Otwarty protokół ogłoszony przez Google w kwietniu 2025 roku umożliwiający autonomicznym agentom AI wzajemne odkrywanie się, delegowanie zadań i koordynowanie pracy bez pośrednictwa człowieka — komplementarny z MCP, który obsługuje połączenia agent-narzędzie.
• ANP (Agent Network Protocol) (Protokół sieci agentów) — Otwarty protokół sieciowy zaproponowany przez GoDaddy i W3C dla zdecentralizowanej komunikacji agentów AI przez internet — gdzie agenty mogą odkryć się nawzajem, zweryfikować tożsamość i komunikować się przez standardowe protokoły webowe, niezależnie od platformy AI która je stworzyła.
• AP2 (Agent Payments Protocol) (Protokół płatności agentowych) — Otwarty agentowy protokół płatniczy ogłoszony przez Google z ponad 60 partnerami finansowymi — wprowadza kryptograficzny dowód zgody użytkownika do każdej transakcji inicjowanej przez agenta AI.
• Agent manifest (Manifest agenta) — Ustrukturyzowany dokument opisujący tożsamość, możliwości i interfejs agenta AI — dostępny pod /.well-known/agent.json — umożliwiający innym agentom odkrycie agenta i zrozumienie jak z nim pracować. Analogia do Web App Manifest dla przeglądarek.
• Intent Mandate (Mandat intencji) — Kryptograficznie podpisana deklaracja zgody użytkownika na działania agenta w jego imieniu — element AP2 — zawierająca zakres uprawnień, limity kwot i okres ważności. Cyfrowy odpowiednik pełnomocnictwa: weryfikowalny przez systemy płatnicze bez kontaktu z użytkownikiem przy każdej transakcji.
• JSON-RPC — Lekki protokół zdalnego wywoływania procedur używający JSON — klient wysyła żądanie z nazwą metody i parametrami, serwer zwraca wynik lub błąd — stanowiący fundament komunikacji w MCP, A2A i wielu protokołach agentowych. Prosty, transport-agnostic, powszechnie obsługiwany.
• MCP (Model Context Protocol) (Protokół kontekstu modelu) — Otwarty standard Anthropic umożliwiający agentom AI łączenie się z zewnętrznymi narzędziami, bazami danych i API w ustandaryzowany sposób — jak USB dla modeli językowych.
• NLWeb — Standard Microsoftu ogłoszony na Build 2025 przez R.V. Guha — pozwala każdej stronie wystawiać konwersacyjny interfejs dla agentów AI przez endpointy /ask i /mcp, używając Schema.org jako bazy wiedzy. Każda instancja NLWeb jest też serwerem MCP.
• OAuth dla agentów — Adaptacja standardu OAuth 2.0 do przypadku gdzie autoryzację przeprowadza autonomiczny agent AI — wymagająca rozwiązania problemów specyficznych dla agentów: bezpiecznego przechowywania tokenów bez narażenia modelu językowego, odnowienia tokenów bez interakcji użytkownika i ograniczenia zakresu uprawnień do minimum.
• SSE (Server-Sent Events) (Zdarzenia wysyłane przez serwer) — Standard W3C umożliwiający serwerowi wysyłanie strumienia danych do klienta przez długotrwałe połączenie HTTP — powszechnie używany do streamingu odpowiedzi modeli AI (token po tokenie) i jako transport MCP (deprecjonowany od wersji 2025-03-26 na rzecz Streamable HTTP).
• Streamable HTTP (Streamowalny HTTP) — Transport sieciowy wprowadzony w specyfikacji MCP 2025-03-26 jako następca SSE — używający standardowych żądań HTTP POST dla komunikacji dwukierunkowej z opcjonalnym streamingiem przez SSE gdy potrzebny. Upraszcza implementację serwerów MCP i poprawia kompatybilność z infrastrukturą webową.
• WebMCP — Propozycja standardu Google pozwalająca stronom internetowym wystawiać agentom zestaw akcji które mogą wykonać bezpośrednio — bez konieczności zgadywania struktury DOM przez agenta.

Tożsamość agentowa

• ANS (Agent Name Service) (Usługa nazw agentów) — Otwarty standard zaproponowany przez GoDaddy i Cloudflare w kwietniu 2026 — system nazewnictwa i weryfikacji agentów AI oparty na DNS i PKI, który pozwala każdej organizacji przypisać swoim agentom weryfikowalną tożsamość powiązaną z domeną.
• Agent fingerprinting (Odcisk palca agenta) — Technika identyfikowania agentów AI na podstawie wzorców zachowania (czas zapytań, kolejność odwiedzanych zasobów, wzorce parsowania) — alternatywa dla łatwego do sfałszowania user-agent.
• Agent hijacking (Przejęcie agenta) — Atak polegający na manipulacji agentem AI przez złośliwe instrukcje ukryte w treści strony lub danych — agent wykonuje działania inne niż zamierzył użytkownik który go wysłał.
• Delegated authority (Delegowane uprawnienia) — Formalny mechanizm udzielania agentowi AI ograniczonego zakresu uprawnień do działania w imieniu użytkownika — przez kryptograficznie podpisane tokeny (Intent Mandate, OAuth scope) — tak że każda akcja jest weryfikowalna jako mieszcząca się w autoryzowanym zakresie.
• Google-Agent (Agent Google) — Oficjalny agent AI Google działający w imieniu użytkowników Gemini — weryfikowalny kryptograficznie przez Web Bot Auth z kluczem publicznym pod https://agent.bot.goog. Pierwszy duży przykład agenta użytkownika z kryptograficzną tożsamością zamiast łatwo fałszowanego user-agent string.
• HTTP Message Signatures (RFC 9421) (Podpisy wiadomości HTTP (RFC 9421)) — Standard IETF z lutego 2024 definiujący kryptograficzne podpisy wiadomości HTTP — pozwala agentowi podpisać wybrane elementy żądania (metoda, URL, nagłówki, treść) tak by odbiorca mógł kryptograficznie zweryfikować tożsamość nadawcy i integralność wiadomości.
• KYA (Know Your Agent) (Weryfikacja tożsamości agenta) — Framework weryfikacji tożsamości agentów AI w kontekście transakcji finansowych — analogia do KYC stosowanego w bankowości — pozwalający systemom płatniczym zidentyfikować agenta, zweryfikować jego uprawnienia i ocenić ryzyko transakcji realizowanej autonomicznie w imieniu użytkownika.
• Principal hierarchy (Hierarchia pryncypałów) — Hierarchia podmiotów autoryzowanych do wydawania poleceń agentowi AI — producent modelu (najwyższy autorytet), operator (kontekst wdrożenia), użytkownik (polecenia w ramach kontekstu) — definiująca jak agent rozstrzyga konflikty między poleceniami z różnych poziomów.
• Tożsamość agenta — Mechanizmy weryfikacji tego, kim jest agent odwiedzający stronę — czy jest tym za kogo się podaje, kto go wysłał i jakie ma uprawnienia do działania w imieniu użytkownika.
• User-agent — Nagłówek HTTP w którym przeglądarka lub bot deklaruje swoją tożsamość — w świecie agentów AI główna (i łatwa do sfałszowania) metoda identyfikacji systemów odwiedzających stronę.
• User-triggered fetcher (Pobieracz inicjowany przez użytkownika) — Agent AI pobierający stronę na bezpośrednie polecenie użytkownika — w odróżnieniu od autonomicznego crawlera. OpenAI argumentuje że user-triggered fetcher jest analogiczny do przeglądarki użytkownika i nie powinien podlegać ograniczeniom robots.txt. Kontrowersja która podzieliła branżę.
• Web Bot Auth (Kryptograficzna weryfikacja botów) — Protokół weryfikacji tożsamości botów i agentów AI zaproponowany przez Cloudflare w maju 2025, przechodzący standaryzację IETF — agent podpisuje żądania HTTP kluczem prywatnym, serwer weryfikuje podpis kryptograficznie zamiast ufać łatwo fałszowalnemu nagłówkowi user-agent.

Wnętrze modelu

• Halucynacja (halucynacja modelu) — Wygenerowanie treści brzmiącej wiarygodnie, ale niezgodnej z faktami lub kontekstem. Nie jest błędem implementacji — wynika z tego, że model wybiera tokeny według prawdopodobieństwa, nie prawdziwości, i nie ma osobnego sygnału "nie wiem". Ogranicza się ją poza modelem: RAG, walidacja, structured output.
• Predykcja następnego tokenu — Jedyna operacja, jaką wykonuje model: na podstawie ciągu tokenów zwraca rozkład prawdopodobieństwa kolejnego tokenu. Odpowiedź powstaje przez powtarzanie tego kroku. Model niczego nie wykonuje i nie sięga poza kontekst — halucynacje i brak pamięci wynikają wprost z tego mechanizmu.
• Token — Podstawowa jednostka, na którą model dzieli tekst — najczęściej fragment słowa, nie całe słowo. Model nie widzi znaków, tylko numery tokenów ze stałego słownika. W tokenach liczone są okno kontekstu, koszt i limity odpowiedzi.
• Tokenizacja — Deterministyczny algorytm zamieniający tekst na ciąg numerów tokenów według stałego słownika (najczęściej BPE). Nie ma wag i niczego się nie uczy — to krok przed siecią neuronową. Jest przyspawany do modelu: podmiana tokenizera psuje adresowanie embeddingów.

WWW

Agent-readiness stron

• .well-known — Standardowy katalog na serwerze WWW służący do publikowania metadanych o stronie — używany przez agentów do odkrywania możliwości witryny (agent-skills, llms.txt i inne).
• Agent Skills (Umiejętności agenta) — Mechanizm proponowany przez Cloudflare pozwalający stronom publikować listę dostępnych akcji dla agentów pod adresem .well-known/agent-skills/index.json — agent wie co może zrobić na stronie zanim zacznie działać.
• Agent discovery (Odkrywalność przez agentów) — Zdolność strony do bycia znalezioną i zrozumianą przez agentów AI — obejmuje pliki llms.txt, dane strukturalne, well-known endpoints i inne mechanizmy ułatwiające agentom odkrycie możliwości witryny.
• Agent permissions (Uprawnienia agenta) — Zestaw zdefiniowanych możliwości i ograniczeń agenta AI na danej stronie — co może zrobić (czytać, kupować, rezerwować) a czego nie może bez dodatkowej autoryzacji użytkownika.
• Agent-readiness (Gotowość agentowa) — Zestaw cech strony internetowej decydujący o tym, czy agent AI potrafi ją skutecznie odczytać, zrozumieć i wykonać na niej działanie w imieniu użytkownika.
• Content Signals (Sygnały treści) — Rozszerzenie pliku robots.txt o trzy sygnały (search, ai-input, ai-train), które pozwalają właścicielowi strony deklarować nie tylko kto może crawlować jego zawartość, ale do czego można jej użyć po pobraniu — do wyszukiwania, do generowania odpowiedzi AI lub do trenowania modeli.
• Context window (Okno kontekstu) — Maksymalna ilość tekstu (mierzona w tokenach) którą model AI może przetworzyć w jednym zapytaniu — determinuje ile treści strony agent może przeczytać naraz i dlaczego Markdown for Agents ma znaczenie.
• Dane strukturalne — Ustandaryzowany sposób opisywania treści strony w formacie zrozumiałym dla maszyn — używany przez wyszukiwarki do rich snippets i przez agentów AI do rozumienia kontekstu strony.
• Filar 1 — czytelność (Czytelność dla agenta) — Pierwszy filar agent-readiness: zdolność strony do bycia odczytaną przez agenta AI bez renderowania JavaScript — obejmuje semantyczny HTML, hierarchię nagłówków i dostępność treści w czystym HTML.
• Filar 2 — struktura danych (Struktura danych) — Drugi filar agent-readiness: warstwa danych strukturalnych (JSON-LD, schema.org) która pozwala agentowi zrozumieć znaczenie treści — co jest produktem, ceną, autorem, definicją.
• Filar 3 — odkrywalność (Odkrywalność) — Trzeci filar agent-readiness: zdolność strony do bycia znalezioną przez agentów — obejmuje llms.txt, well-known endpoints, agent skills i inne mechanizmy aktywnego informowania agentów o zawartości witryny.
• Filar 4 — operacyjność (Operacyjność) — Czwarty filar agent-readiness: zdolność strony do wykonywania działań przez agenta — formularze przyjazne agentom, API zamiast imitowania kliknięć, brak barier takich jak captcha blokująca automatyzację.
• Filar 5 — tożsamość (Tożsamość i zaufanie) — Piąty filar agent-readiness: mechanizmy weryfikacji i zaufania między stroną a agentem — kto może działać na stronie, jak strona weryfikuje tożsamość agenta i jakie granice mu stawia.
• Filar 6 — governance (Zarządzanie agentami) — Szósty filar agent-readiness: zasady i mechanizmy zarządzania tym co agenci mogą robić na stronie — polityki dostępu, logi działań, zgodność z regulacjami i długoterminowa strategia wobec agentów.
• Human-in-the-loop (Człowiek w pętli) — Model nadzoru nad agentami AI w którym człowiek zatwierdza kluczowe decyzje przed ich wykonaniem — równowaga między autonomią agenta a kontrolą użytkownika nad jego działaniami.
• Markdown for Agents (Markdown dla agentów) — Format serwowania treści stron w czystym Markdown zamiast HTML — redukuje zużycie tokenów przez agenty nawet o 80% i eliminuje potrzebę parsowania złożonego kodu HTML.
• Operability (Operacyjność strony) — Zdolność strony do bycia obsługiwanej przez agenta AI — formularze które agent może wypełnić, API które może wywołać, checkout który może przeprowadzić bez imitowania kliknięć człowieka.
• llms-full.txt — Rozszerzona wersja pliku llms.txt zawierająca pełną treść strony w formacie przyjaznym dla modeli językowych — dla agentów które potrzebują kompletnego kontekstu.
• llms.txt — Plik tekstowy umieszczany w katalogu głównym strony zawierający uproszczone informacje o witrynie przeznaczone dla modeli językowych — analogia robots.txt ale dla LLM.
• robots.txt (agenci) (robots.txt dla agentów) — Rozszerzenie klasycznego pliku robots.txt o dyrektywy specyficzne dla agentów AI i crawlerów LLM — pozwala kontrolować które części strony są dostępne dla systemów AI.

Agentic Advertising

• AAMP — Agentic Advertising Management Protocols — otwarta inicjatywa-parasol IAB Tech Lab spinająca standardy agentowej reklamy. Trzy filary: Foundations (ARTF), Protocols (buyer/seller), Trust & Transparency (Agent Registry). Oparta na MCP/A2A oraz OpenRTB, OpenDirect, AdCOM.
• ARTF — Agentic Real-Time Framework — filar wykonawczy AAMP definiujący, jak usługi agentowe działają bezpiecznie i deterministycznie w środowiskach reklamowych, w tym real-time bidding, z interfejsem MCP wbudowanym w specyfikację. Ogłoszony przez IAB Tech Lab w listopadzie 2025.
• Agent Registry (AAMP) (rejestr agentów) — Filar Trust & Transparency w AAMP: neutralny, otwarty rejestr, w którym agenci rejestrują tożsamość, możliwości i dane połączeniowe, a inni weryfikują ich status zaufania przed transakcją. Działa w Tools Portal IAB Tech Lab, darmowy i otwarty.
• Agentic Audiences (dawniej UCP) — Schemat standaryzujący sygnały audytoryjne (tożsamość, kontekst, sygnały wzmacniające) dla agentów reklamowych. Wcześniej User Context Protocol (UCP) — darowizna LiveRamp dla IAB Tech Lab. UWAGA: to NIE Universal Commerce Protocol z huba Commerce.
• Agentic advertising (reklama agentowa) — Kupowanie i sprzedawanie reklamy przez autonomiczne lub półautonomiczne agenty AI — planowanie mediów, discovery inventory, negocjacja i transakcja między agentem kupującego a agentem sprzedającego. Osobny świat od agentic commerce; standaryzuje to IAB Tech Lab w ramach AAMP.
• Buyer Agent (reklama) (agent kupującego) — Agentowy system zakupu reklamy: przyjmuje brief kampanii, rozdziela budżet, bada inventory, buduje rekomendacje i rezerwuje deale — w AAMP przez pojedyncze API. Referencyjna implementacja IAB na CrewAI i OpenDirect 2.1. To agent kupujący reklamę, nie zakupy konsumenckie.
• Seller Agent (reklama) (agent sprzedającego) — Agentowy system po stronie sprzedaży reklamy: udostępnia inventory, odpowiada na zapytania agentów kupujących i negocjuje warunki w ramach AAMP. Rejestruje tożsamość i capabilities w Agent Registry. Referencja jako open-source SDK na GitHub.

Browser-as-Agent

• AI Mode (Chrome) (Tryb AI w Chrome) — Chmurowy interfejs Search Generative Experience od Google wyświetlany jako "pigułka" w pasku adresu Chrome 147+. Każde zapytanie idzie na serwery Google. NIE używa lokalnego Gemini Nano — mimo wizualnej bliskości to dwa zupełnie różne flow. Etykieta sugeruje lokalność, której nie ma — przykład deceptive design pattern (EDPB 03/2022).
• Agent-in-Browser (Agent w Przeglądarce) — Paradygmat w którym agent AI jest świadomie wywoływanym gościem przeglądarki — uruchamianym przez użytkownika z konkretnym zadaniem, działającym sesyjnie. Wcielenia: Atlas (OpenAI), Claude in Chrome, Brave Leo. Przeciwwaga dla Browser-as-Agent.
• Auto Browse (Chrome) (Auto Browse w Chrome) — Feature Chrome wbudowany w Gemini in Chrome — pozwala Gemini wykonywać "digital chores" w imieniu użytkownika autonomicznie. Już dostępny na desktopie, od końca czerwca 2026 na Android. Materializacja paradygmatu Browser-as-Agent. Działa w bieżącej sesji przeglądarki z dostępem do logowanych kont.
• Browser-Side Content Reframing (Przeramowanie treści po stronie przeglądarki) — Zjawisko w którym treść strony WWW jest modyfikowana, podsumowywana, klasyfikowana lub parafrazowana przez lokalny model AI w przeglądarce użytkownika ZANIM zostanie zaprezentowana w finalnej formie — bez wiedzy autora strony. Łamie historyczny kontrakt "serwer wysyła HTML, przeglądarka renderuje". Niewidoczne dla klasycznych analytics.
• Browser-as-Agent (Przeglądarka-jako-Agent) — Paradygmat w którym przeglądarka zawiera wbudowany lokalny LLM modulujący doświadczenie każdej odwiedzanej strony — bez wyraźnej intencji użytkownika i bez wiedzy autora strony. W przeciwieństwie do Agent-in-Browser (świadomie uruchamiany gość), Browser-as-Agent jest cały czas obecny. Wcielenie: Chrome z Gemini Nano w 500M+ urządzeń.
• Chrome Optimization Guide — Komponent Chromium odpowiedzialny za pobieranie i zarządzanie modelami ML w Chrome — od list bezpieczeństwa po lokalne LLM. Wykorzystuje Component Updater Chrome do dostarczania paczek CRX-3 z CDN edgedl.me.gvt1.com. Mechanizm który niegdyś pobierał setki KB, dziś pobiera 4 GB LLM tym samym kanałem.
• Gemini Nano — Lokalny LLM od Google z rodziny Gemini, przeznaczony do uruchomienia na urządzeniu użytkownika — napędzający funkcje AI w Chrome (Help me write, Page summarization, Tab group suggestions). Jedyne pełnoskalowe wcielenie Browser-as-Agent w 2026 — pre-stage'owany na ~500M+ urządzeń desktop bez zgody użytkownika.
• Gemini Spark — Persistent AI agent ogłoszony przez Google na I/O 2026 — działający w tle 24/7 jako "personal AI", monitorujący kontekst użytkownika (kalendarz, mail, taby, lokalizacja) i podejmujący proaktywne akcje. Dostępny dla subskrybentów Google AI Ultra. Pierwsza praktyczna implementacja paradygmatu always-on agent w mainstream produkcie konsumenckim.
• GenAILocalFoundationalModelSettings (Polityka lokalnych modeli GenAI w Chrome) — Polityka enterprise Google Chrome konfigurująca czy przeglądarka pobiera lokalne foundational models (Gemini Nano). Wartość 1 wyłącza pobieranie i usuwa istniejący model. Dostępna na Windows (rejestr), macOS (plist) i Linux (JSON). Pierwsza linia obrony przed silent client-side AI deployment.
• Hardware fingerprinting for AI eligibility (Profilowanie sprzętowe pod AI eligibility) — Praktyka w której przeglądarka odczytuje charakterystyki sprzętowe urządzenia (klasa CPU, klasa GPU, RAM, VRAM) żeby zdecydować czy urządzenie kwalifikuje się do pobrania lokalnego modelu AI — bez wyraźnej zgody i przed pokazaniem UI ustawień AI. W Chrome: performance_class i vram_mb w Local State. Dane osobowe w rozumieniu art. 4(1) RODO.
• Help me write (Chrome) (Pomóż mi napisać (Chrome)) — Funkcja Chrome wykorzystująca lokalny Gemini Nano do pomocy użytkownikowi w pisaniu treści w polach formularzy — z menu kontekstowego prawego kliknięcia. Model czyta kontekst strony (nagłówki, opis, FAQ) i generuje treść w stylu witryny. Wiadomości od klientów stają się generowane przez model, nie przez klienta.
• Nano Banana — On-device image generation w Chrome Google'a — feature wykorzystujący lokalny model (Gemini Nano lub Gemma 197M) do generowania i edycji obrazów bezpośrednio w przeglądarce, bez API zewnętrznego. Premiera Android: koniec czerwca 2026. "Nano Banana moment" jako branżowy termin dla momentu demokratyzacji danej kategorii generative AI on-device.
• OptGuideOnDeviceModel (Katalog modelu na urządzeniu (Chrome)) — Nazwa katalogu w profilu Chrome zawierającego wagi Gemini Nano (~4 GB w weights.bin) — wewnętrzny skrót od "Optimization Guide On Device Model" wybrany zamiast nazwy "GeminiNano", co utrudnia użytkownikowi powiązanie artefaktu z marką i kategorią produktu. Przykład scope inflation through generic naming.
• Podsumowywanie strony w Chrome (Podsumowywanie strony (Chrome)) — Funkcja Chrome wykorzystująca Gemini Nano do generowania 5-7 zdań podsumowania aktualnie otwartej strony — z menu kontekstowego, paska narzędzi i side panel'u. Podsumowanie staje się "twoją stroną" w głowie użytkownika. Jakość zależy od semantyki HTML, schema.org, hierarchii nagłówków i llms.txt.
• Pre-staged AI Capability (Pre-stage'owana zdolność AI) — Wzorzec architektoniczny w którym komponent AI (model, weights, runtime) jest pobierany na urządzenie użytkownika ZANIM użytkownik wywoła jakąkolwiek funkcję AI — żeby pierwsze użycie było natychmiastowe. Just-in-case zamiast just-in-time. Koszt na użytkowniku, korzyść głównie u vendora. Fundament Browser-as-Agent.
• Prompt API (Chrome) — Interfejs JavaScript w Chrome (window.ai od Chrome 127+) umożliwiający stronom WWW programatyczne korzystanie z lokalnego Gemini Nano — bez klucza API, bez chmury, bez kosztu inferencji. Pierwsza możliwość lokalnego LLM dostępnego dla strony WWW. Otwiera nowe wzorce projektowania pod prywatność i agent-readiness.
• Silent Client-Side AI Deployment (Ciche wdrożenie AI po stronie klienta) — Wzorzec dystrybucji w którym vendor automatycznie umieszcza komponenty AI (modele, mosty, runtime'y) na urządzeniu użytkownika bez zgody, z automatycznym przywracaniem po usunięciu — wykorzystując kanały aktualizacji jako warstwę dostarczenia AI. Wcielenia: Chrome z Gemini Nano (4 GB), Anthropic Claude Desktop z Native Messaging bridge.
• Skills in Chrome (Skills w Chrome) — Feature Chrome ogłoszony na I/O 2026 pozwalający użytkownikowi zapisywać złożone prompty do Gemini jako "skills" — wielokrotnie używalne, jedno-klikowe narzędzia z parametrami. Sprowadza AI z modelu "request/response chat" na model "narzędzia, których używasz wielokrotnie".

Commerce agentowy

• ACP (Agentic Commerce Protocol) (Agentowy protokół handlowy) — Standard handlu agentowego stworzony przez OpenAI i Stripe ogłoszony w październiku 2025 roku — umożliwia realizację zakupów przez agenta bezpośrednio w interfejsie ChatGPT.
• Agentic checkout flow (Agentowa ścieżka zakupu) — Ścieżka zakupowa zoptymalizowana pod obsługę przez agenta AI — przez API zamiast interfejsu wizualnego — gdzie każdy krok jest dostępny jako wywołanie API z ustrukturyzowanymi parametrami, bez konieczności nawigacji przez strony HTML.
• Agentic commerce (Handel agentowy) — Model handlu elektronicznego w którym zakupy, rezerwacje i transakcje są inicjowane i realizowane przez agentów AI działających w imieniu kupującego — bez ręcznego przechodzenia przez sklep.
• CAPTCHA vs agent (CAPTCHA kontra agenci AI) — Konflikt między mechanizmami bezpieczeństwa zaprojektowanymi do blokowania botów a legitymowanymi agentami AI użytkowników — CAPTCHA blokuje zarówno złośliwe boty jak i autoryzowanych agentów, zmuszając do wyboru między bezpieczeństwem a agent-readiness. Web Bot Auth jako bardziej przyszłościowa alternatywa.
• Copilot Checkout — Funkcja Microsoft Copilot uruchomiona w USA w 2026 roku umożliwiająca realizację zakupów przez agenta bezpośrednio w interfejsie Copilot — odpowiednik Instant Checkout w ekosystemie Microsoft.
• Instant Checkout (Natychmiastowy checkout) — Funkcja ChatGPT ogłoszona przez OpenAI i Stripe w październiku 2025 roku umożliwiająca agentowi realizację zakupu bezpośrednio w rozmowie bez przekierowywania użytkownika do sklepu.
• Merchant of Record dla agentów (Sprzedawca odpowiedzialny dla agentów) — Kwestia prawna definiująca który podmiot ponosi odpowiedzialność za transakcję zrealizowaną przez agenta AI — platforma agentowa, operator agenta czy sklep-sprzedawca — z implikacjami dla podatków, zwrotów i zgodności z regulacjami konsumenckimi. Nierozstrzygnięte w polskim prawie na 2026 rok.
• Reservation agent (Agent rezerwacyjny) — Wyspecjalizowany agent AI realizujący rezerwacje — stolików, noclegów, terminów usług — przez integrację z systemami rezerwacyjnymi przez API lub protokoły agentowe, zarządzający całym cyklem od sprawdzenia dostępności po anulowanie.
• UCP (Universal Commerce Protocol) (Uniwersalny protokół handlowy) — Otwarty standard ogłoszony przez Google i Shopify w styczniu 2026 roku umożliwiający agentom AI realizację zakupów bezpośrednio przez ustandaryzowane API — bez przechodzenia przez interfejs sklepu.
• Visa TAP (Trusted Agent Protocol) (Visa Protokół Zaufanych Agentów) — Protokół Visa ogłoszony w marcu 2026 rozszerzający infrastrukturę płatniczą o mechanizmy weryfikacji agentów AI — przez kryptograficzną weryfikację tożsamości agenta, walidację Intent Mandate i dostosowanie fraud detection do profilu behawioralnego agentów.

Ekonomika agentowa

• AI Crawl Control (Kontrola dostępu AI crawlerów) — Zestaw mechanizmów aktywnej kontroli dostępu AI crawlerów do treści strony — wykraczający poza deklaratywne robots.txt w kierunku weryfikacji tożsamości botów, blokowania na poziomie CDN i monetyzacji ruchu AI. Odpowiedź na fakt że znaczna część AI crawlerów nie respektuje robots.txt.
• Agent-as-customer (Agent jako klient) — Model w którym agenty AI działające autonomicznie w imieniu użytkowników stają się samodzielnym typem klienta — z własnymi wymaganiami technicznymi i kryteriami decyzyjnymi — wymagającym od sprzedawców osobnej warstwy optymalizacji obok tradycyjnej optymalizacji pod człowieka.
• Agentic advertising (Reklama agentowa) — Wyłaniający się model reklamy w którym komunikaty reklamowe są kierowane do agentów AI podejmujących decyzje zakupowe — przez sponsorowane rekomendacje w odpowiedziach AI i uprzywilejowane pozycjonowanie w danych dostępnych dla agentów — zamiast tradycyjnego kupowania uwagi człowieka przez reklamy displayowe.
• Answer economy (Gospodarka odpowiedzi) — Model ekonomiczny internetu w którym wartość przepływa do platform AI które syntetyzują treść i udzielają bezpośrednich odpowiedzi — a nie do właścicieli treści źródłowych których strony nie są odwiedzane. Fundamentalna zmiana w dystrybucji wartości w ekosystemie contentowym.
• Citation economy (Ekonomia cytowań) — Model ekonomiczny w którym cytowania przez systemy AI — wzmianki i rekomendacje źródeł w odpowiedziach ChatGPT, Claude, Perplexity — stają się mierzalną jednostką wartości i podstawą nowych modeli przychodów, zastępując lub uzupełniając tradycyjny model oparty na ruchu i reklamach displayowych.
• Content licensing dla AI (Licencjonowanie treści dla AI) — Komercyjne umowy między właścicielami treści a dostawcami modeli AI lub platform agentowych — przyznające prawo do użycia treści w treningu modeli lub jako źródło RAG — w zamian za opłaty lub tantiemy. Wyłaniający się rynek który przenosi logikę licencjonowania mediów do ery modeli językowych.
• Pay-per-crawl (Płatny dostęp dla agentów) — Model monetyzacji dostępu do treści dla agentów AI — właściciel serwisu definiuje cenę za crawlowanie lub zapytanie, agent płaci za każdy dostęp przez protokoły micropayments. Odpowiedź na rozpad umowy "crawl za darmo, ruch w zamian" w erze generatywnych odpowiedzi AI które zatrzymują użytkownika przed kliknięciem.
• Programmatic content access (Programatyczny dostęp do treści) — Model dystrybucji i monetyzacji treści w którym agenty AI uzyskują dostęp przez automatyczne transakcje licencyjne definiowane przez właściciela w Content Signals — bez manualnej negocjacji umów dla każdego agenta z osobna. Programmatic advertising zastosowane do dostępu do treści.
• Zero-click revenue model (Model przychodów bez kliknięcia) — Model biznesowy dla właścicieli treści w erze AI — zakładający że przychód pochodzi nie z ruchu i reklam displayowych, ale z bezpośrednich opłat za dostęp do treści przez AI, licencjonowania wiedzy dla modeli i pay-per-crawl — bo użytkownicy coraz rzadziej klikają w źródła cytowane przez AI.

Mierzenie widoczności AI

• AI Chunkability (Chunkowalność dla AI) — Warstwa AI-readiness w frameworku ContentFox oceniająca zdolność strony do bycia podzieloną na sensowne chunki przez modele AI — mierzona przez średnią gęstość treści pod nagłówkami (rekomendacja >=80 słów per sekcja), oddzielenie treści merytorycznej od kodu/nawigacji/CTA, obecność granic semantycznych. Wpływa na jakość RAG retrieval i pośrednio na Citation Share.
• AI Visibility (Widoczność AI) — Pojęcie parasolowe opisujące widoczność strony w ekosystemie systemów AI — generatywnych wyszukiwarek, AI Overviews, asystentów w przeglądarkach, agentów AI — mierzona przez citation share, AI-Readiness Score i agent-readiness. Nowa warstwa widoczności która zastępuje (nie tylko uzupełnia) klasyczne SEO dla coraz większej części ruchu.
• AI Visibility Audit (Audyt widoczności AI) — Systematyczna ocena widoczności strony w ekosystemie systemów AI — łącząca pomiar citation share (iFox Monitor), audyt AI-readiness w 6 warstwach (ContentFox AI-Readiness Scanner) i ocenę agent-readiness przez testy zadań agentowych. Daje pełny obraz stanu strony w erze AI z konkretnymi priorytetami. Trzy etapy: pomiar widoczności → audyt gotowości → audyt operacyjności.
• AI-Readiness Score (Ocena gotowości AI) — Kompozytowa metryka oceny gotowości strony WWW dla agentów AI — skala 0-100 i ocena A-F — obliczana jako średnia ważona sześciu warstw analizy w ContentFox AI-Readiness Scanner. Analogia do PageSpeed Score / Lighthouse, ale dla AI. Mierzy gotowość, nie citation share (to robi iFox Monitor).
• Answer-first writing (Pisanie odpowiedzią-pierwszą) — Technika pisarska zoptymalizowana pod cytowanie przez modele AI — otwieranie każdej sekcji konkretną, kompletną odpowiedzią na pytanie z nagłówka, a w dalszej części rozwijanie kontekstu i niuansów. Adaptacja dziennikarskiej odwróconej piramidy dla GEO i Citation Readiness. Model cytuje pierwsze 1-3 zdania pod nagłówkiem.
• Brand Mention w AI (Wzmianka marki w AI) — Wspomnienie marki w odpowiedzi modelu AI — niekoniecznie z cytowaniem strony, ale jako wzmianka w syntezie odpowiedzi — mierzona empirycznie przez próbę zapytań w kategorii branżowej. Różnica vs Citation Share: cytowanie wymaga URL, mention to każde pojawienie się nazwy. Monitoring obejmuje też tonalność wzmianek.
• Citation Readiness (Gotowość do cytowania) — Warstwa AI-readiness w frameworku ContentFox oceniająca zdolność treści do bycia cytowaną przez AI — kompletność twierdzeń, weryfikowalność danych, jasność autorstwa, brak szumu kodu/marketingu w treści, obecność liczb, dat i nazw własnych. Predyktor Citation Share z opóźnieniem 2-8 tygodni.
• Citation Share (Udział w cytowaniach AI) — Metryka AI Visibility opisująca procent generatywnych odpowiedzi AI (ChatGPT, Claude, Perplexity, Google AI Overviews) w danej kategorii zapytań które cytują twoją stronę. Analogia "share of voice" dla AI. Mierzona empirycznie przez próbę 50-200 zapytań i analizę odpowiedzi modeli. Trendowa — śledzona w czasie. Narzędzie referencyjne: iFox Monitor.
• ContentFox AI-Readiness Scanner — Narzędzie z ekosystemu WebFlux.pl (apps.contentfox.pl) do sześciowarstwowej analizy strony WWW pod kątem gotowości dla agentów AI i modeli językowych — Semantic Clarity, AI Chunkability, Citation Readiness, Agent Operability, Structured Data, Entity Consistency. Zwraca AI-Readiness Score (0-100), ocenę A-F i listę konkretnych problemów oraz sugestii. Pozycjonowanie: "Nie SEO. Quality assurance dla internetu agentów."
• Evidence Graph (graf dowodów) — Sieć jawnych, maszynowo czytelnych powiązań między encją (firmą, osobą, marką) a jej weryfikowalnymi dowodami kompetencji: wdrożeniami, cytowaniami, replikacjami, benchmarkami. Knowledge graph mówi maszynom, kim jesteś; evidence graph — dlaczego mają ci wierzyć.
• Pierwszy Czytelnik (First Reader) (Pierwszy Czytelnik) — Model AI który czyta twoją stronę przed człowiekiem — bezpośrednio (Page Summarization, Help me write) lub pośrednio (crawl przez ChatGPT/Perplexity/Claude) — i decyduje co człowiek z twojej strony zobaczy, kiedy zobaczy ją bezpośrednio, oraz w jakim kontekście. Termin spopularyzowany przez WebFlux.pl w analizie konsekwencji Browser-as-Agent dla web designu.
• Position Zero AI (Pozycja zerowa AI) — Status w którym strona jest pierwszą cytowaną referencją w generatywnej odpowiedzi modelu AI (Google AI Overviews, ChatGPT Search, Perplexity, Claude) na zapytanie z danej kategorii — analogia klasycznego Featured Snippet, ale w odpowiedziach syntetyzowanych. Daje większy wpływ na narrative, wyższy implicit endorsement, większy CTR (gdy klikają).
• Schema Density (Gęstość schema) — Wskaźnik bogactwa danych strukturalnych na stronie WWW — mierzony przez liczbę bloków JSON-LD, różnorodność typów schema.org (Article, Organization, Person, FAQPage, HowTo, BreadcrumbList) i kompletność pól. Kluczowy komponent warstwy Structured Data w ContentFox AI-Readiness Scanner. W erze AI rola schema skaluje się — modele używają jako pierwszego źródła zrozumienia czym strona jest.
• Sześć warstw AI-readiness (framework ContentFox) (Sześć warstw AI-readiness) — Framework analityczny narzędzia ContentFox AI-Readiness Scanner dekomponujący gotowość strony dla modeli AI na sześć niezależnie mierzalnych wymiarów — Semantic Clarity, AI Chunkability, Citation Readiness, Agent Operability, Structured Data, Entity Consistency — każdy z osobnym score 0-100, sumarycznie składający się na AI-Readiness Score. Taktyczna kontrapropozycja do strategicznych 6 filarów agent-readiness WebFlux.
• iFox Monitor — Narzędzie z ekosystemu iFox.pl (WebFlux) do automatycznego mierzenia citation share — śledzenia cytowań domeny przez Google AI Overviews, ChatGPT, Claude i Perplexity dla zdefiniowanego zestawu zapytań. Tygodniowy raport trendowy. Komplementarne z ContentFox AI-Readiness Scanner: iFox mierzy "czy mnie cytują", ContentFox "czy moja strona jest gotowa".

Nowe SEO

• AEO — Answer Engine Optimization (Optymalizacja pod silniki odpowiedzi) — Starsze pojęcie (pre-LLM) opisujące optymalizację treści pod kątem asystentów głosowych i silników odpowiedzi jak Alexa czy Siri — dziś rozszerzone o kontekst AI generatywnego.
• AI Overviews (Przeglądy AI Google) — Funkcja Google Search wyświetlająca generowaną przez Gemini odpowiedź na zapytanie — z cytowanymi źródłami — przed tradycyjną listą wyników. Największe wdrożenie generatywnej AI w wyszukiwarce, dostępne globalnie od 2025. Redukuje CTR dla zapytań informacyjnych, premiuje dobrze ustrukturyzowane źródła.
• AI crawler (Crawler AI) — Zautomatyzowany bot który odwiedza strony internetowe w celu zbierania danych treningowych lub wiedzy dla modeli AI — różni się od klasycznego bota SEO intencją i sposobem przetwarzania treści.
• AIO — AI Optimization (Optymalizacja pod AI) — Praktyka optymalizowania treści i struktury strony pod kątem widoczności w odpowiedziach generowanych przez modele AI — analogia SEO dla wyszukiwarek, ale dla systemów generatywnych.
• Agentic SEO (Agentowe SEO) — Pozycjonowanie strony pod kątem odkrywalności i używalności przez agentów AI — obejmuje zarówno widoczność w odpowiedziach AI jak i techniczną gotowość do obsługi agentów.
• E-E-A-T w erze AI (E-E-A-T) — Framework Google (Experience, Expertise, Authoritativeness, Trustworthiness) rozszerzony o kontekst generatywnych systemów AI — opisujący sygnały jakości treści które wpływają na cytowanie przez AI Overviews. Modele AI preferują cytowanie źródeł z wyraźnym E-E-A-T bo redukuje ryzyko halucynacji.
• Entity SEO (Encyjne SEO) — Optymalizacja obecności online pod kątem bycia rozpoznaną encją w grafach wiedzy wyszukiwarek i modeli AI — przez dane strukturalne (Person, Organization schema), obecność w Wikidata i budowanie wyraźnej tożsamości semantycznej. AI cytuje encje z kontekstem, nie anonimowe URL-e.
• GEO — Generative Engine Optimization (Optymalizacja pod silniki generatywne) — Termin wprowadzony przez badaczy z Princeton w 2024 roku opisujący optymalizację treści pod kątem cytowania przez silniki generatywne takie jak ChatGPT, Perplexity czy Google AI Overviews.
• LLMO — LLM Optimization (Optymalizacja pod modele językowe) — Praktyka optymalizowania treści pod kątem sposobu w jaki duże modele językowe (LLM) indeksują, rozumieją i cytują informacje ze stron internetowych.
• Zero-click agentic (Zero-click agentowy) — Scenariusz w którym agent AI odpowiada na zapytanie użytkownika bez odsyłania do strony źródłowej — analogia zero-click search ale dla agentów, stanowi wyzwanie dla ruchu organicznego.

Protokoły komunikacji

• ACP (Agentic Commerce Protocol) (Agentowy protokół commerce) — Otwarty protokół commerce dla agentów AI definiujący ustandaryzowany sposób odkrywania produktów, sprawdzania dostępności i finalizowania transakcji — niezależnie od platformy agenta i platformy sklepu. Open standard jako alternatywa dla zamkniętych inicjatyw jak UCP Google.
• Agentic Storefronts (Agentowy sklep internetowy) — Standard Shopify dla sklepów internetowych zoptymalizowanych pod obsługę przez agentów AI — wystawiający ustrukturyzowane API produktów i checkout dostępne przez MCP i NLWeb, umożliwiające agentom realizację kompletnych transakcji bez navigacji przez interfejs wizualny. "The store of the future won't just be visited — it will be called."
• UCP (Universal Checkout Protocol) (Uniwersalny protokół checkout) — Inicjatywa Google z Walmart, Shopify i Target definiująca ustandaryzowany protokół checkout dla agentów AI — sklep integruje się raz i jest dostępny dla agentów ze wszystkich platform obsługujących UCP. Odpowiednik VISA dla agentic commerce: jeden standard który działa wszędzie.

Przeglądarki AI

• Apple Intelligence (Safari) — Funkcje AI Apple zintegrowane systemowo w macOS/iOS/iPadOS — z preferencją inferencji on-device na Apple Silicon i Private Cloud Compute jako fallback. W Safari: page summarization, Writing Tools, smart suggestions. Opt-in, transparentne, audytowalne — radikalnie inny model prywatności niż Gemini Nano w Chrome.
• Arc Max — Zestaw funkcji AI w przeglądarce Arc od The Browser Company — Ask on Page (pytania do strony), 5-Second Previews (podsumowania linków przy hover), auto-naming pobranych plików i kart. Pośrednia pozycja między Agent-in-Browser a Browser-as-Agent — AI niewidoczne jako tryb, użyteczne jako warstwa interakcji.
• Atlas (OpenAI) — Natywna przeglądarka OpenAI z agentem opartym na rodzinie GPT jako głównym interfejsem — użytkownik wyraża intencję, agent wykonuje sekwencję działań autonomicznie. Najbardziej radykalne wcielenie Agent-in-Browser w 2026. Wydana październik 2025, adopcja masowa poniżej oczekiwań, ale punkt referencyjny dla całej kategorii.
• Brave Leo — AI-asystent wbudowany w przeglądarkę Brave — z możliwością wyboru backendu modelu (Mixtral, Llama, Claude, GPT przez własny API key) — projektowany z naciskiem na prywatność (zero-knowledge hosting, brak trenowania na promptach). Opt-in, nie silent deployment. Alternatywa dla Agent-in-Browser od dużych vendorów.
• Claude in Chrome (Claude w Chrome) — Rozszerzenie Chrome od Anthropic wykorzystujące Claude do sterowania przeglądarką w imieniu użytkownika — otwieranie stron, klikanie, wypełnianie formularzy, ekstrakcja danych. Niższy próg adopcji niż Atlas (zostajesz w Chrome). Eksperyment WebFlux pokazał 40-60% lepszą skuteczność na stronach agent-ready.
• Comet (Perplexity) — Natywna przeglądarka Perplexity z agentem AI jako interfejsem — pasek adresu działa równocześnie jako pasek zapytań do generatywnej wyszukiwarki, agent może autonomicznie nawigować na stronach. Sprawa PerplexityBot z 2025 (obchodzenie robots.txt) stała się katalizatorem prac nad Web Bot Auth i pay-per-crawl jako branżowymi standardami.
• Computer Use — Paradygmat działania agentów AI przez vision (screenshot) i symulację działań użytkownika (kliki, wpisywanie) zamiast API/DOM parsing. Wprowadzony przez Anthropic w Claude 3.5 Sonnet (X.2024). Działa na każdej stronie, ale jest wolniejszy, droższy i bardziej błędogenny niż API. Fundament Agent-in-Browser dla stron które nie są agent-ready.
• Firefox Local Translation Models (Lokalne tłumaczenia w Firefoxie) — System tłumaczenia stron WWW w Firefoxie wykorzystujący lokalne modele AI (Bergamot Project) — pobierane on-demand dla par językowych (~50-200 MB), działające w przeglądarce bez wysyłania treści na zewnątrz. Minimalistyczne podejście Mozilli do AI w przeglądarce — przeciwieństwo silent deployment Gemini Nano. Firefox jest jedyną dużą przeglądarką bez Browser-as-Agent.
• Microsoft Copilot in Edge (Microsoft Copilot w Edge) — AI-asystent wbudowany w Microsoft Edge — sidebar z czatem opartym na rodzinie OpenAI (GPT). Chmurowy, nie lokalny — zapytania idą na serwery Microsoft. Page summarization, Compose w formularzach, integracja z Microsoft 365. Definiator wzorca AI sidebar w 2023, rok przed Gemini Nano.
• Opera Aria — Natywny AI-asystent w Operze (Opera One, Opera GX) — opracowany we współpracy z OpenAI na bazie rodziny GPT. Sidebar chat, AI Prompts kontekstowe, image generation (niespotykane w innych przeglądarkach AI), AI Tab Commands. Pozycjonowany jako narzędzie creator/workflow dla użytkownika indywidualnego.
• Przeglądarki AI 2026 — krajobraz — Mapa ~10 znaczących przeglądarek z AI w maju 2026 dzielących się na trzy kategorie — Browser-as-Agent (Chrome z Gemini Nano), Agent-in-Browser opt-in (Atlas, Claude in Chrome, Brave Leo, Comet, Arc Max, Sigma OS) i hybrydowe (Edge Copilot, Safari Apple Intelligence, Opera Aria). Plus minimalistyczne (Firefox Local Translation). Trzy wymiary: silent vs opt-in, chmura vs lokalność, kontekstowe vs autonomiczne.
• Sigma OS — Natywna przeglądarka z funkcjami AI rozwijana przez czeskie studio — bazuje na Chromium, używa metafory "workspaces" (pulpity dla różnych projektów), agent jako współpracownik nie jako interfejs. Europejski głos w krajobrazie zdominowanym przez US vendorów. Pozycjonowana produktywnościowo dla freelancerów i małych zespołów.

Techniczne — strona

• Chunking (Fragmentacja dokumentów) — Proces dzielenia długich dokumentów na mniejsze fragmenty przed embeddingiem — kluczowy krok w pipeline RAG który bezpośrednio wpływa na jakość wyszukiwania semantycznego. Zbyt małe chunki tracą kontekst, zbyt duże gubią szczegóły. Właściwy chunking to jeden z najważniejszych czynników jakości RAG.
• Embedding (Osadzenie wektorowe) — Numeryczna reprezentacja tekstu w wielowymiarowej przestrzeni wektorowej, gdzie podobne znaczeniowo obiekty mają bliskie wektory — fundament wyszukiwania semantycznego i RAG. Termin obejmuje dwie różne rzeczy: wiersz macierzy embeddingów wskazywany numerem tokenu wewnątrz modelu językowego oraz wektor całego tekstu zwracany przez osobny model embeddingowy.
• FAQPage schema (Schemat FAQPage) — Typ schema.org do oznaczania stron FAQ — definiujący listę par pytanie-odpowiedź. Od maja 2026 Google nie wyświetla już rich results z FAQPage (wycofane 7 maja 2026), ale typ pozostaje ważny w schema.org, a znaczniki można zostawić na stronie. Wartość przesunęła się z widoczności w SERP na czytelność treści Q&A dla systemów AI — przy założeniu, że schema zgadza się z widoczną treścią.
• GraphRAG (RAG grafowy) — Odmiana RAG, w której z dokumentów wydobywa się encje i relacje, budując graf wiedzy, a wyszukiwanie porusza się po powiązaniach zamiast po podobieństwie fragmentów. Rozwiązuje pytania globalne, na które odpowiedź trzeba złożyć z wielu miejsc. Kosztowniejszy w budowie i utrzymaniu niż klasyczny RAG.
• HTML-in-Canvas API — Nowy API Chrome ogłoszony na I/O 2026 pozwalający developerom integrować prawdziwe elementy DOM (HTML) w środowiskach 3D renderowanych przez WebGL i WebGPU — z zachowaniem dostępności, wyszukiwalności i indeksowalności przez agentów AI. Wcześniej HTML w canvas 3D był bitmapą; teraz zachowuje semantykę.
• HowTo schema (Schemat HowTo) — Typ schema.org do oznaczania instrukcji krok po kroku — definiujący nazwę zadania, wymagane narzędzia i sekwencję kroków w formacie maszynowo-czytelnym. Uwaga: Google wycofał HowTo rich results (na desktopie już w 2023), więc znaczników tych nie wyświetla się już w wynikach. Wartość HowTo schema leży dziś w czytelności kroków dla agentów i systemów RAG, nie w widoczności w SERP.
• Meta tags dla AI (Tagi meta dla AI) — Znaczniki HTML w sekcji head strony rozszerzające tradycyjne meta robots — pozwalające deklarować granularną politykę wobec różnych typów agentów AI: czy mogą indeksować treść, trenować modele, cytować w odpowiedziach. Uzupełnienie Content Signals z robots.txt na poziomie pojedynczej strony.
• OpenAPI schema (Schemat OpenAPI) — Ustandaryzowany format opisu API REST w YAML lub JSON — definiujący endpointy, parametry i typy danych w maszynie-czytelny sposób — pozwalający agentom AI automatycznie odkryć możliwości API i wywołać je poprawnie bez wcześniejszej wiedzy o strukturze. Fundament agent-ready API.
• RAG (Retrieval-Augmented Generation) (Generowanie wspomagane wyszukiwaniem) — Architektura systemu AI łącząca model językowy z zewnętrzną bazą wiedzy — model otrzymuje w czasie rzeczywistym fragmenty dokumentów odnalezione przez wyszukiwanie semantyczne i generuje odpowiedź na podstawie aktualnej, specyficznej dla kontekstu wiedzy zamiast polegać wyłącznie na danych treningowych.
• Reranking (przeszeregowanie wyników) — Drugi etap wyszukiwania, w którym model ocenia parę pytanie–dokument widząc oba teksty naraz, zamiast porównywać osobno policzone wektory. Dokładniejszy i wolniejszy, więc stosowany do krótkiej listy kandydatów z etapu pierwszego. Radzi sobie z negacją i niuansami, na których wyszukiwanie wektorowe zawodzi.
• SpeakableSpecification (Specyfikacja treści do odczytania) — Właściwość schema.org Article pozwalająca wskazać które fragmenty treści są najbardziej odpowiednie do cytowania przez AI — przez CSS selektory wskazujące elementy HTML zawierające kluczową treść. Właściciel mówi agentowi: "to jest to co najważniejsze".
• Vector database (Wektorowa baza danych) — Baza danych zoptymalizowana pod przechowywanie i przeszukiwanie embeddingów — umożliwiająca szybkie wyszukiwanie semantyczne "znajdź K najbliższych wektorów do tego zapytania". Fundament infrastruktury RAG dla agentów AI.
• Webhook — Mechanizm asynchronicznego powiadamiania przez HTTP — gdy zdarzenie zajdzie na serwerze, serwer wysyła POST do zdefiniowanego URL-a z danymi zdarzenia — zamiast klient musiał regularnie odpytywać API. Fundament asynchronicznej architektury agentów przy długotrwałych zadaniach.
• Wyszukiwanie hybrydowe — Połączenie wyszukiwania wektorowego z pełnotekstowym, z wynikami łączonymi w jeden ranking. Wyszukiwanie po tekście ratuje przypadki, w których embeddingi zawodzą: identyfikatory, kwoty, daty, rzadkie nazwy własne i terminy branżowe. Standard przy bazach z dokumentacją, danymi produktowymi i umowami.

WordPress w Agentic Web

• Full Site Editing (Edycja całej strony) — Funkcjonalność WordPress pozwalająca edytować wszystkie elementy strony przez jeden interfejs blokowy — treść, szablony, nagłówek, stopkę. Block Themes zapewniają konsekwentny, semantyczny HTML naturalnie czytelny dla agentów AI. Fundament architektoniczny dla AI features w WP 7.0.
• Gutenberg — Edytor blokowy WordPress — interfejs oparty na niezależnych blokach zamiast jednego pola tekstowego — fundament Full Site Editing, Abilities API i integracji AI w WP 7.0. Architektura blokowa jest naturalnie bardziej agent-readable niż page buildery generujące zagnieżdżone divy.
• Headless WordPress (WordPress headless) — Architektura gdzie WordPress zarządza treścią jako headless CMS i wystawia ją przez REST API lub GraphQL, a frontend (Next.js, Gatsby) jest osobną aplikacją. SSR/SSG generuje czysty HTML bez JavaScript — naturalnie agent-readable.
• WP AI Client (Klient AI WordPress) — Wbudowany w WordPress 7.0 interfejs do konfigurowania zewnętrznych modeli AI (Settings → Connectors) — provider-agnostic API dostępne dla wszystkich pluginów, eliminujące potrzebę osobnej konfiguracji AI w każdym pluginie. Jeden klucz API dla całej instalacji WordPress.
• WooCommerce agent-ready (WooCommerce gotowy na agentów) — Stan konfiguracji sklepu WooCommerce (30% sklepów światowych) umożliwiający agentom AI efektywną obsługę — REST API produktów i zamówień, Product schema, Abilities API dla akcji zakupowych i obsługa agentic checkout. REST API vs HTML parsing to kluczowa różnica.
• WordPress 7.0 — Pierwsza wersja WordPressa (43% internetu) z natywną integracją AI w core — WP AI Client (Settings → Connectors dla OpenAI, Claude, Gemini), Abilities API (możliwości pluginów widoczne dla agentów), Playground MCP Server i PHP-only blocks. Wydana 20 maja 2026. Real-time collaboration przesunięta na WP 7.1.
• WordPress Abilities API (API możliwości WordPress) — Standard WordPress (WP 6.9 PHP + WP 7.0 JS) rejestrowania możliwości pluginów widocznych dla agentów AI i WebMCP — z input/output schemas i permission callbacks. Maszynowo-czytelna deklaracja "co ta strona potrafi". Fundament pod WebMCP integration.
• WordPress Playground — Środowisko testowe WordPress uruchamiające się w przeglądarce przez WebAssembly — bez serwera i instalacji. WordPress 7.0 dodaje Playground MCP Server: agenty mogą testować integracje z WordPress w izolowanym środowisku bez produkcyjnej instalacji.
• WordPress REST API — Wbudowany interfejs programistyczny WordPress pod /wp-json — wystawiający endpointy JSON dla treści, stron i mediów — umożliwiający agentom programatyczne czytanie i modyfikowanie zawartości bez HTML parsing. Naturalna baza pod serwer MCP dla WordPress.
• Yoast SEO w erze AI (Yoast SEO dla AI) — Najpopularniejszy plugin SEO WordPress (12M+ instalacji) który rozszerza się o GEO — NLWeb integration (endpoint /ask), automatyczne llms.txt, rozbudowane schema.org (DefinedTerm, FAQPage, HowTo) i Abilities API. Update Yoast = automatyczna agent-readiness dla strony.

Enterprise

Agentic Enterprise

• Agent sprawl (rozrost agentów) — Niekontrolowany przyrost liczby agentów AI w organizacji — agenty zduplikowane, porzucone po projektach, bez właścicieli i z niezweryfikowanymi uprawnieniami. Następca sprawlu znanego z VM i SaaS.
• Agentic Enterprise (przedsiębiorstwo agentowe) — Model organizacji, w której agenty AI funkcjonują jako zarządzana kategoria „cyfrowych pracowników" — z własną tożsamością, uprawnieniami, właścicielami i nadzorem analogicznym do nadzoru nad ludźmi.
• Frontier Firm (firma pogranicza) — Organizacja nowego typu (pojęcie Microsoft, Work Trend Index), w której zespoły składają się z ludzi i agentów AI, a agenty są zasobem podlegającym planowaniu, budżetowaniu i nadzorowi — nie narzędziami.
• Human-agent ratio (współczynnik ludzi do agentów) — Wskaźnik opisujący stosunek liczby ludzi do liczby agentów AI w organizacji lub zespole. Miara nasycenia organizacji agentami, używana w planowaniu tożsamości, licencji i nadzoru.
• Organizational agent-readiness (organizacyjne agent-readiness) — Zdolność organizacji do bezpiecznego przyjęcia agentów AI: nadawania im tożsamości, zarządzania uprawnieniami, nadzoru i kontrolowanego wycofywania. Odpowiednik agent-readiness strony, przeniesiony do wnętrza firmy.
• Shadow agents (agenci w cieniu) — Agenty AI uruchamiane przez pracowników poza wiedzą i kontrolą IT. Następca shadow IT — z tą różnicą, że shadow agent aktywnie działa na firmowych danych z uprawnieniami pracownika, który go założył.

Dane i governance enterprise

• Agent compliance (Zgodność agentów z regulacjami) — Zapewnienie że agenty AI spełniają obowiązujące regulacje — AI Act UE, GDPR, regulacje branżowe (KNF, NFZ) — z dokumentacją i audit trail. Compliance nie znika gdy akcję wykonuje agent: przesuwa się na operatora systemu agentowego.
• Agentic workflow (Przepływ agentowy) — Proces biznesowy realizowany przez agenty AI z możliwością dynamicznego dostosowywania ścieżki, obsługi wyjątków przez rozumowanie i eskalacji do człowieka — łączący determinizm tradycyjnej automatyzacji z elastycznością AI.
• Center of Excellence AI (Centrum Doskonałości AI) — Wewnętrzna jednostka odpowiedzialna za strategię, standardy, governance i wsparcie wdrożenia agentów AI — hub wiedzy, centrum zatwierdzania nowych agentów i platforma do skalowania sprawdzonych rozwiązań. Odpowiedź na agent sprawl i duplikację wysiłków w organizacji.
• Change management AI (Zarządzanie zmianą AI) — Zarządzanie ludzkim wymiarem transformacji przy wdrożeniu agentów AI — komunikacja zmiany, adresowanie obaw pracowników (w tym o utratę pracy), szkolenia behawioralne (jak współpracować z agentem), redesign ról i mierzenie adopcji. Technologia gotowa w dzień. Zmiana nawyków — miesiące.
• Corporate agent policy (Polityka korporacyjna agentów AI) — Zestaw polityk definiujących zasady korzystania z agentów AI w organizacji — dopuszczalne use cases, klasyfikacja danych, proces tworzenia i zatwierdzania agentów, ownership i monitoring. Analogia polityki bezpieczeństwa IT dla ery agentów.
• Data lineage (Rodowód danych) — Śledzenie pochodzenia, transformacji i przepływu danych przez systemy — krytyczne dla agentów AI żeby odpowiedzi były oparte na wiarygodnych, aktualnych danych z właściwych źródeł. Metoda detekcji hallucynacji: twierdzenia bez udokumentowanego retrieval są podejrzane.
• Enterprise data governance dla agentów (Zarządzanie danymi enterprise dla agentów) — Rozszerzenie tradycyjnych ram data governance o kontekst agentów AI — klasyfikacja danych dostępnych dla agentów, polityki retencji logów i pamięci, prawa dostępu do danych generowanych przez agenty i compliance z GDPR w kontekście autonomicznego przetwarzania przez AI.
• Human-in-the-loop enterprise (Człowiek w pętli enterprise) — Projektowanie systemów agentowych z wbudowanymi punktami nadzoru człowieka — wielopoziomowe zatwierdzenia dla decyzji wysokiego ryzyka, escalation matrix, audit trail interwencji. Trzy modele: HITL (przed każdą akcją), HOTL (monitoring z możliwością interwencji), HITC (tylko eskalacje).
• Knowledge graph enterprise (Graf wiedzy korporacyjnej) — Semantyczna sieć wiedzy organizacyjnej reprezentująca encje i relacje jako graf — dostępna dla agentów AI, pozwalająca na odpowiedzi uwzględniające kontekst i powiązania, nie tylko izolowane fakty z dokumentów. Microsoft Graph jako gotowy knowledge graph dla ekosystemu M365.
• Vibe working (enterprise) (Wibeworking w korporacji) — Styl pracy w środowisku korporacyjnym gdzie pracownicy delegują zadania agentom AI opisując cel zamiast kroków — z guardrails wymaganymi przez enterprise: human-in-the-loop przy decyzjach, audit trail i RBAC. Enterprise wersja vibe working z wbudowanym nadzorem.

Enterprise agent-readiness

• Agent audit trail (Ślad audytowy agenta) — Kompletny, immutable log wszystkich działań agenta AI — każdego wywołania narzędzia, zapytania do bazy wiedzy i wykonanej akcji — umożliwiający odtworzenie pełnego przebiegu zadania dla compliance, debugging i accountability. Wymóg dla agentów działających w regulowanych branżach.
• Azure AI Foundry — Platforma Microsoft do budowania i zarządzania agentami AI w skali enterprise — z dostępem do modeli GPT i open-source, infrastrukturą RAG i fine-tuningu, narzędziami do monitoringu i enterprise-grade security (dane pozostają w tenant klienta). Dla firm z regulacjami które nie mogą wysyłać danych do publicznych API.
• Copilot Studio — Platforma Microsoft no-code/low-code do budowania własnych agentów AI w środowisku korporacyjnym — pozwalająca pracownikom tworzyć wyspecjalizowanych agentów (HR, helpdesk, sales) przez interfejs graficzny, bez kodu, z integracją do systemów Microsoft i zewnętrznych. Główny wektor agent sprawl gdy wdrożony bez governance.
• Enterprise RAG (Korporacyjny RAG) — RAG dostosowany do środowiska korporacyjnego — z kontrolą dostępu na poziomie dokumentu (agent widzi tylko to do czego użytkownik ma uprawnienia), obsługą wielu źródeł (SharePoint, SAP, Salesforce), audytem retrieval i skalą enterprise.
• Enterprise agent-readiness (Gotowość korporacyjna na agentów) — Gotowość organizacji do wdrożenia agentów AI w środowisku korporacyjnym — obejmująca gotowość systemów (ERP/CRM z API), danych (ustrukturyzowane i dostępne), governance (polityki i audyt) i kulturową (pracownicy gotowi do współpracy z agentami). Fundamentalnie różna od agent-readiness strony WWW.
• Gemini Enterprise Agent Platform — Enterprise deployment ekosystemu Antigravity ogłoszony przez Google na I/O 2026 — admin console, policy management, audit log, Workspace integration, SSO, DLP, VPC isolation, compliance (SOC 2, ISO 27001, HIPAA-ready, GDPR-aligned). Pozycjonowany jako enterprise-grade agentic platform dla zespołów IT zarządzających deploymentem agentów w dużych organizacjach.
• M365 jako powierzchnia agentowa (M365 jako środowisko agentowe) — Koncepcja opisująca jak Microsoft 365 — Teams, Outlook, SharePoint, Word, Excel — staje się środowiskiem w którym agenty AI działają jako wbudowani asystenci z dostępem do danych korporacyjnych przez Microsoft Graph i mogą wykonywać akcje bezpośrednio w aplikacjach codziennej pracy.
• Microsoft Copilot ecosystem (Ekosystem Microsoft Copilot) — Zintegrowana rodzina agentów AI wbudowanych w produkty Microsoft — Copilot for M365, Copilot Studio, Azure AI Foundry, GitHub Copilot, Copilot w Dynamics — działających na Azure OpenAI i zasilanych danymi z Microsoft Graph. Dla większości polskich firm: pierwszy kontakt z agentami AI przez istniejące narzędzia.
• RBAC dla agentów (Kontrola dostępu oparta na rolach dla agentów) — Rozszerzenie RBAC o agentów AI jako osobny typ principal — definiujące jakie zasoby i akcje są dostępne dla agenta, niezależnie od uprawnień użytkownika w imieniu którego działa. RBAC na poziomie infrastruktury (nie promptu) jest odporny na permission injection.
• RPA vs agenty (RPA kontra agenty AI) — Porównanie RPA (deterministyczna automatyzacja skryptowa) z agentami AI (elastyczna automatyzacja oparta na rozumowaniu) — z różnymi trade-offs dotyczącymi przewidywalności i obsługi wyjątków. Nie "jedno zastąpi drugie" ale właściwe narzędzie do właściwego zadania.
• SharePoint jako baza wiedzy agentów (SharePoint jako baza wiedzy) — Model w którym SharePoint Online staje się źródłem wiedzy korporacyjnej dla agentów AI — przez indeksowanie przez Azure AI Search i Microsoft Graph — pozwalając agentom odpowiadać na pytania o polityki i procedury z danych które pozostają w środowisku korporacyjnym.

MCP Protokoły i Standardy

• Enterprise Managed Authorization (zarządzana autoryzacja korporacyjna) — Rozszerzenie MCP odpowiadające na potrzeby autoryzacji w organizacjach: centralne zarządzanie dostępem agentów do serwerów i zgodność z rzeczywistymi wdrożeniami OAuth i OpenID Connect. Powstało, bo rdzeń nie rozstrzygał układu „jeden klient, wiele serwerów o różnych właścicielach".

Workflow i automatyzacja enterprise

• AI governance platform (Platforma governance AI) — Centralna platforma zarządzania wszystkimi systemami AI w organizacji — rejestr modeli i agentów, monitoring, bias detection, compliance AI Act, audyt. Technologiczna odpowiedź na governance challenge. CoE AI + AI governance platform = kompletny system.
• Ambient automation (Automatyzacja otoczenia) — Paradygmat automatyzacji w którym agenty AI działają proaktywnie w tle — monitorując kontekst, przewidując potrzeby i automatyzując zadania bez inicjowania przez człowieka. Eliminuje tarcie między intencją a działaniem. Infrastruktura pod vibe working.
• Business rules engine (Silnik reguł biznesowych) — System zarządzania regułami biznesowymi oddzielony od kodu — w architekturach agentowych pełni rolę deterministycznych guardrails których agent nie może przekroczyć. BRE dla hard constraints (zawsze deterministycznych), LLM dla soft judgments (interpretacja kontekstu).
• Citizen developer AI (Obywatelski developer AI) — Pracownik bez wykształcenia programistycznego tworzący własne systemy AI przez low-code platformy. Szansa: specjalista domenowy buduje lepsze narzędzia. Ryzyko: AI bez governance. IT jako enabler (katalog, szablony, guardrails) zamiast gatekeepera.
• Digital twin (Cyfrowy bliźniak) — Cyfrowa replika fizycznego obiektu, procesu lub systemu zasilana danymi IoT w czasie rzeczywistym — pozwalająca symulować zachowanie i testować zmiany bez ingerencji w fizyczny obiekt. Dla agentów AI: środowisko testowe dla agentów operacyjnych przed wdrożeniem produkcyjnym.
• Hyperautomation (Hiperautomat​yzacja) — Strategia systematycznego odkrywania i automatyzacji jak największej liczby procesów przez kombinację RPA, AI, BPM i agentów AI — z celem ciągłej, samooptymalizującej się automatyzacji całej organizacji. Agenty AI jako czwarta fala i klej łączący wcześniejsze technologie.
• Intelligent document processing (Inteligentne przetwarzanie dokumentów) — Automatyzacja przetwarzania dokumentów przez OCR, AI ekstrakcji danych i LLM — klasyfikacja dokumentu, ekstrakcja kluczowych pól, walidacja i routing. Jeden z najszybszych ROI w enterprise AI: 70-90% redukcja czasu ręcznego przetwarzania faktur. Zwrot inwestycji w 6-12 miesięcy.
• Low-code AI (AI bez kodu) — Podejście do tworzenia systemów AI przez graficzne interfejsy minimalizujące kod — demokratyzujące dostęp do AI dla analityków i citizen developers. AI Builder, Dify, Flowise jako platformy. Low-code do prototypowania, kod dla produkcji przy złożonych wymaganiach.
• Process mining (Eksploracja procesów) — Technika odkrywania jak procesy faktycznie przebiegają przez analizę event logów systemów IT — identyfikująca bottlenecki, odchylenia i możliwości automatyzacji. Fundament każdej strategii hyperautomation: automatyzuj to co faktycznie się dzieje, nie to co dokumentacja mówi że powinno.
• iPaaS (Platforma integracji jako usługa) — Platforma chmurowa do integrowania aplikacji i danych między różnymi systemami przez gotowe konektory — dla agentów AI: warstwa dostępu do danych w wielu systemach enterprise przez jeden interfejs. Firma z dojrzałym iPaaS ma lepsze warunki startowe dla agentów AI.

Developer

Budowanie agentów

• Agent ewaluacja (Ewaluacja agenta) — Systematyczny proces mierzenia jakości agenta AI — przez zestawy testowe, metryki (task completion, tool call accuracy, faithfulness) i powtarzalne uruchomienia statystyczne — pozwalający wykryć regresje przy zmianach i porównywać konfiguracje. LLM-as-judge jako popularny wzorzec.
• Agent framework (Framework agentowy) — Biblioteka programistyczna dostarczająca infrastrukturę do budowania agentów AI — zarządzanie agent loop, narzędziami, pamięcią i orchestration — tak że developer koncentruje się na logice biznesowej bez reimplementowania mechaniki. Typy: grafy stanów (LangGraph), role/zespoły (CrewAI), konwersacyjne (AutoGen), SDK (Anthropic, OpenAI).
• Agent observability (Obserwowalność agentów) — Monitorowanie agentów AI w produkcji — strukturalne logowanie kroków agent loop, metryki (latency, token cost, error rate) i narzędzia do debugowania konwersacji. Trzy poziomy: tracing, metryki, alerty. Token cost observability jako kluczowa dla kontroli kosztów.
• Agentic RAG (agentowy RAG) — Architektura, w której wyszukiwanie jest narzędziem w pętli agenta, a nie stałym krokiem przed odpowiedzią. Model decyduje, czy szukać, jak sformułować zapytanie i czy powtórzyć próbę. Daje lepsze wyniki przy pytaniach złożonych kosztem większej liczby obrotów pętli i ryzyka zapętlenia.
• Antigravity 2.0 — Standalone aplikacja desktopowa Google ogłoszona na I/O 2026 — platforma agent-first do orkiestracji wielu agentów AI pracujących równolegle, z subagentami, schedule'owanymi taskami i integracjami z Google AI Studio, Firebase i Androidem. Architektoniczny zwrot Google z agentic coding (jak Cursor) na multi-agent orchestration. Silnik: Gemini 3.5 Flash.
• Antigravity CLI (agy) (Antigravity CLI) — Narzędzie wiersza poleceń (alias: agy) ogłoszone przez Google na I/O 2026 jako część Antigravity 2.0 — napisane w Go, zastępujące open-source Gemini CLI dla consumer tiers. Deprecation Gemini CLI: 18 czerwca 2026. Closed source z usage capami zdefiniowanymi per tier subskrypcji.
• Antigravity SDK — Zestaw bibliotek programistycznych ogłoszony przez Google na I/O 2026 jako część Antigravity 2.0 — dający programmatic control nad agent harness, pozwalający uruchamiać agentów Google na własnej infrastrukturze. Model: Google (przez API). Runtime + dane: developer. Rozłączenie modelu od runtime.
• Bariery ochronne — Mechanizmy sprawdzające i blokujące działające poza modelem — na wejściu, na wyjściu i przed wykonaniem działania. Nie polegają na tym, że model zachowa się właściwie, lecz na tym, że kod to sprawdzi. Instrukcja w prompcie nie jest barierą, tylko życzeniem.
• Chain-of-thought (Łańcuch myślenia) — Technika promptowania w której model generuje explicite kroki wnioskowania przed odpowiedzią — znacząco poprawiająca jakość przy zadaniach wieloetapowych. Zero-shot CoT: "Myślmy krok po kroku". W agentach: ReAct łączy CoT z agent loop.
• Dzierżawa zadania — Przydzielanie pracy na określony czas, który wykonawca musi odnawiać — jeśli przestanie, zadanie wraca do kolejki. Chroni przed zadaniami zajętymi przez wykonawców, którzy przestali istnieć, i przed cichym zatrzymaniem grafu.
• Fine-tuning (Dostrajanie modelu) — Dostosowanie pretrenowanego modelu językowego do specyficznej domeny przez dodatkowe trenowanie — modyfikuje jak model się zachowuje (styl, format, terminologia). Fine-tuning = jak model odpowiada. RAG = co model wie. Dla większości enterprise: zacznij od RAG + prompt engineering.
• Graf przepływu — Schemat, w którym wszystkie przejścia są ustalone przed uruchomieniem, a rozgałęzienia to warunki zakodowane wcześniej. Może zawierać krok agentowy i nadal pozostaje deterministyczny — autonomia mieszka wtedy wewnątrz jednego węzła.
• Graf wykonania — Topologia systemu agentowego, w której węzły wykonują pracę, krawędzie ograniczają dozwolone przejścia, a wybór krawędzi zapada w czasie działania. Cztery elementy: węzły, krawędzie, stan wspólny i granice uprawnień.
• Hallucination detection (Wykrywanie hallucynacji) — Systemy wykrywania nieprawdziwych twierdzeń generowanych przez modele AI — przez groundedness check, porównanie ze źródłami, factual consistency — stosowane jako guardrail przed wykonaniem akcji opartej na błędnej informacji. Trzy typy: factual, faithfulness, self-hallucination.
• Idempotentność operacji — Właściwość operacji, której wykonanie wielokrotne daje ten sam skutek co jednokrotne. Rozstrzyga, czy wolno bezpiecznie ponowić węzeł po awarii — bo awaria bywa po skutku, nie przed nim.
• Inżynieria grafów — Projektowanie topologii systemu agentowego jako jawnego, wersjonowanego artefaktu. Etykieta z lipca 2026 o nieustalonym znaczeniu — obejmuje trzy różne praktyki: graf przepływu, graf wykonania i graf wiedzy. Nowe jest słownictwo, nie technika.
• Latency agentowa (Opóźnienie agentowe) — Łączny czas od zlecenia zadania agentowi do dostarczenia wyników — suma wywołań modelu, narzędzi, retrieval i orchestration overhead. Kluczowa metryka dla interaktywnych zastosowań wymagająca decyzji: równoległe wywołania, cachowanie, dobór modelu, sync vs async.
• Managed Agents (Gemini API) (Managed Agents w Gemini API) — Oferta Gemini API ogłoszona przez Google na I/O 2026 dostarczająca developerowi fully provisioned agenta AI z remote sandboxem przez pojedynczy call do API, bez konfiguracji infrastruktury. Agent harness Antigravity dostępny jako managed service. Obniża próg wejścia agentic features z miesięcy na minuty.
• Prompt engineering dla agentów (Inżynieria promptów dla agentów) — Praktyka projektowania instrukcji dla agentów AI — system promptu, przykładów i strategii wnioskowania — tak żeby agent działał zgodnie z intencją przez wiele kroków autonomicznych działań, obsługiwał edge cases i wiedział kiedy eskalować. Trzy warstwy: tożsamość, granice, format.
• System prompt (Prompt systemowy) — Instrukcja bazowa przekazywana do modelu przed rozmową — definiująca tożsamość agenta, zakres, styl i ograniczenia — niewidoczna dla użytkownika, determinująca zachowanie we wszystkich interakcjach. Warstwa operatora w principal hierarchy.
• Token cost (Koszt tokenów) — Koszt operacji modelu językowego mierzony w tokenach — funkcja rozmiaru kontekstu, długości outputu i ceny modelu. Kluczowa metryka projektowa dla agentów w skali. Context window bloat jako główny winowajca wysokich kosztów. Model routing i prompt caching jako strategie optymalizacji.
• Węzeł zatwierdzenia — Element grafu wykonania zatrzymujący przebieg do czasu decyzji człowieka. Jedyny typ węzła, którego niezawodność spada wraz z użyciem — im więcej krawędzi przez niego przechodzi, tym mniej znaczy każde przejście.

Infrastruktura techniczna

• Agent deployment (Wdrożenie agenta) — Wdrażanie agenta AI do środowiska produkcyjnego — containeryzacja, CI/CD z ewaluacją jako bramką, canary deployment i monitoring. Specyfika AI: prompt versioning, model versioning, ewaluacja regresji jakości przed każdym deploymentem.
• Agent pipeline (Potok agentowy) — Zdefiniowana sekwencja kroków w systemie agentowym — od inputu przez retrieval, wywołanie modelu i narzędzi, po output — zarządzana jako kod (DAG lub sekwencja), testowalność i monitorowalna. Każdy krok z jasno zdefiniowanymi interfejsami między sobą.
• Cache semantyczny — Pamięć podręczna, w której kluczem jest znaczenie zapytania, nie jego dokładna treść — podobne pytanie zwraca zapisaną odpowiedź bez wywołania modelu. To co innego niż cache promptu, który działa wewnątrz modelu. Główne ryzyko to zbyt luźny próg podobieństwa i wyciek odpowiedzi między kontekstami uprawnień.
• Edge agent (Agent brzegowy) — Agent AI działający na urządzeniu końcowym lub lokalnym serwerze edge — minimalizujący latencję przez eliminację round-tripu do chmury, działający offline i redukujący koszty transmisji. Apple Intelligence, Cloudflare Workers AI, NVIDIA Jetson jako przykłady implementacji.
• Inference infrastructure (Infrastruktura wnioskowania modeli) — Sprzęt i oprogramowanie dedykowane do uruchamiania modeli AI w czasie rzeczywistym — GPU accelerators, batching, quantization, model serving — odpowiadające na żądania z odpowiednią latencją i kosztem. Własna infrastruktura uzasadniona przy dużych wolumenach lub wymaganiach data sovereignty.
• Local LLM (Lokalny model językowy) — Model językowy uruchamiany lokalnie — bez zewnętrznego API — zapewniający prywatność danych, działanie offline i przewidywalne koszty. Llama, Mistral, Phi jako popularne modele. Ollama jako de facto standard dla developerów.
• MCP registry (Rejestr MCP) — Katalog dostępnych serwerów MCP z metadanymi — opis, narzędzia, wymagania, oceny — umożliwiający znajdowanie i ocenianie serwerów MCP, analogia do npm registry. W 2026 roku fragment — brak jednego globalnego rejestru z weryfikacją wydawcy.
• Rate limiting API (Ograniczenie wywołań API) — Mechanizm ograniczający wywołania API w danym oknie czasowym — wymagający od agentów exponential backoff przy błędach 429, queue-based throttling i monitoringu zużycia. Jeden agent w pętli bez rate limit management może zablokować wszystkie inne agenty w organizacji.
• Self-hosted agent (Agent hostowany lokalnie) — Agent AI działający na infrastrukturze organizacji bez zewnętrznych wywołań API — model wdrożony lokalnie lub w prywatnej chmurze, dane nigdy nie opuszczają organizacji. Kluczowe dla regulowanych branż i danych wrażliwych. Llama, Mistral, Phi jako popularne modele open-source.
• Serverless agent (Agent bezserwerowy) — Agent AI wdrożony na platformie serverless — AWS Lambda, Azure Functions, Cloudflare Workers — skalujący do zera przy braku ruchu i automatycznie przy obciążeniu. Idealny dla event-triggered agentów i nieciągłego ruchu. Ograniczenia: cold start, timeout, stateless by design.
• Stateful vs stateless agent (Agent stanowy vs bezstanowy) — Fundamentalne rozróżnienie architektoniczne — stateless agent nie przechowuje stanu między wywołaniami (prostszy, łatwiej skalowalny), stateful agent utrzymuje stan przez zewnętrzny magazyn (ciągłość, długoterminowe zadania, wyższa złożoność). Większość produkcyjnych agentów jest hybrydowa.

Maszyneria agenta

• Definicja narzędzia — Opis narzędzia przekazywany modelowi: nazwa, opis słowny, schemat parametrów i pola wymagane. To jedyne, co model o narzędziu wie — więc opis jest promptem i decyduje o trafności wyboru. Trafia do kontekstu przy każdym obrocie pętli, więc jest też stałą pozycją w rachunku.
• Idempotencja — Właściwość operacji, której wielokrotne wykonanie z tymi samymi argumentami daje ten sam skutek co jednokrotne. Przy agentach kluczowa, bo powtórzenie jest regułą — wynika z ponowień, zapętlenia, równoległych wywołań i wznowień. Realizowana kluczem idempotencji, sprawdzeniem stanu przed działaniem lub rozdzieleniem przygotowania od zatwierdzenia.
• Planer i wykonawca — Wzorzec rozdzielający w pętli rolę planowania od roli wykonania, z możliwością użycia różnych modeli i ustawień dla każdej z nich. Planowanie zyskuje na modelu rozumującym, wykonanie na szybkim i niskolosowym. To nie to samo co system wieloagentowy — tu jest jedna pętla, jeden stan i jeden warunek zakończenia.
• Przeciążenie narzędziami — Spadek trafności wyboru narzędzia wraz ze wzrostem liczby dostępnych narzędzi, połączony ze wzrostem kosztu każdego obrotu pętli. Wynika z tego, że wszystkie definicje trafiają do kontekstu przy każdym wywołaniu i konkurują ze sobą. Remedium: ładowanie warunkowe, grupowanie i rozdzielenie ról.
• Retry i backoff (ponowienia i odczekiwanie) — Strategia ponawiania nieudanych wywołań w pętli agenta, wraz z rosnącym odstępem między próbami. Rozróżnia ponowienia techniczne (timeout, limit zapytań) od modelowych (niepoprawne wyjście modelu), które kosztują pełne wywołanie. Komunikat o błędzie przekazany modelowi jest częścią kontekstu i decyduje, czy agent znajdzie inną drogę.
• Równoległe wywołania narzędzi — Wykonanie kilku wywołań narzędzi z jednej odpowiedzi modelu równocześnie, zamiast w kolejnych obrotach pętli. Skraca czas i obniża koszt, bo redukuje liczbę powtórzeń rosnącego kontekstu. Wymaga, by wywołania były od siebie niezależne, i osobnej walidacji każdego z nich.
• Walidacja argumentów — Sprawdzenie argumentów zaproponowanych przez model przed wykonaniem narzędzia: format, istnienie wskazanego zasobu oraz uprawnienia i limity. Odbywa się w pętli, poza modelem, i jest jedynym punktem, w którym da się zatrzymać wywołanie przed skutkiem. Prompt tego nie zastąpi, bo instrukcja podlega perswazji, a kod nie.

MCP Protokoły i Standardy

• Bezstanowy rdzeń MCP — Architektura wprowadzona w specyfikacji 2026-07-28, w której stan podróżuje w treści komunikatów zamiast być trzymany przez konkretną instancję serwera. Umożliwia skalowanie poziome i odporność na zerwane połączenia. Towarzyszą jej nagłówki HTTP z nazwą metody i narzędzia oraz deterministyczna kolejność list, stabilizująca cache promptu.
• CIMD (dokumenty metadanych klienta) — Dokumenty metadanych klienta — mechanizm identyfikacji klienta MCP przez opis dostępny pod stałym adresem, zamiast dynamicznej rejestracji u każdego serwera osobno. Formalnie zastępuje Dynamic Client Registration w specyfikacji 2026-07-28. Tożsamość klienta da się dzięki temu sprawdzić i wycofać w jednym miejscu.
• Elicitation (dopytanie użytkownika) — Mechanizm MCP pozwalający serwerowi zatrzymać wykonanie i poprosić użytkownika o dane — doprecyzowanie, potwierdzenie, brakujący parametr. Zaprojektowany z człowiekiem w pętli: klient musi pokazać, który serwer pyta, i umożliwić odrzucenie. Pytanie może pojawić się wyłącznie w trakcie obsługi żądania zainicjowanego przez użytkownika.
• MCP Apps (aplikacje MCP) — Oficjalny standard MCP (SEP-1865, merged 28.01.2026) definiujący, jak serwer zwraca interaktywny interfejs HTML zamiast tekstu. Serwer deklaruje zasoby pod schematem ui://, narzędzia linkują je przez _meta.ui.resourceUri, host renderuje w sandboxowanym iframe. Czwarty prymityw MCP — jedyny nie dla modelu, lecz dla człowieka.
• Prymitywy MCP — Podstawowe typy możliwości w MCP. Po stronie serwera: narzędzia (funkcje do wywołania), zasoby (dane do odczytu po URI) i prompty (szablony). Po stronie klienta: elicitation, sampling i roots, przy czym dwa ostatnie zdeprecjonowano w specyfikacji 2026-07-28.
• Roots (MCP) (zakres działania serwera) — Możliwość klienta MCP informująca serwer, na jakich katalogach lub adresach URI może operować. Działa jak umowa, nie jak piaskownica — serwer może ją technicznie zignorować. Zdeprecjonowane w specyfikacji 2026-07-28; zakres przenosi się do parametrów narzędzi, gdzie podlega walidacji w pętli.
• Rozszerzenia MCP — Sformalizowany framework dodawania możliwości poza rdzeniem MCP. Rdzeń pozostaje mały, a funkcje potrzebne części wdrożeń żyją jako opcjonalne, negocjowane rozszerzenia. Pierwsze trzy to MCP Apps, Tasks i Enterprise Managed Authorization.
• Sampling (MCP) (sampling MCP) — Możliwość MCP, w której serwer prosi klienta o wykonanie zapytania do modelu — korzystając z modelu i budżetu klienta, nie własnego. Wybór modelu i kontrola nad zapytaniem należą do klienta. Zdeprecjonowane w specyfikacji 2026-07-28. To coś innego niż sampling w znaczeniu wyboru tokenu z rozkładu.
• Tasks (MCP) (zadania asynchroniczne MCP) — Rozszerzenie MCP pozwalające serwerowi prowadzić długotrwałą pracę w tle, raportować postęp i dostarczyć wynik asynchronicznie zamiast blokować wywołanie. Współgra z bezstanowym rdzeniem: zerwane połączenie nie unieważnia trwającego zadania. Wprowadza do pętli agenta nowy stan — wywołanie przyjęte, ale niezakończone.
• Wersjonowanie specyfikacji MCP — Wersje specyfikacji MCP oznaczane datą (np. 2025-11-25, 2026-07-28) i uzgadniane podczas inicjalizacji połączenia. Kolejne rewizje wprowadzały zmiany niewsteczne, więc serwer napisany pod jedną wersję nie musi działać z klientem obsługującym inną. Od 2026-07-28 obowiązuje polityka deprecjacji z minimum dwunastomiesięcznym oknem.
• Żądania wielokrotnego obiegu (MRTR) (żądania wielokrotnego obiegu) — Wzorzec MCP zastępujący żądania inicjowane przez serwer. Serwer kończy wywołanie wynikiem niosącym listę pytań i nieprzejrzysty blok stanu; klient zbiera odpowiedzi i ponawia pierwotne wywołanie z odesłanym stanem. Pasuje do bezstanowego rdzenia — dowolna instancja serwera może podjąć pracę.

Modele i platformy AI

• Claude (Anthropic) (Claude) — Rodzina modeli językowych Anthropic — Haiku, Sonnet, Opus — projektowana z priorytetem bezpieczeństwa przez Constitutional AI. Wyróżniki: 200K tokenów okno kontekstu, natywna obsługa MCP, extended thinking w Claude 3.7+. Fundament słownika Webflux.
• Foundation model (Model bazowy) — Duży model AI trenowany na ogromnych zbiorach danych służący jako fundament dla szerokiego zakresu zastosowań — przez fine-tuning lub prompting. GPT-4o, Claude, Gemini, Llama to foundation models. AI Act definiuje je jako GPAI z konkretnymi obowiązkami dla dostawców.
• GPT-4o — Flagowy model OpenAI (maj 2024) — multimodalny system natywnie przetwarzający tekst, obraz i audio w jednym modelu, z wydajnością GPT-4 Turbo przy 2x niższych kosztach. Fundament ChatGPT i OpenAI API. "o" = "omni" — jedna sieć neuronowa dla wszystkich modalności.
• Gemini (Google) (Gemini) — Rodzina multimodalnych modeli AI Google — Ultra, Pro, Flash, Nano — wbudowana w ekosystem Google i Vertex AI. Wyróżnik: 1M tokenów okno kontekstu w Gemini 1.5. Głęboka integracja z AI Overviews, Workspace i Android. Promotor A2A i UCP.
• Llama (Meta) (Llama) — Open-source modele językowe Meta — od 1B do 405B parametrów — dostępne do pobrania i uruchamiania lokalnie bez opłat za API. Fundament ekosystemu self-hosted AI i podstawa setek fine-tunedowanych modeli. Llama 3.3 70B = jakość GPT-4o przy self-hosting.
• Model benchmarking (Benchmarking modeli AI) — Systematyczne porównywanie modeli AI przez zestandaryzowane testy — MMLU, HumanEval, Chatbot Arena, MATH. Pułapka: model #1 na benchmarku akademickim może być słabszy dla twojego konkretnego zadania. Buduj własny zestaw testów dla swojego use case.
• Model distillation (Destylacja modelu) — Technika trenowania mniejszego modelu przez imitowanie zachowania większego — "nauczyciel" (GPT-4o) uczy "ucznia" (Llama 3B) zachowywać się na specyficznym zadaniu przy ułamku kosztu i latencji. Model zdystylowany na fakturach może przewyższyć generalistę na tym zadaniu.
• Multimodal AI (Multimodalna AI) — Model AI przetwarzający i generujący wiele typów danych jednocześnie — tekst, obraz, audio, wideo, kod — przez jedną zintegrowaną architekturę. Fundament computer use, document processing i voice interfaces. Przetwarzanie obrazów kosztuje wielokrotnie więcej tokenów niż tekst.
• Perplexity AI — Generatywna wyszukiwarka odpowiadająca na pytania przez syntezę informacji z internetu z cytowanymi źródłami — pierwsza popularna implementacja answer engine na dużą skalę. Jeden z głównych systemów dla których GEO ma praktyczne znaczenie. Kontrowersja z crawlerem katalizatorem Web Bot Auth.
• RLHF (Uczenie ze wzmocnieniem z ludzkiego feedbacku) — Technika trenowania modeli AI przez uczenie się z ocen ludzkich testerów — model generuje, ludzie rankują, system nagradza za preferowane odpowiedzi. Fundament "grzeczności" modeli, odmawiania szkodliwych treści i helpful behavior. Sycophancy jako znane ograniczenie.

Wnętrze modelu

• Attention (mechanizm uwagi) — Mechanizm, w którym reprezentacja każdego tokenu jest aktualizowana na podstawie pozostałych tokenów sekwencji, według wyliczonych wag. Działa równolegle w wielu głowach. Porównuje każdą pozycję z każdą, więc koszt rośnie kwadratowo z długością kontekstu.
• Dekodowanie spekulatywne — Technika przyspieszania generowania: mały model proponuje kilka tokenów naraz, duży weryfikuje je jednym przebiegiem i przyjmuje te, które sam by wybrał. Wynik jest identyczny jak bez tej techniki — zmienia się tempo, nie treść. Zysk zależy od przewidywalności tekstu.
• Inference (wnioskowanie modelu) — Użycie wytrenowanego modelu do wygenerowania odpowiedzi, przy zamrożonych wagach. Dzieli się na przetworzenie promptu i sekwencyjne generowanie token po tokenie — stąd różne stawki za tokeny wejściowe i wyjściowe oraz to, że długa odpowiedź kosztuje czasowo więcej niż długi prompt.
• KV cache (pamięć podręczna klucz-wartość) — Pamięć podręczna przechowująca pośrednie reprezentacje dotychczasowych tokenów, dzięki której generowanie kolejnego tokenu nie wymaga przeliczania całej sekwencji. Rośnie liniowo z długością kontekstu i liczbą sesji — to główny konsument pamięci przy inference. Podstawa mechanizmu cache promptu.
• Kwantyzacja — Zapisanie wag modelu z mniejszą precyzją liczbową, co zmniejsza zużycie pamięci i przyspiesza obliczenia kosztem dokładności. Umożliwia uruchamianie dużych modeli lokalnie. To nie to samo co destylacja — kwantyzacja zmienia zapis tych samych wag, destylacja tworzy nowy, mniejszy model.
• Mixture of Experts (mieszanka ekspertów) — Architektura, w której model zawiera wiele podsieci zwanych ekspertami, a mechanizm kierujący aktywuje dla każdego tokenu tylko kilka z nich. Rozdziela liczbę parametrów posiadanych od używanych na token: model jest pojemny wiedzowo i tani obliczeniowo, ale nadal drogi pamięciowo.
• Pretraining (trening wstępny) — Pierwszy i najkosztowniejszy etap treningu: model przewiduje kolejny token na ogromnym zbiorze tekstów, bez etykiet i ludzkich ocen. Daje model bazowy znający język, ale nie zachowanie asystenta. Wiedza z pretrainingu jest zamrożona na dacie odcięcia danych.
• Sampling (próbkowanie) — Warstwa wybierająca jeden token z rozkładu prawdopodobieństwa zwróconego przez model. Sterowana temperaturą, top-p i top-k. Odpowiada za niepowtarzalność odpowiedzi — ale nie zmienia wiedzy modelu, więc nie usuwa halucynacji.
• Skalowanie w czasie odpowiadania — Poprawianie jakości odpowiedzi przez zwiększenie nakładu obliczeń w momencie odpowiadania zamiast podczas treningu. Zamienia jakość ze stałej cechy modelu w parametr ustawiany przy pojedynczym zapytaniu. Działa w zadaniach z weryfikowalnym wynikiem; przy ekstrakcji czy streszczaniu jest czystym narzutem.
• Temperatura — Parametr skalujący rozkład prawdopodobieństwa przed wyborem tokenu. Niska wyostrza rozkład i daje odpowiedzi powtarzalne, wysoka spłaszcza go i dopuszcza kandydatów mniej oczywistych. Nie zwiększa wiedzy ani nie poprawia rozumowania.
• Transformer — Architektura sieci neuronowej oparta na mechanizmie uwagi, opisana w 2017 roku i stanowiąca podstawę dzisiejszych dużych modeli. Przetwarza całą sekwencję równolegle, co umożliwiło trening na dużą skalę. Wagi są zamrożone po treningu — model nie zapisuje niczego podczas rozmowy.

Industry

AI Act i regulacje

• AI Act (akt o sztucznej inteligencji) — Unijne rozporządzenie (2024/1689) ustanawiające zasady dla systemów AI według klasyfikacji ryzyka zastosowań. Stosowane etapami od 2025; działa obok RODO i przepisów sektorowych. Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.
• AI literacy (kompetencje w zakresie AI) — Obowiązek zapewnienia kompetencji AI osobom obsługującym systemy AI w organizacji, stosowany od 2 lutego 2025 — niezależnie od poziomu ryzyka systemów. Najczęściej pomijany przepis AI Act. Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.
• Deepfake — W AI Act: treści obrazowe/dźwiękowe/wideo generowane lub manipulowane przez AI, przypominające istniejące osoby, miejsca lub zdarzenia w sposób mogący mylić co do autentyczności. Objęte obowiązkiem ujawniania. Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.
• Digital Omnibus (on AI) (pakiet Digital Omnibus) — Pakiet legislacyjny UE (2026) przesuwający terminy AI Act dla systemów wysokiego ryzyka na XII 2027 / VIII 2028 — bez zmiany zakresu obowiązków, kar ani terminu obowiązków przejrzystości (2 VIII 2026). Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.
• Dostawca i podmiot stosujący (provider / deployer) (dostawca / podmiot stosujący) — Dwie główne role AI Act: dostawca (rozwija i wprowadza system pod własną nazwą) i podmiot stosujący (używa systemu zawodowo). Obowiązki przypisane są rolom wobec systemu, nie firmom. Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.
• Obowiązek przejrzystości (art. 50 AI Act) (obowiązek przejrzystości) — Obowiązki z art. 50 AI Act: informowanie o interakcji z AI, znakowanie treści syntetycznych, ujawnianie deepfake. Podstawowy termin: 2 sierpnia 2026 — niezmieniony przez Digital Omnibus. Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.
• Piramida ryzyka (AI Act) (piramida ryzyka) — Czteropoziomowa klasyfikacja zastosowań AI w AI Act: zakazane, wysokie ryzyko, przejrzystość, minimalne. Klasyfikowane jest zastosowanie, nie technologia. Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.
• System wysokiego ryzyka (system AI wysokiego ryzyka) — Kategoria AI Act: systemy dopuszczone pod rozbudowanym reżimem obowiązków (m.in. rekrutacja, scoring, biometria, edukacja). Po Digital Omnibus obowiązki od XII 2027 / VIII 2028. Hasło ma charakter informacyjny (mapa regulacji), nie stanowi porady prawnej.

Branżowe zastosowania

• Customer service agent (Agent obsługi klienta) — Agent AI wyspecjalizowany w obsłudze klientów — odpowiadający na pytania, rozwiązujący problemy, obsługujący reklamacje i eskalujący do człowieka. Najbardziej dojrzały typ agenta branżowego z natychmiastowym mierzalnym ROI. Deflection rate 40-70% w wdrożeniach 2025-2026.
• Education agent (Agent edukacyjny) — Agent AI w edukacji — intelligent tutoring dostosowany do ucznia, asystent nauczyciela automatyzujący ocenianie, generator spersonalizowanych ćwiczeń. Rozwiązanie "2 sigma problem" Blooma. Ochrona danych dzieci i academic integrity jako kluczowe wyzwania.
• Financial agent (Agent finansowy) — Agent AI w usługach finansowych — obsługa klientów, ocena ryzyka, compliance monitoring, back-office. Środowisko silnie regulowane: KNF, EBA, MiFID II, AI Act. Credit scoring i advisory = wysokie ryzyko AI Act z wymogami transparentności i audytowalności.
• HR agent (Agent HR) — Agent AI w zarządzaniu zasobami ludzkimi — skrining CV, FAQ pracownicze, onboarding, administracja HR. AI Act wysokie ryzyko dla systemów rekrutacyjnych. Skrining CV wymaga disparate impact analysis i ludzkiego przeglądu odrzuconych kandydatów.
• Healthcare agent (Agent medyczny) — Agent AI wyspecjalizowany w ochronie zdrowia — automatyzujący dokumentację kliniczną, triage, przypomnienia i kodowanie procedur, wspierający procesy kliniczne w ścisłych ramach regulacyjnych. Ambient documentation jako dominujące zastosowanie 2026. Dane medyczne = szczególna kategoria GDPR.
• Legal agent (Agent prawny) — Agent AI wyspecjalizowany w zastosowaniach prawnych — analiza umów, research orzecznictwa, due diligence, compliance monitoring — jako narzędzie wspomagające prawników. Tajemnica adwokacka wymaga self-hosted lub private cloud deployment. Nie zastępuje porad prawnych.
• Manufacturing agent (Agent produkcyjny) — Agent AI w procesach produkcyjnych — predictive maintenance, quality control, optymalizacja harmonogramów, zarządzanie łańcuchem dostaw. Największy ROI: predictive maintenance redukujące nieplanowane przestoje o 30-50%. Środowisko safety-critical wymaga advisory mode, nie pełnej autonomii.
• Marketing agent (Agent marketingowy) — Agent AI w marketingu — automatyzacja tworzenia treści, personalizacja komunikacji, analiza kampanii. Content factory: z jednego briefu generuje post, email, opis produktu, landing page. Brand voice w system promptcie jako krytyczne guardrails jakości.
• Real estate agent AI (Agent nieruchomościowy AI) — Agent AI w nieruchomościach — wyszukiwanie i matching oparty na intencji, analizy rynkowe i wyceny, dokumentacja transakcyjna. Wspomaganie pośredników, nie zastępowanie ich. Specyfika polska: MPZP, EKW, Geoportal z ograniczonymi API.
• Supply chain agent (Agent łańcucha dostaw) — Agent AI w zarządzaniu łańcuchem dostaw — monitoring ryzyka w czasie rzeczywistym, prognozowanie popytu, optymalizacja zamówień i automatyzacja komunikacji z dostawcami. Naturalnie wieloagentowy: inventory, procurement, logistics, supplier agents koordynowane przez orchestrator.

Prawo i regulacje

• AI Act dla agentów (AI Act UE dla agentów) — Wymagania unijnego AI Act (EU 2024/1689) stosowane do systemów agentowych — klasyfikacja według ryzyka (minimalny do niedopuszczalnego), obowiązki dokumentacji i nadzoru dla wysokiego ryzyka, rejestracja od marca 2026. Agent w rekrutacji, kredytach lub diagnostyce = wysokie ryzyko z rygorystycznymi wymaganiami.
• AI transparency (Przejrzystość AI) — Obowiązek informowania użytkowników że interagują z AI lub że treść jest AI-generowana — wymagany przez AI Act Art. 50 dla chatbotów i syntetycznych treści. Plus obowiązek wyjaśnienia logiki decyzji AI wpływających na użytkownika (GDPR Art. 13-15).
• Automated decision making (Zautomatyzowane podejmowanie decyzji) — Decyzje mające skutki prawne lub istotnie wpływające na osobę podejmowane wyłącznie przez system automatyczny — regulowane przez Art. 22 GDPR który przyznaje prawo do wyjaśnienia, sprzeciwu i ludzkiej interwencji. Dotyczy agentów decydujących o kredycie, zatrudnieniu, ubezpieczeniu.
• Consent dla agentów (Zgoda GDPR a agenty AI) — Kwestia prawna ważności zgody GDPR wyrażonej przez agenta AI — czy delegowanie wyrażania zgody na agenta spełnia wymogi świadomej, dobrowolnej i wyraźnej zgody. Agent klikający cookie banner bez wyraźnego umocowania od użytkownika — zgoda wątpliwa prawnie.
• Copyright a scraping (Prawo autorskie a scraping AI) — Obszar prawa dotyczący legalności pobierania treści przez AI i używania do trenowania modeli lub generowania odpowiedzi — z kluczowym pytaniem czy mieści się w fair use czy wymaga licencji. NYT vs OpenAI jako precedensowa sprawa w toku. Content Signals w robots.txt jako mechanizm wyrażenia preferencji właściciela.
• Human oversight requirement (Wymóg nadzoru człowieka) — Wymóg AI Act Art. 14 dla systemów wysokiego ryzyka — środki umożliwiające człowiekowi rozumienie, monitorowanie i zatrzymanie systemu AI. Kill switch jako wymóg prawny. Monitoring w czasie rzeczywistym i approval workflows dla kluczowych decyzji.
• Liability agenta (Odpowiedzialność prawna agenta AI) — Kwestia prawna odpowiedzialności za szkody wyrządzone przez autonomicznego agenta AI — deliktowej, kontraktowej i regulacyjnej — nierozstrzygnięta w polskim i europejskim prawie na 2026 rok. Human-in-the-loop przenosi część odpowiedzialności na człowieka. AI Liability Directive w procesie legislacyjnym UE.
• Regulatory sandbox AI (Piaskownica regulacyjna AI) — Program regulacyjny AI Act Art. 57-63 umożliwiający testowanie innowacyjnych systemów AI z tymczasowym złagodzeniem wymagań — pod nadzorem krajowego regulatora, do 24 miesięcy. Polska musi ustanowić sandbox do 2 sierpnia 2026.
• Right to explanation (Prawo do wyjaśnienia decyzji AI) — Prawo osoby do zrozumiałego wyjaśnienia decyzji AI — zakorzenione w GDPR Art. 13-15 i Art. 22. Nie wymaga ujawnienia algorytmu, ale wymaga głównych czynników, ich wag i co osoba mogłaby zmienić dla innego wyniku. SHAP, LIME jako techniki implementacji.
• Terms of Service a agenty (Regulaminy serwisów a agenty) — Kwestia prawna stosowania regulaminów serwisów (zakazy automatycznego dostępu) do agentów AI użytkowników — napięcie między prawem właściciela serwisu do kontroli a prawem użytkownika do delegowania własnego dostępu. hiQ vs LinkedIn jako precedens. Agent manifest jako emerging standard.

Bez przypisanej warstwy

Techniczne — strona

• DefinedTerm — Typ schema.org przeznaczony do oznaczania definicji pojęć — pozwala agentom i wyszukiwarkom jednoznacznie zidentyfikować stronę jako definicję konkretnego terminu.
• JSON-LD — Format zapisu danych strukturalnych w notacji JSON osadzany w tagu script na stronie — preferowany przez Google i agentów AI sposób przekazywania ustrukturyzowanych metadanych.
• RAG — Retrieval-Augmented Generation — technika wzbogacania odpowiedzi modelu AI o dane pobrane w czasie rzeczywistym ze stron WWW lub baz wiedzy, zamiast polegania wyłącznie na wiedzy z treningu.
• Semantyczny HTML — Użycie znaczników HTML zgodnie z ich znaczeniem (main, article, nav, header, footer) zamiast generycznych div — pozwala agentom AI zrozumieć strukturę strony bez zgadywania.